Analisis Panggilan Pelanggan Mudah dengan Snapsynapse

Panggilan sokongan pelanggan memegang banyak maklumat, tetapi mencari masa untuk menyikat secara manual melalui rakaman ini untuk wawasan tidak mudah. Bayangkan jika anda dapat mengubah rakaman panjang ini dengan serta -merta ke dalam ringkasan yang jelas, menjejaki bagaimana sentimen beralih sepanjang panggilan, dan juga mendapat pandangan yang disesuaikan berdasarkan bagaimana anda ingin menganalisis perbualan. Kedengarannya berguna?

Dalam artikel ini, kami akan melalui membuat alat praktikal yang saya bina Snapsynapse (klik di sini), untuk melakukannya dengan tepat! Menggunakan alat seperti pyannote.audio untuk penceramah penceramah (pengenalan), berbisik untuk transkripsi, dan Gemini-1.5 Pro untuk menghasilkan ringkasan AI yang didorong oleh AI, saya akan menunjukkan bagaimana anda boleh mengautomasikan proses mengubah rakaman panggilan sokongan ke dalam pandangan yang boleh diambil tindakan. Di sepanjang jalan, anda akan melihat bagaimana untuk membersihkan dan memperbaiki transkripsi, menghasilkan ringkasan tersuai berdasarkan input pengguna, dan mengesan trend sentimen-semua dengan coretan kod yang mudah diikuti. Ini adalah panduan tangan untuk membina alat yang melampaui transkripsi untuk membantu anda memahami dan meningkatkan pengalaman sokongan pelanggan anda.

Objektif pembelajaran

• Memahami cara menggunakan pyannote.udio untuk penceramah penceramah, memisahkan suara yang berbeza dalam rakaman sokongan pelanggan.
• Belajar untuk menghasilkan transkripsi yang tepat dari fail audio menggunakan Whisper dan membersihkannya dengan mengeluarkan kata -kata pengisi dan teks yang tidak relevan.
• Ketahui cara membuat ringkasan yang disesuaikan menggunakan Gemini-1.5 Pro, dengan arahan yang disesuaikan untuk memenuhi keperluan analisis yang berbeza.
• Terokai teknik untuk melakukan analisis sentimen mengenai perbualan dan menggambarkan trend sentimen sepanjang panggilan.
• Dapatkan pengalaman tangan dalam membina saluran paip automatik yang memproses data audio ke dalam pandangan berstruktur, menjadikannya lebih mudah untuk menganalisis dan meningkatkan interaksi sokongan pelanggan.

Artikel ini diterbitkan sebagai sebahagian daripada Blogathon Sains Data.

Jadual Kandungan

• Objektif pembelajaran
• Apa itu Snapsynapse?
  • Ciri -ciri utama
• Bangunan Snapsynapse: Ciri dan Fungsi Teras
  • Langkah1: Diarization Speaker dan Generasi Transkripsi
  • Langkah2: Pembersihan transkripsi yang dihasilkan
  • Langkah3: Menjana Ringkasan Menggunakan Gemini 1.5 Pro
  • Langkah 4: Analisis Sentimen
• Menyediakan Snapsynapse: Panduan Langkah demi Langkah
  • Langkah1: Klon repositori
  • Langkah2: Menyediakan persekitaran maya
  • Langkah3: Aktifkan persekitaran maya
  • Langkah4: Pasang kebergantungan yang diperlukan
  • Langkah 5: Sediakan pembolehubah persekitaran
  • Langkah 6: Jalankan permohonan
• Ringkasan pada alat yang digunakan dalam pembangunan Snapsynapse
• Kesimpulan
  • Takeaways utama
• Soalan yang sering ditanya

Apa itu Snapsynapse?

Snapsynapse adalah alat yang berguna untuk menjadikan panggilan sokongan pelanggan menjadi pandangan yang berharga. Ia memecahkan perbualan oleh penceramah, menyalin segala -galanya, dan menyoroti mood dan mata utama, jadi pasukan dapat dengan cepat memahami apa yang pelanggan perlukan. Menggunakan model seperti pyannote untuk diarisasi, berbisik untuk transkripsi, dan Gemini untuk ringkasan, Snapsynapse menyampaikan ringkasan dan trend sentimen tanpa sebarang masalah. Ia direka untuk membantu pasukan menyokong lebih baik dengan pelanggan dan meningkatkan perkhidmatan, satu perbualan pada satu masa.

