Slimme tags toevoegen aan elementen in AEM smart-tags-assets-aem

Organisaties die met digitale middelen te maken hebben, maken steeds vaker gebruik van een door taxonomie gecontroleerde woordenlijst in metagegevens van bedrijfsmiddelen. In wezen, omvat het een lijst van sleutelwoorden die de werknemers, de partners, en de klanten algemeen gebruiken om naar hun digitale activa te verwijzen en te zoeken. Door elementen te labelen met een woordenschat die door de taxonomie wordt bepaald, kunt u de elementen gemakkelijk herkennen en ophalen in zoekopdrachten.

Vergeleken met natuurlijke taalwoordenboeken, helpt het etiketteren op basis van bedrijfstaxonomie de activa met de zaken van een bedrijf te richten en zorgt ervoor dat de meest relevante activa in onderzoeken verschijnen. Een autofabrikant kan bijvoorbeeld autoafbeeldingen labelen met modelnamen, zodat alleen relevante afbeeldingen worden weergegeven wanneer er wordt gezocht naar een promotiecampagne.

In de achtergrond, gebruikt de functionaliteit het kunstmatig intelligente kader van Adobe Senseiom zijn algoritme van de beelderkenning op uw markeringsstructuur en bedrijftaxonomie te trainen. Deze inhoudsinfo wordt vervolgens gebruikt om relevante tags toe te passen op een andere set elementen. AEM past automatisch slimme tags toe op geüploade elementen.

Ondersteunde elementtypen voor slimme tags in AEM smart-tags-supported-file-formats

U kunt de volgende typen elementen labelen:

AEM voegt de slimme tags standaard toe aan de tekstelementen en aan video's. Als u slimme tags automatisch wilt toevoegen aan afbeeldingen, voert u de volgende taken uit.

Leer labelmodellen en -richtlijnen understand-tag-models-guidelines

Een labelmodel is een groep gerelateerde tags die zijn gekoppeld aan verschillende visuele aspecten van afbeeldingen die worden gecodeerd. Tags hebben betrekking op de duidelijk verschillende visuele aspecten van afbeeldingen, zodat de tags, wanneer deze worden toegepast, helpen bij het zoeken naar specifieke typen afbeeldingen. Een schoenenverzameling kan bijvoorbeeld verschillende tags hebben, maar alle tags zijn gerelateerd aan schoenen en kunnen tot hetzelfde tagmodel behoren. Wanneer u de labels toepast, kunt u verschillende soorten schoenen vinden, bijvoorbeeld op basis van ontwerp of gebruik. Als u de inhoudsweergave van een trainingsmodel in Experience Manager wilt begrijpen, visualiseert u een trainingsmodel als een entiteit op hoofdniveau die bestaat uit een groep handmatig toegevoegde tags en voorbeeldafbeeldingen voor elke tag. Elke tag kan uitsluitend op een afbeelding worden toegepast.

Voordat u een tagmodel maakt en de service traint, moet u een set unieke tags identificeren die de objecten in de afbeeldingen het beste beschrijven in de context van uw bedrijf. Zorg ervoor dat de activa in uw gebogen reeks met de opleidingsrichtlijnenin overeenstemming zijn.

Richtlijnen voor training training-guidelines

Zorg ervoor dat de afbeeldingen in de trainingsset voldoen aan de volgende richtlijnen:

Aantal en grootte: minimum 10 beelden en maximum 50 beelden per markering.

Samenhang: Zorg ervoor dat de beelden voor een markering visueel gelijkaardig zijn. U kunt de tags met betrekking tot dezelfde visuele aspecten (zoals hetzelfde type objecten in een afbeelding) het beste aan één tagmodel toevoegen. Het is bijvoorbeeld geen goed idee om deze afbeeldingen als my-party (voor training) te labelen, omdat ze er anders uitzien.

te illustreren

Dekking: Er zou voldoende verscheidenheid in de beelden in de opleiding moeten zijn. Het is de bedoeling om een paar maar redelijk verschillende voorbeelden te geven, zodat Experience Manager leert focussen op de juiste dingen. Als u dezelfde tag toepast op visueel ongelijke afbeeldingen, moet u ten minste vijf voorbeelden van elke soort opnemen. Bijvoorbeeld, voor de markering model-onderstel, omvat meer opleidingsbeelden gelijkend op het benadrukte beeld hieronder voor de dienst om gelijkaardige beelden nauwkeuriger tijdens het etiketteren te identificeren.

te illustreren

Vervorming/belemmering: De de diensttreinen beter op beelden die minder afleiding (duidelijke achtergronden, niet verwante accompanimenten, zoals voorwerpen/personen met het belangrijkste onderwerp) hebben. Bijvoorbeeld, voor de markering casual-shoe, is het tweede beeld geen goede opleidingskandidaat.

te illustreren

Volledigheid: Als een afbeelding in aanmerking komt voor meer dan één tag, voegt u alle relevante tags toe voordat u de afbeelding opneemt voor training. Als het bijvoorbeeld gaat om tags zoals regenjas en modelweergave, voegt u beide tags toe aan de desbetreffende asset voordat u dit opneemt voor training.

te illustreren

Aantal markeringen: de Adobe adviseert dat u een model gebruikend minstens twee verschillende markeringen en minstens tien verschillende beelden voor elke markering opleidt. Voeg in één tagmodel niet meer dan 50 tags toe.

