Çözüm fikri Solution Idea
Daha fazla bilgi, uygulama ayrıntıları, fiyatlandırma Kılavuzu veya kod örneği ile bu makaleyi genişletmemizi istiyorsanız GitHub geri bildirimlerindenhaberdar olalım!If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!
Sosyal siteler, Forumlar ve diğer metin ağırlıklı soru-cevap, dizin oluşturma ve Kullanıcı aramasına izin veren çok büyük bir etiketlerdir&.Social sites, forums, and other text-heavy Q&A services rely heavily on tagging, which enables indexing and user search. Uygun etiketleme olmadan, bu siteler çok daha az etkilidir.Without appropriate tagging, these sites are far less effective. Ancak, etiketleme genellikle kullanıcıların kararına göre kalır.Often, however, tagging is left to the users' discretion. Kullanıcılar, yaygın olarak aranabilecek şartlar listesine sahip olmadığından veya bir sitenin kategori veya bilgi mimarisi hakkında ayrıntılı bir şekilde anlaşılmadığında, gönderimler genellikle hatalı etiketlidir.And since users don't have lists of commonly searched terms or a deep understanding of the categorization or information architecture of a site, posts are frequently mislabeled. Bu, daha sonra gerektiğinde içeriğin bulunması zor veya imkansız hale gelir.This makes it difficult or impossible to find that content when it's needed later.
Derin öğrenme ve doğal dil işlemeyi (NLP) siteye özgü arama koşullarında verilerle birleştirerek bu çözüm, sitenizdeki etiketleme doğruluğunu önemli ölçüde iyileştirmenize yardımcı olur.By combining deep learning and natural language processing (NLP) with data on site-specific search terms, this solution helps greatly improve tagging accuracy on your site. Kullanıcılarınız gönderdikleri gibi, önerilen Etiketler olarak daha fazla kullanılmış şartlar sunarak başkalarının sağladıkları bilgileri bulmasını kolaylaştırır.As your user types their post, it offers highly used terms as suggested tags, making it easier for others to find the information they're providing.
MimariArchitecture
Bu mimarinin bir SVG indirin.
Download an SVG of this architecture.
BileşenlerComponents
- Microsoft SQL Server: veriler Microsoft SQL Server kullanılarak depolanır, yapılandırılır ve dizine alınır.Microsoft SQL Server: Data is stored, structured, and indexed using Microsoft SQL Server.
- GPU tabanlı Azure veri bilimi sanal makinesi: çekirdek geliştirme ortamı, Microsoft Windows Server 2016 GPU DSVM NC24 ' dir.GPU based Azure Data Science Virtual Machine: The core development environment is the Microsoft Windows Server 2016 GPU DSVM NC24.
- Azure Machine Learning Workbench: çalışma ekranı veri temizleme ve dönüştürme için kullanılır ve deneme ve model yönetimi hizmetlerine birincil arabirim görevi görür.Azure Machine Learning Workbench: The Workbench is used for data cleaning and transformation, and it serves as the primary interface to the Experimentation and Model Management services.
- Azure Machine Learning denemesi Service: deneme hizmeti, hiper parametre ayarlama dahil olmak üzere model eğitimi için kullanılır.Azure Machine Learning Experimentation Service: The Experimentation Service is used for model training, including hyperparameter tuning.
- Azure Machine Learning model yönetimi hizmeti: model yönetimi hizmeti, Kubernetes tarafından yönetilen bir Azure kümesine genişletme de dahil olmak üzere son modelin dağıtımı için kullanılır.Azure Machine Learning Model Management Service: The Model Management service is used for deployment of the final model, including scaling out to a Kubernetes-managed Azure cluster.
- Azure veri bilimi VM'si 'de Jupyter Not defterleri: Jupyter Not defterleri, Python 'da geliştirilen model IÇIN temel IDE olarak kullanılır.Jupyter Notebooks on Azure Data Science VM: Jupyter Notebooks is used as the base IDE for the model, which was developed in Python.
- Azure Container Registry: model yönetimi hizmeti gerçek zamanlı Web hizmetlerini Docker Kapsayıcıları olarak oluşturur ve paketler.Azure Container Registry: The Model Management Service creates and packages real-time web services as Docker containers. Bu kapsayıcılar Azure Container Registry aracılığıyla karşıya yüklenir ve kaydedilir.These containers are uploaded and registered via Azure Container Registry.
- Azure Kubernetes hizmeti (AKS): Bu çözüm için dağıtım, Kubernetes tarafından yönetilen bir küme çalıştıran Azure Kubernetes hizmetini kullanır.Azure Kubernetes Service (AKS): Deployment for this solution uses Azure Kubernetes Service running a Kubernetes-managed cluster. Kapsayıcılar Azure Container Registry depolanan görüntülerden dağıtılır.The containers are deployed from images stored in Azure Container Registry.
Sonraki adımlarNext steps
- Microsoft SQL Server hakkında daha fazla bilgi edininLearn more about Microsoft SQL Server
- Azure Machine Learning Workbench hakkında daha fazla bilgi edininLearn more about Azure Machine Learning Workbench
- Azure Machine Learning örnek denemeleri hakkında daha fazla bilgi edininLearn more about Azure Machine Learning sample experiments
- Azure Machine Learning hakkında daha fazla bilgi edinin Model YönetimiLearn More about Azure Machine Learning Model Management
- Jupyıter Not defterleri hakkında daha fazla bilgi edininLearn more about Jupyter Notebooks
- Azure Container Registry hakkında daha fazla bilgi edininLearn more about Azure Container Registry
- Azure Kubernetes hizmeti hakkında daha fazla bilgi edininLearn more about Azure Kubernetes Service