Estruturar com modelos de intenções e entidades
Importante
O LUIS será descontinuado a 1 de outubro de 2025 e a partir de 1 de abril de 2023 não poderá criar novos recursos do LUIS. Recomendamos que migre as suas aplicações LUIS para a compreensão de linguagem de conversação para beneficiar do suporte contínuo do produto e das capacidades multilingues.
A compreensão de idiomas fornece dois tipos de modelos para definir o esquema da sua aplicação. O esquema da aplicação determina as informações que recebe da predição de uma nova expressão de utilizador.
O esquema da aplicação é criado a partir de modelos que cria com o machine teaching:
- Intenções classificam expressões de utilizador
- As entidades extraem dados da expressão
A criação utiliza o machine teaching
A metodologia de machine teaching do LUIS permite-lhe ensinar facilmente conceitos a uma máquina. Compreender a aprendizagem automática não é necessário para utilizar o LUIS. Em vez disso, enquanto professor, comunica um conceito ao LUIS ao fornecer exemplos do conceito e explicar como um conceito deve ser modelado com outros conceitos relacionados. Enquanto professor, também pode melhorar o modelo do LUIS interativamente ao identificar e corrigir erros de predição.
Intenções classificam expressões
Uma intenção classifica expressões de exemplo para ensinar o LUIS sobre a intenção. As expressões de exemplo numa intenção são utilizadas como exemplos positivos da expressão. Estas mesmas expressões são utilizadas como exemplos negativos em todas as outras intenções.
Considere uma aplicação que precisa de determinar a intenção de um utilizador de encomendar um livro e uma aplicação que precisa do endereço de envio para o cliente. Esta aplicação tem duas intenções: OrderBook e ShippingLocation.
A expressão seguinte é um exemplo positivo para a OrderBook intenção e um exemplo negativo para as ShippingLocation intenções e None :
Buy the top-rated book on bot architecture.
Entidades extraem dados
Uma entidade representa uma unidade de dados que pretende extrair da expressão. Uma entidade de machine learning é uma entidade de nível superior que contém subentidades, que também são entidades de machine learning.
Um exemplo de uma entidade de machine learning é uma encomenda de um pedido de avião. Conceptualmente, esta é uma transação única com muitas unidades de dados mais pequenas, como data, hora, quantidade de assentos, tipo de assento, como primeira classe ou autocarro, localização de origem, localização de destino e escolha de refeições.
Intenções versus entidades
Uma intenção é o resultado pretendido de toda a expressão, enquanto as entidades são partes de dados extraídas da expressão. Normalmente, as intenções estão associadas a ações que a aplicação cliente deve executar. As entidades são informações necessárias para efetuar esta ação. Do ponto de vista da programação, uma intenção acionaria uma chamada de método e as entidades seriam utilizadas como parâmetros para essa chamada de método.
Esta expressão tem de ter uma intenção e pode ter entidades:
Buy an airline ticket from Seattle to Cairo
Esta expressão tem uma única intenção:
- Comprar um bilhete de avião
Esta expressão pode ter várias entidades:
- Localizações de Seattle (origem) e Cairo (destino)
- A quantidade de um único pedido
Decomposição do modelo de entidade
O LUIS suporta a decomposição de modelos com as APIs de criação, dividindo um conceito em partes mais pequenas. Isto permite-lhe criar os seus modelos com confiança na forma como as várias partes são construídas e previstas.
A decomposição do modelo tem as seguintes partes:
- intenções
- entidades de machine learning
- subentities (também entidades de machine learning)
Funcionalidades
Uma funcionalidade é um traço único ou atributo de dados que o seu sistema observa. As funcionalidades de machine learning dão ao LUIS pistas importantes para onde procurar coisas que distinguem um conceito. São sugestões que o LUIS pode utilizar, mas não regras rígidas. Estas sugestões são utilizadas em conjunto com as etiquetas para localizar os dados.
Padrões
Os padrões são concebidos para melhorar a precisão quando várias expressões são muito semelhantes. Um padrão permite-lhe obter mais precisão para uma intenção sem fornecer muitas mais expressões.
Expandir a aplicação no runtime
O esquema da aplicação (modelos e funcionalidades) é preparado e publicado no ponto final de predição. Pode transmitir novas informações, juntamente com a expressão do utilizador, para o ponto final de predição para aumentar a predição.
Passos seguintes
- Compreender intenções e entidades.
- Saiba mais sobre as funcionalidades