机器学习即将应用于信息分类学（Taxonomy）_

*本文基于Bob Kasenchak在 2023 年信息架构会议上的演讲。这是一个专为 IA 从业者设计的 20 分钟详细演示。然而，我们这篇文章的目标是将其提炼为基础论文，并邀请人们讨论主题分类法和主题分类法之间的重要区别。为什么？让我们探索is-ness和i-verse-ness 。

首先，我们在分类学（Taxonomy）上存在一个核心冲突：如何组织准确代表企业世界（领域、业务背景等）的信息，并同时组织相同的信息，以便您的目标受众可以轻松找到它。简而言之：根据事物的本质对其进行分类有时与人们找到它们的位置相冲突。

Baklib是新⼀代企业数字内容体验云平台，包括数字资产及知识库管理、数字应用构建和客户体验，助力企业数字化体验从 IA 扩展到 AI

也就是说：您的导航分类法不是分类系统。

想象一下，被要求构建一个分类法来标记网页、列出产品以及对文档、图像和其他资产进行分类。（注意：我们排除了专门用于导航的分类法，因为它们遵循自己的逻辑。）想象一下，对于这个项目，因为它很容易做到，我们可以互换地考虑和使用主题和主题分类法。我们将很快在信息架构项目的基础上创建一个问题。

我们的意思是什么？

主题：狗是指品种列表（可能还包括特定狗的示例）。主题：狗包括与狗有关的内容。狗我诗里的所有东西。

主题是具体的各种各样的事情。主题是让我想起的东西，或者与事物相关的东西（或者例如用户可能需要快速找到的东西）。

主题分类法和主题分类法的结构类似。它们都具有描述概念的分层排列的单词树。主题分类法和主题分类法之间的区别在于我们分配层次关系的标准。简而言之：有些东西是狗，有些不是（但在狗我诗句中）。

主题分类法根据 is-ness 进行排列。主题分类法是由一个共同主题（-i-verse-ness）相关的一组主题。

再举一个例子：滑雪是一门学科。它包括速降、回转和越野滑雪等子科目。存在。然而：滑雪板不是滑雪。滑雪场、滑雪装备、滑雪者都不是滑雪。它们都完全属于滑雪主题。I-verse-ness. Is-ness vs i-verse-ness：我们可以对任何主题和任何主题执行此操作。

许多分类法混合了主题和主题（在某些情况下这是必要的）。然而，在大多数/所有情况下，应该避免主题和主题被无意识地互换为同一事物。一旦我们允许自己混合主题和主题，我们就会向分类学问题敞开心扉，比如断言普瑞纳狗松狮犬与贵宾犬是同一种类的东西（这显然是一个错误）。

这就是我们为机器学习团队破门寻找分类法铺平道路的地方。

Baklib 数字内容体验云是一个集成的工具集，用于管理和优化跨多个数字渠道的客户体验。它帮助企业提供一致、个性化和无缝的用户体验。

机器学习即将应用于您的分类法和元数据

如果他们还没有这样做，很快就会有人建议，“嘿，我们不能用机器学习来做这个信息架构吗？”机器学习人员会将您的分类法和结构化元数据视为引导其 ML 例程的一种方式。

这里的错误是主题分类法确实非常适合推理。主题分类法……不是。因为，正如我们所见，它们暗示着错误的阶级关系。

考虑在主要电子商务零售商（在本例中为Crate & Barrel - 请注意，这只是一个示例，而不是他们的搜索问题！）上对咖啡的常见搜索：

（您可以自己执行相同的搜索，然后向下滚动以查看更多内容。）当然（因为他们实际上并不销售咖啡）结果是咖啡机、咖啡机、咖啡配件、咖啡用具以及咖啡世界中的其他物品。这太棒了！人们应该能够通过这种方式找到东西。但重点是，我们不想用它来训练机器学习模型：这些东西都不是咖啡。

我们就不能和睦相处吗？

因此，我们希望创建良好的结构化数据以供机器学习应用程序摄取。这并不需要成为 IA 筒仓和 AI 筒仓之间的地盘争夺战，以完全和最终控制我们如何建模和理解组织中的事物。毕竟，我们的集体目标是在信息和受众之间创建最直观、最流畅、最一致的联系。我们希望创建优雅的 IA 结构，严格组织事物（根据事物的本质），并且以一种对人类有用的方式，以便他们能够找到他们正在寻找的东西。我们希望提供is性和i-verse性来创建连接性。