คู่มือ AI ภาษา

การจำแนกข้อความ

การจัดหมวดหมู่ข้อความจะจัดเรียงข้อความเป็นหมวดหมู่โดยอัตโนมัติ เช่น การแท็กอีเมลว่าเป็นสแปมหรือบทวิจารณ์ว่าเป็นเชิงบวก

ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min

บนหน้านี้อ่าน 3 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของการจำแนกข้อความ
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

นี่เป็นหนึ่งในงาน NLP ที่มีการปรับใช้กันอย่างแพร่หลายมากที่สุด เนื่องจากจะเปลี่ยนข้อความที่ไม่ยุ่งเหยิงให้เป็นป้ายกำกับที่มีโครงสร้างซึ่งระบบสามารถดำเนินการได้

เจาะลึก

Text classification assigns categories to documents, messages, or other text sequences. Binary classification selects between two labels, such as spam and not spam. Multi-class classification assigns exactly one category from a larger set, while multi-label classification permits several categories for the same example. An article can carry both politics and economy tags without requiring those topics to exclude each other. Sentiment and intent can also be classification targets when the task defines their labels. Representations differ across systems: sparse word-count features and dense learned embeddings are two possibilities. A classifier converts those features into scores associated with the defined labels. Evaluation should match the intended decisions. Accuracy is the fraction of correct predictions, but it can conceal failures on a rare category. If almost every message is ordinary, always predicting ordinary can score highly while missing every relevant spam case. Recall for a designated positive class is true positives divided by all actual positives. Precision instead divides true positives by all predicted positives. In an illustrative evaluation with six true positives and two false positives, precision is six divided by eight, or 75 percent. Those quantities answer different questions. A model can have a useful recall yet flag many irrelevant messages. A further distinction concerns output scores: single-label softmax scores sum to one across mutually exclusive alternatives, whereas a separate sigmoid score for each label permits several labels to score highly together. Neither transformation alone establishes that scores are calibrated estimates of real-world frequency.

การใช้งานจริงในโลกแห่งความเป็นจริง

ผู้ให้บริการอีเมลกรองข้อความสแปมและฟิชชิ่งออกจากกล่องจดหมายของคุณ

แบรนด์ดำเนินการวิเคราะห์ความรู้สึกในการรีวิวผลิตภัณฑ์และโพสต์โซเชียลเพื่อวัดอารมณ์ของลูกค้า

โต๊ะสนับสนุนกำหนดเส้นทางตั๋วขาเข้าอัตโนมัติไปยังทีมที่เหมาะสมตามเนื้อหาข้อความ

แพลตฟอร์มโซเชียลที่ทำเครื่องหมายคำพูดแสดงความเกลียดชังหรือความคิดเห็นที่เป็นพิษเพื่อการตรวจสอบการกลั่นกรอง

อนาคตของการจำแนกข้อความ

คำอธิบายและตัวอย่างป้ายกำกับช่วยให้สำรวจงานการจัดหมวดหมู่ใหม่ได้ง่ายขึ้น แต่ไม่ได้สร้างประสิทธิภาพที่สอดคล้องกันในโดเมนต่างๆ การเปรียบเทียบโมเดลแบบกระจาย ตัวเข้ารหัสแบบหนาแน่น และโมเดลภาษาที่ได้รับแจ้งสามารถเปิดเผยความแม่นยำ เวลาแฝง และข้อดีในการบำรุงรักษาที่แตกต่างกันได้ สำหรับการใช้งานในการปฏิบัติงาน การประเมินควรรวมคลาสที่หายากและผลที่ตามมาของการพลาดฉลากหรือไม่ถูกต้อง การเปลี่ยนแปลงภาษาและแหล่งอินพุตสามารถเปลี่ยนผลลัพธ์เหล่านั้นได้เช่นกัน รายงานความแม่นยำต่อคลาสและการเรียกคืนตามที่เกี่ยวข้อง และประเมินการสอบเทียบเอาต์พุตแยกจากการกำหนดหมวดหมู่

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • ความเร็วและขนาด. ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
  • เข้าถึงและเข้าถึง. ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
  • การตัดสินใจที่ชัดเจนยิ่งขึ้น. ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ

ระวัง

  • ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
  • ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
  • ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ

ขั้นตอนต่อไป

  1. กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
  2. การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
  3. รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
  4. ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

ทำแบบทดสอบการจัดประเภทข้อความ

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

การจัดประเภทข้อความคืออะไร?

การจัดหมวดหมู่ข้อความจะจัดเรียงข้อความเป็นหมวดหมู่โดยอัตโนมัติ เช่น การแท็กอีเมลว่าเป็นสแปมหรือบทวิจารณ์ว่าเป็นเชิงบวก นี่เป็นหนึ่งในงาน NLP ที่มีการปรับใช้กันอย่างแพร่หลายมากที่สุด เนื่องจากจะเปลี่ยนข้อความที่ไม่ยุ่งเหยิงให้เป็นป้ายกำกับที่มีโครงสร้างซึ่งระบบสามารถดำเนินการได้

ตัวแยกประเภทข้อความจัดโครงสร้างเอาต์พุตสำหรับเอกสารอินพุตอย่างไร

ผลลัพธ์จะเชื่อมโยงข้อความกับหมวดหมู่ที่กำหนดโดยงาน

สถานการณ์ใดเป็นตัวอย่างของการจำแนกประเภทหลายป้ายกำกับ

การจำแนกประเภทหลายป้ายกำกับช่วยให้สามารถนำไปใช้กับรายการเดียวกันได้มากกว่าหนึ่งหมวดหมู่พร้อมกัน

ในชุดข้อมูลข้อความที่มีคลาสเดียวมีความแม่นยำโดยรวมสูงจะปกปิดอะไรได้บ้าง

การคาดการณ์คลาสส่วนใหญ่สามารถให้ความแม่นยำสูงในขณะที่พลาดผลบวกที่หายากทั้งหมด ดังนั้นการประเมินเฉพาะหมวดหมู่จึงมีความสำคัญ

การเรียกคืนใช้วัดอะไรในงานจำแนกประเภท?

การเรียกคืนคือเศษส่วนของกรณีที่เป็นบวกจริงที่ระบบระบุอย่างถูกต้อง โดยบันทึกจำนวนที่พลาดไป

ในการจัดประเภทข้อความแบบ Zero-shot เฉพาะงาน มีอะไรหายไปสำหรับงานการจัดประเภทใหม่

โมเดลซีโร่ช็อตสามารถฝึกล่วงหน้าหรือฝึกในงานอื่นได้ การขาดงานเกี่ยวข้องกับตัวอย่างที่มีป้ายกำกับเฉพาะงาน

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →