Keyword Based Classifier

Qu'est-ce que le Keyword Based Classifier

Le classifieur basé sur des mots-clés est un classifieur simple qui recherche des séquences de chaînes répétitives dans un fichier donné afin d'effectuer une classification de documents.

L'algorithme est construit autour du concept de titres de documents et part du principe que l'apparence des titres des types de documents qui en comportent varie relativement peu dans les documents.

Lors de la classification d'un fichier dans un type de document, le classifieur basé sur des mots-clés (Keyword Based Classifier) :

trouve la meilleure chaîne ou collection de chaînes correspondante à partir de ses données d'apprentissage, qui s'applique à un type de document de taxonomie. La confiance est calculée sur la base :
- du degré de correspondance au début du document,
- du nombre de fois que la correspondance a été confirmée par les travailleurs de la connaissance et confortée dans les données d'apprentissage.
des rapports sur le type de document ayant obtenu le score le plus élevé, avec la configuration correspondante sous-jacente.

Le classifieur basé sur des mots-clés (Keyword Based Classifier) peut fonctionner avec une seule entrée de chaîne (une chaîne considérée comme une entrée dans les données d'apprentissage utilisée par le classifieur) ou avec une entrée contenant plusieurs chaînes (deux chaînes ou plus qui forment une seule entrée). En cas de chaîne multiple, le classifieur applique l'algorithme de correspondance sur chaque chaîne, puis calcule une moyenne simple des confiances des correspondances identifiées.

Exemple

Prenons l'exemple ci-dessous :

si une entrée contient une seule chaîne, par exemple, "this is my match", le classifieur basé sur les mots-clés recherche et évalue cette chaîne comme une correspondance potentielle de type de document (selon le type de document auquel la chaîne est attribuée).
si une entrée contient trois chaînes, par exemple, ["this is a match", "needs more evidence for filtering", "yet another one"], le classifieur basé sur les mots-clés recherche et évalue chacune des trois chaînes, puis calcule une moyenne simple des confiances correspondantes à des fins de rapport.

L'ensemble de mots-clés peut être défini dans une ligne ou en utilisant plusieurs lignes. Lorsqu'il est défini sur une ligne, il identifie l'entrée donnée. Par exemple, si x, yet z sont répertoriés comme mots clés, la recherche recherchera x et y et z.

Avoir plusieurs lignes définies signifie que la fonction de recherche recherche les mots-clés répertoriés dans la première ligne, ou la deuxième ligne, ou la troisième jusqu'à ce qu'elle couvre toutes les lignes et identifie les meilleures correspondances, augmentant ainsi le score de confiance en ayant simplement identifié plus de correspondances à partir de plus de mots-clés disponibles.

Quand l'utiliser

Nous vous conseillons d'utiliser ce classifieur si :

vos fichiers contiennent chacun un seul et unique type de document (aucun fractionnement de fichier n'est donc nécessaire) ;
vos dossiers contiennent des preuves liées au type de document dans les trois premières pages du dossier.