各個行業都存在有大量的數據分析工作，這些數據可能來源于各個渠道，格式多樣，質量參差不齊。本文將帶領大家通過一個簡單的例子，初步了解使用達觀數據NLP平臺進行NLP模型建模的全過程。
以新聞分類為例。首先，建立一項“新聞分類”的NLP任務：構建一個新聞分類模型，通過分析數據，構建標簽體系，標注訓練，使之可以對新聞稿件進行分類預測，預測新聞是屬于標簽體系中哪個標簽類別。我們按照大體的建模流程進行任務分解：
構建標簽體系→數據標注→模型訓練→模型評估與調優→模型上線
1.構建標簽體系
對樣本數據進行數據分析，并結合業務專家經驗知識，構建一個適合該任務場景的標簽體系。
通過達觀數據NLP平臺構建分類標簽
2.數據標注
有了標簽體系，下一步就是對樣本數據進行數據標注。簡單來說，數據標注的過程就是通過人工貼標簽的方式，為模型提供可學習的樣本數據，最終使模型可以自主識別數據。例如：樣本數據是“為什么我的業務C還是無法辦理？”，可以將其標注為“業務C”。
通過達觀數據NLP平臺輕松進行數據標注
3.模型訓練
模型訓練是將已標注的數據輸入給模型，讓模型去學習其中的數據規律。通常我們會按照一定的比例，將數據集劃分為訓練集、驗證集、測試集，
??訓練集（training set）用于運行學習算法，訓練模型。
??驗證集（development set）用于調整超參數、選擇特征等，以選擇合適模型。
??測試集（test set）只用于評估已選擇模型的性能，但不會據此改變學習算法或參數。
應用達觀NLP平臺可以進行一鍵完成模型訓練。
一鍵完成模型訓練
4.模型評估與調優
模型評估
當模型學習了訓練集數據，完成訓練后，我們需要對其進行性能評估，看看模型對新數據（測試集）的預測能力如何。
常用評估指標包括：準確率、精確率、召回率、F1值等。
準確率（Accuracy）：就是所有的預測正確（正類負類）的占總的比重。
精確率（Precision）：查準率，即正確預測為正的占全部預測為正的比例。
召回率（Recall）：查全率，即正確預測為正的占全部實際為正的比例。
F1值（H-mean值）：F1值為算數平均數除以幾何平均數，且越大越好。
模型評估效果展示
模型調優
當模型評估完成后，需要對誤差樣本進行誤差原因分析，找到模型在某些樣本數據上分類表現不好的原因，以便做針對性調整。
模型調優是一個漫長而復雜的過程，包含模型的重新訓練、新想法的試驗、效果評估和指標對比等。
5.模型上線
當模型調優后，達到一個比較好的評估效果，即可進行模型上線，使之投入實際生產中，幫忙我們更智能便捷地完成工作。
自動對新的語料進行分類預測
以上是一個常規建模流程，使用者不需要會寫代碼，應用達觀NLP平臺即可快速、便捷地享受構建NLP模型的一條龍服務。
達觀數據NLP平臺，不僅包含傳統NLP領域的中文分詞、詞性分析、實體抽取等基礎功能，同時針對不同行業的業務需要，提供基于篇章級、段落級的語義分析應用。充分結合當前機器學習領域、自然語言生成領域的算法和模型，提供基于業務知識的探索與深度應用，滿足行業用戶對場景化的多元需求。
達觀數據自然語言處理NLP平臺能夠滿足行業客戶多元化的文本挖掘分析、事件分析、輿情分析等多場景訴求，支持貼合行業的文本內容分析、觀點提取、敏感信息過濾、評論分析、事件發展趨勢分析等高端應用。
