快速入门：情绪分析和观点挖掘

项目
09/02/2024

参考文档 | 更多示例 | 包 (NuGet) | 库源代码

借助本快速入门，使用 .NET 客户端库创建情绪分析应用程序。在以下示例中，你将创建一个 C# 应用程序，该应用程序可以识别文本示例中表达的情绪，并执行基于方面的情绪分析。

先决条件

Azure 订阅 - 创建试用订阅
Visual Studio IDE

设置

创建 Azure 资源

若要使用下面的代码示例，需要部署 Azure 资源。此资源将包含一个密钥和终结点，用于对发送到语言服务的 API 调用进行身份验证。

使用以下链接通过 Azure 门户创建语言资源。需要使用 Azure 订阅登录。
在显示的“选择其他功能”屏幕上，选择“继续创建资源”。

在“创建语言”屏幕中，提供以下信息：

详细信息	说明
订阅	资源将与之关联的订阅帐户。从下拉菜单选择 Azure 订阅。
资源组	资源组是存储所创建资源的容器。选择“新建”来创建一个新的资源组。
区域	语言资源的位置。不同区域可能会导致延迟，具体取决于你的物理位置，但不会影响资源的运行时可用性。对于本快速入门，请选择你附近的可用区域，或选择“中国东部 2”。
名称	语言资源的名称。此名称还将用于创建应用程序用于发送 API 请求的终结点 URL。
定价层	语言资源的定价层。可以使用免费 F0 层试用该服务，然后再升级到付费层进行生产。

确保选中“负责任 AI 通知”复选框。
在页面底部选择“查看 + 创建” 。
在显示的屏幕中，确保验证已通过，并且已正确输入信息。然后选择“创建”。

获取密钥和终结点

然后需要从资源获取密钥和终结点，以便将应用程序连接到 API。稍后需要在本快速入门中将密钥和终结点粘贴到代码中。

成功部署语言资源后，单击“后续步骤”下的“转到资源”按钮。
在资源的屏幕上，选择左侧导航菜单上的“密钥和终结点”。在以下步骤中，你将使用其中一个密钥和终结点。

创建环境变量

应用程序必须经过身份验证才能发送 API 请求。对于生产，请使用安全的方式存储和访问凭据。在此示例中，你将凭据写入运行应用程序的本地计算机上的环境变量。

若要为语言资源密钥设置环境变量，请打开控制台窗口，并按照操作系统和开发环境的说明进行操作。

若要设置 LANGUAGE_KEY 环境变量，请将 your-key 替换为资源的其中一个密钥。
若要设置 LANGUAGE_ENDPOINT 环境变量，请将 your-endpoint 替换为资源的终结点。

重要

如果使用 API 密钥，请将其安全地存储在某个其他位置，例如 Azure Key Vault 中。请不要直接在代码中包含 API 密钥，并且切勿公开发布该密钥。

有关 Azure AI 服务安全性的详细信息，请参阅对 Azure AI 服务的请求进行身份验证。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果只需要访问当前正在运行的控制台中的环境变量，则可以使用 set（而不是 setx）设置环境变量。

添加环境变量后，可能需要重启任何正在运行的、需要读取环境变量的程序（包括控制台窗口）。例如，如果使用 Visual Studio 作为编辑器，请在运行示例之前重启 Visual Studio。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bashrc，使更改生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bash_profile，使更改生效。

Xcode

对于 iOS 和 macOS 开发，可在 Xcode 中设置环境变量。例如，按照以下步骤在 Xcode 13.4.1 中设置环境变量。

选择“产品”>“方案”>“编辑方案”
在“运行(调试运行)”页上选择“参数”
在“环境变量”下，选择加号 (+) 符号来添加新的环境变量。
为“名称”输入 LANGUAGE_KEY，为“值”输入语言资源密钥。
为资源终结点执行这些步骤。将新的环境变量命名为 LANGUAGE_ENDPOINT。

有关更多配置选项，请参阅 Xcode 文档。

创建新的 .NET Core 应用程序

使用 Visual Studio IDE 创建新的 .NET Core 控制台应用。这会创建包含单个 C# 源文件的“Hello World”项目：program.cs。

右键单击解决方案资源管理器中的解决方案，然后选择“管理 NuGet 包”，以便安装客户端库。在打开的包管理器中选择“浏览”，搜索 Azure.AI.TextAnalytics。选择版本 5.2.0，然后选择“安装”。也可使用包管理器控制台。

代码示例

将以下代码复制到 program.cs 文件中，然后运行代码。

using Azure;
using System;
using Azure.AI.TextAnalytics;
using System.Collections.Generic;

namespace Example
{
    class Program
    {
        // This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
        static string languageKey = Environment.GetEnvironmentVariable("LANGUAGE_KEY");
        static string languageEndpoint = Environment.GetEnvironmentVariable("LANGUAGE_ENDPOINT");

        private static readonly AzureKeyCredential credentials = new AzureKeyCredential(languageKey);
        private static readonly Uri endpoint = new Uri(languageEndpoint);

