communications-mining
latest
false
- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Champs généraux (anciennement entités)
- Libellés (prédictions, niveaux de confiance, hiérarchie, etc.)
- Modèles
- Flux
- Évaluation du modèle
- Projets
- Précision
- Rappel
- Messages examinés et non examinés
- Sources
- Taxonomies
- Apprentissage
- Prédictions positives et négatives vraies et fausses
- Validation
- Messages
- Administration
- Gérer les sources et les jeux de données
- Comprendre la structure des données et les autorisations
- Create or delete a data source in the GUI
- Téléchargement d’un fichier CSV dans une source
- Préparation des données en vue du téléchargement du fichier .CSV
- Créer un nouveau jeu de données
- Sources et jeux de données multilingues
- Activation des sentiments sur un ensemble de données
- Modifier les paramètres d’un jeu de données
- Supprimer des messages via l'interface utilisateur
- Supprimer un jeu de données
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Entraînement et maintenance du modèle
- Comprendre les libellés, les champs généraux et les métadonnées
- Hiérarchie des libellés et bonnes pratiques
- Définition de vos objectifs de taxonomie
- Cas d'utilisation d'analyse vs d'automatisation
- Transformer vos objectifs en libellés
- Construire votre structure de taxonomie
- Meilleures pratiques de conception de taxonomie
- Importation de votre taxonomie
- Présentation du processus d'entraînement du modèle
- Annotation générative (New)
- Statut du jeu de données
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- Comprendre les exigences de données
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de la classification par glisser-déposer
- Entraînement à l'aide de l'option Enseigner le libellé (Explore)
- Entraînement à l'aide d'une confiance faible
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à affiner
- Précision et rappel expliqués
- Précision et rappel
- Comment fonctionne la validation ?
- Comprendre et améliorer les performances du modèle
- Pourquoi un libellé peut-il avoir une précision moyenne faible ?
- Entraînement à l'aide du libellé Vérifier (Check label) et du libellé Manqué (Missed Label)
- Entraînement à l'aide du libellé En savoir plus (Affiner)
- Entraînement à l'aide de la recherche (affiner)
- Comprendre et augmenter la couverture
- Amélioration de l'équilibre et utilisation du rééquilibrage
- Quand arrêter l'entraînement de votre modèle
- Utilisation de champs généraux
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- Informations de licence
- FAQ et plus encore
Important :
Ce contenu a été traduit à l'aide d'une traduction automatique.
Guide de l'utilisateur de Communications Mining
Dernière mise à jour 20 déc. 2024
Meilleures pratiques et considérations
Le champ général mis en évidence doit couvrir le mot entier (ou plusieurs) en question, pas seulement une partie du mot. N'incluez pas d'espaces supplémentaires à la fin du champ.
Comme pour les libellés, ne passez pas partiellement en revue vos champs général et d'extraction.
- Les champs généraux sont examinés au niveau du paragraphe, pas au niveau du message dans son intégralité. Lorsque vous recherchez des champs pour un paragraphe, passez en revue tous les champs du paragraphe.
Ne pas confirmer un champ dans un paragraphe où vous avez labellisé d'autres champs indique au modèle que vous ne le considérez pas comme un véritable exemple du champ prédit. Cela se reflète dans les scores de validation et les performances générales du champ.
- Les champs d'extraction sont examinés au niveau du message, pas seulement au niveau du paragraphe. Lorsque vous consultez un message complet pour les champs, examinez tous les champs du message.
Ne pas confirmer un champ dans un message où vous avez labellisé d’autres champs indique au modèle que vous ne le considérez pas comme un véritable exemple du champ prédit. Cela se reflète dans les scores de validation et les performances du champ d'extraction.
Remarque : Les considérations au niveau du champ et les performances d'extraction et de labellisation sont les éléments les plus importants à retenir lors de l'attribution des champs généraux et d'extraction .
- Les champs globaux ne peuvent pas se superposer les uns aux autres ou avec un autre exemple d'eux-mêmes.
- Les champs globaux et les champs d'extraction peuvent se superposer.
- Vous pouvez utiliser la même plage de texte autant de fois que nécessaire par différents champs d'extraction.
- Il n'y a actuellement aucun aperçu de la normalisation des champs généraux dans Communications Mining. Les champs qui doivent être normalisés seront normalisés dans la réponse en aval. La normalisation dans Communications Mining sera disponible dans le modèle à l'avenir.
- Si un libellé enfant comporte des extractions, son parent n'hérite pas automatiquement des exemples d'extraction . Pour les libellés, son parent hérite automatiquement des exemples d'extraction.
- Fournir des exemples d'extraction supplémentaires n'améliore pas les performances d'un libellé. Pour améliorer les performances d'un libellé, concentrez-vous sur l'entraînement spécifique au libellé.
- L'amélioration des performances de labellisation vous permet d' augmenter la probabilité de capturer des occurrences où une étiquette (et par la suite ses extractions) auraient dû être prédites.
Pour améliorer les performances de vos extractions, fournissez des exemples validés sur les extractions elles-mêmes.
