‫تحلیل احساسات در سی شارپ بدون نیاز به پایتون یا APIهای خارجی

این مقاله روشی برای انجام تحلیل احساسات در C# بدون استفاده از Python یا APIهای خارجی ارائه می‌دهد. با استفاده از کتابخانه Kjarni، می‌توان مدل‌های از پیش آموزش‌دیده Transformer را به صورت محلی بارگیری و اجرا کرد. این روش نیازی به کلید API، Python یا Container ندارد و به طور پیش‌فرض از CPU استفاده می‌کند، اما امکان استفاده از GPU نیز وجود دارد. مدل‌های تحلیل احساسات بر پایه شبکه‌های عصبی هستند که بر روی مجموعه‌های داده‌ای برچسب‌گذاری شده آموزش داده شده‌اند. این مدل‌ها با خواندن متن ورودی، آن را به یک بردار با ابعاد بالا تبدیل کرده و سپس از طریق یک لایه طبقه‌بندی، احتمال هر برچسب (مثبت، منفی یا خنثی) را محاسبه می‌کنند. فرآیند شامل توکن‌سازی، رمزگذاری با Transformer و در نهایت طبقه‌بندی است. کتابخانه Kjarni مدل roberta-sentiment را ارائه می‌دهد که بر روی حدود 124 میلیون توییت آموزش داده شده و به خوبی با متن‌های غیررسمی، اصطلاحات عامیانه و emojiها سازگار است. این مدل می‌تواند متن را به سه دسته اصلی (مثبت، منفی یا خنثی) طبقه‌بندی کند و امتیاز مربوط به هر دسته را ارائه دهد. در مثال‌های ارائه شده، مدل با دقت بالایی احساسات مختلف را تشخیص می‌دهد. به عنوان مثال، عبارت "It's okay I guess" با امتیاز 52.9% به عنوان مثبت طبقه‌بندی می‌شود، که نشان‌دهنده درک مدل از لحن و ابهام است. برای مشاهده توزیع کامل احتمال‌ها، می‌توان از متد ToJson() استفاده کرد. این روش یک راه حل ساده و کارآمد برای انجام تحلیل احساسات در پروژه‌های ‎.NET بدون وابستگی به زبان‌های برنامه‌نویسی دیگر یا سرویس‌های خارجی است. این امر به توسعه‌دهندگان ‎.NET امکان می‌دهد تا قابلیت‌های تحلیل احساسات را به راحتی در برنامه‌های خود ادغام کنند.