Zero-Shot-Klassifizierung von Support-Tickets

Ein Unternehmen kriegt jeden Tag hunderte Support-Tickets, die sich um Themen wie Rechnungsprobleme, technische Probleme und die Verwaltung von Konten drehen. Diese Tickets manuell zu sortieren ist echt nervig. Du wurdest gebeten, ein Zero-Shot-Klassifizierungsmodell zu verwenden, um eingehende Ticket-Nachrichten automatisch zu kategorisieren, ohne dass ein speziell trainierter Klassifikator nötig ist.

Diese Übung ist Teil des Kurses

Natürliche Sprachverarbeitung (NLP) in Python

Anleitung zur Übung

Erstell eine Zero-Shot- classifier -Pipeline mit dem Modell „ "MoritzLaurer/DeBERTa-v3-base-mnli-fever-anli" “.
Verwende es, um „ ticket_text “ in eine der Kategorien einzuteilen, die unter „ candidate_labels “ aufgelistet sind.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

from transformers import pipeline

# Initialize the zero-shot classifier
classifier = ____

ticket_text = "I was charged twice for my subscription this month. Can you please refund the extra charge?"
candidate_labels = ["Billing", "Technical Issue", "Account Access"]

# Classify the ticket
result = ____

print(result['labels'])
print(result['scores'])

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Natürliche Sprachverarbeitung (NLP) in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Lerne die Grundlagen der Textverarbeitung in der natürlichen Sprachverarbeitung (NLP). Lerne Techniken wie Tokenisierung, Entfernen von Stoppwörtern und Satzzeichen sowie Textnormalisierung mit Kleinbuchstaben, Stemming und Lemmatisierung, um Textdaten für die weitere Analyse und Erkenntnisgewinnung vorzubereiten.

Exercise 1: Einführung in die Verarbeitung natürlicher Sprache Exercise 2: Satz- und Wort-Tokenisierung Exercise 3: NLP-Arbeitsablauf Exercise 4: Stoppwörter und Interpunktion Exercise 5: Stoppwörter löschen Exercise 6: Interpunktion entfernen Exercise 7: Techniken zur Textnormalisierung Exercise 8: Kleinschreibung Exercise 9: Stemming Exercise 10: Lemmatisierung

Verwandle rohen Text in coole numerische Features. Erstell Bag-of-Words- und TF-IDF-Darstellungen, um die Wichtigkeit von Wörtern in Dokumenten zu erfassen, und schau dir dann Wort-Embeddings wie Word2Vec und GloVe an, um tiefere semantische Muster zu entdecken. Zeig Häufigkeit, Relevanz und Ähnlichkeit, um deine Textdaten zum Leben zu erwecken.

Exercise 1: Bag-of-Words-Darstellung Exercise 2: Vokabeln aus Kundenbewertungen lernen Exercise 3: Text mit BoW in Zahlen umwandeln Exercise 4: Häufigkeit, mit der Produktbewertungen vorkommen Exercise 5: Wortfrequenzen anschaulich machen Exercise 6: TF-IDF-Vektorisierung Exercise 7: TF-IDF-Darstellung von Produktbewertungen Exercise 8: Vergleich zwischen BoW- und TF-IDF-Darstellungen Exercise 9: Embeddings Exercise 10: Wortbeziehungen mit Einbettungen erkunden Exercise 11: Visualisierung und Vergleich von Wort-Embeddings

Nutze die Power von vorab trainierten Modellen, um anspruchsvolle Textklassifizierungsaufgaben zu erledigen. Nutze die Pipelines von Hugging Face für Sentimentanalysen, Themenklassifizierung und natürliche Sprachauslegung. Mit den neuesten Modellen kannst du semantische Ähnlichkeit und Grammatikalität checken, ohne irgendwas von Grund auf neu zu entwickeln.

Exercise 1: Hugging Face-Pipelines für die Sentimentanalyse Exercise 2: Die Stimmung einer Bewertung analysieren Exercise 3: Mehrere Bewertungen gleichzeitig sortieren Exercise 4: Modelle anhand von gekennzeichneten Bewertungsdaten vergleichen Exercise 5: Zero-Shot-Klassifizierung und QNLI Exercise 6: Zero-Shot-Klassifizierung von Support-Tickets

Aktuelle Übung

Exercise 7: Beantwortet der Text die Frage?Exercise 8: Fragenähnlichkeit und grammatikalische Korrektheit Exercise 9: Doppelte Fragen erkennen Exercise 10: Grammatik checken

Tauche ein in die Welt der modernen NLP-Anwendungen mit Token-Klassifizierung und Textgenerierungstechniken. Lerne, wie du mit NER und PoS-Tagging wichtige Entitäten und grammatikalische Strukturen herausziehen kannst. Lerne, wie man extraktive und abstrakte Fragen beantwortet, und probier mal fortgeschrittene Generierungsaufgaben wie Zusammenfassung, Übersetzung und Sprachmodellierung mit Pipelines von Hugging Face aus.

Exercise 1: Token-Klassifizierung Exercise 2: Named Entities in Schlagzeilen erkennen Exercise 3: Wortart-Tagging für die Textanalyse Exercise 4: Fragen beantworten Exercise 5: Fragen aus Produktbeschreibungen beantworten Exercise 6: Natürliche Antworten mit abstrakter QA generieren Exercise 7: Aufgaben zur Sequenzerstellung Exercise 8: Nachrichtenartikel zusammenfassen, um schnell einen Überblick zu bekommen Exercise 9: Kundenbewertungen ins Französische übersetzen Exercise 10: Ein Suchvervollständigungssystem aufbauen Exercise 11: Glückwunsch!