LUIS 應用程式中的模式

  • 發行項

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。 建議您移轉 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。

模式的功能是在有數個語句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。

模式可解決低意圖信賴度

請考慮使用人力資源應用程式，該應用程式會報告與員工相關的組織圖。 若指定員工的名稱和關係，LUIS 就會傳回涉及的員工。 試想：員工 Tom 的經理名字為 Alice，且部屬團隊的名字分別為：Michael、Rebecca 和 Carl。

顯示模式用途的螢幕擷取畫面。

表達方式 預測的意圖 意圖分數
Who is Tom's subordinate? GetOrgChart 0.30
Who is the subordinate of Tom? GetOrgChart 0.30

如果應用程式含有的 10 到 20 個語句具有不同的句子長度、不同的字組順序，甚至不同的字組 ("subordinate"、"manage"、"report" 的同義字)，LUIS 可能會傳回很低的信賴分數。 為協助 LUIS 了解字組順序的重要性，請建立模式。

模式可解決下列狀況：

  • 意圖分數過低
  • 正確意圖不是最高分，但太接近最高分。

模式不是意圖保證

模式會混合使用多項預測技術。 在模式中設定範本語句的意圖並不是意圖預測的保證，但卻是很強的示意訊號。

模式不會改善機器學習實體偵測

模式主要是用來協助預測意圖和角色。 「Pattern.any」實體用於擷取自由格式的實體。 當模式使用實體時，模式不會協助偵測機器學習實體。

如果將多個語句摺疊成單一模式，則不要期望看到改善的實體預測。 若要讓應用程式使用簡單的實體，則須新增語句或使用清單實體。

模式可使用實體角色

如果模式中有兩個以上的實體與內容相關，則模式會使用實體角色來擷取關於實體的內容資訊。

使用和不使用模式的預測分數

若範例語句充足，LUIS 便可提高預測信賴度，而不使用模式。 模式可提高信賴分數，而不需要提供許多語句。

模式比對

模式比對會先偵測模式內的實體，再驗證其餘字組和模式的字組順序。 模式中必須要有實體，才能比對模式。 模式會套用到權杖層級，不是字元層級。

Pattern.any 實體

Pattern.any 實體可讓您尋找自由格式的資料，其中實體的用字方式使其很難從語句的剩餘部分判斷實體的結尾。

例如，請考慮可協助員工尋找公司文件的人力資源應用程式。 此應用程式可能必須了解下列範例語句。

  • 「HRF-123456 在哪裡？」
  • 「HRF-123234 的作者是誰？」
  • 「HRF-456098 是以法文發佈的嗎？」

但每份文件的名稱皆有格式化名稱 (用於上述清單)，以及人類可閱讀的名稱，例如「新進員工要求調職 2018 年第 5 版」。

人類可閱讀名稱的語句看起來可能如下：

  • 「新進員工要求調職 2018 年第 5 版在哪裡？」
  • 「『新進員工要求調職 2018 年第 5 版』的作者是誰？」
  • 「新進員工要求調職 2018 年第 5 版是以法文發行的嗎？」

語句包含的字組可能會造成 LUIS 無法正確辨識實體結束位置。 在模式中使用 Pattern.any 實體可讓您指定文件名稱的開頭和結尾，以便 LUIS 正確擷取表單名稱。 例如下列範本語句：

  • {FormName} 在哪裡[?]
  • {FormName} 的作者是誰[?]
  • {FormName} 是以法文發行的嗎[?]

模式的最佳做法：

在稍後的反覆項目中新增模式

在新增模式之前，您應該了解應用程式的運作方式，因為模式的比重高於範例語句，而且會扭曲信賴度。

一旦您了解應用程式的運作方式之後，請依模式套用至您應用程式的方式新增模式。 您無須在每次逐一查看應用程式設計時新增模式。

在模型設計一開始新增模式並無壞處，但在語句測試模型後，則可更輕鬆查看模型的各項模式變化。

請勿新增許多模式

請勿新增太多模式。 LUIS 旨在透過更少的範例快速學習。 請勿不必要地讓系統多載。

功能

在機器學習中，「特徵」是您系統透過其觀察和學習的資料特徵或屬性。

機器學習特徵為 LUIS 提供重要提示，可在哪裡找到區分概念的事物。 它們是 LUIS 可以使用的提示，但它們不是硬性規則。 LUIS 會標記這些提示，以便尋找資料。

特徵可描述為函數，例如 f(x) = y。 在範例語句中，特徵會告訴您可在哪裡尋找區分特徵。 使用此資訊可協助建立您的結構描述。

特徵類型

特徵是結構描述設計的必要部分。 LUIS 同時支援片語清單和模型作為特徵：

  • 片語清單特徵
  • 模型 (意圖或實體) 即特徵

在範例語句中尋找特徵

由於 LUIS 是語言型應用程式，因此特徵是以文字為基礎。 選擇文字，指出您想要區分的特徵。 對於 LUIS，最小單位是「語彙基元」。 對於英文語言，語彙基元是沒有空格或標點符號的連續字母和數字範圍。

由於空格和標點符號不是語彙基元，因此請將焦點放在您可以用作特徵的文字線索。 請記住要包含字組的變化，例如：

  • 複數形式
  • 動詞時態
  • 縮寫
  • 拼寫與拼寫錯誤

判斷文字是否需要下列條件 (因為會區分特徵)：

  • 符合確切的字組或片語：考慮將規則運算式實體或清單實體作為特徵新增至實體或意圖。
  • 符合已知概念，像是日期、時間或人名：使用預建實體作為實體或意圖的特徵。
  • 隨著時間學習新範例：使用某些概念範例的片語清單作為實體或意圖的特徵。

建立概念的片語清單

片語清單是描述概念的字組或片語清單。 在語彙基元層級上，片語清單會套用為不區分大小寫的相符項。

新增片語清單時，您可將此特徵設為全域。 全域特徵適用於整個應用程式。

何時使用片語清單

當您需要 LUIS 應用程式來一般化並識別概念的新項目時，請使用片語清單。 片語清單就像網域特定詞彙一樣。 它們可增強對意圖和實體的理解品質。

如何使用片語清單

使用片語清單，LUIS 會考慮內容和一般化，以識別類似項目，但非文字完全相符的項目。 請遵循下列步驟來使用片語清單：

  1. 從機器學習實體開始：
  2. 新增範例語句。
  3. 使用機器學習實體進行標記。
  4. 新增片語清單：
  5. 新增具有類似意義的字組。 不要新增每個可能的字組或片語。 相反地，一次新增一些字組或片語。 然後，重新定型並發佈。
  6. 檢閱並新增建議的字組。

片語清單的一般案例

片語清單的一般案例是增強與特定想法相關的字組。

醫療詞彙是很好的字組範例，其可能需要片語清單來提高其重要性。 這些字詞可以具有特定的物理、化學、治療或抽象意義。 若沒有片語清單，LUIS 不知道字詞對於您的主旨網域很重要。

例如，若要擷取醫療詞彙：

  1. 在這些語句內建立範例語句，並標記醫療字詞。
  2. 使用主旨網域內的字詞範例建立片語清單。 此片語清單應包含您已標記的實際字詞，以及描述相同概念的其他字詞。
  3. 將片語清單新增至實體或子實體，擷取片語清單中使用的概念。 最常見的案例是機器學習實體的元件 (子項)。 若片語清單應套用到所有意圖或實體，請將片語清單標記為全域片語清單。 EnabledForAllModels 旗標會控制此模型在 API 中的範圍。

片語清單的語彙基元比對

片語清單一律套用在語彙基元層級。 下表顯示具有字組 Ann 的片語清單如何依該順序套用至相同字元的變化。

"Ann" 的語彙基元變化 找到語彙基元時，表示片語清單相符
ANN
aNN		 是 - 語彙基元為 Ann
Ann's 是 - 語彙基元為 Ann
Anne 否 - 語彙基元為 Anne

