Ontwerpen met intentie- en entiteitsmodellen
Belangrijk
LUIS wordt op 1 oktober 2025 buiten gebruik gesteld en vanaf 1 april 2023 kunt u geen nieuwe LUIS-resources meer maken. We raden u aan uw LUIS-toepassingen te migreren naar conversationele taalbegrip om te profiteren van doorlopende productondersteuning en meertalige mogelijkheden.
Language Understanding biedt twee typen modellen voor het definiëren van uw app-schema. Uw app-schema bepaalt welke informatie u ontvangt van de voorspelling van een nieuwe gebruikersuiting.
Het app-schema is gebouwd op basis van modellen die u maakt met behulp van machine teaching:
- Intenties classificeren uitingen van gebruikers
- Entiteiten extraheren gegevens uit utterance
Ontwerpen maakt gebruik van machine teaching
Met de machine teaching-methodologie van LUIS kunt u eenvoudig concepten aan een machine leren. Kennis van machine learning is niet nodig om LUIS te gebruiken. In plaats daarvan communiceert u als docent een concept met LUIS door voorbeelden van het concept te geven en uit te leggen hoe een concept moet worden gemodelleerd met behulp van andere gerelateerde concepten. U kunt als docent ook het model van LUIS interactief verbeteren door voorspellingsfouten te identificeren en op te lossen.
Intentie-uitingen classificeren
Een intentie classificeert voorbeelduitingen om LUIS te leren over de intentie. Voorbeelduitingen binnen een intentie worden gebruikt als positieve voorbeelden van de utterance. Dezelfde utterances worden gebruikt als negatieve voorbeelden in alle andere intenties.
Denk aan een app die de intentie van een gebruiker moet bepalen om een boek te bestellen en een app die het verzendadres van de klant nodig heeft. Deze app heeft twee intenties: OrderBook en ShippingLocation.
De volgende utterance is een positief voorbeeld voor de OrderBook intentie en een negatief voorbeeld voor de ShippingLocation intenties en None :
Buy the top-rated book on bot architecture.
Entiteitgegevens extraheren
Een entiteit vertegenwoordigt een gegevenseenheid die u wilt ophalen uit de utterance. Een machine learning-entiteit is een entiteit op het hoogste niveau met subentiteiten, die ook machine learning-entiteiten zijn.
Een voorbeeld van een machine learning-entiteit is een bestelling voor een vliegticket. Conceptueel is dit een enkele transactie met veel kleinere gegevenseenheden, zoals datum, tijd, aantal plaatsen, type stoel, zoals eerste klas of bus, herkomstlocatie, bestemmingslocatie en maaltijdkeuze.
Intenties versus entiteiten
Een intentie is het gewenste resultaat van de hele uiting, terwijl entiteiten stukjes gegevens zijn die zijn geëxtraheerd uit de utterance. Meestal zijn intenties gekoppeld aan acties, die de clienttoepassing moet uitvoeren. Entiteiten zijn informatie die nodig is om deze actie uit te voeren. Vanuit een programmeerperspectief activeert een intentie een methodeaanroep en worden de entiteiten gebruikt als parameters voor die methodeaanroep.
Deze utterance moet een intentie hebben en kan entiteiten bevatten:
Buy an airline ticket from Seattle to Cairo
Deze utterance heeft één intentie:
- Een vliegticket kopen
Deze utterance kan verschillende entiteiten hebben:
- Locaties van Seattle (oorsprong) en Caïro (bestemming)
- De hoeveelheid van één ticket
Ontleding van entiteitsmodel
LUIS ondersteunt modelontleding met de creatie-API's, waarbij een concept wordt opgesplitst in kleinere delen. Hierdoor kunt u uw modellen bouwen met vertrouwen in de manier waarop de verschillende onderdelen worden samengesteld en voorspeld.
Modelontleding bestaat uit de volgende onderdelen:
- intents
- machine learning-entiteiten
- subentiteiten (ook machine learning-entiteiten)
Functies
Een functie is een onderscheidend kenmerk of kenmerk van gegevens die uw systeem observeert. Machine learning-functies geven LUIS belangrijke aanwijzingen om te zoeken naar dingen die een concept zullen onderscheiden. Het zijn hints die LUIS kan gebruiken, maar geen harde regels. Deze hints worden gebruikt in combinatie met de labels om de gegevens te vinden.
Patronen
Patronen zijn ontworpen om de nauwkeurigheid te verbeteren wanneer verschillende uitingen sterk op elkaar lijken. Met een patroon kunt u een intentie nauwkeuriger maken zonder veel meer uitingen op te geven.
De app tijdens runtime uitbreiden
Het schema van de app (modellen en functies) wordt getraind en gepubliceerd naar het voorspellingseindpunt. U kunt nieuwe informatie, samen met de uiting van de gebruiker, doorgeven aan het voorspellingseindpunt om de voorspelling te verbeteren.
Volgende stappen
- Inzicht in intenties en entiteiten.
- Meer informatie over functies