Metody przypisywania terminów

Można użyć wszystkich dostępnych metod przypisywania terminów lub ich podzbioru.

Odrzucone terminy

Podczas przeglądania przypisań terminów w wynikach wzbogacania metadanych można znaleźć terminy, które według użytkownika nie są dokładne dla zasobu danych. Takie terminy można usunąć, przekazując negatywną informację zwrotną. Takie terminy są uważane za odrzucone. Jeśli zasięgiem szkoleniowym jest projekt, wyniki ufności przypisań składników można skorygować na podstawie tych odrzuconych terminów po ponownym automatycznym przypisaniu terminów. Poszczególne wartości ufności zwracane przez każdą wybraną metodę przypisania składnika są korygowane o tę ujemną wartość ufności w celu obliczenia ogólnej oceny ufności składnika. Patrz Sposób obliczania ogólnej oceny ufności.

Dane treningowe dla modeli uczenia maszynowego

Dla każdego projektu można zdefiniować w domyślnych ustawieniach wzbogacania, czy wbudowany model ML używany do automatycznego przypisywania terminów jest wytrenowany z zasobami z projektu, czy z zasobami z wybranego katalogu. Dostosowanie ocen ufności na podstawie odrzuceń jest dostępne tylko wtedy, gdy zakres szkolenia jest projektem.

Ustawieniem domyślnym jest trenowanie modeli w projekcie. W tym przypadku modele są trenowane przy użyciu dowolnych opublikowanych warunków biznesowych oraz wszystkich dostępnych przypisań lub odrzuceń terminów w kolumnach, które zostały oznaczone jako przejrzane w projekcie.

Po wybraniu katalogu jako zakresu szkoleniowego model dla przypisań terminów jest szkolony przy użyciu dowolnych opublikowanych terminów biznesowych i wszystkich przypisań terminów dostępnych w wybranym katalogu. Modelu odrzuceń terminów nie można trenować z zasobami z katalogu.

Kiedy modele są wytrenowane?

Trenowanie modelu dla wbudowanych modeli ML jest wyzwalane po uruchomieniu zadania wzbogacania metadanych i spełnieniu jednego z następujących warunków:

• Żaden model nie jest jeszcze dostępny.

• Utworzono nowy termin biznesowy lub zaktualizowano istniejący termin od czasu ostatniego przeszkolenia modelu. Termin nie musi być przypisany do żadnych zasobów ani kolumn.

• Projekt zakresu szkolenia: co najmniej 21 kolumn oznaczono jako przejrzane od czasu ostatniego przeszkolenia modelu.

  Katalog zakresu szkolenia: przypisania do co najmniej 21 kolumn w wybranym katalogu zostały zmienione, ponieważ od czasu ostatniego wytrenowania modelu terminy zostały przypisane lub usunięte.

• Ostatnie szkolenie nie zakończyło się pomyślnie lub w rozsądnym terminie.

Jeśli informacje o odrzucaniu składników nie są dostępne przy pierwszym użyciu modelu dla korekt oceny ufności, wstępne uczenie dla tego modelu następuje później, co oznacza, że jest on początkowo wytrenowany, gdy informacje o odrzuconych terminach są dostępne w kolejnym cyklu uczenia modelu.

Sposób obliczania całkowitej ufności

Metoda wiążąca termin z zasobem danych oblicza ufność, która jest wartością liczbową między konfigurowalnym minimum a 1. Wartość minimalna jest definiowana przez próg sugestii dla przypisania terminu, który można skonfigurować w domyślnych ustawieniach wzbogacania.

Ufność dla przypisanego lub sugerowanego terminu jest wyświetlana jako wartość procentowa. Ta wartość reprezentuje ogólną ufność. Ogólna ufność jest maksymalną z wartości ufności zwracanych przez wybrane metody przypisywania składników i może być skorygowana o ujemną wartość ufności zwracaną przez model ML dla usunięć składników.

Można wybrać, czy wartości ufności zwracane przez wybrane metody przypisywania terminów mają być korygowane na podstawie wcześniej odrzuconych warunków biznesowych.

Przykład:

Przy założeniu, że wszystkie metody są włączone, wartości ufności dla kolumny ADDRESS i terminu Home Address:

Linguistic name matching: 0.5
Class-based assignment: 0.4
ML-based assignment: 0.3
ML model for rejections: -0.4

Rzeczywista wartość ufności dla każdej metody jest obliczana przez odjęcie wartości ufności zwróconej dla odrzuconych składników:

Linguistic name matching: 0.5 - 0.4 = 0.1
Class-based assignment: 0.4 - 0.4 = 0
ML-based assignment: 0.3 - 0.4 = -0.1

Ogólna ufność wynosi 0.1 , ponieważ jest to najwyższa wartość obliczona dla metody.

Jeśli ta sama wartość ufności dla składnika jest obliczana dla kilku metod, automatycznie przypisywana jest tylko jedna z nich. Kolejność, w jakiej taki termin jest wybierany, jest następująca:

1. Termin znaleziony przez metodę przypisania opartą na klasie danych
2. Termin znaleziony przez metodę ML
3. Termin znaleziony przez metodę dopasowania nazwy

Więcej inform.

• Wzbogacanie metadanych
• Ustawienia domyślne wzbogacania metadanych

Temat nadrzędny: Wyniki wzbogacania metadanych