模型即特徵可協助另一個模型

您可以將模型 (意圖或實體) 新增為另一個模型 (意圖或實體) 的特徵。 藉由將現有的意圖或實體新增為特徵，您可以新增定義完善的概念，其中具有已標記的範例。

將模型新增為特徵時，您可以將此特徵設定為：

  • 必要。 必須找到必要特徵，才能從預測端點傳回模型。
  • 全域. 全域特徵適用於整個應用程式。

何時使用實體作為意圖的特徵

當偵測實體對意圖而言很重要時，請將該實體新增為意圖的特徵。

例如，若意圖是預訂航班 (例如 BookFlight)，而實體是機票資訊 (例如座位數目、起點和目的地)，則尋找機票資訊實體應會大幅增加 BookFlight 意圖的預測權重。

何時使用實體作為另一個實體的特徵

當實體 (A) 的預測對實體 (B) 的預測而言很重要時，應將該實體 (A) 新增為另一個實體 (B) 的特徵。

例如，如果送貨地址實體包含在街道地址子實體中，則尋找街道地址子實體會大幅增加送貨地址實體的預測權重。

  • 出貨地址 (機器學習實體)：
    • 街道號碼 (子實體)
    • 街道地址 (子實體)
    • 城市 (子實體)
    • 州或省 (子實體)
    • 國家/地區 (子實體)
    • 郵遞區號 (子實體)

具有特徵的巢狀子實體

機器學習子實體指出概念存在於父實體中。 父實體可以是另一個子實體或最上層實體。 子實體的值會作為其父實體的特徵。

子實體可以同時具有一個片語清單和一個模型 (另一個實體) 即特徵。

當子實體具有片語清單時，它會提升概念的詞彙，但不會將任何資訊新增至預測的 JSON 回應。

當子實體具有另一個實體的特徵時，JSON 回應會包含其他實體的已擷取資料。

必要的功能

必須找到必要的特徵，才能從預測端點傳回模型。 當您知道傳入的資料必須符合特徵時，請使用必要的特徵。

如果語句文字不符合所需的特徵，則系統不會擷取該文字。

必要特徵會使用非機器學習實體：

  • 規則運算式實體
  • 清單實體
  • 預建實體

如果您確信會在資料中找到您的模型，請視需要設定特徵。 如果找不到，則必要特徵不會傳回任何東西。

繼續使用出貨地址的範例：

出貨地址 (機器學習實體)

  • 街道號碼 (子實體)
  • 街道地址 (子實體)
  • 街道名稱 (子實體)
  • 城市 (子實體)
  • 州或省 (子實體)
  • 國家/地區 (子實體)
  • 郵遞區號 (子實體)

使用預建實體所需的特徵

預建實體 (例如城市、州/省和國家/地區) 通常是一組封閉的清單，這表示它們不會隨著時間而有很大的變化。 這些實體可能會有相關的建議特徵，而且這些特徵可能會標示為必要。 但 isRequired 旗標只會與獲派的實體相關，而不會影響階層。 如果找不到預建的子實體特徵，這不會影響父實體的偵測和傳回。

作為必要特徵的範例，請考慮您是否想要偵測地址。 您可能考慮讓街道號碼成為需求。 這可讓使用者輸入 "1 Microsoft Way" 或 "One Microsoft Way"，而且對於街道號碼子實體，這兩者都會解析為數字 "1"。 如需詳細資訊，請參閱預建實體一文。

使用清單實體所需的特徵

清單實體會用作正式名稱及其同義字的清單。 作為必要特徵，如果語句未包含正式名稱或同義字，則系統不會傳回實體，作為預測端點的一部分。

假設您的公司只出貨給一組有限的國家/地區。 您可以建立一個清單實體，其中包含數種方式，讓您的客戶用來參考國家/地區。 如果 LUIS 在語句的文字內找不到完全相符的實體，則系統不會在預測中傳回實體 (其具有清單實體所需的特徵)。

