常用詞彙和概念的語言理解詞彙

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。 建議移轉 LUIS 應用程式至交談語言理解，以享有產品持續支援和多語言功能的優點。

Language Understanding (LUIS) 詞彙說明使用 LUIS 服務時可能遇到的字詞。

作用中版本

使用中的版本是您使用 LUIS 入口網站對模型進行變更時，所更新的應用程式版本。 在 LUIS 入口網站中，如果您想要變更某個不是使用中版本的版本，則必須先將該版本設定為使用中。

主動學習

主動學習是機器學習服務的一種技術，使用機器學習模型來識別要加上標籤的資訊新範例。 在 LUIS 中，主動學習是指從端點流量新增語句，其目前的預測對於改善您的模型不清楚。 選取 [檢閱端點語句]，以檢視要標記的語句。

另請參閱：

• 概念資訊
• 教學課程檢閱端點語句
• 如何檢閱端點語句來改善 LUIS 應用程式

應用程式 (App)

在 LUIS 中，您的應用程式 (或 App) 是機器學習模型的集合，建置於相同的資料集上，可一起運作來預測特定案例的意圖和實體。 每個應用程式都有個別的預測端點。

如果您要建立 HR 聊天機器人，您可能會有一組意圖，例如「排程休假時間」、「查詢權益」和「更新個人資訊」，以及您分組到單一應用程式中每一個意圖的實體。

編寫

編寫是指建立、管理和部署 LUIS 應用程式 (使用 LUIS 入口網站或編寫 API) 的能力。

製作金鑰

撰寫金鑰是用來撰寫應用程式。 不用於生產環境層級的端點查詢。 如需詳細資訊，請參閱資源限制。

製作資源

您的 LUIS 撰寫資源是透過 Azure 提供的可管理項目。 資源可讓您存取 Azure 服務的相關聯撰寫、定型和發佈功能。 資源包含存取相關聯 Azure 服務所需的驗證、授權和安全性資訊。

撰寫資源具有 LUIS-Authoring 的 Azure「種類」。

批次測試

批次測試是能夠使用一致且已知的使用者語句測試集，來驗證目前 LUIS 應用程式模型的能力。 批次測試是在 JSON 格式檔案中定義。

另請參閱：

• 概念
• 如何執行批次測試
• 教學課程 - 建立和執行批次測試

F 量值

在批次測試中，是指測試精確度的量值。

誤否定 (FN)

在批次測試中，資料點代表您的應用程式不正確預測了不存在目標意圖/實體的語句。

誤判為真 (FP)

在批次測試中，資料點代表您的應用程式不正確預測了存在目標意圖/實體的語句。

精確度

在批次測試中，精確度 (也稱為陽性預測值) 是相關語句在所擷取語句之間的比例。

動物批次測試的範例是除以動物總數 (綿羊和不是綿羊) 所預測的綿羊數目。

召回

在批次測試中，記憶 (也稱為敏感度) 是 LUIS 一般化的功能。

動物批次測試的範例是除以可用綿羊總數所預測的綿羊數目。

真否定 (TN)

如果您的應用程式正確預測無相符項，則為真否定。 在批次測試中，當您的應用程式針對尚未以該意圖或實體標示的範例，預測意圖或實體時，就會發生真否定。

真肯定 (TP)

真肯定 (TP) 真肯定是您的應用程式正確預測相符的情況。 在批次測試中，當您的應用程式針對以該意圖或實體標示的範例，預測意圖或實體時，就會發生真肯定。

分類器

分類器是一種機器學習模型，可預測輸入適合的分類或類別。

意圖是分類器的範例。

共同作業者

共同作業者的概念與參與者的概念相同。 當擁有者將共同作業者的電子郵件地址新增至未受 Azure 角色型存取控制 (Azure RBAC) 控制的應用程式時，會將存取權授與共同作業者。 如果您仍在使用共同作業者，應該遷移您的 LUIS 帳戶，並使用 LUIS 撰寫資源來管理具有 Azure RBAC 的參與者。

