Features des maschinellen LernensMachine-learning features

Beim maschinellen Lernen ist ein  Feature  ein eindeutiges Merkmal oder Attribut der Daten, die Ihr System untersucht und durch die es lernt.In machine learning, a feature is a distinguishing trait or attribute of data that your system observes and learns through.

Features des maschinellen Lernens liefern LUIS wichtige Hinweise dazu, wo nach Informationen gesucht werden soll, die ein Konzept von anderen unterscheiden.Machine-learning features give LUIS important cues for where to look for things that distinguish a concept. Hierbei handelt es sich um Hinweise, die von LUIS genutzt werden können, nicht um feste Regeln.They're hints that LUIS can use, but they aren't hard rules. LUIS verwendet diese Hinweise zusammen mit Bezeichnungen, um Daten zu finden.LUIS uses these hints in conjunction with the labels to find the data.

Ein Feature lässt sich als Funktion beschreiben, z. B. f(x) = y.A feature can be described as a function, like f(x) = y. In einer Beispieläußerung informiert das Feature darüber, wo nach dem unterscheidenden Merkmal zu suchen ist.In the example utterance, the feature tells you where to look for the distinguishing trait. Verwenden Sie diese Informationen, um Ihr Schema zu erstellen.Use this information to help create your schema.

Typen von FeaturesTypes of features

Features sind ein erforderlicher Teil Ihres Schemaentwurfs.Features are a necessary part of your schema design. LUIS unterstützt als Features sowohl Ausdruckslisten als auch Modelle:LUIS supports both phrase lists and models as features:

  • Feature „Ausdrucksliste“Phrase list feature
  • Modell (Absicht oder Entität) als FeatureModel (intent or entity) as a feature

Auffinden von Features in BeispieläußerungenFind features in your example utterances

Da LUIS eine sprachbasierte Anwendung ist, sind die Features textbasiert.Because LUIS is a language-based application, the features are text-based. Wählen Sie Text aus, der das Merkmal anzeigt, das Sie unterscheiden möchten.Choose text that indicates the trait you want to distinguish. Für LUIS ist die kleinste Einheit das Token.For LUIS, the smallest unit is the token. In der Linguistik ist ein Token eine zusammenhängende Abfolge von Buchstaben und Ziffern ohne Leerzeichen oder Satzzeichen.For the English language, a token is a contiguous span of letters and numbers that has no spaces or punctuation.

Da Leerzeichen und Interpunktionszeichen keine Token sind, konzentrieren Sie sich auf die Texthinweise, die Sie als Features verwenden können.Because spaces and punctuation aren't tokens, focus on the text clues that you can use as features. Denken Sie daran, Variationen von Wörtern aufzunehmen, wie beispielsweise:Remember to include variations of words, such as:

  • Pluralformenplural forms
  • Zeitformen von Verbenverb tenses
  • Abkürzungenabbreviations
  • Verschiedene Schreibweisen, auch falsche Schreibungenspellings and misspellings

Ermitteln Sie, ob für den Text Folgendes gelten muss, weil er ein Merkmal unterscheidet:Determine if the text, because it distinguishes a trait, has to:

  • Exakte Übereinstimmung mit einem Wort oder Ausdruck: Erwägen Sie das Hinzufügen einer regulären Ausdrucksentität oder einer Listenentität als Feature zu der Entität oder Absicht.Match an exact word or phrase: Consider adding a regular expression entity or a list entity as a feature to the entity or intent.
  • Übereinstimmung mit einem bekannten Konzept wie Datumsangaben, Uhrzeiten oder Namen von Personen: Verwenden Sie eine vorgefertigte Entität als Feature für die Entität oder Absicht.Match a well-known concept like dates, times, or people's names: Use a prebuilt entity as a feature to the entity or intent.
  • Lernen neuer Beispiele im Lauf der Zeit: Verwenden Sie eine Ausdrucksliste mit einigen Beispielen des Konzepts als Feature für die Entität oder Absicht.Learn new examples over time: Use a phrase list of some examples of the concept as a feature to the entity or intent.