        // Example method for detecting opinions text. 
        static void SentimentAnalysisWithOpinionMiningExample(TextAnalyticsClient client)
        {
            var documents = new List<string>
            {
                "The food and service were unacceptable. The concierge was nice, however."
            };

            AnalyzeSentimentResultCollection reviews = client.AnalyzeSentimentBatch(documents, options: new AnalyzeSentimentOptions()
            {
                IncludeOpinionMining = true
            });

            foreach (AnalyzeSentimentResult review in reviews)
            {
                Console.WriteLine($"Document sentiment: {review.DocumentSentiment.Sentiment}\n");
                Console.WriteLine($"\tPositive score: {review.DocumentSentiment.ConfidenceScores.Positive:0.00}");
                Console.WriteLine($"\tNegative score: {review.DocumentSentiment.ConfidenceScores.Negative:0.00}");
                Console.WriteLine($"\tNeutral score: {review.DocumentSentiment.ConfidenceScores.Neutral:0.00}\n");
                foreach (SentenceSentiment sentence in review.DocumentSentiment.Sentences)
                {
                    Console.WriteLine($"\tText: \"{sentence.Text}\"");
                    Console.WriteLine($"\tSentence sentiment: {sentence.Sentiment}");
                    Console.WriteLine($"\tSentence positive score: {sentence.ConfidenceScores.Positive:0.00}");
                    Console.WriteLine($"\tSentence negative score: {sentence.ConfidenceScores.Negative:0.00}");
                    Console.WriteLine($"\tSentence neutral score: {sentence.ConfidenceScores.Neutral:0.00}\n");

                    foreach (SentenceOpinion sentenceOpinion in sentence.Opinions)
                    {
                        Console.WriteLine($"\tTarget: {sentenceOpinion.Target.Text}, Value: {sentenceOpinion.Target.Sentiment}");
                        Console.WriteLine($"\tTarget positive score: {sentenceOpinion.Target.ConfidenceScores.Positive:0.00}");
                        Console.WriteLine($"\tTarget negative score: {sentenceOpinion.Target.ConfidenceScores.Negative:0.00}");
                        foreach (AssessmentSentiment assessment in sentenceOpinion.Assessments)
                        {
                            Console.WriteLine($"\t\tRelated Assessment: {assessment.Text}, Value: {assessment.Sentiment}");
                            Console.WriteLine($"\t\tRelated Assessment positive score: {assessment.ConfidenceScores.Positive:0.00}");
                            Console.WriteLine($"\t\tRelated Assessment negative score: {assessment.ConfidenceScores.Negative:0.00}");
                        }
                    }
                }
                Console.WriteLine($"\n");
            }
        }

        static void Main(string[] args)
        {
            var client = new TextAnalyticsClient(endpoint, credentials);
            SentimentAnalysisWithOpinionMiningExample(client);

            Console.Write("Press any key to exit.");
            Console.ReadKey();
        }

    }
}

输出

Document sentiment: Mixed

    Positive score: 0.47
    Negative score: 0.52
    Neutral score: 0.00

    Text: "The food and service were unacceptable. "
    Sentence sentiment: Negative
    Sentence positive score: 0.00
    Sentence negative score: 0.99
    Sentence neutral score: 0.00

    Target: food, Value: Negative
    Target positive score: 0.00
    Target negative score: 1.00
            Related Assessment: unacceptable, Value: Negative
            Related Assessment positive score: 0.00
            Related Assessment negative score: 1.00
    Target: service, Value: Negative
    Target positive score: 0.00
    Target negative score: 1.00
            Related Assessment: unacceptable, Value: Negative
            Related Assessment positive score: 0.00
            Related Assessment negative score: 1.00
    Text: "The concierge was nice, however."
    Sentence sentiment: Positive
    Sentence positive score: 0.94
    Sentence negative score: 0.05
    Sentence neutral score: 0.01

    Target: concierge, Value: Positive
    Target positive score: 1.00
    Target negative score: 0.00
            Related Assessment: nice, Value: Positive
            Related Assessment positive score: 1.00
            Related Assessment negative score: 0.00

清理资源

如果想要清理并移除 Azure AI 服务订阅，可以删除资源或资源组。删除资源组同时也会删除与之相关联的任何其他资源。

使用以下命令删除为本快速入门创建的环境变量。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

后续步骤

参考文档 | 其他示例 | 包 (Maven) | 库源代码

借助本快速入门，使用 Java 客户端库创建情绪分析应用程序。在以下示例中，你将创建一个 Java 应用程序，该应用程序可以识别文本示例中表达的情绪，并执行基于方面的情绪分析。

先决条件

Azure 订阅 - 创建试用订阅
Java 开发工具包 (JDK) 版本 8 或更高版本

设置

创建 Azure 资源

若要使用下面的代码示例，需要部署 Azure 资源。此资源将包含一个密钥和终结点，用于对发送到语言服务的 API 调用进行身份验证。

使用以下链接通过 Azure 门户创建语言资源。需要使用 Azure 订阅登录。
在显示的“选择其他功能”屏幕上，选择“继续创建资源”。

在“创建语言”屏幕中，提供以下信息：

详细信息	说明
订阅	资源将与之关联的订阅帐户。从下拉菜单选择 Azure 订阅。
资源组	资源组是存储所创建资源的容器。选择“新建”来创建一个新的资源组。
区域	语言资源的位置。不同区域可能会导致延迟，具体取决于你的物理位置，但不会影响资源的运行时可用性。对于本快速入门，请选择你附近的可用区域，或选择“中国东部 2”。
名称	语言资源的名称。此名称还将用于创建应用程序用于发送 API 请求的终结点 URL。
定价层	语言资源的定价层。可以使用免费 F0 层试用该服务，然后再升级到付费层进行生产。

