Funkce strojového učení

Ve službě Machine Learning je funkce   odlišující se vlastností a atributů dat, která systém sleduje a se učí.

Funkce strojového učení poskytují LUIS důležité pomůcky pro hledání věcí, které odlišují koncept. Jsou to pomocné parametry, které může LUIS použít, ale nejsou to pevná pravidla. LUIS používá při hledání dat tyto pomocné parametry ve spojení s popisky.

Funkci lze popsat jako funkci, jako je například f (x) = y. V příkladu utterance funkce oznamuje, kde hledat rozlišující vlastnosti. Tyto informace vám pomůžou vytvořit schéma.

Typy funkcí

Funkce jsou nezbytnou součástí návrhu schématu. LUIS podporuje seznamy frází i modely jako funkce:

• Funkce seznamu frází
• Model (záměr nebo entita) jako funkce

Hledání funkcí v příkladech projevy

Vzhledem k tomu, že LUIS je jazykově založená aplikace, jsou tyto funkce založené na textu. Vyberte text, který určuje vlastnost, kterou chcete odlišit. V případě LUIS je nejmenší jednotkou token. V anglickém jazyce je token souvislým rozsahem písmen a čísel, která nemají mezery ani interpunkční znaménka.

Vzhledem k tomu, že mezery a interpunkční znaménka nejsou tokeny, zaměřte se na text, který můžete použít jako funkce. Nezapomeňte zahrnout variace slov, například:

• množné formuláře
• časů příkazů
• zkratky
• pravopisné a chybné pravopisné chyby

Určete, zda text, protože rozlišuje vlastnosti, musí:

• Porovnat přesné slovo nebo frázi: zvažte přidání entity regulárního výrazu nebo entity seznamu jako funkce pro entitu nebo záměr.
• Porovnává dobře známý koncept, například data, časy nebo jména lidí: jako funkci pro entitu nebo záměr použijte předem vytvořenou entitu.
• Naučte se nové příklady v průběhu času: jako funkce pro entitu nebo záměr použijte seznam frází některých příkladů konceptu.

Vytvoření seznamu frází pro koncept

Seznam frází je seznam slov nebo frází, které popisují koncept. Seznam frází se používá jako porovnávání bez rozlišení velkých a malých písmen na úrovni tokenu.

Když přidáváte seznam frází, můžete tuto funkci nastavit jako globální. Globální funkce se vztahuje na celou aplikaci.

Kdy použít seznam frází

Seznam frází použijte v případě, že aplikaci LUIS potřebujete zobecnit a identifikovat nové položky pro daný koncept. Seznamy frází jsou jako slovníky specifické pro doménu. Zvyšují kvalitu porozumění pro záměry a entity.

Jak používat seznam frází

Seznam frází LUIS považuje za kontext a generalizy k identifikaci položek, které jsou podobné, ale neodpovídají přesnému textu. Použijte následující postup, chcete-li použít seznam frází:

1. Začněte s entitou strojového učení:
   1. Přidejte příklad projevy.
   2. Popisek s entitou strojového učení.
2. Přidat seznam frází:
   1. Přidejte slova s podobným významem. Nepřidávat všechna možná slova nebo fráze. Místo toho přidejte několik slov nebo frází současně. Pak převlakujte a publikujte.
   2. Zkontrolujte a přidejte navrhovaná slova.

Typický scénář pro seznam frází

Typický scénář pro seznam frází vám umožní zvýšit slova související s konkrétním nápadem.

Lékařské výrazy jsou dobrým příkladem slov, která mohou potřebovat seznam frází, aby bylo možné zvýšit svůj význam. Tyto výrazy mohou mít konkrétní fyzický, chemický, léčebný nebo abstraktní význam. LUIS neví, že tyto výrazy jsou důležité pro vaši doménu subjektu bez seznamu frází.

Chcete-li extrahovat lékařské výrazy:

1. Vytvořte v těchto projevych příklad lékařské výrazy projevy a Label.
2. Vytvořte seznam frází s příklady podmínek v doméně předmětu. Seznam frází by měl zahrnovat skutečný termín, který jste popsali, a další podmínky, které popisují stejný pojem.
3. Přidejte seznam frází k entitě nebo podentitě, která extrahuje koncept použitý v seznamu frází. Nejběžnějším scénářem je součást (podřízená) entita strojového učení. Pokud má být seznam frází použit ve všech záměrech nebo entitách, označte seznam frází jako seznam globálních frází. Příznak enabledForAllModels řídí tento obor modelu v rozhraní API.

Shody tokenu pro seznam frází

Seznam frází vždy platí na úrovni tokenu. Následující tabulka ukazuje, jak se seznam frází, který má slovo Ann , vztahuje na variace stejných znaků v tomto pořadí.

Model jako funkce pomáhá jinému modelu.

Model (záměr nebo entitu) můžete přidat jako funkci jinému modelu (záměr nebo entitu). Přidáním existujícího záměru nebo entity jako funkce přidáváte dobře definovaný koncept, který obsahuje příklady s popisky.

Při přidávání modelu jako funkce můžete tuto funkci nastavit jako:

• Požadováno. Aby byl model vrácen z koncového bodu předpovědi, je nutné najít požadovanou funkci.
• Globální. Globální funkce se vztahuje na celou aplikaci.

Kdy použít entitu jako funkci k záměru

Přidejte entitu jako funkci k záměru, když je zjišťování této entity pro záměr významné.

Například pokud je záměrem rezervace letu, jako je BookFlight, a entita má informace o lístkech (jako je počet míst, počátek a cíl), pak by se měla entita s informacemi o lístkech přidat do předpovědi záměru BookFlight značnou váhu.

Kdy použít entitu jako funkci pro jinou entitu

Entita (A) by měla být přidána jako funkce jiné entitě (B), pokud je zjišťování této entity (A) významné pro předpověď entity (B).

Pokud je například entita dodací adresy obsažena v subentitě adresy ulice, pak hledání podentity s adresou pro ulici přičítá k předpovědi pro danou entitu dodací adresy důležitou váhu.

• Adresa příjemce (entita strojového učení):

  • Číslo ulice (subentity)
  • Ulice (subentity)
  • Město (subentity)
  • Okres (subentity)
  • Země/oblast (subentita)
  • Poštovní směrovací číslo (subentity)

Vnořené subentity s funkcemi

Podentita Machine-Learning indikuje, že nadřazená entita má k dispozici koncept. Nadřazená položka může být jiná subentita nebo nejvyšší entita. Hodnota subentity funguje jako funkce nadřazeného objektu.

Dílčí entita může mít jako funkci seznam frází i model (jinou entitu).

Pokud má podentita seznam frází, porovná slovní slovo konceptu, ale nepřidá žádné informace do odpovědi JSON předpovědi.

Pokud má podentita funkci jiné entity, odpověď JSON zahrnuje extrahovaná data této jiné entity.

Požadované funkce

Aby byl model vrácen z koncového bodu předpovědi, je nutné najít požadovanou funkci. Požadovanou funkci použijte, když víte, že příchozí data se musí shodovat s funkcí.

Pokud text utterance neodpovídá požadované funkci, nebude extrahován.

Požadovaná funkce používá entitu bez strojového učení:

• Entita regulárního výrazu
• Entita seznamu
• Předem vytvořená entita

Pokud máte jistotu, že se váš model nachází v datech, nastavte funkci podle potřeby. Požadovaná funkce nevrátí žádnou hodnotu, pokud nebyla nalezena.

Pokračuje se v příkladu adresy pro expedici:

Adresa příjemce (entita počítač se naučila)

• Číslo ulice (subentity)
• Ulice (subentity)
• Název ulice (subentity)
• Město (subentity)
• Okres (subentity)
• Země/oblast (subentita)
• Poštovní směrovací číslo (subentity)

Požadovaná funkce s využitím předem připravených entit

Předem připravené entity, jako je město, stát a země/oblast, jsou všeobecně uzavřenou sadou seznamů, což znamená, že se v průběhu času nemění. Tyto entity mohou mít relevantní doporučené funkce a tyto funkce mohou být označeny jako povinné. isRequiredPříznak se však vztahuje pouze k entitě, ke které je přiřazen, a nemá vliv na hierarchii. Pokud se nenalezne předdefinovaná funkce subentity, nebude to mít vliv na detekci a návrat nadřazené entity.

Jako příklad požadované funkce zvažte, že chcete zjistit adresy. Můžete uvažovat o tom, že bude nutné určit číslo ulice. Uživatel tak může zadat "1 Microsoft Way" nebo "One Microsoft" a obě se budou překládat na číslice "1" pro dílčí entitu číslo. Další informace najdete v článku předdefinovaná entita .

Požadovaná funkce využívající seznam entit

Entita seznamu se používá jako seznam kanonických názvů spolu s jejich synonymy. Pokud utterance neobsahuje kanonický název nebo synonymum, jako požadovaná funkce se entita nevrátí jako součást koncového bodu předpovědi.

Předpokládejme, že vaše společnost je dodávána pouze do omezené skupiny zemí nebo oblastí. Můžete vytvořit entitu seznamu, která bude obsahovat několik způsobů, jak zákazníkovi odkazovat na zemi nebo oblast. Pokud LUIS nenajde přesnou shodu v textu utterance, pak se v předpovědi nevrátí entita (která má požadovanou funkci entity seznam).