Erstellen einer Liste von Ausdrücken für ein KonzeptCreate a phrase list for a concept

Eine Ausdrucksliste ist eine Liste mit Wörtern oder Ausdrücken, die ein Konzept beschreiben.A phrase list is a list of words or phrases that describes a concept. Eine Ausdrucksliste wird auf Tokenebene als Übereinstimmung ohne Beachtung der Groß- und Kleinschreibung angewendet.A phrase list is applied as a case-insensitive match at the token level.

Beim Hinzufügen einer Ausdrucksliste können Sie das Feature als global festlegen.When adding a phrase list, you can set the feature as global. Ein globales Feature gilt für die gesamte App.A global feature applies to the entire app.

Wann Sie Ausdruckslisten verwendenWhen to use a phrase list

Verwenden Sie eine Ausdrucksliste, wenn Ihre LUIS-App verallgemeinern und neue Elemente für das Konzept identifizieren soll.Use a phrase list when you need your LUIS app to generalize and identify new items for the concept. Ausdruckslisten sind wie ein fachgebietsspezifischer Wortschatz.Phrase lists are like domain-specific vocabulary. Sie verbessern das Verständnis von Absichten und Entitäten.They enhance the quality of understanding for intents and entities.

Verwenden von AusdruckslistenHow to use a phrase list

Bei einer Ausdrucksliste berücksichtigt LUIS den Kontext und verallgemeinert, um Elemente zu identifizieren, die einander ähnlich sind, aber keine genaue textliche Übereinstimmung darstellen.With a phrase list, LUIS considers context and generalizes to identify items that are similar to, but aren't an exact text match. Um eine Ausdrucksliste zu verwenden, führen Sie folgende Schritte aus:Follow these steps to use a phrase list:

  1. Beginnen Sie mit einer Entität des maschinellen Lernens:Start with a machine-learning entity:
    1. Fügen Sie Beispieläußerungen hinzu.Add example utterances.
    2. Bezeichnen Sie diese mit einer Entität des maschinellen Lernens.Label with a machine-learning entity.
  2. Fügen Sie eine Ausdrucksliste hinzu:Add a phrase list:
    1. Fügen Sie Wörter mit ähnlicher Bedeutung hinzu.Add words with similar meaning. Fügen Sie nicht jedes denkbare Wort oder jeden denkbaren Ausdruck hinzu.Don't add every possible word or phrase. Fügen Sie immer nur einige Wörter oder Ausdrücke hinzu.Instead, add a few words or phrases at a time. Dann trainieren Sie die App erneut und veröffentlichen sie.Then retrain and publish.
    2. Überprüfen Sie das Ergebnis, und fügen Sie vorgeschlagene Wörter hinzu.Review and add suggested words.

Typisches Szenario für eine AusdruckslisteA typical scenario for a phrase list

Ein typisches Szenario für eine Ausdrucksliste ist die Verstärkung von Wörtern, die sich auf ein bestimmtes Thema beziehen.A typical scenario for a phrase list is to boost words related to a specific idea.

Medizinische Fachbegriffe sind ein gutes Beispiel für Wörter, für die zum Verstärken der Signifikanz ggf. eine Ausdrucksliste benötigt wird.Medical terms are a good example of words that might need a phrase list to boost their significance. Die Begriffe können eine bestimmte physikalische, chemische, therapeutische oder abstrakte Bedeutung haben.These terms can have specific physical, chemical, therapeutic, or abstract meanings. Ohne Verwendung einer Ausdrucksliste weiß LUIS nicht, dass die Begriffe für Ihren Themenbereich wichtig sind.LUIS won't know the terms are important to your subject domain without a phrase list.

So extrahieren Sie medizinische Fachbegriffe:To extract the medical terms:

