Edit Skema linguistik T&J dan tambahkan frasa di Power BI Desktop
Sangat kuat untuk menggunakan frasa umum dan bahasa alami untuk mengajukan pertanyaan tentang data Anda. Ini bahkan lebih kuat ketika data Anda menjawab. Saat Anda mengajukan pertanyaan ke Tanya Jawab Power BI, itu membuat upaya terbaik untuk menjawab dengan benar. Anda dapat mengedit skema linguistik untuk meningkatkan jawaban Tanya Jawab untuk interaksi yang lebih baik.
Semuanya dimulai dengan data perusahaan Anda. Semakin baik model data, semakin mudah bagi pengguna untuk mendapatkan jawaban berkualitas. Salah satu cara untuk meningkatkan model adalah dengan menambahkan skema linguistik yang menentukan dan mengategorikan terminologi dan hubungan antara nama tabel dan kolom dalam himpunan data Anda. Power BI Desktop adalah tempat Anda mengelola skema linguistik Anda.
Ada dua sisi untuk Tanya Jawab. Sisi pertama adalah persiapan, atau pemodelan. Sisi kedua adalah mengajukan pertanyaan dan menjelajahi data, atau menggunakannya. Di beberapa perusahaan, karyawan yang dikenal sebagai pemodel data atau admin TI mungkin yang merakit himpunan data, membuat model data, dan menerbitkan himpunan data ke Power BI. Sekumpulan karyawan yang berbeda adalah karyawan yang "menggunakan" data secara online. Di perusahaan lain, peran ini mungkin digabungkan.
Artikel ini untuk pemodel data, orang-orang yang mengoptimalkan himpunan data untuk memberikan hasil Tanya Jawab semaksimal mungkin.
Apa itu skema linguistik?
Skema linguistik menjelaskan istilah dan frasa yang harus dipahami tanya jawab untuk objek dalam himpunan data, termasuk bagian ucapan, sinonim, dan frasa. Saat Anda mengimpor atau menyambungkan ke himpunan data, Power BI membuat skema linguistik berdasarkan struktur himpunan data. Saat Anda mengajukan pertanyaan tanya jawab, ia mencari kecocokan dan hubungan dalam data untuk mencari tahu niat pertanyaan Anda. Misalnya, ia mencari kata benda, kata kerja, kata sifat, frasa, dan elemen lainnya. Dan mencari hubungan, seperti kolom mana yang merupakan objek kata kerja.
Anda mungkin terbiasa dengan bagian ucapan, tetapi pembuatan frasa mungkin merupakan istilah baru. Frasa adalah bagaimana Anda berbicara tentang (atau frasa) hubungan antara berbagai hal. Misalnya, untuk menggambarkan hubungan antara pelanggan dengan produk, Anda mungkin mengatakan "pelanggan membeli produk". Atau untuk menggambarkan hubungan antara pelanggan dengan usia, Anda mungkin mengatakan "usia menunjukkan berapa usia pelanggan". Atau untuk menjelaskan hubungan antara pelanggan dan nomor telepon, Anda mungkin mengatakan "pelanggan memiliki nomor telepon".
Frasa ini hadir dalam banyak bentuk dan ukuran. Beberapa sesuai langsung dengan hubungan dalam model data. Beberapa menghubungkan kolom dengan tabel yang berisi. Yang lain menghubungkan beberapa tabel dan kolom bersama-sama dalam hubungan yang kompleks. Dalam semua kasus, mereka menjelaskan bagaimana hal-hal terkait dengan menggunakan istilah sehari-hari.
Skema linguistik disimpan dalam format .yaml. Format ini terkait dengan format JSON populer tetapi menyediakan sintaks yang lebih fleksibel dan lebih mudah dibaca. Skema linguistik dapat diedit, diekspor, dan diimpor ke Power BI Desktop.
Prasyarat
- Lihat Praktik terbaik untuk mengoptimalkan Tanya Jawab Umum di Power BI untuk mempelajari tentang tips merancang dan meningkatkan model data Anda. Ini menyediakan bagian penting tentang menambahkan sinonim.
- Unduh sampel file .yaml dan .pbix.
- Instal editor file .yaml. Kami merekomendasikan Visual Studio Code.
Menyiapkan editor untuk file .yaml
Sebaiknya gunakan Visual Studio Code untuk mengedit file .yaml skema linguistik. Visual Studio Code menyertakan dukungan out-of-the-box untuk file .yaml dan dapat diperluas untuk secara khusus memvalidasi format skema linguistik Power BI.
Instal Visual Studio Code.
Klik kanan file .yaml dalam sampel skema linguistik yang Anda simpan sebelumnya: QnALinguisticSchema.zip.
Pilih Buka dengan>Pilih aplikasi lain.
Pilih Visual Studio Code lalu pilih Selalu.
Di Visual Studio Code, instal dukungan YAML oleh ekstensi Red Hat.
- Pilih tab Ekstensi (yang terakhir di menu sebelah kiri) atau CTRL+SHIFT+X.
- Cari "yaml" dan pilih Dukungan YAML oleh Red Hat dalam daftar.
- Pilih Instal > Muat Ulang.
Bekerja dengan skema linguistik
Ada dua cara untuk bekerja dengan skema linguistik. Salah satu caranya adalah dengan mengedit, mengimpor, dan mengekspor .yaml dari pita di Power BI Desktop. Cara itu tercakup dalam artikel Pengalaman Alat Tanya Jawab Power BI. Anda tidak perlu membuka file .yaml untuk meningkatkan Tanya Jawab Umum.
Cara lain untuk mengedit skema linguistik adalah dengan mengekspor dan mengedit file .yaml secara langsung. Saat Anda mengedit file .yaml skema linguistik, Anda menandai kolom dalam tabel sebagai elemen tata bahasa yang berbeda dan menentukan kata-kata yang mungkin digunakan kolega untuk menyusun pertanyaan. Misalnya, Anda menyatakan kolom yang merupakan subjek dan objek kata kerja. Anda menambahkan kata alternatif yang dapat digunakan kolega untuk merujuk ke tabel, kolom, dan pengukuran dalam model Anda.
Sebelum dapat mengedit skema linguistik, Anda harus membuka (mengekspornya) dari Power BI Desktop. Menyimpan file .yaml kembali ke lokasi yang sama dianggap mengimpor. Tetapi Anda juga dapat mengimpor file .yaml lainnya sebagai gantinya. Jika misalnya, Anda memiliki himpunan data serupa dan Anda telah bekerja menambahkan bagian ucapan, mengidentifikasi hubungan, membuat frasa, dan membuat sinonim, Anda dapat menggunakan file .yaml tersebut dalam file Power BI Desktop yang berbeda.
Tanya Jawab menggunakan semua informasi ini bersama dengan penyempurnaan apa pun yang Anda buat untuk memberikan jawaban yang lebih baik, penyelesaian otomatis, dan ringkasan pertanyaan.
Memperbarui Skema Linguistik
Saat Anda pertama kali mengekspor skema linguistik dari Power BI Desktop, sebagian besar atau semua konten dalam file secara otomatis dihasilkan oleh mesin Tanya Jawab. Entitas, kata (sinonim), hubungan, dan frasa yang dihasilkan ini ditetapkan dengan tag Status: Dihasilkan. Mereka termasuk dalam file sebagian besar untuk tujuan informasi tetapi dapat menjadi titik awal yang berguna untuk perubahan Anda sendiri.
Catatan
Contoh file .yaml yang disertakan dengan tutorial ini tidak berisi State: Generated atau State: Deleted tags karena disiapkan khusus untuk tutorial ini. Untuk melihat tag ini, buka file .pbix yang tidak diedit dalam tampilan Hubungan dan ekspor skema linguistik.
Saat Anda mengimpor file skema linguistik Anda kembali ke Power BI Desktop, apa pun yang ditandai Status: Dihasilkan diabaikan dan kemudian diregenerasi. Dengan demikian, jika Anda ingin mengubah beberapa konten yang dihasilkan, hapus tag Status: Dihasilkan yang sesuai. Demikian pula, jika Anda ingin menghapus beberapa konten yang dihasilkan, ubah tag Status: Dihasilkan ke Status: Dihapus sehingga tidak dihasilkan ulang saat Anda mengimpor file skema linguistik Anda.
Ekspor, lalu impor file .yaml
Di Power BI Desktop, buka himpunan data dalam tampilan Model.
Pada tab Pemodelan, pilih Skema> Linguistik Ekspor skema linguistik.
