Hinzufügen neuer Bezeichnungen zu vorhandenen Taxonomien

Benutzerberechtigungen erforderlich: „Quellen anzeigen“ UND „Überprüfen und Kommentieren“.

Wenn Sie bereits über eine ausgereifte Taxonomie mit vielen überprüften Meldungen verfügen, erfordert das Hinzufügen einer neuen Beschriftung einiges zusätzliches Training, um sie an die restlichen Beschriftungen in der Taxonomie anzupassen.

Wenn Sie einer gut trainierten Taxonomie eine neue Bezeichnung hinzufügen, müssen Sie sicherstellen, dass sie auf zuvor überprüfte Nachrichten angewendet wird, wenn die Bezeichnung für sie relevant ist.

Ist dies nicht der Fall, hat das Modell effektiv gelernt, dass die neue Bezeichnung nicht für sie gelten sollte, und es wird Schwierigkeiten haben, die neue Bezeichnung zuverlässig vorherzusagen.

Je mehr überprüfte Beispiele im Dataset vorhanden sind, desto mehr Training ist beim Hinzufügen einer neuen Beschriftung erforderlich (es sei denn, es handelt sich um ein völlig neues Konzept, das Sie nicht in älteren Daten, sondern in viel neueren Daten finden).

Wichtige Schritte:

Erstellen Sie die neue Beschriftung , wenn Sie ein Beispiel finden, für das sie gelten soll

Suchen Sie nach anderen Beispielen, bei denen sie mit verschiedenen Methoden angewendet werden sollte :

1. Sie können mithilfe der Suchfunktion in Discover nach wichtigen Begriffen oder Ausdrücken suchen, um ähnliche Instanzen zu finden. Auf diese Weise können Sie die Beschriftung in großen Mengen anwenden, wenn es viele ähnliche Beispiele in den Suchergebnissen gibt
2. Oder Sie können im Analysefenster nach Schlüsselwörtern oder Ausdrücken suchen – dies ist möglicherweise eine bessere Methode, da Sie nach „Überprüften“ Nachrichten filtern können und die Suche im Analysefenster eine geschätzte Anzahl der Nachrichten zurückgibt, die mit Ihren Suchbegriffen übereinstimmen
3. Sie können auch Beschriftungen auswählen, die Ihrer Meinung nach häufig neben Ihrer neuen Beschriftung erscheinen, und die angehefteten Beispiele für diese Beschriftung überprüfen, um Beispiele zu finden, bei denen Ihre neue Beschriftung angewendet werden sollte
4. Sobald Sie einige angeheftete Beispiele haben, sehen Sie, ob sie im Modus „ Beschriftung“ vorhergesagt werden – wenn ja, fügen Sie weitere Beispiele in diesem Modus hinzu
5. Wenn Sie schließlich in einem Dataset mit aktivierter Stimmung Anmerkungen abgeben und Ihre neue Beschriftung in der Regel entweder positiv oder negativ ist, können Sie auch zwischen positiver und negativer Stimmung wählen, wenn Sie sich überprüfte Beispiele ansehen (obligatorisch können Sie jedoch „Textsuche“ nicht mit der kombinieren Filter „Überprüft“ UND einen Stimmungsfilter)

Verwenden Sie dann„Verpasste Bezeichnung“ , um weitere Meldungen zu finden, bei denen die Plattform der Meinung ist, dass die neue Bezeichnung hätte angewendet werden müssen:

• Nachdem Sie einige Beispiele mit den oben genannten Methoden mit Anmerkungen versehen haben und das Modell Zeit zum erneuten Trainieren hatte, verwenden Sie die Funktion „ Verpasste Beschriftung“ im Analysefenster, indem Sie Ihre Beschriftung auswählen und dann im Dropdownmenü „Verpasste Beschriftung“ auswählen
• Dadurch werden Ihnen überprüfte Meldungen angezeigt, bei denen das Modell denkt, dass die ausgewählte Beschriftung in den zuvor überprüften Beispielen möglicherweise übersehen wurde
• In diesen Fällen zeigt das Modell die Beschriftung als Vorschlag an (wie im Beispiel unten gezeigt).
• Wenden Sie die Beschriftung auf alle Nachrichten an, von denen das Modell korrekterweise denkt, dass die Beschriftung auf diese angewendet werden sollte
• Trainieren Sie auf dieser Seite, bis Sie alle richtigen Beispiele mit Anmerkungen versehen haben. Dieser Modus zeigt Ihnen dann keine Beispiele mehr an, bei denen die Bezeichnung eigentlich gelten sollte

Beispielnachricht, bei der das Modell korrekt suggeriert, dass „Anspruch > Bestätigung > Zahlung“ verpasst wurde

Überprüfen Sie dann, wie sich die neue Bezeichnung auf der Seite Validierung verhält (sobald das Modell Zeit hatte, die neuen Validierungsstatistiken erneut zu trainieren und zu berechnen) und sehen Sie, ob mehr Training erforderlich ist.