  1. Erstellen Sie Beispieläußerungen, und bezeichnen Sie die medizinischen Begriffe in diesen Äußerungen.Create example utterances and label medical terms within those utterances.
  2. Erstellen Sie eine Ausdrucksliste mit Beispielen für die Begriffe innerhalb des Themenbereichs.Create a phrase list with examples of the terms within the subject domain. Diese Ausdrucksliste sollte den von Ihnen bezeichneten eigentlichen Begriff und andere Begriffe enthalten, mit denen dasselbe Konzept beschrieben wird.This phrase list should include the actual term you labeled and other terms that describe the same concept.
  3. Fügen Sie die Ausdrucksliste der Entität oder untergeordneten Entität hinzu, von der das in der Ausdrucksliste verwendete Konzept extrahiert wird.Add the phrase list to the entity or subentity that extracts the concept used in the phrase list. Das häufigste Szenario ist eine Komponente (untergeordnetes Element) einer Machine Learning-Entität.The most common scenario is a component (child) of a machine-learning entity. Wenn die Ausdrucksliste übergreifend auf alle Absichten bzw. Entitäten angewendet werden soll, kennzeichnen Sie sie als globale Ausdrucksliste.If the phrase list should be applied across all intents or entities, mark the phrase list as a global-phrase list. Das enabledForAllModels-Flag steuert diesen Modellbereich in der API.The enabledForAllModels flag controls this model scope in the API.

Tokenübereinstimmungen für eine AusdruckslisteToken matches for a phrase list

Eine Ausdrucksliste wird immer auf Tokenebene angewendet.A phrase list always applies at the token level. Die folgende Tabelle zeigt, wie eine Ausdrucksliste, die das Wort Anne enthält, auf Variationen derselben Zeichen in dieser Reihenfolge angewendet wird.The following table shows how a phrase list that has the word Ann applies to variations of the same characters in that order.

Tokenvariation von Anne.Token variation of Ann Übereinstimmung mit der Ausdrucksliste, wenn das Token gefunden wirdPhrase list match when the token is found
ANNEANN
aNNeaNN
Ja, das Token ist Anne.Yes - token is Ann
AnnesAnn's Ja, das Token ist Anne.Yes - token is Ann
AnnaAnne Nein, das Token ist Anne.No - token is Anne

Ein Modell als Feature dient als Unterstützung für ein anderes ModellA model as a feature helps another model

Sie können ein Modell (Absicht oder Entität) einem anderen Modell (Absicht oder Entität) als Feature hinzufügen.You can add a model (intent or entity) as a feature to another model (intent or entity). Indem Sie eine vorhandene Absicht oder Entität als Feature hinzufügen, erstellen Sie ein klar definiertes Konzept mit bezeichneten Beispielen.By adding an existing intent or entity as a feature, you're adding a well-defined concept that has labeled examples.

Beim Hinzufügen eines Modells als Feature können Sie das Feature wie folgt festlegen:When adding a model as a feature, you can set the feature as:

  • Erforderlich :Required. Es muss ein erforderliches Feature gefunden werden, damit das Modell vom Vorhersageendpunkt zurückgegeben wird.A required feature has to be found in order for the model to be returned from the prediction endpoint.
  • Global .Global. Ein globales Feature gilt für die gesamte App.A global feature applies to the entire app.

Verwenden einer Entität als Feature für eine AbsichtWhen to use an entity as a feature to an intent

Fügen Sie eine Entität einer Absicht als Feature hinzu, wenn die Erkennung dieser Entität für die Absicht wichtig ist.Add an entity as a feature to an intent when the detection of that entity is significant for the intent.

Wenn die Absicht beispielsweise das Buchen eines Flugs (BookFlight) ist und die Entität die Ticketinformationen sind (z. B. Sitzplatznummer, Abflugort und Ankunftsort), würde die Ermittlung der Entität mit den Ticketinformationen der Vorhersage der Flugbuchungsabsicht (BookFlight) ein erheblich höheres Gewicht verleihen.For example, if the intent is for booking a flight, like BookFlight, and the entity is ticket information (such as the number of seats, origin, and destination), then finding the ticket-information entity should add significant weight to the prediction of the BookFlight intent.

Verwenden einer Entität als Feature für eine andere EntitätWhen to use an entity as a feature to another entity

Eine Entität (A) sollte einer anderen Entität (B) als Feature hinzugefügt werden, wenn die Erkennung dieser Entität (A) für die Vorhersage von Entität (B) wichtig ist.An entity (A) should be added as a feature to another entity (B) when the detection of that entity (A) is significant for the prediction of entity (B).

Wenn eine Entität für Lieferadressen beispielsweise in einer untergeordnete Anschriftenentität enthalten ist, verleiht die Ermittlung der untergeordneten Anschriftenentität der Vorhersage der Lieferadressenentität ein erheblich höheres Gewicht.For example, if a shipping-address entity is contained in a street-address subentity, then finding the street-address subentity adds significant weight to the prediction for the shipping address entity.

  • Lieferadresse (Entität des maschinellen Lernens):Shipping address (machine-learning entity):

    • Hausnummer (untergeordnete Entität)Street number (subentity)
    • Anschrift (untergeordnete Entität)Street address (subentity)
    • Ort (untergeordnete Entität)City (subentity)
    • Bundesland oder Kanton (untergeordnete Entität)State or Province (subentity)
    • Länder/Regionen (untergeordnete Entität)Country/Region (subentity)
    • Postleitzahl (untergeordnete Entität)Postal code (subentity)

Geschachtelte untergeordnete Entitäten mit FeaturesNested subentities with features

Eine untergeordnete Entität des maschinellen Lernens weist darauf hin, dass für die übergeordnete Entität ein Konzept vorhanden ist.A machine-learning subentity indicates a concept is present to the parent entity. Die übergeordnete Entität kann eine untergeordnete Entität oder die oberste Entität sein.The parent can be another subentity or the top entity. Der Wert der untergeordneten Entität fungiert als Feature für das übergeordnete Element.The value of the subentity acts as a feature to its parent.

Eine untergeordnete Entität kann als Feature sowohl eine Ausdrucksliste als auch ein Modell (eine andere Entität) aufweisen.A subentity can have both a phrase list and a model (another entity) as a feature.

Wenn die untergeordnete Entität über eine Ausdrucksliste verfügt, wird das Vokabular des Konzepts verstärkt, der JSON-Antwort der Vorhersage werden jedoch keinerlei Informationen hinzugefügt.When the subentity has a phrase list, it boosts the vocabulary of the concept but won't add any information to the JSON response of the prediction.

Wenn die untergeordnete Entität über ein Feature einer anderen Entität verfügt, enthält die JSON-Antwort die extrahierten Daten dieser anderen Entität.When the subentity has a feature of another entity, the JSON response includes the extracted data of that other entity.

Erforderliche FeaturesRequired features

Es muss ein erforderliches Feature gefunden werden, damit das Modell vom Vorhersageendpunkt zurückgegeben wird.A required feature has to be found in order for the model to be returned from the prediction endpoint. Verwenden Sie ein erforderliches Feature, wenn Sie wissen, dass die eingehenden Daten mit dem Feature übereinstimmen müssen.Use a required feature when you know your incoming data must match the feature.

Wenn der Text der Äußerung nicht mit dem erforderlichen Feature übereinstimmt, wird er nicht extrahiert.If the utterance text doesn't match the required feature, it won't be extracted.

Für ein erforderliches Feature wird eine nicht durch maschinelles Lernen erworbene Entität verwendet:A required feature uses a non-machine-learning entity:

  • Entität vom Typ „Regulärer Ausdruck“Regular-expression entity
  • Entität vom Typ „List“List entity
  • Vordefinierte EntitätPrebuilt entity

Wenn Sie sicher sind, dass Ihr Modell in den Daten zu finden ist, legen Sie das Feature als erforderlich fest.If you're confident that your model will be found in the data, set the feature as required. Für ein erforderliches Feature wird nichts zurückgegeben, wenn es nicht gefunden wird.A required feature doesn't return anything if it isn't found.

Wir verwenden wieder das Beispiel für die Lieferadresse:Continuing with the example of the shipping address:

Lieferadresse (durch maschinelles Lernen erworbene Entität)Shipping address (machine learned entity)

  • Hausnummer (untergeordnete Entität)Street number (subentity)
  • Anschrift (untergeordnete Entität)Street address (subentity)
  • Straße (untergeordnete Entität)Street name (subentity)
  • Ort (untergeordnete Entität)City (subentity)
  • Bundesland oder Kanton (untergeordnete Entität)State or Province (subentity)
  • Länder/Regionen (untergeordnete Entität)Country/Region (subentity)
  • Postleitzahl (untergeordnete Entität)Postal code (subentity)

Erforderliches Feature mit vordefinierten EntitätenRequired feature using prebuilt entities

Bei vorgefertigten Entitäten wie Ort, Bundesland/Kanton und Land/Region handelt es sich meist um feste Listen, die sich in der Regel nur selten ändern.Prebuilt entities such as city, state, and country/region are generally a closed set of lists, meaning they don't change much over time. Unter Umständen verfügen diese Entitäten über die relevanten empfohlenen Features, und diese Features können dann als erforderlich gekennzeichnet werden.These entities could have the relevant recommended features and those features could be marked as required. Allerdings gehört das isRequired-Flag nur zu der Entität, der es zugewiesen ist, und wirkt sich nicht auf die Hierarchie aus.However, the isRequired flag is only related to the entity it is assigned to and doesn't affect the hierarchy. Wenn das vorgefertigte untergeordnete Entitätsfeature nicht gefunden wird, wirkt sich dies nicht auf die Erkennung und Rückgabe der übergeordneten Entität aus.If the prebuilt sub-entity feature is not found, this will not affect the detection and return of the parent entity.

Angenommen, Sie benötigen ein erforderliches Feature zum Erkennen von Adressen.As an example of a required feature, consider you want to detect addresses. Möglicherweise sollten Sie die Angabe einer Hausnummer als erforderlich festlegen.You might consider making a street number a requirement. Dies ermöglicht es Benutzern, „1 Microsoft Way“ oder „One Microsoft Way“ einzugeben, wobei beide Angaben zum numerischen Wert „1“ für die untergeordnete Entität für die Hausnummer aufgelöst werden würden.This would allow a user to enter "1 Microsoft Way" or "One Microsoft Way", and both would resolve to the numeral "1" for the street number sub-entity. Weitere Informationen finden Sie im Artikel zu vorgefertigten Entitäten.See the prebuilt entity article for more information.

Erforderliches Feature bei Verwendung von ListenentitätenRequired feature using list entities

Eine Listenentität wird als Liste mit kanonischen Namen und den zugehörigen Synonymen verwendet.A list entity is used as a list of canonical names along with their synonyms. Wenn die Äußerung als erforderliches Feature nicht entweder den kanonischen Namen oder ein Synonym enthält, wird die Entität nicht als Teil des Vorhersageendpunkts zurückgegeben.As a required feature, if the utterance doesn't include either the canonical name or a synonym, then the entity isn't returned as part of the prediction endpoint.

Nehmen Sie einmal an, Ihr Unternehmen liefert nur an einige Länder oder Regionen.Suppose that your company only ships to a limited set of countries/regions. Sie können eine Listenentität erstellen, bei der es mehrere Möglichkeiten gibt, wie Ihre Kunden das Land bzw. die Region angeben können.You can create a list entity that includes several ways for your customer to reference the country/region. Falls LUIS im Text der Äußerung keine genaue Übereinstimmung findet, wird die Entität (mit dem erforderlichen Feature der Listenentität) in der Vorhersage nicht zurückgegeben.If LUIS doesn't find an exact match within the text of the utterance, then the entity (that has the required feature of the list entity) isn't returned in the prediction.

Kanonischer NameCanonical name SynonymeSynonyms
USAUnited States USAU.S.
U.S.AU.S.A
USUS
USAUSA
00

Eine Clientanwendung, wie z. B. ein Chatbot, kann zur Unterstützung eine Folgefrage stellen.A client application, such as a chat bot, can ask a follow-up question to help. Dies hilft dem Kunden zu verstehen, dass die Auswahl von Land und Region begrenzt und erforderlich ist.This helps the customer understand that the country/region selection is limited and required.

Erforderliches Feature mit Entitäten für reguläre AusdrückeRequired feature using regular expression entities

Eine Entität vom Typ „Regulärer Ausdruck“, die als erforderliches Feature verwendet wird, bietet umfassende Möglichkeiten zum Abgleichen von Text.A regular expression entity that's used as a required feature provides rich text-matching capabilities.

Im Beispiel mit der Lieferadresse können Sie einen regulären Ausdruck für die Syntaxregeln der Postleitzahlen des Landes/der Region erstellen.In the shipping address example, you can create a regular expression that captures syntax rules of the country/region postal codes.

Globale FeaturesGlobal features

Die häufigste Verwendung ist die Anwendung eines Features auf ein bestimmtes Modell, aber Sie können das Feature auch als globales Feature konfigurieren, um es auf Ihre gesamte Anwendung anzuwenden.While the most common use is to apply a feature to a specific model, you can configure the feature as a global feature to apply it to your entire application.

Die häufigste Verwendung eines globalen Features ist das Hinzufügen von zusätzlichem Vokabular zur App.The most common use for a global feature is to add an additional vocabulary to the app. Wenn Ihre Kunden beispielsweise hauptsächlich eine bestimmte Sprache nutzen, gleichzeitig aber erwarten, dass sie innerhalb derselben Äußerung noch eine weitere Sprache verwenden können, können Sie ein Feature für Wörter der zweiten Sprache hinzufügen.For example, if your customers use a primary language, but expect to be able to use another language within the same utterance, you can add a feature that includes words from the secondary language.

Da die Benutzer erwarten, die zweite Sprache in allen Absichten oder Entitäten verwenden zu können, fügen Sie Wörter aus der zweiten Sprache zur Ausdrucksliste hinzu.Because the user expects to use the secondary language across any intent or entity, add words from the secondary language to the phrase list. Konfigurieren Sie die Ausdrucksliste als globales Feature.Configure the phrase list as a global feature.

Kombinieren von Features zur Erzielung weiterer VorteileCombine features for added benefit

Sie können mehrere Features verwenden, um ein Merkmal oder Konzept zu beschreiben.You can use more than one feature to describe a trait or concept. Beispiel für eine häufige Verknüpfung:A common pairing is to use:

Beispiel: Features einer Ticketbuchungsentität für eine Reise-AppExample: ticket-booking entity features for a travel app

Stellen Sie sich ein einfaches Beispiel für eine App für die Flugbuchung mit einer Absicht vom Typ „Flugreservierung“ und einer Entität für die Ticketbuchung vor.As a basic example, consider an app for booking a flight with a flight-reservation intent and a ticket-booking entity. Mit der Entität für die Ticketbuchung werden die Informationen zum Buchen eines Flugtickets in einem Reservierungssystem erfasst.The ticket-booking entity captures the information to book a airplane ticket in a reservation system.

Die Machine Learning-Entität für die Ticketbuchung verfügt über zwei untergeordnete Entitäten zum Erfassen des Abflugorts und des Ankunftsorts.The machine-learning entity for ticket-book has two subentities to capture origin and destination. Die Features müssen den einzelnen untergeordneten Entitäten hinzugefügt werden, und nicht der Entität der obersten Ebene.The features need to be added to each subentity, not the top level entity.

Schema der Entität für die Ticketbuchung

Bei der Entität für die Ticketbuchung handelt es sich um eine Machine Learning-Entität mit untergeordneten Entitäten, z. B. für Abflugort und Ankunftsort.The ticket-booking entity is a machine-learning entity, with subentities including Origin and Destination. Beide untergeordneten Entitäten weisen auf einen geografischen Standort hin.These subentities both indicate a geographical location. Für die Extraktion der Standorte und die Unterscheidung zwischen Abflugort und Ankunftsort sollte jede untergeordnete Entität über entsprechende Features verfügen.To help extract the locations, and distinguish between Origin and Destination, each subentity should have features.

typeType Untergeordnete Entität für AbflugortOrigin subentity Untergeordnete Entität für AnkunftsortDestination subentity
Modell als FeatureModel as a feature geographyV2: Vordefinierte EntitätgeographyV2 prebuilt entity geographyV2: Vordefinierte EntitätgeographyV2 prebuilt entity
AusdruckslistePhrase list Wörter für die Angabe des Abflugorts: start at, begin from, leaveOrigin words: start at, begin from, leave Wörter für die Angabe des Ankunftsorts: to, arrive, land at, go, going, stay, headingDestination words: to, arrive, land at, go, going, stay, heading
AusdruckslistePhrase list Flughafencodes: Dieselbe Liste für Abflug- und AnkunftsortAirport codes - same list for both origin and destination Flughafencodes: Dieselbe Liste für Abflug- und AnkunftsortAirport codes - same list for both origin and destination
AusdruckslistePhrase list Flughafennamen: Dieselbe Liste für Abflug- und AnkunftsortAirport names - same list for both origin and destination Flughafencodes: Dieselbe Liste für Abflug- und AnkunftsortAirport codes - same list for both origin and destination

Wenn Sie damit rechnen, dass von den Benutzern Flughafencodes und -namen verwendet werden, sollte LUIS über Ausdruckslisten verfügen, in denen diese beiden Arten von Ausdrücken verwendet werden.If you anticipate that people use airport codes and airport names, than LUIS should have phrase lists which uses both types of phrases. Es kann sein, dass Flughafencodes häufiger bei der Eingabe von Text in einem Chatbot verwendet werden, während Flughafennamen häufiger bei gesprochenen Wörtern vorkommen, z. B. bei einem Chatbot mit Spracherkennung.Airport codes may be more common with text entered in a chatbot while airport names may be more common with spoken conversation such as a speech-enabled chatbot.

Die übereinstimmenden Details der Features werden nur für Modelle und nicht für Ausdruckslisten zurückgegeben, da bei JSON-Vorhersagen nur die Rückgabe von Modellen erfolgt.The matching details of the features are returned only for models, not for phrase lists because only models are returned in prediction JSON.

Bezeichnungen bei der Ticketbuchung in einer AbsichtTicket-booking labeling in the intent

Nach dem Erstellen der Machine Learning-Entität müssen Sie einer Absicht Beispieläußerungen hinzufügen und die übergeordnete Entität und alle untergeordneten Entitäten mit Bezeichnungen versehen.After you create the machine-learning entity, you need to add example utterances to an intent, and label the parent entity and all subentities.

Bezeichnen Sie beim Beispiel für die Ticketbuchung die Beispieläußerungen in der Absicht mit der Entität TicketBooking und allen untergeordneten Entitäten des Texts.For the ticket booking example, Label the example utterances in the intent with the TicketBooking entity and any subentities in the text.

Bezeichnen von Beispieläußerungen

Beispiel: App für PizzabestellungExample: pizza ordering app

In einem zweiten Beispiel geht es um eine App für eine Pizzeria, mit der Pizzabestellungen empfangen werden können, einschließlich der Details zur Pizza.For a second example, consider an app for a pizza restaurant, which receives pizza orders including the details of the type of pizza someone is ordering. Nach Möglichkeit sollten alle Details der Pizza extrahiert werden, um die Bestellung abarbeiten zu können.Each detail of the pizza should be extracted, if possible, in order to complete the order processing.

In diesem Beispiel ist die Machine Learning-Entität komplexer und umfasst geschachtelte untergeordnete Entitäten, Ausdruckslisten und vordefinierte und benutzerdefinierte Entitäten.The machine-learning entity in this example is more complex with nested subentities, phrase lists, prebuilt entities, and custom entities.

Schema der Entität für Pizzabestellung

In diesem Beispiel werden Features auf der Ebene der untergeordneten Entität und noch auf einer weiteren untergeordneten Ebene verwendet.This example uses features at the subentity level and child of subentity level. Es ist ein wichtiger Teil Ihres Entitätsentwurfs, welche Ebene welche Art von Ausdrucksliste oder Modell als Feature erhält.Which level gets what kind of phrase list or model as a feature is an important part of your entity design.

Untergeordnete Entitäten können zwar über viele Ausdruckslisten als Features verfügen, die zur Erkennung der Entität beitragen, aber jede untergeordnete Entität weist nur ein Modell als Feature auf.While subentities can have many phrase lists as features that help detect the entity, each subentity has only one model as a feature. Im Falle dieser Pizza-App handelt es sich bei diesen Modellen hauptsächlich um Listen.In this pizza app, those models are primarily lists.

Absicht „Pizzabestellung“ mit bezeichneten Beispieläußerungen

Die richtig bezeichneten Beispieläußerungen werden so angezeigt, dass die Schachtelung der Entitäten veranschaulicht wird.The correctly labeled example utterances display in a way to show how the entities are nested.

Bewährte MethodenBest practices

Informationen zu Best Practices.Learn best practices.

Nächste SchritteNext steps

  • Erweitern Sie Ihre App-Modelle zur Laufzeit der Vorhersage.Extend your app models at prediction runtime.
  • Weitere Informationen zum Hinzufügen von Features zu LUIS-Apps finden Sie unter Hinzufügen von Features.See Add features to learn more about how to add features to your LUIS app.