Ciri -ciri utama

Berikut adalah ciri -ciri utama Snapsynapse:

• Diarisasi/Pengenalpastian Speaker
• Generasi transkrip perbualan
• Dialog Generasi Setem Masa Bijaksana
• Gunakan generasi ringkasan berdasarkan kes
• Skor Analisis Sentimen
• Analisis sentimen melalui visualisasi

Bangunan Snapsynapse: Ciri dan Fungsi Teras

Dalam bahagian ini, kami akan meneroka ciri -ciri teras yang menjadikan Snapsynapse alat yang berkuasa untuk analisis sokongan pelanggan. Dari mengasingkan dan menyalin panggilan secara automatik untuk menghasilkan ringkasan perbualan dinamik, ciri -ciri ini dibina untuk meningkatkan kecekapan pasukan sokongan. Dengan keupayaannya untuk mengesan trend sentimen dan memberikan pandangan yang boleh dilakukan, Snapsynapse memudahkan proses memahami interaksi pelanggan.

Sekiranya anda ingin menyemak keseluruhan kod sumber, rujuk kepada Repo: repo_link

Kami perlu membuka AI API dan Gemini API untuk menjalankan projek ini. Anda boleh mendapatkan API di sini - Gemini API, Openai API

Aliran Projek:

Diarisasi Speaker -> Transkripsi -> Setem Masa -> Pembersihan -> Ringkasan -> Analisis Sentimen

Langkah1: Diarization Speaker dan Generasi Transkripsi

Dalam langkah pertama, kami akan menggunakan skrip tunggal untuk mengambil fail audio, memisahkan penceramah (diarisasi), menghasilkan transkripsi, dan memberikan cap waktu. Begini cara skrip berfungsi, termasuk pecahan kod dan fungsi utama:

Gambaran Keseluruhan Skrip

Skrip Python ini melakukan tiga tugas utama dalam satu perjalanan:

• Diarisasi Speaker: Mengenal pasti penceramah yang berbeza dalam fail audio dan memisahkan dialog mereka.
• Transkripsi: Menukar segmen audio yang dipisahkan setiap pembesar suara ke dalam teks.
• Timestamping: Menambah cap waktu untuk setiap segmen yang diucapkan.

Import dan Persediaan

• Kami bermula dengan mengimport perpustakaan yang diperlukan seperti pyannote.udio untuk pembicara penceramah, terbuka untuk transkripsi, dan pydub untuk mengendalikan segmen audio.
• Pembolehubah persekitaran dimuatkan menggunakan dotenv, jadi kami dapat menyimpan kunci API OpenAI dengan selamat.

Fungsi utama: transkripsi diarisasi dengan cap waktu

Fungsi teras, transcribe_with_diarization () , menggabungkan semua langkah:

• Diarisasi: Panggilan Perform_Diarization () untuk mendapatkan segmen pembesar suara.
• Pengekstrakan Segmen: Menggunakan Pydub untuk memotong fail audio ke dalam ketulan berdasarkan setiap segmen dan masa akhir segmen.
• Transkripsi: Bagi setiap bahagian, ia memanggil model Whisper melalui API Openai untuk mendapatkan transkripsi teks.
• Info Timestamp dan Speaker: Setiap transkripsi disimpan dengan masa permulaan, masa akhir, dan label pembesar suara yang sepadan.

 def transcribe_with_diarization (file_path):
    diarization_result = preque_diarization (file_path)
    audio = audiosegment.from_file (file_path)
    Transkripsi = []

    Untuk segmen, _, Speaker dalam diarization_result.itertracks (yield_label = true):
        start_time_ms = int (segment.start * 1000)
        end_time_ms = int (segment.end * 1000)
        Chunk = audio [start_time_ms: end_time_ms]
        
        chunk_filename = f "{speaker} _segment_ {int (segment.start)}. Wav"
        chunk.export (chunk_filename, format = "wav")

        dengan terbuka (chunk_filename, "rb") sebagai audio_file:
            transkripsi = client.audio.transcriptions.create (
                Model = "Whisper-1",
                fail = audio_file,
                response_format = "json"
            )
            transkripsi.append ({
                "Speaker": Speaker,
                "start_time": segment.start,
                "end_time": segment.end,
                "Transkripsi": transkripsi.text
            })
        cetak (f "transkripsi untuk {chunk_filename} oleh {speaker} selesai.")

