Compartir a través de


Términos y definiciones usados en el reconocimiento del lenguaje conversacional

Use este artículo para obtener información sobre algunas de las definiciones y los términos que se pueden encontrar al usar reconocimiento del lenguaje conversacional.

Entidad

Las entidades son palabras de las expresiones que describen la información usada para cumplimentar o identificar una intención. Si la entidad es compleja y quiere que el modelo identifique determinadas partes, puede dividir el modelo en subentidades. Por ejemplo, si quiere que el modelo prediga una dirección, pero también las subentidades de calle, ciudad, estado y código postal.

Puntuación F1

La puntuación F1 es una función de precisión y coincidencia. Es necesaria cuando se busca un equilibrio entre precisión y coincidencia.

Intención

Una intención representa una tarea o acción que el usuario quiere realizar. Es un propósito u objetivo expresado en la entrada de un usuario, como reservar un vuelo o pagar una factura.

Entidad de lista

Una entidad de lista representa un conjunto fijo y cerrado de palabras relacionadas y sus sinónimos. Las entidades de lista son coincidencias exactas, a diferencia de las entidades con aprendizaje automático.

La entidad se predecirá si una palabra de la entidad de lista se incluye en la lista. Por ejemplo, si tiene una entidad de lista llamada "tamaño" y tiene las palabras "pequeño, mediano, grande" en la lista, la entidad de tamaño se predecirá para todas las expresiones en las que se usen las palabras "pequeño", "medio" o "grande", independientemente del contexto.

Modelo

Un modelo es un objeto entrenado para realizar una determinada tarea, en este caso, tareas de reconocimiento de conversaciones. Para entrenar los modelos, se proporcionan datos etiquetados de los que aprenden para que posteriormente se puedan usar para reconocer expresiones.

  • La evaluación del modelo es el proceso que se produce justo después del entrenamiento para saber cómo funciona el modelo.
  • La implementación es el proceso de asignación del modelo a una implementación para que esté disponible para su uso mediante la API de predicción.

Sobreajuste

El sobreajuste se produce cuando el modelo se fija en los ejemplos concretos y no es capaz de generalizar bien.

Precision

Mide lo preciso o exacto que es el modelo. Es la relación entre los positivos identificados correctamente (verdaderos positivos) y todos los positivos identificados. La métrica de precisión revela cuántas de las clases previstas están correctamente etiquetadas.

Project

Un proyecto es un área de trabajo para compilar modelos de Machine Learning personalizados basados en los datos. A su proyecto solo puede acceder usted y otros usuarios que tengan acceso al recurso de Azure que se usa.

Recuperación

Mide la capacidad del modelo para predecir clases positivas reales. Es la relación entre los verdaderos positivos previstos y lo que realmente se ha etiquetado. La métrica de coincidencia revela cuántas de las clases previstas están correctamente etiquetadas.

Expresión regular

Una entidad de expresión regular representa una expresión regular. Las entidades de expresión regular son coincidencias exactas.

Schema

El esquema se define como la combinación de intenciones y entidades dentro del proyecto. El diseño del esquema es una parte fundamental del éxito del proyecto. Al crear un esquema, quiere pensar en qué intenciones y entidades deberían incluirse en el proyecto.

Datos de aprendizaje.

Los datos de aprendizaje son el conjunto de información que se necesita para entrenar un modelo.

Expresión

Una expresión es una entrada de usuario de un texto corto representativo de una oración en una conversación. Es una frase en lenguaje natural, como "reserva 2 billetes a Seattle para el próximo martes". Se agregan expresiones de ejemplo para enseñar al modelo y el modelo realiza predicciones en una nueva expresión en tiempo de ejecución.

Pasos siguientes