קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
האלגוריתמים לסיווג טקסט נמצאים בלב מגוון מערכות תוכנה שמעבדות נתוני טקסט בקנה מידה נרחב. תוכנות אימייל משתמשות בסיווג טקסט כדי לקבוע אם הודעות נכנסות נשלחות לתיבת הדואר הנכנס או כשהן מסוננות בתיקיית הספאם. פורומים לדיונים משתמשים בסיווג טקסט כדי לקבוע אם צריך לסמן תגובות כלא הולמות.
אלה שתי דוגמאות לסיווג נושאים, שמסווגות מסמך טקסט בסדרה אחת של נושאים מוגדרים מראש. בבעיות רבות הקשורות לסיווג נושאים, הסיווג הזה מבוסס בעיקר על מילות מפתח בטקסט.
איור 1: סיווג לפי נושא משמש לסימון אימיילים זדוניים כספאם, שמסוננים לתיקיית הספאם.
סוג נפוץ נוסף של סיווג טקסט הוא ניתוח סנטימנט, שהמטרה שלו היא לזהות את הקוטביות של תוכן הטקסט: סוג הדעה שהוא מבטא. זה יכול להיות דירוג בינארי של 'לייק' או 'דיסלייק', או קבוצת אפשרויות מפורטת יותר, כמו דירוג של 1 עד 5. דוגמאות לניתוח סנטימנט כוללות ניתוח פוסטים ב-Twitter כדי לקבוע אם אנשים אהבו את הסרט השחור השחור, או כדי לגבש את דעתו של הציבור הרחב על מותג חדש של נעלי Nike מביקורות של Walmart.
במדריך הזה נפרט כמה שיטות מומלצות ללמידה חישובית לפתרון בעיות שקשורות לסיווג טקסט. מה נלמד אתכם:
תהליך העבודה מקצה לקצה לפתרון בעיות בסיווג טקסט באמצעות למידה חישובית
איך לבחור את המודל המתאים לבעיה של סיווג טקסט
איך להטמיע את המודל הרצוי באמצעות TensorFlow
תהליך העבודה של סיווג הטקסט
לפניכם סקירה כללית של תהליך העבודה המשמש לפתרון בעיות בלמידת מכונה:
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2022-09-27 (שעון UTC)."],[[["\u003cp\u003eText classification algorithms are widely used to categorize text data, with applications like spam filtering and content moderation.\u003c/p\u003e\n"],["\u003cp\u003eTopic classification and sentiment analysis are two common types of text classification, focusing on categorizing text into predefined topics and identifying the sentiment expressed, respectively.\u003c/p\u003e\n"],["\u003cp\u003eThis guide provides a comprehensive workflow for solving text classification problems using machine learning, including data gathering, exploration, preparation, model building, training, evaluation, hyperparameter tuning, and deployment.\u003c/p\u003e\n"],["\u003cp\u003eChoosing the right machine learning model is crucial for effective text classification and is discussed in detail within the guide.\u003c/p\u003e\n"],["\u003cp\u003eTensorFlow is used to implement the chosen model for practical application in text classification tasks.\u003c/p\u003e\n"]]],[],null,["Text classification algorithms are at the heart of a variety of software\nsystems that process text data at scale. Email software uses text classification\nto determine whether incoming mail is sent to the inbox or filtered into the\nspam folder. Discussion forums use text classification to determine whether\ncomments should be flagged as inappropriate.\n\nThese are two examples of topic classification, categorizing a text document\ninto one of a predefined set of topics. In many topic classification problems,\nthis categorization is based primarily on keywords in the text.\n\n**Figure 1: Topic classification is used to flag incoming spam emails, which\nare filtered into a spam folder.**\n\nAnother common type of text classification is ***sentiment analysis***, whose\ngoal is to identify the polarity of text content: the type of opinion it\nexpresses. This can take the form of a binary like/dislike rating, or a more\ngranular set of options, such as a star rating from 1 to 5. Examples of\nsentiment analysis include analyzing Twitter posts to determine if people\nliked the Black Panther movie, or extrapolating the general public's opinion\nof a new brand of Nike shoes from Walmart reviews.\n\nThis guide will teach you some key machine learning best practices for solving\ntext classification problems. Here's what you'll learn:\n\n- The high-level, end-to-end workflow for solving text classification problems using machine learning\n- How to choose the right model for your text classification problem\n- How to implement your model of choice using TensorFlow\n\nText Classification Workflow\n\nHere's a high-level overview of the workflow used to solve machine learning problems:\n\n- [Step 1: Gather Data](/machine-learning/guides/text-classification/step-1)\n- [Step 2: Explore Your Data](/machine-learning/guides/text-classification/step-2)\n- *[Step 2.5: Choose a Model\\*](/machine-learning/guides/text-classification/step-2-5)*\n- [Step 3: Prepare Your Data](/machine-learning/guides/text-classification/step-3)\n- [Step 4: Build, Train, and Evaluate Your Model](/machine-learning/guides/text-classification/step-4)\n- [Step 5: Tune Hyperparameters](/machine-learning/guides/text-classification/step-5)\n- [Step 6: Deploy Your Model](/machine-learning/guides/text-classification/step-6)\n\n**Figure 2: Workflow for solving machine learning problems**\n| \"Choose a model\" is not a formal step of the traditional machine learning workflow; however, selecting an appropriate model for your problem is a critical task that clarifies and simplifies the work in the steps that follow.\n\nThe following sections explain each step in detail, and how to implement them for text data."]]
