Nozioni di base sull'API Natural Language

Questo documento fornisce una guida alle nozioni di base sull'utilizzo dell'API Cloud Natural Language. Questa guida concettuale illustra i tipi di richieste che puoi fare all'API Natural Language, come crearle e come gestire le relative risposte. Prima di iniziare a utilizzare l'API Natural Language, consigliamo a tutti gli utenti di leggere questa guida e uno dei tutorial associati.

Funzionalità di Natural Language

L'API Natural Language dispone di diversi metodi per eseguire l'analisi e l'annotazione del testo. Ogni livello di analisi fornisce informazioni preziose per la comprensione del linguaggio. Questi metodi sono elencati di seguito:

  • L'analisi del sentiment esamina il testo fornito e identifica l'opinione emotiva prevalente al suo interno, soprattutto per determinare se l'atteggiamento di un autore è positivo, negativo o neutro. L'analisi del sentiment viene eseguita tramite il metodo analyzeSentiment.

  • L'analisi delle entità esamina il testo specificato per individuare entità note (nomi propri come personaggi pubblici, punti di riferimento e così via). Nomi comuni come ristorante, stadio e così via) e restituisce informazioni su quelle entità. L'analisi delle entità viene eseguita con il metodo analyzeEntities.

  • L'analisi del sentiment delle entità esamina il testo specificato per individuare entità note (nomi propri e nomi comuni), restituisce informazioni su queste entità e identifica l'opinione emotiva prevalente dell'entità all'interno del testo, in particolare per determinare se l'atteggiamento di un autore nei confronti dell'entità è positivo, negativo o neutro. L'analisi delle entità viene eseguita con il metodo analyzeEntitySentiment.

  • L'analisi sintattica estrae informazioni linguistiche, suddividendo il testo dato in una serie di frasi e token (in genere, i confini delle parole) e fornendo un'ulteriore analisi di questi token. L'analisi sintattica viene eseguita con il metodo analyzeSyntax.

  • La classificazione dei contenuti analizza i contenuti di testo e restituisce una categoria di contenuti per i contenuti. La classificazione dei contenuti viene eseguita utilizzando il metodo classifyText.

Ogni chiamata API rileva e restituisce anche la lingua, se non viene specificata dall'utente chiamante nella richiesta iniziale.

Inoltre, se vuoi eseguire diverse operazioni di linguaggio naturale su un determinato testo utilizzando una sola chiamata API, la richiesta annotateText può essere utilizzata anche per eseguire l'analisi del sentiment e delle entità.

Provalo

Se non conosci Google Cloud, crea un account per valutare le prestazioni di Natural Language in scenari reali. I nuovi clienti ricevono anche 300 $ di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

Prova Natural Language gratuitamente

Richieste di base in linguaggio naturale

L'API Natural Language è un'API REST ed è composta da richieste e risposta JSON. Di seguito è riportata una semplice richiesta di analisi delle entità JSON di Natural Language:

{
  "document":{
    "type":"PLAIN_TEXT",
    "language_code": "EN",
    "content":"'Lawrence of Arabia' is a highly rated film biography about
                British Lieutenant T. E. Lawrence. Peter O'Toole plays
                Lawrence in the film."
  },
  "encodingType":"UTF8"
}

Questi campi sono descritti di seguito:

  • document contiene i dati per questa richiesta, costituiti dai seguenti subcampi:
    • type - tipo di documento (HTML o PLAIN_TEXT)
    • language - (facoltativo) la lingua del testo all'interno della richiesta. Se non specificata, la lingua verrà rilevata automaticamente. Per informazioni su quali lingue sono supportate dall'API Natural Language, consulta Supporto delle lingue. Le lingue non supportate restituiranno un errore nella risposta JSON.
    • content o gcsContentUri che contengono il testo da valutare. Se passi content, questo testo viene incluso direttamente nella richiesta JSON (come mostrato sopra). Se viene passato gcsContentUri, il campo deve contenere un URI che rimandi a contenuti di testo in Google Cloud Storage.
  • encodingType - (obbligatorio) lo schema di codifica in cui devono essere calcolati gli offset dei caratteri restituiti nel text, che deve corrispondere alla codifica del testo passato. Se questo parametro non è impostato, la richiesta non restituirà errori, ma tutti questi offset verranno impostati su -1.

