สร้างสมาร์ทรีพลายด้วย ML Kit บน Android

ML Kit สามารถสร้างข้อความตอบกลับสั้นๆ โดยใช้โมเดลในอุปกรณ์

หากต้องการสร้างสมาร์ทรีพลาย คุณจะต้องส่งบันทึกข้อความล่าสุดใน ML Kit ไปยัง การสนทนา ถ้า ML Kit ระบุว่าการสนทนาเป็นภาษาอังกฤษ การสนทนาไม่มีเรื่องที่อาจมีความละเอียดอ่อน ML Kit จะสร้างคำตอบสูงสุด 3 คำตอบ ซึ่งคุณสามารถแนะนำให้ผู้ใช้ได้

รวมกลุ่มไม่ได้จัดกลุ่ม
ชื่อไลบรารีcom.google.mlkit:smart-replycom.google.android.gms:play-services-mlkit-smart-reply
การใช้งานโมเดลลิงก์กับแอปของคุณแบบคงที่ ณ เวลาบิลด์โมเดลจะดาวน์โหลดแบบไดนามิกผ่านบริการ Google Play
ผลกระทบของขนาดแอปขนาดเพิ่มขึ้นประมาณ 5.7 MBขนาดที่เพิ่มขึ้นประมาณ 200 KB
เวลาในการเริ่มต้นโมเดลจะพร้อมใช้งานทันทีอาจต้องรอให้โมเดลดาวน์โหลดก่อนใช้งานครั้งแรก

ลองเลย

ก่อนเริ่มต้น

  1. ในไฟล์ build.gradle ระดับโปรเจ็กต์ ตรวจสอบว่าได้รวม ที่เก็บ Maven ทั้งในส่วน buildscript และ allprojects

  2. เพิ่มทรัพยากร Dependency สำหรับไลบรารี ML Kit Android ลงในโมดูล ไฟล์ Gradle ระดับแอป ซึ่งมักจะเป็น app/build.gradle เลือก 1 ตัวเลือก ทรัพยากร Dependency ต่อไปนี้ตามความต้องการของคุณ

    • วิธีการรวมโมเดลกับแอปมีดังนี้
    dependencies {
  // ...
  // Use this dependency to bundle the model with your app
  implementation 'com.google.mlkit:smart-reply:17.0.3'
}
    • วิธีใช้โมเดลในบริการ Google Play
    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'
}

    หากเลือกใช้รูปแบบดังกล่าวในบริการ Google Play คุณจะกำหนดค่า แอปของคุณเพื่อดาวน์โหลดโมเดลไปยังอุปกรณ์โดยอัตโนมัติหลังจากที่แอป ที่ติดตั้งจาก Play Store โดยเพิ่มประกาศต่อไปนี้ลงใน ไฟล์ AndroidManifest.xml ของแอป:

    <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>

    คุณยังสามารถตรวจสอบความพร้อมใช้งานของโมเดลอย่างชัดเจนและขอดาวน์โหลดผ่าน ModuleInstallClient API ของบริการ Google Play

    หากคุณไม่เปิดใช้การดาวน์โหลดโมเดลเวลาติดตั้งหรือขอการดาวน์โหลดอย่างชัดแจ้ง ระบบจะดาวน์โหลดโมเดลในครั้งแรกที่คุณเรียกใช้โปรแกรมสร้างช่วยตอบ คำขอที่คุณสร้างขึ้นก่อนการดาวน์โหลดเสร็จสมบูรณ์จะไม่สร้างผลลัพธ์ใดๆ

    1. สร้างออบเจ็กต์ประวัติการสนทนา

    หากต้องการสร้างสมาร์ทรีพลาย คุณต้องส่ง List ให้ ML Kit ตามลำดับเวลา จาก TextMessage รายการ โดยมีการประทับเวลาแรกสุดก่อน

    เมื่อใดก็ตามที่ผู้ใช้ส่งข้อความ ให้เพิ่มข้อความและการประทับเวลาของข้อความลงใน ประวัติการสนทนา:

    Kotlin

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

    Java

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

    เมื่อใดก็ตามที่ผู้ใช้ได้รับข้อความ ให้เพิ่มข้อความ การประทับเวลา และ รหัสผู้ใช้ของผู้ส่งไปยังประวัติการสนทนา User-ID อาจเป็นสตริงใดก็ได้ที่ ระบุผู้ส่งในการสนทนาโดยไม่ซ้ำกัน โดยไม่จําเป็นต้องใช้รหัสผู้ใช้ ให้สอดคล้องกับข้อมูลผู้ใช้ และ User-ID ไม่จำเป็นต้องสอดคล้องกัน ระหว่างการสนทนาหรือคำขอของโปรแกรมสร้างสมาร์ทรีพลาย

    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));

    ออบเจ็กต์ประวัติการสนทนามีลักษณะดังตัวอย่างต่อไปนี้

    การประทับเวลา userID isLocalUser ข้อความ
    พฤ. 21 ก.พ. 13:13:39 PST 2019 จริง คุณกำลังเดินทางหรือเปล่า
    พฤ. 21 ก.พ. 13:15:03 น. PST 2019 FRIEND0 เท็จ ขออภัยในความไม่สะดวก

    ML Kit แนะนำการตอบกลับข้อความสุดท้ายในประวัติการสนทนา ข้อความสุดท้าย ควรมาจากผู้ใช้ที่ไม่ได้อยู่ในท้องถิ่น ในตัวอย่างข้างต้น ข้อความสุดท้ายในการสนทนา มาจาก FRIEND0 ที่ไม่ใช่ผู้ใช้ท้องถิ่น เมื่อใช้บันทึก ML Kit นี้จะแนะนำ ตอบกลับข้อความของ FRIENDO: "ไปสายแล้ว ขอโทษนะ"

    2. รับข้อความตอบกลับ

    หากต้องการสร้างฟีเจอร์ช่วยตอบข้อความ ให้รับอินสแตนซ์ SmartReplyGenerator และส่งประวัติการสนทนาไปยังเมธอด 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
                // ...
            }
        });

    หากการดำเนินการสำเร็จ ระบบจะส่งออบเจ็กต์ SmartReplySuggestionResult ไปยัง เครื่องจัดการความสำเร็จ ออบเจ็กต์นี้มีการตอบกลับที่แนะนำไม่เกิน 3 รายการ ซึ่งสามารถนำเสนอแก่ผู้ใช้ได้

    Kotlin

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

    Java

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

    โปรดทราบว่า ML Kit อาจไม่แสดงผลลัพธ์หากโมเดลไม่มั่นใจใน ความเกี่ยวข้องของการตอบกลับที่แนะนำ การสนทนาที่เป็นอินพุตไม่ได้อยู่ใน ภาษาอังกฤษ หรือหากโมเดลตรวจพบหัวข้อที่มีความละเอียดอ่อน