Tipos de entidad
Importante
LUIS se retirará el 1 de octubre de 2025. Además, a partir del 1 de abril de 2023, ya no se podrán crear recursos de este servicio. Se recomienda migrar las aplicaciones de LUIS al reconocimiento del lenguaje conversacional para aprovechar el soporte continuo del producto y las capacidades multilingües.
Una entidad es un elemento que es importante para la intención del usuario. Las entidades definen los datos que se pueden extraer de la expresión y son esenciales para completar la acción necesaria de un usuario. Por ejemplo:
| Expresión | Intención pronosticada | Entidades extraídas | Explicación |
|---|---|---|---|
| Hola, ¿cómo está? | Saludo | - | No hay nada que extraer. |
| Quiero pedir una pizza pequeña | pedirPizza | "pequeña" | La entidad "tamaño" se extrae como"pequeña". |
| Apagar la luz del dormitorio | apagar | "dormitorio" | La entidad "Habitación" se extrae como "dormitorio". |
| Comprobar el saldo de mi cuenta de ahorro que termina en 4406 | comprobarSaldo | "ahorro", "4406" | La entidad "tipoDeCuenta" se extrae como "ahorro" y la entidad "númeroDeCuenta" como "4406". |
| Comprar 3 billetes a Nueva York | comprarBilletes | "3", "Nueva York" | La entidad "númeroDeBilletes" se extrae como "3" y la entidad "Destino" como "Nueva York". |
Las entidades son opcionales, pero muy recomendables. No es necesario que cree entidades para cada concepto de la aplicación, solo cuando:
- La aplicación cliente necesita los datos.
- La entidad actúa como una sugerencia o señal para otra entidad o intención. Para más información sobre las entidades como características, vaya a Entidades como características.
Tipos de entidades
Para crear una entidad, debe darle un nombre y un tipo. Existen varios tipos de entidades en LUIS.
Entidad de lista
Una entidad de lista representa un conjunto fijo y cerrado de palabras relacionadas y sus sinónimos. Puede usar entidades de lista para reconocer varios sinónimos o variaciones, y extraer una salida normalizada para ellas. Use la opción Recommend (Recomendar) para ver sugerencias de palabras nuevas en función de la lista actual.
Una entidad de lista no es de aprendizaje automático, lo que significa que LUIS no detecta más valores para las entidades de lista. LUIS marca todas las coincidencias de un elemento de cualquier lista como una entidad en la respuesta.
La coincidencia con las entidades de lista distingue mayúsculas de minúsculas y debe ser una coincidencia exacta. Los valores normalizados también se usan cuando coinciden con la entidad de lista. Por ejemplo:
| Valor normalizado | Sinónimos |
|---|---|
| Pequeña | sm, sml, tiny, smallest |
| Media | md, mdm, regular, average, middle |
| grande | lg, lrg, big |
Consulte el artículo de referencia de entidades de lista para más información.
Entidad regex
Una entidad de expresión regular extrae una entidad basada en un patrón de expresión regular que se proporciona. No distingue entre mayúsculas y minúsculas e ignora la variante cultural. Las entidades de expresión regular son mejores para textos estructurados o para una secuencia predefinida de valores alfanuméricos que se esperan en un determinado formato. Por ejemplo:
| Entidad | Expresión regular | Ejemplo |
|---|---|---|
| Número del vuelo | flight [A-Z]{2} [0-9]{4} |
flight AS 1234 |
| Número de la tarjeta de crédito | [0-9]{16} |
5478789865437632 |
Consulte el artículo de referencia de entidades de expresión regular para más información.
Entidades precompiladas
LUIS incluye un conjunto de entidades precompiladas para reconocer tipos comunes de información, como fechas, horas, números, medidas y moneda. La compatibilidad de entidades precompiladas varía según la referencia cultural de la aplicación LUIS. Para ver una lista completa de las entidades precompiladas que LUIS admite, incluso la compatibilidad por referencia cultural, consulte la referencia de entidades precompiladas.
Cuando una entidad precompilada se incluye en la aplicación, sus predicciones se incluyen en la aplicación publicada. El comportamiento de las entidades compiladas previamente ya está entrenado y no se puede modificar.
| Entidad creada previamente | Valor de ejemplo |
|---|---|
| PersonName | James, Bill, Tom |
| DatetimeV2 | 2019-05-02, May 2nd, 8am on May 2nd 2019 |
Consulte el artículo de referencia de entidades pregeneradas para más información.
Entidad Pattern.Any
Una entidad Pattern.Any es un marcador de posición de longitud variable que solo se usa en la expresión de plantilla de un patrón para marcar dónde empieza y acaba la entidad. Sigue una regla o un patrón específicos y se usa mejor para las oraciones con estructura léxica fija. Por ejemplo:
| Expresión de ejemplo | Patrón | Entidad |
|---|---|---|
| ¿Puedo tomar una hamburguesa por favor? | Can I have a {meal} [please][?] |
hamburguesa |
| ¿Puedo tomar una pizza? | Can I have a {meal} [please][?] |
pizza |
| ¿Dónde puedo encontrar El gran Gatsby? | Where can I find {bookName}? |
El gran Gatsby |
Consulte el artículo de referencia de las entidades Pattern.Any para más información.