确保选中“负责任 AI 通知”复选框。
在页面底部选择“查看 + 创建” 。
在显示的屏幕中，确保验证已通过，并且已正确输入信息。然后选择“创建”。

获取密钥和终结点

然后需要从资源获取密钥和终结点，以便将应用程序连接到 API。稍后需要在本快速入门中将密钥和终结点粘贴到代码中。

成功部署语言资源后，单击“后续步骤”下的“转到资源”按钮。
在资源的屏幕上，选择左侧导航菜单上的“密钥和终结点”。在以下步骤中，你将使用其中一个密钥和终结点。

创建环境变量

若要为语言资源密钥设置环境变量，请打开控制台窗口，并按照操作系统和开发环境的说明进行操作。

若要设置 LANGUAGE_KEY 环境变量，请将 your-key 替换为资源的其中一个密钥。
若要设置 LANGUAGE_ENDPOINT 环境变量，请将 your-endpoint 替换为资源的终结点。

重要

如果使用 API 密钥，请将其安全地存储在某个其他位置，例如 Azure Key Vault 中。请不要直接在代码中包含 API 密钥，并且切勿公开发布该密钥。

有关 Azure AI 服务安全性的详细信息，请参阅对 Azure AI 服务的请求进行身份验证。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果只需要访问当前正在运行的控制台中的环境变量，则可以使用 set（而不是 setx）设置环境变量。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bashrc，使更改生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bash_profile，使更改生效。

Xcode

对于 iOS 和 macOS 开发，可在 Xcode 中设置环境变量。例如，按照以下步骤在 Xcode 13.4.1 中设置环境变量。

选择“产品”>“方案”>“编辑方案”
在“运行(调试运行)”页上选择“参数”
在“环境变量”下，选择加号 (+) 符号来添加新的环境变量。
为“名称”输入 LANGUAGE_KEY，为“值”输入语言资源密钥。
为资源终结点执行这些步骤。将新的环境变量命名为 LANGUAGE_ENDPOINT。

有关更多配置选项，请参阅 Xcode 文档。

添加客户端库

在首选 IDE 或开发环境中创建 Maven 项目。然后在项目的 pom.xml 文件中，添加以下依赖项。可联机找到用于其他生成工具的实现语法。

<dependencies>
     <dependency>
        <groupId>com.azure</groupId>
        <artifactId>azure-ai-textanalytics</artifactId>
        <version>5.2.0</version>
    </dependency>
</dependencies>

代码示例

创建名为 Example.java 的 Java 文件。打开该文件，并复制以下代码。然后运行代码。

import com.azure.core.credential.AzureKeyCredential;
import com.azure.ai.textanalytics.models.*;
import com.azure.ai.textanalytics.TextAnalyticsClientBuilder;
import com.azure.ai.textanalytics.TextAnalyticsClient;

public class Example {
    
    // This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
    private static String languageKey = System.getenv("LANGUAGE_KEY");
    private static String languageEndpoint = System.getenv("LANGUAGE_ENDPOINT");

    public static void main(String[] args) {
        TextAnalyticsClient client = authenticateClient(languageKey, languageEndpoint);
        sentimentAnalysisWithOpinionMiningExample(client);
    }
    // Method to authenticate the client object with your key and endpoint.
    static TextAnalyticsClient authenticateClient(String key, String endpoint) {
        return new TextAnalyticsClientBuilder()
                .credential(new AzureKeyCredential(key))
                .endpoint(endpoint)
                .buildClient();
    }
    // Example method for detecting sentiment and opinions in text.
    static void sentimentAnalysisWithOpinionMiningExample(TextAnalyticsClient client)
    {
        // The document that needs be analyzed.
        String document = "The food and service were unacceptable. The concierge was nice, however.";

        System.out.printf("Document = %s%n", document);

        AnalyzeSentimentOptions options = new AnalyzeSentimentOptions().setIncludeOpinionMining(true);
        final DocumentSentiment documentSentiment = client.analyzeSentiment(document, "en", options);
        SentimentConfidenceScores scores = documentSentiment.getConfidenceScores();
        System.out.printf(
                "Recognized document sentiment: %s, positive score: %f, neutral score: %f, negative score: %f.%n",
                documentSentiment.getSentiment(), scores.getPositive(), scores.getNeutral(), scores.getNegative());


