A beszélgetés nyelvfelismerésében használt kifejezések és definíciók
Ebből a cikkből megismerhet néhány definíciót és kifejezést, amelyekkel a beszélgetési nyelv megértése során találkozhat.
Entitás
Az entitások kimondott szövegekben lévő szavak, amelyek egy szándék teljesítéséhez vagy azonosításához használt információkat írják le. Ha az entitás összetett, és azt szeretné, hogy a modell meghatározott részeket azonosítsa, a modellt részegységekre bonthatja. Előfordulhat például, hogy azt szeretné, hogy a modell előre jelezzen egy címet, de az utca, a város, az állam és az irányítószám alhálózatait is.
F1 pontszám
Az F1 pontszám a pontosság és a visszahívás függvénye. Erre akkor van szükség, ha egyensúlyt keres a pontosság és a felidézés között.
Szándék
A szándék egy olyan feladatot vagy műveletet jelöl, amelyet a felhasználó végre szeretne hajtani. Ez egy olyan cél vagy cél, amely egy felhasználó bemenetében van kifejezve, például egy járat foglalása vagy egy számla kifizetése.
Listaentitás
A listaentitás a kapcsolódó szavak rögzített, zárt halmazát jelöli a szinonimáikkal együtt. A listaentitások pontos egyezések, ellentétben a gépi megtanult entitásokkal.
Az entitás előrejelezhető, ha a listaentitásban szerepel egy szó a listában. Ha például van egy "size" nevű listaentitása, és a listában szerepel a "small, medium, large" (kicsi, közepes, nagy) szó, akkor a méretentitást minden olyan kimondott szöveghez előrejelzi a rendszer, amelyben a "small", "medium" vagy "large" szavakat használja a környezettől függetlenül.
Modellezés
A modell egy olyan objektum, amely be van tanítva egy bizonyos feladat elvégzésére, ebben az esetben a beszélgetések megértéséhez. A modellek betanításához címkézett adatokat ad meg, amelyekből tanulhatnak, így később felhasználhatók a kimondott szövegek megértéséhez.
- A modell kiértékelése az a folyamat, amely közvetlenül a betanítás után következik be, hogy megtudja, mennyire teljesít jól a modell.
- Az üzembe helyezés a modell üzembe helyezéshez való hozzárendelésének folyamata, amely az előrejelzési API-val teszi elérhetővé.
Túlillesztés
A túlillesztés akkor történik, ha a modell az adott példákon van javítva, és nem általánosítható jól.
Pontosság
Azt méri, hogy mennyire pontos/pontos a modell. Ez a helyesen azonosított pozitívok (valódi pozitívok) és az összes azonosított pozitív közötti arány. A pontossági metrika megmutatja, hogy az előrejelzett osztályok közül hány megfelelően van címkézve.
Project
A projektek olyan munkaterületek, ahol az adatok alapján egyéni ML-modelleket lehet létrehozni. A projekthez csak Ön és mások férhetnek hozzá, akik hozzáférnek a használt Azure-erőforráshoz.
Recall
A modell tényleges pozitív osztályok előrejelzésének képességét méri. Ez az előrejelzett valódi pozitívok és a ténylegesen címkézett értékek aránya. A visszahívási metrika megmutatja, hogy az előrejelzett osztályok közül hány helyes.
Reguláris kifejezés
A reguláriskifejezés-entitások egy reguláris kifejezést jelölnek. A reguláriskifejezés-entitások pontos egyezések.
Séma
A séma a projekten belüli szándékok és entitások kombinációjaként van definiálva. A sématervezés kulcsfontosságú része a projekt sikerének. Séma létrehozásakor érdemes átgondolni, hogy mely szándékokat és entitásokat kell belefoglalni a projektbe
Betanítási adatok
A betanítási adatok a modellek betanításához szükséges információk.
Beszédelem
A kimondott szöveg olyan felhasználói bevitel, amely egy beszélgetés mondatának rövid szöveges képviselője. Ez egy természetes nyelvi kifejezés, mint például a "könyv 2 jegyet Seattle jövő kedden". Példa kimondott szövegeket ad hozzá a modell betanításához, és a modell futásidőben előrejelzi az új kimondott szövegeket