Questa pagina descrive come preparare i dati di testo da utilizzare in un set di dati di Vertex AI per addestrare un modello di analisi del sentiment.
I dati di addestramento dell'analisi del sentiment sono costituiti da documenti associati a un valore di sentiment che indica il sentiment dei contenuti. Ad esempio, è possibile che tu abbia tweet su un particolare dominio, come i viaggi aerei. Ogni tweet è associato a un valore di sentiment che indica se il tweet è positivo, negativo o neutro.
Requisiti dei dati
- Devi fornire almeno 10 documenti di addestramento, ma non più di 100.000, in totale.
- Un valore di sentiment deve essere un numero intero compreso tra 0 e 10. Puoi scegliere il valore di sentiment massimo. Ad esempio, se vuoi identificare se il sentiment è negativo, positivo o neutro, puoi etichettare i dati di addestramento con punteggi di sentiment pari a 0 (negativo), 1 (neutro) e 2 (positivo). Il punteggio di sentiment massimo per questo set di dati è 2. Se vuoi acquisire una maggiore granularità, ad esempio cinque livelli di sentiment, puoi etichettare i documenti da 0 (più negativo) a 4 (più positivo).
- Devi applicare ciascun valore di sentiment ad almeno 10 documenti.
- I valori del punteggio del sentiment devono essere numeri interi consecutivi a partire da zero. Se ci sono lacune nei punteggi o non iniziano da zero, rimappa i punteggi in modo che siano numeri interi consecutivi a partire da zero.
- Puoi includere documenti incorporati o file TXT di riferimento presenti nei bucket Cloud Storage.
Best practice per i dati di testo utilizzati per addestrare i modelli AutoML
I seguenti suggerimenti si applicano ai set di dati utilizzati per addestrare i modelli AutoML.
- Fornisci almeno 100 documenti per valore di sentiment.
- Utilizza un numero equilibrato di documenti per ogni punteggio di sentiment. Avere più esempi per determinati punteggi di sentiment può introdurre bias nel modello.
File di input
I tipi di file di input per l'analisi del sentiment possono essere righe JSON o CSV.
Righe JSON
Il formato, i nomi dei campi e i tipi di valori dei file JSON Lines sono determinati da un file di schema, che è file YAML pubblicamente accessibile.
Puoi scaricare il file di schema per l'analisi del sentiment dal seguente percorso di Cloud Storage:
gs://google-cloud-aiplatform/schema/dataset/ioformat/text_sentiment_io_format_1.0.0.yaml
Esempio di linee JSON
L'esempio seguente mostra come utilizzare lo schema per creare il tuo file JSON Lines. L'esempio include interruzioni di riga per una migliore leggibilità.
Nei file JSON Lines, includi le interruzioni di riga solo dopo ogni documento. Il campo dataItemResourceLabels specifica, ad esempio, ml_use ed è facoltativo.
{
"sentimentAnnotation": {
"sentiment": number,
"sentimentMax": number
},
"textContent": "inline_text",
"dataItemResourceLabels": {
"aiplatform.googleapis.com/ml_use": "training|test|validation"
}
}
{
"sentimentAnnotation": {
"sentiment": number,
"sentimentMax": number
},
"textGcsUri": "gcs_uri_to_file",
"dataItemResourceLabels": {
"aiplatform.googleapis.com/ml_use": "training|test|validation"
}
}
CSV
Ogni riga di un file CSV fa riferimento a un singolo documento. L'esempio seguente mostra il formato generale di un file CSV valido. La colonna ml_use è facoltativa.
[ml_use],gcs_file_uri|"inline_text",sentiment,sentimentMax
Lo snippet che segue è un esempio di file CSV di input.
test,gs://path_to_file,sentiment_value,sentiment_max_value test,"inline_text",sentiment_value,sentiment_max_value training,gs://path_to_file,sentiment_value,sentiment_max_value validation,gs://path_to_file,sentiment_value,sentiment_max_value