モデルの学習に使用するテキストサンプルのプレパレーション - 7.2

Natural Language Processing

Version
7.2
Language
日本語 (日本)
Product
Talend Big Data Platform
Talend Data Fabric
Talend Real-Time Big Data Platform
Module
Talend Studio
Content
ジョブデザインと開発 > サードパーティーシステム > 自然言語処理
データガバナンス > サードパーティーシステム > 自然言語処理
データクオリティとプレパレーション > サードパーティーシステム > 自然言語処理

このシナリオは、Talend Data Fabricを備えたサブスクリプションベースの ビッグデータ関連Talend Platform製品のみ適用されます。

Talendでサポートされているテクノロジーの詳細は、Talendコンポーネントを参照してください。

このジョブでは、入力テキストを複数のトークンに分割するためにtNLPPreprocessingを使用します。次に、tNormalizeを使用してトークンをCoNLL形式に変換します。このCoNLLファイルを使用して、テキストデータのネームドエンティティを抽出するための分類モデルを学習できます。

ネームドエンティティをテキストデータから抽出する処理は、3段階のオペレーションです。
  1. トークンに分解してテキストサンプルのプレパレーションを行います。トークンは、分類モデルのトレーニングに使用されます。

  2. 分類モデルの学習、機能のデザイン、およびモデルの評価。

    tNLPModelを使用して分類モデルを生成する方法のサンプルは、分類モデルの生成を参照してください。

    ネームドエンティティ認識モデルを生成する方法のサンプルは、Talend Help Center (https://help.talend.com)を参照してください。

  3. モデルをフルテキストに適用し、tNLPPredictを使用してネームドエンティティを抽出します。

    分類モデルを使用してネームドエンティティを抽出する方法のサンプルは、分類モデルを使用してネームドエンティティを抽出するを参照してください。

    分類モデルを使用してネームドエンティティを抽出する方法のサンプルは、Talend Help Center (https://help.talend.com)を参照してください。

を参照してください。

自然言語処理の詳細は、Talend Help Center (https://help.talend.com)で説明されています。

tHDFSConfigurationはこのシナリオで、ジョブに依存するjarファイルの転送先となるHDFSシステムに接続するために、Sparkによって使用されます。

[Run] (実行)ビューの[Spark Configuration] (Spark設定)タブで、ジョブ全体でのSparkクラスターへの接続を定義します。また、ジョブでは、依存jarファイルを実行することを想定しているため、Sparkがこれらのjarファイルにアクセスできるように、これらのファイルの転送先にするファイルシステム内のディレクトリーを指定する必要があります。
  • Yarnモード(YarnクライアントまたはYarnクラスター):
    • Google Dataprocを使用している場合、[Spark configuration] (Spark設定)タブの[Google Storage staging bucket] (Google Storageステージングバケット)フィールドにバケットを指定します。

    • HDInsightを使用している場合、[Spark configuration] (Spark設定)タブの[Windows Azure Storage configuration] (Windows Azure Storage設定)エリアでジョブのデプロイメントに使用するブロブを指定します。

    • Altusを使用する場合は、[Spark configuration] (Spark設定)タブでジョブのデプロイにS3バケットまたはAzure Data Lake Storageを指定します。
    • Quboleを使用する場合は、ジョブにtS3Configurationを追加し、QuboleでS3システム内に実際のビジネスデータを書き込みます。tS3Configurationを使用しないと、このビジネスデータはQubole HDFSシステムに書き込まれ、クラスターをシャットダウンすると破棄されます。
    • オンプレミスのディストリビューションを使用する場合は、クラスターで使用されているファイルシステムに対応する設定コンポーネントを使用します。一般的に、このシステムはHDFSになるため、tHDFSConfigurationを使用します。

  • [Standalone mode] (スタンドアロンモード): tHDFSConfigurationまたはtS3Configurationなど、クラスターで使用されているファイルシステムに対応する設定コンポーネントを使用します。

    ジョブ内に設定コンポーネントがない状態でDatabricksを使用している場合、ビジネスデータはDBFS (Databricks Filesystem)に直接書き込まれます。