Menyimpan. Nama file berakhir dengan .lsdl.yaml.
Buka di Visual Code atau editor lain.
Dalam tampilan Model di Power BI Desktop, pada tab Pemodelan, pilih Impor skema>Linguistik.
Buka lokasi tempat Anda menyimpan file .yaml yang diedit dan pilih. Pesan Berhasil memungkinkan Anda mengetahui bahwa file .yaml skema linguistik berhasil diimpor.
Frasa dalam skema linguistik
Frasa adalah bagaimana Anda berbicara tentang (atau frasa) hubungan antara berbagai hal. Misalnya, untuk menggambarkan hubungan antara pelanggan dengan produk, Anda mungkin mengatakan "pelanggan membeli produk".
Dari mana asal frasa?
Power BI menambahkan banyak penyusunan frasa sederhana ke skema linguistik secara otomatis berdasarkan struktur model dan tebakan berdasarkan nama kolom. Misalnya:
- Sebagian besar kolom terkait dengan tabel yang berisi dengan frasa sederhana, seperti "produk memiliki deskripsi".
- Hubungan model menghasilkan frasa default untuk kedua arah hubungan, seperti "pesanan memiliki produk" dan "produk memiliki pesanan".
- Berdasarkan nama kolomnya, beberapa hubungan model dapat memiliki penyusunan frasa default yang lebih kompleks, seperti "pesanan dikirim ke kota".
Namun, pengguna Anda terkadang berbicara tentang hal-hal dengan cara yang tidak dapat ditebak oleh Tanya Jawab. Oleh karena itu, Anda mungkin ingin menambahkan frasa Anda sendiri secara manual.
Mengapa menambahkan frasa?
Alasan pertama untuk menambahkan frasa adalah untuk menentukan istilah baru. Misalnya, jika Anda ingin dapat bertanya "daftar pelanggan tertua", Anda harus terlebih dahulu mengajari Tanya Jawab Apa yang Anda maksud dengan "lama". Anda akan melakukannya dengan menambahkan frasa seperti "usia menunjukkan berapa usia pelanggan".
Alasan kedua untuk menambahkan frasa adalah untuk mengatasi ambiguitas. Pencarian kata kunci dasar hanya berjalan sejauh ini ketika kata-kata memiliki lebih dari satu arti. Misalnya, "penerbangan ke Chicago" tidak sama dengan "penerbangan dari Chicago". Tetapi Tanya Jawab Tidak akan tahu mana yang Anda maksud kecuali Anda menambahkan frasa "penerbangan berasal dari kota keberangkatan" dan "penerbangan adalah ke kota kedatangan". Demikian pula, Tanya Jawab Hanya akan memahami perbedaan antara "mobil yang dijual John kepada Mary" dan "mobil yang dibeli John dari Mary" setelah Anda menambahkan frasa "pelanggan membeli mobil dari karyawan" dan "karyawan menjual mobil pelanggan."
Alasan terakhir untuk menambahkan frasa adalah untuk meningkatkan pernyataan ulang. Daripada Tanya Jawab menggema kembali kepada Anda "Tunjukkan pelanggan dan produk mereka", akan lebih jelas jika dikatakan "Tunjukkan pelanggan dan produk yang mereka beli" atau "Tunjukkan pelanggan dan produk yang mereka tinjau", tergantung pada bagaimana hal itu memahami pertanyaan. Menambahkan frasa khusus memungkinkan pernyataan ulang menjadi lebih eksplisit dan tidak ambigu.
Jenis frasa
Untuk memahami berbagai jenis frasa, Anda harus terlebih dahulu mengingat beberapa istilah tata bahasa dasar:
- Kata benda berarti seseorang, tempat, atau apalah. Contoh: mobil, remaja, Marty, kapasitor fluks
- Kata kerja berarti tindakan atau status sedang bertindak. Contoh: menetas, meledak, melahap, mengeluarkan
- Kata sifat berarti kata deskriptif yang mengubah kata benda. Contoh: kuat, ajaib, emas, dicuri
- Kata depan adalah kata yang digunakan sebelum kata benda untuk menghubungkannya dengan Contoh kata benda, kata kerja, atau kata sifat sebelumnya: dari, untuk, di dekat, dari
- Atribut berarti kualitas atau fitur sesuatu.