        documentSentiment.getSentences().forEach(sentenceSentiment -> {
            SentimentConfidenceScores sentenceScores = sentenceSentiment.getConfidenceScores();
            System.out.printf("\tSentence sentiment: %s, positive score: %f, neutral score: %f, negative score: %f.%n",
                    sentenceSentiment.getSentiment(), sentenceScores.getPositive(), sentenceScores.getNeutral(), sentenceScores.getNegative());
            sentenceSentiment.getOpinions().forEach(opinion -> {
                TargetSentiment targetSentiment = opinion.getTarget();
                System.out.printf("\t\tTarget sentiment: %s, target text: %s%n", targetSentiment.getSentiment(),
                        targetSentiment.getText());
                for (AssessmentSentiment assessmentSentiment : opinion.getAssessments()) {
                    System.out.printf("\t\t\t'%s' assessment sentiment because of \"%s\". Is the assessment negated: %s.%n",
                            assessmentSentiment.getSentiment(), assessmentSentiment.getText(), assessmentSentiment.isNegated());
                }
            });
        });
    }
}

输出

Document = The food and service were unacceptable. The concierge was nice, however.
Recognized document sentiment: mixed, positive score: 0.470000, neutral score: 0.000000, negative score: 0.520000.
	Sentence sentiment: negative, positive score: 0.000000, neutral score: 0.000000, negative score: 0.990000.
		Target sentiment: negative, target text: food
			'negative' assessment sentiment because of "unacceptable". Is the assessment negated: false.
		Target sentiment: negative, target text: service
			'negative' assessment sentiment because of "unacceptable". Is the assessment negated: false.
	Sentence sentiment: positive, positive score: 0.940000, neutral score: 0.010000, negative score: 0.050000.
		Target sentiment: positive, target text: concierge
			'positive' assessment sentiment because of "nice". Is the assessment negated: false.

清理资源

如果想要清理并移除 Azure AI 服务订阅，可以删除资源或资源组。删除资源组同时也会删除与之相关联的任何其他资源。

使用以下命令删除为本快速入门创建的环境变量。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

后续步骤

参考文档 | 其他示例 | 包 (npm) | 库源代码

借助本快速入门，使用 Node.js 客户端库创建情绪分析应用程序。在以下示例中，你将创建一个 JavaScript 应用程序，该应用程序可以识别文本示例中表达的情绪，并执行基于方面的情绪分析。

先决条件

Azure 订阅 - 创建试用订阅
Node.js v14 LTS 或更高版本

设置

创建 Azure 资源

若要使用下面的代码示例，需要部署 Azure 资源。此资源将包含一个密钥和终结点，用于对发送到语言服务的 API 调用进行身份验证。

使用以下链接通过 Azure 门户创建语言资源。需要使用 Azure 订阅登录。
在显示的“选择其他功能”屏幕上，选择“继续创建资源”。

在“创建语言”屏幕中，提供以下信息：

详细信息	说明
订阅	资源将与之关联的订阅帐户。从下拉菜单选择 Azure 订阅。
资源组	资源组是存储所创建资源的容器。选择“新建”来创建一个新的资源组。
区域	语言资源的位置。不同区域可能会导致延迟，具体取决于你的物理位置，但不会影响资源的运行时可用性。对于本快速入门，请选择你附近的可用区域，或选择“中国东部 2”。
名称	语言资源的名称。此名称还将用于创建应用程序用于发送 API 请求的终结点 URL。
定价层	语言资源的定价层。可以使用免费 F0 层试用该服务，然后再升级到付费层进行生产。

确保选中“负责任 AI 通知”复选框。
在页面底部选择“查看 + 创建” 。
在显示的屏幕中，确保验证已通过，并且已正确输入信息。然后选择“创建”。

获取密钥和终结点

然后需要从资源获取密钥和终结点，以便将应用程序连接到 API。稍后需要在本快速入门中将密钥和终结点粘贴到代码中。

成功部署语言资源后，单击“后续步骤”下的“转到资源”按钮。
在资源的屏幕上，选择左侧导航菜单上的“密钥和终结点”。在以下步骤中，你将使用其中一个密钥和终结点。

创建环境变量

若要为语言资源密钥设置环境变量，请打开控制台窗口，并按照操作系统和开发环境的说明进行操作。

若要设置 LANGUAGE_KEY 环境变量，请将 your-key 替换为资源的其中一个密钥。
若要设置 LANGUAGE_ENDPOINT 环境变量，请将 your-endpoint 替换为资源的终结点。

重要

如果使用 API 密钥，请将其安全地存储在某个其他位置，例如 Azure Key Vault 中。请不要直接在代码中包含 API 密钥，并且切勿公开发布该密钥。

有关 Azure AI 服务安全性的详细信息，请参阅对 Azure AI 服务的请求进行身份验证。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果只需要访问当前正在运行的控制台中的环境变量，则可以使用 set（而不是 setx）设置环境变量。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bashrc，使更改生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bash_profile，使更改生效。

Xcode

对于 iOS 和 macOS 开发，可在 Xcode 中设置环境变量。例如，按照以下步骤在 Xcode 13.4.1 中设置环境变量。

选择“产品”>“方案”>“编辑方案”
在“运行(调试运行)”页上选择“参数”
在“环境变量”下，选择加号 (+) 符号来添加新的环境变量。
为“名称”输入 LANGUAGE_KEY，为“值”输入语言资源密钥。
为资源终结点执行这些步骤。将新的环境变量命名为 LANGUAGE_ENDPOINT。

有关更多配置选项，请参阅 Xcode 文档。

创建新的 Node.js 应用程序

在控制台窗口（例如 cmd、PowerShell 或 Bash）中，为应用创建一个新目录并导航到该目录。

mkdir myapp 

cd myapp

运行 npm init 命令以使用 package.json 文件创建一个 node 应用程序。

npm init

安装客户端库

安装 npm 包：

npm install @azure/ai-language-text

代码示例

打开该文件，并复制以下代码。然后运行代码。

"use strict";

const { TextAnalyticsClient, AzureKeyCredential } = require("@azure/ai-text-analytics");

// This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
const key = process.env.LANGUAGE_KEY;
const endpoint = process.env.LANGUAGE_ENDPOINT;


//an example document for sentiment analysis and opinion mining
const documents = [{
    text: "The food and service were unacceptable. The concierge was nice, however.",
    id: "0",
    language: "en"
  }];
  
async function main() {
  console.log("=== Sentiment analysis and opinion mining sample ===");

  const client = new TextAnalysisClient(endpoint, new AzureKeyCredential(key));

  const results = await client.analyze("SentimentAnalysis", documents, {
    includeOpinionMining: true,
  });

  for (let i = 0; i < results.length; i++) {
    const result = results[i];
    console.log(`- Document ${result.id}`);
    if (!result.error) {
      console.log(`\tDocument text: ${documents[i].text}`);
      console.log(`\tOverall Sentiment: ${result.sentiment}`);
      console.log("\tSentiment confidence scores:", result.confidenceScores);
      console.log("\tSentences");
      for (const { sentiment, confidenceScores, opinions } of result.sentences) {
        console.log(`\t- Sentence sentiment: ${sentiment}`);
        console.log("\t  Confidence scores:", confidenceScores);
        console.log("\t  Mined opinions");
        for (const { target, assessments } of opinions) {
          console.log(`\t\t- Target text: ${target.text}`);
          console.log(`\t\t  Target sentiment: ${target.sentiment}`);
          console.log("\t\t  Target confidence scores:", target.confidenceScores);
          console.log("\t\t  Target assessments");
          for (const { text, sentiment } of assessments) {
            console.log(`\t\t\t- Text: ${text}`);
            console.log(`\t\t\t  Sentiment: ${sentiment}`);
          }
        }
      }
    } else {
      console.error(`\tError: ${result.error}`);
    }
  }
}
  
main().catch((err) => {
  console.error("The sample encountered an error:", err);
});

输出

=== Sentiment analysis and opinion mining sample ===
- Document 0
    Document text: The food and service were unacceptable. The concierge was nice, however.
    Overall Sentiment: mixed
    Sentiment confidence scores: { positive: 0.49, neutral: 0, negative: 0.5 }
    Sentences
    - Sentence sentiment: negative
      Confidence scores: { positive: 0, neutral: 0, negative: 1 }
      Mined opinions
            - Target text: food
              Target sentiment: negative
              Target confidence scores: { positive: 0.01, negative: 0.99 }
              Target assessments
                    - Text: unacceptable
                      Sentiment: negative
            - Target text: service
              Target sentiment: negative
              Target confidence scores: { positive: 0.01, negative: 0.99 }
              Target assessments
                    - Text: unacceptable
                      Sentiment: negative
    - Sentence sentiment: positive
      Confidence scores: { positive: 0.98, neutral: 0.01, negative: 0.01 }
      Mined opinions
            - Target text: concierge
              Target sentiment: positive
              Target confidence scores: { positive: 1, negative: 0 }
              Target assessments
                    - Text: nice
                      Sentiment: positive

清理资源

如果想要清理并移除 Azure AI 服务订阅，可以删除资源或资源组。删除资源组同时也会删除与之相关联的任何其他资源。

使用以下命令删除为本快速入门创建的环境变量。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

后续步骤

参考文档 | 其他示例 | 包 (PyPi) | 库源代码

借助本快速入门，使用 Python 客户端库创建情绪分析应用程序。在以下示例中，你将创建一个 Python 应用程序，该应用程序可以识别文本示例中表达的情绪，并执行基于方面的情绪分析。

先决条件

Azure 订阅 - 创建试用订阅
Python 3.7 或更高版本

设置

创建 Azure 资源

若要使用下面的代码示例，需要部署 Azure 资源。此资源将包含一个密钥和终结点，用于对发送到语言服务的 API 调用进行身份验证。

使用以下链接通过 Azure 门户创建语言资源。需要使用 Azure 订阅登录。
在显示的“选择其他功能”屏幕上，选择“继续创建资源”。

在“创建语言”屏幕中，提供以下信息：

详细信息	说明
订阅	资源将与之关联的订阅帐户。从下拉菜单选择 Azure 订阅。
资源组	资源组是存储所创建资源的容器。选择“新建”来创建一个新的资源组。
区域	语言资源的位置。不同区域可能会导致延迟，具体取决于你的物理位置，但不会影响资源的运行时可用性。对于本快速入门，请选择你附近的可用区域，或选择“中国东部 2”。
名称	语言资源的名称。此名称还将用于创建应用程序用于发送 API 请求的终结点 URL。
定价层	语言资源的定价层。可以使用免费 F0 层试用该服务，然后再升级到付费层进行生产。

确保选中“负责任 AI 通知”复选框。
在页面底部选择“查看 + 创建” 。
在显示的屏幕中，确保验证已通过，并且已正确输入信息。然后选择“创建”。

获取密钥和终结点

然后需要从资源获取密钥和终结点，以便将应用程序连接到 API。稍后需要在本快速入门中将密钥和终结点粘贴到代码中。

成功部署语言资源后，单击“后续步骤”下的“转到资源”按钮。
在资源的屏幕上，选择左侧导航菜单上的“密钥和终结点”。在以下步骤中，你将使用其中一个密钥和终结点。

创建环境变量

若要为语言资源密钥设置环境变量，请打开控制台窗口，并按照操作系统和开发环境的说明进行操作。

若要设置 LANGUAGE_KEY 环境变量，请将 your-key 替换为资源的其中一个密钥。
若要设置 LANGUAGE_ENDPOINT 环境变量，请将 your-endpoint 替换为资源的终结点。

重要

如果使用 API 密钥，请将其安全地存储在某个其他位置，例如 Azure Key Vault 中。请不要直接在代码中包含 API 密钥，并且切勿公开发布该密钥。

有关 Azure AI 服务安全性的详细信息，请参阅对 Azure AI 服务的请求进行身份验证。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果只需要访问当前正在运行的控制台中的环境变量，则可以使用 set（而不是 setx）设置环境变量。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bashrc，使更改生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bash_profile，使更改生效。

Xcode

对于 iOS 和 macOS 开发，可在 Xcode 中设置环境变量。例如，按照以下步骤在 Xcode 13.4.1 中设置环境变量。

选择“产品”>“方案”>“编辑方案”
在“运行(调试运行)”页上选择“参数”
在“环境变量”下，选择加号 (+) 符号来添加新的环境变量。
为“名称”输入 LANGUAGE_KEY，为“值”输入语言资源密钥。
为资源终结点执行这些步骤。将新的环境变量命名为 LANGUAGE_ENDPOINT。

有关更多配置选项，请参阅 Xcode 文档。

安装客户端库

在安装 Python 后，可以通过以下命令安装客户端库：

pip install azure-ai-textanalytics==5.2.0

代码示例

创建新的 Python 文件，并复制以下代码。然后运行代码

# This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
language_key = os.environ.get('LANGUAGE_KEY')
language_endpoint = os.environ.get('LANGUAGE_ENDPOINT')

from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential

# Authenticate the client using your key and endpoint 
def authenticate_client():
    ta_credential = AzureKeyCredential(language_key)
    text_analytics_client = TextAnalyticsClient(
            endpoint=language_endpoint, 
            credential=ta_credential)
    return text_analytics_client

client = authenticate_client()

# Example method for detecting sentiment and opinions in text 
def sentiment_analysis_with_opinion_mining_example(client):

    documents = [
        "The food and service were unacceptable. The concierge was nice, however."
    ]

    result = client.analyze_sentiment(documents, show_opinion_mining=True)
    doc_result = [doc for doc in result if not doc.is_error]

    positive_reviews = [doc for doc in doc_result if doc.sentiment == "positive"]
    negative_reviews = [doc for doc in doc_result if doc.sentiment == "negative"]

    positive_mined_opinions = []
    mixed_mined_opinions = []
    negative_mined_opinions = []

    for document in doc_result:
        print("Document Sentiment: {}".format(document.sentiment))
        print("Overall scores: positive={0:.2f}; neutral={1:.2f}; negative={2:.2f} \n".format(
            document.confidence_scores.positive,
            document.confidence_scores.neutral,
            document.confidence_scores.negative,
        ))
        for sentence in document.sentences:
            print("Sentence: {}".format(sentence.text))
            print("Sentence sentiment: {}".format(sentence.sentiment))
            print("Sentence score:\nPositive={0:.2f}\nNeutral={1:.2f}\nNegative={2:.2f}\n".format(
                sentence.confidence_scores.positive,
                sentence.confidence_scores.neutral,
                sentence.confidence_scores.negative,
            ))
            for mined_opinion in sentence.mined_opinions:
                target = mined_opinion.target
                print("......'{}' target '{}'".format(target.sentiment, target.text))
                print("......Target score:\n......Positive={0:.2f}\n......Negative={1:.2f}\n".format(
                    target.confidence_scores.positive,
                    target.confidence_scores.negative,
                ))
                for assessment in mined_opinion.assessments:
                    print("......'{}' assessment '{}'".format(assessment.sentiment, assessment.text))
                    print("......Assessment score:\n......Positive={0:.2f}\n......Negative={1:.2f}\n".format(
                        assessment.confidence_scores.positive,
                        assessment.confidence_scores.negative,
                    ))
            print("\n")
        print("\n")
          
sentiment_analysis_with_opinion_mining_example(client)

输出

Document Sentiment: mixed
Overall scores: positive=0.47; neutral=0.00; negative=0.52