參與者

參與者不是應用程式的擁有者，但是擁有相同的權限可新增、編輯和刪除意圖、實體、語句。 參與者可將 Azure 角色型存取控制 (Azure RBAC) 提供給 LUIS 應用程式。

另請參閱：

• 如何新增參與者

描述項

描述項是先前用於機器學習功能的詞彙。

網域

在 LUIS 的脈絡中，領域是一個知識的範圍。 您的網域是您的案例特有的。 不同的網域會使用在網域內容中具有意義的特定語言和術語。 例如，如果您要建置應用程式來播放音樂，則您的應用程式會有音樂專屬的術語和語言 – 例如「歌曲、曲目、專輯、歌詞、b 面、演出者」。 如需網域的範例，請參閱預先建置的網域。

端點

撰寫端點

LUIS 撰寫端點 URL 是您撰寫、定型及發佈應用程式的位置。 端點 URL 包含已發佈應用程式的區域或自訂子網域，以及應用程式識別碼。

深入了解如何從開發人員參考以程式設計方式撰寫您的應用程式

預測端點

LUIS 預測端點 URL 是您編寫和發佈 LUIS 應用程式之後，提交 LUIS 查詢的位置。 端點 URL 包含已發佈應用程式的區域或自訂子網域，以及應用程式識別碼。 您可以在應用程式的 Azure 資源頁面上找到端點，或者可以從 Get App Info API 取得端點 URL。

您對預測端點的存取權會獲得 LUIS 預測金鑰的授權。

實體

實體是語句中的單字，可描述用來滿足或識別意圖的資訊。 如果您的實體很複雜，而且您想要模型識別特定部分，您可以將模型分成子實體。 例如，您可能會想要讓模型預測地址，以及街道、城市、州和郵遞區號等子實體。 實體也可以當做模型的特徵。 來自 LUIS 應用程式的回應將會包含預測的意圖和所有實體。

實體擷取器

實體擷取器有時也僅稱為擷取器，這是 LUIS 用來預測實體的機器學習模型類型。

實體結構描述

實體結構描述是您針對具有子實體的機器學習實體所定義的結構。 預測端點會傳回結構描述中定義的所有已擷取實體和子實體。

實體的子實體

子實體是機器學習實體的子系實體。

非機器學習實體

使用文字比對來擷取資料的實體：

• 清單實體
• 規則運算式實體

清單實體

清單實體代表一組固定的封閉式相關字組及其同義字。 清單實體是完全相符的項目，與機器學習實體不同。

如果清單實體中的單字包含在清單中，則會預測實體。 例如，如果您有一個名為 "size" 的清單實體，而且清單中有 "small, medium, large" 的文字，則會針對所有語句預測大小實體，無論內容為何，都會使用 "small"、"medium" 或 "large" 等文字。

規則運算式

規則運算式實體代表規則運算式。 規則運算式實體是完全相符的項目，與機器學習實體不同。

預建實體

查看預先建置實體的預先建置模型項目

功能

在機器學習中，特徵是可協助模型辨識特定概念的特性。 這是 LUIS 可以使用的提示，但不是硬性規則。

這個術語也稱為機器學習特徵。

這些提示會搭配標籤使用，以了解如何預測新資料。 LUIS 同時支援片語清單和使用其他模型作為特徵。

必要特徵

必要特徵是一種限制 LUIS 模型輸出的方式。 當實體的特徵標示為必要時，此特徵必須存在於要預測的實體範例中，不論機器學習的模型預測為何。

假設您有一個範例，其中的預先建置編號特徵已在功能表排序聊天機器人的數量實體上標示為必要。 當您的聊天機器人看到 I want a bajillion large pizzas? 時，不論其顯示的內容為何，都不會將 bajillion 預測為數量。 Bajillion 不是有效的數字，且不會依據預先建置的實體數目預測。

