跳到主要内容

分類

概要​

このドキュメントでは、JavaのLangChain4jを使用した分類システムの実装を説明します。分類は、感情分析、意図検出、エンティティ認識など、テキストを事前定義されたラベルに分類するために不可欠です。

この例では、LangChain4jのAI駆動サービスを使用した感情分類を示します。

LangChain4jは、テキスト分類の一般的な2つのアプローチをサポートしています：

  • ラベルが微妙な自然言語推論に依存する場合は、AI Services経由でLLMを使用します。
  • 各カテゴリにラベル付きの例があり、意味的類似度で分類したい場合は、TextClassifierとEmbeddingModelTextClassifier経由で埋め込みを使用します。

感情分類サービス​

感情分類システムは、入力テキストを次の感情カテゴリのいずれかに分類します：

  • POSITIVE
  • NEUTRAL
  • NEGATIVE

実装​

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
    }
}

コンポーネントの説明​

1. チャットモデルの初期化​

static ChatModel chatModel = OpenAiChatModel.withApiKey("YOUR_OPENAI_API_KEY");
  • 自然言語テキストを処理するためにOpenAIチャットモデルを初期化します。
  • "YOUR_OPENAI_API_KEY"を実際のOpenAI APIキーに置き換えてください。

2. 感情カテゴリの定義​

enum Sentiment {
    POSITIVE, NEUTRAL, NEGATIVE
}
  • Sentiment列挙型は、可能な感情分類を表します。

3. AI駆動の感情アナライザーの作成​

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

    @UserMessage("Does {{it}} have a positive sentiment?")
    boolean isPositive(String text);
}
  • このインターフェースは2つのAI駆動メソッドを定義します：
    • analyzeSentimentOf(String text)：指定されたテキストをPOSITIVE、NEUTRAL、またはNEGATIVEに分類します。
    • isPositive(String text)：テキストがポジティブな感情を持つ場合はtrueを返し、それ以外はfalseを返します。

4. AIサービスインスタンスの作成​

SentimentAnalyzer sentimentAnalyzer = AiServices.create(SentimentAnalyzer.class, chatModel);
  • AiServices.create()は、AIモデルを使用してSentimentAnalyzerインターフェースを動的に実装します。

5. 感情分析の実行​

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モデルは、指定されたテキストを事前定義された感情カテゴリの1つに分類します。
  • isPositive()メソッドはブール結果を提供します。

埋め込みベースの分類​

EmbeddingModelTextClassifierは、入力を埋め込み、各ラベルの埋め込み例と比較することでテキストを分類します。すべてのクラスに代表的な例を提供でき、分類リクエストごとにLLM呼び出しが不要な場合に有用です。

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]
    }
}

返される各ラベルの類似度スコアが必要な場合は、classifyWithScores(...)も使用できます。分類器は、maxResults、minScore、およびmeanToMaxScoreRatioの設定に応じて、ゼロ、1つ、または複数のラベルを返すことができます。

ユースケース​

この感情分類サービスは、次のようなさまざまなアプリケーションで使用できます：

✅ 顧客フィードバック分析：顧客レビューをポジティブ、ニュートラル、またはネガティブに分類します。
✅ ソーシャルメディア監視：ソーシャルメディアコメントの感情トレンドを分析します。
✅ チャットボット応答：ユーザーの感情を理解して、より良い応答を提供します。

例​