Entitástípusok
Fontos
A LUIS 2025. október 1-jén megszűnik, és 2023. április 1-től nem hozhat létre új LUIS-erőforrásokat. Javasoljuk, hogy a LUIS-alkalmazásokat a beszélgetési nyelv megértésére migrálja, hogy kihasználhassa a terméktámogatás és a többnyelvű képességek előnyeit.
Az entitás olyan elem vagy elem, amely a felhasználó szándéka szempontjából releváns. Az entitások olyan adatokat határoznak meg, amelyek kinyerhetők a kimondott szövegből, és elengedhetetlenek a felhasználó szükséges műveletének elvégzéséhez. Példa:
| Beszédelem | Szándék előrejelzett | Kinyert entitások | Magyarázat |
|---|---|---|---|
| Helló, hogy vagy? | Üdvözlés | - | Nincs mit kinyerni. |
| Szeretnék rendelni egy kis pizzát | orderPizza | "kicsi" | A "Size" entitás "kicsiként" lesz kinyerve. |
| Kikapcsolt hálószoba fény | Kanyart | "hálószoba" | A "Room" entitást "hálószoba" néven nyerik ki. |
| Egyenleg ellenőrzése a 4406-ban végződő megtakarítási számlámon | checkBalance | 'megtakarítás', '4406' | A "accountType" entitás "megtakarításként" lesz kinyerve, a "accountNumber" entitás pedig 4406-ként lesz kinyerve. |
| 3 jegy vásárlása New Yorkba | buyTickets | '3', 'New York' | A "ticketsCount" entitás "3" néven lesz kinyerve, a "Destination" entitás pedig "New York" néven lesz kinyerve. |
Az entitások nem kötelezőek, de ajánlottak. Nem kell entitásokat létrehoznia az alkalmazás minden koncepciójához, csak akkor, ha:
- Az ügyfélalkalmazásnak szüksége van az adatokra, vagy
- Az entitás egy másik entitásnak vagy szándéknak való jelzésként szolgál. Ha többet szeretne megtudni az entitásokról, mint szolgáltatások, lépjen az Entitások szolgáltatásként elemre.
Entitástípusok
Egy entitás létrehozásához nevet és típust kell megadnia. A LUIS-ban számos entitástípus létezik.
Listaentitás
A listaentitások a kapcsolódó szavak rögzített, zárt készletét jelölik a szinonimáikkal együtt. Listaentitások használatával több szinonimát vagy változatot is felismerhet, és normalizált kimenetet nyerhet ki számukra. Az ajánlott beállítással új szavakra vonatkozó javaslatokat jeleníthet meg az aktuális lista alapján.
A listaentitások nem gépi tanultak, ami azt jelenti, hogy a LUIS nem fedez fel további értékeket a listaentitásokhoz. A LUIS minden listában szereplő elemet entitásként jelöl meg a válaszban.
Az egyező listaentitások megkülönböztetik a kis- és nagybetűk közötti megkülönböztetettségeket, és pontos egyezésnek kell lenniük. A normalizált értékek a listaentitást is használják. Példa:
| Normalizált érték | Szinonimák |
|---|---|
| Small | sm, sml, tinysmallest |
| Közepes | md, mdm, regular, averagemiddle |
| Nagy | lg, , lrgbig |
További információkért tekintse meg a listaentitások referenciacikkét .
Regex entitás
A reguláris kifejezési entitások az Ön által megadott reguláris kifejezésminta alapján nyernek ki egy entitást. Figyelmen kívül hagyja az esetet, és figyelmen kívül hagyja a kulturális változatot. A reguláris kifejezési entitások a legjobban strukturált szöveghez vagy előre definiált alfanumerikus értékek sorozatához használhatók, amelyek egy adott formátumban várhatók. Példa:
| Entitás | Reguláris kifejezés | Példa |
|---|---|---|
| Járatszám | flight [A-Z]{2} [0-9]{4} |
flight AS 1234 |
| Hitelkártyaszám | [0-9]{16} |
5478789865437632 |
További információt a regex entitások referenciacikkében talál.
Előre összeállított entitások
A LUIS előre összeállított entitásokat tartalmaz a gyakori információtípusok, például dátumok, időpontok, számok, mérések és pénznemek felismeréséhez. Az előre összeállított entitások támogatása a LUIS-alkalmazás kultúrája szerint változik. A LUIS által támogatott előre összeállított entitások teljes listáját, beleértve a kulturális támogatásokat is, tekintse meg az előre összeállított entitások hivatkozását.
Ha egy előre összeállított entitás szerepel az alkalmazásban, annak előrejelzései a közzétett alkalmazás részét képezik. Az előre összeállított entitások viselkedése előre be van tanítva, és nem módosítható.
| Előre összeállított entitás | Példaérték |
|---|---|
| PersonName | James, Bill, Tom |
| DatetimeV2 | 2019-05-02, , May 2nd8am on May 2nd 2019 |
További információért tekintse meg az előre összeállított entitások referenciacikkét .
Pattern.Bármely entitás
Egy minta. Az entitások egy változó hosszúságú helyőrzők, amelyeket csak a minta kimondott szövegében használnak az entitás kezdő és záró helyének megjelölésére. Egy adott szabályt vagy mintát követ, és a rögzített lexikális szerkezetű mondatokhoz legjobban használható. Példa:
| Példa kimondott szöveg | Minta | Entitás |
|---|---|---|
| Kaphatnék egy hamburgert? | Can I have a {meal} [please][?] |
burger |
| Kaphatok pizzát? | Can I have a {meal} [please][?] |
pizza |
| Hol találom a Nagy Gatsbyt? | Where can I find {bookName}? |
A nagy Gatsby |
További információt a Pattern.Any entities referenciacikkben talál.
