تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
تشكّل خوارزميات تصنيف النصوص أساس مجموعة من أنظمة البرامج التي تعالج البيانات النصية على نطاق واسع. ويستخدم برنامج البريد الإلكتروني تصنيف النص
لتحديد ما إذا كان سيتم إرسال الرسائل الواردة إلى البريد الوارد أو فلترتها إلى
مجلد الرسائل غير المرغوب فيها. تستخدم منتديات المناقشة تصنيف النصوص لتحديد ما إذا كان يجب الإبلاغ عن التعليقات باعتبارها غير ملائمة.
هذان مثالان على تصنيف المواضيع، مع تصنيف مستند نصي إلى أحد المواضيع المحدّدة مسبقًا. في العديد من مشاكل تصنيف المواضيع،
يستند هذا التصنيف بشكل أساسي إلى الكلمات الرئيسية في النص.
الشكل 1: يُستخدم تصنيف الموضوع لوضع علامة على الرسائل الإلكترونية الواردة غير المرغوب فيها، والتي تتم فلترتها في مجلد الرسائل غير المرغوب فيها.
هناك نوع آخر شائع من تصنيف النصوص هو تحليل الآراء، والهدف منه هو تحديد استقطاب المحتوى النصي، وهو نوع رأي يعبّر عنه. يمكن أن يكون هذا التقييم عبارة عن تقييم ثنائي/لم يعجبني، أو مجموعة أكثر دقة من الخيارات، مثل تقييم بالنجوم من 1 إلى 5. تشمل أمثلة تحليل العواطف تحليل مشاركات Twitter لتحديد ما إذا كان المستخدمون قد أبدوا إعجابهم بفيلم Black Panther أو استنباط رأي الجمهور العام عن علامة تجارية جديدة لأحذية Nike من مراجعات Walmart.
يشرح لك هذا الدليل بعض أفضل الممارسات الأساسية لتعلُّم الآلة لحلّ مشاكل تصنيف النصوص. إليك ما ستتعلّمه:
سير العمل الشامل والشامل لحلّ مشاكل تصنيف النص
باستخدام تقنية تعلُّم الآلة
كيفية اختيار النموذج المناسب لمشكلة تصنيف النص
كيفية تنفيذ النموذج الذي اخترته باستخدام TensorFlow
سير عمل تصنيف النصوص
في ما يلي نظرة عامة عالية المستوى على سير العمل المُستخدَم لحلّ مشاكل تعلُّم الآلة:
تاريخ التعديل الأخير: 2022-09-27 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2022-09-27 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\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,["# Introduction\n\nText 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----------------------------\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."]]
