Communications Mining 用户指南

系统会自动对数据集启用生成式注释功能，无需采取进一步的操作。

创建数据集后，系统会在短时间内自动生成集群建议。如果已上传分类（强烈建议这样做），Communications Mining™ 会为集群提供现有标签和新标签的建议。

当您将分类上传到数据集时，这也会自动触发不使用训练数据，仅使用标签名称和说明来训练初始模型。上传分类后，此操作可能需要几分钟。

每个“集群”页面都将显示集群建议。这可以是为每个集群提供的一个或多个建议标签。

如果您启用了标签情感分析，则“集群建议”将包含积极或消极情感，并可以以绿色或红色高亮显示。

要识别 AI 建议的标签，请查看下图：

模型训练者应审核每个集群建议，并执行以下一项操作:

通过为每个集群自动生成建议标签，集群建议可以显着加快模型训练过程的第一阶段。如果用户难以定义他们要训练的概念，它还可以帮助进行分类设计。

集群建议是根据在集群中的消息之间共享的已识别主题生成的。

集群的创建和标签建议的生成是一个完全无监督的自动过程，无需人工输入。

在带有或不带有预定义分类的情况下生成集群上的标签建议，但建议会受到影响，并且通常会利用导入或现有的标签而变得更有用。

使用标签名称和描述作为训练输入自动训练初始模型后，数据集中的许多消息都会出现预测。

这些预测的工作方式与以前的完全相同，这意味着它们只是在没有训练数据的情况下生成的。

如果启用了标签情感分析，则初始预测将具有积极或消极的情感，并且具有不同的绿色或红色深浅，具体取决于置信度级别。

辅助注释适用于任何训练批处理或模式，但在“随机播放”和“学习标签”中使用最有效。您应该在“训练”或“探索”选项卡中的每个训练批次中遵循常规标注步骤。

辅助标注可以在上下文充足的情况下为每个标签自动生成预测，无需训练示例，从而显着加快模型训练流程的第二阶段。

初始预测将由标签名称和自然语言描述的质量驱动，例如模糊的名称可能会导致模糊或最小的预测。详细的标签描述可以提高模型的初始性能。

当您进一步训练数据集时，平台会使用标签名称和描述以及固定的示例来生成相关的标签预测。

这些将通过更多的训练不断改进，并且在提供足够的注释训练示例时，最终仅依赖这些示例。

辅助标注仍然需要通过接受或拒绝预测来进行监督学习，但它通过零个或很少的固定示例提供更好的预测，从而加快模型训练中最耗时的部分。