Clasificador basado en palabras clave

Qué es el clasificador basado en palabras claves

El clasificador basado en palabras claves es un clasificador simple que busca secuencias de string que se repiten dentro de un archivo dado, para realizar la clasificación de los documentos.

El algoritmo se crea en torno al concepto de títulos de documentos y parte de la premisa de que el aspecto de los tipos de documentos con títulos suele tener una variación relativamente baja en los documentos.

Al clasificar un archivo en un tipo de documento, el clasificador basado en palabras claves:

• encuentra la mejor string o colección de string coincidentes, a partir de sus datos de aprendizaje, que se aplica a un tipo de documento de la taxonomía. La confianza se calcula en función de:
• la proximidad de la coincidencia con el principio del documento,
• cuántas veces han confirmado la coincidencia los trabajadores y ha sido reforzada en los datos de aprendizaje.
• informa sobre el tipo de documento con mayor puntuación, con la configuración de coincidencia subyacente.

El clasificador basado en palabras claves puede trabajar con una sola entrada de string (una string que se considera como una entrada en los datos de aprendizaje que usa el clasificador), o con una entrada que contiene múltiples strings (dos o más strings que forman una sola entrada). En el caso de múltiples cadenas, el clasificador aplica el algoritmo coincidente a cada cadena de forma individual y luego calcula un promedio de confianza simple para las coincidencias identificadas.

Ejemplo

Pongamos el ejemplo siguiente:

• si una entrada contiene una sola string, por ejemplo, «esta es mi coincidencia», el clasificador basado en palabras claves busca y califica esta string como una posible coincidencia de tipo de documento (según el tipo de documento al que se atribuya la string).
• si una entrada contiene tres strings, por ejemplo, [«esta es una coincidencia», «se necesitan más pruebas para filtrar», «otra más»], entonces el clasificador basado en palabras clave busca y califica cada una de las tres strings, y luego calcula un promedio simple de las confidencias de coincidencia para informar.

Cuándo usarlo

Deberías plantearte el uso de este clasificador si:

• tus archivos contienen un solo tipo de documento cada uno (por lo que no es necesario dividir los archivos);
• tus expedientes contienen pruebas relacionadas con el tipo de documento en las tres primeras páginas del expediente.

Requisitos especiales

No hay requisitos especiales para el uso del Clasificador basado en palabras clave.

Cómo configurar en tiempo de diseño

Puedes configurar el Clasificador basado en palabras clave durante el tiempo de diseño, simplemente accediendo al asistente Administrar aprendizaje de la actividad. El mismo asistente puede utilizarse para revisar los datos recopilados durante la fase de entrenamiento de la clasificación de documentos, abriendo el mismo asistente con una ruta del archivo de aprendizaje actualizada.

Este asistente permite configurar y gestionar las palabras clave utilizadas por esta actividad para identificar el tipo de documento. Fue creado para adaptarse a la necesidad de editar una ruta de archivo. Si en su lugar se utiliza un parámetro de Datos de aprendizaje con una variable, se te preguntará si deseas editar una ruta de archivo específica o anular esta operación.

Nota: El asistente Gestionar el aprendizaje del clasificador basado en palabras clave solo puede utilizarse para editar y configurar una ruta de archivo.

1. Añade una actividad Clasificador basado en palabras clave/Entrenador del clasificador basado en palabras clave a tu flujo de trabajo.
2. Configura la actividad Clasificador basado en palabras clave añadiendo la ruta de un archivo .json.
   • Si no se proporciona una ruta y se hace clic en la opción Administrar aprendizaje, entonces se mostrará una ventana emergente solicitando una entrada de Ruta del archivo de aprendizaje. Una vez proporcionada la ruta se abrirá el asistente.
   • Se puede añadir una variable en lugar de un archivo .json, pero, dado que el asistente no puede aplicar el patrón de aprendizaje a una variable DatosDeAprendizaje, solicita una ruta de archivo específica que se puede editar.
3. Haz clic en la opción Administrar aprendizaje.

   • Se abrirá la ventana del Asistente.

     
     

     

     
     
4. Si no se proporciona ninguna ruta y se hace clic en la opción Administrar aprendizaje, entonces se mostrará una ventana emergente solicitando una Ruta del archivo de aprendizaje. Una vez proporcionada la ruta se abrirá el asistente.
   
   

   

   
   

   Nota: Incluso si no hay ningún archivo .json disponible, puedes añadir el nombre de un nuevo archivo .json directamente en la actividad y el archivo .json se creará automáticamente en la carpeta especificada.

El asistente tiene tantas categorías de tipos de documentos como hayas definido en tu taxonomía. Puedes añadir una o varias palabras clave para cada tipo de documento. La actividad aprende las palabras clave de un documento específico y posteriormente, es capaz de identificar y clasificar el documento en un tipo específico basándose en estas reglas.

Todas las entradas deben introducirse como cadenas, entre (comillas) "", y se pueden añadir valores únicos o múltiples.

• Al hacer clic en el botón Añadir nuevo conjunto de palabras clave, se añade un campo adicional a esa categoría.
• Al hacer clic en el botón , se elimina el campo y sus palabras clave.
• Haz clic en el botón Guardar para guardar la configuración del asistente. Encontrarás todos los valores añadidos en el archivo .json del proyecto.
  Nota: Las comillas dobles introducidas como parte de una palabra clave en el asistente Gestionar palabras clave siempre se escapan de acuerdo con la convención de Visual Basic (comillas dobles), incluso en un proyecto tipo C#.

Cómo entrenarlo

Coloca la actividad Entrenador del clasificador basado en palabras clave en un Ámbito de entrenamiento de los clasificadores, y configúrala en consecuencia.

Para obtener más información, consulta Entrenamiento en clasificación de documentos.