Gépi tanulású (ML) entitás
A gépi tanult entitás környezettel nyer ki entitásokat címkézett példák alapján. Ez a LUIS-alkalmazások készítéséhez előnyben részesített entitás. Gépi tanulási algoritmusokra támaszkodik, és megköveteli a címkézést, hogy sikeresen az alkalmazáshoz legyen igazítva. Az ml-entitások segítségével azonosíthatja azokat az adatokat, amelyek nem mindig jól formázottak, de jelentésük megegyezik.
| Példa kimondott szöveg | Kinyert termék entitása |
|---|---|
| Szeretnék venni egy könyvet. | "könyv" |
| Megkaphatom ezeket a cipőket? | "cipő" |
| Adja hozzá a rövideket a kosaramhoz. | "rövidnadrág" |
További információ: Gépi tanult entitások .
ML-entitás struktúrával
Az ML-entitások kisebb alentitásokból állhatnak, amelyek mindegyike saját tulajdonságokkal rendelkezhet. Egy Cím entitás például a következő struktúrával rendelkezhet:
- Cím: 4567 Main Street, NY, 98052, USA
- Épület száma: 4567
- Utcanév: Fő utca
- Állapot: NY
- Irányítószám: 98052
- Ország: USA
Hatékony ml-entitások létrehozása
A gépi tanult entitások hatékony létrehozásához kövesse az alábbi ajánlott eljárásokat:
- Ha gépi tanult entitással rendelkezik alentitással, győződjön meg arról, hogy az entitás és az alentitások különböző rendelései és változatai megjelennek a címkézett kimondott szövegekben. A címkézett kimondott szövegeknek tartalmazniuk kell az összes érvényes űrlapot, valamint olyan entitásokat is, amelyek megjelennek és hiányoznak, valamint átrendezhetők a kimondott szövegben.
- Kerülje az entitások egy rögzített készletre való túlillesztését. A túlillesztés akkor fordul elő, ha a modell nem általánosít jól, és gyakori probléma a gépi tanulási modellekben. Ez azt jelenti, hogy az alkalmazás nem működne megfelelően az új típusú példákon. A címkézett kimondott szövegeket azonban eltérően kell megadnia, hogy az alkalmazás általánosítani tudja a megadott korlátozott példákon túl.
- A címkézésnek konzisztensnek kell lennie a szándékok között. Ide tartoznak még az entitást tartalmazó None szándékban megadott kimondott szövegek is. Ellenkező esetben a modell nem fogja tudni hatékonyan meghatározni a sorozatokat.
Entitások funkciókként
Az entitások másik fontos funkciója, hogy funkciókként használják őket, vagy megkülönböztetik a tulajdonságokat egy másik szándékhoz vagy entitáshoz, hogy a rendszer megfigyelje és megtanulja rajtuk keresztül.
Entitások a szándékok funkcióiként
Az entitásokat a szándék jelzéseként használhatja. Például egy adott entitás jelenléte a kimondott szövegben megkülönbözteti, hogy melyik szándék alá tartozik.
| Példa kimondott szöveg | Entitás | Szándék |
|---|---|---|
| Foglaljon nekem egy járatot New Yorkba. | Város | Book Flight |
| Foglaljon le a fő konferenciaterembe. | Szoba | Foglalási szoba |
Entitások az entitások funkciójaként
Az entitásokat más entitások jelenlétének jelzéseként is használhatja. Erre gyakori példa egy előre összeállított entitás használata egy másik ML-entitás szolgáltatásaként. Ha egy repülőjegy-foglalási rendszert épít, és a kimondott szöveg úgy néz ki, mint "Foglaljon nekem egy járatot Kairóból Seattle-be", akkor valószínűleg az Origin City és a Destination City lesz ml-entitásként. Célszerű az előre összeállított GeographyV2 entitást mindkét entitáshoz funkcióként használni.
További információ: GeographyV2 entitások referenciacikke.
Az entitásokat más entitások kötelező funkciójaként is használhatja. Ez segít a kinyert entitások megoldásában. Ha például pizzarendelési alkalmazást hoz létre, és rendelkezik egy Size ML entitással, létrehozhatja a SizeList lista entitást, és a Méret entitáshoz szükséges funkcióként használhatja. Az alkalmazás a normalizált értéket adja vissza a kimondott szövegből kinyert entitásként.
További információkért tekintse meg a funkciókat és az előre összeállított entitásokat , hogy többet tudjon meg a kultúrában elérhető előre összeállított entitások megoldásáról.
Entitásokból származó adatok
A legtöbb csevegőrobotnak és alkalmazásnak többre van szüksége, mint a szándék neve. Ez a további, opcionális adat a kimondott szövegben felderített entitásokból származik. Minden entitástípus eltérő információkat ad vissza az egyezésről.
Egy kimondott szövegben egyetlen szó vagy kifejezés több entitásnak is megfelelhet. Ebben az esetben minden egyező entitás a pontszámával lesz visszaadva.
A rendszer minden entitást visszaad a végpont válaszának entitástömbjében
Ajánlott eljárások entitásokhoz
Gépi tanulási entitások használata
A gépi tanult entitások az alkalmazáshoz vannak igazítva, és a sikeres címkézést igénylik. Ha nem gépi tanult entitásokat használ, előfordulhat, hogy nem a megfelelő entitásokat használja.
A gépi tanult entitások más entitásokat is használhatnak funkcióként. Ezek az egyéb entitások lehetnek egyéni entitások, például reguláris kifejezésentitások vagy listaentitások, vagy használhat előre összeállított entitásokat funkciókként.
Ismerje meg a hatékony gépi tanulású entitásokat.