Aantal voorbeelden: Voor elke markering, voeg minstens tien voorbeelden toe. De Adobe beveelt echter ongeveer 30 voorbeelden aan. Er worden maximaal 50 voorbeelden per tag ondersteund.

verhindert valse positieven en conflicten: de Adobe adviseert het creëren van één enkel markeringsmodel voor één enkel visueel aspect. Structuur de labelmodellen zodanig dat overlappende codes tussen de modellen worden voorkomen. Gebruik bijvoorbeeld geen gemeenschappelijke tags, zoals sneakers , in twee verschillende modelnamen voor tags shoes en footwear . Het trainingsproces overschrijft het ene getrainde tagmodel met het andere voor een algemeen trefwoord.

Voorbeelden: Sommige meer voorbeelden voor begeleiding zijn:

Beelden die worden gebruikt om te trainen: U kunt de zelfde beelden gebruiken om verschillende markeringsmodellen te trainen. Koppel een afbeelding echter niet aan meerdere tags in een labelmodel. U kunt dezelfde afbeelding labelen met verschillende tags die bij verschillende labelmodellen horen.

U kunt de training niet ongedaan maken. Aan de hand van de bovenstaande richtlijnen kunt u goede afbeeldingen kiezen om te trainen.

Het model trainen voor uw douanetags train-model

Voer de volgende stappen uit om een model voor uw bedrijfsspecifieke tags te maken en op te leiden:

Cijfer: Stappen van het opleidingswerkschema om het etiketteren model te trainen.

Trainingsstatus en rapport weergeven training-status

Als u wilt controleren of de service Slimme tags is opgeleid voor uw tags in de trainingsset met elementen, raadpleegt u het workflowrapport voor training in de rapportconsole.

Elementen labelen met slimme tags in AEM tag-assets

Alle typen ondersteunde elementen worden automatisch gelabeld door Experience Manager Assets wanneer ze worden geüpload. Tags worden standaard ingeschakeld en werkt. AEM past de juiste slimme tags toe in bijna real-time.

Slimme tags beheren en zoeken naar middelen manage-smart-tags-and-searches

U kunt slimme tags beheren om eventuele onjuiste tags te verwijderen die aan uw merkelementen zijn toegewezen, zodat alleen de meest relevante tags worden weergegeven.

Als u slimme tags modereert, kunt u zoekopdrachten op basis van tags ook verfijnen door ervoor te zorgen dat uw elementen in de zoekresultaten voor de meest relevante tags worden weergegeven. In feite helpt dit de kans te verkleinen dat niet-verwante elementen in zoekresultaten worden weergegeven.

U kunt ook een hogere rangorde aan een tag toewijzen om de relevantie van de tag voor het element te vergroten. Door een tag voor een element te promoten, vergroot u de kans dat het element in de zoekresultaten wordt weergegeven wanneer een zoekopdracht wordt uitgevoerd op basis van de desbetreffende tag.

Slimme tags toepassen op uw digitale elementen:

Experience Manager Zoekresultaten met slimme tags begrijpen understand-search

Standaard worden in Experience Manager zoektermen gecombineerd met een AND -component. Het gebruik van slimme tags verandert dit standaardgedrag niet. Met slimme tags voegt u een OR -component toe om een zoekterm in de toegepaste slimme tags te zoeken. Zoek bijvoorbeeld naar woman running . Assets met alleen het trefwoord woman of alleen het trefwoord running in de metagegevens worden niet standaard in de zoekresultaten weergegeven. In een dergelijke zoekopdracht wordt echter een element weergegeven dat is gelabeld met woman of running met slimme tags. De zoekresultaten zijn dus een combinatie van:

De zoekresultaten die overeenkomen met alle zoektermen in metagegevensvelden worden eerst weergegeven, gevolgd door de zoekresultaten die overeenkomen met een van de zoektermen in de slimme tags. In het bovenstaande voorbeeld is de weergavevolgorde van zoekresultaten bij benadering:

Beperkingen en beste praktijken op het gebied van tags limitations

Verbeterde slimme tags zijn gebaseerd op leermodellen van afbeeldingen en hun tags. Deze modellen zijn niet altijd perfect bij het identificeren van tags. De huidige versie van de slimme tags heeft de volgende beperkingen:

Gebruik de meest geschikte afbeeldingen om het model op te leiden. De training kan niet worden teruggezet of het trainingsmodel kan niet worden verwijderd. De nauwkeurigheid van de tags is afhankelijk van de huidige training, dus doe dit zorgvuldig.

Als u bestanden met slimme tags wilt zoeken (normaal of uitgebreid), gebruikt u de zoekopdracht Assets (zoeken in volledige tekst). Er is geen afzonderlijke zoekvoorspelling voor slimme tags.

zie ook