Gör attitydanalys med Azure Stream Analytics och Machine Learning Studio (klassisk)

Den här artikeln visar hur du ställer in ett enkelt Azure Stream Analytics-jobb som använder Machine Learning Studio (klassisk) för attitydanalys. Du använder en Studio-modell (klassisk) attitydanalys från Cortana Intelligence Gallery för att analysera strömmande textdata och fastställa attitydpoängen.

Du kan använda det du lär dig i den här artikeln för scenarier som dessa:

• Analysera realtidssentiment på strömmande Twitter-data.
• Analysera poster för kundchattar med supportpersonal.
• Utvärdera kommentarer på forum, bloggar och videor.
• Många andra scenarier för förutsägelsebedömning i realtid.

Streaming Analytics-jobbet som du skapar tillämpar attitydanalysmodellen som en användardefinierad funktion (UDF) på exempeltextdata från bloblagringen. Utdata (resultatet av attitydanalysen) skrivs till samma bloblagring i en annan CSV-fil.

Förutsättningar

Se till att du har följande innan du börjar:

• En aktiv Azure-prenumeration.

• En CSV-fil med vissa Twitter-data. Du kan ladda ned en exempelfil GitHub, eller så kan du skapa en egen fil. I ett verkligt scenario skulle du få data direkt från en Twitter-dataström.

Skapa en lagringscontainer och ladda upp CSV-indatafilen

I det här steget laddar du upp en CSV-fil till lagringscontainern.

1. I den Azure Portal väljer du Skapa en resurs Storage Storage > > konto.

2. Fyll i fliken Grundläggande med följande information och lämna standardvärdena för återstående fält:

   Fält	Värde
   Prenumeration	Välj din prenumeration.
   Resursgrupp	Välj din resursgrupp.
   Lagringskontonamn	Ange ett namn för lagringskontot. Namnet måste vara unikt i Azure.
   Location	Välj en plats. Alla resurser ska använda samma plats.
   Typ av konto	BlobStorage

   

3. Välj Granska + skapa. Välj sedan Skapa för att distribuera ditt lagringskonto.

4. När distributionen är klar går du till ditt lagringskonto. Välj containrar under Blob Service. Välj sedan + Container för att skapa en ny container.

   

5. Ange ett namn för containern och kontrollera att Offentlig åtkomstnivå är inställd på Privat. När du är färdig väljer du Skapa.

   

6. Gå till den nyligen skapade containern och välj Upload. Upload den sampleinput.csv som du laddade ned tidigare.

   

Lägga till attitydanalysmodellen från Cortana Intelligence Gallery

Nu när exempeldata finns i en blob kan du aktivera attitydanalysmodellen i Cortana Intelligence Gallery.

1. Gå till modellsidan för förutsägelseanalys i Cortana Intelligence Gallery.

2. Välj Öppna i Studio (klassisk).

   

3. Logga in för att gå till arbetsytan. Välj en plats.

4. Välj Kör längst ned på sidan. Processen körs, vilket tar ungefär en minut.

   

5. När processen har körts väljer du Distribuera webbtjänst längst ned på sidan.

   

6. Om du vill verifiera att sentimentanalysmodellen är redo att användas väljer du knappen Test. Ange textinmatning som "Jag älskar Microsoft".

   

   Om testet fungerar visas ett resultat som liknar följande exempel:

   

7. I kolumnen Appar väljer du länken Excel 2010 eller tidigare arbetsbok för att ladda ned en Excel arbetsbok. Arbetsboken innehåller API-nyckeln och den URL som du behöver senare för att konfigurera Stream Analytics jobbet.

   

Skapa ett Stream Analytics som använder Studio-modellen (klassisk)

Nu kan du skapa ett Stream Analytics-jobb som läser exempel-tweetsen från CSV-filen i Blob Storage.

Skapa jobbet

Gå till Azure Portal och skapa ett Stream Analytics jobb. Om du inte är bekant med den här processen kan du gå till Skapa Stream Analytics jobb med hjälp av Azure Portal.

Konfigurera jobbindata

Jobbet hämtar sina indata från CSV-filen som du laddade upp tidigare till Blob Storage.

1. Gå till Stream Analytics-jobbet. Under Jobbtopologi väljer du alternativet Indata. Välj Add Stream Input Blob storage (Lägg till Blob-lagring för Stream-indata). >

2. Fyll i Storage med följande värden:

   Fält	Värde
   Inmatat alias	Ge dina indata ett namn. Kom ihåg det här aliaset när du skriver frågan.
   Prenumeration	Välj din prenumeration.
   Lagringskonto	Välj det lagringskonto som du gjorde i föregående steg.
   Container	Välj den container som du skapade i föregående steg.
   Händelseserialiseringsformat	CSV

3. Välj Spara.

Konfigurera jobbutdata

Jobbet skickar resultat till samma bloblagring där den hämtar indata.