Sentence: The food and service were unacceptable.
Sentence sentiment: negative
Sentence score:
Positive=0.00
Neutral=0.00
Negative=0.99

......'negative' target 'food'
......Target score:
......Positive=0.00
......Negative=1.00

......'negative' assessment 'unacceptable'
......Assessment score:
......Positive=0.00
......Negative=1.00

......'negative' target 'service'
......Target score:
......Positive=0.00
......Negative=1.00

......'negative' assessment 'unacceptable'
......Assessment score:
......Positive=0.00
......Negative=1.00



Sentence: The concierge was nice, however.
Sentence sentiment: positive
Sentence score:
Positive=0.94
Neutral=0.01
Negative=0.05

......'positive' target 'concierge'
......Target score:
......Positive=1.00
......Negative=0.00

......'positive' assessment 'nice'
......Assessment score:
......Positive=1.00
......Negative=0.00

清理资源

如果想要清理并移除 Azure AI 服务订阅，可以删除资源或资源组。删除资源组同时也会删除与之相关联的任何其他资源。

使用以下命令删除为本快速入门创建的环境变量。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

后续步骤

参考文档

借助本快速入门，使用 REST API 发送情绪分析请求。在以下示例中，你将使用 cURL 来识别文本样本中表达的情绪，并执行基于方面的情绪分析。

先决条件

Azure 订阅 - 创建试用订阅

设置

创建 Azure 资源

若要使用下面的代码示例，需要部署 Azure 资源。此资源将包含一个密钥和终结点，用于对发送到语言服务的 API 调用进行身份验证。

使用以下链接通过 Azure 门户创建语言资源。需要使用 Azure 订阅登录。
在显示的“选择其他功能”屏幕上，选择“继续创建资源”。

在“创建语言”屏幕中，提供以下信息：

详细信息	说明
订阅	资源将与之关联的订阅帐户。从下拉菜单选择 Azure 订阅。
资源组	资源组是存储所创建资源的容器。选择“新建”来创建一个新的资源组。
区域	语言资源的位置。不同区域可能会导致延迟，具体取决于你的物理位置，但不会影响资源的运行时可用性。对于本快速入门，请选择你附近的可用区域，或选择“中国东部 2”。
名称	语言资源的名称。此名称还将用于创建应用程序用于发送 API 请求的终结点 URL。
定价层	语言资源的定价层。可以使用免费 F0 层试用该服务，然后再升级到付费层进行生产。

确保选中“负责任 AI 通知”复选框。
在页面底部选择“查看 + 创建” 。
在显示的屏幕中，确保验证已通过，并且已正确输入信息。然后选择“创建”。

获取密钥和终结点

然后需要从资源获取密钥和终结点，以便将应用程序连接到 API。稍后需要在本快速入门中将密钥和终结点粘贴到代码中。

成功部署语言资源后，单击“后续步骤”下的“转到资源”按钮。
在资源的屏幕上，选择左侧导航菜单上的“密钥和终结点”。在以下步骤中，你将使用其中一个密钥和终结点。

创建环境变量

若要为语言资源密钥设置环境变量，请打开控制台窗口，并按照操作系统和开发环境的说明进行操作。

若要设置 LANGUAGE_KEY 环境变量，请将 your-key 替换为资源的其中一个密钥。
若要设置 LANGUAGE_ENDPOINT 环境变量，请将 your-endpoint 替换为资源的终结点。

重要

如果使用 API 密钥，请将其安全地存储在某个其他位置，例如 Azure Key Vault 中。请不要直接在代码中包含 API 密钥，并且切勿公开发布该密钥。

有关 Azure AI 服务安全性的详细信息，请参阅对 Azure AI 服务的请求进行身份验证。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果只需要访问当前正在运行的控制台中的环境变量，则可以使用 set（而不是 setx）设置环境变量。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bashrc，使更改生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

添加环境变量后，请从控制台窗口运行 source ~/.bash_profile，使更改生效。

Xcode

对于 iOS 和 macOS 开发，可在 Xcode 中设置环境变量。例如，按照以下步骤在 Xcode 13.4.1 中设置环境变量。

选择“产品”>“方案”>“编辑方案”
在“运行(调试运行)”页上选择“参数”
在“环境变量”下，选择加号 (+) 符号来添加新的环境变量。
为“名称”输入 LANGUAGE_KEY，为“值”输入语言资源密钥。
为资源终结点执行这些步骤。将新的环境变量命名为 LANGUAGE_ENDPOINT。

有关更多配置选项，请参阅 Xcode 文档。

使用示例请求正文创建 JSON 文件

在代码编辑器中，创建一个名为 test_sentiment_payload.json 的新文件并复制以下 JSON 示例。在下一步中，此示例请求将发送到 API。

{
	"kind": "SentimentAnalysis",
	"parameters": {
		"modelVersion": "latest",
		"opinionMining": "True"
	},
	"analysisInput":{
		"documents":[
			{
				"id":"1",
				"language":"en",
				"text": "The food and service were unacceptable. The concierge was nice, however."
			}
		]
	}
}

