Entwerfen mit Absichts- und Entitätsmodellen
Wichtig
LUIS wird am 1. Oktober 2025 eingestellt, und ab dem 1. April 2023 können Sie keine neuen LUIS-Ressourcen erstellen. Es wird die Migration Ihrer LUIS-Anwendungen zu Conversational Language Understanding empfohlen, um fortgesetzte Produktunterstützung und mehrsprachige Funktionen zu erhalten.
Language Understanding bietet zwei Arten von Modellen, mit denen Sie Ihr App-Schema definieren können. Ihr App-Schema bestimmt, welche Informationen die Vorhersage einer neuen Benutzeräußerung liefert.
Das App-Schema basiert auf Modellen, die Sie mithilfe von Machine Teaching erstellen:
- Absichten zum Klassifizieren von Benutzeräußerungen
- Entitäten zum Extrahieren von Daten aus einer Äußerung
Dokumenterstellung verwendet Machine Teaching
Mithilfe der Machine Teaching-Methodik von LUIS können Sie einem Computer problemlos Konzepte vermitteln. Sie müssen nicht mit Machine Learning vertraut sein, um LUIS verwenden zu können. Stattdessen bringen Sie LUIS wie ein Lehrer ein Konzept bei, indem Sie Beispiele für das Konzept geben und anhand von anderen verwandten Konzepten erläutern, wie ein Konzept modelliert werden soll. In Ihrer Rolle als Lehrer können Sie das Modell von LUIS außerdem interaktiv verbessern, indem Sie Vorhersagefehler ermitteln und beheben.
Klassifizieren von Äußerungen durch Absichten
Beispieläußerungen werden durch eine Absicht klassifiziert, um LUIS Informationen über die Absicht zu vermitteln. Beispieläußerungen innerhalb einer Absicht werden als positive Beispiele der Äußerung verwendet. Diese gleichen Äußerungen werden in allen anderen Absichten als negative Beispiele verwendet.
Stellen Sie sich eine App vor, die die Absicht eines Benutzers bestimmen muss, ein Buch zu bestellen, und eine App, die die Versandadresse für den Kunden benötigt. Diese App weist zwei Absichten auf: OrderBook und ShippingLocation.
Die folgende Äußerung ist ein positives Beispiel für die Absicht OrderBook und ein negatives Beispiel für die Absichten ShippingLocation und None:
Buy the top-rated book on bot architecture.
Extrahieren von Daten durch Entitäten
Eine Entität stellt eine Dateneinheit dar, die aus der Äußerung extrahiert werden soll. Eine Machine Learning-Entität ist eine Entität der obersten Ebene, die untergeordnete Entitäten enthält, bei denen es sich ebenfalls um Machine Learning-Entitäten handelt.
Ein Beispiel für eine Machine Learning-Entität ist eine Bestellung eines Flugtickets. Konzeptionell handelt es sich dabei um eine einzelne Transaktion mit vielen kleineren Dateneinheiten, wie etwa Datum, Uhrzeit, Menge der Plätze, Art der Plätze (wie Erste Klasse oder Economy), Startort, Zielort und Auswahl des Bordmenüs.
Absichten im Vergleich mit Entitäten
Eine Absicht ist das gewünschte Ergebnis der gesamten Äußerung, während Entitäten Datenstücke darstellen, die aus der Äußerung extrahiert wurden. Absichten sind in der Regel mit Aktionen verbunden, die von der Clientanwendung ausgeführt werden sollen. Entitäten sind die Informationen, die für die Aktion erforderlich sind. Aus Programmiererperspektive würde eine Absicht einen Methodenaufruf auslösen, und die Entitäten würden als Parameter dieses Methodenaufrufs fungieren.
Diese Äußerung muss eine Absicht und kann Entitäten aufweisen:
Buy an airline ticket from Seattle to Cairo
Diese Äußerung verfolgt ein einzelnes Ziel:
- den Kauf eines Flugtickets
Diese Äußerung kann verschiedene Entitäten aufweisen:
- Die Orte Seattle (Startort) und Kairo (Zielort)
- Die Menge eines einzelnen Tickets
Aufschlüsselung des Entitätsmodells
LUIS unterstützt die Modellaufschlüsselung mithilfe der Erstellungs-APIs, um ein Konzept in kleinere Bestandteile aufzugliedern. Auf diese Weise können Sie ihre Modelle mit der Zuversicht aufbauen, die sich aus der Kenntnis von Konstruktion und Vorhersagemechanismen der einzelnen Teile speist.
Die Aufschlüsselung von Modellen setzt sich aus folgenden Teilen zusammen:
- Absichten
- Machine Learning-Entitäten
- Untergeordnete Entitäten (ebenfalls Machine Learning-Entitäten)
- features
- Ausdrucksliste
- Machine Learning-fremde Entitäten (beispielsweise reguläre Ausdrücke, Listen und vordefinierte Entitäten)
- features
- Untergeordnete Entitäten (ebenfalls Machine Learning-Entitäten)
Features
Ein Feature ist ein eindeutiges Merkmal oder Attribut der Daten, die Ihr System untersucht. Machine Learning-Features geben LUIS wichtige Hinweise darauf, wo nach Informationen gesucht werden soll, die ein Konzept ausmachen. Hierbei handelt es sich um Hinweise, die von LUIS befolgt werden können, aber nicht um feste Regeln. Diese Hinweise werden zusammen mit den Beschriftungen genutzt, um die Daten zu finden.
Muster
Muster dienen zur Verbesserung der Genauigkeit, wenn sich mehrere Äußerungen stark ähneln. Ein Muster ermöglicht es Ihnen, größere Genauigkeit für eine Absicht zu erreichen, ohne viele weitere Äußerungen anzugeben.
Erweitern der App zur Laufzeit
Das Schema der App (Modelle und Features) wird trainiert und zum Vorhersageendpunkt veröffentlicht. Sie können neue Informationen zusammen mit der Äußerung des Benutzers an den Vorhersageendpunkt übergeben, um die Vorhersage zu verbessern. Weitere Informationen finden Sie hier.