Freigeben über


Entitätstypen

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.

Eine Entität ist ein Element, das für die Absicht des Benutzers relevant ist. Entitäten definieren Daten, die aus der Äußerung extrahiert werden können und von entscheidender Bedeutung sind, um die angeforderte Aktion eines Benutzers durchführen zu können. Beispiel:

Äußerung Vorhergesagte Absicht Extrahierte Entitäten Erklärung
Hallo, wie geht es dir? Greeting (Begrüßung) - Nichts zu extrahieren.
Ich möchte eine kleine Pizza bestellen. orderPizza „klein“ Die Entität „Size“ (Größe) wird als „klein“ extrahiert.
Schalte das Licht im Schlafzimmer aus. turnOff „Schlafzimmer“ Die Entität „Room“ (Zimmer) wird als „Schlafzimmer“ extrahiert.
Prüfe das Guthaben auf meinem Sparkonto, das auf 4406 endet. checkBalance „Sparkonto“, „4406“ Die Entität „accountType“ wird als „Sparkonto“ und die Entität „accountNumber“ als „4406“ extrahiert.
Kaufe 3 Tickets nach New York buyTickets „3“, „New York“ Die Entität „ticketsCount“ wird als „3“ und die Entität „Destination“ (Ziel) als „New York“ extrahiert.

Entitäten sind optional, werden aber empfohlen. Sie müssen nicht für jedes Konzept in Ihrer App Entitäten erstellen, nur wenn Folgendes zutrifft:

  • Die Clientanwendung benötigt die Daten.
  • Die Entität fungiert als Hinweis oder Signal für eine andere Entität oder Absicht. Weitere Informationen zu Entitäten als Features finden Sie unter Entitäten als Features.

Entitätstypen

Um eine Entität zu erstellen, müssen Sie ihr einen Namen und einen Typ zuweisen. Es gibt mehrere Arten von Entitäten in LUIS.

Entität vom Typ „List“

Eine Listenentität stellt einen festen, abgeschlossenen Satz verwandter Wörter zusammen mit ihren Synonymen dar. Sie können Listenentitäten verwenden, um mehrere Synonyme oder Variationen zu erkennen und dafür eine normalisierte Ausgabe zu extrahieren. Suchen Sie mithilfe der Option Empfehlung nach Vorschlägen für neue Wörter basierend auf der aktuellen Liste.

Eine Listenentität wird nicht durch maschinelles Lernen erworben, daher findet LUIS keine weiteren Werte für Listenentitäten. LUIS kennzeichnet jede Übereinstimmung für ein Element in einer Liste in der Antwort als eine Entität.

Beim Abgleich von Listenentitäten ist die Groß-/Kleinschreibung relevant, und es muss sich um eine genaue Übereinstimmungen handeln. Normalisierte Werte werden beim Abgleich der Listenentität ebenfalls verwendet. Beispiel:

Normalisierter Wert Synonyme
Klein sm, sml, tiny, smallest
Medium md, mdm, regular, average, middle
Groß lg, lrg, big

Weitere Informationen finden Sie im Referenzartikel zu Listenentitäten.

RegEx-Entität

Eine RegEx-Entität extrahiert eine Entität anhand eines regulären Ausdrucks, den Sie bereitstellen. Die Groß-/Kleinschreibung sowie die Kultur werden ignoriert. Reguläre Ausdrucksentitäten eignen sich am besten für strukturierten Text oder eine vordefinierte Sequenz alphanumerischer Werte, die in einem bestimmten Format erwartet werden. Beispiel:

Entität Regulärer Ausdruck Beispiel
Flugnummer flight [A-Z]{2} [0-9]{4} flight AS 1234
Credit Card Number (Kreditkartennummer) [0-9]{16} 5478789865437632

Weitere Informationen finden Sie im Referenzartikel zu RegEx-Entitäten.

Vordefinierte Entitäten

LUIS umfasst eine Reihe von vordefinierten Entitäten zur Erkennung allgemeiner Informationstypen, z.B. Datumsangaben, Zeitangaben, Zahlen, Maße und Währungen. Die Unterstützung von vordefinierten Entität variiert je nach Kultur Ihrer LUIS-App. Eine vollständige Liste vordefinierter Entitäten, die von LUIS unterstützt werden, einschließlich der Unterstützung durch die Kultur, finden Sie unter Referenz zu vordefinierten Entitäten.

Wenn Ihre Anwendung eine vordefinierte Entität enthält, werden ihre Vorhersagen in der veröffentlichten Anwendung eingeschlossen. Das Verhalten vordefinierter Entitäten ist vortrainiert und kann nicht angepasst werden.

Vordefinierte Entität Beispielwert
PersonName James, Bill, Tom
DatetimeV2 2019-05-02, May 2nd, 8am on May 2nd 2019

Weitere Informationen finden Sie im Referenzartikel zu vordefinierten Entitäten.

Pattern.Any-Entität

Eine Pattern.Any-Entität ist ein Platzhalter variabler Länge, der nur in der Vorlagenäußerung eines Musters verwendet wird, um den Beginn und das Ende der Entität zu markieren. Diese Entität folgt einer bestimmten Regel oder einem bestimmten Muster und wird am besten für Sätze mit fester lexikalischer Struktur verwendet. Beispiel:

Beispieläußerung Muster Entität
Ich hätte gerne einen Burger, bitte. Can I have a {meal} [please][?] Burger
Ich hätte gerne eine Pizza. Can I have a {meal} [please][?] pizza
Wo finde ich „Der große Gatsby“? Where can I find {bookName}? Der große Gatsby

Weitere Informationen finden Sie im Referenzartikel zu Pattern.Any-Entitäten.

Durch maschinelles Lernen (ML) erworbene Entität

Eine durch maschinelles Lernen erworbene Entität verwendet Kontext, um Entitäten basierend auf beschrifteten Beispielen zu extrahieren. Diese Entität stellt die bevorzugte Entität für das Erstellen von LUIS-Anwendungen dar. Sie basiert auf Algorithmen für maschinelles Lernen und erfordert Beschriftungen, um erfolgreich auf Ihre Anwendung zugeschnitten zu werden. Verwenden Sie eine ML-Entität, um Daten zu identifizieren, die nicht immer optimal formatiert sind, aber dieselbe Bedeutung aufweisen.

Beispieläußerung Extrahierte Entität für Produkt
Ich möchte ein Buch kaufen. „Buch“
Kann ich bitte diese Schuhe haben? „Schuhe“
Diese Shorts meinem Warenkorb hinzufügen „Shorts“

Weitere Informationen finden Sie unter Durch maschinelles Lernen erworbene Entitäten.

ML-Entität mit Struktur

Eine ML-Entität kann aus kleineren untergeordneten Entitäten bestehen, von denen jede über eigene Eigenschaften verfügen kann. Beispielsweise könnte eine Entität Address (Adresse) die folgende Struktur aufweisen:

  • Adresse: 4567 Main Street, NY, 98052, USA
    • Gebäudenummer: 4567
    • Straßenname: Main Street
    • Bundesstaat: NY
    • Postleitzahl: 98052
    • Land: USA

Erstellen effektiver ML-Entitäten

Befolgen Sie die folgenden bewährten Methoden, um durch maschinelles Lernen erworbene Entitäten effektiv zu erstellen:

  • Wenn Sie eine durch maschinelles Lernen erworbene Entität mit untergeordneten Entitäten verwenden, sollten Sie sicherstellen, dass die verschiedenen Reihenfolgen und Varianten der Entität und der untergeordneten Entitäten in den beschrifteten Äußerungen dargestellt werden. Beispieläußerungen mit Bezeichnungen sollten alle gültigen Formen sowie die Entitäten enthalten, die angezeigt werden, fehlen oder innerhalb der Äußerung neu angeordnet werden.
  • Vermeiden Sie eine Überanpassung der Entitäten an eine feste Gruppe. Eine Überanpassung tritt auf, wenn das Modell nicht gut generalisiert wird. Dies ist ein gängiges Problem bei Machine Learning-Modellen. Es führt dazu, dass die App mit neuen Typen von Beispielen nicht richtig funktioniert. Daher sollten Sie die beschrifteten Beispieläußerungen variieren, damit die App über die von Ihnen angegebenen Beispiele hinaus generalisiert werden kann.
  • Ihre Bezeichnungen sollten für alle Absichten einheitlich sein. Dazu gehören auch Äußerungen, die Sie in der Absicht None (Keine) angeben, die diese Entität umfasst. Andernfalls kann das Modell die Sequenz nicht effektiv bestimmen.

