Megosztás a következőn keresztül:

Rejtett Dirichlet-lefoglalás

  • Cikk

Fontos

A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.

2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

A Vowpal Wabbit kódtár használata a VW LDA végrehajtásához

Kategória: Text Analytics

Megjegyzés

A következőkre vonatkozik: Machine Learning Studio (klasszikus)

Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.

A modul áttekintése

Ez a cikk azt ismerteti, hogyan használható a rejtett Di automatikus lefoglalási modul a Machine Learning Studióban az egyébként nem besorolt szövegek különböző kategóriákba való csoportosítására. A látens Di abban az esetben, ha a nyelvfeldolgozás (NLP) hasonló szövegeket keres, gyakran használják a rejtett Di automatikus kiosztást (LDA). Egy másik gyakori fogalom a témakörmodellezés.

Ez a modul egy szövegoszlopot vesz fel, és a következő kimeneteket hozza létre:

  • A forrásszöveg és az egyes kategóriák pontszáma

  • Egy funkciómátrix, amely kinyert kifejezéseket és együtthatókat tartalmaz az egyes kategóriákhoz

  • Átalakítás, amelyet menthet, majd újra felhasználhatja a bemenetként használt új szövegre

Mivel ez a modul a Vowpal Wabbit kódtárat használja, nagyon gyors. A Vowpal Wabbitről további információt a GitHub oktatóanyagokat és az algoritmus magyarázatát tartalmazó adattárban található.

További információ a rejtett di kulcslefoglalásról (LDA)

Általánosságban elmondható, hogy az LDA önmagában nem a besorolás módszere, hanem generáló megközelítést alkalmaz. Ez azt jelenti, hogy nem kell ismert osztálycímkéket szolgáltatni, majd kiveszni a mintákat. Ehelyett az algoritmus egy valószínűségi modellt hoz létre, amely a témakörök csoportjainak azonosítására használható. A valószínűségi modellel besorolhatja a meglévő betanításos eseteket, vagy a modellnek bemenetként megadott új eseteket.

A generáló modell azért lehet előnyösebb, mert nem ad erős feltételezéseket a szöveg és a kategóriák közötti kapcsolatról, és csak a szavak eloszlását használja a témakörök matematikai modellezése érdekében.

További információért tekintse meg a Műszaki megjegyzések szakaszt.

Rejtett diletlefoglalás konfigurálása

Ehhez a modulhoz egy nyers vagy előfeldolgozott szövegoszlopot tartalmazó adatkészletre van szükség.

  1. Adja hozzá a rejtett Di automatikus kiosztási modult a kísérlethez.

  2. A modul bemeneteként adjon meg egy adatkészletet, amely egy vagy több szöveges oszlopot tartalmaz.

  3. A Céloszlopok mezőben válasszon ki egy vagy több olyan oszlopot, amely szöveget tartalmaz elemezni.

    Több oszlopot is kiválaszthat, de a sztring adattípusának kell lennie.

    Általánosságban elmondható, hogy mivel az LDA egy nagy funkciómátrixot hoz létre a szövegből, általában egyetlen szöveges oszlopot fog elemezni.

  4. A Modellező témakörök száma mezőbe írjon be egy 1 és 1000 közötti egész számot, amely azt jelzi, hogy hány kategóriát vagy témakört szeretne származtatni a bemeneti szövegből.

    Alapértelmezés szerint 5 témakör jön létre.

  5. Az N-gramok beállításnál adja meg a kivonatolás során létrehozott N-gramm maximális hosszát.

    Az alapértelmezett érték 2, ami azt jelenti, hogy a bigramok és az unigramok is létrejönnek.

  6. Válassza a Normalize (Normalizálás ) lehetőséget a kimeneti értékek valószínűségekké konvertálásához. Ezért ahelyett, hogy az átalakított értékeket egész számként ábrázolná, a kimeneti és a jellemzőadatkészlet értékei a következőképpen alakulnak át:

    • Az adatkészlet értékei annak valószínűségét fogják ábrázolni P(topic|document), ha .

    • A jellemzőtémaktrix értékei annak a valószínűségének ékeként lesznek ábrázolva, ahol P(word|topic).

  7. Válassza az Összes lehetőség megjelenítése lehetőséget, majd állítsa TRUE (IGAZ) értékre, ha szeretné megtekinteni, majd állítson be további speciális paramétereket.

    Ezek a paraméterek az LDA Vowpal Wabbit-implementációjára vonatkoznak. A Vowpal Wabbit online nyelvben elérhető LDA-val, valamint a hivatalos Vowpal Wabbit Wikivel kapcsolatban van néhány hasznos oktatóanyag.

    Ebben a példában a 8-as verzió példái és a VW használata az Azure ML.

    • Rodparaméter. A témakör-disztribúciók ritkaságának előzetes valószínűségét adja meg. A VW paraméterének lda_rho felel meg. Az 1 értéket akkor használhatja, ha azt várja, hogy a szavak eloszlása egyenl; Vagyis minden szó feltételezhetően kezelhető. Ha úgy gondolja, hogy a legtöbb szó ritkán jelenik meg, akkor sokkal alacsonyabb értékre állíthatja.

    • Alfa paraméter. Adjon meg egy előzetes valószínűséget a dokumentumonkénti témakörök súlyozásának ritkaságára. A VW paraméterének lda_alpha felel meg.

    • A dokumentumok becsült száma. Írjon be egy számot, amely a feldolgozni kívánt dokumentumok (sorok) számának legjobb becslését jelöli. Ez lehetővé teszi, hogy a modul elegendő méretű kivonattáblát foglal le. lda_D A Vowpal Wabbit paraméterének felel meg.

    • A köteg mérete. Írjon be egy számot, amely azt jelzi, hogy hány sort kell tartalmaznia a Vowpal Wabbitnek küldött szövegkötegekbe. batch_sz A Vowpal Wabbit paraméterének felel meg.

    • A tanulási frissítési ütemezésben használt iteráció kezdeti értéke. Adja meg a tanulási sebesség kezdőértékét. initial_t A Vowpal Wabbit paraméterének felel meg.

    • A frissítések során az iterációra alkalmazott energia. Az online frissítések során az iterációk számára alkalmazott energiaszintet adja meg. power_t A Vowpal Wabbit paraméterének felel meg.

    • Az adatokon áthaladó adatok száma. Adja meg, hogy az algoritmus hányszor lépked majd az adatok között. epoch_size A Vowpal Wabbit paraméterének felel meg.

  8. Válassza a ngrams-szótár összeállítása vagy az LDA előtti ngrams-szótár összeállítási szótára lehetőséget, ha az n-gram listát egy kezdeti bérlettel szeretné létrehozni, mielőtt besorolja a szöveget.

    Ha előre létrehozza a kezdeti szótárt, a modell áttekintésekor később is használhatja azt. Az eredmények numerikus indexek helyett szövegre való leképezése általában könnyebben értelmezhető. A szótár mentése azonban tovább tart, és további tárhelyet használ.

  9. A ngram szótár maximális mérete mezőbe írja be az n-gram szótárban létrehozható sorok teljes számát.

    Ez a beállítás a szótár méretének szabályozására használható. Ha azonban a bemenetben megadott ngramok száma meghaladja ezt a méretet, ütközések léphetnek fel.

  10. Futtassa a kísérletet. Az LDA-modul a Bayes-tétel használatával határozza meg, hogy mely témakörök társíthatóak az egyes szavakkal. A szavak nem kizárólag témakörökhöz vagy csoportokhoz vannak társítva; Ehelyett minden n-gram megtanult valószínűséggel lesz társítva bármelyik felderített osztályhoz.

Results (Eredmények)

A modul két kimenettel rendelkezik:

  • Átalakított adatkészlet: A bemeneti szöveget és a megadott számú felderített kategóriát tartalmazza, az egyes kategóriákra vonatkozó példaszövegek pontszámával együtt.

  • Funkciótémaktrix: A bal szélső oszlop tartalmazza a kinyert szöveg funkciót, és minden kategóriához tartozik egy oszlop, amely tartalmazza az erre a kategóriára vonatkozó pontszámot.

Részletekért lásd az LDA-eredmények példáját.

LDA-átalakítás

Ez a modul azt az átalakítást is kihozja, amely ITransform-felületként alkalmazza az LDA-t az adatkészletre.

Ezt az átalakítást mentheti, és újra felhasználhatja más adatkészletek számára. Ez akkor lehet hasznos, ha nagy corpuson tanított be, és újra fel szeretné használni az együtthatókat vagy a kategóriákat.

LDA-modell vagy -eredmények finomítása

Általában nem lehet egyetlen olyan LDA-modellt létrehozni, amely minden igénynek megfelel, és akár egy adott feladathoz tervezett modell is sok iterációt igényel a pontosság javításához. Javasoljuk, hogy próbálja ki ezeket a metódusokat a modell javítására:

  • A modell paramétereinek módosítása
  • Vizualizáció használata az eredmények megjelenítéséhez
  • A témaszakértők visszajelzéseiből megállapíthatjuk, hogy a létrehozott témakörök hasznosak-e.

A minőségi intézkedések az eredmények kiértékelése során is hasznosak lehetnek. A témakörmodellezés eredményeinek kiértékeléséhez fontolja meg a következőt:

  • Pontosság – Nagyon hasonlóak a hasonló elemek?
  • Sokszínűség – Megkülönböztetheti a modell a hasonló elemeket, ha az üzleti problémához szükséges?
  • Méretezhetőség – A szövegkategóriák széles választékán, vagy csak szűk céltartományon működik?

Az LDA-alapú modellek pontossága gyakran javítható a természetes nyelvi feldolgozással a szövegek megtisztítása, összegzése, egyszerűsítése vagy kategorizálása érdekében. Például a következő, a Machine Learning által támogatott technikák javíthatják a besorolás pontosságát:

  • Szóeltávolítás megszüntetése

  • Eset normalizálása

  • Lemmatizálás vagy eredet

  • Nevesített entitások felismerése

További információ: Szöveg előfeldolgozása és nevesített entitások felismerése.

A (klasszikus) Studióban R- vagy Python-kódtárakat is használhat szövegfeldolgozáshoz: R-szkript végrehajtása, Python-szkript végrehajtása

Példák

A szövegelemzésre vonatkozó példákért tekintse meg ezeket a kísérleteket a Azure AI Gallery:

A részletekért és egy ügyfél-felülvizsgálati szövegen alapuló példáért lásd: Understanding LDA Results (LDA-eredmények ismertetése).

Példa LDA-eredményekre

Annak szemléltetésére, hogyan működik a rejtett Di abban a kiosztási modulban, az alábbi példa az LDA-t alkalmazza az alapértelmezett beállításokkal a Machine Learning Studio (klasszikus) könyváttekintés adatkészletére.

Forrásadatkészlet

Az adatkészlet tartalmaz egy értékelési oszlopot, valamint a felhasználók által megadott teljes megjegyzésszöveget.

Ez a táblázat csak néhány jellemző példát mutat be.

szöveg
Ennek a könyvnek vannak jó pontjai. Ha van valami, az segít szavakba tenni a felügyelők által kívánt szavakat...
Belátom, hogy még nem befejeztem ezt a könyvet. Egy barát ajánlotta nekem, mert problémákat tapasztalok az alvó üzemmódra...
Rosszul megírta, megpróbáltam elolvasni ezt a könyvet, de olyan zavarosnak és gyengén megírtnak találta, hogy frusztrációban tam. ...
Mivel egy kutyafülű másolatot szeretnék kapni az olyan barátoktól, akik néhány évvel ezelőtt vettük át, nem sikerült kézbe kapnom ezt a könyvet, amely rövid életű kedvencként vált a kedvencek közé
Ennek a könyvnek a rajza érdekes volt, és jó könyv is lehetett volna. Sajnos nem így volt. A fő probléma az volt, hogy...

