Tipos de entidades
Importante
O LUIS será aposentado em 1º de outubro de 2025 e a partir de 1º de abril de 2023 você não poderá criar novos recursos do LUIS. Recomendamos migrar seus aplicativos LUIS para o entendimento de linguagem conversacional para se beneficiar do suporte contínuo ao produto e dos recursos multilíngues.
Uma entidade é um item ou um elemento relevante para a intenção do usuário. As entidades definem dados que podem ser extraídos do enunciado e são essenciais para concluir a ação necessária de um usuário. Por exemplo:
| Expressão | Intenção prevista | Entidades extraídas | Explicação |
|---|---|---|---|
| Olá, tudo bem? | Greeting (Saudação) | - | Nada a extrair. |
| Eu quero pedir uma pequena pizza | ordemPizza | 'pequeno' | A entidade «tamanho» é extraída como «pequena». |
| Desligue a luz do quarto | desativação | 'quarto' | A entidade 'quarto' é extraída como 'quarto'. |
| Verificar saldo na minha conta poupança terminando em 4406 | checkBalance | 'poupança', '4406' | A entidade 'accountType' é extraída como 'poupança' e a entidade 'accountNumber' é extraída como '4406'. |
| Compre 3 bilhetes para Nova Iorque | comprarBilhetes | '3', 'Nova Iorque' | A entidade 'ticketsCount' é extraída como '3' e a entidade 'Destination' é extraída como 'New York'. |
As entidades são opcionais, mas recomendadas. Você não precisa criar entidades para cada conceito em seu aplicativo, apenas quando:
- O aplicativo cliente precisa dos dados, ou
- A entidade atua como uma dica ou sinal para outra entidade ou intenção. Para saber mais sobre entidades como Recursos, vá para Entidades como recursos.
Tipos de entidades
Para criar uma entidade, tem de lhe dar um nome e um tipo. Existem vários tipos de entidades no LUIS.
Entidade de lista
Uma entidade de lista representa um conjunto fixo e fechado de palavras relacionadas, juntamente com seus sinônimos. Você pode usar entidades de lista para reconhecer vários sinônimos ou variações e extrair uma saída normalizada para elas. Use a opção recomendar para ver sugestões de novas palavras com base na lista atual.
Uma entidade de lista não é aprendida por máquina, o que significa que o LUIS não descobre mais valores para entidades de lista. O LUIS marca qualquer correspondência com um item em qualquer lista como uma entidade na resposta.
As entidades da lista de correspondência diferenciam maiúsculas de minúsculas e têm de ser uma correspondência exata. Os valores normalizados também são usados ao corresponder à entidade da lista. Por exemplo:
| Valor normalizado | Sinónimos |
|---|---|
| Pequena | sm, sml, tiny, smallest |
| Médio | md, mdm, regular, average, middle |
| Grande | lg, lrg, big |
Consulte o artigo de referência da lista de entidades para obter mais informações.
Entidade Regex
Uma entidade de expressão regular extrai uma entidade com base em um padrão de expressão regular fornecido. Ignora o caso e ignora a variante cultural. As entidades de expressão regular são melhores para texto estruturado ou uma sequência predefinida de valores alfanuméricos esperados em um determinado formato. Por exemplo:
| Entidade | Regular expression | Exemplo |
|---|---|---|
| Número de Voo | flight [A-Z]{2} [0-9]{4} |
flight AS 1234 |
| Número do Cartão de Crédito | [0-9]{16} |
5478789865437632 |
Consulte o artigo de referência de entidades regex para obter mais informações.
Entidades pré-criadas
O LUIS inclui um conjunto de entidades pré-construídas para reconhecer tipos comuns de informações, como datas, horas, números, medições e moeda. O suporte a entidades pré-criadas varia de acordo com a cultura do seu aplicativo LUIS. Para obter uma lista completa das entidades pré-construídas que o LUIS suporta, incluindo suporte por cultura, consulte a referência de entidade pré-construída.
Quando uma entidade pré-criada é incluída em seu aplicativo, suas previsões são incluídas em seu aplicativo publicado. O comportamento de entidades pré-construídas é pré-treinado e não pode ser modificado.
| Entidade pré-construída | Valor de exemplo |
|---|---|
| Nome da Pessoa | Tiago, Bill, Tom |
| DatatimeV2 | 2019-05-02, May 2nd, 8am on May 2nd 2019 |
Consulte o artigo de referência de entidades pré-criadas para obter mais informações.
Padrão.Qualquer entidade
Um padrão. Qualquer entidade é um espaço reservado de comprimento variável usado apenas na emissão de modelo de um padrão para marcar onde a entidade começa e termina. Segue uma regra ou padrão específico e é melhor utilizado para sentenças com estrutura lexical fixa. Por exemplo:
| Expressão de exemplo | Padrão | Entidade |
|---|---|---|
| Posso comer um hambúrguer por favor? | Can I have a {meal} [please][?] |
hambúrguer |
| Posso comer uma pizza? | Can I have a {meal} [please][?] |
pizza |
| Onde posso encontrar O Grande Gatsby? | Where can I find {bookName}? |
O Grande Gatsby |
Consulte o artigo de referência Pattern.Any entities para obter mais informações.
