预测

获取已固定模型的预测

/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict

所需权限：查看标签、查看来源

重要提示：

可计费操作

我们将按请求正文中提供的每条注释向您收取 1 个 AI Unit。

• 重击

  curl -X POST 'https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict' \
      -H "Authorization: Bearer $REINFER_TOKEN" \
      -H "Content-Type: application/json" \
      -d '{
    "documents": [
      {
        "messages": [
          {
            "body": {
              "text": "Hi Bob,\n\nCould you send me the figures for today?"
            },
            "from": "[e-mail]",
            "sent_at": "2020-01-09T16:34:45Z",
            "signature": {
              "text": "Thanks,\nAlice"
            },
            "subject": {
              "text": "Figures Request"
            },
            "to": [
              "[e-mail]"
            ]
          }
        ],
        "timestamp": "2013-09-12T20:01:20.000000+00:00",
        "user_properties": {
          "string:City": "London"
        }
      },
      {
        "messages": [
          {
            "body": {
              "text": "Alice,\n\nHere are the figures for today."
            },
            "from": "[e-mail]",
            "sent_at": "2020-01-09T16:44:45Z",
            "signature": {
              "text": "Regards,\nBob"
            },
            "subject": {
              "text": "Re: Figures Request"
            },
            "to": [
              "[e-mail]"
            ]
          }
        ],
        "timestamp": "2011-12-12T10:04:30.000000+00:00",
        "user_properties": {
          "string:City": "Bucharest"
        }
      }
    ],
    "threshold": 0.25
  }'

• 节点

  const request = require("request");
  
  request.post(
    {
      url: "https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict",
      headers: {
        Authorization: "Bearer " + process.env.REINFER_TOKEN,
      },
      json: true,
      body: {
        documents: [
          {
            messages: [
              {
                body: {
                  text: "Hi Bob,\n\nCould you send me the figures for today?",
                },
                from: "[e-mail]",
                sent_at: "2020-01-09T16:34:45Z",
                signature: { text: "Thanks,\nAlice" },
                subject: { text: "Figures Request" },
                to: ["[e-mail]"],
              },
            ],
            timestamp: "2013-09-12T20:01:20.000000+00:00",
            user_properties: { "string:City": "London" },
          },
          {
            messages: [
              {
                body: { text: "Alice,\n\nHere are the figures for today." },
                from: "[e-mail]",
                sent_at: "2020-01-09T16:44:45Z",
                signature: { text: "Regards,\nBob" },
                subject: { text: "Re: Figures Request" },
                to: ["[e-mail]"],
              },
            ],
            timestamp: "2011-12-12T10:04:30.000000+00:00",
            user_properties: { "string:City": "Bucharest" },
          },
        ],
        threshold: 0.25,
      },
    },
    function (error, response, json) {
      // digest response
      console.log(JSON.stringify(json, null, 2));
    }
  );

• Python

  import json
  import os
  
  import requests
  
  response = requests.post(
      "https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict",
      headers={"Authorization": "Bearer " + os.environ["REINFER_TOKEN"]},
      json={
          "documents": [
              {
                  "messages": [
                      {
                          "from": "[e-mail]",
                          "to": ["[e-mail]"],
                          "sent_at": "2020-01-09T16:34:45Z",
                          "body": {
                              "text": "Hi Bob,\n\nCould you send me the figures for today?"
                          },
                          "subject": {"text": "Figures Request"},
                          "signature": {"text": "Thanks,\nAlice"},
                      }
                  ],
                  "timestamp": "2013-09-12T20:01:20.000000+00:00",
                  "user_properties": {"string:City": "London"},
              },
              {
                  "messages": [
                      {
                          "from": "[e-mail]",
                          "to": ["[e-mail]"],
                          "sent_at": "2020-01-09T16:44:45Z",
                          "body": {
                              "text": "Alice,\n\nHere are the figures for today."
                          },
                          "subject": {"text": "Re: Figures Request"},
                          "signature": {"text": "Regards,\nBob"},
                      }
                  ],
                  "timestamp": "2011-12-12T10:04:30.000000+00:00",
                  "user_properties": {"string:City": "Bucharest"},
              },
          ],
          "threshold": 0.25,
      },
  )
  
  print(json.dumps(response.json(), indent=2, sort_keys=True))