Intent

意圖代表使用者想要執行的工作或動作。 是使用者輸入中表達的目的或目標，例如預訂班機或支付帳單。 在 LUIS 中，整體語句會分類為意圖，但是語句的部分會擷取為實體

加上標籤範例

加上標籤或標記是將正面或負面範例與模型相關聯的程序。

意圖的標籤

在 LUIS 中，應用程式內的意圖是互斥的。 這表示當您將語句新增至意圖時，會將其視為該意圖的正面範例，以及所有其他意圖的負面範例。 負面範例不應該與「無」意圖混淆，這代表在應用程式範圍外的語句。

實體的標籤

在 LUIS 中，您會在意圖的範例語句中將單字或片語加上標籤，具有正面範例的實體。 標籤會顯示應針對該語句預測的意圖。 加上標籤的語句會用來定型意圖。

LUIS 應用程式

請參閱應用程式 (app) 的定義。

模型

(機器學習) 模型是對輸入資料進行預測的功能。 在 LUIS 中，我們會將意圖分類器和實體擷取器統稱為「模型」，而我們會參考以「應用程式」形式一起定型、發佈及查詢的一組模型。

標準化值

您可以將值新增至清單實體。 每一個值都可以有一或多個同義字的清單。 只有正規化值會在回應中傳回。

過度學習

在特定範例上固定模型時，就會發生過度學習，而且無法充分一般化。

擁有者

每個應用程式都有一個擁有者，這是建立應用程式的人員。 擁有者會在 Azure 入口網站中管理應用程式的權限。

片語清單

片語清單是特定類型的機器學習特徵，包含一組屬於相同類別的值 (字組或片語)，而且必須以類似的方式處理 (例如城市或產品的名稱)。

預先建置模型

預先建置模型是一種意圖、實體或兩者的集合，以及加上標籤的範例。 這些常見的預先建置模型可以新增至您的應用程式，以減少應用程式所需的模型開發工作。

預建網域

預先建置的領域是針對特定領域設定的 LUIS 應用程式，例如家庭自動化 (HomeAutomation) 或餐廳預約 (RestaurantReservation)。 意圖、語句和實體會針對此領域設定。

預建實體

預先建置的實體是 LUIS 針對一般的資訊類型 (例如數字、URL 和電子郵件) 提供的實體。 這些會根據公用資料建立。 您可以選擇將預先建置的實體新增為獨立實體，或新增為實體的特徵

預先建置意圖

預先建置意圖是 LUIS 提供給常見資訊類型的意圖，並附有自己加上標籤的範例語句。

預測

預測是 Azure LUIS 預測服務的 REST 要求，會採用新資料 (使用者語句)，並將已定型和已發佈的應用程式套用至該資料，以判斷找到哪些意圖和實體。

預測金鑰

預測金鑰是與您在 Azure 中建立的 LUIS 服務相關聯的金鑰，以授權您使用預測端點。

這個金鑰不是編寫金鑰。 如果您有預測端點金鑰，則應該針對任何端點要求使用，而不是針對撰寫金鑰使用。 您可以在 LUIS 網站的 Azure 資源頁面底部的端點 URL 內，查看您目前的預測金鑰。 這是 subscription-key 名稱/值組的值。

預測資源

您的 LUIS 預測資源是透過 Azure 提供的可管理項目。 資源可讓您存取 Azure 服務的相關聯預測。 資源包含預測。

預測資源具有 LUIS 的 Azure「種類」。

預測分數

分數是從 0 到 1 的數字，這是測量系統如何讓特定輸入語句符合特定意圖的量值。 接近 1 的分數表示系統對於其輸出很有信心，而接近 0 的分數則表示系統確信輸入不符合特定的輸出。 中間的分數表示系統不確定如何決定。

