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
- Utilisation des analyses de surveillance &
- Automatisations et Communications Mining
- FAQ et plus
Meilleures pratiques de conception de taxonomie
Guide de l'utilisateur de Communications Mining
Dernière mise à jour 18 avr. 2024
Meilleures pratiques de conception de taxonomie
Nous vous recommandons de suivre ces meilleures pratiques pour structurer correctement votre taxonomie et garantir les performances élevées du modèle :
- Alignement des objectifs : assurez-vous que chaque libellé sert un objectif commercial spécifique et qu'il est aligné sur vos objectifs définis.
- Distinct: il est important que chaque libellé soit spécifique dans ce qu'il tente de capturer et qu'il ne se chevauche pas avec d'autres libellés.
- Spécifique (Specific) : évitez d'utiliser des concepts généraux, imprécis ou confus, car ils sont plus susceptibles de fonctionner de façon incorrecte et moins susceptibles de fournir une valeur métier. Essayez de diviser les libellés généraux en plusieurs libellés distincts, si possible. Il est préférable d'être trop spécifique avec des libellés au départ (c'est-à-dire plus de niveaux de hiérarchie) et de les fusionner plus tard si nécessaire, au lieu d'avoir à décomposer manuellement des libellés très généraux.
- Identifiable : assurez-vous que chaque libellé est clairement identifiable à partir du texte des messages auxquels il est appliqué.
- Libellé parent : utilisez un libellé parent si vous prévoyez d'avoir un nombre important d'autres concepts similaires liés à ce sujet plus large.
- Libellé enfant : assurez-vous que chaque libellé imbriqué sous un autre libellé est un sous-ensemble de ce libellé.
- Niveaux de hiérarchie : en général, essayez de ne pas ajouter plus de quatre niveaux de hiérarchie car le modèle devient de plus en plus complexe à entraîner.
- Nom de l'étiquette : ne passez pas trop de temps à penser au nom d'étiquette parfait, car les étiquettes peuvent toujours être renommées plus tard.
- Description du libellé : ajoutez des descriptions de libellés à vos libellés (en accédant à « Libellés et entités » dans Paramètres (Settings)) pour assurer la cohérence de la labellisation, ce qui est particulièrement utile si plusieurs personnes entraînent le modèle.
- Non informatif: créez des libellés sans valeur ajoutée, par exemple des e-mails de remerciement, afin que vous puissiez indiquer à la plateforme ce qui est ou ce qui n’est pas important à analyser.