Quelle option permet de capturer les informations sur les correspondances de faits dans une table CAS distincte ?

Extraction des Faits : Maîtriser le paramètre factOut

factOut casouttable correspondance faits extraction faits analyse textuelle

Le paramètre factOut indique la table CAS de sortie qui contiendra les informations relatives aux correspondances de faits. Pour plus de précisions sur la configuration du paramètre factOut, référez-vous au paramètre commun casouttable.

Schéma : Quelle option permet de capturer les informations sur les correspondances de faits dans une table CAS distincte ?

Exemple de Code Additionnel

1	<pre>/* CASL Script : Application d'un Modèle de Concepts et Extraction des Faits */
2	PROC CAS;
3	/* Chargement de l'action set d'analyse sémantique */
4	LOADACTIONSET "textRuleScore";
5	/* Application du modèle NLP et capture des correspondances */
6	textRuleScore.applyConcept /
7	/* Table CAS d'entrée contenant les textes */
8	TABLE={
9	name="mes_documents",
10	caslib="Public"
11	}
12	/* Modèle de concepts LITI préalablement compilé */
13	model={
14	name="mon_modele_concept",
15	caslib="Public"
16	}
17	docId="id_document"
18	text="contenu_texte"
19	/* Table de sortie standard pour les concepts */
20	casOut={
21	name="resultats_concepts",
22	caslib="casuser",
23	replace=true
24	}
25	/* Paramètre factOut (implémente la structure casouttable) */
26	factOut={
27	name="resultats_faits",
28	caslib="casuser",
29	replace=true,
30	replication=0,
31	compress=true
32	};
33	PRINT "Exécution terminée. Les faits ont été isolés dans la table CASUSER.RESULTATS_FAITS.";
34	RUN;
35	QUIT;</pre>

Exemples pour l'action applyConcept

Application du modèle de concept de base

Cet exemple illustre l'extraction d'entités via l'action applyConcept. Sans paramètre model, le moteur NLP déploie son modèle LISI natif pour isoler types d'entités et faits structurés.

Extraction avancée avec filtrage de concepts et optimisation mémoire

Cet exemple optimise l'action applyConcept : segmentation par chunks de 16 Ko, filtrage sélectif via dropConcepts et traçabilité des règles avec ruleMatchOut pour un scoring haute précision.

Conseil de l'Expert

En tant que consultant, je vois souvent des tables générées par des analyses textuelles (NLP) saturer inutilement la mémoire (CAS RAM). La table générée par factOut liste chaque fait extrait, ce qui peut représenter un volume de données massif sur un grand corpus.

Cette réponse vous a-t-elle aidé ?