標準名稱** 同義字
美國 美式英文
U.S.A
US
USA
0

用戶端應用程式 (例如聊天機器人) 可以提出後續問題來提供協助。 這可協助客戶了解國家/地區選擇是有限且「必要」。

使用規則運算式實體所需的特徵

用作必要特徵的規則運算式會提供豐富的文字比對功能。

在出貨地址範例中，您可以建立一個規則運算式，擷取國家/地區郵遞區號的語法規則。

全域特徵

雖然最常見的用途是將特徵套用至特定模型，但您可以將特徵設定為「全域特徵」，以將其套用至整個應用程式。

全域特徵最常見的用途是將額外的詞彙新增至應用程式。 例如，如果您的客戶使用主要語言，但預期能夠在相同語句內使用另一種語言，則您可以新增一種特徵，包含來自次要語言的字組。

因為使用者預期會在任何意圖或實體上使用次要語言，所以請將字組從次要語言新增至片語清單。 將片語清單設定為全域特徵。

結合特徵以增加優勢

您可以使用多種特徵來描述特徵或概念。 常見的配對就是使用：

範例：旅遊應用程式的訂票實體特徵

作為基本範例，請考慮使用航班預約「意圖」和訂票「實體」來預訂航班的應用程式。 訂票實體會擷取資訊，以便在預約系統中預訂機票。

用於訂票的機器學習實體具有兩個子實體來擷取起點和目的地。 這些特徵必須新增至每個子實體，而不是最上層實體。

此螢幕擷取畫面顯示訂票應用程式的範例實體。

訂票實體是一種機器學習實體，其子實體包括「起點」和「目的地」。 這些子實體都會指出地理位置。 為了協助擷取位置，並區分「起點」與「目的地」，每個子實體都應該具有特徵。

類型 起點子實體 目的地子實體
模型即型號 geographyV2 預建實體 geographyV2 預建實體
片語清單 來源字組：start at、begin from、leave 目的地字組：to、arrive、land at、go、going、stay、heading
片語清單 機場代碼 - 適用於起點和目的地的相同清單 機場代碼 - 適用於起點和目的地的相同清單
片語清單 機場名稱 - 適用於起點和目的地的相同清單 機場代碼 - 適用於起點和目的地的相同清單

若預期人們會使用機場代碼和機場名稱，LUIS 應會有使用這兩種片語類型的片語清單。 機場代碼可能更常用於聊天機器人中輸入的文字，而機場名稱可能更常用於口語對話，例如啟用語音的聊天機器人。

這些特徵的比對詳細資料只會針對模型傳回，而不會針對片語清單傳回，因為預測 JSON 中只會傳回模型。

意圖中的訂票標記

在建立機器學習實體之後，您必須將範例語句新增至意圖，並標記父實體和所有子實體。

針對訂票範例，請使用文字中的 TicketBooking 實體和任何子實體，標記意圖中的範例語句。

顯示範例語句標記的螢幕擷取畫面。

範例：比薩訂購應用程式

針對第二個範例，請考慮用於比薩餐廳的應用程式，其會接收比薩訂單，包括某人所訂購的比薩類型詳細資料。 如有可能，應該擷取每個比薩的詳細資料，才能完成訂單處理。

此範例中的機器學習實體更複雜，因為具有巢狀子實體、片語清單、預建實體和自訂實體。

此螢幕擷取畫面顯示具有不同子實體的機器學習實體。

此範例會使用子實體層級的特徵和子實體層級的子項。 哪種層級取得何種片語清單或模型即特徵，這是實體設計的重要部分。

雖然子實體可有許多片語清單，作為協助偵測實體的特徵，但每個子實體只有一個模型即特徵。 在這個比薩應用程式中，這些模型主要是清單。

此螢幕擷取畫面顯示機器學習實體使用許多片語清單作為特徵。

正確標記的範例語句會以說明實體如何巢狀化的方式顯示。

後續步驟