Klientská aplikace, jako je například robotka chatu, může požádat o pomocnou otázku. To pomáhá zákazníkovi pochopit, že výběr země nebo oblasti je omezený a je povinný.

Požadovaná funkce využívající entity regulárních výrazů

Entita regulárního výrazu , která se používá jako požadovaná funkce, poskytuje funkce pro přizpůsobení textu.

V příkladu adresy pro expedici můžete vytvořit regulární výraz, který zachycuje pravidla syntaxe poštovních směrovacích čísel země nebo oblasti.

Globální funkce

Obecně platí, že pokud chcete použít funkci pro konkrétní model, můžete tuto funkci nakonfigurovat jako globální funkci a použít ji pro celou aplikaci.

Nejběžnějším použitím globální funkce je přidání dalších slovníků do aplikace. Pokud například vaši zákazníci používají primární jazyk, ale očekává se, že bude moci používat jiný jazyk v rámci stejného utterance, můžete přidat funkci, která obsahuje slova ze sekundárního jazyka.

Vzhledem k tomu, že uživatel očekává použití sekundárního jazyka napříč jakýmkoli záměrem nebo entitou, přidejte do seznamu frázi slova ze sekundárního jazyka. Nakonfigurujte seznam frází jako globální funkci.

Kombinování funkcí pro přidané výhody

K popisu vlastností nebo konceptu můžete použít více než jednu funkci. Společné párování je použití:

• Funkce seznamu frází: pro stejný model můžete použít více seznamů frází jako funkce.
• Model jako funkce: předem sestavená entita, entita regulárního výrazu, seznam entit.

Příklad: funkce entity pro rezervaci lístků pro cestovní aplikaci

Jako základní příklad si představte aplikaci pro rezervaci letu s záměrem rezervace letu a entitou rezervace lístků. Entita rezervace lístku zachycuje informace pro lístek lístku v letadle v rezervačním systému.

Entita strojového učení pro lístek má dvě podentity, které zachytí počátek a cíl. Funkce musí být přidány do každé dílčí entity, nikoli jako entita nejvyšší úrovně.

Entita rezervace lístku je entita strojového učení s podentitami, včetně původu a cíle. Tyto subentity označují zeměpisné umístění. Pro účely extrakce umístění a rozlišení mezi zdrojem a cílem by měly být v každé podentitě funkce.

Pokud předpokládáte, že uživatelé používají letištní kódy a názvy letišť, než má LUIS, musí mít seznamy frází, které používají oba typy frází. Pomocí textu zadaného v chatovací robot můžou být běžnější i letištní kódy, zatímco názvy letišť můžou být běžnější pomocí mluvené konverzace, jako je chatovací robot s podporou rozpoznávání řeči.

Porovnání podrobností o funkcích se vrátí pouze pro modely, nikoli pro seznamy frází, protože v předpovědi JSON jsou vráceny pouze modely.

Označení rezervace lístku v záměru

Po vytvoření entity strojového učení musíte do záměru přidat příklad projevy a označit nadřazenou entitu a všechny podentity.

Pro příklad rezervace lístku označte příklad projevy v záměru s TicketBooking entitou a všemi podentitami v textu.

Příklad: aplikace řazení Pizza

V druhém příkladu si představte aplikaci pro Pizza restauraci, která přijímá objednávky Pizza, včetně podrobností o typu Pizza, který někdo má na objednávku. Pokud je to možné, musí být všechny podrobnosti Pizza extrahovány, pokud je to možné, aby se zpracování objednávky dokončilo.

Entita strojového učení v tomto příkladu je složitější s vnořenými subentitami, seznamy frází, předem sestavenými entitami a vlastními entitami.

Tento příklad používá funkce na úrovni subentity a podřízenosti úrovně subentity. Jakou úroveň získá seznam frází nebo model jako funkci, je důležitou součástí návrhu vaší entity.

I když mohou podklíče obsahovat mnoho frázových seznamů jako funkce, které vám pomůžou detekovat entitu, má každá podentita jenom jeden model jako funkci. V této aplikaci Pizzajsou tyto modely primárně vypsány.

Správně označený příklad projevy zobrazení způsobem, který ukazuje, jak jsou entity vnořené.

Osvědčené postupy

Seznamte se s osvědčenými postupy.

Další kroky

• Rozšíříte své modely aplikací v prostředí předpovědi.
• Další informace o tom, jak přidat funkce do aplikace LUIS, najdete v tématu věnovaném Přidání funkcí .