Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Mengkategorikan teks dengan klasifikasi teks () Multi-label

Untuk mengkategorikan artikel dan teks ke dalam beberapa kategori yang telah ditentukan sebelumnya, gunakan jenis tugas klasifikasi teks multi-label. Misalnya, Anda dapat menggunakan jenis tugas ini untuk mengidentifikasi lebih dari satu emosi yang disampaikan dalam teks. Bagian berikut memberikan informasi tentang cara membuat tugas klasifikasi teks multi-label dari konsol dan API.

Saat mengerjakan tugas klasifikasi teks multi-label, pekerja harus memilih semua label yang berlaku, tetapi harus memilih setidaknya satu. Saat membuat pekerjaan menggunakan jenis tugas ini, Anda dapat memberikan hingga 50 kategori label.

Amazon SageMaker Ground Truth tidak menyediakan kategori “tidak ada” ketika tidak ada label yang berlaku. Untuk memberikan opsi ini kepada pekerja, sertakan label yang mirip dengan “tidak ada” atau “lainnya” saat Anda membuat pekerjaan klasifikasi teks multi-label.

Untuk membatasi pekerja memilih label tunggal untuk setiap dokumen atau pemilihan teks, gunakan jenis Mengkategorikan teks dengan klasifikasi teks (Label Tunggal) tugas.

Membuat Pekerjaan Pelabelan Klasifikasi Multi-Label Teks (Konsol)

Anda dapat mengikuti petunjuk Membuat Pekerjaan Pelabelan (Konsol) untuk mempelajari cara membuat pekerjaan pelabelan klasifikasi teks multi-label di konsol Amazon SageMaker AI. Di Langkah 10, pilih Teks dari menu tar ik- turun kategori tugas, dan pilih Klasifikasi Tek Multi-label s () sebagai jenis tugas.

Ground Truth menyediakan UI pekerja yang mirip dengan berikut untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan instruksi untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja.

Membuat Pekerjaan Pelabelan Klasifikasi Multi-Label Teks (API)

Untuk membuat pekerjaan pelabelan klasifikasi teks multi-label, gunakan operasi SageMaker CreateLabelingJob API. API ini mendefinisikan operasi ini untuk semua AWS SDK. Untuk melihat daftar SDK khusus bahasa yang didukung untuk operasi ini, tinjau bagian Lihat Juga dari. CreateLabelingJob

Ikuti petunjuk Membuat Pekerjaan Pelabelan (API) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda:

Berikut ini adalah contoh permintaan AWS Python SDK (Boto3) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia Utara). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda.

response = client.create_labeling_job(
    LabelingJobName='example-multi-label-text-classification-labeling-job,
    LabelAttributeName='label',
    InputConfig={
        'DataSource': {
            'S3DataSource': {
                'ManifestS3Uri': 's3://bucket/path/manifest-with-input-data.json'
            }
        },
        'DataAttributes': {
            'ContentClassifiers': [
                'FreeOfPersonallyIdentifiableInformation'|'FreeOfAdultContent',
            ]
        }
    },
    OutputConfig={
        'S3OutputPath': 's3://bucket/path/file-to-store-output-data',
        'KmsKeyId': 'string'
    },
    RoleArn='arn:aws:iam::*:role/*,
    LabelCategoryConfigS3Uri='s3://bucket/path/label-categories.json',
    StoppingConditions={
        'MaxHumanLabeledObjectCount': 123,
        'MaxPercentageOfInputDatasetLabeled': 123
    },
    HumanTaskConfig={
        'WorkteamArn': 'arn:aws:sagemaker:region:*:workteam/private-crowd/*',
        'UiConfig': {
            'UiTemplateS3Uri': 's3://bucket/path/custom-worker-task-template.html'
        },
        'PreHumanTaskLambdaArn': 'arn:aws:lambda::function:PRE-TextMultiClassMultiLabel,
        'TaskKeywords': [
            'Text Classification',
        ],
        'TaskTitle': 'Multi-label text classification task',
        'TaskDescription': 'Select all labels that apply to the text shown',
        'NumberOfHumanWorkersPerDataObject': 123,
        'TaskTimeLimitInSeconds': 123,
        'TaskAvailabilityLifetimeInSeconds': 123,
        'MaxConcurrentTaskCount': 123,
        'AnnotationConsolidationConfig': {
            'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-TextMultiClassMultiLabel'
        },
    Tags=[
        {
            'Key': 'string',
            'Value': 'string'
        },
    ]
)

Membuat Template untuk Klasifikasi Multi-label Teks

Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan templat tugas pekerja diUiTemplateS3Uri. Salin dan modifikasi template berikut. Hanya memodifikasi short-instructions, full-instructions, danheader.

Unggah template ini ke S3, dan berikan URI S3 untuk file ini diUiTemplateS3Uri.

<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-classifier-multi-select
    name="crowd-classifier-multi-select"
    categories="{{ task.input.labels | to_json | escape }}"
    header="Please identify all classes in the below text"
  >
    <classification-target style="white-space: pre-wrap">
      {{ task.input.taskObject }}
    </classification-target>
    <full-instructions header="Classifier instructions">
      <ol><li><strong>Read</strong> the text carefully.</li>
      <li><strong>Read</strong> the examples to understand more about the options.</li>
      <li><strong>Choose</strong> the appropriate labels that best suit the text.</li></ol>
    </full-instructions>
    <short-instructions>
      <p>Enter description of the labels that workers have to choose from</p>
      <p><br></p>
      <p><br></p><p>Add examples to help workers understand the label</p>
      <p><br></p><p><br></p><p><br></p><p><br></p><p><br></p>
    </short-instructions>
  </crowd-classifier-multi-select>
  </crowd-form>

Untuk mempelajari cara membuat template khusus, lihatAlur kerja pelabelan khusus.

Multi-label Data Output Klasifikasi Teks

Setelah Anda membuat pekerjaan pelabelan klasifikasi teks multi-label, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam S3OutputPath parameter saat menggunakan API atau di bidang Lokasi kumpulan data keluaran di bagian Ikhtisar pekerjaan di konsol.

Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihatPelabelan data keluaran pekerjaan.

Untuk melihat contoh file manifes keluaran untuk pekerjaan pelabelan klasifikasi teks multi-label, lihatMulti-label keluaran pekerjaan klasifikasi.