例如，用來識別某些客戶文字是否包含食物訂單的模型。 這可能會讓 "I'd like to order one coffee" 的分數為 1 (系統很確信這是訂單)，而 "my team won the game last night" 的分數為 0 (系統很確信這不是訂單)。 而 "let's have some tea" 的分數可能是 0.5 (不確定這是不是訂單)。

程式設計金鑰

已重新命名為編寫金鑰。

發佈

發佈表示讓 LUIS 使用中版本在暫存或生產環境端點上可用。

Quota

LUIS 配額是 Azure 訂用帳戶層的限制。 LUIS 配額會受到每秒要求數 (HTTP 狀態 429) 和一個月的要求總數 (HTTP 狀態 403) 兩者的限制。

結構描述

您的結構描述包含您的意圖和實體，以及子實體。 結構描述是一開始計劃，然後隨著時間進行反覆運算。 結構描述不包含應用程式設定、特徵或範例語句。

情感分析

情感分析提供由語言服務提供的語句的正值或負值。

語音預備

語音預備會改善您語音服務案例中常用的口語單字和片語辨識。 針對啟用語音預備的應用程式，會使用所有 LUIS 標記的範例，藉由為此特定應用程式建立自訂語音模型，來改善語音辨識精確度。 例如，在下棋遊戲中，您要確定當使用者說 "Move knight" 時，不會解讀為 "Move night"。 LUIS 應用程式應該包含將 "knight" 標示為實體的範例。

入門金鑰

第一次開始使用 LUIS 時使用的免費金鑰。

同義字

在 LUIS 清單實體中，您可以建立標準化值，每個值都可以有同義字清單。 例如，如果您建立的大小實體具有小型、中型、大型和超大型的標準化值。 您可以為每個值建立同義字，如下所示：

標準化值	同義字
小型	小，8 盎司
中	標準，12 盎司
大	大，16 盎司
超大	最大，24 盎司

當輸入中出現任何同義字時，此模型會傳回實體的標準化值。

測試

測試 LUIS 應用程式表示要檢視模型預測。

時區位移

端點包含 timezoneOffset。 這是您想要加入 datetimeV2 預先建置的實體或從中移除的分鐘數。 例如，如果語句是「現在是幾點？」，傳回的 datetimeV2 是用戶端要求的目前時間。 如果您的用戶端要求是來自 Bot 或與您 Bot 使用者不同的其他應用程式，則您應該傳入 Bot 與使用者之間的時差。

請參閱變更預先建置 datetimeV2 實體的時區。

權杖

語彙基元是 LUIS 可辨識的最小文字單位。 這在語言方面稍有不同。

若為英文，語彙基元是連續範圍 (不會有任何空格或標點符號) 的字母和數字。 空格不是語彙基元。

片語	語彙基元計數	說明
Dog	1	不含標點符號或空格的單一單字。
RMT33W	1	記錄定位器編號。 可能有數字和字母，但是沒有任何標點符號。
425-555-5555	5	電話號碼。 每個標點符號都是單一語彙基元，因此 425-555-5555 會是 5 個語彙基元： 425 - 555 - 5555
https://luis.ai	7	https : / / luis . ai

Train

定型是教導 LUIS 自最後一次定型後使用中版本任何變更的程序。

訓練資料

定型資料是定型模型所需的一組資訊。 這包括結構描述、加上標籤的語句、特徵和應用程式設定。

定型錯誤

定型錯誤是您的定型資料不符合其標籤的預測。

表達

語句是使用者輸入，這是對話中句子的簡短文字表示。 這是一種自然語言片語，例如「訂兩張機票下星期二到西雅圖」。 新增範例語句來定型模型，而模型會在執行階段於新語句上預測

版本

LUIS 版本是與 LUIS 應用程式識別碼和已發佈端點相關聯的特定 LUIS 應用程式執行個體。 每個 LUIS 應用程式至少會有一個版本。