创建数据集

在训练模型之前，需要创建数据集。需输入数据集名称、选择相应的标注模版、选择数据去重策略，即可创建一个空数据集。

数据自动去重即平台对您上传的数据进行重复样本的去重。建议创建数据集时选择「数据自动去重」

如果待导入数据集是中文简体/繁体，请选择『短文本单标签』；如果待导入数据集是非中文的其他语言，请选择『多语种文本单标签』，点击可查看支持的全部语言种类。

导入数据

创建数据集后，在「数据总览」页面中，找到该数据集，点击右侧操作列下的「导入」，即可进入导入数据页面。

您可以使用4种方案上传文本分类的数据，分别为：

• 本地导入
• BOS目录导入
• 分享链接导入
• 平台已有数据集

本地导入

您可以通过以下三种方式进行本地数据的导入：

• 以压缩包的方式上传
• 以TXT文本文件方式上传
• 以Excel文件的方式上传

以压缩包方式上传

如果您想上传的数据为压缩包，请根据您的数据是否已标注，按照以下格式要求完成数据上传。

无标注数据

• 压缩包内包含上传的所有文本数据，每一个文本文件将作为一个样本上传，详见示例压缩包
• 压缩包格式为.zip格式，压缩包内文件类型支持txt，文件编码仅支持UTF-8

有标注数据

• 压缩包格式为.zip格式，同时压缩包大小在5GB以内，文本编码仅支持UTF-8，每个文本文件最长不能超过4096个字符
• 标注文件中标签由数字、中英文、中/下划线组成，长度上限256字符。

有标注数据可以使用以下两种格式组织压缩包的内容：

• 以文件夹命名样本的标签：压缩包内按照文本类别数量分为多个文件夹，以文件夹的名称作为文本类别标签，文件夹下的所有txt文件作为样本，详细请见示例压缩包
• 用json文件标记分类：压缩包内仅支持单个文本文件（txt）及同名的json格式标注文件的上传，可传多组样本，详细请见示例压缩包

以TXT文本文件上传

• 无标注数据文本文件内数据格式要求为"文本内容\n"（即每行一个未标注样本，使用回车换行），详见数据样例。有标注数据中文本文件内数据格式要求为"文本内容\t标签\n"（即每行一个标注样本，使用tab键将文本内容与标签分开，使用回车换行），详见数据样例。每一行表示一组数据，每组数据的字符数建议不超过4096个字符，超出将被截断；训练的字符数不超过512个字符，超出的字符可正常保存，但不参与训练。
• 文本文件类型支持txt，编码仅支持UTF-8，单次上传限制100个文本文件，最多可上传100万个文本文件

以Excel文件上传

• Excel文件内数据格式要求为：每行是一个样本详见数据样例，如果您上传的为有标注数据，则每行的样本包含两列，第一列为数据文本内容，第二列为文本对应标签，详见数据样例；如果您上传的为无标注数据，则每行样本仅包含第一列数据文本内容，每个数据样本文本内容的字符数建议不超过4096个，超出将被截断。
• 文件类型支持xlsx格式，单次上传文件个数上限为100个
• 请确保您上传的样本在sheet1中，注意，首行作为表头将被系统忽略

BOS目录导入

需选择Bucket地址与对应的文件夹地址。

请确保将全部文本已通过txt文件保存至同一层文件目录，该层目录下子文件目录及非相关内容（包括压缩包格式等）不导入。

分享链接导入

需输入链接地址。分享链接导入的要求如下：

• 仅支持来自百度BOS、阿里OSS、腾讯COS、华为OBS的共享链接

平台已有数据集

• 导入无标注数据时，选择需要导入的数据集名称，可导入其不带标注的全部数据，或未标注的数据
• 导入已标注数据时，选择需要导入的数据集名称，可导入其某个或全部标签下的数据

准备数据集的技巧

文本分类任务中，可参考以下准备数据集的技巧：

设计分类

首先想好分类如何设计，每个分类为你希望识别出的一种结果，如要识别新闻的内容类型，则可以以“科技”、“体育”、“农业”等分别作为一个分类标准；如果审核场景中通过文本判断是否出现广告，可以设计为两类设计为“正常”、“不正常”两类，或者“正常”、“异常原因一”、“异常原因二”、“异常原因三”等多类。

注意：目前单个模型的上限为1000类，暂不支持扩容

数据量

基于设计好的分类准备文本数据，每个分类建议至少需要准备50个文本文件以上，如果想要较好的效果，建议文件1000个起，如果某些分类的文本具有相似性，需要增加更多文本。

文本的基本格式要求： 目前文本文件类型支持txt，文本文件大小限制长度最大4096，格式为UTF-8字符。一个模型的文本总量限制10万个文本文件。

数据分布

• 训练集文本需要和实际场景要识别的文本环境一致
• 考虑实际应用场景的种种可能性，每个分类的文本需要覆盖实际场景里面存在的可能性，训练集若能覆盖的场景越多，模型的泛化能力则越强

可能的疑问

• 如果训练文本数据无法全部覆盖实际场景要识别的文本，怎么办？

答：训练的模型算法会有一定的泛化能力，尽可能覆盖即可。

• 多语种模型支持全球94种语言：

南非语, 阿姆哈拉语, 阿拉伯语, 阿萨姆语, 阿塞拜疆语, 白俄罗斯语, 保加利亚语, 孟加拉语, 孟加拉语(拉丁化), 布列塔尼语, 波斯尼亚语, 加泰隆语, 捷克语, 威尔士语, 丹麦语, 德语, 希腊语, 英语, 世界语, 西班牙语, 爱沙尼亚语, 巴斯克语, 波斯语, 芬兰语, 法语, 弗里斯兰语, 爱尔兰语, 苏格兰盖尔语, 加利西亚语, 古吉拉特语, 希伯来语, 印地语, 印地语(拉丁化), 克罗地亚语, 匈牙利语, 亚美尼亚语, 印尼语, 冰岛语, 意大利语, 日语, 爪哇语, 格鲁吉亚语, 哈萨克语, 高棉语, 康纳达语, 韩语, 库尔德语, 柯尔克孜语, 拉丁语, 老挝语, 立陶宛语, 拉脱维亚语, 马拉加斯语, 马其顿语, 马拉亚拉姆语, 蒙古语, 马拉提语, 马来语, 缅甸语, 尼泊尔语, 荷兰语, 挪威语, 奥里亚语, 旁遮普语, 巴利语, 普什图语, 葡萄牙语, 罗马尼亚语, 俄语, 梵语, 信德语, 僧伽罗语, 斯洛伐克语, 斯洛文尼亚语, 索马里语, 阿尔巴尼亚语, 塞尔维亚语, 巽他语, 瑞典语, 斯瓦希里语, 泰米尔语, 泰米尔语(拉丁化), 泰卢固语, 泰卢固语(拉丁化), 泰语, 他加禄语, 土耳其语, 维吾尔语, 乌克兰语, 乌尔都语, 乌尔都语(拉丁化), 乌兹别克斯坦语, 越南语, 意第绪语。

如果需要寻求第三方数据采集团队协助数据采集，请在百度云控制台内提交工单反馈