在Google表格中使用深度学习自动进行意图分类

在Google表格中使用深度学习自动进行意图分类

在之前的文章中,我们学习了如何执行由BERT支持的高级, 自动意图分类 在Python中。

我们还学习了如何自动 填充Google表格 在Python中。

如果我们可以直接在Google表格中执行意图分类,那会很酷吗?

这正是我们在这里要做的!

在Google表格中使用深度学习进行自动意图分类“ width =” 640“ height =” 380“ Size =”(最大宽度:640px)100vw,640px“ src =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/intent-googlsheets-5e69509b695b5.gifGoogle Apps脚本简介

Google表格中内置功能的局限性之一是它限制了您使用预定义的行为。

好消息是,如果您可以自己编写代码,则可以使用新行为定义自定义函数 Google Apps脚本

Google Apps脚本基于JavaScript,并添加了有助于与表格,文档和其他Google Apps进行交互的其他功能。

我们将定义一个名为fetchPrediction的新自定义函数,该函数将在Google Sheet单元格中使用关键字,并通过BERT支持的预测模型运行它们,以获取搜索用户的意图。

这是我们的行动计划:

  • 通过Apps脚本了解如何查看和更新​​Google表格中的值。
  • 练习从API提取结果,并使用检索到的值填充工作表。
  • 使用Uber的训练我们的BERT支持的预测模型 路德维希
  • 使用Ludwig增强我们可以从Apps脚本调用的API的功能。
  • 了解一些新工具和概念,以帮助我们将两种服务连接在一起。

让我们开始吧!

从Google表格检索关键字数据

这是一 空的Google工作表 以及一些我们从SEMrush中提取的与条形码相关的关键字。

在第一个练习中,我们将读取并打印A列中的前10个关键字。

在Google表格中使用深度学习进行自动意图分类“ width =” 2110“ height =” 1058“ size =”(最大宽度:2110px)100vw,2110px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/logkeywords-5e69535490860.png 2110w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/logkeywords-5e69535490860-480x241.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / logkeywords-5e69535490860-680x341.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/logkeywords-5e69535490860-768x385.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/logkeywords-5e69535490860-1024x513.png 1024w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ logkeywords-5e69535490860-1600x802.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/logkeywords-5e69535490860.png

转到工具>脚本编辑器开始使用。

这是Google表格的内置IDE(集成开发环境)。

我们将编写一个名为logKeywords的简单JavaScript函数,该函数将读取工作表中的所有关键字并将它们记录到控制台中。

请参考官方文档 这里

函数logKeywords(){
  var sheet = SpreadsheetApp.getActiveSheet();
  var data = sheet.getDataRange()。getValues();
  
  for(var i = 0; i 让我们逐步介绍该功能。

我们首先获得对活动工作表的引用,在本例中为Sheet1。

如果您将此代码与 我们用Python写的,您将看到一些优点。

  • 我们不需要进行身份验证。
  • 我们不需要打开电子表格。

转到查看> Stackdriver日志记录。在那里,您将获得指向Apps脚本仪表板的链接。单击该按钮以查看控制台日志。

最好将此页面保留在另一个选项卡中,因为您经常将其称为代码,并希望查看所做的更改是否有效。

您将在列表顶部看到最新的日志条目。单击它,您将看到上面的屏幕截图。

现在,我们打印了100多行,这花了一些时间。在编写和测试代码时,最好使用较小的列表。

我们可以在循环中进行简单的更改以解决此问题。

函数logKeywords(){
  var sheet = SpreadsheetApp.getActiveSheet();
  var data = sheet.getDataRange()。getValues();
  