Specificare i contenuti di testo

Quando passi una richiesta all'API Natural Language, specifica il testo da elaborare in uno di due modi:

  • Passare il testo direttamente all'interno di un campo content.
  • Passare un URI Google Cloud Storage in un campo gcsContentUri.

In entrambi i casi, assicurati di non superare i limiti per i contenuti. Tieni presente che questi limiti di contenuti si riferiscono ai byte, non ai caratteri. Pertanto, la lunghezza dei caratteri dipende dalla codifica del testo.

La richiesta riportata di seguito fa riferimento a un file Google Cloud Storage contenente il discorso di Gettysburg:

{
  "document":{
    "type":"PLAIN_TEXT",
    "language": "EN",
    "gcsContentUri":"gs://cloud-samples-tests/natural-language/gettysburg.txt"
  },
}

Analisi del sentiment

L'analisi del sentiment tenta di determinare l'atteggiamento complessivo (positivo o negativo) espresso nel testo. Il sentiment è rappresentato da valori numerici score e magnitude.

Campi di risposta dell'analisi del sentiment

Di seguito è riportata una risposta analyzeSentiment di esempio al discorso di Gettysburg:

{
  "documentSentiment": {
    "score": 0.2,
    "magnitude": 3.6
  },
  "language_code": "en",
   "sentences": [
    {
      "text": {
        "content": "Four score and seven years ago our fathers brought forth
        on this continent a new nation, conceived in liberty and dedicated to
        the proposition that all men are created equal.",
        "beginOffset": 0
      },
      "sentiment": {
        "magnitude": 0.8,
        "score": 0.8
      }
    },
   ...
}

Questi valori di campo sono descritti di seguito:

  • documentSentiment contiene il sentiment complessivo del documento, che consiste nei seguenti campi:
    • score del sentiment varia da -1.0 (negativo) a 1.0 (positivo) e corrisponde all'inclinazione emotiva complessiva del testo.
    • magnitude indica l'intensità complessiva dell'emozione (sia positiva che negativa) all'interno del testo specificato, con valori compresi tra 0.0 e +inf. A differenza di score, magnitude non è normalizzato per documentSentiment; ogni espressione di emozione all'interno del testo (sia positiva che negativa) contribuisce al magnitude del testo (quindi i blocchi di testo più lunghi possono avere intensità maggiori).
  • language_code contiene la lingua del documento, passata nella richiesta iniziale o rilevata automaticamente se assente.
  • language_supported contiene un valore booleano per identificare se la lingua è supportata ufficialmente
  • sentences contiene un elenco delle frasi estratte dal documento originale, che contiene:
    • sentiment contiene i valori del sentimento a livello di frase associati a ogni frase, che contengono score compreso tra -1.0 (negativo) e 1.0 (positivo) e valori magnitude compresi tra 0.0 e 1.0. Tieni presente che magnitude per sentences è normalizzato.

Un valore di sentiment pari a 0.2 per il discorso di Gettysburg indica che l'emozione è leggermente positiva, mentre il valore di intensità pari a 3.6 indica un documento relativamente emotivo, date le sue piccole dimensioni (circa un paragrafo). Tieni presente che la prima frase del discorso di Gettysburg contiene un valore score positivo molto elevato pari a 0.8.

Interpretazione dei valori dell'analisi del sentiment

Il punteggio del sentiment di un documento indica l'emozione complessiva del documento. L'intensità del sentiment di un documento indica la quantità di contenuti emotivi presenti al suo interno e questo valore è spesso proporzionale alla lunghezza del documento.

È importante notare che l'API Natural Language indica le differenze tra emozioni positive e negative in un documento, ma non identifica emozioni positive e negative specifiche. Ad esempio, "arrabbiato" e "triste" sono entrambe considerate emozioni negative. Tuttavia, quando l'API Natural Language analizza un testo considerato "arrabbiato" o "triste", la risposta indica solo che il sentiment nel testo è negativo, non "triste" o "arrabbiato".

Un documento con un punteggio neutro (intorno a 0.0) può indicare un documento con emozioni ridotte o emozioni contrastanti, con valori positivi e negativi elevati che si annullano a vicenda. In genere, puoi utilizzare i valori magnitude per distinguere questi casi, poiché i documenti veramente neutri avranno un valore magnitude basso, mentre i documenti misti avranno valori di grandezza più elevati.

