Tipos de entidade
Importante
O LUIS será descontinuado a 1 de outubro de 2025 e a partir de 1 de abril de 2023 não poderá criar novos recursos do LUIS. Recomendamos que migre as suas aplicações LUIS para a compreensão de linguagem de conversação para beneficiar do suporte contínuo do produto e das capacidades multilingues.
Uma entidade é um item ou um elemento relevante para a intenção do utilizador. As entidades definem dados que podem ser extraídos da expressão e são essenciais para concluir a ação necessária de um utilizador. Por exemplo:
| Expressão | Intenção prevista | Entidades extraídas | Explicação |
|---|---|---|---|
| Olá, como está? | Saudação | - | Nada para extrair. |
| Quero pedir uma pizza pequena. | orderPizza | "pequeno" | A entidade "Tamanho" é extraída como "pequena". |
| Desativar a luz do quarto | turnOff | 'quarto' | A entidade "Sala" é extraída como "quarto". |
| Verificar o saldo na minha conta poupança que termina em 4406 | checkBalance | "poupança", "4406" | A entidade "accountType" é extraída como "poupança" e a entidade "accountNumber" é extraída como "4406". |
| Comprar 3 bilhetes para Nova Iorque | buyTickets | '3', 'Nova Iorque' | A entidade "ticketsCount" é extraída como "3" e a entidade "Destination" é extraída como "Nova Iorque". |
As entidades são opcionais, mas recomendadas. Não precisa de criar entidades para cada conceito na sua aplicação, apenas quando:
- A aplicação cliente precisa dos dados ou
- A entidade atua como uma sugestão ou sinal para outra entidade ou intenção. Para saber mais sobre entidades como Funcionalidades, aceda a Entidades como funcionalidades.
Tipos de entidade
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 os seus sinónimos. Pode utilizar entidades de lista para reconhecer múltiplos sinónimos ou variações e extrair uma saída normalizada para as mesmas. Utilize a opção recomendada para ver sugestões de novas palavras com base na lista atual.
Uma entidade de lista não é aprendida por computador, o que significa que o LUIS não detetou mais valores para entidades de lista. O LUIS marca qualquer correspondência com um item em qualquer lista como uma entidade na resposta.
As entidades de lista correspondentes são sensíveis às maiúsculas e minúsculas e têm de ser uma correspondência exata. Os valores normalizados também são utilizados quando correspondem à entidade de lista. Por exemplo:
| Valor normalizado | Sinónimos |
|---|---|
| Pequeno | sm, sml, tiny, smallest |
| Médio | md, mdm, regular, average, middle |
| Grande | lg, lrg, big |
Veja o artigo de referência de entidades de lista para obter mais informações.
Entidade Regex
Uma entidade de expressão regular extrai uma entidade com base num padrão de expressão regular que fornece. Ignora o caso e ignora a variante cultural. As entidades de expressão regular são as melhores para texto estruturado ou uma sequência predefinida de valores alfanuméricos esperados num determinado formato. Por exemplo:
| Entidade | Expressão regular | Exemplo |
|---|---|---|
| Número de Voo | flight [A-Z]{2} [0-9]{4} |
flight AS 1234 |
| Número do Cartão de Crédito | [0-9]{16} |
5478789865437632 |
Veja o artigo de referência de entidades regex para obter mais informações.
Entidades pré-criadas
O LUIS inclui um conjunto de entidades pré-criadas para reconhecer tipos comuns de informações, como datas, horas, números, medidas e moeda. O suporte de entidades pré-criadas varia consoada com a cultura da sua aplicação LUIS. Para obter uma lista completa das entidades pré-criadas que o LUIS suporta, incluindo o suporte por cultura, veja a referência de entidade pré-criada.
Quando uma entidade pré-criada é incluída na sua aplicação, as predições são incluídas na sua aplicação publicada. O comportamento das entidades pré-criadas é pré-preparado e não pode ser modificado.
| Entidade pré-criada | Valor de exemplo |
|---|---|
| PersonName | James, Bill, Tom |
| DatetimeV2 | 2019-05-02, May 2nd, 8am on May 2nd 2019 |
Veja o artigo de referência de entidades pré-criadas para obter mais informações.