将 test_sentiment_payload.json 保存在计算机上的某个位置。例如，桌面。

发送情绪分析和观点挖掘 API 请求

注意

以下示例包含针对情绪分析的观点挖掘功能发出的请求，它精细地描述了文本中与目标（名词）相关的评估（形容词）。

使用以下命令通过所使用的程序发送 API 请求。将命令复制到终端并运行。

参数 (parameter)	说明
`-X POST <endpoint>`	指定用于访问 API 的终结点。
`-H Content-Type: application/json`	用于发送 JSON 数据的内容类型。
`-H "Ocp-Apim-Subscription-Key:<key>`	指定用于访问 API 的密钥。
`-d <documents>`	包含要发送的文档的 JSON 文件。

将 C:\Users\<myaccount>\Desktop\test_sentiment_payload.json 替换为在上一步中创建的示例 JSON 请求文件的位置。

命令提示符

curl -X POST "%LANGUAGE_ENDPOINT%/language/:analyze-text?api-version=2023-04-15-preview" ^
-H "Content-Type: application/json" ^
-H "Ocp-Apim-Subscription-Key: %LANGUAGE_KEY%" ^
-d "@C:\Users\<myaccount>\Desktop\test_sentiment_payload.json"

PowerShell

curl.exe -X POST $env:LANGUAGE_ENDPOINT/language/:analyze-text?api-version=2023-04-15-preview `
-H "Content-Type: application/json" `
-H "Ocp-Apim-Subscription-Key: $env:LANGUAGE_KEY" `
-d "@C:\Users\<myaccount>\Desktop\test_sentiment_payload.json"

使用以下命令通过所使用的程序发送 API 请求。将 /home/mydir/test_sentiment_payload.json 替换为在上一步中创建的示例 JSON 请求文件的位置。

curl -X POST $LANGUAGE_ENDPOINT/language/:analyze-text?api-version=2023-04-15-preview \
-H "Content-Type: application/json" \
-H "Ocp-Apim-Subscription-Key: $LANGUAGE_KEY" \
-d "@/home/mydir/test_sentiment_payload.json"

使用以下命令通过所使用的程序发送 API 请求。将 /home/mydir/test_sentiment_payload.json 替换为在上一步中创建的示例 JSON 请求文件的位置。

curl -X POST $LANGUAGE_ENDPOINT/language/:analyze-text?api-version=2023-04-15-preview \
-H "Content-Type: application/json" \
-H "Ocp-Apim-Subscription-Key: $LANGUAGE_KEY" \
-d "@/home/mydir/test_sentiment_payload.json"

JSON 响应

{
	"kind": "SentimentAnalysisResults",
	"results": {
		"documents": [{
			"id": "1",
			"sentiment": "mixed",
			"confidenceScores": {
				"positive": 0.47,
				"neutral": 0.0,
				"negative": 0.52
			},
			"sentences": [{
				"sentiment": "negative",
				"confidenceScores": {
					"positive": 0.0,
					"neutral": 0.0,
					"negative": 0.99
				},
				"offset": 0,
				"length": 40,
				"text": "The food and service were unacceptable. ",
				"targets": [{
					"sentiment": "negative",
					"confidenceScores": {
						"positive": 0.0,
						"negative": 1.0
					},
					"offset": 4,
					"length": 4,
					"text": "food",
					"relations": [{
						"relationType": "assessment",
						"ref": "#/documents/0/sentences/0/assessments/0"
					}]
				}, {
					"sentiment": "negative",
					"confidenceScores": {
						"positive": 0.0,
						"negative": 1.0
					},
					"offset": 13,
					"length": 7,
					"text": "service",
					"relations": [{
						"relationType": "assessment",
						"ref": "#/documents/0/sentences/0/assessments/0"
					}]
				}],
				"assessments": [{
					"sentiment": "negative",
					"confidenceScores": {
						"positive": 0.0,
						"negative": 1.0
					},
					"offset": 26,
					"length": 12,
					"text": "unacceptable",
					"isNegated": false
				}]
			}, {
				"sentiment": "positive",
				"confidenceScores": {
					"positive": 0.94,
					"neutral": 0.01,
					"negative": 0.05
				},
				"offset": 40,
				"length": 32,
				"text": "The concierge was nice, however.",
				"targets": [{
					"sentiment": "positive",
					"confidenceScores": {
						"positive": 1.0,
						"negative": 0.0
					},
					"offset": 44,
					"length": 9,
					"text": "concierge",
					"relations": [{
						"relationType": "assessment",
						"ref": "#/documents/0/sentences/1/assessments/0"
					}]
				}],
				"assessments": [{
					"sentiment": "positive",
					"confidenceScores": {
						"positive": 1.0,
						"negative": 0.0
					},
					"offset": 58,
					"length": 4,
					"text": "nice",
					"isNegated": false
				}]
			}],
			"warnings": []
		}],
		"errors": [],
		"modelVersion": "2022-06-01"
	}
}

清理资源

如果想要清理并移除 Azure AI 服务订阅，可以删除资源或资源组。删除资源组同时也会删除与之相关联的任何其他资源。

使用以下命令删除为本快速入门创建的环境变量。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT