为Power BI构建必应新闻模板的方法

　　Azure Machine Learning Studio提供一款瑞士军刀般的出色工具，能够以强大且高效的方式对文本数据集进行操作。举例来说，其中的一套内置模块可应用于语言检测及文本预处理等较低级别任务，用于实现案例标准化、停止词删除、词干提取与词汇化等常见清理步骤。建立在此基础之上的则为更为完整的模块集合，能够通过散列或TF-IF等指标将预处理文本转换为N-gram，同时跳过其中的数字特征。在建立起一组数字特征后，您即可利用Azure ML中的任何一套现有学习算法根据需求建立起分类、回归、推荐或者聚类模型。

　　除了使用N-gram功能进行模型训练之外，大家还可以利用一组强大的模块通过预训练模型完成实体与关键词提取等任务，并反过来利用这些提取信息依次构建不同类型的特征。

　　Azure ML在自身文本分析功能当中广泛应用强大的Vowpal Wabbit（简称VW）库。例如，潜在狄利克雷分析模块即利用VW构建主题模型或者大规模数据集。由于VW本身拥有大量算法调整选项，因此能够切实满足各类学习任务的需求; VM高级用户亦可在命令行界面当中直接使用我们的打包工具，同时公开全部选项以最大程度实现灵活性。

　　R与Python语言的开源生态系统还提供一系列不同类型的工具，用于实现不同（或者指向特定领域）格式文本的阅读与解析任务。例如，R中的tm包可执行案例标准化与词干提取等文本预处理任务，Python中的NLTK模块则能够完成从预处理到语音片段标记、再到分类与聚类模型构建等一系列文本分析工作。Azure ML允许大家在实验过程当中轻松运用这些来自大型生态系统的卓越功能。举例来说，Python 2.7.11与3.5环境就已经预先配置来自NTLK的全部语料库与模型。

　　而这些功能还拥有另一项更为强大的特性，即允许用户以任意方式对其加以给，从而立足文本数据构建起高度灵活的机器学习管道。在Azure ML出色操作能力的支持下，您可通过数次点击将这些管道转化为生产就绪型Web服务，并利用其完成实时与批量评分。

　　Power BI解决方案模板迎来大升级

　　面对数量如此众多的工具选项，数据科学家该如何构建起一套能够真正解决实际问题的端到端解决方案？

　　在今天的博文中，我们将讲解为Power BI构建必应新闻模板的方法。必应新闻解决方案模板可帮助您根据关注方向，将来自数百家不同消息供应方的相关文章进行匹配。通过构建Azure服务自动化管道，其可提供一套交钥匙型解决方案，帮助客户轻松分析新闻内容。这套工作簿的强大之处在于，其能够利用交叉过滤机制将全部许可证分析结果整合在一起。举例来说，在必应新闻模板当中，用户可以选择主题、查看相关关键短语与关联性命名实体，从而快速了解特定主题的要点。将这两种AI技术加以组合，不仅构建起一种强大的大型文档库浏览方案，同时亦可帮助您快速发现值得关注的文章。

　　这套模板中包含四种不同的复杂机器学习技术，将其整合在一起将带来高保真分析结果。模板架构详见以下流程图。