Определения и термины пользовательского распознавания именованных сущностей
В этой статье содержатся сведения о некоторых определениях и терминах, которые могут вам встретиться при работе с пользовательским NER.
Объект
Сущность — это область текста, указывающая на определенный тип информации. Текстовая область может состоять из одного или нескольких слов. В области настраиваемого NER сущности представляют сведения, которые пользователь хочет извлечь из текста. Разработчики помечают сущности в своих данных с необходимыми сущностями, прежде чем передавать их в модель для обучения. Например, "Номер счета", "Дата начала", "Номер поставки", "Место рождения", "Город происхождения", "Имя поставщика" или "Адрес клиента".
Например, в предложении "Джон занял у Фреда 25 000 долларов США" сущности могут быть:
| Имя/тип сущности | Объект |
|---|---|
| Имя заемщика | John |
| Имя кредитора | Фред |
| Сумма займа | 25 000 долларов США |
Оценка F1
Показатель F1 зависит от точности и полноты. Она необходима при поиске баланса между точностью и полнотой.
Модель
Модель — это объект, обученный для выполнения определенной задачи, в данном случае, для пользовательского распознавания сущностей. Для обучения модели используются данные с метками, чтобы их затем можно было использовать для задач распознавания.
- Обучение модели — это процесс обучения модели извлечению на основе данных с метками.
- Оценка модели — это процесс, который выполняется сразу после обучения для определения уровня производительности модели.
- Развертывание — это процесс назначения модели развертыванию, чтобы сделать ее доступной для использования с помощью API прогнозирования.
Точность
Измеряет, насколько точна модель. Представляет собой соотношение между правильно определенными положительными (истинноположительными) результатами и всеми определенными положительными результатами. Метрика точности показывает, сколько из спрогнозированных классов правильно помечено метками.
Project
Проект — это рабочая область для создания настраиваемых моделей машинного обучения на основе данных. Получить доступ к вашему проекту можете только вы, а также другие пользователи, у которых есть доступ к используемому ресурсу Azure.
В качестве предварительного условия для создания проекта извлечения пользовательских сущностей необходимо подключить ресурс к учетной записи хранения с помощью набора данных при создании нового проекта. Проект автоматически включает все файлы .txt, доступные в вашем контейнере.
В проекте можно выполнять следующие действия:
- Добавление меток к данным. Процесс добавления меток к данным, чтобы при обучении модель знала, что именно нужно извлекать.
- Создание и обучение модели. Основной этап проекта, в котором модель начинает обучаться по данным с метками.
- Просмотр сведений об оценке модели. Проверка производительности модели, чтобы принять решение о том, дает ли модель удовлетворительные результаты или необходимо улучшение.
- Развертывание. После проверки производительности модели и принятия решения об ее использовании в имеющейся среде, необходимо назначить ее развертыванию, чтобы использовать. Назначаемая развертыванию модель становится доступной для использования с помощью API прогнозирования.
- Тестовая модель. После развертывания модели протестируйте развертывание в Language Studio, чтобы узнать, как она будет выполняться в рабочей среде.
Отзыв
Измеряет способность модели прогнозировать фактические положительные классы. Это отношение между спрогнозированными истинноположительными результатами и фактически помеченными значениями. Метрика полноты показывает, сколько из прогнозируемых классов определено верно.