Mit ML Kit für Android intelligente Antworten erstellen

Mit dem ML Kit können mithilfe eines On-Device-Modells kurze Antworten auf Nachrichten generiert werden.

Um intelligente Antworten zu generieren, übergeben Sie ML Kit ein Log der letzten Nachrichten in einer Unterhaltung. Wenn das ML Kit feststellt, dass die Unterhaltung auf Englisch erfolgt, und dass es kein potenziell sensibles Thema gibt, werden in ML Kit bis zu drei Antworten generiert, die Sie dem Nutzer vorschlagen können.

Es gibt zwei Möglichkeiten, die intelligente Antwortgenerierung zu integrieren: durch Bündeln des Modells als Teil Ihrer App oder durch die Verwendung eines entbündelten Modells, das von den Google Play-Diensten abhängig ist. Wenn Sie das entbündelte Modell auswählen, ist Ihre App kleiner. Weitere Details finden Sie in der nachfolgenden Tabelle.

GebündeltNicht gebündelt
Name der Bibliothekcom.google.mlkit:smart-replycom.google.android.gms:play-services-mlkit-smart-reply
ImplementierungDas Modell ist bei der Erstellung statisch mit Ihrer App verknüpft.Das Modell wird dynamisch über die Google Play-Dienste heruntergeladen.
Auswirkungen der App-GrößeCa. 5,7 MBCa. 200 KB
InitialisierungszeitDas Modell ist sofort verfügbar.Möglicherweise müssen Sie warten, bis das Modell heruntergeladen wurde.
  • Probieren Sie die Beispiel-App aus, um sich ein Anwendungsbeispiel dieser API anzusehen.

Hinweis

  1. Achten Sie darauf, dass Sie in Ihrer build.gradle-Datei auf Projektebene das Maven-Repository von Google in die Abschnitte buildscript und allprojects aufnehmen.

  2. Fügen Sie die Abhängigkeiten für die ML Kit-Android-Bibliotheken in die Gradle-Datei des Moduls auf App-Ebene ein. Diese ist normalerweise app/build.gradle. Wählen Sie je nach Ihren Anforderungen eine der folgenden Abhängigkeiten aus:

    • So bündeln Sie das Modell mit Ihrer App:
    dependencies {
      // ...
      // Use this dependency to bundle the model with your app
      implementation 'com.google.mlkit:smart-reply:17.0.2'
    }
    
    • So verwenden Sie das Modell in den Google Play-Diensten:
    dependencies {
      // ...
      // Use this dependency to use the dynamically downloaded model in Google Play Services
      implementation 'com.google.android.gms:play-services-mlkit-smart-reply:16.0.0-beta1'
    }
    

    Wenn Sie das Modell in den Google Play-Diensten verwenden, können Sie Ihre App so konfigurieren, dass das Modell automatisch auf das Gerät heruntergeladen wird, nachdem es aus dem Play Store installiert wurde. Fügen Sie der Datei AndroidManifest.xml Ihrer Anwendung die folgende Deklaration hinzu:

    <application ...>
          ...
          <meta-data
              android:name="com.google.mlkit.vision.DEPENDENCIES"
              android:value="smart_reply" >
          <!-- To use multiple models: android:value="smart_reply,model2,model3" -->
    </application>
    

    Sie können die Modellverfügbarkeit auch explizit überprüfen und den Download über die ModuleInstallClient API der Google Play-Dienste anfordern.

    Wenn Sie das Herunterladen von Modellen während der Installation nicht aktivieren oder einen expliziten Download anfordern, wird das Modell beim ersten Ausführen des intelligenten Antwortgenerators heruntergeladen. Anfragen, die Sie vor Abschluss des Downloads senden, führen zu keinem Ergebnis.

    1. Unterhaltungsverlaufsobjekt erstellen

    Um intelligente Antworten zu generieren, übergeben Sie ML Kit ein chronologisch geordnetes List von TextMessage-Objekten, wobei der früheste Zeitstempel zuerst steht.

