Communications Mining
Plus récente (Latest)
False
- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Entités (Entities)
- 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
- Créer une source de données dans l'interface graphique
- Téléchargement d’un fichier CSV dans une source
- 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
- Préparation des données en vue du téléchargement .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les entités 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)
- Comprendre le statut de votre jeu de données
- Meilleures pratiques d'entraînement et de labellisation des modèles
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de « Mélanger »
- Entraînement à l'aide d'« Ensemble des libellés » (Explore)
- Entraînement à l'aide de l'option 'Faible confiance'
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à 'Raffiner'
- 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 de « Vérifier le libellé » et « Libellé manquant »
- 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 de « Rééquilibrer »
- Quand arrêter l'entraînement de votre modèle
- Définition et configuration de vos entités
- Comprendre les entités
- Quelles sont les entités pré-entraînées disponibles ?
- Activation, désactivation, mise à jour et création d'entités
- Filtrage des entités
- Examiner et appliquer des entités
- Validation pour les entités
- Amélioration des performances de l'entité
- Création d'entités Regex personnalisées
- Application de libellés
- Consulter les messages
- Recherche de messages
- Modification des libellés
- Utilisation des analyses de surveillance &
- Automatisations et Communications Mining
- FAQ et plus
Guide de l'utilisateur de Communications Mining
Dernière mise à jour 18 avr. 2024
Recherche de messages
Autorisations utilisateur requises : « Afficher les sources » ET « Afficher les libellés ».
Vous pouvez utiliser la fonction de recherche dans Explorer (Explore) ou Découvrir (Discover) (en passant du mode cluster via le menu déroulant) pour rechercher des messages contenant des termes ou des phrases spécifiques. La plate-forme met en surbrillance les occurrences de vos termes de recherche dans les messages (comme indiqué ci-dessous).
Rechercher dans Explorer vs Découvrir
- La principale différence entre la recherche dans Découvrir (Discover) et Explorer (Explore) est que dans Découvrir, vous pouvez labelliser les résultats de recherche en bloc (comme la labellisation des clusters), tandis que dans Explore, vous les libellez individuellement
- Contrairement à Découvrir, cependant, Explorer renvoie un nombre total approximatif de messages qui correspondent à votre terme de recherche (comme indiqué ci-dessous). Cela peut être très utile lorsque vous essayez de déterminer le nombre d'exemples dans votre ensemble de données avant de créer un libellé, s'il y a termes très étroitement liés au concept d'étiquette
Exemple de requête de recherche dans Parcourir
Exemple de requête de recherche dans Découvrir
