Проектирование с помощью моделей намерения и сущности
Важно!
Поддержка LUIS будет прекращена 1 октября 2025 г., а начиная с 1 апреля 2023 г. вы не сможете создавать новые ресурсы LUIS. Мы рекомендуем перенести приложения LUIS в распознавание устной речи , чтобы воспользоваться преимуществами постоянной поддержки продуктов и многоязычных возможностей.
Понимание языка предоставляет два типа моделей для определения схемы вашего приложения. Схема вашего приложения определяет, какую информацию вы получите в результате предсказания нового высказывания пользователя.
Схема приложения построена на основе моделей, которые вы создаете с помощью машинного обучения:
Авторская разработка использует машинное обучение
Методология машинного обучения LUIS позволяет легко обучать машины концепциям. Понимание машинного обучения необязательно для использования LUIS. Вместо этого вы, как учитель, передаете концепцию в LUIS, предоставляя примеры концепции и объясняя, как концепция должна быть смоделирована с использованием других связанных концепций. Вы, как учитель, также можете улучшить модель LUIS в интерактивном режиме, выявляя и исправляя ошибки прогнозирования.
Классификация речевых фрагментов по намерениям
Намерение классифицирует примеры высказываний, чтобы научить LUIS о намерении. Примеры высказывания в намерении используются как положительные примеры высказывания. Эти же высказывания используются как отрицательные примеры во всех других намерениях.
Рассмотрим приложение, которое должно определять намерение пользователя заказать книгу, и приложение, которому нужен адрес доставки для покупателя. Это приложение имеет два намерения: OrderBook и ShippingLocation.
Следующее высказывание является положительным примером для намерения OrderBook и отрицательным примером для ShippingLocation и намерений None:
Buy the top-rated book on bot architecture.
Извлечение данных с использованием сущностей
Сущность представляет собой единицу данных, которую вы хотите извлечь из высказывания. Сущность машинного обучения — это сущность верхнего уровня, содержащая субъекты, которые также являются сущностями машинного обучения.
Примером машинного обучения является заказ на билет на самолет. Концептуально это одна транзакция с множеством меньших единиц данных, таких как дата, время, количество мест, тип места, например первый класс или автобус, место отправления, место назначения и выбор еды.
Намерения против сущностей
Намерение — это желаемый результат всего высказывания, в то время как сущности — это фрагменты данных, извлеченные из высказывания. Обычно намерения связаны с действиями, которые должно выполнить клиентское приложение. Сущности — это информация, необходимая для выполнения этого действия. С точки зрения программирования намерение инициирует вызов метода, и сущности будут использоваться в качестве параметров для этого вызова метода.
Это высказывание должно иметь намерение и может иметь следующие сущности:
Buy an airline ticket from Seattle to Cairo
Это высказывание имеет единственное намерение:
- Покупка билета на самолет
Это высказывание может иметь несколько сущностей:
- Расположение Сиэтла (отправка) и Каира (место назначения)
- Количество разового билета
Декомпозиция модели сущности
LUIS поддерживает декомпозицию модели с помощью API-интерфейсов разработки, разбивая концепцию на более мелкие части. Это позволяет вам строить модели с уверенностью в том, как построены и спрогнозированы различные части.
Декомпозиция модели состоит из следующих частей:
- намерения
- сущности машинного обучения
- подсущности (также сущности машинного обучения)
Компоненты
Функция — это отличительная черта или атрибут данных, которые наблюдает ваша система. Функции машинного обучения дают LUIS важные подсказки о том, где искать вещи, которые будут отличать концепцию. Это намеки на то, что LUIS может использовать, но не жесткие правила. Эти подсказки используются вместе с метками для поиска данных.
Шаблоны
Шаблоны предназначены для повышения точности, когда несколько высказываний очень похожи. Шаблон обеспечивает более высокую точность при определении намерения без необходимости предоставлять большое число дополнительных фраз.
Расширение приложения во время выполнения
Схема приложения (модели и функции) обучается и публикуется в конечной точке прогнозирования. Вы можете передать новую информацию вместе с высказыванием пользователя в конечную точку прогнозирования, чтобы улучшить прогноз.