Python: определение языка текста с помощью службы Azure AI Language

Служба Azure AI Language предоставляет разработчикам API для распространённых задач анализа текста, таких как определение языка по тексту, анализ тональности, извлечение ключевых фраз, а также распознавание и связывание именованных сущностей.

Подготовка

Первый шаг при анализе текста с помощью Azure AI Language — подготовка ресурса Language service в Azure. Для тестирования можно использовать бесплатный уровень F0 с лимитом 5000 транзакций в месяц.

Помимо ограничений уровня, нужно учитывать и ограничения запросов:

• за один запрос можно отправить максимум 1000 документов
• и каждый документ может иметь максимальную длину 5120 символов

После того как ресурс создан, перейдите в Keys and Endpoint, чтобы получить URL вашей конечной точки и ключ авторизации (подойдёт любой из двух). Они нам понадобятся позже, когда мы начнём вызывать API.

API определения языка

API определения языка принимает один или несколько текстовых документов и для каждого из них возвращает определённый язык вместе с оценкой уверенности. Это полезно при работе с произвольным текстовым вводом, когда вы не знаете язык текста, и это может играть важную роль в дальнейшем анализе или действиях. Например, в сценарии с чат-ботом эта информация может помочь общаться с пользователем на его собственном языке.

Каждый входной документ состоит из содержимого text и уникального id (уникального в рамках данного запроса). Кроме того, для каждого входного документа можно указать countryHint, чтобы повысить качество предсказания.

Рассмотрим пример JSON-payload:

{
  "kind": "LanguageDetection",
  "parameters": {
    "modelVersion": "latest"
  },
  "analysisInput": {
    "documents": [
      {
        "id": "1",
        "text": "Good morning",
        "countryHint": "US"
      },
      {
        "id": "2",
        "text": "Hello, je m'appelle Marius!"
      }
    ]
  }
}

Для каждого входного документа мы получим в ответ определённый язык (name и iso6391Name) вместе с оценкой уверенности и списком предупреждений (если они есть).

{
  "kind": "LanguageDetectionResults",
  "results": {
    "documents": [
      {
        "detectedLanguage": {
          "confidenceScore": 1,
          "iso6391Name": "en",
          "name": "English"
        },
        "id": "1",
        "warnings": []
      },
      {
        "detectedLanguage": {
          "confidenceScore": 0.98,
          "iso6391Name": "fr",
          "name": "French"
        },
        "id": "2",
        "warnings": []
      }
    ],
    "errors": [],
    "modelVersion": "2022-10-01"
  }
}

Если ваш входной текст не может быть распознан службой, языком будет (Unknown) с confidenceScore, равным 0.

Попробуем на практике

Чтобы попробовать API определения языка, создайте новый файл скрипта .py и установите пакет azure-ai-textanalytics.

pip install azure-ai-textanalytics==5.3.0

После установки пакета мы начинаем с создания экземпляра TextAnalyticsClient.

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

credential = AzureKeyCredential('<your-authorization-key>')
ai_client = TextAnalyticsClient(endpoint='https://<your-resource-name>.cognitiveservices.azure.com/', credential=credential)

Не забудьте заменить endpoint и ключ авторизации на данные, полученные на странице Keys and Endpoint вашего ресурса. После этого можно вызывать службу.

TextAnalyticsClient содержит метод detect_language с перегрузками, принимающими List[str], List[DetectLanguageInput] или List[Dict[str, str]].

Рассмотрим этот метод подробнее. Сначала определим язык одного фрагмента текста:

detectedLanguage = ai_client.detect_language(documents=['Hello, world!'])[0]
print(detectedLanguage)

Ответ будет выглядеть так:

{
  'id': '0', 
  'primary_language': DetectedLanguage(name=English, iso6391_name=en, confidence_score=1.0), 
  'warnings': [], 
  'statistics': None, 
  'is_error': False, 
  'kind': 'LanguageDetection'
}

Теперь к более сложному сценарию, где, как и в примере JSON-payload выше, мы отправляем несколько документов со связанными уникальными идентификаторами и для одного из документов также передаём country_hint. Код будет выглядеть так:

inputDocuments: List[DetectLanguageInput] = [
    DetectLanguageInput(id="1", text="Good morning", country_hint = "US"),
    DetectLanguageInput(id="2", text="Hello, je m'appelle Marius!")
]

detectedLanguages = ai_client.detect_language(inputDocuments)
print(detectedLanguages)

Ответ будет выглядеть так:

[
  DetectLanguageResult(id=1, primary_language=DetectedLanguage(name=English, iso6391_name=en, confidence_score=1.0), warnings=[], statistics=None, is_error=False, kind=LanguageDetection), 
  DetectLanguageResult(id=2, primary_language=DetectedLanguage(name=French, iso6391_name=fr, confidence_score=0.98), warnings=[], statistics=None, is_error=False, kind=LanguageDetection)
]