1. Gå till Stream Analytics-jobbet. Under Jobbtopologi väljer du alternativet Utdata. Välj Lägg till Blob > Storage.

2. Fyll i formuläret Blob Storage med följande värden:

   Fält	Värde
   Inmatat alias	Ge dina indata ett namn. Kom ihåg det här aliaset när du skriver frågan.
   Prenumeration	Välj din prenumeration.
   Lagringskonto	Välj det lagringskonto som du gjorde i föregående steg.
   Container	Välj den container som du skapade i föregående steg.
   Händelseserialiseringsformat	CSV

3. Välj Spara.

Lägga till studiofunktionen (klassisk)

Tidigare publicerade du en Studio-modell (klassisk) till en webbtjänst. I det här scenariot, när Stream Analysis-jobbet körs, skickar det varje exempel-tweet från indata till webbtjänsten för attitydanalys. Studio-webbtjänsten (klassisk) returnerar en attityd ( positive , eller ) och en sannolikhet för att neutral negative tweeten är positiv.

I det här avsnittet definierar du en funktion i Stream Analysis-jobbet. Funktionen kan anropas för att skicka en tweet till webbtjänsten och få svaret tillbaka.

1. Kontrollera att du har webbtjänstens URL och API-nyckel som du laddade ned tidigare i Excel arbetsboken.

2. Gå till Stream Analytics-jobbet. Välj sedan Functions > + Add Azure ML Studio (Funktioner + > Lägg till Azure ML Studio)

3. Fyll i Azure Machine Learning funktionsformuläret med följande värden:

   Fält	Värde
   Funktionsalias	Använd namnet och sentiment välj Ange Azure Machine Learning för funktionen manuellt, vilket ger dig möjlighet att ange URL:en och nyckeln.
   URL	Klistra in webbtjänstens URL.
   Nyckel	Klistra in API-nyckeln.

4. välj Spara.

Skapa en fråga för att transformera data

Stream Analytics använder en deklarativ, SQL-baserad fråga för att undersöka indata och bearbeta dem. I det här avsnittet skapar du en fråga som läser varje tweet från indata och sedan anropar studiofunktionen (klassisk) för att utföra attitydanalys. Frågan skickar sedan resultatet till de utdata som du har definierat (bloblagring).

1. Gå tillbaka till Stream Analytics jobböversikten.

2. Under Jobbtopologi väljer du Fråga.

3. Ange följande fråga:

   WITH sentiment AS (  
   SELECT text, sentiment1(text) as result 
   FROM <input>  
   )  
   
   SELECT text, result.[Score]  
   INTO <output>
   FROM sentiment  
   

   Frågan anropar funktionen som du skapade tidigare ( sentiment ) för att utföra attitydanalys på varje tweet i indata.

4. Välj Spara för att spara frågan.

Starta Stream Analytics-jobbet och kontrollera utdata

Nu kan du starta Stream Analytics jobbet.

Starta jobbet

1. Gå tillbaka till Stream Analytics jobböversikten.

2. välj Start överst på sidan.

3. I Starta jobb väljer du Anpassad och väljer sedan en dag innan du överförde CSV-filen till bloblagringen. När du är klar väljer du Starta.

Kontrollera utdata

1. Låt jobbet köras i några minuter tills du ser aktiviteten i rutan Övervakning.

2. Om du har ett verktyg som du normalt använder för att undersöka innehållet i bloblagringen kan du använda det verktyget för att undersöka containern. Du kan också göra följande i Azure Portal:

   1. I Azure Portal du ditt lagringskonto och i kontot hittar du containern. Du ser två filer i containern: filen som innehåller exempel-tweets och en CSV-fil som genereras av Stream Analytics jobbet.
   2. Högerklicka på den genererade filen och välj sedan Ladda ned.

3. Öppna den genererade CSV-filen. Du ser något som liknar följande exempel:

   

Visa mått

Du kan också visa funktionsrelaterade mått i Studio (klassisk). Följande funktionsrelaterade mått visas i rutan Övervakning i jobböversikten:

• Funktionsbegäranden anger antalet begäranden som skickas till en Studio-webbtjänst (klassisk).
• Funktionshändelser anger antalet händelser i begäran. Som standard innehåller varje begäran till en Studio-webbtjänst (klassisk) upp till 1 000 händelser.

Nästa steg

• Introduktion till Azure Stream Analytics
• Referens för Azure Stream Analytics-frågespråket
• Integrera REST API och Machine Learning Studio (klassisk)
• Referens för Azure Stream Analytics Management REST-API:et