Traiter des données de requête textuelles
Une autre exigence du système de modération de contenu est de tenir compte du sentiment des commentaires des utilisateurs. Le système doit repérer des expressions problématiques précises pour aider les modérateurs à examiner le contenu potentiellement inapproprié.
Vous allez créer un point de terminaison qui analyse le texte fourni par les utilisateurs et extrait des indicateurs de modération normalisés.
Cette activité fait partie du cours
Déployer l'IA en production avec FastAPI
Instructions de l’exercice
- Convertissez le texte entrant en minuscules dans la fonction
analyze_comment()pour le rendre insensible à la casse. - Extrayez les mots-clés problématiques dans
found_issuesà partir du texte traité en utilisant la listeproblem_keywords. - Retournez une réponse JSON avec les clés suivantes :
issues(liste de mots-clés),issue_count(entier) etoriginal_text(chaîne de caractères).
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
@app.post("/analyze_comment")
def analyze_comment(text: str):
problem_keywords = ["spam", "hate", "offensive", "abuse"]
# Convert the input text to lowercase
text_lower = ____
# Extract matching flags using list comprehension
found_issues = [____ for ____ in problem_keywords if keyword in text_lower]
# Return the dictionary with required keys
return {
"____": found_issues,
"____": len(found_issues),
"____": text
}