Entitástípusok
Fontos
A LUIS 2025. október 1-jén megszűnik, és 2023. április 1-től nem fog tudni új LUIS-erőforrásokat létrehozni. Javasoljuk, hogy a LUIS-alkalmazásokat áttelepítsebeszélgetési nyelvfelismerésre , hogy kihasználhassa a terméktámogatás és a többnyelvű képességek folyamatos előnyeit.
Az entitás olyan elem vagy elem, amely a felhasználó szándéka szempontjából releváns. Az entitások olyan adatokat határoznak meg, amelyek kinyerhetők a kimondott szövegből, és elengedhetetlenek a felhasználó szükséges műveletének elvégzéséhez. Például:
| Beszédelem | Szándék előrejelzése | Kinyert entitások | Magyarázat |
|---|---|---|---|
| Helló, hogy vagy? | Üdvözlés | - | Nincs mit kinyerni. |
| Egy kis pizzát szeretnék rendelni | orderPizza | "kicsi" | A "Size" entitás "kicsiként" lesz kinyerve. |
| A hálószoba fényének kikapcsolása | Kanyart | "hálószoba" | A "Room" entitást "hálószoba" néven nyerik ki. |
| Egyenleg ellenőrzése a 4406-ban végződő megtakarítási számlámon | checkBalance | "megtakarítás", "4406" | Az "accountType" entitás "megtakarításként" lesz kinyerve, a "accountNumber" entitás pedig "4406" néven lesz kinyerve. |
| Vásároljon 3 jegyet New York-ba | buyTickets | '3', 'New York' | A "ticketsCount" entitás "3" néven lesz kinyerve, a "Destination" entitás pedig "New York" néven lesz kinyerve. |
Az entitások nem kötelezőek, de ajánlottak. Nem kell entitásokat létrehoznia az alkalmazás minden koncepciójához, csak akkor, ha:
- Az ügyfélalkalmazásnak szüksége van az adatokra, vagy
- Az entitás egy másik entitásnak vagy szándéknak való jelzésként szolgál. Ha többet szeretne megtudni az entitásokról, mint szolgáltatások, lépjen az Entitások szolgáltatásként elemre.
Entitástípusok
Egy entitás létrehozásához nevet és típust kell megadnia. A LUIS-ban többféle entitás létezik.
Listaentitás
A listaentitások a kapcsolódó szavak rögzített, zárt készletét jelölik a szinonimáikkal együtt. Listaentitások használatával több szinonimát vagy változatot is felismerhet, és normalizált kimenetet nyerhet ki. Az ajánlott beállítással az aktuális lista alapján megtekintheti az új szavakra vonatkozó javaslatokat.
A listaentitások nem gépien tanultak, ami azt jelenti, hogy a LUIS nem derít fel további értékeket a listaentitásokhoz. A LUIS minden listában szereplő elemet entitásként jelöl meg a válaszban.
Az egyező listaentitások megkülönböztetik a kis- és nagybetűk megkülönböztetettségét, és pontos egyezésnek kell lenniük. A rendszer normalizált értékeket is használ a listaentitás egyeztetéséhez. Például:
| Normalizált érték | Szinonimák |
|---|---|
| Kicsi | sm, sml, tiny, smallest |
| Közepes | md, mdm, regular, average, middle |
| Nagy | lg, lrg, big |
További információt a listaentitások referenciacikkében talál.
Regex entitás
A reguláris kifejezések entitása kinyer egy entitást egy ön által megadott reguláris kifejezésminta alapján. Figyelmen kívül hagyja az esetet, és figyelmen kívül hagyja a kulturális változatot. A reguláris kifejezésentitások a legjobban strukturált szöveghez vagy egy előre definiált alfanumerikus értéksorhoz használhatók, amelyek egy adott formátumban várhatók. Például:
| Entitás | Reguláris kifejezés | Példa |
|---|---|---|
| Járatszám | flight [A-Z]{2} [0-9]{4} |
flight AS 1234 |
| Bankkártyaszám | [0-9]{16} |
5478789865437632 |
További információt a regex entitások referenciacikkében talál.
Előre összeállított entitások
A LUIS előre összeállított entitásokat tartalmaz a gyakori információtípusok, például dátumok, időpontok, számok, mérések és pénznemek felismeréséhez. Az előre összeállított entitások támogatása a LUIS-alkalmazás kultúrája szerint változik. A LUIS által támogatott előre összeállított entitások teljes listáját, beleértve a kulturális támogatásokat is, tekintse meg az előre összeállított entitások referenciáját.
Ha az alkalmazás tartalmaz egy előre összeállított entitást, az előrejelzései a közzétett alkalmazás részét képezik. Az előre összeállított entitások viselkedése előre be van tanítva, és nem módosítható.
| Előre összeállított entitás | Példaérték |
|---|---|
| PersonName | James, Bill, Tom |
| DatetimeV2 | 2019-05-02, May 2nd, 8am on May 2nd 2019 |
További információt az előre összeállított entitások referenciacikkében talál.
Pattern.Bármely entitás
Egy minta. Az entitások egy változó hosszúságú helyőrzők, amelyeket csak egy minta kimondott szövegsablonjában használnak az entitás kezdő és záró helyének megjelölésére. Egy adott szabályt vagy mintát követ, és a legjobban rögzített lexikális szerkezetű mondatokhoz használható. Például:
| Példa kimondott szöveg | Mintázat | Entitás |
|---|---|---|
| Kaphatok egy hamburgert? | Can I have a {meal} [please][?] |
Burger |
| Kaphatok pizzát? | Can I have a {meal} [please][?] |
Pizza |
| Hol találom meg a Nagy Gatsbyt? | Where can I find {bookName}? |
A nagy Gatsby |
További információt a Pattern.Any entities referenciacikkben talál.
Gépi tanulás (ML) entitás
A gépi tanult entitás környezettel nyer ki entitásokat címkézett példák alapján. Ez a LUIS-alkalmazások létrehozásának előnyben részesített entitása. Gépi tanulási algoritmusokra támaszkodik, és a címkézést az alkalmazáshoz kell igazítani. A gépi tanulási entitásokkal azonosíthatja azokat az adatokat, amelyek nem mindig jól formázottak, de jelentésük megegyezik.
| Példa kimondott szöveg | Kinyert termékentitás |
|---|---|
| Könyvet akarok venni. | "könyv" |
| Megkaphatom ezeket a cipőket? | "cipő" |
| Vegye fel a rövidnadrágot a kosárba. | "rövidnadrág" |
További információt a Gépi tanult entitások című témakörben talál.
ML-entitás struktúrával
Az ML-entitások kisebb alentitásokból állhatnak, amelyek mindegyike saját tulajdonságokkal rendelkezhet. Egy Cím entitás például a következő struktúrával rendelkezhet:
- Cím: 4567 Main Street, NY, 98052, USA
- Épület száma: 4567
- Utcanév: Fő utca
- Állapot: NY
- Irányítószám: 98052
- Ország: USA
Hatékony ML-entitások létrehozása
A gépi tanult entitások hatékony létrehozásához kövesse az alábbi ajánlott eljárásokat:
- Ha rendelkezik egy gépi tanult entitással al-entitásokkal, győződjön meg arról, hogy az entitás és az alentitások különböző rendelései és változatai megjelennek a címkézett kimondott szövegekben. A címkézett kimondott példaszövegeknek tartalmazniuk kell az összes érvényes űrlapot, és tartalmazniuk kell azokat az entitásokat, amelyek megjelennek, és hiányoznak, és átrendezhetők a kimondott szövegben.
- Kerülje az entitások rögzített készletre való túlillesztését. A túlillesztés akkor fordul elő, ha a modell nem általánosít jól, és gyakori probléma a gépi tanulási modellekben. Ez azt jelenti, hogy az alkalmazás nem működne megfelelően az új típusú példákon. A feliratozott kimondott szövegeknek azonban eltérőnek kell lennie, hogy az alkalmazás általánosíthassa az Ön által megadott korlátozott példákat.
- A címkézésnek konzisztensnek kell lennie a szándékok között. Ide tartoznak még az entitást tartalmazó None szándékban megadott kimondott szövegek is. Ellenkező esetben a modell nem fogja tudni hatékonyan meghatározni a sorozatokat.
Entitások szolgáltatásként
Az entitások másik fontos funkciója az, hogy jellemzőkként használják őket, vagy megkülönböztetik a jellemzőket egy másik szándékhoz vagy entitáshoz, hogy a rendszer megfigyelje és megtanulja rajtuk keresztül.
Entitások a szándékok funkcióiként
Az entitásokat szándék jelként használhatja. Például egy adott entitás jelenléte a kimondott szövegben meg tudja különböztetni, hogy melyik szándék alá tartozik.
| Példa kimondott szöveg | Entitás | Szándék |
|---|---|---|
| Foglaljon egy járatot New Yorkba. | City | Könyv járat |
| Foglaljon le a fő konferenciaterembe. | Szoba | Szoba foglalása |
Entitások az entitások funkciójaként
Az entitásokat más entitások jelenlétének jelzéseként is használhatja. Erre gyakori példa egy előre összeállított entitás használata egy másik ML-entitás szolgáltatásaként. Ha egy járatfoglalási rendszert hoz létre, és a kimondott szöveg úgy néz ki, mint "Foglaljon le egy járatot Kairóból Seattle-be", akkor valószínűleg az Origin City és a Destination City lesz ml-entitás. Jó gyakorlat lenne az előre összeállított GeographyV2 entitás használata mindkét entitáshoz.
További információ: GeographyV2 entitások referenciacikke.
Az entitásokat más entitások kötelező funkciójaként is használhatja. Ez segít a kinyert entitások megoldásában. Ha például pizzarendelési alkalmazást hoz létre, és rendelkezik egy Size ML entitással, létrehozhatja a SizeList list entitást, és a Size entitáshoz szükséges funkcióként használhatja. Az alkalmazás a normalizált értéket adja vissza kinyert entitásként a kimondott szövegből.
További információkért tekintse meg a funkciókat és az előre összeállított entitásokat , hogy többet tudjon meg a kultúrában elérhető előre összeállított entitások megoldásáról.
Entitásokból származó adatok
A legtöbb csevegőrobotnak és alkalmazásnak többre van szüksége, mint a szándék neve. Ezek a további, opcionális adatok a kimondott szövegben felderített entitásokból származnak. Minden entitástípus eltérő információkat ad vissza az egyezésről.
Egy kimondott szövegben egyetlen szó vagy kifejezés több entitásnak is megfelelhet. Ebben az esetben a program minden egyező entitást a pontszámával ad vissza.
Az összes entitás a végpont válaszának entitástömbjében lesz visszaadva
Ajánlott eljárások entitásokhoz
Gépi tanulási entitások használata
A gépi megtanult entitások az alkalmazáshoz vannak igazítva, és a sikeres címkézést igénylik. Ha nem gépi tanult entitásokat használ, előfordulhat, hogy nem a megfelelő entitásokat használja.
A gépi megtanult entitások más entitásokat is használhatnak funkcióként. Ezek az egyéb entitások lehetnek egyéni entitások, például reguláris kifejezésentitások vagy listaentitások, vagy használhat előre összeállított entitásokat funkciókként.
Ismerje meg a hatékony gépi tanulású entitásokat.