- Nama berarti kata atau sekumpulan kata yang seseorang, hewan, tempat, atau sesuatu dikenal atau disebut.
Frasa atribut
Pembuatan frasa atribut adalah pekerja tanya jawab. Mereka digunakan ketika satu hal bertindak sebagai atribut dari hal lain. Ini sederhana, mudah, dan melakukan sebagian besar pengangkatan berat ketika Anda belum menentukan frasa yang lebih halus dan lebih rinci. Penyusunan frasa atribut dijelaskan menggunakan kata kerja dasar "have" ("products have categories" dan "host countries/regions have host cities"). Mereka juga secara otomatis mengizinkan pertanyaan dengan preposisi "dari" dan "untuk" ("kategori produk" atau "pesanan untuk produk") dan posesif ("pesanan John"). Frasa atribut digunakan dalam pertanyaan semacam ini:
- Pelanggan mana yang memiliki pesanan?
- Mencantumkan kota host menurut naik negara/wilayah
- Tampilkan pesanan yang memiliki chai
- Cantumkan pelanggan dengan pesanan
- Apa kategori setiap produk?
- Hitung pesanan Robert King
Power BI menghasilkan sebagian besar pembuatan frasa atribut yang diperlukan dalam model Anda berdasarkan penahanan tabel atau kolom dan hubungan model. Biasanya, Anda tidak perlu membuatnya sendiri. Berikut adalah contoh bagaimana frasa atribut terlihat di dalam skema linguistik:
product_has_category:
Binding: {Table: Products}
Phrasings:
- Attribute: {Subject: product, Object: product.category}
Frasa Nama
Pembuatan frasa nama sangat membantu jika model data Anda memiliki tabel yang berisi objek bernama, seperti nama atlet atau nama pelanggan. Misalnya, frasa "nama produk adalah nama produk" sangat penting untuk dapat menggunakan nama produk dalam pertanyaan. Frasa nama juga memungkinkan "bernama" sebagai kata kerja (misalnya, "Daftar pelanggan bernama John Smith"). Namun, paling penting ketika digunakan dalam kombinasi dengan frasa lain. Ini memungkinkan nilai nama digunakan untuk merujuk ke baris tabel tertentu. Misalnya, dalam "Pelanggan yang membeli chai", Tanya Jawab dapat memberi tahu nilai "chai" mengacu pada seluruh baris tabel produk daripada hanya nilai di kolom nama produk. Frasa nama digunakan dalam pertanyaan semacam ini:
- Karyawan mana yang bernama Robert King
- Siapa yang bernama Ernst Handel
- Olahraga Fernand De Montigny
- Hitung atlet bernama Maria
- Apa yang Robert King beli?
Dengan asumsi Anda menggunakan konvensi penamaan yang masuk akal untuk kolom nama dalam model Anda (misalnya, "Nama" atau "ProductName" daripada "PrdNm"), Power BI menghasilkan sebagian besar pembuatan frasa nama yang diperlukan dalam model Anda secara otomatis. Anda biasanya tidak perlu membuatnya sendiri.
Berikut adalah contoh bagaimana frasa nama terlihat di dalam skema linguistik:
employee_has_name:
Binding: {Table: Employees}
Phrasings:
- Name:
Subject: employee
Name: employee.name
Frasa kata sifat
Pembuatan frasa kata sifat menentukan kata sifat baru yang digunakan untuk menjelaskan hal-hal dalam model Anda. Misalnya, "pelanggan yang senang adalah pelanggan di mana peringkat > 6" frasa diperlukan untuk mengajukan pertanyaan seperti "mencantumkan pelanggan bahagia di Des Moines." Ada beberapa bentuk pembuatan frasa kata sifat untuk digunakan dalam situasi yang berbeda.
Penyusunan frasa kata sifat sederhana mendefinisikan kata sifat baru berdasarkan kondisi, seperti "produk yang dihentikan adalah produk di mana status = D." Frasa kata sifat sederhana digunakan dalam pertanyaan semacam ini:
- Produk mana yang dihentikan?