A feldolgozás során a rejtett Di adatlefoglalási modul megtisztítja és elemzi is a szöveget a megadott paraméterek alapján. Képes például automatikusan tokeneket generálni a szövegre és eltávolítani az írásjeleket, és ugyanakkor megkeresi az egyes témakörök szöveg funkcióit.

LDA-transzformált adatkészlet

Az alábbi táblázat a Könyváttekezés minta alapján átalakított adatkészletet tartalmazza. A kimenet tartalmazza a bemeneti szöveget és a felderített kategóriák megadott számát, valamint az egyes kategóriák pontszámait.

Film neve 1. témakör 2. témakör 3. témakör 4. témakör 5. témakör
ez a könyv jó pontokat mutat be 0.001652892 0.001652892 0.001652892 0.001652892 0.9933884
Friend ajánlotta ezt nekem 0.00198019 0.001980198 0.9920791 0.001980198 0.001980198
próbálta elolvasni ezt a könyvet 0.002469135 0.002469135 0.9901233 0.002469135 0.002469135
egy baráttól kölcsönzött 0.9901232 0.002469135 0.002469135 0.002469135 0.002469135
Érdekes volt a könyv ábrázolás 0.001652892 0.001652892 0.9933884 0.001652892 0.001652892

Ebben a példában az alapértelmezett 5 értéket használtuk a Modellbe modellező témakörök száma beállításhoz. Ezért az LDA-modul öt kategóriát hoz létre, amelyek feltételezhetően nagyjából megfelelnek az eredeti ötskálás értékelési rendszernek.

A modul egy pontszámot is rendel minden bejegyzéshez a témaköröket képviselő öt kategória mindegyikéhez. A pontszám annak a valószínűségét jelzi, hogy a sort hozzá kell rendelni egy adott kategóriához.

Funkciótémaktrix

A modul második kimenete a funkciótémakör-mátrix. Ez egy táblázatos adatkészlet, amely a Jellemző oszlopban található jellemző szöveget, valamint az egyes kategóriák pontszámát tartalmazza az 1. témakör, 2. témakör, ... N témakör. A pontszám az együtthatót jelöli.

Szolgáltatás 1. témakör 2. témakör 3. témakör 4. témakör 5. témakör
Érdekes 0.0240282071983144 0.0354678954779375 0.363051866576914 0.0276637824315893 0.660663576149515
Volt 0.0171478729532397 0.0823969031108669 0.00452966877950789 0.0408714510319233 0.025077322689733
értékről 0.0148224220349217 0.0505086981492109 0.00434423322461094 0.0273389126293824 0.0171484355106826
Telek 0.0227415889348212 0.0408709456489325 0.182791041345191 0.086937090812819 1 0.0169680136708971
Olvasó 0.0227415889348212 0.0408709456489325 0.182791041345191 0.0869370908128191 0.0169680136708971
Próbált 0.0269724979147211 0.039026263551767 0.00443749106785087 0.0628829816088284 0.0235340728818033
Nekem 0.0262656945140134 0.0366941302751921 0.00656837975179138 0.0329214576160066 0.0214121851106808
felhasználóként a(z) 0.0141026103224462 0.043359976919215 0.00388640531859447 0.0305925953440055 0.0228993750526364
it 0.0264490547105951 0.0356674440311847 0.00541759897864314 0.0314539386250293 0.0140606468587681
Barátom 0.0135971322960941 0.0346118171467234 0.00434999437350706 0.0666507321888536 0.018156863779311
points 0.0227415889348212 0.0396233855719081 0.00404663601474112 0.0381156510019025 0.0337788009496797
jó 0.651813073836783 0.0598646397444108 0.00446809691985617 0.0358975694646062 0.0138989124411206
A 0.0185385588647078 0.144253986783184 0.00408876416453866 0.0583049240441475 0.015442805566858
/ 0.0171416780245647 0.0559361180418586 0.0100633904544953 0.087093930106723 0.0182573833869842
Kölcsönzött 0.0171416780245647 0.0559361180418586 0.0100633904544953 0.087093930106723 0.0182573833869842
Hsa 0.0171416780245647 0.0559361180418586 0.0100633904544953 0.087093930106723 0.0182573833869842
Könyv 0.0143157047920681 0.069145948535052 0.184036340170983 0.0548757337823903 0.0156837976985903
Ajánlott 0.0161486848419689 0.0399143326399534 0.00550113530229642 0.028637149142764 0.0147675139039372
erre a(z) 0.0161486848419689 0.0399143326399534 0.00550113530229642 0.028637149142764 0.0147675139039372

Technikai megjegyzések

Ez a szakasz az implementáció részleteit, a tippeket és a gyakori kérdésekre adott válaszokat tartalmazza.