  // for(var i = 0; i 请注意,我将值10硬编码为限制,并用正确的代码留下了注释。

我更喜欢注释掉代码更改,而不是删除它们,因为当我准备发布供生产使用时,它会更容易恢复。

当您运行此命令时,它不仅运行速度更快,而且检查日志的速度也快得多。

添加带有关键字ID的列

接下来,让我们学习将数据添加到表格中。

我们将编写一个名为addIDtoKeywords的新函数。它创建一个带有每个关键字一个数字ID的列。

这样做没有太大的价值,但是它应该可以帮助您以超简单的方式测试这项技术。

这是执行此操作的代码。

函数addIDtoKeywords(){
  var sheet = SpreadsheetApp.getActiveSheet();
  var data = sheet.getRange(“ B1”);

  //建立值清单
  
  var值= [];
  
  //关键字数
  长度= 100;
  
  对于(var i = 1; i <= length + 1; i ++){        values.push([i]);  }    console.log(values.length);  //使用计算值更新工作表列  var column = sheet.getRange(“ B2:B102”);    column.setValues(values);  }

在下拉菜单中选择此功能,然后单击播放按钮以运行。

在Google表格中使用深度学习进行自动的意图分类“ width =” 2316“ height =” 1580“ size =”(最大宽度:2316px)100vw,2316px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/addids-5e6956d04ca67.png 2316w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/addids-5e6956d04ca67-480x327.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / addids-5e6956d04ca67-680x464.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/addids-5e6956d04ca67-768x524.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/addids-5e6956d04ca67-1024x699.png 1024w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ addids-5e6956d04ca67-1600x1092.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/addids-5e6956d04ca67.png

您应该在工作表中获得一个新列,其编号按升序排列。

我们还可以使用以下代码以粗体显示名为Keyword ID的列标题。

data.setValue(“关键字ID”);
 data.setFontWeight(“ bold”);

这就是更新后的输出。

在Google表格中使用深度学习进行自动意图分类“ width =” 2682“ height =” 1580“ Size =”(最大宽度:2682px)100vw,2682px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/keywordid-5e695748d849c.png 2682w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/keywordid-5e695748d849c-480x283.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / keywordid-5e695748d849c-680x401.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/keywordid-5e695748d849c-768x452.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/keywordid-5e695748d849c-1024x603.png 1024w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ keywordid-5e695748d849c-1600x943.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/keywordid-5e695748d849c.png

这是一个非常相似的代码。让我们回顾一下更改。

我添加了一个名为value的JavaScript数组来保存关键字ID。

在循环期间,我添加了一行以将循环内生成的每个ID添加到数组。

values.push([i]);

我在循环末尾打印了值数组的长度,以确保生成了正确数量的ID。

最后,我需要将值保存到工作表中。

var column = sheet.getRange(“ B2:B102”);

此代码选择要填充的正确单元格,然后我可以使用生成的列表简单地设置它们的值。

column.setValues(values);

没有比这更简单的了!

从Apps脚本中获取API结果

在下一个练习中,我们将学习如何从Apps脚本执行API请求。

我建议你跟随 这个代码实验室 从Google那里来熟悉一些更高级的概念。

我们将改编来自 步骤11 它从Books API中提取数据。

除了获取图书,我们还将使用 Google翻译API。

现在,我们开始编写更有用的代码!

这是一个新的名为fetchTranslation的函数,它基于从步骤11改编的代码。

函数fetchTranslation(TEXT){
  API_KEY =“输入您的API密钥”;

  TEXT = encodeURI(TEXT); //“我的名字叫史蒂夫”->“我的%20name%20is%20Steve”;
  
  var url =`https://translation.googleapis.com/language/translate/v2?target=es&key=$ {API_KEY}&q = $ {TEXT}`;
      
  //console.log(url);
  
  var response = UrlFetchApp.fetch(url,{‘muteHttpExceptions’:true});
  
  var json = response.getContentText();
  
  //console.log(json);
  
  翻译= JSON.parse(json);
  
  返回翻译[“data”][“translations”][0][“translatedText”];
  
}

此函数接受输入文本,对其进行编码,然后将其插入API URL中以调用Google翻译服务。

我们需要获取一个API密钥,并且还需要启用翻译服务。我还建议将API限制为在开发过程中用于测试的IP。

在Google表格中使用深度学习进行自动意图分类“ width =” 2682“ height =” 1580“ Size =”(最大宽度:2682px)100vw,2682px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/api_key-5e6959947a48d.png 2682w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/api_key-5e6959947a48d-480x283.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / api_key-5e6959947a48d-680x401.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/api_key-5e6959947a48d-768x452.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/api_key-5e6959947a48d-1024x603.png 1024w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ api_key-5e6959947a48d-1600x943.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/api_key-5e6959947a48d.png

一旦有了要调用的API URL,就和调用此代码一样简单。

var response = UrlFetchApp.fetch(url,{‘muteHttpExceptions’:true});

接下来的几行使我们获得JSON格式的响应,并在JSON树下进行了一些导航之后,我们获得了翻译后的文本。

正如您在我的代码中看到的那样,我喜欢将代码中的几乎每个步骤都记录到控制台中,以确认它正在按我的预期进行。

这是一个示例,说明了如何找出正确的JSON路径序列。

//console.log(翻译[“data”]);

//console.log(翻译[“data”][“translations”]);

//console.log(翻译[“data”][“translations”][0]);

//console.log(翻译[“data”][“translations”][0][“translatedText”]);

在Google表格中使用深度学习进行自动的意图分类“ width =” 2116“ height =” 1050“ size =”(最大宽度:2116px)100vw,2116px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/fetchtranslation-5e695aaf7f0ff.png 2116w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchtranslation-5e695aaf7f0ff-480x238.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / fetchtranslation-5e695aaf7f0ff-680x337.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchtranslation-5e695aaf7f0ff-768x381.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchtranslation-5e695aaf7f0ff-1024x508.png 1024w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ fetchtranslation-5e695aaf7f0ff-1600x794.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchtranslation-5e695aaf7f0ff.png

您可以在此处的日志中查看进度,包括最终输出。

翻译关键词

在测试该函数并使其起作用时,我们可以继续创建另一个函数以从工作表中获取并翻译关键字。

我们将以到目前为止的经验为基础。

我们将这个函数称为超级原始名称TranslateKeywords!

函数TranslateKeywords(){
  var sheet = SpreadsheetApp.getActiveSheet();
  var header = sheet.getRange(“ B1”);

  //添加一个名为Translation的新标题列
  header.setValue(“ Translation”);
  header.setFontWeight(“ bold”);
  
  // var关键字=“条形码生成器”;
  var关键字= sheet.getRange(“ A2”)。getValue();
  
  console.log(关键字);
  
  translation_keyword = fetchTranslation(keyword);
  
  console.log(translated_keyword);
  
  var data = sheet.getRange(“ B2”);
  
  data.setValue(translated_keyword);

  
}

此功能中的代码与我们用来设置关键字ID的代码非常相似。

主要区别在于我们将关键字传递给新的fetchTranslation函数,并使用结果更新单个单元格。

这是示例关键字的外观。

在Google表格中使用深度学习进行自动的意图分类“ width =” 2672“ height =” 1584“ size =”(最大宽度:2672px)100vw,2672px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/translatekeywords-5e695b7b68c91.png 2672w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/translatekeywords-5e695b7b68c91-480x285.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / translatekeywords-5e695b7b68c91-680x403.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/translatekeywords-5e695b7b68c91-768x455.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/translatekeywords-5e695b7b68c91-1024x607.png 1024w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ translationkeywords-5e695b7b68c91-1600x949.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/translatekeywords-5e695b7b68c91.png