• 响应

  {
    "entities": [
      [
        {
          "capture_ids": [],
          "formatted_value": "Bob",
          "id": "76aebf2646577a1d",
          "kind": "person",
          "name": "person",
          "probability": null,
          "span": {
            "char_end": 6,
            "char_start": 3,
            "content_part": "body",
            "message_index": 0,
            "utf16_byte_end": 12,
            "utf16_byte_start": 6
          }
        },
        {
          "capture_ids": [],
          "formatted_value": "2020-01-09 00:00 UTC",
          "id": "20beddf4c5f5bb61",
          "kind": "date",
          "name": "date",
          "probability": null,
          "span": {
            "char_end": 48,
            "char_start": 43,
            "content_part": "body",
            "message_index": 0,
            "utf16_byte_end": 96,
            "utf16_byte_start": 86
          }
        }
      ],
      []
    ],
    "model": {
      "time": "2020-02-06T20:42:58.047000Z",
      "version": 5
    },
    "predictions": [
      [
        {
          "name": ["Some Label"],
          "probability": 0.8896465003490448
        },
        {
          "name": ["Parent Label", "Child Label"],
          "probability": 0.26687008142471313,
          "sentiment": 0.8762539502232571
        }
      ],
      [
        {
          "name": ["Other Label"],
          "probability": 0.6406207121908665
        }
      ]
    ],
    "status": "ok"
  }

您必须在请求中提供要查询以进行预测的模型版本。 您可以使用整数版本号或者特殊值live或staging来查询当前的“实时”或“临时”模型版本。

请求格式

名称	类型	必填	说明
documents	array<Comment>	是	最多包含 4096 个文档的批次，其格式请参阅注释参考。 对于每个文档，较大批处理比较小批处理速度更快。
threshold	数字	否	用于筛选标签结果的可信度阈值。 介于1.0和0.0之间的数字。 0.0将包含所有结果。 设置为"auto"可使用自动阈值。 如果未设置，则将使用默认阈值0.25 。
labels	array<Label>	否	要返回的请求标签列表，以及特定于标签的阈值（可选）。

其中Label具有以下格式：

名称	类型	必填	说明
name	array<string>	是	要返回的标签名称，格式为层次结构标签列表。 例如，标签"Parent Label > Child Label"将采用["Parent Label", "Child Label"]格式。
threshold	数字	否	用于标签的置信度阈值。 如果未指定，将默认为在顶层指定的阈值。

响应格式

名称	类型	说明
status	字符串	ok 如果请求成功，则返回error （如果发生错误）。 请参阅概述，详细了解错误响应。
predictions	array<array<Label>>	array<Label>列表，其顺序与请求中的注释相同，其中每个Label具有此处所述的格式。
entities	array<array<Entity>>	array<Entity>列表，其顺序与请求中的注释相同，其中每个Entity具有此处所述的格式。
label_properties	array<LabelProperty>	包含此注释的预测标签属性的数组，其中的每个LabelProperty具有此处所述的格式。
model	模型	用于进行预测的模型的相关信息，采用此处描述的格式。

获取原始电子邮件的已固定模型的预测

/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-raw-emails

所需权限：查看标签、查看来源

重要提示：

可计费操作

对于请求正文中提供的每封原始电子邮件，您需要支付 1 个 AI Unit。

• 重击

  curl -X POST 'https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-raw-emails' \
      -H "Authorization: Bearer $REINFER_TOKEN" \
      -H "Content-Type: application/json" \
      -d '{
    "documents": [
      {
        "raw_email": {
          "body": {
            "plain": "Hi Bob,\n\nCould you send me the figures for today?\n\nThanks,\nAlice"
          },
          "headers": {
            "parsed": {
              "Date": "Thu, 09 Jan 2020 16:34:45 +0000",
              "From": "[e-mail]",
              "Message-ID": "[e-mail]",
              "References": "<[e-mail]> <[e-mail]>",
              "Subject": "Figures Request",
              "To": "[e-mail]"
            }
          }
        },
        "user_properties": {
          "string:City": "London"
        }
      },
      {
        "raw_email": {
          "body": {
            "html": "<p>Alice,</p><p>Here are the figures for today.</p><p>Regards,<br/>Bob</p>"
          },
          "headers": {
            "raw": "Message-ID: [e-mail]\nDate: Thu, 09 Jan 2020 16:44:45 +0000\nSubject: Re: Figures Request\nFrom: [e-mail]\nTo: [e-mail]"
          }
        },
        "user_properties": {
          "string:City": "Bucharest"
        }
      }
    ],
    "include_comments": false,
    "threshold": 0.25,
    "transform_tag": "generic.0.CONVKER5"
  }'

