Uzel Labels

Uzel Labels extrahuje z textového dokumentu termíny charakterizující obsah dokumentu. Termíny obsahují klíčová slova a pojmenované entity. Typy termínů je možné zaznamenat do datové matice jako nový atribut s hodnotami KEYWORDS a ENTITIES. Volitelně lze ke každému termínu přiřadit číselné skóre úměrné četnosti a poloze termínu v dokumentu. Před extrakci termínů lze předřadit automatické rozpoznání jazyka a diakritizaci dokumentů psaných bez diakritiky.

Uzel Labels restrukturalizuje datovou matici na dlouhý formát, kde řádky reprezentují jednotlivé nalezené termíny. Jeden dokument je v dlouhém formátu reprezentován více řádky sdílejícími stejný identifikátor dokumentu. Dlouhý formát umožní snadněji s termíny manipulovat. Pro modelování je vhodné vybrané termíny transformovat na široký formát pomocí uzlu Restructure nebo SetToFlag.

záložka Settings

• Document ID field. Atribut s jednoznačnou identifikací dokumentu. Může být textový nebo celočíselný.
• Document text field. Textový atribut obsahující text dokumentu.
• Label field name. Jméno nového atributu s extrahovanými termíny.
• Add label scores. Připojení skóre termínu do nového atributu.
• Score field name. Jméno nového atributu s číselným skóre termínů.
• Language of documents. Jazyk dokumentů. Na výběr je čeština (Czech), slovenština (Slovak) a automatická detekce jazyka (Automatic detection).
• Restore diacritics. Automatická dikritizace dokumentů neobsahujících diakritiku. Diakritizace se provede před extrakcí termínů.
• Add label types. Připojení typu termínu do nového atributu.
• Label type field name. Jméno nového atributu s typem termínu.

záložka Optimization

• Send requests in batches. Dávkové zasílání dokumentů na server.
• Batch size. Počet dokumentů v dávce.
• Number of paralel web requests. Počet paralelních vláken pro zpracování dokumentů. Vlákna pracují na sobě nezávisle, proto se pořadí dokumentů na výstupu může lišit od pořadí na vstupu.