您可能会看到,没有for循环,因此这只会更新单个行/关键字。第一个。

请完成for循环以完成所有关键字的翻译,作为一项家庭作业。

建立意图分类模型

让我们开始构建意图分类服务,我们将调用该服务来填充关键字意图。

在之前的深度学习文章中,我介绍了 Uber的AI工具箱Ludwig

我非常喜欢它,因为它使您无需编写任何代码即可构建最新的深度学习模型。

在Google Colab中运行也非常方便。

我们将遵循与我在其中描述的相同步骤 本文, 这将为我们提供由BERT支持的强大的意图预测模型。

这是您需要粘贴到的步骤的快速摘要 Google Colab (确保选择GPU运行时!)。

请参阅 我的文章 对于上下文:

%tensorflow_version 1.x

将tensorflow导入为tf;打印(tf .__ version__)

!pip安装路德维希

#upload Question_Classification_Dataset.csv和“问题Report_Page 1_Table.csv”
从google.colab导入文件

files.upload()

将熊猫作为pd导入
df = pd.read_csv(“ Question_Classification_Dataset.csv”,index_col = 0)

!wget https://storage.googleapis.com/bert_models/2018_10_18/uncased_L-12_H-768_A-12.zip
!unzip uncased_L-12_H-768_A-12.zip

#创建用于BERT支持的分类的路德维希配置文件
template =“”“
input_features:

名称:问题
类型:文字
编码器:伯特
config_path:uncased_L-12_H-768_A-12 / bert_config.json
checkpoint_path:uncased_L-12_H-768_A-12 / bert_model.ckpt
预处理:
word_tokenizer:伯特
word_vocab_file:uncased_L-12_H-768_A-12 / vocab.txt
padding_symbol:“[PAD]’
unknown_symbol:“[UNK]’
output_features:

名称:Category0
类型:类别

名称:Category2
类型:类别
文本:
word_sequence_length_limit:128
训练:
batch_size:32
学习率:0.00002
“”
使用open(“ model_definition.yaml”,“ w”)为f:
    f.write(模板)
!pip安装bert-tensorflow

!路德维希实验
  –data_csv Question_Classification_Dataset.csv
  –model_definition_file model_definition.yaml

在Google Colab中完成这些步骤之后,我们应该获得用于搜索意图的高精度预测模型。

我们可以使用此代码验证预测。

test_df = pd.read_csv(“问题Report_Page 1_Table.csv”)
#我们将查询重命名为问题以匹配模型的期望

预测= model.predict(test_df.rename(columns = {‘Query’:’Questions’}))

test_df.join(预测)[[“Query”, “Category2_predictions”]]

我们得到一个像这样的数据帧。

在Google表格中使用深度学习进行自动的意图分类“ width =” 632“ height =” 425“ size =”(最大宽度:632px)100vw,632px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/predictions-5e695d927953e.png 632w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/predictions-5e695d927953e-480x323.png 480w“ src =” https:// cdn.searchenginejournal.com/wp-content/uploads/2020/03/predictions-5e695d927953e.png
预测的意图不是您通常期望的意图:导航,事务性,信息性,但它们足以说明该概念。

请检查一篇很棒的文章 克里斯汀·廷斯基 解释了如何扩展这个概念 获得真正的搜索意图

将模型转化为API服务

路德维希(Ludwig)具有一项超酷的功能,可让您直接将模型作为API服务提供。

该命令是 路德维希发球

我试图沿着一条超级复杂的道路完成同样的事情,因为我没有检查类似的东西是否已经存在。 ?

默认情况下未安装它,我们需要使用此命令进行安装。

!pip安装路德维希[serve]

我们可以使用以下命令检查命令行选项:

!ludwig服务-帮助

在Google表格中使用深度学习进行自动的意图分类“ width =” 1018“ height =” 313“ size =”(最大宽度:1018px)100vw,1018px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/ludwig-serve-5e695eaf92e9c.png 1018w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ludwig-serve-5e695eaf92e9c-480x148.png 480w,https:/ /cdn.searchenginejournal.com/wp-content/uploads/2020/03/ludwig-serve-5e695eaf92e9c-680x209.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ludwig- serve-5e695eaf92e9c-768x236.png 768w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ludwig-serve-5e695eaf92e9c.png