Quando confronti i documenti tra loro (in particolare quelli di lunghezza diversa), assicurati di utilizzare i valori magnitude per calibrare i punteggi, in quanto possono aiutarti a valutare la quantità pertinente di contenuti emotivi.

Il grafico seguente mostra alcuni valori di esempio e come interpretarli:

Sentiment Valori di esempio
Chiaramente positivo* "score": 0,8, "magnitude": 3,0
Chiaramente negativo* "score": -0,6, "magnitude": 4,0
Indifferente "score": 0,1, "magnitude": 0,0
Misto "score": 0,0, "magnitude": 4,0

* Il sentiment "chiaramente positivo" e "chiaramente negativo" varia in base ai diversi casi d'uso e clienti. Potresti trovare risultati diversi per il tuo scenario specifico. Ti consigliamo di definire una soglia adatta alle tue esigenze, quindi di modificarla dopo aver testato e verificato i risultati. Ad esempio, puoi definire una soglia di qualsiasi punteggio superiore a 0,25 come chiaramente positivo, quindi modificare la soglia del punteggio su 0,15 dopo aver esaminato i dati e i risultati e aver riscontrato che anche i punteggi compresi tra 0,15 e 0,25 devono essere considerati positivi.

Analisi dell'entità

L'analisi delle entità fornisce informazioni sulle entità nel testo, che generalmente si riferiscono a "cose" denominate come persone famose, punti di riferimento, oggetti comuni e così via.

Le entità rientrano in due categorie generali: nomi propri che mappano a entità uniche (persone, luoghi e così via specifici) o nomi comuni (chiamati anche "nominali" nell'elaborazione del linguaggio naturale). Una buona prassi generale da seguire è che se qualcosa è un nome, si qualifica come "entità". Le entità vengono restituite come offset indicizzati nel testo originale.

Una richiesta di analisi delle entità deve passare un argomento encodingType, in modo che gli offset restituiti possano essere interpretati correttamente.

Campi di risposta dell'analisi delle entità

L'analisi delle entità restituisce un insieme di entità rilevate e i parametri associati a queste entità, ad esempio il tipo di entità, la pertinenza dell'entità al text completo e le posizioni nel testo che fanno riferimento alla stessa entità.

Di seguito è riportata una risposta analyzeEntities alla richiesta di entità:

{
  "entities": [
    {
      "name": "British",
      "type": "LOCATION",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "British",
            "beginOffset": 58
          },
          "type": "PROPER",
          "probability": 0.941
        }
      ]
    },
    {
      "name": "Lawrence",
      "type": "PERSON",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "Lawrence",
            "beginOffset": 113
          },
          "type": "PROPER",
          "probability": 0.914
        }
      ]
    },
    {
      "name": "Lawrence of Arabia",
      "type": "WORK_OF_ART",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "Lawrence of Arabia",
            "beginOffset": 0
          },
          "type": "PROPER",
          "probability": 0.761
        }
      ]
    },
    {
      "name": "Lieutenant",
      "type": "PERSON",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "Lieutenant",
            "beginOffset": 66
          },
          "type": "COMMON",
          "probability": 0.927
        }
      ]
    },
    {
      "name": "Peter O Toole",
      "type": "PERSON",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "Peter O Toole",
            "beginOffset": 93
          },
          "type": "PROPER",
          "probability": 0.907
        }
      ]
    },
    {
      "name": "T. E. Lawrence",
      "type": "PERSON",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "T. E. Lawrence",
            "beginOffset": 77
          },
          "type": "PROPER",
          "probability": 0.853
        }
      ]
    },
    {
      "name": "film",
      "type": "WORK_OF_ART",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "film",
            "beginOffset": 129
          },
          "type": "COMMON",
          "probability": 0.805
        }
      ]
    },
    {
      "name": "film biography",
      "type": "WORK_OF_ART",
      "metadata": {},
      "mentions": [
        {
          "text": {
            "content": "film biography",
            "beginOffset": 37
          },
          "type": "COMMON",
          "probability": 0.876
        }
      ]
    }
  ],
  "languageCode": "en",
  "languageSupported": true
}

Tieni presente che l'API Natural Language restituisce entità per "Lawrence d'Arabia" (il film) e "T.E. Lawrence" (la persona). L'analisi delle entità è utile per risolvere le ambiguità tra entità simili, come in questo caso "Lawrence".

