Розничная компания собирает комментарии клиентов из социальных сетей, со своего веб-сайта и из журналов звонков. Каждое упоминание продукта может относиться к нескольким определённым компанией категориям (меткам), которые не являются взаимоисключающими. Например, упоминание «Sample Yogurt» должно быть помечено как «yogurt», «snack» и «dairy product». Используя Amazon Comprehend и стремясь к максимально быстрой доставке, какую функцию должна использовать команда для обучения своей модели?

Правильный ответ — Пользовательская классификация в режиме multi-label. Это связано с тем, что описанная задача требует присвоения нескольким неисключающим категориям (меткам) одному и тому же фрагменту текста, что является точным определением многометочной классификации. Пользовательская классификация позволяет обучать модель на данных, специфичных для предметной области компании. Пользовательская классификация в режиме multi-class не подходит, так как она предполагает, что каждый фрагмент текста относится только к одной категории из нескольких взаимоисключающих. Пользовательское распознавание сущностей используется для извлечения конкретных именованных сущностей (например, названий продуктов, мест), а не для классификации всего текста по категориям. Предварительно обученные модели Comprehend могут быть полезны для общих задач, но они не позволяют обучать модель на пользовательских категориях, специфичных для бизнеса компании, и не поддерживают многометочность для пользовательских категорий.