用自然语言处理分析我自己的谈话记录
用自然语言处理分析我自己的谈话记录
作为一名演讲者，观看我演讲的视频是不断提高的重要部分(尽管我承认这非常痛苦)。但是在我自己的演讲中运行自然语言处理(NLP)怎么样呢？
因为我们的 Google Cloud 下一次会议快到了，我想通过自然语言 API 发送文字记录来看看我去年在同一次会议上的演讲会很有趣。我想看看情绪、实体和语言趋势。
我的谈话有多积极？
我的演讲是 37 分钟，532 句话。我使用 YouTube 提供的字幕提取了文本，您可以在您的视频上单击“更多”>“抄本”获得:
由于这是一个技术演讲，我不期望情绪太强烈，但我想看看 NL API 在分析它时的表现。这是一个直方图，显示了我演讲中的句子数量和它们的情感分数。分数是一个从-1 到 1 的数字，表示一个句子是肯定的还是否定的:
这大概是我对科技演讲的预期——大部分句子接近中性情绪，稍微多一点积极的一面。让我们仔细看看 NL API 中最积极的句子:
基于此，NL API 很好地挑出了积极的句子。看起来我也可以从词库搜索“awesome”中受益。经过进一步的检查，我用了 179 次“so”这个词——哎呀！
我的演讲有多“酷”？
以下是我用过的前 15 个形容词:
这些形容词中的一些是特定于技术的:“真实”与“实时”搭配，“新”是指创建一个新的 Firebase 实例，等等。其他形容词肯定可以代表一些变化:“酷”、“简单”和“棒极了”。
我讲了哪些话题？
关于 NL API 的实体分析，一个有趣的事情是，即使它们不是专有名词，也没有维基百科的 URL，它也会提取实体。以下是我演讲中的 15 大实体:
从这个简短的列表中，我们可以很好地概括我的演讲内容。它关注于Firebase(‘数据’，‘应用’，‘数据库’，‘用户’，‘安全规则’)。还有一个机器人演示使用了云视觉 API 。想象一下，如果我在一个数据库中存储了数千份谈话记录，这种元数据会非常有用。
NL API 还能够从我的演讲中提取专有名词实体，并找到正确的维基百科页面，总共有 30 个:
除了一个(UID)之外，API 能够找到与该实体相关联的正确的维基百科页面。令我印象特别深刻的是，它分别提到了泰勒·斯威夫特(歌手)和斯威夫特(编程语言)。
下一步是什么
虽然有点尴尬，但这个 NLP 分析对我如何提高演讲水平很有帮助。为了对你的演讲进行分析，从 YouTube 上获取文字记录，并查看 NL API 快速入门指南。
如果你想亲自了解更多关于 NL API 和谷歌云平台的其他部分，我们的 谷歌下一次会议 将于今年 3 月在旧金山举行。以下是我最感兴趣的演讲:
- 谷歌云机器学习简介
- BigQuery 和 Cloud ML:推进大规模神经网络预测
- Auto-awesome:谷歌云平台上的高级数据科学
- [谷歌云公共数据集计划:共享和分析大规模全球数据集](http://Google Cloud Public Datasets Program: Share and analyze large-scale global datasets)
- 使用 Firebase 和谷歌云平台实时编写无服务器应用
我也会在谷歌云的机器学习 API 上做演讲。如果你会去的话，打个招呼(即使你只是想数一下我用‘so’这个词的次数)。
对这个 NL 分析有什么想法或者对 Google Next 有什么问题吗？在推特上找到我 @SRobTweets 。