Di seguito sono elencati i campi utilizzati per memorizzare i parametri dell'entità:

  • type indica il tipo di entità (ad esempio se si tratta di una persona, una località, un bene di consumo e così via). Queste informazioni aiutano a distinguere e/o a distinguere le entità e possono essere utilizzate per scrivere pattern o estrarre informazioni. Ad esempio, un valore type può contribuire a distinguere entità con nomi simili, come "Lawrence d'Arabia", contrassegnato come WORK_OF_ART (film), da "T.E. Lawrence", contrassegnato come PERSON. Per maggiori informazioni, consulta la sezione Tipi di entità.

  • metadata contiene informazioni sulle origini del repository di conoscenza dell'entità. In futuro potrebbero essere esposti altri repository.

  • mentions indicano le posizioni di offset all'interno del testo in cui viene menzionata un'entità. Queste informazioni possono essere utili se vuoi trovare tutte le menzioni della persona "Lawrence" nel testo, ma non il titolo del film. Puoi anche utilizzare le menzioni per raccogliere l'elenco degli alias delle entità, ad esempio "Lawrence", che si riferiscono alla stessa entità "T.E. Lawrence". Una menzione di entità può essere di due tipi: PROPER o COMMON. Ad esempio, un'entità nome proprio per "Lawrence d'Arabia" potrebbe essere menzionata direttamente come titolo del film o come nome comune ("film biografico" di T.E. Lawrence).

Analisi del sentiment relativo all'entità

L'analisi del sentiment delle entità combina l'analisi delle entità e l'analisi del sentiment e tenta di determinare il sentiment (positivo o negativo) espresso in relazione alle entità all'interno del testo. Il sentiment per un'entità, formato da un punteggio numerico e da un valore di grandezza, viene determinato per ogni menzione di un'entità. I punteggi vengono quindi aggregati in un punteggio di sentiment complessivo e in una grandezza per un'entità.

Richieste di analisi del sentiment relativo all'entità

Le richieste di analisi del sentiment delle entità vengono inviate all'API Natural Language tramite l'utilizzo del metodo analyzeEntitySentiment nel seguente formato:

{
  "document":{
    "type":"PLAIN_TEXT",
    "content":"I love R&B music. Marvin Gaye is the best.
               'What's Going On' is one of my favorite songs.
               It was so sad when Marvin Gaye died."
  },
  "encodingType":"UTF8"
}

Puoi specificare un parametro language facoltativo con la richiesta che identifica il codice lingua del testo nel parametro content. Se non specifichi un parametro language, l'API Natural Language rileva automaticamente la lingua dei contenuti della richiesta. Per informazioni sulle lingue supportate dall'API Natural Language, consulta Supporto delle lingue.

Risposte all'analisi del sentiment relativo all'entità

L'API Natural Language elabora il testo specificato per estrarre le entità e determinare il sentiment. Una richiesta di analisi del sentiment delle entità restituisce una risposta contenente i entities trovati nei contenuti del documento, una voce mentions per ogni volta che l'entità viene menzionata e i valori numerici score e magnitude per ogni menzione, come descritto in Interpretazione dei valori dell'analisi del sentiment. I valori score e magnitude complessivi di un'entità sono un aggregato dei valori score e magnitude specifici per ogni menzione dell'entità. I valori score e magnitude di un'entità possono essere 0 se il testo presenta un sentiment basso, con un valore magnitude pari a 0, oppure se il sentiment è misto, con un valore score pari a 0.

{
  "entities": [
    {
      "name": "R&B music",
      "type": "WORK_OF_ART",
      "metadata": {},
      "salience": 0.5306305,
      "mentions": [
        {
          "text": {
            "content": "R&B music",
            "beginOffset": 7
          },
          "type": "COMMON",
          "sentiment": {
            "magnitude": 0.9,
            "score": 0.9
          }
        }
      ],
      "sentiment": {
        "magnitude": 0.9,
        "score": 0.9
      }
    },
    {
      "name": "Marvin Gaye",
      "type": "PERSON",
      "metadata": {
        "mid": "/m/012z8_",
        "wikipedia_url": "http://en.wikipedia.org/wiki/Marvin_Gaye"
      },
      "salience": 0.21584158,
      "mentions": [
        {
          "text": {
            "content": "Marvin Gaye",
            "beginOffset": 18
          },
          "type": "PROPER",
          "sentiment": {
            "magnitude": 0.4,
            "score": 0.4
          }
        },
        {
          "text": {
            "content": "Marvin Gaye",
            "beginOffset": 138
          },
          "type": "PROPER",
          "sentiment": {
            "magnitude": 0.2,
            "score": -0.2
          }
        }
      ],
      "sentiment": {
        "magnitude": 0.6,
        "score": 0.1
      }
    },
    ...
  ],
  "language": "en"
}

Per un esempio, consulta la sezione Analisi del sentiment relativo all'entità.

Analisi sintattica

L'API Natural Language fornisce un potente set di strumenti per analizzare e analizzare il testo tramite l'analisi sintattica. Per eseguire l'analisi sintattica, utilizza il metodo analyzeSyntax.

L'analisi sintattica è costituita dalle seguenti operazioni:

  • L'estrazione di frasi suddivide lo stream di testo in una serie di frasi.
  • La tokenizzazione suddivide lo stream di testo in una serie di token, ciascuno dei quali corrisponde in genere a una singola parola.
  • L'API Natural Language elabora quindi i token e, utilizzando le relative posizioni all'interno delle frasi, aggiunge informazioni sintattiche ai token.

La documentazione completa sull'insieme di token sintattici è disponibile nella guida Morfologia e alberi delle dipendenze.

Richieste di analisi sintattica

Le richieste di analisi sintattica vengono inviate all'API Natural Language tramite l'uso del metodo analyzeSyntax nel seguente formato:

{
  "document":{
    "type":"PLAIN_TEXT",
    "content":"Ask not what your country can do for you,
               ask what you can do for your country."
  },
  "encodingType":"UTF8"
}

Risposte all'analisi sintattica

L'API Natural Language elabora il testo specificato per estrarre frasi e token. Una richiesta di analisi sintattica restituisce una risposta contenente questi sentences e tokens nel seguente formato:

{
  "sentences": [
    ... Array of sentences with sentence information
  ],
  "tokens": [
    ... Array of tokens with token information
  ]
}

Estrazione di frasi

Quando esegue l'analisi sintattica, l'API Natural Language restituisce un array di frasi estratte dal testo fornito, con ciascuna frase contenente i seguenti campi all'interno di un elemento principale text:

  • beginOffset che indica l'offset dei caratteri (a partire da zero) all'interno del testo specificato in cui inizia la frase. Tieni presente che questo offset viene calcolato utilizzando il valore encodingType passato.
  • content contenente il testo completo della frase estratta.

Ad esempio, per una richiesta di analisi sintattica del discorso di Gettysburg viene ricevuto il seguente elemento sentences:

{
  "sentences": [
    {
      "text": {
        "content": "Four score and seven years ago our fathers brought forth on
                    this continent a new nation, conceived in liberty and
                    dedicated to the proposition that all men are created
                    equal.",
        "beginOffset": 0
      }
    },
    {
      "text": {
        "content": "Now we are engaged in a great civil war, testing whether
                    that nation or any nation so conceived and so dedicated can
                    long endure.",
        "beginOffset": 175
      }
    },
...
...
    {
      "text": {
        "content": "It is rather for us to be here dedicated to the great task
                    remaining before us--that from these honored dead we take
                    increased devotion to that cause for which they gave the
                    last full measure of devotion--that we here highly resolve
                    that these dead shall not have died in vain, that this
                    nation under God shall have a new birth of freedom, and that
                    government of the people, by the people, for the people
                    shall not perish from the earth.",
        "beginOffset": 1002
      }
    }
  ],
  "language": "en"
}

Una richiesta di analisi sintattica all'API Natural Language includerà anche un insieme di token. Puoi utilizzare le informazioni associate a ciascun token per eseguire un'ulteriore analisi sulle frasi restituite. Ulteriori informazioni su questi token sono disponibili nella guida Morfologia e alberi delle dipendenze.

Tokenizzazione

Il metodo analyzeSyntax trasforma anche il testo in una serie di token, che corrispondono ai diversi elementi di testo (limiti di parola) dei contenuti passati. Il processo mediante il quale l'API Natural Language sviluppa questo insieme di token è noto come tokenizzazione.

Una volta estratti, l'API Natural Language li elabora per determinare la parte del discorso associata (incluse le informazioni morfologiche) e il lemma. Inoltre, i token vengono valutati e inseriti in un albero di dipendenze, che consente di determinare il significato sintattico dei token e di illustrare la relazione tra i token e le frasi che li contengono. Le informazioni sintattiche e morfologiche associate a questi token sono utili per comprendere la struttura sintattica delle frasi all'interno dell'API Natural Language.

Di seguito è riportato l'insieme di campi token restituiti in una risposta JSON dell'analisi sintattica:

  • text contiene i dati di testo associati a questo token, con i seguenti campi secondari:

    • beginOffset contiene l'offset dei caratteri (a partire da zero) all'interno del testo fornito. Tieni presente che, anche se le dipendenze (descritte di seguito) esistono solo all'interno delle frasi, gli offset dei token sono posizionati all'interno del testo nel suo insieme. Tieni presente che questo offset viene calcolato utilizzando il valore encodingType passato.
    • content contiene i contenuti testuali effettivi del testo originale.

  • partOfSpeech fornisce informazioni grammaticali, tra cui informazioni morfologiche, sul token, ad esempio tempo, persona, numero, genere e così via. (Per informazioni più complete su questi campi, consulta la guida Morfologia e alberi di dipendenza.)

  • lemma contiene la parola "radice" su cui si basa questa parola, il che consente di normalizzare l'utilizzo delle parole all'interno del testo. Ad esempio, le parole "scrivere", "scrittura", "scrisse" e "scritto" si basano tutte sullo stesso lemma ("scrivere"). Inoltre, le forme plurali e singolari si basano sui lemma: "casa" e "case" fanno entrambi riferimento alla stessa forma. (Vedi Lemma (morfologia).)

  • I campi dependencyEdge identificano la relazione tra le parole nella frase contenente un token tramite gli estremi in un albero diretto. Queste informazioni possono essere utili per la traduzione, l'estrazione di informazioni e la sintesi. La guida Morfologia e alberi delle dipendenze contiene informazioni più dettagliate sull'analisi delle dipendenze. Ogni campo dependencyEdge contiene i seguenti campi secondari:

    • headTokenIndex fornisce il valore dell'indice (a partire da zero) del "token principale" di questo token all'interno della frase di incapsulamento del token. Un token senza elemento principale si indicizza da solo.
    • label fornisce il tipo di dipendenza di questo token dal token principale.

La seguente citazione di Franklin D. Il discorso inaugurale di Roosevelt produrrà i seguenti token:

NOTA: per maggiore chiarezza, sono stati rimossi tutti i tag partOfSpeech contenenti valori *_UNKNOWN.