Menjimatkan output

• Transkripsi akhir, bersama -sama dengan label pembesar suara dan cap waktu, disimpan untuk diarized_transcriptions.json , mencipta rekod berstruktur perbualan.
• Akhirnya, kami menjalankan fungsi pada fail audio ujian, test_udio_1.wav, untuk melihat proses diarisasi dan transkripsi penuh dalam tindakan.

Sekilas output yang dihasilkan dan disimpan dalam fail diarized_transcription.py:

Langkah2: Pembersihan transkripsi yang dihasilkan

• Fail ini memberi tumpuan kepada pembersihan transkripsi yang dihasilkan dari proses diarisasi dan transkripsi.
• Ia memuatkan transkripsi diaria dari fail JSON dan menghilangkan kata -kata pengisi biasa seperti "um," "uh," dan "anda tahu" untuk meningkatkan kebolehbacaan.
• Di samping itu, ia menghapuskan ruang putih tambahan dan menormalkan teks untuk menjadikan transkripsi lebih ringkas dan digilap.
• Selepas pembersihan, sistem menjimatkan transkripsi baru dalam fail JSON bernama Cleaned_Transcription.py, memastikan data siap untuk analisis lanjut atau generasi wawasan.

 # berfungsi untuk membersihkan teks transkripsi
def clean_transcription (teks):
    # Senarai perkataan pengisi biasa
    filler_words = [
        "um", "uh", "seperti", "anda tahu", "sebenarnya", "pada dasarnya", "maksud saya",
        "jenis", "jenis", "betul", "okay", "jadi", "baik", "hanya"
    ]
    
    # corak regex untuk memadankan kata pengisi (kes tidak sensitif)
    filler_pattern = re.compile (r '\ b (' '|' .join (filler_words) r ') \ b', re.ignorecase)
    
    # Keluarkan perkataan pengisi
    dibersihkan_text = filler_pattern.sub ('', teks)
    
    # Keluarkan ruang putih tambahan
    dibersihkan_text = re.sub (r '\ s', '', cleaned_text) .strip ()

    kembali dibersihkan_text

Langkah3: Menjana Ringkasan Menggunakan Gemini 1.5 Pro

Dalam langkah seterusnya, kami menggunakan API Gemini untuk menghasilkan pandangan dan ringkasan berstruktur berdasarkan transkripsi yang dibersihkan. Kami menggunakan model Gemini 1.5 Pro untuk pemprosesan bahasa semulajadi untuk menganalisis panggilan sokongan pelanggan dan memberikan ringkasan yang boleh dilakukan.

Inilah pecahan fungsi:

• Persediaan Model: Model Gemini dikonfigurasikan menggunakan perpustakaan Google.Generativeai, dengan kunci API dimuatkan dengan selamat. Ia menyokong menghasilkan pandangan berdasarkan format segera yang berbeza.
• Prompt untuk analisis: Beberapa petunjuk yang telah ditetapkan direka untuk menganalisis pelbagai aspek panggilan sokongan, seperti ringkasan panggilan umum, pertukaran pembesar suara, aduan dan resolusi, keperluan peningkatan, dan penyelesaian masalah teknikal.
• Menjana kandungan berstruktur : Fungsi Generate_Analysis () mengambil teks transkripsi yang dibersihkan dan memprosesnya menggunakan salah satu arahan yang telah ditetapkan. Ia menganjurkan output ke dalam tiga bahagian: ringkasan, item tindakan, dan kata kunci.
• Interaksi Pengguna: Skrip membolehkan pengguna memilih dari pelbagai format ringkasan. Pilihan pengguna menentukan prompt mana yang digunakan untuk menghasilkan pandangan dari transkripsi.
• Generasi Output : Selepas memproses transkripsi, pandangan yang dihasilkan -yang dianjurkan ke dalam format JSON berstruktur -disimpan ke fail. Data berstruktur ini memudahkan pasukan sokongan untuk mengekstrak maklumat yang bermakna dari panggilan.