- Cantumkan produk yang dihentikan
- Daftar peraih medali emas
- Produk yang diurutkan kembali
Berikut adalah contoh bagaimana frasa kata sifat sederhana terlihat di dalam skema linguistik:
product_is_discontinued:
Binding: {Table: Products}
Conditions:
- Target: product.discontinued
Operator: Equals
Value: true
Phrasings:
- Adjective:
Subject: product
Adjectives: [discontinued]
Pembuatan frasa kata sifat pengukuran mendefinisikan kata sifat baru berdasarkan nilai numerik yang menunjukkan sejauh mana kata sifat berlaku, seperti "panjang menunjukkan berapa lama sungai" dan "negara/wilayah kecil memiliki area lahan kecil." Pembuatan frasa kata sifat pengukuran digunakan dalam pertanyaan semacam ini:
- Cantumkan sungai yang panjang
- Sungai mana yang terpanjang?
- Daftar negara/wilayah terkecil yang memenangkan emas dalam bola basket
- Berapa panjang Rio Grande?
Berikut adalah contoh bagaimana frasa kata sifat pengukuran terlihat di dalam skema linguistik:
river_has_length:
Binding: {Table: Rivers}
Phrasings:
- Adjective:
Subject: river
Adjectives: [long]
Antonyms: [short]
Measurement: river.length
Pembuatan frasa kata sifat dinamis menentukan sekumpulan kata sifat baru berdasarkan nilai dalam kolom dalam model, seperti "warna menggambarkan produk" dan "peristiwa memiliki jenis kelamin peristiwa." Pembuatan frasa kata sifat dinamis digunakan dalam pertanyaan semacam ini:
- Cantumkan produk berwarna merah
- Produk mana yang berwarna hijau?
- Tampilkan acara skating untuk wanita
- Hitung masalah yang aktif
Berikut adalah contoh bagaimana frasa kata sifat dinamis terlihat di dalam skema linguistik:
product_has_color:
Binding: {Table: Products}
Phrasings:
- DynamicAdjective:
Subject: product
Adjective: product.color
Frasa kata benda
Frasa kata benda menentukan kata benda baru yang menjelaskan subset hal-hal dalam model Anda. Frasa tersebut sering mencantumkan beberapa jenis pengukuran atau kondisi khusus model. Misalnya, untuk model kita, kita mungkin ingin menambahkan frasa yang membedakan juara dari peraih medali, olahraga darat dari olahraga air, tim versus individu, atau kategori usia atlet (remaja, dewasa, senior). Untuk database film kami, kami mungkin ingin menambahkan penyusunan frasa kata benda untuk "flops adalah film di mana laba bersih < 0" sehingga kami dapat mengajukan pertanyaan seperti "hitung flops per tahun." Ada dua bentuk penyusunan frasa kata benda untuk digunakan dalam situasi yang berbeda.
Penyusunan frasa kata benda sederhana mendefinisikan kata benda baru berdasarkan kondisi, seperti "kontraktor adalah karyawan di mana penuh waktu = salah" dan "juara adalah atlet di mana jumlah medali >5." Penyusunan frasa kata benda sederhana digunakan dalam pertanyaan semacam ini:
- Karyawan mana yang merupakan kontraktor?
- Hitung kontraktor di Portland
- Berapa banyak juara pada tahun 2016
Berikut adalah contoh bagaimana frasa kata benda sederhana terlihat di dalam skema linguistik:
employee_is_contractor:
Binding: {Table: Employees}
Conditions:
- Target: employee.full_time
Operator: Equals
Value: false
Phrasings:
- Noun:
Subject: employee
Nouns: [contractor]
Penyusunan frasa kata benda dinamis menentukan sekumpulan kata benda baru berdasarkan nilai dalam kolom dalam model, seperti "pekerjaan menentukan subset karyawan." Frasa kata benda dinamis digunakan dalam pertanyaan semacam ini:
- Daftar kasir di Chicago
- Karyawan mana yang merupakan barista?
- Daftar wasit pada tahun 1992
Berikut adalah contoh bagaimana penyusunan frasa kata benda dinamis terlihat di dalam skema linguistik:
employee_has_job:
Binding: {Table: Employees}
Phrasings:
- DynamicNoun:
Subject: employee
Noun: employee.job
Frasa kata depan
Frasa kata depan digunakan untuk menjelaskan bagaimana hal-hal dalam model Anda terkait melalui kata depan. Misalnya, frasa "kota berada di negara/wilayah" meningkatkan pemahaman tentang pertanyaan seperti "menghitung kota di Washington." Beberapa frasa kata depan dibuat secara otomatis saat kolom dikenali sebagai entitas geografis. Frasa kata depan digunakan dalam pertanyaan semacam ini:
- Hitung pelanggan di New York
- Daftar buku tentang linguistik
- Di kota mana Robert King berada?
