使用 Amazon Comprehend 训练自定义文档分类器

Amazon Comprehend 让您能够大规模处理自然语言文本（更多信息请参阅我的介绍文章 Amazon Comprehend – Continuously Trained Natural Language Processing）。在 2017 年底推出并提供英语和西班牙支持后，我们增加了多项以客户为中心的功能，包括异步批处理操作、语法分析、支持更多语言（法语、德语、意大利语和葡萄牙语）以及在更多区域开放。

Comprehend 采用自动机器学习 (AutoML) 技术，可让您使用已经拥有的数据创建自定义的自然语言处理 (NLP) 模型，无需深入了解机器学习。根据您的数据集和使用案例不同，它会自动选择正确的算法，调整参数，编译并测试得出的模型。

如果您已经（通过 Amazon Transcribe、论坛帖子等等）拥有一组标记文档，例如持工单、联络中心对话等，您可以将这些文档作为起点。在这种情况下，标记仅指您已经检查了每份文档，并以期望的方式添加了标签以说明其特征。每个标签至少需要 50 个文档才能使用自定义分类功能，如果有数百个甚至输给签个文档当然更好。

在此博文中，我将重点介绍自定义分类，并将演示如何对模型进行训练以区分干净的文本和包含脏话的文本。然后我将演示如何使用模型来对新文本进行分类。

分类器的使用

首先我将使用一个与以下类似的 CSV 训练文本文件（我将所有文本进行了遮盖处理；但其中确实有许多的脏话）：

训练数据必须位于 S3 对象中，每行一个标签和一个文档：

然后我会导航至 Amazon Comprehend 控制台并单击 分类。我还没有任何现有的分类器，因此我会单击 Create classifier 来创建一个：

我会给我的分类器命名并选择文档语言，选择我的训练数据所在的 S3 存储桶，然后创建一个拥有该存储桶访问权限的 AWS Identity and Access Management (IAM) 角色。然后我会单击 Create classifier 继续：

训练将会立即开始：

状态将会在几分钟内变为 Trained ，现在我已经做好准备，可以创建一个分析作业来对一些文本进行分类，其中一些文本可能含有脏话：

我将此文本放入另一个 S3 存储桶，在控制台中单击 分析 ，然后单击 Create job 。然后我会为作业命名，“Analysis type”选择“Custom classification”，然后选择我刚刚创建的分类器。我还会选择输入存储桶（上述文件）以及将用于接收结果的另一个存储桶，根据新创建的分类器分类，然后单击 Create job 继续（重要安全提示：如果您使用同一个 S3 存储桶来存储源和目标，请务必通过名称来引用输入文件）：

作业会立即开始，只需几分钟就会完成：

结果将存储在我在创建作业时选择的 S3 存储桶中：

每行输出都对应输入文件中的一个文档：

下面是一行的详细显示：

Json

{   "File":"profanity_test.csv",   "Line":"0",   "Classes":[      {         "Name":"PROFANITY",         "Score":1.0      },      {         "Name":"NON_PROFANITY",         "Score":0.0      }   ]}

可以看出，新推出的分类服务十分强大，使用非常方便。我可以在分钟内得到十分有用的高质量结果，无需任何机器学习的知识。

此外，您还可以使用 Amazon Comprehend CLI 和 Amazon Comprehend API 来训练和测试模型。

现已推出

Amazon Comprehend 分类服务现已在所有提供 Comprehend 的区域开放。

作者介绍：

Jeff Barr
AWS 首席布道师； 2004年开始发布博客，此后便笔耕不辍。

原文链接：

https://amazonaws-china.com/cn/blogs/china/new-train-custom-document-classifiers-with-amazon-comprehend/