Megvalósítás részletei

Alapértelmezés szerint a rendszer valószínűségként normalizálja az átalakított adatkészlet és a funkció-témakör mátrix kimenetének eloszlását.

  • Az átalakított adatkészlet normalizálva lesz a témakörök adott dokumentumban megadott feltételes valószínűségeként. Ebben az esetben az egyes sorok összege 1.

  • A funkció-témakör mátrix normalizálva van, mint a szavak adott témakörben megadott feltételes valószínűsége. Ebben az esetben az egyes oszlopok összege 1.

Tipp

Előfordulhat, hogy a modul egy üres témakört ad vissza, amelyet leggyakrabban az algoritmus pszeudo-véletlen inicializálása okoz. Ha ez történik, megpróbálhatja megváltoztatni a kapcsolódó paramétereket, például az N-gram szótár maximális méretét vagy a funkció-kivonatoláshoz használni kívánt bitek számát.

LDA és témakör-modellezés

A rejtett dibilletlefoglalást (LDA) gyakran használják tartalomalapú témakörmodellezéshez, ami alapvetően azt jelenti, hogy nem besorolt szövegből tanulunk kategóriákat. A tartalomalapú témakörmodellezésben a témakörök a szavak eloszlásai.

Tegyük fel például, hogy számos ügyfél-értékelést adott meg, amelyek sok-sok terméket tartalmaznak. A számos ügyfél által az idő során elküldött értékelések szövege számos kifejezésből adna információt, amelyek közül néhány több témakörben is használatos.

Az LDA-folyamat által azonosított témakörök egy adott A termékre vonatkozó felülvizsgálatokat, vagy termék-felülvizsgálatok egy csoportját képviselhatják. Az LDA számára maga a témakör csupán egy szóhalmaz valószínűségi eloszlása az idő alapján.

A kifejezések ritkán egyetlen termékre vonatkoznak, de hivatkozhatnak más termékekre, vagy olyan általános kifejezések, amelyek mindenre vonatkoznak ("nagyszerű", "környezet"). Más kifejezések lehetnek zajszűrő szavak. Fontos azonban megérteni, hogy az LDA-metódusnak nem kell az összes szót rögzítenie az universe-ben, és nem is kell megértenie a szavak kapcsolatát, az előfordulások valószínűségét leszámítva. Csak a céltartományban használt szavakat csoportosíthatja.

Az indexek kifejezés kiszámítása után a rendszer összehasonlítja a szöveg egyes sorait egy távolságalapú hasonlóság mértékével, hogy megállapítsa, hogy két szöveg hasonlít-e egymáshoz. Előfordulhat például, hogy a termék több olyan névvel rendelkezik, amelyek szorosan összefüggnek egymással. Az is előfordulhat, hogy az erősen negatív kifejezések általában egy adott termékhez vannak társítva. A hasonlóság mértéke a kapcsolódó kifejezések azonosítására és javaslatok létrehozására is használható.