Sekilas pendek yang berbeza digunakan:

Sekilas output yang dihasilkan:

Langkah 4: Analisis Sentimen

Selanjutnya, dalam langkah seterusnya kami melakukan analisis sentimen mengenai transkripsi panggilan sokongan pelanggan untuk menilai nada emosi sepanjang perbualan. Ia menggunakan alat analisis sentimen Vader dari NLTK untuk menentukan skor sentimen untuk setiap segmen perbualan.

Inilah pecahan proses:

• Analisis sentimen Menggunakan Vader : Skrip menggunakan sentimenIntensityAnalyzer dari Vader ( Valence Aware Dictionary dan Intiment Reasoner ) Lexicon. Ia memberikan skor sentimen untuk setiap segmen, yang termasuk skor kompaun yang menunjukkan sentimen keseluruhan ( positif, neutral, atau negatif ).
• Transkripsi Pemprosesan: Transkripsi yang dibersihkan dimuatkan dari fail JSON. Setiap entri dalam transkripsi dinilai untuk sentimen, dan hasilnya disimpan dengan label pembesar suara dan skor sentimen yang sepadan. Skrip mengira skor sentimen total, sentimen purata bagi pelanggan dan ejen sokongan, dan mengkategorikan sentimen keseluruhan sebagai positif, neutral, atau negatif.
• Visualisasi Trend Sentimen : Menggunakan Matplotlib, skrip menghasilkan plot garis yang menunjukkan trend sentimen dari masa ke masa, dengan paksi-x yang mewakili segmen perbualan dan paksi-y yang menunjukkan skor sentimen.
• Output: Sistem ini menjimatkan hasil analisis sentimen, termasuk skor dan sentimen keseluruhan, ke fail JSON untuk akses mudah dan analisis kemudian. Ia menggambarkan trend sentimen dalam plot untuk memberikan gambaran keseluruhan dinamik emosi semasa panggilan sokongan.

Kod yang digunakan untuk mengira skor sentimen keseluruhan

 # Kirakan skor sentimen keseluruhan
    keseluruhan_sentiment_score = total_compound / len (sentimen_results)

    # Kirakan sentimen purata untuk pelanggan dan ejen
    purata_customer_sentiment = customer_sentiment / customer_count jika customer_count lain 0
    purata_agent_sentiment = agen_sentiment / agen_count jika agen_count lain 0

    # Tentukan sentimen keseluruhan sebagai positif, neutral, atau negatif
    jika keseluruhan_sentiment_score> 0.05:
        keseluruhan_sentiment = "positif"
    ELIF EXTER_SENTIMENT_SCORE <h4> Kod yang digunakan untuk menjana plot</h4><pre class="brush:php;toolbar:false"> def plot_sentiment_trend (sentimen_results):
    # Ekstrak skor sentimen kompaun untuk merancang
    compound_scores = [entry ['sentimen'] ['compound'] untuk kemasukan dalam sentimen_results]

    # Buat satu plot baris yang menunjukkan trend sentimen
    PLT.Figure (figsize = (12, 6))
    plt.plot (compound_scores, color = 'ungu', linestyle = '-', marker = 'o', markersize = 5, label = "trend sentimen")
    plt.axhline (0, color = 'kelabu', linestyle = '-') # tambah garis sifar untuk sentimen neutral
    PLT.TITLE ("Trend Sentimen ke atas Perbualan Sokongan Pelanggan", Fontsize = 16, Fontweight = 'Bold', Color = "DarkBlue")
    PLT.XLabel ("Indeks Segmen")
    plt.ylabel ("Skor Sentimen Kompaun")
    plt.grid (benar, linestyle = '-', alpha = 0.5)
    plt.legend ()
    plt.show ()

Skor analisis sentimen dijana:

Plot analisis sentimen dijana:

Menyediakan Snapsynapse: Panduan Langkah demi Langkah

Anda boleh mencari repositori kod di sini - repo_link

Sekarang, mari kita jalankan bagaimana untuk menubuhkan dan menjalankan Snapsynapse di mesin tempatan anda:

Langkah1: Klon repositori

Mulakan dengan mengkloning repositori projek ke mesin tempatan anda untuk mula menggunakan Snapsynapse. Ini memberikan akses kepada kod sumber aplikasi dan semua komponen pentingnya.

