Propriétés du tNLPModel pour Apache Spark Batch - 6.5

Natural Language Processing

author
Talend Documentation Team
EnrichVersion
6.5
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

Ces propriétés sont utilisées pour configurer tNLPModel s'exécutant dans le framework de Jobs Spark Batch.

Le composant tNLPModel Spark Batch appartient à la famille Natural Language Processing.

Le composant de ce framework est disponible dans tous les produits Talend Platform avec Big Data et dans Talend Data Fabric.

Basic settings

Define a storage configuration component

Sélectionnez le composant de configuration à utiliser pour fournir les informations de configuration pour la connexion au système de fichiers cible, comme HDFS.

Si vous laissez cette case décochée, le système de fichiers cible est le système local.

Le composant de configuration à utiliser doit se trouver dans le même Job. Par exemple, si vous avez ajouté un composant tHDFSConfiguration dans votre Job, vous pouvez le sélectionner pour écrire le résultat dans un système HDFS donné.

Schema et Edit Schema

Un schéma est une description de lignes. Il définit le nombre de champs (colonnes) dans le Repository. Lorsque vous créez un Job Spark, évitez le mot réservé line lors du nommage des champs.

Cliquez sur Sync columns pour récupérer le schéma du composant précédent dans le Job.

Créez le schéma en cliquant sur le bouton Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :

  • View schema : sélectionnez cette option afin de voir le schéma.

  • Change to built-in property : sélectionnez cette option pour passer le schéma en mode Built-In et effectuer des modifications locales.

  • Update repository connection : sélectionnez cette option afin de modifier le schéma stocké dans le référentiel et décider de propager ou non les modifications à tous les Jobs. Si vous souhaitez propager les modifications uniquement au Job courant, cliquez sur No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre [Repository Content].

La première colonne du schéma d'entrée doit être terme individuel et la dernière, label.

Vous pouvez insérer des colonnes entre les deux pour les caractéristiques ajoutées manuellement.

 

Built-In : le schéma est créé et conservé ponctuellement pour ce composant seulement. Consultez également : le Guide utilisateur du Studio Talend .

 

Repository : Le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans des Jobs et projets. Consultez également : le Guide utilisateur du Studio Talend .

Feature template

Features : Sélectionnez dans la liste les caractéristiques à générer au niveau des termes individuels.

  • POS tag : Les étiquettes des parties du discours sont des libellés assignés aux mots en fonction de leur rôle dans une phrase, verbe, nom ou adjectif, par exemple.

  • NER tag : Les étiquettes de reconnaissance des entités nommées sont des libellés assignés aux termes individuels qui représentent des noms de choses. Par exemple, "PER" est utilisé pour les noms de personnes.

  • terme individuel  : Forme originale du mot.

  • lemma : Génère la forme canonique du mot, par exemple, "take" pour "takes", "took" ou "taken"

  • stem : Génère la racine du mot, par exemple, "fish" pour "fishing, "fished" ou "fishes".

  • lowertoken : Génère le terme individuel en minuscules.

  • tokenisnumeric : Le terme individuel est un nombre.

  • tokenispunct : Le terme individuel est un signe de ponctuation ou plusieurs signes de ponctuation.

  • tokeninwordnet : Le terme individuel est présent dans la base WordNet.

  • tokeninstopwordlist Le terme individuel mot vide, par exemple "the", "and", "then" ou "where".

  • tokeninfirstnamelist : Le terme individuel apparaît dans la liste des prénoms.

  • tokeninlastnamelist : Le terme individuel apparaît dans la liste des noms de familles.

  • tokensuffixprefix : Le suffixe ou le préfixe du terme individuel.

  • tokenismostfrequent : Le terme individuel fait partie des 5 % des termes individuels les plus fréquents dans le texte.

  • tokenpositionrelative : Dans une ligne, le nombre de termes individuels précédant / le nombre total de termes individuels de cette ligne.

  • tokeniscapitalized : La première lettre du mot est une majuscule.

  • tokenisupper : Le mot est en majuscules.

  • tokenmostfrequentpredecessor : Le terme individuel fait partie des 5 % des prédécesseurs les plus fréquents d'une entité nommée.

  • tokeninacronymlist : Le terme individuel est un acronyme, par exemple, "EU", "UN" ou "PS".

  • tokeningeonames : Ce terme individuel apparaît dans la liste des noms de lieux géographiques.

Relative position : Il s'agit de la position relative de la composition d'une caractéristique. Elle doit être une chaîne constituée de chiffres séparés par une virgule :

  • 0 pour la caractéristique actuelle,

  • 1 pour la caractéristique suivante et ainsi de suite.

Par exemple, -2,-1,0,1,2 signifie que vous utilisez le terme individuel actuel, les deux termes individuels qui le suivent et qui le précèdent en tant que caractéristiques.

Additional Features

Cochez cette case pour ajouter des caractéristiques supplémentaires dans la table Additional feature template.

NLP Library

Dans la liste, sélectionnez la bibliothèque à utiliser entre ScalaNLP et Stanford CoreNLP.

Si le texte d'entrée a subi un prétraitement à l'aide du composant tNLPPreprocessing, sélectionnez la même bibliothèque NLP Library que celle utilisée pour le prétraitement.

Model location

Cochez la case Save the model on file system et, dans le champ Folder, spécifiez le chemin d'accès au dossier local où vous souhaitez générer le fichier de modèle.

Si vous souhaitez stocker le modèle dans un système de fichiers spécifique, par exemple S3 ou HDFS, vous devez utiliser le composant correspondant dans le Job et cocher la case Define a storage configuration component dans les propriétés simples de ce composant.

Le bouton pour parcourir votre système ne fonctionne pas en mode Local de Spark. Si vous utilisez le mode Yarn ou Standalone de Spark, assurez-vous d'avoir correctement configuré la connexion dans un composant de configuration au sein du même Job, comme le tHDFSConfiguration.

Run cross validation evaluation

Si vous cochez cette case, le tNLPModel ne génère pas de fichier de modèle. À la place, il procédera à une validation croisée d'ordre K afin d'évaluer les performances du modèle.

Le processus de validation croisée est répété K fois en fonction du paramètre Fold.

Après évaluation modèle, décochez cette case et exécutez à nouveau le Job pour générer le fichier de modèle.

Utilisation

Règle d'utilisation

Ce composant est utilisé en tant que composant de fin et requiert un lien d'entrée.

Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch.

Connexion à Spark Batch

Vous devez utiliser l'onglet Spark Configuration dans la vue Run afin de définir la connexion à un cluster Spark donné pour le Job entier. 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 : lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration. Lorsque vous utilisez d'autres distributions, utilisez un composant tHDFSConfiguration afin de spécifier le répertoire.

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

Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.