Várt bemenetek

Név Típus Description
Adathalmaz Adattábla Bemeneti adatkészlet

Modulparaméterek

Név Típus Tartomány Választható Alapértelmezett Description
Kivonat bitek száma Egész szám [1;31] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet nincs bejelölve 12 A funkció-kivonatoláshoz használt bitek száma
Céloszlop(ak) Oszlop kiválasztása Kötelező StringFeature (Sztringfeature) Céloszlop neve vagy indexe
A modellhez kapcsolódó témakörök száma Egész szám [1;1000] Kötelező 5 A dokumentumterjesztés modellezése N témakör alapján
N-gramm Egész szám [1;10] Kötelező 2 A kivonatolás során generált N-grammok sorrendje
Normalizálni Logikai Kötelező true A kimenet normalizálása valószínűségi szintre. Az átalakított adatkészlet p(topic|document), a funkciótémakör-mátrix pedig P(szó|topic).
Az összes beállítás megjelenítése Logikai Igaz vagy hamis Kötelező Hamis A Vowpal Wabbit online LDA-ra vonatkozó további paramétereket mutatja be
Paraméter Float [0.00001;1.0] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve 0,01 Paraméter
Alfa paraméter Float [0.00001;1.0] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve 0,01 Alfa paraméter
Dokumentumok becsült száma Egész szám [1;int. MaxValue] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve 1000 A dokumentumok becsült száma (egy lda_D paraméternek felel meg)
A köteg mérete Egész szám [1;1024] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve 32 A köteg mérete
A tanulási sebesség frissítésének ütemezésében használt iteráció kezdeti értéke Egész szám [0;int. MaxValue] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve 0 A tanulási sebesség frissítésének ütemezésében használt iterációk számának kezdeti értéke (egy initial_t paraméternek felel meg)
Az iterációra a frissítések során alkalmazott teljesítmény Float [0.0;1.0] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve 0,5 Az online frissítések során az iterációk számára alkalmazott teljesítmény (megfelel power_t paraméternek)
Betanítási iterációk száma Egész szám [1;1024] Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve 25 Betanítási iterációk száma
Ngrams-szótár összeállítása Logikai Igaz vagy hamis Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet nincs bejelölve Igaz Az LDA számítása előtt felépíti a ngramok szótárát. Hasznos modellvizsgálathoz és -értelmezéshez
A funkció-kivonatoláshoz használt bitek száma Egész szám [1;31] Akkor érvényes, ha a ngrams összeállítási szótára hamis 12 A funkció kivonatolása során használt bitek száma
A ngram szótár maximális mérete Egész szám [1;int. MaxValue] Akkor érvényes, ha a ngrams összeállítási szótára igaz 20000 A ngrams szótár maximális mérete. Ha a bemeneti jogkivonatok száma meghaladja ezt a méretet, ütközések léphetnek fel
Ngrams-szótár összeállítása az LDA előtt Logikai Igaz vagy hamis Akkor érvényes, ha az Összes beállítás megjelenítése jelölőnégyzet be van jelölve Igaz Az LDA előtti ngrams szótárt hoz létre. Hasznos modellvizsgálathoz és -értelmezéshez
A szótárban a ngramok maximális száma Egész szám [1;int. MaxValue] Akkor érvényes, ha a ngrams összeállítási szótára Igaz, és be van jelölve az Összes beállítás megjelenítése jelölőnégyzet 20000 A szótár maximális mérete. Ha a bemeneti jogkivonatok száma meghaladja ezt a méretet, ütközések léphetnek fel

Kimenetek

Név Típus Description
Átalakított adatkészlet Adattábla Kimeneti adatkészlet
Funkciótémaktéma Adattábla Az LDA által előállított funkciótémakör-mátrix
LDA-átalakítás ITransform interfész Átalakítás, amely LDA-t alkalmaz az adatkészletre

Kivételek

Kivétel Description
0002-es hiba Kivétel akkor fordul elő, ha az adatkészlet egy vagy több megadott oszlopa nem található.
0003-as hiba Kivétel akkor fordul elő, ha egy vagy több bemenet null vagy üres.
0004-es hiba Kivétel akkor fordul elő, ha a paraméter kisebb vagy egyenlő egy adott értékkel.
0017-es hiba Kivétel akkor fordul elő, ha egy vagy több megadott oszlop típusa az aktuális modul által nem támogatott.

A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.

Az API-kivételek listáját a hibakódok Machine Learning REST API.

Lásd még

Text Analytics
Funkciókivonatolás
Megnevezett entitások felismerése
Vowpal Wabbit 7-4 modell pontozása
Vowpal Wabbit 7-4 modell betanítás
Vowpal Wabbit 8 modell betanítás