    Wenn der Nutzer eine Nachricht sendet, fügen Sie dem Unterhaltungsverlauf die Nachricht und ihren Zeitstempel hinzu:

    Kotlin

    conversation.add(TextMessage.createForLocalUser(
            "heading out now", System.currentTimeMillis()))

    Java

    conversation.add(TextMessage.createForLocalUser(
            "heading out now", System.currentTimeMillis()));

    Wenn der Nutzer eine Nachricht erhält, fügen Sie dem Unterhaltungsverlauf die Nachricht, ihren Zeitstempel und die Nutzer-ID des Absenders hinzu. Die User-ID kann ein beliebiger String sein, mit dem der Absender in der Unterhaltung eindeutig identifiziert wird. Die User-ID muss nicht mit den Nutzerdaten übereinstimmen und die User-ID muss bei Unterhaltungen oder Aufrufen des intelligenten Antwortgenerators nicht einheitlich sein.

    Kotlin

    conversation.add(TextMessage.createForRemoteUser(
            "Are you coming back soon?", System.currentTimeMillis(), userId))

    Java

    conversation.add(TextMessage.createForRemoteUser(
            "Are you coming back soon?", System.currentTimeMillis(), userId));

    Ein Objekt für den Unterhaltungsverlauf sieht so aus:

    Zeitstempel Nutzer-ID isLocalNutzer die Botschaft und
    Do., 21. Feb., 13:13:39 Uhr PST 2019 true bist du unterwegs?
    Do., 21. Feb., 13:15:03 Uhr PST 2019 FREUND0 false Tut mir leid, ich verspäte mich!

    ML Kit schlägt Antworten auf die letzte Nachricht in einem Unterhaltungsverlauf vor. Die letzte Nachricht sollte von einem nicht lokalen Nutzer stammen. Im Beispiel oben stammt die letzte Nachricht in der Unterhaltung vom nicht lokalen Nutzer friend0. Wenn Sie ML Kit in diesem Log verwenden, werden Antworten auf die Nachricht von PERSONO vorgeschlagen: „Du verspätst!“

    2. Antworten auf Nachrichten erhalten

    Um intelligente Antworten auf eine Nachricht zu generieren, rufen Sie eine Instanz von SmartReplyGenerator ab und übergeben Sie den Unterhaltungsverlauf an die Methode suggestReplies():

    Kotlin

    val smartReplyGenerator = SmartReply.getClient()
    smartReply.suggestReplies(conversation)
            .addOnSuccessListener { result ->
                if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {
                    // The conversation's language isn't supported, so
                    // the result doesn't contain any suggestions.
                } else if (result.getStatus() == SmartReplySuggestionResult.STATUS_SUCCESS) {
                    // Task completed successfully
                    // ...
                }
            }
            .addOnFailureListener {
                // Task failed with an exception
                // ...
            }

    Java

    SmartReplyGenerator smartReply = SmartReply.getClient();
    smartReply.suggestReplies(conversation)
            .addOnSuccessListener(new OnSuccessListener() {
                @Override
                public void onSuccess(SmartReplySuggestionResult result) {
                    if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {
                        // The conversation's language isn't supported, so
                        // the result doesn't contain any suggestions.
                    } else if (result.getStatus() == SmartReplySuggestionResult.STATUS_SUCCESS) {
                        // Task completed successfully
                        // ...
                    }
                }
            })
            .addOnFailureListener(new OnFailureListener() {
                @Override
                public void onFailure(@NonNull Exception e) {
                    // Task failed with an exception
                    // ...
                }
            });

    Wenn der Vorgang erfolgreich ist, wird ein SmartReplySuggestionResult-Objekt an den Erfolgs-Handler übergeben. Dieses Objekt enthält eine Liste mit bis zu drei Antwortvorschlägen, die Sie Ihren Nutzern präsentieren können:

    Kotlin

    for (suggestion in result.suggestions) {
        val replyText = suggestion.text
    }

    Java

    for (SmartReplySuggestion suggestion : result.getSuggestions()) {
        String replyText = suggestion.getText();
    }

    Beachten Sie, dass das ML Kit möglicherweise keine Ergebnisse zurückgibt, wenn das Modell nicht sicher ist, wie die vorgeschlagenen Antworten sind, die Eingabeunterhaltung nicht auf Englisch ist oder das Modell sensible Themen erkennt.