• 节点

  const request = require("request");
  
  request.post(
    {
      url: "https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-raw-emails",
      headers: {
        Authorization: "Bearer " + process.env.REINFER_TOKEN,
      },
      json: true,
      body: {
        documents: [
          {
            raw_email: {
              body: {
                plain:
                  "Hi Bob,\n\nCould you send me the figures for today?\n\nThanks,\nAlice",
              },
              headers: {
                parsed: {
                  Date: "Thu, 09 Jan 2020 16:34:45 +0000",
                  From: "[e-mail]",
                  "Message-ID": "[e-mail]",
                  References: "<[e-mail]> <[e-mail]>",
                  Subject: "Figures Request",
                  To: "[e-mail]",
                },
              },
            },
            user_properties: { "string:City": "London" },
          },
          {
            raw_email: {
              body: {
                html: "<p>Alice,</p><p>Here are the figures for today.</p><p>Regards,<br/>Bob</p>",
              },
              headers: {
                raw: "Message-ID: [e-mail]\nDate: Thu, 09 Jan 2020 16:44:45 +0000\nSubject: Re: Figures Request\nFrom: [e-mail]\nTo: [e-mail]",
              },
            },
            user_properties: { "string:City": "Bucharest" },
          },
        ],
        include_comments: false,
        threshold: 0.25,
        transform_tag: "generic.0.CONVKER5",
      },
    },
    function (error, response, json) {
      // digest response
      console.log(JSON.stringify(json, null, 2));
    }
  );

• Python

  import json
  import os
  
  import requests
  
  response = requests.post(
      "https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-raw-emails",
      headers={"Authorization": "Bearer " + os.environ["REINFER_TOKEN"]},
      json={
          "transform_tag": "generic.0.CONVKER5",
          "documents": [
              {
                  "raw_email": {
                      "headers": {
                          "parsed": {
                              "Message-ID": "[e-mail]",
                              "Date": "Thu, 09 Jan 2020 16:34:45 +0000",
                              "Subject": "Figures Request",
                              "From": "[e-mail]",
                              "To": "[e-mail]",
                              "References": "<[e-mail]> <[e-mail]>",
                          }
                      },
                      "body": {
                          "plain": "Hi Bob,\n\nCould you send me the figures for today?\n\nThanks,\nAlice"
                      },
                  },
                  "user_properties": {"string:City": "London"},
              },
              {
                  "raw_email": {
                      "headers": {
                          "raw": "Message-ID: [e-mail]\nDate: Thu, 09 Jan 2020 16:44:45 +0000\nSubject: Re: Figures Request\nFrom: [e-mail]\nTo: [e-mail]"
                      },
                      "body": {
                          "html": "<p>Alice,</p><p>Here are the figures for today.</p><p>Regards,<br/>Bob</p>"
                      },
                  },
                  "user_properties": {"string:City": "Bucharest"},
              },
          ],
          "threshold": 0.25,
          "include_comments": False,
      },
  )
  
  print(json.dumps(response.json(), indent=2, sort_keys=True))