Entidad con aprendizaje automático (ML)
Las entidades con aprendizaje automático usan el contexto para extraer entidades basadas en ejemplos etiquetados. Son las entidades preferidas para crear aplicaciones de LUIS. Se basan en algoritmos de aprendizaje automático y requieren que el etiquetado se adapte correctamente a la aplicación. Use una entidad con aprendizaje automático para identificar datos que no siempre tienen un formato correcto, pero que tienen el mismo significado.
| Expresión de ejemplo | Entidad de producto extraída |
|---|---|
| Quiero comprar un libro. | "libro" |
| ¿Puedo comprar estos zapatos por favor? | "zapatos" |
| Agregue esos pantalones a mi cesta. | "pantalones" |
Consulte Entidades con aprendizaje automático para obtener más información.
Entidad de aprendizaje automático con estructura
Una entidad con aprendizaje automático se puede componer de subentidades más pequeñas, cada una de las cuales puede tener sus propias propiedades. Por ejemplo, una entidad de Dirección podría tener la siguiente estructura:
- Dirección: 4567 Main Street, NY, 98052, USA
- Número de edificio: 4567
- Nombre de la calle: Main Street
- Estado: NY
- Código postal: 98052
- País: USA
Creación eficaz de entidades con aprendizaje automático
Para crear entidades con aprendizaje automático de forma eficaz, siga estos procedimientos recomendados:
- Si tiene una entidad de aprendizaje automático con subentidades, asegúrese de que los distintos órdenes y variantes de la entidad y las subentidades se presenten en las expresiones etiquetadas. Las expresiones etiquetadas de ejemplo deben incluir todas las formas válidas e incluir entidades que aparecen y que están ausentes, y que también se reordenan dentro de la expresión.
- Evite sobreajustar las entidades a un conjunto fijo. El sobreajuste tiene lugar cuando el modelo no está bien generalizado, y es un problema común en modelos de aprendizaje automático. Esto implica que la aplicación no funcionaría correctamente con tipos de ejemplos nuevos. A su vez, debe variar las expresiones etiquetadas de ejemplo para que la aplicación pueda generalizar más allá de los ejemplos limitados que proporcione.
- El etiquetado debe ser coherente en todas las intenciones. Esto incluye también las expresiones que proporcione en la intención None que incluyan esta entidad. De lo contrario, el modelo no podrá determinar las secuencias de forma eficaz.
Entidades como características
Otra función importante de las entidades es usarlas como características o rasgos distintivos para otras intenciones o entidades para que el sistema las observe y aprenda a través de ellas.
Entidades como características para intenciones
Puede usar entidades como señal para una intención. Por ejemplo, la presencia de una entidad determinada en la expresión puede distinguir en qué intención se encuentra.
| Expresión de ejemplo | Entidad | Intención |
|---|---|---|
| Resérveme un vuelo a Nueva York. | City (Ciudad) | Reservar vuelo |
| Resérveme la sala de conferencias principal. | Sala | Reservar sala |
Entidades como característica para entidades
También puede usar entidades como indicador de la presencia de otras entidades. Un ejemplo habitual es el uso de una entidad pregenerada como característica para otra entidad con aprendizaje automático. Si va a crear un sistema de reserva de vuelos y su expresión se parece a "Resérveme un vuelo del Cairo a Seattle", probablemente tendrá Ciudad de origen y Ciudad de destino como entidades con aprendizaje automático. Un procedimiento recomendado sería usar la entidad GeographyV2 generada previamente como característica para ambas entidades.
Para obtener más información, consulte el artículo de referencia sobre las entidades GeographyV2.
También puede usar entidades como características necesarias para otras entidades. Esto ayuda a la resolución de las entidades extraídas. Por ejemplo, si va a crear una aplicación de pedidos de pizzas y tiene una entidad con aprendizaje automático Size, puede crear una entidad de lista SizeList y usarla como una característica necesaria para la entidad Size. La aplicación devolverá el valor normalizado como la entidad extraída de la expresión.
Consulte características para más información y entidades pregeneradas para obtener más información sobre la resolución de las entidades pregeneradas disponibles en su referencia cultural.
Datos de entidades
La mayoría de los bots de chat y las aplicaciones necesitan algo más que el nombre de la intención. Estos datos adicionales y opcionales proceden de las entidades que se han detectado en la expresión. Cada tipo de entidad devuelve otra información sobre la coincidencia.
Una sola palabra o frase en una expresión puede coincidir con más de una entidad. En ese caso, se devuelve cada entidad coincidente con su puntuación.
Se devuelven todas las entidades de la matriz entities de la respuesta desde el punto de conexión:
Procedimientos recomendados para entidades
Use entidades de aprendizaje automático
Las entidades con aprendizaje automático se adaptan a la aplicación y requieren que el etiquetado sea correcto. Si no va a usar entidades con aprendizaje automático, es posible que esté usando las entidades equivocadas.
Las entidades con aprendizaje automático pueden usar otras entidades como características. Estas otras entidades pueden ser entidades personalizadas como entidades de expresiones regulares o entidades de lista, o bien se pueden usar como características las entidades creadas previamente.
Obtenga más información sobre las entidades con aprendizaje automático eficaces.