Clasificador basado en palabras clave

Qué es el clasificador basado en palabras claves

The Keyword Based Classifier is a simple classifier that searches for repeating string sequences within a given file, in order to perform document classification.

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.

The Keyword Based Classifier can work with a single string entry (one string that is considered as one entry in the learning data the Classifier is using), or with an entry containing multiple strings (two or more strings that form a single entry). In the case of multiple strings, the Classifier applies the matching algorithm to each string individually and then computes a simple average of the confidences of the identified matches.

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 special requirements to use the Keyword Based Classifier.

Cómo configurar en tiempo de diseño

You can configure the Keyword Based Classifier at design-time, by simply accessing the Manage Learning wizard of the activity. The same wizard can be used for reviewing data collected during the document classification training phase, by opening the same wizard with an updated learning file path.

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:

Manage Keyword Based Classifier Learning wizard can be used only for editing and configuring a file path.

1. Add a Keyword Based Classifier/Keyword Based Classifier Trainer activity to your workflow.

2. Configura la actividad Clasificador basado en palabras clave añadiendo la ruta de un archivo .json.

   • If no path is provided and the Manage Learning option is clicked, then a popup is displayed, asking for a Learning File Path input. Once the path is provided, the wizard opens.
   • A variable can be added instead of a .json file, but, because the wizard cannot apply the learning pattern to a LearningData variable, it asks for a specific file path that can be edited.

3. Click on the Manage Learning option.

   • The Wizard window opens.

     

4. If no path is provided and the Manage Learning option is clicked, then a popup is displayed, asking for a Learning File Path. Once the path is provided, the wizard opens.

   

   Nota:

   Even if no .json file is available, you can add the name of a new .json file straight into the activity and the .json file is automatically created inside the specified folder.

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.

• Clicking the Add new keyword set button adds an extra field to that category.

• Clicking the button removes the field and its keywords.

• Click the Save button for saving your wizard configuration. You can find all the added values in the .json file of the project.

  Nota:

  Double quotes entered as part of a keyword in the Manage Keywords wizard are always escaped according to the Visual Basic convention (double double quotes), even in a C# flavored project.

Cómo entrenarlo

Place the Keyword Based Classifier Trainer activity in a Train Classifiers Scope, and configure it accordingly.

For more information, check Document Classification Training.