 Git Clone https://github.com/keerthanareddy95/snapsynapse.git
CD Snapsynapse

Langkah2: Menyediakan persekitaran maya

Persekitaran maya membantu mengasingkan kebergantungan dan memastikan projek anda berjalan lancar. Langkah ini menubuhkan ruang kerja bebas untuk Snapsynapse untuk beroperasi tanpa gangguan dari pakej lain.

 # Untuk tingkap:
python -m venv venv

# Untuk maco dan linux:
python3 -m venv venv

Langkah3: Aktifkan persekitaran maya

 # Untuk tingkap:
. \ Venv \ Scripts \ Activate

# Untuk maco dan linux:
sumber venv/bin/aktifkan

Langkah4: Pasang kebergantungan yang diperlukan

Dengan persekitaran maya, langkah seterusnya adalah memasang semua perpustakaan dan alat yang diperlukan. Ketergantungan ini membolehkan fungsi teras Snapsynapse, termasuk penjanaan transkrip, penceramah penceramah, penjanaan setem masa, penjanaan ringkasan, skor analisis sentimen, visualisasi dan banyak lagi.

 PIP Install -r syarat.txt

Langkah 5: Sediakan pembolehubah persekitaran

Untuk memanfaatkan pandangan, diarisasi, transkripsi dan ringkasan AI dan anda perlu mengkonfigurasi kekunci API untuk Google Gemini dan membuka Whisper AI.

Buat fail .env dalam akar projek dan tambahkan kekunci API anda untuk Google Gemini dan buka bisikan AI.

 Google_api_key = "Your_google_api_key"
Openai_api_key = "your_open_ai_api_key"

Langkah 6: Jalankan permohonan

• Mulakan dengan menjalankan fail transkripsi.py: Fail ini melakukan penjanaan transkripsi, penceramah penceramah dan penjanaan setem masa. Dan ia menjimatkan output dalam fail JSON yang bernama diared_transcriptions.json.
• Seterusnya, jalankan fail pembersih.py: Fail ini akan mengambil fail diarized_transcriptions.py sebagai input dan membersihkan transkripsi dan menyimpan hasil dalam fail cleaned_transcription.json.
• Selanjutnya, jalankan Fail Ringkasan.py: Di sini anda perlu menyebutkan kunci API Gemini . Fail ini akan mengambil fail Cleaned_Transcription.py sebagai input dan meminta pengguna untuk memasukkan gaya ringkasan yang mereka mahu menghasilkan berdasarkan kes penggunaannya. Berdasarkan input pengguna, sistem melepasi prompt yang sama kepada Gemini, yang menghasilkan ringkasan. Sistem itu kemudian menyimpan ringkasan yang dihasilkan dalam fail JSON bernama summary_output.json.
• Akhirnya, jalankan Fail SENTENT_ANALYSIS.PY: Menjalankan fail ini akan menghasilkan skor sentimen keseluruhan dan juga perwakilan grafik skor analisis sentimen dan bagaimana mereka berkembang melalui fail audio.

Ringkasan pada alat yang digunakan dalam pembangunan Snapsynapse

Marilah kita melihat alat yang digunakan dalam pembangunan untuk Snapsynapse di bawah:

• Pyannote.Audio: Menyediakan modul saluran paip untuk melakukan diarisasi pembesar suara, yang memisahkan penceramah yang berbeza dalam fail audio.
• OpenAI: Digunakan untuk berinteraksi dengan API OpenAI untuk transkripsi melalui model Whisper.
• PYDUB (Audiosegment): memproses fail audio, membolehkan segmentasi dan eksport ketulan audio oleh pembesar suara.
• Google.Generativeai: Perpustakaan untuk mengakses model Google Gemini, yang digunakan di sini untuk menghasilkan ringkasan dan pandangan berstruktur dari transkripsi sokongan pelanggan.
• NLTK (Alam Semulajadi Toolkit): Perpustakaan untuk pemprosesan bahasa semulajadi, khususnya digunakan di sini untuk mengimport sentimentIntensityAnalyzer dari Vader untuk menganalisis sentimen dalam fail audio.
• Matplotlib: Perpustakaan visualisasi sering digunakan dengan PLT, termasuk di sini untuk visualisasi sentimen sepanjang fail audio.

Kesimpulan

Ringkasnya, Snapsynapse merevolusikan analisis sokongan pelanggan dengan mengubah rakaman panggilan mentah ke dalam pandangan yang boleh dilakukan. Dari penceramah penceramah dan transkripsi untuk menghasilkan analisis ringkasan dan sentimen berstruktur, Snapsynapse menyelaraskan setiap langkah untuk menyampaikan pandangan komprehensif mengenai interaksi pelanggan. Dengan kuasa model yang disesuaikan dengan model Gemini dan pengesanan sentimen terperinci, pengguna dapat dengan mudah mendapatkan ringkasan dan trend yang menyerlahkan pandangan utama dan hasil sokongan.

Siaran besar ke Google Gemini, Pyannote Audio, dan berbisik untuk menggerakkan projek ini dengan alat inovatif mereka!

Anda boleh menyemak repo di sini.

Takeaways utama

• Snapsynapse membolehkan pengguna memproses panggilan sokongan pelanggan panggilan akhir-ke-akhir-dari diaring dan transkripsi untuk menjana ringkasan.
• Dengan lima pilihan segera yang berbeza, pengguna boleh menyesuaikan ringkasan kepada keperluan khusus, sama ada memberi tumpuan kepada isu, item tindakan, atau sokongan teknikal. Ciri ini membantu pelajar meneroka kejuruteraan dan percubaan yang cepat dengan bagaimana input yang berbeza memberi kesan kepada output AI-Generated.
• Snapsynapse menjejaki trend sentimen sepanjang perbualan, memberikan perwakilan visual peralihan nada yang membantu pengguna memahami kepuasan pelanggan dengan lebih baik. Bagi pelajar, ini adalah peluang untuk menggunakan teknik NLP dan belajar bagaimana untuk mentafsirkan data sentimen dalam aplikasi dunia sebenar.
• Snapsynapse mengautomasikan pembersihan dan analisis transkripsi, menjadikan pandangan sokongan pelanggan mudah diakses untuk keputusan yang lebih cepat, didorong data. Pelajar mendapat manfaat daripada melihat bagaimana automasi dapat menyelaraskan pemprosesan data, yang membolehkan mereka memberi tumpuan kepada pandangan lanjutan dan bukan tugas berulang.

Soalan yang sering ditanya

Q1. Apakah jenis data yang boleh dianalisis?

A. Snapsynapse boleh mengendalikan fail audio format mp3 dan wav.

S2. Bagaimanakah Snapsynapse mengendalikan ketepatan dan pembersihan transkripsi?

A. Snapsynapse menggunakan bisikan untuk transkripsi, diikuti dengan proses pembersihan yang menghilangkan kata -kata pengisi, jeda, dan kandungan yang tidak relevan.

Q3. Bolehkah saya menyesuaikan format ringkasan analisis panggilan?

A. Ya! Snapsynapse menawarkan lima pilihan cepat yang berbeza, membolehkan anda memilih format ringkasan yang disesuaikan dengan keperluan anda. Ini termasuk bidang tumpuan seperti item tindakan, keperluan peningkatan, dan isu teknikal.

Q4. Apakah pandangan yang diberikan oleh analisis sentimen, dan bagaimana ia dipaparkan?

Analisis sentimen A. Snapsynapse menilai nada emosi perbualan, memberikan skor sentimen dan graf trend.

S5. Apakah analisis panggilan pelanggan dan bagaimana ia boleh memberi manfaat kepada perniagaan?

A. Analisis panggilan pelanggan menggunakan alat berkuasa AI untuk menyalin, menganalisis, dan mengekstrak pandangan berharga daripada interaksi pelanggan, membantu perniagaan meningkatkan perkhidmatan, mengenal pasti trend, dan meningkatkan kepuasan pelanggan.

S6. Bagaimanakah analisis panggilan pelanggan dapat meningkatkan kualiti sokongan pelanggan?

A. Dengan analisis panggilan pelanggan, perniagaan dapat memperoleh pemahaman yang lebih mendalam tentang sentimen pelanggan, isu umum, dan prestasi ejen, yang membawa kepada keputusan yang lebih tepat dan strategi perkhidmatan pelanggan yang lebih baik.

Media yang ditunjukkan dalam artikel ini tidak dimiliki oleh Analytics Vidhya dan digunakan atas budi bicara penulis.

Atas ialah kandungan terperinci Analisis Panggilan Pelanggan Mudah dengan Snapsynapse. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!