Entitäten als Features

Eine weitere wichtige Funktion von Entitäten besteht darin, sie als Features oder Unterscheidungsmerkmale für andere Absichten oder Entitäten zu verwenden, damit Ihr System sie beobachtet und daraus lernt.

Entitäten als Features für Absichten

Sie können Entitäten als Signal für eine Absicht verwenden. Beispielsweise kann das Vorhandensein einer bestimmten Entität in der Äußerung kennzeichnen, welcher Absicht sie zuzuordnen ist.

Beispieläußerung Entität Intent
Buche mir einen Flug nach New York. City Flug buchen
Buche mir den Hauptkonferenzraum. Raum Raum reservieren

Entitäten als Feature für Entitäten

Sie können Entitäten auch als Indikator für das Vorhandensein anderer Entitäten verwenden. Ein gängiges Beispiel hierfür ist die Verwendung einer vordefinierten Entität als Feature für eine andere ML-Entität. Wenn Sie ein Flugbuchungssystem erstellen und Ihre Äußerung „Buche mir einen Flug von Kairo nach Seattle“ lautet, verfügen Sie wahrscheinlich über die ML-Entitäten Abflugort und Zielort. Eine bewährte Methode wäre die Verwendung der vordefinierten Entität „GeographyV2“ als Merkmal für beide Entitäten.

Weitere Informationen finden Sie im Referenzartikel zu GeographyV2-Entitäten.

Sie können Entitäten auch als erforderliche Features für andere Entitäten verwenden. Dies hilft bei der Auflösung extrahierter Entitäten. Wenn Sie beispielsweise eine Anwendung zur Pizzabestellung erstellen und über eine ML-Entität „Size“ (Größe) verfügen, können Sie eine Listenentität „SizeList“ (Größenliste) erstellen und sie als erforderliches Merkmal für die Entität „Size“ verwenden. Ihre Anwendung gibt den normalisierten Wert als extrahierte Entität aus der Äußerung zurück.

Weitere Informationen zur Auflösung vordefinierter Entitäten, die in Ihrer Kultur verfügbar sind, finden Sie unter Features und Vordefinierte Entitäten.

Daten von Entitäten

Die meisten Chatbots und Anwendungen benötigen mehr als den Namen der Absicht. Diese zusätzlichen, optionalen Daten stammen von Entitäten, die in der Äußerung erkannt wurden. Jeder Entitätstyp gibt andere Informationen zur Übereinstimmung zurück.

Ein einzelnes Wort oder ein Ausdruck in einer Äußerung kann mehreren Entitäten entsprechen. In diesem Fall wird jede übereinstimmende Entität mit ihrer Bewertung zurückgegeben.

Alle Entitäten werden im Array entities der Endpunktantwort zurückgegeben.

Bewährte Methoden für Entitäten

Verwenden von Machine Learning-Entitäten

Durch maschinelles Lernen erworbene Entitäten sind auf Ihre App zugeschnitten und erfordern eine erfolgreiche Bezeichnung. Wenn Sie keine durch maschinelles Lernen erworbenen Entitäten verwenden, verwenden Sie möglicherweise die falschen Entitäten.

Durch maschinelles Lernen erworbene Entitäten können andere Entitäten als Features verwenden. Diese anderen Entitäten können benutzerdefinierte Entitäten sein (beispielsweise RegEx-Entitäten oder Listenentitäten). Sie können aber auch vorgefertigte Entitäten als Features verwenden.

Informationen zu effektiven, durch maschinelles Lernen erworbenen Entitäten finden Sie hier.

Nächste Schritte