Entidade de aprendizado de máquina (ML)
A entidade aprendida por máquina usa o contexto para extrair entidades com base em exemplos rotulados. É a entidade preferida para a construção de aplicações LUIS. Ele depende de algoritmos de aprendizado de máquina e requer que a rotulagem seja adaptada ao seu aplicativo com sucesso. Use uma entidade de ML para identificar dados que nem sempre estão bem formatados, mas têm o mesmo significado.
| Expressão de exemplo | Entidade do produto extraído |
|---|---|
| Quero comprar um livro. | 'livro' |
| Posso adquirir estes sapatos por favor? | 'Sapatos' |
| Adicione esses calções ao meu cesto. | 'Calções' |
Consulte Entidades aprendidas por máquina para obter mais informações.
Entidade de ML com Estrutura
Uma entidade de ML pode ser composta por subentidades menores, cada uma das quais pode ter suas próprias propriedades. Por exemplo, uma entidade Address pode ter a seguinte estrutura:
- Endereço: 4567 Main Street, NY, 98052, EUA
- Número do edifício: 4567
- Nome da rua: Main Street
- Estado: NY
- CEP: 98052
- País: EUA
Criação de entidades de ML eficazes
Para criar entidades de aprendizado de máquina de forma eficaz, siga estas práticas recomendadas:
- Se você tiver uma entidade de aprendizado de máquina com subentidades, certifique-se de que as diferentes ordens e variantes da entidade e subentidades sejam apresentadas nos enunciados rotulados. Os enunciados de exemplo rotulados devem incluir todas as formas válidas e incluir entidades que aparecem e estão ausentes e também reordenadas dentro do enunciado.
- Evite sobreajustar as entidades a um conjunto fixo. O overfitting acontece quando o modelo não generaliza bem e é um problema comum em modelos de aprendizado de máquina. Isso implica que o aplicativo não funcionaria em novos tipos de exemplos adequadamente. Por sua vez, você deve variar os enunciados de exemplo rotulados para que o aplicativo possa generalizar além dos exemplos limitados que você fornece.
- Sua rotulagem deve ser consistente em todos os propósitos. Isso inclui até mesmo expressões que você fornece na intenção Nenhuma que inclui essa entidade. Caso contrário, o modelo não será capaz de determinar as sequências de forma eficaz.
Entidades como recursos
Outra função importante das entidades é usá-las como características ou traços distintivos para outras intenções ou entidades para que seu sistema observe e aprenda através delas.
Entidades como recursos para intenções
Você pode usar entidades como um sinal para uma intenção. Por exemplo, a presença de uma determinada entidade no enunciado pode distinguir em qual intenção ele se enquadra.
| Expressão de exemplo | Entidade | Intenção |
|---|---|---|
| Reserve-me um voo para Nova York. | City | Reservar Voo |
| Reserve-me a sala de conferências principal. | Sala | Quarto Reserve |
Entidades como recurso para entidades
Você também pode usar entidades como um indicador da presença de outras entidades. Um exemplo comum disso é o uso de uma entidade pré-criada como um recurso para outra entidade de ML. Se você estiver construindo um sistema de reserva de voos e sua declaração parecer "Reserve um voo do Cairo para Seattle", provavelmente terá a Cidade de Origem e a Cidade de Destino como entidades de ML. Uma boa prática seria usar a entidade GeographyV2 pré-construída como um recurso para ambas as entidades.
Para obter mais informações, consulte o artigo de referência de entidades GeographyV2.
Você também pode usar entidades como recursos necessários para outras entidades. Isso ajuda na resolução de entidades extraídas. Por exemplo, se você estiver criando um aplicativo de pedido de pizza e tiver uma entidade Size ML, poderá criar uma entidade de lista SizeList e usá-la como um recurso necessário para a entidade Size. Seu aplicativo retornará o valor normalizado como a entidade extraída do enunciado.
Consulte recursos para obter mais informações e entidades pré-criadas para saber mais sobre a resolução de entidades pré-criadas disponíveis em sua cultura.
Dados de entidades
A maioria dos chatbots e aplicativos precisa de mais do que o nome da intenção. Esses dados adicionais opcionais vêm de entidades descobertas no enunciado. Cada tipo de entidade retorna informações diferentes sobre a correspondência.
Uma única palavra ou frase em um enunciado pode corresponder a mais de uma entidade. Nesse caso, cada entidade correspondente é retornada com sua pontuação.
Todas as entidades são retornadas na matriz de entidades da resposta do ponto de extremidade
Melhores práticas para entidades
Usar entidades de aprendizado de máquina
As entidades aprendidas por máquina são adaptadas ao seu aplicativo e exigem que a rotulagem seja bem-sucedida. Se você não estiver usando entidades aprendidas por máquina, talvez esteja usando as entidades erradas.
As entidades aprendidas por máquina podem usar outras entidades como recursos. Essas outras entidades podem ser entidades personalizadas, como entidades de expressão regular ou entidades de lista, ou você pode usar entidades pré-criadas como recursos.
Saiba mais sobre entidades eficazes de aprendizado de máquina.