从我们的模型创建API就像运行此命令一样简单。

!ludwig serve -m结果/实验_运行/模型

INFO:开始的服务器进程 [5604]
INFO:等待应用程序启动。
INFO:应用程序启动完成。
信息:在http://0.0.0.0:8000上运行的Uvicorn(按CTRL + C退出)
INFO:关闭
INFO:服务器进程完成 [5604]

当我们在笔记本中运行此代码时,我们需要使用一些技巧将此过程推向后台(一个单独的线程)。

%% bash –bg

nohup ludwig服务-m结果/实验运行/模型> debug.log 2>&1

神奇的命令%% bash –bg在单独的线程中运行shellcode,将控制权返回给笔记本,因此我们可以运行可以与服务交互的代码。

我发现这是一个非常酷且有价值的技巧。我还将介绍很多年前学到的shell技巧。

nohup命令 防止该进程在父母死亡时被杀死。这是可选的。

代码2>&1重定向 标准误差 到标准输入,然后两者都发送到文件debug.log。您可以在此处了解有关此技术的更多信息。

我们可以使用此命令跟踪后台进程的进度。

!tail debug.log

看到此消息后,您可以继续执行下一步。

信息:在http://0.0.0.0:8000上运行的Uvicorn(按CTRL + C退出)

让我们使用curl发送一个测试API请求,以查看该服务是否有效。

!curl http://0.0.0.0:8000/predict -X POST -F’问题=谁是老板?’

您应该返回此响应。

{ “Category0_predictions”: “人”, “Category0_probabilities _”:0.00021219381596893072, “Category0_probabilities_ENTITY”:7.17515722499229e-05, “Category0_probabilities_HUMAN”:0.9988889098167419 “Category0_probabilities_DESCRIPTION”:0.000423480843892321, “Category0_probabilities_NUMERIC”:2.7793401386588812e-05, “Category0_probabilities_LOCATION”:0.0003020864969585091 “Category0_probabilities_ABBREVIATION”:7.374086999334395e-05, “Category0_probability”:0.9988889098167419, “Category2_predictions”: “IND”, “Category2_probabilities _”:8.839580550557002e-05, “Category2_probabilities_ind”:0.9759176969528198, “Category2_probabilities_other”:0.0013697665417566895, “Category2_probabilities_def”:3.929347076336853 E-05, “Category2_probabilities_count”:4.732362140202895e-05, “Category2_probabilities_desc”:0.014149238355457783, “Category2_probabilities_manner”:7.225596345961094e-05, “Category2_probabilities_date”:7.537546480307356e-05, “Category2_probabilities_cremat”:0.00012272763706278056,“Category2_probabilities_reason “:0.00042629052768461406,” Category2_probabilities_gr “:0.0025540771894156933,” Category2_probabilities_country “:0.0002626778441481292,” Category2_probabilities_city “:0.0004305317997932434,” Category2_probabilities_animal “:0.00024954770924523473,” Category2_probabilities_food “:8.139225974446163e-05,” Category2_probabilities_dismed “:7.852958515286446e-05,” Category2_probabilities_termeq“: 0.00023714809503871948, “Category2_probabilities_period”:4.197505040792748e-05, “Category2_probabilities_money”:3.626687248470262e-05, “Category2_probabilities_exp”:5.991378566250205e-05, “Category2_probabilities_state”:0.00010361814202042297, “Category2_probabilities_sport”:8.741072088014334e-05, “Category2_probabilities_event”:0.00013374585250858217, “ Category2_probabilities_product”:5.6306344049517065e-05,“ Category2_probabilities_substance”:0.00016623239207547158,“ Category2_probabilities_color”:1.9601659005274996e-05,“ Category2_probabilities_techmeth”:4.74867774755694ry-2“ 3491e-05, “Category2_probabilities_perc”:3.87108520953916e-05, “Category2_probabilities_veh”:0.00011915313370991498, “Category2_probabilities_word”:0.00016430433606728911, “Category2_probabilities_title”:0.0010781479068100452, “Category2_probabilities_mount”:0.00024070330255199224, “Category2_probabilities_body”:0.0001515906333224848, “Category2_probabilities_abb”:8.521509153069928e- 05, “Category2_probabilities_lang”:0.00022924368386156857, “Category2_probabilities_plant”:4.893113509751856e-05, “Category2_probabilities_volsize”:0.0001462997024646029, “Category2_probabilities_symbol”:9.98345494735986e-05, “Category2_probabilities_weight”:8.899033855414018e-05, “Category2_probabilities_instru”:2.636547105794307e-05, “ Category2_probabilities_letter”:3.7610192521242425e-05,“ Category2_probabilities_speed”:4.142118996242061e-05,“ Category2_probabilities_code”:5.926147059653886e-05,“ Category2_probabilities_temp”:3.687662319862284e-05,“ Category6.7”“ 2ate s_religion”:0.00012743560364469886,“ Category2_probabilities_currency”:5.8569487009663135ee-05,“ Category2_probability”:0.9759176969528198}
使用Ngrok公开我们的服务

