本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
主題建模
注意
新客戶無法再使用 Amazon Comprehend 主題建模、事件偵測和提示安全分類功能。在過去 12 個月內使用這些功能的帳戶不需要採取任何動作。如需詳細資訊，請參閱Amazon Comprehend 功能可用性變更。
您可以使用 Amazon Comprehend 來檢查文件集合的內容，以判斷常見的主題。例如，您可以為 Amazon Comprehend 提供新聞文章的集合，它會決定主題，例如運動、政治或娛樂。文件中的文字不需要加上註釋。
Amazon Comprehend 使用 Latent dirichlet 配置
單字與文件中的主題相關聯，取決於該主題在文件中的普遍程度，以及該主題對該單字的親和程度。根據特定文件中的主題分佈，相同字詞可以與不同文件中的不同主題相關聯。
例如，文章中主要討論運動的「glucose」一詞可以指派給主題「sports」，而文章中關於「medicine」的相同字詞則會指派給主題「medicine」。
與主題相關聯的每個字詞都會獲得一個權重，指出該字詞有助於定義主題的程度。權重表示在整個文件集中，與主題中的其他字詞相比，該字詞在主題中出現的次數。
為了獲得最準確的結果，您應該為 Amazon Comprehend 提供最大的可能 corpus 來使用。為了獲得最佳結果：
-
您應該在每個主題建模任務中使用至少 1，000 個文件。
-
每份文件的長度至少應為 3 個句子。
-
如果文件主要由數值資料組成，您應該將其從 corpus 中移除。
主題建模是一種非同步程序。您可以使用 StartTopicsDetectionJob 操作，從 Amazon S3 儲存貯體將文件清單提交給 Amazon Amazon Comprehend。回應會傳送到 Amazon S3 儲存貯體。您可以同時設定輸入和輸出儲存貯體。取得您使用 ListTopicsDetectionJobs 操作提交的主題建模任務清單，並使用 DescribeTopicsDetectionJob 操作檢視任務的相關資訊。傳遞至 Amazon S3 儲存貯體的內容可能包含客戶內容。如需移除敏感資料的詳細資訊，請參閱如何清空 S3 儲存貯體？或如何刪除 S3 儲存貯體？。
文件必須使用 UTF-8 格式的文字檔案。您可以透過兩種方式提交文件。下表顯示選項。
| 格式 | Description |
|---|---|
| 每個檔案一份文件 | 每個檔案都包含一個輸入文件。這最適合大型文件的集合。 |
| 每行一個文件 | 輸入是單一檔案。檔案中的每一行都視為文件。這最適合短文件，例如社交媒體貼文。 每行必須以換行 (LF、\n)、歸位 (CR、\r) 或兩者 (CRLF、\r\n) 結尾。Unicode 行分隔符號 (u+2028) 無法用來結束行。 |
如需詳細資訊，請參閱 InputDataConfig 資料類型。
Amazon Comprehend 處理您的文件集合後，會傳回包含兩個檔案 topic-terms.csv和 的壓縮封存doc-topics.csv。如需輸出檔案的詳細資訊，請參閱 OutputDataConfig。
第一個輸出檔案 topic-terms.csv是集合中的主題清單。根據預設，每個主題的清單包含根據權重，並依主題排列的熱門詞彙。例如，如果您提供 Amazon Comprehend 一組報紙文章，它可能會傳回以下內容來描述集合中的前兩個主題：
| 主題 | 術語 | Weight (粗細) |
|---|---|---|
| 000 | 團隊 | 0.118533 |
| 000 | game | 0.106072 |
| 000 | player | 0.031625 |
| 000 | 季節 | 0.023633 |
| 000 | 播放 | 0.021118 |
| 000 | 碼 | 0.024454 |
| 000 | 指導 | 0.016012 |
| 000 | 遊戲 | 0.016191 |
| 000 | 足球 | 0.015049 |
| 000 | 四分衛 | 0.014239 |
| 001 | 杯 | 0.205236 |
| 001 | 食品 | 0.040686 |
| 001 | 分鐘 | 0.036062 |
| 001 | add | 0.029697 |
| 001 | 大匙 | 0.028789 |
| 001 | 油 | 0.021254 |
| 001 | 甜甜圈 | 0.022205 |
| 001 | 小匙 | 0.020040 |
| 001 | 酒 | 0.016588 |
| 001 | 糖 | 0.015101 |
權重代表特定主題中單字的機率分佈。由於 Amazon Comprehend 只會傳回每個主題的前 10 個字，因此權重不會加總為 1.0。在主題中少於 10 個單字的罕見情況下，權重會加總為 1.0。
透過查看字詞在所有主題中出現的情況，這些字詞會依其歧視性能力進行排序。這通常與其權重相同，但在某些情況下，例如資料表中的「播放」和「圍欄」，這會導致與權重不同的順序。
您可以指定要傳回的主題數量。例如，如果您要求 Amazon Comprehend 傳回 25 個主題，則會傳回集合中最突出的 25 個主題。Amazon Comprehend 最多可以偵測集合中的 100 個主題。根據您對網域的了解，選擇主題的數量。可能需要一些實驗才能達到正確的數字。
第二個檔案 doc-topics.csv 列出與主題相關聯的文件，以及與該主題相關的文件比例。如果您指定ONE_DOC_PER_FILE，文件會以檔案名稱識別。如果您指定ONE_DOC_PER_LINE，文件會以檔案名稱和檔案中的 0 索引行編號來識別。例如，Amazon Comprehend 可能會針對每個檔案使用一個文件提交的文件集合，傳回下列項目：
| 文件 | 主題 | 比例 |
|---|---|---|
| sample-doc1 | 000 | 0.999330137 |
| sample-doc2 | 000 | 0.998532187 |
| sample-doc3 | 000 | 0.998384574 |
| ... | ||
| sample-docN | 000 | 3.57E-04 |
Amazon Comprehend 會利用來自 Lemmatization Lists Dataset by MBM 的資訊，其可在 Open 資料庫授權 (ODbL) v1.0
