Plánování schématu aplikace LUIS s využitím domény a extrakce dat předmětu
Schéma aplikace LUIS obsahuje záměry a entity , které se vztahují k vaší doméněpředmětu. Záměry klasifikují projevyuživatele a entity extrahují data z uživatelského projevy.
Identifikace domény
Aplikace LUIS se zacentruje kolem domény předmětu. Můžete mít například cestovní aplikaci, která zpracovává rezervace lístků, letů, hotelů a půjčovny vozidel. Jiná aplikace může poskytovat obsah týkající se výkonu, sledování úsilí o způsobilost a nastavování cílů. Identifikace domény vám pomůže najít slova nebo fráze, které jsou relevantní pro vaši doménu.
Tip
LUIS nabízí předem připravené domény pro mnoho běžných scénářů. Zkontrolujte, jestli můžete použít předem sestavenou doménu jako výchozí bod pro vaši aplikaci.
Identifikujte své záměry
Zamyslete se nad záměry , které jsou důležité pro úlohu vaší aplikace.
Podíváme se na příklad cestovní aplikace s funkcemi pro zarezervování letu a zkontrolujeme počasí v cíli uživatele. BookFlight GetWeather Pro tyto akce můžete definovat záměry a.
Ve složitější aplikaci s více funkcemi máte více záměrů a měli byste je pečlivě definovat, aby záměry nebyly příliš specifické. Například BookFlight a BookHotel může být potřeba oddělit záměry, ale BookInternationalFlight BookDomesticFlight může být příliš podobný.
Poznámka
Osvědčeným postupem je použít jenom tolik záměrů, kolik potřebujete k provádění funkcí aplikace. Pokud definujete příliš mnoho záměrů, je LUIS pro projevy správně klasifikovat. Pokud definujete moc málo, můžou být tak obecné, aby se překrývaly.
Pokud nepotřebujete identifikovat celkový úmysl uživatele, přidejte do záměru všechny ukázkové projevy uživatele None . Pokud vaše aplikace roste na potřebu dalších záměrů, můžete je vytvořit později.
Vytvořit příklad projevy pro každý záměr
Chcete-li začít, vyhněte se vytváření příliš velkého počtu projevy pro každý záměr. Po určení záměrů vytvořte 15 až 30 příkladů projevy na záměr. Každý utterance by se měl lišit od dříve poskytnuté projevy. Dobrá odrůda v projevy zahrnuje celkový počet slov, volbu Word, sloveso vhodné a interpunkční znaménka.
Další informace najdete v tématu porozumění dobrým projevyům pro aplikace Luis.
Identifikace entit
V příkladu projevy Identifikujte entity, které mají být extrahovány. Pro zarezervování letu potřebujete informace, jako je cílová, datum, letecká kategorie a třída pro cestování. Vytvořte entity pro tyto datové typy a označte entity v příkladu projevy. Entity jsou důležité pro splnění záměru.
Při určování entit pro použití ve vaší aplikaci Pamatujte na to, že existují různé typy entit pro zachycení vztahů mezi typy objektů. Entity v Luis poskytují další podrobnosti o různých typech.
Tip
LUIS nabízí předem připravené entity pro běžné scénáře uživatelů v konverzaci. Zvažte použití předem připravených entit jako výchozího bodu pro vývoj aplikací.
Řešení s záměrem nebo entitou?
V mnoha případech, zejména při práci s přirozenými konverzacemi, uživatelé poskytují utterance, který může obsahovat více než jednu funkci nebo záměr. Pro vyřešení tohoto obecného pravidla poznáte, že reprezentace výstupu se dá dělat jak v záměrech, tak i v entitách. Tato reprezentace by se měla mapovat na akce klientských aplikací a nemusí být omezena na záměry.
Int--li-vazby je koncept, který akce (obvykle porozumění jako záměry) mohou být zachyceny jako entity a v tomto formuláři se spoléhaly na výstupní JSON, kde je lze namapovat na určitou akci. Negace je běžné využití, které využívá tuto závislost na záměru i entitě pro úplnou extrakci.
Vezměte v úvahu následující dva projevyy, které se velmi blíží výběru slov, ale mají různé výsledky:
| Výrok |
|---|
Please schedule my flight from Cairo to Seattle |
Cancel my flight from Cairo to Seattle |
Místo toho, abyste měli dva samostatné záměry, vytvořte jeden záměr s FlightAction entitou strojového učení. Entita strojového učení by měla extrahovat podrobnosti o akci pro plánování i zrušení žádosti, a to i v případě původu nebo cílového umístění.
FlightActionEntita by byla strukturovaná v následujícím pseudo schématu entity Machine Learning a subentity:
- FlightAction
- Akce
- Zdroj
- Cíl
Pro usnadnění extrakce přidejte funkce do subentit. Vaše funkce zvolíte na základě slovníku, který očekáváte, abyste viděli v projevy uživatelů a hodnoty, které chcete vrátit v odpovědi předpovědi.