- Berapa banyak buku karya Stephen Pinker?
Berikut adalah contoh bagaimana penyusunan frasa preposisi terlihat di dalam skema linguistik:
customers_are_in_cities:
Binding: {Table: Customers}
Phrasings:
- Preposition:
Subject: customer
Prepositions: [in]
Object: customer.city
Frasa kata kerja
Frasa kata kerja digunakan untuk menjelaskan bagaimana hal-hal dalam model Anda terkait melalui kata kerja. Misalnya, frasa "pelanggan membeli produk" meningkatkan pemahaman tentang pertanyaan seperti "siapa yang membeli keju?" dan "apa yang John beli?" Frasa kata kerja adalah yang paling fleksibel dari semua jenis frasa, sering kali berkaitan dengan lebih dari dua hal satu sama lain, seperti "karyawan menjual produk pelanggan." Frasa kata kerja digunakan dalam pertanyaan semacam ini:
- Siapa yang menjual apa kepada siapa?
- Karyawan mana yang menjual chai kepada John?
- Berapa banyak pelanggan yang Mary menjual chai ke mereka?
- Cantumkan produk yang dijual Mary kepada John.
- Produk yang dihentikan mana yang dijual kepada pelanggan Chicago oleh karyawan Boston?
Frasa kata kerja juga dapat berisi frasa preposisial, sehingga menambah fleksibilitas mereka, seperti "atlet memenangkan medali di kompetisi" atau "pelanggan diberikan pengembalian dana untuk produk." Frasa kata kerja dengan frasa kata depan digunakan dalam pertanyaan semacam ini:
- Berapa banyak atlet yang memenangkan medali emas di Visa Championships?
- Pelanggan mana yang menerima pengembalian dana keju?
- Di kompetisi mana Danell Leyva memenangkan medali perunggu?
Beberapa frasa kata kerja dibuat secara otomatis ketika kolom dikenali berisi kata kerja dan kata depan.
Berikut adalah contoh bagaimana frasa kata kerja terlihat di dalam skema linguistik:
customers_buy_products_from_salespeople:
Binding: {Table: Orders}
Phrasings:
- Verb:
Subject: customer
Verbs: [buy, purchase]
Object: product
PrepositionalPhrases:
- Prepositions: [from]
Object: salesperson
Hubungan dengan beberapa frasa
Sering kali, satu hubungan dapat dijelaskan dengan lebih dari satu cara. Dalam hal ini, satu hubungan dapat memiliki lebih dari satu frasa. Adalah umum bagi hubungan antara entitas tabel dan entitas kolom untuk memiliki pembuatan frasa atribut dan frasa lain. Misalnya, dalam hubungan antara nama pelanggan dan pelanggan, Anda akan menginginkan pembuatan frasa atribut (misalnya, "pelanggan memiliki nama") dan penyusunan frasa nama (misalnya, "nama pelanggan adalah nama pelanggan"), sehingga Anda dapat mengajukan kedua jenis pertanyaan.
Berikut adalah contoh bagaimana hubungan dengan dua frasa terlihat di dalam skema linguistik:
customer_has_name:
Binding: {Table: Customers}
Phrasings:
- Attribute: {Subject: customer, Object: customer.name}
- Name:
Subject: customer
Object: customer.name
Contoh lain adalah menambahkan frasa alternatif "karyawan menjual produk pelanggan" ke hubungan "pelanggan membeli produk dari karyawan". Anda tidak perlu menambahkan variasi seperti "karyawan menjual produk kepada pelanggan" atau "produk dijual kepada pelanggan oleh karyawan" karena variasi "oleh" dan "ke" subjek dan objek tidak langsung disimpulkan secara otomatis oleh Tanya Jawab Umum.
Pertimbangan dan pemecahan masalah
Jika Anda membuat perubahan pada file .lsdl.yaml yang tidak sesuai dengan format skema linguistik, squiggle validasi menunjukkan masalah:
Ada pertanyaan lagi? Tanyakan kepada Komunitas Power BI