「这是我参与2022首次更文挑战的第5天，活动详情查看：2022首次更文挑战」
1、前言
上一次我们说到了调用百度NLP接口的前期准备工作，以及一个评论内容的情感倾向分析接口的调用。这里还是有很多其他很有意思的接口，下面为大家分享下具体应用。（PS：百度的NLP接口对个人开发者也有一些免费的额度，大家有兴趣也可以自己试一下）
2、评论观点抽取
通过调用这个接口，可以拿出评论内容中的主观观点。这里我们主要是在课程的评论下以及反馈功能中用到了，经过分析统计后发送到大屏，需求人员、产品经理可以用来改进产品，提升用户体验。
JSONObject resObj = aipNlp.commentTag("很有经验的老师，讲的还是很有水平的。", ESimnetType.EDU, null);
//ESimnetType.EDU指的是教育行业
评论观点抽取结果，返回值为：{"log_id":4557847952436534268,"items":[{"sentiment":2,"adj":"有经验","prop":"老师","end_pos":14,"abstract":"很<span>有经验的老师</span>","begin_pos":2}]}
可以看到评论里的一些观点，“有经验”这些描述词是正确提取出来了。但是在生产环境，有很多评论内容都没有提取到，这里一方面是因为我们使用的是通用接口，如果大家有特殊需要可以使用定制接口，根据自己的场景去训练AI，准确度也会大大提升。
3、对话情绪识别
因为应用中有一个在线客服的功能，这里我们使用这个接口主要是为了识别出用户发送内容的情绪，结合用户评分提升在线客服的服务水平。
JSONObject resObj = aipNlp.emotion("很好，解决了我的问题。", null);
对话情绪识别结果，返回值为：{"log_id":1486945894700209359,"text":"很好，解决了我的问题。","items":[{"prob":0.621918,"replies":["谢谢，我很开心"],"subitems":[{"prob":0.602052,"label":"like"}],"label":"optimistic"},{"prob":0.375415,"replies":[],"subitems":[],"label":"neutral"},{"prob":0.00266647,"replies":[],"subitems":[],"label":"pessimistic"}]}
可以看到，返回值中有内容的情绪概率、以及根据清醒类别的回复，这个可以供客服参考。好了、本期就先介绍到这里，有什么需要交流的，大家可以随时私信我。😊