• 响应

  {
    "entities": [
      [
        {
          "capture_ids": [],
          "formatted_value": "Bob",
          "id": "76aebf2646577a1d",
          "kind": "person",
          "name": "person",
          "probability": null,
          "span": {
            "char_end": 6,
            "char_start": 3,
            "content_part": "body",
            "message_index": 0,
            "utf16_byte_end": 12,
            "utf16_byte_start": 6
          }
        },
        {
          "capture_ids": [],
          "formatted_value": "2020-01-09 00:00 UTC",
          "id": "20beddf4c5f5bb61",
          "kind": "date",
          "name": "date",
          "probability": null,
          "span": {
            "char_end": 48,
            "char_start": 43,
            "content_part": "body",
            "message_index": 0,
            "utf16_byte_end": 96,
            "utf16_byte_start": 86
          }
        }
      ],
      []
    ],
    "model": {
      "time": "2020-02-06T20:42:58.047000Z",
      "version": 5
    },
    "predictions": [
      [
        {
          "name": ["Some Label"],
          "probability": 0.8896465003490448
        },
        {
          "name": ["Parent Label", "Child Label"],
          "probability": 0.26687008142471313,
          "sentiment": 0.8762539502232571
        }
      ],
      [
        {
          "name": ["Other Label"],
          "probability": 0.6406207121908665
        }
      ]
    ],
    "status": "ok"
  }

您必须在请求中提供要查询以进行预测的模型版本。 您可以使用整数版本号或者特殊值live或staging来查询当前的“实时”或“临时”模型版本。

请求格式

名称	类型	必填	说明
transform_tag	字符串	是	指定应如何处理原始数据的标签。
documents	array<Document>	是	一批至多包含 4096 个文档，其格式如下所述。 对于每个文档，较大批处理比较小批处理速度更快。
threshold	数字	否	用于筛选标签结果的可信度阈值。 介于1.0和0.0之间的数字。 0.0将包含所有结果。 设置为"auto"可使用自动阈值。 如果未设置，则将使用默认阈值0.25 。
labels	array<Label>	否	要返回的请求标签列表，以及特定于标签的阈值（可选）。
include_comments	boolean	否	如果设置为true ，则从电子邮件中解析的注释将在响应正文中返回。

其中Document具有以下格式：

名称	类型	必填	说明
raw_email	RawEmail	是	以此处描述的格式通过电子邮件发送数据。
user_properties	map<string, string | number>	否	适用于注释的任何用户定义的元数据。 此处介绍了格式。 注意：某些用户属性是根据电子邮件内容生成的。 如果这些属性与上传的用户属性冲突，则请求将失败，并422 Unprocessable Entity 。

其中Label具有以下格式：

名称	类型	必填	说明
name	array<string>	是	要返回的标签名称，格式为层次结构标签列表。 例如，标签"Parent Label > Child Label"将采用["Parent Label", "Child Label"]格式。
threshold	数字	否	用于标签的置信度阈值。 如果未指定，将默认为在顶层指定的阈值。

响应格式

名称	类型	说明
status	字符串	ok 如果请求成功，则返回error （如果发生错误）。 请参阅概述，详细了解错误响应。
comments	array<Comment>	从上传的原始电子邮件中解析的注释列表，其格式请参阅注释参考。 仅在请求中设置了include_comments时返回。
predictions	array<array<Label>>	array<Label>列表，其顺序与请求中的注释相同，其中每个Label具有此处所述的格式。
entities	array<array<Entity>>	array<Entity>列表，其顺序与请求中的注释相同，其中每个Entity具有此处所述的格式。
label_properties	array<LabelProperty>	包含此注释的预测标签属性的数组，其中的每个LabelProperty具有此处所述的格式。
model	模型	用于进行预测的模型的相关信息，采用此处描述的格式。

备注：

对于大型请求，此端点可能需要更长时间才能响应。 您应该增加客户端超时时间。

按注释 ID 获取已固定模型的预测

/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-comments

所需权限：查看标签、查看来源

• 重击

  curl -X POST 'https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-comments' \
      -H "Authorization: Bearer $REINFER_TOKEN" \
      -H "Content-Type: application/json" \
      -d '{
    "threshold": 0.25,
    "uids": [
      "18ba5ce699f8da1f.0001",
      "18ba5ce699f8da1f.0002"
    ]
  }'

• 节点

  const request = require("request");
  
  request.post(
    {
      url: "https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-comments",
      headers: {
        Authorization: "Bearer " + process.env.REINFER_TOKEN,
      },
      json: true,
      body: {
        threshold: 0.25,
        uids: ["18ba5ce699f8da1f.0001", "18ba5ce699f8da1f.0002"],
      },
    },
    function (error, response, json) {
      // digest response
      console.log(JSON.stringify(json, null, 2));
    }
  );

• Python

  import json
  import os
  
  import requests
  
  response = requests.post(
      "https://<my_api_endpoint>/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/predict-comments",
      headers={"Authorization": "Bearer " + os.environ["REINFER_TOKEN"]},
      json={
          "uids": ["18ba5ce699f8da1f.0001", "18ba5ce699f8da1f.0002"],
          "threshold": 0.25,
      },
  )
  
  print(json.dumps(response.json(), indent=2, sort_keys=True))

• 响应

  {
    "model": {
      "time": "2020-02-06T20:42:58.047000Z",
      "version": 5
    },
    "predictions": [
      {
        "entities": [
          {
            "capture_ids": [],
            "formatted_value": "Bob",
            "id": "76aebf2646577a1d",
            "kind": "person",
            "name": "person",
            "probability": null,
            "span": {
              "char_end": 6,
              "char_start": 3,
              "content_part": "body",
              "message_index": 0,
              "utf16_byte_end": 12,
              "utf16_byte_start": 6
            }
          },
          {
            "capture_ids": [],
            "formatted_value": "2020-01-09 00:00 UTC",
            "id": "20beddf4c5f5bb61",
            "kind": "date",
            "name": "date",
            "probability": null,
            "span": {
              "char_end": 48,
              "char_start": 43,
              "content_part": "body",
              "message_index": 0,
              "utf16_byte_end": 96,
              "utf16_byte_start": 86
            }
          }
        ],
        "labels": [
          {
            "name": ["Some Label"],
            "probability": 0.8896465003490448
          },
          {
            "name": ["Parent Label", "Child Label"],
            "probability": 0.26687008142471313,
            "sentiment": 0.8762539502232571
          }
        ],
        "uid": "18ba5ce699f8da1f.0001"
      },
      {
        "entities": [],
        "labels": [
          {
            "name": ["Other Label"],
            "probability": 0.6406207121908665
          }
        ],
        "uid": "18ba5ce699f8da1f.0002"
      }
    ],
    "status": "ok"
  }

您必须在请求中提供要查询以进行预测的模型版本。 您可以使用整数版本号或者特殊值live或staging来查询当前的“实时”或“临时”模型版本。

请求格式

名称	类型	必填	说明
uids	array<string>	是	至多包含 4096 个source_id和comment_id组合的列表，格式为source_id.comment_id 。 源不必属于当前数据集，因此您可以请求预测不同数据集（或无数据集）中来源的注释。 较大的列表（每个注释）比较小的列表更快。
threshold	数字	否	用于筛选标签结果的可信度阈值。 介于1.0和0.0之间的数字。 0.0将包含所有结果。 设置为"auto"可使用自动阈值。 如果未设置，则将使用默认阈值0.25 。
labels	array<Label>	否	要返回的请求标签列表，以及特定于标签的阈值（可选）。

其中Label具有以下格式：

名称	类型	必填	说明
name	array<string>	是	要返回的标签名称，格式为层次结构标签列表。 例如，标签"Parent Label > Child Label"将采用["Parent Label", "Child Label"]格式。
threshold	数字	否	用于标签的置信度阈值。 如果未指定，将默认为在顶层指定的阈值。

响应格式

名称	类型	说明
status	字符串	ok 如果请求成功，则返回error （如果发生错误）。 请参阅概述，详细了解错误响应。
predictions	array<Prediction>	采用下文所述格式的预测列表。
model	模型	用于进行预测的模型的相关信息，采用此处描述的格式。

其中Prediction具有以下格式：

名称	类型	说明
uid	字符串	source_id和comment_id的组合，格式为source_id.comment_id 。
labels	array<Label>	包含此注释的预测标签的数组，其中Label的格式请参见此处所述。
entities	array<Entity>	包含此注释的预测实体的数组，其中Entity的格式请参见此处所述。
label_properties	array<LabelProperty>	包含此注释的预测标签属性的数组，其中的每个LabelProperty具有此处所述的格式。

注意：对于大型请求，此端点可能需要更长时间才能响应。 您应该增加客户端超时时间。

获取模型验证统计信息

/api/v1/datasets/<project>/<dataset_name>/labellers/<version>/validation

所需权限：查看标签、查看来源

• 重击

  curl -X GET 'https://<my_api_endpoint>/api/v1/datasets/project1/collateral/labellers/live/validation' \
      -H "Authorization: Bearer $REINFER_TOKEN"

• 节点

  const request = require("request");
  
  request.get(
    {
      url: "https://<my_api_endpoint>/api/v1/datasets/project1/collateral/labellers/live/validation",
      headers: {
        Authorization: "Bearer " + process.env.REINFER_TOKEN,
      },
    },
    function (error, response, json) {
      // digest response
      console.log(JSON.stringify(json, null, 2));
    }
  );

• Python

  import json
  import os
  
  import requests
  
  response = requests.get(
      "https://<my_api_endpoint>/api/v1/datasets/project1/collateral/labellers/live/validation",
      headers={"Authorization": "Bearer " + os.environ["REINFER_TOKEN"]},
  )
  
  print(json.dumps(response.json(), indent=2, sort_keys=True))

• 响应

  {
    "status": "ok",
    "validation": {
      "coverage": 0.9119927883148193,
      "dataset_quality": "good",
      "labels": [
        {
          "name": "Notification",
          "parts": ["Notification"]
        },
        {
          "name": "Notification > Out of Office",
          "parts": ["Notification", "Out of Office"]
        },
        {
          "name": "Notification > Public Holiday",
          "parts": ["Notification", "Public Holiday"]
        }
      ],
      "mean_average_precision_safe": 0.83,
      "num_amber_labels": 1,
      "num_labels": 3,
      "num_red_labels": 1,
      "num_reviewed_comments": 10251,
      "version": 5
    }
  }

此路由会返回有关模型执行情况的统计信息。 您可以在“验证” 页面中查看相同的统计信息。 可以使用整数version数字请求模型的统计信息。 您可以使用特殊值live和staging检索当前实时或临时模型版本的统计信息，或使用特殊值latest检索最近可用的模型版本。

尽管此端点同时接受固定和未固定的模型版本，但我们建议查询已固定的模型版本或特殊值latest ，因为不保证可用于未固定的模型版本。

响应validation对象包含以下字段：

名称	类型	说明
mean_average_precision_safe	float	平均精度分数（在0.0和1.0之间）。 如果 MAP 不可用，则此字段将为null 。
num_labels	数字	分类中的标签数量（在固定模型版本时）。
labels	array<Label>	分类中的标签列表（在固定模型版本时）。 请注意，如响应示例所示，除了作为子标签的一部分返回外，父标签还会作为单独的标签返回。
num_reviewed_comments	数字	数据集中已审核的注释数量（在模型版本固定时）。
version	数字	模型版本。
num_amber_labels	数字	处于黄色警告状态的标签数量。
num_red_labels	数字	处于红色警告状态的标签数量。
dataset_score	数字	数据集总分，介于0和100之间。
dataset_quality	字符串	"poor" 、 "average" 、 "good"和"excellent"中的一个，表示数据集的整体质量排名。 如果数据不足，可以是null 。
balance	float	衡量已审核注释与未审核注释之间相似性的指标（介于0.0和1.0之间）。 如果数据不足，可以是null 。
balance_quality	字符串	"poor" 、 "average" 、 "good"和"excellent"中的一个，表示天平质量排名。 如果数据不足，可以是null 。
coverage	float	数据集中标签覆盖率的分数值（介于0.0和1.0之间）。 如果数据不足，可以是null 。
coverage_quality	字符串	"poor" 、 "average" 、 "good"和"excellent"中的一个，表示覆盖质量排名。 如果数据不足，可以是null 。
all_labels_quality	字符串	"poor" 、 "average" 、 "good"和"excellent"之一，表示所有标签质量排名。 如果数据不足，可以是null 。
underperforming_labels_quality	字符串	"poor" 、 "average" 、 "good"和"excellent"之一，表示表现不佳的标签质量排名。 如果数据不足，可以是null 。

其中Label具有以下格式：

名称	类型	说明
name	字符串	标签名称，字符串格式。
parts	array<string>	标签的名称，格式为层次结构标签列表。 例如，标签"Parent Label > Child Label"的格式为["Parent Label", "Child Label"]