Strategi dan kaedah untuk mengelompokkan dokumen insurans menggunakan pemprosesan bahasa semula jadi

Penterjemah |. Li Rui

Penilai |. penaakulan.

Dokumen dan Polisi Insurans: Kes Penggunaan Kompleks

Adalah diketahui bahawa sehingga 87% projek sains data gagal beralih daripada bukti konsep kepada pengeluaran ; semula jadi dalam projek pemprosesan Bahasa (NLP) tidak terkecuali. Mereka mesti mengatasi beberapa kesukaran yang tidak dapat dielakkan berkaitan dengan ruang ini dan selok-beloknya.

Kesukaran utama datang daripada:

Susun atur kompleks dokumen berkaitan insurans.

• Kekurangan korpus besar dengan anotasi yang berkaitan.
• Kerumitan reka letak sangat hebat sehingga konsep bahasa yang sama boleh mengubah makna dan nilainya secara drastik bergantung pada tempat ia diletakkan dalam dokumen.

Lihat contoh mudah di bawah: Jika anda cuba membina enjin untuk mengenal pasti sama ada liputan "keganasan" terdapat dalam polisi, anda perlu menetapkan nilai yang berbeza tanpa mengira di mana ia diletakkan:

(1) Hadkan bahagian kecil halaman pengisytiharan.

(2) Bahagian "Pengecualian" polisi.

(3) Tambahkan satu atau lebih pengesahan insurans.

(4) Tambahkan sokongan khusus pada liputan.

Kekurangan dokumen insurans beranotasi berkualiti tinggi dan bersaiz sesuai secara langsung berkaitan dengan kesukaran yang wujud untuk menganotasi dokumen kompleks tersebut dan jumlah usaha yang diperlukan untuk menganotasi puluhan ribu polisi.

Dan ini hanyalah puncak gunung ais. Di samping itu, keperluan untuk menormalkan konsep insurans juga mesti dipertimbangkan.

Penormalan bahasa: kuasa yang tidak kelihatan tetapi berkuasa dalam bahasa insurans

Apabila berurusan dengan pangkalan data, penormalan konsep ialah proses yang difahami dengan baik. Oleh kerana ia adalah kunci untuk menggunakan penaakulan dan meningkatkan kelajuan proses anotasi, ia juga penting untuk NLP dalam bidang insurans.

Konsep penormalan bermaksud mengumpulkan elemen di bawah bahasa tag yang sama, yang mungkin kelihatan sangat berbeza. Walaupun terdapat banyak contoh, yang paling penting datang daripada polisi insurans yang melindungi bencana alam.

Dalam kes ini, sub-had yang berbeza akan digunakan untuk zon banjir yang berbeza. Kawasan yang paling berisiko banjir sering dirujuk sebagai "zon banjir berisiko tinggi". Konsep ini boleh dinyatakan sebagai:

(1) Kawasan banjir Tahap 1

(2) Kawasan berisiko banjir (SFHA)

(3) Kawasan banjir A

Tunggu

Pada hakikatnya, mana-mana perlindungan insurans boleh mempunyai banyak istilah yang boleh dikumpulkan bersama, dan bergantung pada kawasan geografi tertentu dan risiko yang wujud, perlindungan bencana alam yang paling penting walaupun mempunyai dua Perbezaan antara peringkat atau peringkat (I, II dan III).

Darabkan itu dengan semua elemen yang mungkin boleh anda temui dan bilangan varian boleh menjadi sangat besar dengan cepat. Ini menyebabkan kedua-dua anotor pembelajaran mesin dan enjin pemprosesan bahasa semula jadi (NLP) tersekat apabila cuba mendapatkan, membuat kesimpulan atau melabelkan maklumat yang betul.

Jenis pengelompokan bahasa baharu: pendekatan hibrid

Cara yang lebih baik untuk menyelesaikan tugas pemprosesan bahasa semula jadi (NLP) yang kompleks adalah berdasarkan teknik hibrid (pembelajaran mesin/simbolik) yang menggunakan pembelajaran mesin pengelompokan bahasa mikro berasaskan meningkatkan hasil dan kitaran hayat aliran kerja insurans, yang kemudiannya diwarisi oleh enjin simbolik.

Walaupun pengelompokan teks tradisional digunakan dalam kaedah pembelajaran tanpa pengawasan untuk membuat kesimpulan pola semantik dan mengumpulkan dokumen dengan topik yang serupa, ayat dengan makna yang serupa, dsb., kaedah hibrid agak berbeza . Kelompok mikrolinguistik dicipta pada tahap berbutir menggunakan algoritma pembelajaran mesin yang dilatih pada data berlabel menggunakan nilai ternormal yang dipratentukan. Setelah gugusan mikrolinguistik disimpulkan, ia boleh digunakan dalam aktiviti pembelajaran mesin selanjutnya atau dalam talian paip hibrid didorong logik inferens berdasarkan lapisan simbolik.

Ini selaras dengan peraturan emas tradisional pengaturcaraan: "pecahkan masalah." Langkah pertama dalam menyelesaikan kes penggunaan yang kompleks (seperti kebanyakan kes penggunaan dalam ruang insurans) ialah memecahkannya kepada bahagian yang lebih kecil dan lebih sedap.

Apakah tugas yang boleh dicapai oleh pengelompokan bahasa campuran, dan sejauh manakah ia boleh berskala?

Enjin simbolik sering dilabelkan sebagai sangat tepat tetapi tidak berskala kerana ia tidak mempunyai fleksibiliti pembelajaran mesin apabila berhadapan dengan situasi yang tidak dilihat semasa latihan.

Walau bagaimanapun, pengelompokan bahasa jenis ini menyelesaikan masalah ini dengan memanfaatkan pembelajaran mesin untuk mengenal pasti konsep yang kemudiannya dihantar kepada logik yang kompleks dan tepat bagi enjin simbolik seterusnya dalam perancangan.

Kemungkinan tidak berkesudahan: sebagai contoh, langkah simbolik boleh mengubah nilai intrinsik pengecaman pembelajaran mesin berdasarkan segmen dokumen yang dimiliki oleh konsep tersebut.

Berikut ialah contoh penggunaan proses tatatanda "segmentasi" (memisahkan teks kepada kawasan yang berkaitan) untuk melihat cara menggunakan label yang diluluskan oleh modul pembelajaran mesin.

Bayangkan bahawa model perlu memahami sama ada perlindungan tertentu dikecualikan daripada polisi 100 halaman.

Enjin pembelajaran mesin mula-mula akan mengumpulkan semua kemungkinan variasi liputan "Seni":

• "Seni Halus"
• " "Kerja Seni"
• "Item Artistik"
• "Perhiasan"
• dan sebagainya.

Susulan ini, bahagian simbol saluran paip akan menyemak sama ada bahagian "Pengecualian" menyebut teg "Seni" untuk mengetahui sama ada insurans dikecualikan daripada polisi atau jika ia dilindungi ( seperti sebahagian daripada senarai sub-had).

Terima kasih kepada ini, anotor pembelajaran mesin tidak perlu risau tentang memberikan label berbeza kepada semua varian Seni berdasarkan kedudukan mereka dalam dasar: mereka hanya perlu menganotasi varian mereka Nilai ternormal untuk "Seni", yang akan bertindak sebagai gugusan bahasa mikro.

Satu lagi contoh berguna tugas kompleks ialah pengagregatan data. Jika enjin hibrid direka bentuk untuk mengekstrak sub-sekatan liputan tertentu, serta isu penormalan liputan, terdapat lapisan kerumitan tambahan untuk ditangani: susunan item bahasa untuk pengagregatan.

Pertimbangkan bahawa tugas di tangan adalah untuk mengeluarkan bukan sahaja sub-had liputan tertentu, tetapi juga kelayakannya (setiap acara, pengagregatan, dll.). Tiga item boleh disusun dalam beberapa pesanan berbeza:

• Seni Halus $100,000 Setiap Item
• Seni Halus Setiap Item $100,000
• Setiap Item $100,000 Seni Halus>Seni Halus $100,000
• Seni Halus $100,000

Mengambil kesempatan daripada semua pilih atur ini sambil mengagregat data boleh meningkatkan kerumitan model pembelajaran mesin dengan ketara. Pendekatan hibrid, sebaliknya, akan membenarkan model pembelajaran mesin mengenal pasti label yang dinormalkan dan kemudian membenarkan penaakulan simbolik mengenal pasti susunan yang betul berdasarkan data input daripada bahagian pembelajaran mesin.

Ini hanyalah dua contoh yang menunjukkan bahawa jumlah logik dan penaakulan simbolik kompleks yang tidak terhad boleh digunakan di atas algoritma pembelajaran mesin berskala untuk mengenal pasti konsep kanonik.

Aliran kerja berskala yang lebih mudah dibina dan diselenggara

Selain kebolehskalaan, penaakulan simbolik membawa faedah lain kepada keseluruhan aliran kerja projek:

Tidak perlu melaksanakan aliran kerja pembelajaran mesin yang berbeza untuk tugas yang kompleks, memerlukan teg yang berbeza untuk dilaksanakan dan diselenggara. Selain itu, melatih semula model pembelajaran mesin tunggal adalah lebih pantas dan menggunakan kurang sumber berbanding melatih semula berbilang model.
• Memandangkan bahagian kompleks logik perniagaan dikendalikan secara simbolik, adalah lebih mudah bagi pencatat data untuk menambahkan anotasi manusia pada saluran paip pembelajaran mesin.
• Atas sebab yang sama yang dinyatakan di atas, lebih mudah bagi penguji untuk memberikan maklum balas terus kepada proses penyeragaman pembelajaran mesin. Selain itu, memandangkan bahagian pembelajaran mesin aliran kerja menormalkan elemen bahasa, pengguna akan mempunyai senarai teg yang lebih kecil untuk dilabelkan dengan dokumen.
• Peraturan simbol tidak perlu dikemas kini dengan kerap: perkara yang kerap dikemas kini ialah bahagian pembelajaran mesin, yang turut mendapat manfaat daripada maklum balas pengguna.

Kesimpulan

Pembelajaran mesin dalam projek kompleks dalam bidang insurans mungkin mengalami masalah kerana logik inferens sukar untuk dimampatkan ke dalam tag mudah ini juga menyukarkan kehidupan annotator .
• Penempatan teks dan inferens boleh mengubah makna sebenar konsep dengan bentuk linguistik yang sama secara drastik.
• Dalam aliran kerja pembelajaran mesin tulen, lebih kompleks logiknya, lebih banyak dokumen latihan biasanya diperlukan untuk mencapai ketepatan gred pengeluaran.
• Atas sebab ini, pembelajaran mesin memerlukan beribu-ribu (atau bahkan puluhan ribu) dokumen pra-label untuk membina model yang berkesan.
• Pendekatan hibrid mengurangkan kerumitan: pembelajaran mesin dan anotasi pengguna mencipta kelompok/teg bahasa, dan ini kemudiannya digunakan sebagai titik permulaan atau blok binaan untuk enjin simbolik untuk mencapai matlamatnya.
• Maklum balas pengguna, setelah disahkan, boleh digunakan untuk melatih semula model tanpa mengubah bahagian paling berbutir (yang boleh dikendalikan oleh bahagian simbolik aliran kerja).

Tajuk asal: ​​Polisi Insurans: Pengelompokan Dokumen Melalui NLP Hibrid​​, pengarang: Stefano Reitano

Atas ialah kandungan terperinci Strategi dan kaedah untuk mengelompokkan dokumen insurans menggunakan pemprosesan bahasa semula jadi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!