پاسخ‌های هوشمند با ML Kit در Android ایجاد کنید

ML Kit می‌تواند با استفاده از مدل روی دستگاه، پاسخ‌های کوتاهی به پیام‌ها ایجاد کند.

برای ایجاد پاسخ‌های هوشمند، فهرستی از پیام‌های اخیر را در یک مکالمه به ML Kit ارسال می‌کنید. اگر ML Kit تشخیص دهد که مکالمه به زبان انگلیسی است و مکالمه دارای موضوع بالقوه حساس نیست، ML Kit حداکثر سه پاسخ ایجاد می کند که می توانید آنها را به کاربر خود پیشنهاد دهید.

همراه تفکیک شده
نام کتابخانه com.google.mlkit:smart-reply com.google.android.gms:play-services-mlkit-smart-reply
پیاده سازی مدل به طور ایستا به برنامه شما در زمان ساخت پیوند داده می شود. مدل به صورت پویا از طریق خدمات Google Play دانلود می شود.
تاثیر اندازه برنامه حدود 5.7 مگابایت افزایش حجم. افزایش حجم حدود 200 کیلوبایت
زمان اولیه سازی مدل فورا موجود است ممکن است قبل از اولین استفاده باید منتظر بمانید تا مدل دانلود شود.

آن را امتحان کنید

قبل از اینکه شروع کنی

  1. در فایل build.gradle در سطح پروژه خود، مطمئن شوید که مخزن Maven Google را در هر دو بخش buildscript و allprojects خود قرار دهید.

  2. وابستگی های کتابخانه های اندروید ML Kit را به فایل gradle سطح برنامه ماژول خود اضافه کنید، که معمولا app/build.gradle است. یکی از وابستگی های زیر را بر اساس نیاز خود انتخاب کنید:

    • برای بسته‌بندی مدل با برنامه‌تان:
    dependencies {
      // ...
      // Use this dependency to bundle the model with your app
      implementation 'com.google.mlkit:smart-reply:17.0.2'
    }
    
    • برای استفاده از مدل در خدمات 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'
    }
    

    اگر انتخاب کردید که از مدل در سرویس‌های Google Play استفاده کنید، می‌توانید برنامه خود را طوری پیکربندی کنید که پس از نصب برنامه از فروشگاه Play، مدل را به‌طور خودکار در دستگاه دانلود کنید. با افزودن اعلان زیر به فایل AndroidManifest.xml برنامه خود:

    <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>
    

    همچنین می‌توانید صریحاً در دسترس بودن مدل را بررسی کنید و از طریق سرویس‌های Google Play ModuleInstallClient API درخواست دانلود کنید.

    اگر دانلودهای مدل زمان نصب را فعال نکنید یا دانلود صریح درخواست نکنید، اولین باری که مولد پاسخ هوشمند را اجرا می‌کنید، مدل دانلود می‌شود. درخواست‌هایی که قبل از تکمیل دانلود ارائه می‌کنید، نتیجه‌ای ندارند.

    1. یک شی تاریخچه مکالمه ایجاد کنید

    برای ایجاد پاسخ‌های هوشمند، List از اشیاء TextMessage را با ترتیب زمانی به ML Kit ارسال می‌کنید که ابتدا اولین مُهر زمانی را به همراه دارد.

    هر زمان که کاربر پیامی ارسال کرد، پیام و مهر زمانی آن را به تاریخچه مکالمه اضافه کنید:

    کاتلین

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

    جاوا

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

    هر زمان که کاربر پیامی دریافت کرد، پیام، مهر زمانی و شناسه کاربری فرستنده را به تاریخچه مکالمه اضافه کنید. شناسه کاربر می‌تواند هر رشته‌ای باشد که به طور منحصربه‌فرد فرستنده را در مکالمه شناسایی می‌کند. شناسه کاربر نیازی به مطابقت با هیچ داده کاربری ندارد، و شناسه کاربری لازم نیست بین مکالمه یا فراخوانی تولید کننده پاسخ هوشمند سازگار باشد.

    کاتلین

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

    جاوا

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

    یک شی تاریخچه مکالمه مانند مثال زیر است:

    مهر زمان شناسه کاربری isLocalUser است پیام
    پنجشنبه 21 فوریه 13:13:39 PST 2019 درست است، واقعی در راه هستی؟
    پنجشنبه 21 فوریه 13:15:03 PST 2019 FRIEND0 نادرست دیر آمدم، ببخشید!

    ML Kit پاسخ به آخرین پیام در تاریخچه مکالمه را پیشنهاد می کند. آخرین پیام باید از یک کاربر غیر محلی باشد. در مثال بالا، آخرین پیام در مکالمه از طرف کاربر غیر محلی FRIEND0 است. وقتی از pass ML Kit این گزارش استفاده می‌کنید، پاسخ‌هایی را به پیام FRIENDO پیشنهاد می‌کند: "دیر اجرا شد، متاسفم!"

    2. پاسخ پیام را دریافت کنید

    برای ایجاد پاسخ‌های هوشمند به یک پیام، نمونه‌ای از SmartReplyGenerator را دریافت کنید و تاریخچه مکالمه را به suggestReplies() آن ارسال کنید:

    کاتلین

    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
                // ...
            }

    جاوا

    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
                    // ...
                }
            });

    اگر عملیات با موفقیت انجام شود، یک شی SmartReplySuggestionResult به کنترل کننده موفقیت ارسال می شود. این شی حاوی لیستی از حداکثر سه پاسخ پیشنهادی است که می توانید به کاربر خود ارائه دهید:

    کاتلین

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

    جاوا

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

    توجه داشته باشید که اگر مدل از مرتبط بودن پاسخ‌های پیشنهادی مطمئن نباشد، مکالمه ورودی به زبان انگلیسی نباشد، یا اگر مدل موضوع حساس را تشخیص دهد، ممکن است ML Kit نتایج را برگرداند.