Text klassifizieren

Definieren Sie Kategorien, nach denen Text in Ihren Dokumenten klassifiziert werden kann.

In diesem Abschnitt wird beschrieben, wie Text klassifiziert wird. Wenn Sie Dokumente klassifizieren möchten, verwenden Sie die Content-Mining-Anwendung. Weitere Informationen finden Sie unter Klassifizierungstypen.

Fügen Sie ein Textklassifikationsmerkmal hinzu, um Text aus Dokumenten in Ihrer Objektgruppe Kategorien zuzuordnen. Discovery verwendet die von Ihnen bereitgestellten Beschriftungen und Textbeispiele, um die Textkategorien in Ihrer Sammlung vorherzusagen.

Um einen Textklassifikator zu erstellen, führen Sie die folgenden Schritte aus:

1. Erstellen Sie eine CSV-Datei, die Beispieltext gefolgt von der Kategoriebezeichnung pro Zeile enthält.

   Die CSV-Datei muss im UTF-8-Codierungsformat vorliegen und die folgenden Anforderungen erfüllen:

   • Das Format muss text,label sein. " text " ist der Beispieltext und " label " ist der Kategoriename.

     Fügen Sie vollständige Sätze als Texteinträge hinzu. Fügen Sie keine Leerzeilen in die CSV-Datei ein.

     Sie können weitere label-Spalten hinzufügen, wenn Sie mehr als ein Etikett auf den Satz in der text-Spalte anwenden müssen. Zum Beispiel text,label,label.

   • Die Datei muss mindestens zwei Spalten ohne Überschriften enthalten.

   • Fügen Sie 10 oder mehr Einträge für jede Kategorie hinzu, die Sie definieren wollen. Pro Kategorie sind mindestens 3 Einträge erforderlich. Je mehr Beispiele Sie für jede Kategorie bereitstellen, desto besser kann das Klassifikationsmerkmal die Kategorien anderer Inhalte in Ihrer Objektgruppe vorhersagen.

   Das folgende Beispiel zeigt eine CSV-Datei, die zwei Kategorien mit den Namen facility_temperature und catering definiert. Der Beispieltext besteht aus Feedback von Konferenzteilnehmern.

   The rooms were too cold.,facility_temperature
   Breakfast did not include gluten-free options.,catering
   The rooms were too warm.,facility_temperature
   I was very comfortable in the session rooms.,facility_temperature
   The awards dinner was delicious.,catering
   Coffee ran out during one of the breaks.,catering
   The temperature was not comfortable.,facility_temperature
   I was very happy with the selection at lunch.,catering
   It was nice that you provided tea and coffee. Tea drinkers are often ignored.,catering
   Can you turn up the air conditioning? I was very warm.,facility_temperature
   My teeth were chattering because I was so cold.,facility_temperature
   The speaker left the room to find someone to adjust the temperature.,facility_temperature
   Would you consider an all-vegan menu next year?,catering
   I would like lemonade and iced tea to be served during the breaks.,catering
   The lunch staff was excellent.,catering
   Appreciated the fresh blueberry muffins at breakfast.,catering
   The hotel staff adjusted the temperature in my session room as soon as I asked. Excellent service!,facility_temperature
   Every meal was delicious and there was something for everyone.,catering
   The seats under the skylights were not comfortable. Too hot.,facility_temperature
   I was comfortable everywhere in the conference center. I never needed my emergency sweater.,facility_temperature
   

2. Klicken Sie im Abschnitt Konzepte der Teach-Domäne der Anzeige Verbesserungstools auf Textklassifikationsmerkmale.

3. Klicken Sie auf Hochladen.

4. Geben Sie einen Namen für das Klassifikationsmerkmal an und wählen Sie dann die Sprache aus, die in der CSV-Datei verwendet wurde.

5. Klicken Sie auf Hochladen, um nach der zuvor erstellten CSV-Datei zu suchen.

6. Klicken Sie auf Erstellen.

   Basierend auf den von Ihnen angegebenen Trainingsdaten wird eine Aufbereitung für Klassifikationsmerkmale erstellt.

7. Wählen Sie die Objektgruppe und das Feld aus, auf die Sie die Aufbereitung des Textklassifikationsmerkmals anwenden möchten, und klicken Sie anschließend auf Anwenden.

Das folgende Beispiel zeigt, wie eine Aufbereitung, die mit der CSV-Beispieldatei als Trainingsdaten erstellt wird, Text in einem Dokument klassifiziert. In der Ausgabe wendet die Aufbereitung des Klassifikationsmerkmals die Bezeichnung facility_temperature auf den Dokumenttext an. Die label wird im Array enriched_{field_name} im Array classes gespeichert.

{
  "enriched_text": [
    {
      "classes": [
        {
          "confidence": 0.999692440032959,
          "label": "facility_temperature"
        }
      ]
    }
  ],
  "text": [
    "I think more attendees would stay awake in the sessions if the rooms were colder."
  ]
}