- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder (früher Entitäten)
- Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Überprüfte und nicht überprüfte Nachrichten
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Verwaltung
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Create or delete a data source in the GUI
- Hochladen einer CSV-Datei in eine Quelle
- Vorbereiten von Daten für den CSV-Upload
- Ein neues Dataset erstellen
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern Sie die Einstellungen eines Datasets
- Löschen Sie Nachrichten über die Benutzeroberfläche
- Löschen Sie ein Dataset
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Modelltraining und -wartung
- Verstehen von Beschriftungen, allgemeinen Feldern und Metadaten
- Bezeichnungshierarchie und bewährte Methode
- Definieren Ihrer Taxonomieziele
- Analyse- vs. Automatisierungsanwendungsfälle
- Konvertieren Ihrer Ziele in Bezeichnungen
- Erstellen Ihrer Taxonomiestruktur
- Best Practices für den Taxonomieentwurf
- Ihre Taxonomie wird importiert
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung (NEU)
- Der Status des Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Grundlegendes zu Datenanforderungen
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- Wie funktioniert die Validierung?
- Verstehen und Verbessern der Modellleistung
- Warum kann eine Bezeichnung eine geringe durchschnittliche Genauigkeit haben?
- Training mit Beschriftung „Überprüfen“ und Beschriftung „Verpasst“.
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Abgleichs und Verwendung des Abgleichs
- Wann das Training Ihres Modells beendet werden soll
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automatisierungs- und Communications Mining
- Lizenzierungsinformationen
- Häufige Fragen und mehr
Communications Mining-Benutzerhandbuch
Bewährte Methoden und Überlegungen
Das hervorgehobene allgemeine Feld muss das gesamte fragliche Wort (oder mehrere) abdecken, nicht nur einen Teil davon. Fügen Sie keine zusätzlichen Leerzeichen am Ende des Felds ein.
Überprüfen Sie, ähnlich wie bei Bezeichnungen, Ihre allgemeinen und Extraktionsfelder nicht teilweise .
- Allgemeine Felder werden auf Absatzebene überprüft, nicht auf der gesamten Nachrichtenebene. Wenn Sie einen Absatz auf Felder überprüfen, überprüfen Sie alle Felder in dem Absatz.
Wenn Sie ein Feld in einem Absatz, in dem Sie andere Felder beschriftet haben, nicht bestätigen, wird dem Modell mitgeteilt, dass Sie es nicht als echtes Beispiel für das vorhergesagte Feld betrachten. Dies spiegelt sich in den Validierungspunktzahlen und der allgemeinen Feldleistung wider.
- Extraktionsfelder werden auf Nachrichtenebene überprüft, nicht nur auf Absatzebene. Wenn Sie eine gesamte Nachricht auf Felder überprüfen, überprüfen Sie alle Felder in der Nachricht.
Wenn Sie ein Feld in einer Meldung, in der Sie andere Felder beschriftet haben, nicht bestätigen, wird dem Modell mitgeteilt, dass Sie es nicht als echtes Beispiel für das vorhergesagte Feld betrachten. Dies spiegelt sich in den Validierungspunktzahlen und der Leistung des Extraktionsfelds wider.
- Globale Felder dürfen sich weder miteinander noch mit einem anderen Beispiel von sich selbst überschneiden.
- Globale Felder und Extraktionsfelder können sich miteinander überschneiden.
- Sie können denselben Textabschnitt so oft verwenden, wie es für verschiedene Extraktionsfelder erforderlich ist.
- Derzeit gibt es keine allgemeine Vorschau der Feldnormalisierung in Communications Mining. Felder, die normalisiert werden sollten, werden in der Downstream-Antwort normalisiert. Die Normalisierung in Communications Mining wird künftig im Modell verfügbar sein.
- Wenn ein untergeordnetes Label Extraktionen enthält, erbt sein übergeordnetes Element die Extraktionsbeispiele nicht automatisch. Bei Beschriftungen erbt das übergeordnete Element automatisch die Extraktionsbeispiele.
- Das Bereitstellen zusätzlicher Extraktionsbeispiele verbessert die Leistung einer Bezeichnung nicht . Um die Leistung einer Bezeichnung zu verbessern, konzentrieren Sie sich auf beschriftungsspezifisches Training.
- Durch die Verbesserung der Bezeichnungsleistung können Sie die Wahrscheinlichkeit erhöhen , dass Sie Vorkommen erfassen, bei denen eine Bezeichnung (und anschließend auch deren Extraktionen) hätten vorhergesagt werden müssen.
Um die Leistung Ihrer Extraktionen zu verbessern, stellen Sie validierte Beispiele zu den Extraktionen selbst zur Verfügung.