跳到主要内容

分类

概述​

本文档介绍如何使用 Java 中的 LangChain4j 实现分类系统。分类对于将文本归入预定义标签至关重要，例如情感分析、意图检测和实体识别。

本示例演示使用 LangChain4j 的 AI 驱动服务进行情感分类。

LangChain4j 支持两种常见的文本分类方法：

  • 当标签依赖细致的自然语言推理时，通过 AI Services 使用 LLM。
  • 当你为每个类别准备了带标签的示例、并希望按语义相似度分类时，通过 TextClassifier 和 EmbeddingModelTextClassifier 使用嵌入。

情感分类服务​

情感分类系统将输入文本归入以下情感类别之一：

  • POSITIVE
  • NEUTRAL
  • NEGATIVE

实现​

import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.service.UserMessage;

public class SentimentClassification {

    // Initialize the chat model using OpenAI
    static ChatModel chatModel = OpenAiChatModel.withApiKey("YOUR_OPENAI_API_KEY");

    // Define the Sentiment enum
    enum Sentiment {
        POSITIVE, NEUTRAL, NEGATIVE
    }

    // Define the AI-powered Sentiment Analyzer interface
    interface SentimentAnalyzer {

        @UserMessage("Analyze sentiment of {{it}}")
        Sentiment analyzeSentimentOf(String text);

        @UserMessage("Does {{it}} have a positive sentiment?")
        boolean isPositive(String text);
    }

    public static void main(String[] args) {

        // Create an AI-powered Sentiment Analyzer instance
        SentimentAnalyzer sentimentAnalyzer = AiServices.create(SentimentAnalyzer.class, chatModel);

        // Example Sentiment Analysis
        Sentiment sentiment = sentimentAnalyzer.analyzeSentimentOf("I love this product!");
        System.out.println(sentiment); // Expected Output: POSITIVE

        boolean positive = sentimentAnalyzer.isPositive("This is a terrible experience.");
        System.out.println(positive); // Expected Output: false
    }
}

组件说明​

1. 聊天模型初始化​

static ChatModel chatModel = OpenAiChatModel.withApiKey("YOUR_OPENAI_API_KEY");
  • 初始化 OpenAI 聊天模型以处理自然语言文本。
  • 将 "YOUR_OPENAI_API_KEY" 替换为实际的 OpenAI API 密钥。

2. 定义情感类别​

enum Sentiment {
    POSITIVE, NEUTRAL, NEGATIVE
}
  • Sentiment 枚举表示可能的情感分类。

3. 创建 AI 驱动的情感分析器​

interface SentimentAnalyzer {
    
    @UserMessage("Analyze sentiment of {{it}}")
    Sentiment analyzeSentimentOf(String text);

    @UserMessage("Does {{it}} have a positive sentiment?")
    boolean isPositive(String text);
}
  • 该接口定义了两个 AI 驱动的方法：
    • analyzeSentimentOf(String text)：将给定文本分类为 POSITIVE、NEUTRAL 或 NEGATIVE。
    • isPositive(String text)：若文本具有积极情感则返回 true；否则返回 false。

4. 创建 AI 服务实例​

SentimentAnalyzer sentimentAnalyzer = AiServices.create(SentimentAnalyzer.class, chatModel);
  • AiServices.create() 使用 AI 模型动态实现 SentimentAnalyzer 接口。

5. 运行情感分析​

Sentiment sentiment = sentimentAnalyzer.analyzeSentimentOf("I love this product!");
System.out.println(sentiment); // Output: POSITIVE

boolean positive = sentimentAnalyzer.isPositive("This is a terrible experience.");
System.out.println(positive); // Output: false
  • AI 模型将给定文本归入预定义的情感类别之一。
  • isPositive() 方法提供布尔结果。

基于嵌入的分类​

EmbeddingModelTextClassifier 通过对输入进行嵌入，并与每个标签的嵌入示例进行比较来分类文本。当你能为每个类别提供代表性示例、且无需为每次分类请求调用 LLM 时，这种方法很有用。

import dev.langchain4j.classification.EmbeddingModelTextClassifier;
import dev.langchain4j.classification.TextClassifier;
import dev.langchain4j.model.embedding.EmbeddingModel;
import dev.langchain4j.model.embedding.onnx.allminilml6v2q.AllMiniLmL6V2QuantizedEmbeddingModel;

import java.util.List;
import java.util.Map;

public class EmbeddingBasedSentimentClassification {

    enum Sentiment {
        POSITIVE, NEUTRAL, NEGATIVE
    }

    public static void main(String[] args) {

        Map<Sentiment, List<String>> examples = Map.of(
                Sentiment.POSITIVE, List.of("This is great!", "I love this product."),
                Sentiment.NEUTRAL, List.of("It is okay.", "This works as expected."),
                Sentiment.NEGATIVE, List.of("This is terrible.", "I am disappointed."));

        EmbeddingModel embeddingModel = new AllMiniLmL6V2QuantizedEmbeddingModel();

        TextClassifier<Sentiment> classifier = new EmbeddingModelTextClassifier<>(embeddingModel, examples);

        List<Sentiment> sentiments = classifier.classify("Awesome experience!");
        System.out.println(sentiments); // [POSITIVE]
    }
}

当你需要每个返回标签的相似度分数时，也可以使用 classifyWithScores(...)。根据 maxResults、minScore 和 meanToMaxScoreRatio 设置，分类器可以返回零个、一个或多个标签。

使用场景​

该情感分类服务可用于各种应用，包括：

✅ 客户反馈分析：将客户评论分类为积极、中性或消极。
✅ 社交媒体监控：分析社交媒体评论中的情感趋势。
✅ 聊天机器人响应：理解用户情感以提供更好的响应。

示例​