在不断扩展的数字环境中,培养健康和包容的在线社区是首要任务。评论清理API作为一种强大的解决方案,提供用户必要的工具来有效识别和减轻有毒评论。这个创新的API利用先进的机器学习算法,通过标记和管理有害内容来创建一个更安全的在线环境。
评论清理API是平台管理员、内容审核员和希望实施智能评论审核的用户的强大工具。通过将此API集成到在线论坛、社交媒体平台或任何社区驱动的网站中,管理员可以自动化检测和管理有毒评论的过程,为用户创造一个更安全的空间。
评论清理API的实时功能能够对有害内容立即采取行动。通过检测有毒评论。
评论清理API旨在无缝集成到各种在线平台中。用户可以轻松地将此API纳入其应用程序或网站中,增强审核能力而不改变整体用户体验。该API支持不同的编程语言,使其适应各种技术环境。
总之,评论清理API作为促进积极在线互动的灯塔。通过利用尖端的机器学习技术,此API使平台能够有效对抗有毒内容,创建不仅技术先进而且安全、包容和有利于有意义互动的数字空间。
它将接收参数并提供您一个JSON。
社交媒体平台:集成API以自动检测和审核有毒评论,营造积极和安全的用户环境。
在线论坛:使用API积极审核讨论,确保有毒语言被及时识别和处理。
内容分享平台:通过实施API来识别和解决与共享内容相关的有毒评论,增强内容分享平台。
新闻网站:通过使用API检测和审核有毒评论来保护新闻文章的在线讨论,维护尊重的讨论氛围。
社区驱动的应用:将API集成到社区驱动的应用程序中,以自动化识别和处理用户互动中的有毒语言。
基础计划:2500次API调用。每分钟100次请求。
专业计划:6000次API调用。每分钟150次请求。
专业增强计划:14000次API调用。每分钟250次请求。
要使用此端点,您必须在参数中输入文本
文本审核 - 端点功能
| 对象 | 描述 |
|---|---|
text |
[必需] |
[{"label":"toxic","score":0.0508943572640419},{"label":"obscene","score":0.0012038719141855836},{"label":"insult","score":0.0008151644724421203},{"label":"threat","score":0.0006429915083572268},{"label":"identity_hate","score":0.000581100583076477},{"label":"severe_toxic","score":0.00019787249038927257}]
curl --location --request GET 'https://zylalabs.com/api/2980/comment+cleanse+api/3139/text+moderation?text=I hate traveling to places that are far away' --header 'Authorization: Bearer YOUR_API_KEY'
| 标头 | 描述 |
|---|---|
授权
|
[必需] 应为 Bearer access_key. 订阅后,请查看上方的"您的 API 访问密钥"。 |
无长期承诺。随时升级、降级或取消。 免费试用包括最多 50 个请求。
使用此API时,用户必须输入文本以验证该文本是否具有冒犯性
评论清理API是一个强大的工具,旨在识别和管理数字内容中的有害评论
有不同的计划适合每个人,包括针对少量请求的免费试用,但它的速率有限制以防止滥用服务
Zyla提供了几乎所有编程语言的多种集成方法。您可以根据需要使用这些代码与您的项目集成
文本审查端点返回一个 JSON 对象,包含标签和分数,指示输入文本中各种类型的有害内容的存在。每个标签代表一种特定类别的有害内容,如“有毒”、“淫秽”或“侮辱”,以及一个对应的分数,用于量化该标签适用的可能性
响应数据中的关键字段包括“标签”,用于标识毒性类型,以及“分数”,表示分类的置信度。例如,响应可能显示“标签”为“有毒”,而“分数”为0.05,表明毒性的可能性较低
响应数据被组织为对象数组,其中每个对象包含一个“标签”和一个“分数”。这种结构使用户能够轻松解析和解释单个 API 调用中多个毒性类别的结果
文本审核端点的主要参数是输入的“文本”,必须提供以供分析 用户可以通过改变文本内容来自定义请求,以评估不同评论或消息的有毒性
用户可以通过分析与每个标签相关的分数来利用返回的数据,以确定评论中的毒性严重程度。例如,对“严重毒性”的高分可能会促使立即采取审查措施,而较低的分数可以用来指导不那么紧急的响应
文本审核数据的典型用例包括审核社交媒体上的评论 过滤在线论坛中的讨论 确保新闻网站上的尊重交流 该API通过识别有害语言帮助维护积极环境
数据准确性通过先进的机器学习算法得以维护,这些算法不断在多样化的数据集上进行训练 定期更新和质量检查确保API适应不断变化的语言模式并有效识别有害评论
标准数据模式包括不同标签之间的分数差异,表明单条评论中存在多种毒性类型。用户可以期待看到低分和高分的混合,反映用户生成内容中语言和上下文的复杂性
服务级别:
100%
响应时间:
6,917ms
服务级别:
100%
响应时间:
11,153ms
服务级别:
100%
响应时间:
3,940ms
服务级别:
100%
响应时间:
1,215ms
服务级别:
100%
响应时间:
6,292ms
服务级别:
100%
响应时间:
346ms
服务级别:
100%
响应时间:
6,100ms
服务级别:
100%
响应时间:
4,711ms
服务级别:
100%
响应时间:
8,636ms
服务级别:
100%
响应时间:
524ms
服务级别:
100%
响应时间:
835ms
服务级别:
100%
响应时间:
1,347ms
服务级别:
100%
响应时间:
1,185ms
服务级别:
100%
响应时间:
1,900ms
服务级别:
100%
响应时间:
5,411ms
服务级别:
67%
响应时间:
209ms
服务级别:
100%
响应时间:
2,212ms
服务级别:
100%
响应时间:
2,010ms
服务级别:
100%
响应时间:
532ms
服务级别:
100%
响应时间:
509ms