Tekstuele requestgegevens afhandelen
Een andere vereiste in het moderatiesysteem voor content is dat de sentimenten van gebruikersreacties worden meegenomen. Het systeem moet specifieke problematische uitdrukkingen herkennen om moderators te helpen mogelijk ongepaste content te beoordelen.
Je maakt een endpoint dat tekst van gebruikers analyseert en gestandaardiseerde moderatievlaggen extraheert.
Deze oefening maakt deel uit van de cursus
AI in productie brengen met FastAPI
Oefeninstructies
- Zet de inkomende tekst om naar kleine letters in de functie
analyze_comment()zodat het niet hoofdlettergevoelig is. - Haal probleem-zoekwoorden op in
found_issuesuit de verwerkte tekst met behulp van de lijstproblem_keywords. - Geef een JSON-response terug met de volgende keys:
issues(lijst met zoekwoorden),issue_count(geheel getal) en deoriginal_text(tekenreeks).
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
@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
}