因此,我们有一个可以进行意图预测的新API,但是一个大问题是只能从我们的Colab笔记本中访问它。

让我介绍我经常使用的另一项很酷的服务, 恩格罗克

Ngrok可帮助您创建可公开访问的URL,这些URL连接到本地服务(例如我们刚刚创建的服务)。

我不建议将其用于生产,但是在开发和测试过程中非常方便。

您不需要创建帐户,但我个人这样做是因为我可以设置一个经常使用的自定义子域。

以下是为我们的API提供公共URL以便从App Script调用的步骤。

!wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip &&解压缩ngrok-stable-linux-amd64.zip

我们首先下载并解压缩ngrok。

%% bash –bg

./ngrok http -hostname = api.yourdomain.com 8000 2> ngrok.log

上面的代码告诉ngrok在端口8000上连接到本地服务。这就是我们需要做的。

!curl http://api.yourdomain.com/predict -X POST -F’问题=老板是谁?’

您可以通过重复curl调用,但调用公共URL来确认它是否有效。您应该得到相同的结果。

如果您不想设置自定义域,则可以改用此代码。

%% bash –bg

./ngrok http 8000 2> ngrok.log

这将生成一个随机的公共URL,您可以使用此代码进行检索。

!curl -s http:// localhost:4040 / api / tunnels | python3 -c

    “ import sys,json; print(json.load(sys.stdin)[‘tunnels’][0][‘public_url’])”

现在,我们回到最后的步骤。

获取意图预测

我们将调整用于发出Google Translate API请求的代码,以便发出意图预测请求。

两种API服务之间的一大区别是,我们需要发出HTTP POST请求,而不是简单的HTTP GET请求。

让我们看看这如何改变我们的代码, 在此过程中进一步了解HTTP

函数fetchPrediction(question =“谁是老板?”){
  
  TEXT = encodeURI(TEXT);
  
  console.log(TEXT);
  
  var url =“ http://api.yourdomain.com/predict”;
  
   var options = {
    “ method”:“ POST”,
    “ contentType”:“ application / x-www-form-urlencoded”,
    “有效载荷”:TEXT,
    ‘muteHttpExceptions’:是
  };
        
  var response = UrlFetchApp.fetch(url,options);
  
  var json = response.getContentText();
  
  //console.log(json);
  
  预测= JSON.parse(json);
  
  //console.log(预测);

  console.log(预测[“Category0_predictions”]);
  
  回报预测[“Category0_predictions”];
  
}

函数fetchPrediction调用我们创建的API服务,并返回预测的意图。基本上,它重现了与我们进行Colab的curl调用等效的操作,但使用的是Apps Script。

我强调了代码中的一些关键更改。让我们回顾一下。

GET和POST请求之间的主要区别在于,在GET请求中,数据作为参数在URL中传递。

在POST请求中,数据在请求主体内传递。

我们需要先对数据进行格式化,然后再将其传递到正文中,并且需要设置正确的内容类型,以便服务器知道如何对其进行解码。

该行编码了我们正在传递的问题。

TEXT = encodeURI(TEXT);

这是编码后的TEXT外观的一个示例。

Questions = label%20generator

此编码的正确内容类型是application / x-www-form-urlencoded。建议对HTML表单数据进行编码。

我们创建一个options数据结构,在其中指定这些设置和正确的请求类型,然后开始运行。

从下拉菜单中选择函数fetchPrediction,然后单击运行按钮。

在Google表格中使用深度学习进行自动的意图分类“ width =” 2672“ height =” 1584“ size =”(最大宽度:2672px)100vw,2672px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/intent-logs-5e6965565b0b1.png 2672w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/intent-logs-5e6965565b0b1-480x285.png 480w,https:/ /cdn.searchenginejournal.com/wp-content/uploads/2020/03/intent-logs-5e6965565b0b1-680x403.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/intent- logs-5e6965565b0b1-768x455.png 768w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/intent-logs-5e6965565b0b1-1024x607.png 1024w,https://cdn.searchenginejournal.com/ wp-content / uploads / 2020/03 / intent-logs-5e6965565b0b1-1600x949.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/intent-logs-5e6965565b0b1。 png

您应该在日志中看到编码的输入和预测的意图。

我们如何获得工作表中所有关键字的意图?

您可能以为我们将创建另一个函数,该函数将循环读取关键字并填充意图。一点也不!

我们可以直接从工作表中直接按名称调用此函数!多么酷啊?

在Google表格中使用深度学习进行自动的意图分类“ width =” 2672“ height =” 1584“ size =”(最大宽度:2672px)100vw,2672px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/fetchintent-5e696709258a2.png 2672w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchintent-5e696709258a2-480x285.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / fetchintent-5e696709258a2-680x403.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchintent-5e696709258258a2-768x455.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchintent-5e696709258a2-1024x607.png 1024w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/ fetchintent-5e696709258a2-1600x949.png 1600w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/fetchintent-5e696709258a2.png了解更多的资源

将简单的App Script函数与功能强大的API后端结合在一起,您可以使用任何语言进行编码,这为无限的生产力黑客打开了大门。

这是我在整理这些内容时阅读的一些资源。

最后,让我强调一个非常重要和有价值的项目, JR橡树 开始。

在Google表格中使用深度学习进行自动的意图分类“ width =” 1538“ height =” 1054“ Size =”(最大宽度:1538px)100vw,1538px“ srcset =” https://cdn.searchenginejournal.com/wp-content /uploads/2020/03/icodeseo-5e6970e5defe8.png 1538w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/icodeseo-5e6970e5defe8-480x329.png 480w,https://cdn.searchenginejournal .com / wp-content / uploads / 2020/03 / icodeseo-5e6970e5defe8-680x466.png 680w,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/icodeseo-5e6970e5defe8-768x526.png 768w ,https://cdn.searchenginejournal.com/wp-content/uploads/2020/03/icodeseo-5e6970e5defe8-1024x702.png 1024w“ src =” https://cdn.searchenginejournal.com/wp-content/uploads/2020 /03/icodeseo-5e6970e5defe8.png

它是一个 很棒的仓库 用于来自SEO社区的编码人员的Python和JavaScript项目。我计划抽出时间上传我的代码段,请确保 贡献你的

由于某种原因,这个非问题会在我的Twitter feed中不断弹出。我将在这里留下此推文,以提醒您。 ✌️

图片积分

由作者拍摄的所有屏幕截图,2020年3月

原创文章,作者:WPJIAN,如若转载,请注明出处:https://wpjian.com/wordpress-seo/2020031331075.html