開始之前

若要訓練文件分類器模型，您必須提供已適當標示的範例文件。 準備下列檔案:

訓練資料

必要。 用來訓練文件分類器機器學習模型的 CSV 檔案。 檔案可以包含每個直欄的索引鍵資料點。 資料點可能不同，但檔案必須包含下列直欄:

• 您要分類或標示的自然語言文字。
• 將文件文字中所表達的構想分類的標籤或類別名稱。 您可以將多個標籤套用至文字樣本。 以分號區隔多個標籤值。

測試資料

選用。 在訓練文件分類器機器學習模型之後，用來測試文件分類器機器學習模型的 CSV 檔案。 如果您未指定個別檔案來進行測試，則會使用訓練資料內容的子集來進行測試。

目標資料

必要。 含有您要分類之資料的 CSV 檔。

所有 CSV 檔 (訓練、測試及目標) 必須具有相同的直欄名稱。 直欄中的資料必須具有相同的資料類型，例如字串、數字等。

您可以使用在建立「內容採礦」專案時上傳的 CSV 檔案，也可以建立新的集合。

如需相關資訊，請參閱下列主題：

• 新增集合
• 分析 CSV 檔

開啟「內容挖掘」應用程式

如果您沒有這麼做，請建立專案並在其中新增集合。 如果您已建立專案及集合，則可以跳過此程序並 建立文件分類器。

1. 在 Discovery中，建立「內容採礦」專案。

2. 選擇上傳資料以建立集合。 為集合命名，然後按下一步。

3. 上傳包含訓練資料的 CSV 檔案。

   訓練資料檔案必須至少包含下列資訊:

   • 包含您要分類之範例文字的直欄。 例如，範例文字可能是產品檢閱。
   • 包含指派給範例文字之類別或種類標籤的直欄。

4. 收集處理完成後，按一下啟動應用程式以開啟「內容挖掘」應用程式。

   即會顯示集合的資料類型詳細資料。

建立文件分類器

若要建立文件分類器，請完成下列步驟：

1. 從「內容採礦」應用程式中，按一下瀏覽途徑中的 集合 鏈結，以開啟 建立集合 頁面。

   即會顯示索引建立的狀態。 在繼續執行此程序之前，請等待集合完全編製索引。

2. 若要建立分類器，請按一下 集合，然後從清單中選擇 分類器。

   

3. 按一下建立分類器。

4. 為分類器命名。

   稍後將模型部署為強化時，會為強化提供 {classifier name} - {model name}格式的名稱。 例如，如果分類器名稱為 Product reviews 且模型名稱為 v0.1，則強化名稱為 Product reviews - v0.1。

   選擇性地從 語言 欄位中選取訓練資料，以新增說明並識別訓練資料的語言。

5. 按下一步

6. 在「訓練資料」頁面上，從清單中選取您先前上傳的檔案，然後按 下一步。

   或者，您可以上傳包含訓練資料的 CSV 檔。

   顯示 Fields（欄位 ）頁面。 它會顯示從您所新增檔案產生之欄位的詳細資料。 一般而言，CSV 檔中的每一個直欄都會轉換成欄位，並獲指派從直欄標頭複製的名稱。

7. 取消選取您要從文件分類器的資料集中排除要從中學習的任何 meta 資料欄位，然後按 下一步。

   您包含的任何欄位都會用作分類中的其他特徵。 預設選取所有欄位。 您可能需要水平捲動以檢閱所有欄位。

8. 在「分類器」頁面上，指定用於機器學習訓練及預測的欄位。

   回答欄位

   從具有分類標籤的訓練資料檔中選取欄位。 在先前的範例中，Label 欄位是最佳選擇。

   預測欄位

   針對預測類別值產生的資料類型名稱。 依預設，資料類型名稱具有語法 <Answer field value>_predicted。 例如，Label_predicted。

   測試資料集

   指定用來測試分類器模型的資料集。 依預設，您上傳並配置的訓練資料 CSV 檔案會分割成三個資料集，分別用於訓練、驗證及測試。 不過，您可以選擇性地指定用於測試模型的個別資料集。

   訓練聯合模型

   根據資料集中特定欄位的值建立多個模型。 例如，如果文件具有 Product 欄位，則您可以配置分類器，以針對欄位中指定的每一個產品名稱值建立個別分類器模型。 依預設，分類器會建立一個機器學習分類器模型。

   您不需要指定包含要分類之文字的欄位。 系統會自動偵測此欄位。 您可以檢查可分析文字擷取來源的欄位，並變更它，或變更另一個欄位的索引類型來擴增它。 如需相關資訊，請參閱 識別文字欄位。

   按下一步。

9. 如果您要將強化套用至訓練資料中的文字，請從 目標欄位 清單中至少選取一個您要套用強化的欄位。

   一般而言，您想要選擇包含您要分類之文字內文的欄位。 在先前的範例中，Feedback 欄位是最佳選擇。

   接下來，選取您要套用的任何註解程式，以強化目標欄位中的文字，然後按 下一步。

   預設選取語音部分註解器。

10. 在「確認」頁面上，檢閱分類器配置設定。 若要進行變更，請使用 上一步 按鈕。 否則，請按一下 儲存。

    顯示「總覽」頁面。

11. 按一下 新建模型，以建立並訓練您的機器學習模型。

12. 您可以選擇性地變更模型名稱並新增說明。

    您可以變更指定給下列資料集的預設比例值:

    • 訓練資料集: 更新訓練模型的加權。
    • 驗證集: 在訓練期間監視訓練模型的精確度。 精確度結果用來繪製訓練損失圖形。
    • 測試資料集: 計算訓練模型的評分。

13. 按一下建立。

    模型訓練可能需要幾分鐘才能完成。

部署文件分類器模型

訓練模型之後，將模型部署為強化。

1. 按一下 動作 直欄中的溢位功能表圖示，然後按一下 部署模型。 指定名稱及其他詳細資料，然後按一下 部署。

2. 執行下列其中一項作業：

   • 若要將文件分類器套用至「內容採礦」專案中的集合，請參閱 強化集合。

   • 若要將文件分類器套用至不同專案中的集合，請完成下列步驟:

     1. 在 Discovery中，建立或開啟具有您要分類之文件的集合。

        集合中套用強化的資料必須與您用來訓練模型的集合具有相同的欄位。

     2. 在 強化 標籤中，在 名稱 直欄中尋找分類器。 從 要強化的欄位 欄位中，選擇用來訓練模型的相同文字欄位。 (此欄位由系統決定，並檢索為 可分析文字內容 欄位。 如需相關資訊，請參閱 識別文字欄位。)

     3. 按一下套用變更並重新處理。

分類結果

將強化套用至集合之後，即會產生資料類型，您可以使用該資料類型來尋找預測的類別。 在此範例中，預測欄位命名為 label_answer_predicted。

使用產生的資料類型，依分類來過濾文件，並分析文件子集。 這樣做可協助您尋找型樣並探索其他見解。 您可以匯出這些目標文件，以與團隊成員共用或進一步分析。 如需相關資訊，請參閱 匯出資料。

當文件分類器分類文件時，它會將分類儲存在 document_level_enrichment.classes.class_name 欄位中。

例如，下列 JSON 摘錄顯示以 package_container 類別分類的文件。