Utwórz niestandardowe modele klasyfikacji tekstu na podstawie tematu, sentymentu i intencji

Udostępnij w sieciach społecznościowych:

W tym artykule omówiono prostą metodę utwórz niestandardowe modele klasyfikacji tekstu na podstawie tematu, sentymentu lub intencji. Klasyfikacja tekstu odbywa się za pomocą uczenia maszynowego, ale stworzenie modelu klasyfikacji tekstu opartego na ML nie jest filiżanką herbaty dla wszystkich.

MonkeyLearn to internetowa usługa klasyfikacji tekstu, która oferuje prosty sposób na stworzenie modelu klasyfikacji ML opartego na ML bez wiedzy technicznej. Ta usługa umożliwia tworzenie niestandardowych modeli klasyfikacji i ekstrakcji tekstu, które można trenować z plikami danych. W przypadku klasyfikacji tekstowej można tworzyć modele klasyfikacji tematycznej, sentymentalnej i intencyjnej. Po przeszkoleniu modelu można go używać do klasyfikowania tekstu wsadowo. Możesz również użyć interfejsu API do tego samego lub bezpośrednio zintegrować model z Zapier, Arkuszami Google, Rapidminer i Zendesk.

W warstwie swobodnej możesz utworzyć 1 model niestandardowy, którego możesz użyć do klasyfikacji lub ekstrakcji tekstu. W obu przypadkach masz do 300 zapytań miesięcznie. Interfejs API ma również limit 30 żądań na minutę, który pozwala wykonać do 6000 zapytań na minutę. Bezpłatny rozmiar modelu pozwala na 1000 tekstów szkoleniowych na niestandardowy klasyfikator i 150 na niestandardowy ekstraktor.

Przeczytaj także: Analizator tekstu ze wskaźnikiem czytelności, automatyczne podsumowanie, analiza sentymentów, analiza słów kluczowych

Utwórz niestandardowe modele klasyfikacji tekstu na podstawie tematu, sentymentu i intencji

Aby utworzyć niestandardowy model klasyfikacji tekstu, utwórz bezpłatne konto w MonkeyLearn i zweryfikuj swój adres e-mail. Tutaj skupię się tylko na części dotyczącej klasyfikacji tekstu. Część wyodrębniania tekstu jest bardzo podobna do tej.

Importuj dane tekstowe

klasyfikacja tekstu na podstawie ml

Pierwszym krokiem tworzenia modelu klasyfikacji tekstu jest zaimportowanie danych tekstowych w celu wyszkolenia modelu. Ta usługa oferuje różne sposoby importowania danych wraz z dwiema przykładowymi bibliotekami danych do testowania. Możesz zaimportować dane tekstowe z pliku Excel lub CSV lub połączyć się z następującymi aplikacjami, aby zaimportować dane bezpośrednio:

  • Świergot
  • Gmail
  • Zendesk
  • Z przodu
  • Promotor
  • Freshdesk
  • RSS
  • Biblioteka danych

Wybierz teksty do klasyfikacji

klasyfikacja tekstowa dla sentymentu

Podczas importowania danych analizuje je i sprawdza, czy są odpowiednio skonstruowane, czy nie. Nie martw się, nie będziesz musiał przestrzegać żadnych ścisłych zasad formatowania, po prostu upewnij się, że zdania są oddzielone od siebie przecinkiem, średnikiem lub podziałem wiersza. Po pomyślnym zaimportowaniu danych możesz wybrać kolumny, których chcesz użyć do szkolenia modelu. Ponieważ wolna warstwa ma ograniczenia, ta opcja jest niezła, przydatna przy długich plikach.

Rodzaj klasyfikacji

klasyfikacja tekstowa dla tematu

Po zaimportowaniu danych następnym krokiem jest wybór rodzaju klasyfikacji, którą chcesz wprowadzić. Ta usługa oferuje trzy rodzaje klasyfikacji, które są następujące:

  • Klasyfikacja tematów: Klasyfikuj tekst na podstawie tematu, aspektu lub trafności.
  • Analiza sentymentów: Wykrywaj sentyment w tekście, np. pozytywne, negatywne lub neutralne.
  • Klasyfikacja celowa: Klasyfikuj tekst na podstawie zamiaru, np. skarga, prośba, informacja zwrotna.
Zobacz:   Bezpłatne rozszerzenie Chrome na dysleksje z przyjaznymi czcionkami, powiększaniem tekstu, funkcją ślepoty barw

Model pociągu

klasyfikacja tekstowa dla zamierzonego

Po wybraniu rodzaju klasyfikacji nastąpi przejście do sekcji szkolenia modelu. Tutaj pokazuje jedno losowe zdanie na raz i prosi o oznaczenie go zgodnie z wybranym typem klasyfikacji. Bądź ostrożny i tak dokładny, jak to możliwe, trenując model, tak aby odzwierciedlał to, czego uczysz go w wynikach. Im bardziej wytrenujesz model, tym bardziej będzie dokładny.

Po wstępnym szkoleniu możesz sprawdzić swoje dane wraz ze statystykami, które pokazują liczbę tagów, klasyfikacji i słów kluczowych. Możesz także rozpocząć kolejną sesję treningową, aby jeszcze bardziej ulepszyć model.

Użyj modelu do klasyfikacji tekstu

Klasyfikacja tekstu na podstawie ml z interfejsem API i trybem wsadowym

Po wstępnym szkoleniu możesz rozpocząć testowanie modelu. Możesz przetestować model pod kątem własnego tekstu niestandardowego i sprawdzić, czy jest wystarczająco dokładny, czy nie. Jeśli nie jest wystarczająco dokładny, możesz go ponownie wyszkolić na karcie Kompilacja. W przeciwnym razie możesz użyć go do klasyfikacji tekstu.

MonkeyLearn oferuje 3 metody wykorzystania modelu do klasyfikacji tekstu oraz wykrywania tekstu. Te metody są

  • Partia: Dostęp do tej metody można uzyskać na stronie internetowej, na której można przesyłać pliki tekstowe do klasyfikacji.
  • API: MoneyLearn API współpracuje z Curl, Python, Ruby, PHP, Node.js i Java i daje dane wyjściowe w formacie JSON. Możesz przeczytać więcej na temat API tutaj.
  • Integracja: Możesz także bezpośrednio zintegrować model klasyfikacji tekstu z Zapier, Arkuszami Google, Rapidminer i Zendesk.

Słowa końcowe

MonkeyLearn oferuje prosty sposób na stworzenie niestandardowego modelu klasyfikacji tekstu przy dowolnej wiedzy technicznej. Przeciętny użytkownik Internetu może z łatwością skorzystać z usługi, aby zbudować własny model w ciągu około pół godziny. Bezpośrednia integracja z aplikacjami internetowymi jest naprawdę przydatna i jest jednym z najprostszych sposobów osadzenia modelu w przepływie pracy. Free-tier ma ograniczenia, ale to będzie w porządku dla małego modelu do użytku osobistego.

Komentarze Facebook