{"isProfanity":true,"score":0.8,"severity":70,"flaggedFor":["insult"],"language":"en","dialect":"general"}
curl --location --request POST 'https://zylalabs.com/api/11450/text+censorship+data+capture+api/21610/text+analyzer' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"message": "I hate you"
}'
साइन अप करने के बाद, प्रत्येक डेवलपर को एक पर्सनल API एक्सेस की असाइन की जाती है, जो अक्षरों और अंकों का एक यूनिक संयोजन होता है, जिसका उपयोग हमारे API एंडपॉइंट तक पहुंचने के लिए किया जाता है। प्रमाणीकरण के लिए पाठ सेंसरशिप डेटा कैप्चर API के साथ बस अपने बेयरर टोकन को Authorization हेडर में शामिल करें।
| हेडर | विवरण |
|---|---|
Authorization
|
आवश्यक
होना चाहिए Bearer access_key. जब आप सब्सक्राइब हों तो ऊपर "Your API Access Key" देखें।
|
कोई लंबी अवधि की प्रतिबद्धता नहीं। कभी भी अपग्रेड, डाउनग्रेड या कैंसल करें। फ्री ट्रायल में 50 रिक्वेस्ट तक शामिल हैं।
(वार्षिक बिलिंग के साथ 2 महीने बचाएँ 🎉)
अग्रणी कंपनियों का भरोसा
यह एपीआई टेक्स्ट में अपमानजनक भाषा का स्वचालित रूप से पता लगाने के लिए एक उन्नत प्रणाली प्रदान करता है जो अनुपयुक्त शब्दों, insults और संभावित हानिकारक अभिव्यक्तियों की सटीक पहचान की अनुमति देता है। इसका मुख्य उद्देश्य वास्तविक समय में टेक्स्ट का मूल्यांकन करने में मदद करना है, जिससे उपयोगकर्ता-निर्मित सामग्री की सुरक्षा और गुणवत्ता में सुधार होता है। जब एक टेक्स्ट इनपुट के रूप में भेजा जाता है, तो एपीआई एक संरचित विश्लेषण लौटाता है जिसमें कई संकेतक शामिल होते हैं जो संदेश में मौजूद विषाक्तता के स्तर को समझने के लिए आवश्यक होते हैं।
सबसे महत्वपूर्ण गुणों में से एक isProfanity है, जो एक Boolean मान है जो बताता है कि क्या टेक्स्ट में अपमानजनक या अनुपयुक्त भाषा है। यह एक स्कोर भी प्रदान करता है, एक मात्रात्मक मीट्रिक जो बताता है कि टेक्स्ट को अपमानजनक माना जाने की अनुमानित संभावना क्या है। यह मान विशेष रूप से उन वातावरणों में उपयोगी है जहां विभिन्न संदर्भों या दर्शकों के लिए मॉडरेशन थ्रेशोल्ड को समायोजित करने की आवश्यकता होती है।
एपीआई में एक गंभीरता क्षेत्र भी शामिल है, जो पता की गई भाषा की गंभीरता के स्तर को वर्गीकृत करता है। यह वर्गीकरण हल्के मामलों, जैसे कि बोलचाल की अभिव्यक्तियों, और अधिक गंभीर स्थितियों, जैसे कि सीधे अपमान या अत्यधिक विषाक्त भाषा के बीच अंतर करने की अनुमति देता है। स्पष्टता के लिए, प्रतिक्रिया में flaggedFor भी निर्दिष्ट किया गया है, जो श्रेणियों का एक सेट है जो बताता है कि टेक्स्ट को ध्वजांकित करने का सटीक कारण क्या है, जिससे स्वचालित सिस्टम को अधिक सूचित निर्णय लेने की अनुमति मिलती है।
टेक्स्ट विश्लेषक समाप्ति संरचित डेटा लौटाती है जिसमें विश्लेषित टेक्स्ट में आपत्तिजनक भाषा के संकेत शामिल होते हैं मुख्य आउटपुट में यह शामिल है कि क्या टेक्स्ट में अशिष्टता है एक गंभीरता स्कोर एक जोखिम स्कोर ध्वजांकित श्रेणियाँ टेक्स्ट की भाषा और पहचानी गई बोली
प्रतिक्रिया डेटा के प्रमुख क्षेत्र `isProfanity` (बूलियन), `score` (संख्यात्मक), `severity` (संख्यात्मक), `flaggedFor` (श्रेणियों का ऐरे), `language` (स्ट्रिंग), और `dialect` (स्ट्रिंग) हैं ये क्षेत्र पहचान की गई अपमानजनक भाषा की प्रकृति और गंभीरता पर अंतर्दृष्टि प्रदान करते हैं
प्रतिक्रिया डेटा को JSON प्रारूप में व्यवस्थित किया गया है जिसमें प्रत्येक कुंजी विश्लेषण के एक विशेष पहलु का प्रतिनिधित्व करती है उदाहरण के लिए `isProfanity` यह संकेत करता है कि पाठ आक्रामक है जबकि `flaggedFor` ध्वज लगाने के कारणों की सूची देता है जिससे स्वचालित सिस्टम द्वारा सरल रूप से पार्सिंग और व्याख्या की जा सके
टेक्स्ट एनालाइज़र एंडपॉइंट अपमानजनक भाषा की उपस्थिति, गंभीरता स्तर, जोखिम स्कोर, झंडा किए गए कंटेंट की श्रेणियाँ, और टेक्स्ट की भाषा और बोली के बारे में जानकारी प्रदान करता है यह व्यापक विश्लेषण उपयोगकर्ता द्वारा निर्मित सामग्री की विषाक्तता को समझने में सहायता करता है
उपयोगकर्ता टेक्स्ट एनालाइज़र एंडपॉइंट को भेजे गए इनपुट टेक्स्ट को समायोजित करके अपने डेटा अनुरोधों को कस्टमाइज़ कर सकते हैं हालाँकि एंडपॉइंट अतिरिक्त पैरामीटर स्वीकार नहीं करता है टेक्स्ट की सामग्री स्वयं विभिन्न परिदृश्यों का परीक्षण करने और विभिन्न प्रकार की भाषा का विश्लेषण करने के लिए भिन्न हो सकती है
टेक्स्ट एनालाइज़र डेटा के लिए सामान्य उपयोग के मामलों में सोशल मीडिया प्लेटफार्मों के लिए सामग्री मॉडरेशन वेबसाइटों पर उपयोगकर्ता टिप्पणियों को फ़िल्टर करना चैट अनुप्रयोगों को बढ़ाना ताकि उत्पीड़न को रोका जा सके और जहरीली भाषा की पहचान करके सामुदायिक दिशानिर्देशों के अनुपालन को सुनिश्चित करना शामिल है
डेटा सटीकता को अंतर्निहित भाषा मॉडलों के निरंतर अपडेट और विभिन्न डेटा सेटों के खिलाफ नियमित मूल्यांकन के माध्यम से बनाए रखा जाता है यह सुनिश्चित करता है कि एपीआई विभिन्न संदर्भों और उपभाषाओं में अपमानजनक भाषा को प्रभावी ढंग से पहचान सके और वर्गीकृत कर सके
प्रतिक्रिया में मानक डेटा पैटर्न में यह स्पष्ट संकेत होता है कि क्या पाठ अभद्र है (`isProfanity`) एक संख्यात्मक स्कोर जो भाषा की गंभीरता को दर्शाता है और `flaggedFor` में श्रेणियों की एक सूची शामिल है उपयोगकर्ताओं को JSON प्रतिक्रिया में स्थिर प्रारूप और संरचना की अपेक्षा कर सकते हैं