 "tokens": [
    {
      "text": {
        "content": "The",
        "beginOffset": 4
      },
      "partOfSpeech": {
        "tag": "DET",
      },
      "dependencyEdge": {
        "headTokenIndex": 2,
        "label": "DET"
      },
      "lemma": "The"
    },
    {
      "text": {
        "content": "only",
        "beginOffset": 8
      },
      "partOfSpeech": {
        "tag": "ADJ",
      },
      "dependencyEdge": {
        "headTokenIndex": 2,
        "label": "AMOD"
      },
      "lemma": "only"
    },
    {
      "text": {
        "content": "thing",
        "beginOffset": 13
      },
      "partOfSpeech": {
        "tag": "NOUN",
        "number": "SINGULAR",
      },
      "dependencyEdge": {
        "headTokenIndex": 7,
        "label": "NSUBJ"
      },
      "lemma": "thing"
    },
    {
      "text": {
        "content": "we",
        "beginOffset": 19
      },
      "partOfSpeech": {
        "tag": "PRON",
        "case": "NOMINATIVE",
        "number": "PLURAL",
        "person": "FIRST",
      },
      "dependencyEdge": {
        "headTokenIndex": 4,
        "label": "NSUBJ"
      },
      "lemma": "we"
    },
    {
      "text": {
        "content": "have",
        "beginOffset": 22
      },
      "partOfSpeech": {
        "tag": "VERB",
        "mood": "INDICATIVE",
        "tense": "PRESENT",
      },
      "dependencyEdge": {
        "headTokenIndex": 2,
        "label": "RCMOD"
      },
      "lemma": "have"
    },
    {
      "text": {
        "content": "to",
        "beginOffset": 27
      },
      "partOfSpeech": {
        "tag": "PRT",
      },
      "dependencyEdge": {
        "headTokenIndex": 6,
        "label": "AUX"
      },
      "lemma": "to"
    },
    {
      "text": {
        "content": "fear",
        "beginOffset": 30
      },
      "partOfSpeech": {
        "tag": "VERB",
      },
      "dependencyEdge": {
        "headTokenIndex": 4,
        "label": "XCOMP"
      },
      "lemma": "fear"
    },
    {
      "text": {
        "content": "is",
        "beginOffset": 35
      },
      "partOfSpeech": {
        "tag": "VERB",
        "mood": "INDICATIVE",
        "number": "SINGULAR",
        "person": "THIRD",
        "tense": "PRESENT",
      },
      "dependencyEdge": {
        "headTokenIndex": 7,
        "label": "ROOT"
      },
      "lemma": "be"
    },
    {
      "text": {
        "content": "fear",
        "beginOffset": 38
      },
      "partOfSpeech": {
        "tag": "NOUN",
        "number": "SINGULAR",
      },
      "dependencyEdge": {
        "headTokenIndex": 7,
        "label": "ATTR"
      },
      "lemma": "fear"
    },
    {
      "text": {
        "content": "itself",
        "beginOffset": 43
      },
      "partOfSpeech": {
        "tag": "PRON",
        "case": "ACCUSATIVE",
        "gender": "NEUTER",
        "number": "SINGULAR",
        "person": "THIRD",
      },
      "dependencyEdge": {
        "headTokenIndex": 8,
        "label": "NN"
      },
      "lemma": "itself"
    },
    {
      "text": {
        "content": ".",
        "beginOffset": 49
      },
      "partOfSpeech": {
        "tag": "PRON",
        "case": "ACCUSATIVE",
        "gender": "NEUTER",
        "number": "SINGULAR",
        "person": "THIRD",
      },
      "dependencyEdge": {
        "headTokenIndex": 8,
        "label": "NN"
      },
      "lemma": "itself"
    },
    {
      "text": {
        "content": ".",
        "beginOffset": 49
      },
      "partOfSpeech": {
        "tag": "PUNCT",
      },
      "dependencyEdge": {
        "headTokenIndex": 7,
        "label": "P"
      },
      "lemma": "."
    }
  ],

Classificazione dei contenuti

Puoi chiedere all'API Natural Language di analizzare un documento e restituire un elenco di categorie di contenuti applicabili al testo trovato nel documento. Per classificare i contenuti di un documento, chiama il metodo classifyText.

Qui puoi trovare un elenco completo delle categorie di contenuti restituite per il metodo classifyText.

L'API Natural Language filtra le categorie restituite dal metodo classifyText per includere solo le categorie più pertinenti per una richiesta. Ad esempio, se /Science e /Science/Astronomy si applicano entrambi a un documento, viene restituita solo la categoria /Science/Astronomy, in quanto è il risultato più specifico.

Per un esempio di classificazione dei contenuti con l'API Natural Language, consulta Classificare i contenuti.

Esecuzione di più operazioni in un'unica richiesta

Se vuoi eseguire un insieme di operazioni di Natural Language all'interno di una singola chiamata al metodo, puoi utilizzare annotateTextcome richiesta dell'API Natural Language per uso generale. Una richiesta JSON di annotazione del testo è simile a una richiesta di analisi delle entità standard, ma richiede anche un insieme di funzionalità trasmesse per indicare le operazioni da eseguire sul testo. Queste funzionalità sono elencate di seguito:

  • extractDocumentSentiment esegue l'analisi del sentiment, come descritto nella sezione Analisi del sentiment.
  • extractEntities esegue l'analisi delle entità, come descritto nella sezione Analisi delle entità.
  • extractSyntax indica che il testo specificato deve essere elaborato per eseguire un'analisi sintattica, come descritto nella sezione Analisi sintattica.

La seguente richiesta chiama l'API per annotare features in una breve frase.

{
  "document":{
    "type":"PLAIN_TEXT",
    "content":"The windy, cold weather was unbearable this winter."
  },
  "features":{
    "extractSyntax":true,
    "extractEntities":true,
    "extractDocumentSentiment":true
  },
  "encodingType":"UTF8"
}