Préparer un échantillon de texte dans le but d'apprendre un modèle - 7.2

Traitement automatique du langage naturel

author
Talend Documentation Team
EnrichVersion
7.2
EnrichProdName
Talend Big Data Platform
Talend Data Fabric
Talend Real-Time Big Data Platform
task
Création et développement > Systèmes tiers > Traitement automatique du langage naturel
Gouvernance de données > Systèmes tiers > Traitement automatique du langage naturel
Qualité et préparation de données > Systèmes tiers > Traitement automatique du langage naturel
EnrichPlatform
Studio Talend

Ce scénario s'applique uniquement aux solutions Talend Platform avec Big Data et Talend Data Fabric nécessitant souscription.

Pour plus d'informations concernant les technologies supportées par Talend, consultez Composants Talend.

Ce Job utilise un tNLPPreprocessing afin de diviser un texte en termes individuels. Ensuite, ces termes individuels sont convertis au format CoNLL à l'aide du tNormalize. Vous pourrez utiliser ces fichiers au format CoNLL dans le but d'apprendre un modèle pour extraire des entités nommées à partir de données textuelles.

L'extraction d'entités nommées à partir de données textuelles est une opération qui se déroule en trois phases :
  1. Préparation d'un échantillon de texte en le divisant en termes individuels. Ces termes individuels seront utilisés pour l'apprentissage d'un modèle de classification.

  2. Apprentissage d'un modèle de classification, création des caractéristiques et évaluation du modèle.

    Pour un exemple de génération d'un modèle de classification à l'aide du tNLPModel, consultez Générer un modèle de classification.

  3. Application du modèle à l'ensemble du texte afin d'en extraire les entités nommées à l'aide du tNLPPredict.

    Pour un exemple d'extraction d'entités nommées à l'aide d'un modèle de classification, consultez Extraire des entités nommées à l'aide d'un modèle de classification.

Pour plus d'informations concernant le traitement du langage naturel, consultez Traiter du langage naturel à l'aide du Studio Talend.

Le tHDFSConfiguration est utilisé dans ce scénario par Spark afin de se connecter au système HDFS où sont transférés les fichiers Jar dépendant du Job.

Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers .jar sont transférés afin que Spark puisse accéder à ces fichiers :
  • Yarn mode (Yarn Client ou Yarn Cluster) :
    • Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration.

    • Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration.

    • Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (apercu technique) pour le déploiement du Job, dans l'onglet Spark configuration.
    • Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster.
    • Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser tHDFSConfiguration.

  • Standalone mode : vous devez choisir le composant de configuration selon le système de fichiers que vous utilisez, comme tHDFSConfiguration ou tS3Configuration.

    Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem).