使用意圖和實體模型進行設計

重要

LUIS 將於 2025 年 10 月 1 日淘汰，而自 2023 年 4 月 1 日開始，您將無法建立新的 LUIS 資源。建議將移轉 LUIS 應用程式至交談語言理解，以享有持續產品支援和多語言功能的優點。

語言理解提供兩種類型的模型，可讓您定義應用程式結構描述。您的應用程式結構描述會決定您從新使用者表達的預測所收到的資訊。

應用程式結構描述是使用機器教學所建立的模型建立而成：

使用機器教學進行編寫

LUIS 的機器教學方法可讓您輕鬆地向機器教授概念。即使不瞭解機器學習，也可以使用 LUIS。相反地，您身為教學者，可以提供概念的範例，並說明如何使用其他相關概念將概念模型化，藉此將概念傳達給 LUIS。身為教學者的您，也可以經由找出並修正預測錯誤，以互動方式改善 LUIS 的模型。

意圖會針對範例表達加以分類，以向 LUIS 教授意圖。意圖內的範例表達會用於作為表達的正面範例。這些相同的表達會用來作為所有其他意圖中的負面範例。

請想像有個應用程式需要判定使用者訂購書籍的意圖，且需要客戶的寄送地址。此應用程式有兩種意圖：OrderBook 與 ShippingLocation。

下列表達是 OrderBook 意圖的正面範例，以及 ShippingLocation 和 None 意圖的負面範例：

Buy the top-rated book on bot architecture.

實體代表您要從表達中擷取的資料單位。機器學習實體是最上層實體，其中包含子實體，這些子實體也就是機器學習實體。

舉例來說，有一個機器學習實體是機票的訂單。在概念上，這一筆交易包含許多較小單位的資料，例如日期、時間、座位數、座位類型 (例如頭等艙或經濟艙)、出發地、目的地、餐飲選擇等。

意圖是整個表達所期望的結果，而實體則是從表達中擷取的部分資料。意圖通常會與動作有關連，也就是用戶端應用程式該採取的動作。實體是執行此動作所需的資訊。從程式設計的觀點來看，意圖會觸發方法呼叫，而實體則用來作為該方法呼叫的參數。

此表達必須有意圖且可能具有實體：

Buy an airline ticket from Seattle to Cairo

這項表達有個單一意圖：

這項表達可能有數個實體：

LUIS 支援以編寫 API 進行模型分解，將概念分解成更小的組件。這有助於您安心建立模型，包括如何建立和預測對各種元件。

模型分解具有下列組件：

特徵是您系統觀察到的資料顯著特徵或屬性。機器學習特徵會為 LUIS 提供重要提示，指出要如何觀察出區分概念的關鍵。這些關鍵是 LUIS 可以運用的提示，但並非硬性規則。這些提示會與標籤搭配使用，以用於尋找資料。

模式的功能是在有多個表達非常類似時提升正確性。模式可讓您取得更精確的意圖，而不需提供更多的語句。

應用程式的結構描述 (模型和特徵) 已定型並發佈至預測端點。您可以將新資訊以及使用者的表達傳遞至預測端點，以增強預測功能。