Pattern.Qualquer entidade
Um padrão. Qualquer entidade é um marcador de posição de comprimento variável utilizado apenas na expressão de modelo de um padrão para marcar onde a entidade começa e termina. Segue uma regra ou padrão específico e é mais utilizado para frases 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 |
Veja o artigo Referência de entidades Pattern.Any para obter mais informações.
Entidade machine learned (ML)
A entidade machine learned utiliza o contexto para extrair entidades com base em exemplos etiquetados. É a entidade preferencial para a criação de aplicações LUIS. Baseia-se em algoritmos de machine learning e requer que a etiquetagem seja adaptada à sua aplicação com êxito. Utilize uma entidade ML para identificar dados que nem sempre estão bem formatados, mas que têm o mesmo significado.
| Expressão de exemplo | Entidade de produto extraída |
|---|---|
| Quero comprar um livro. | 'livro' |
| Posso comprar estes sapatos, por favor? | 'sapatos' |
| Adicione os calções ao meu cesto. | 'calções' |
Veja Entidades aprendidas com o computador para obter mais informações.
Entidade ML com Estrutura
Uma entidade ML pode ser composta por sub entidades mais pequenas, cada uma das quais pode ter as suas próprias propriedades. Por exemplo, uma entidade Endereço pode ter a seguinte estrutura:
- Endereço: 4567 Main Street, NY, 98052, EUA
- Número do Edifício: 4567
- Nome da Rua: Rua Principal
- Estado: NY
- Código Postal: 98052
- País: EUA
Criar entidades ML eficazes
Para criar entidades de aprendizagem automática de forma eficaz, siga estas melhores práticas:
- Se tiver uma entidade machine learned com sub entidades, certifique-se de que as diferentes encomendas e variantes da entidade e das sub entidades são apresentadas nas expressões etiquetadas. As expressões de exemplo etiquetadas devem incluir todos os formulários válidos e incluir entidades que aparecem e estão ausentes e também reordenadas na expressão.
- Evite sobreajustar as entidades a um conjunto fixo. O sobreajuste ocorre quando o modelo não se generaliza bem e é um problema comum nos modelos de machine learning. Isto implica que a aplicação não funcionaria adequadamente em novos tipos de exemplos. Por sua vez, deve variar as expressões de exemplo etiquetadas para que a aplicação possa generalizar para além dos exemplos limitados que fornecer.
- A etiquetagem deve ser consistente entre as intenções. Isto inclui até expressões que fornece na intenção None que inclui esta entidade. Caso contrário, o modelo não conseguirá determinar as sequências de forma eficaz.
Entidades como funcionalidades
Outra função importante das entidades é utilizá-las como funcionalidades ou distinguir características de outras intenções ou entidades para que o seu sistema observe e aprenda através das mesmas.
Entidades como funcionalidades para intenções
Pode utilizar entidades como um sinal para uma intenção. Por exemplo, a presença de uma determinada entidade na expressão pode distinguir a intenção em que se enquadra.
| Expressão de exemplo | Entidade | Intenção |
|---|---|---|
| Reserve-me um voo para Nova Iorque. | City | Voo do Livro |
| Reserve-me a sala de conferências principal. | Sala | Sala de Reserva |
Entidades como Funcionalidade para entidades
Também pode utilizar entidades como um indicador da presença de outras entidades. Um exemplo comum disto é utilizar uma entidade pré-criada como uma funcionalidade para outra entidade ML. Se estiver a construir um sistema de reservas de voos e a sua expressão parecer "Reserve-me um voo do Cairo para Seattle", provavelmente terá Origin City e Destination City como entidades ML. Uma boa prática seria utilizar a entidade GeographyV2 pré-criada como uma funcionalidade para ambas as entidades.
Para obter mais informações, veja o artigo GeographyV2 entities reference (Referência de entidades GeographyV2).
Também pode utilizar entidades como funcionalidades necessárias para outras entidades. Isto ajuda na resolução de entidades extraídas. Por exemplo, se estiver a criar uma aplicação de encomenda de pizzas e tiver uma entidade Tamanho ML, pode criar uma entidade de lista SizeList e utilizá-la como uma funcionalidade necessária para a entidade Tamanho. A sua aplicação devolverá o valor normalizado como a entidade extraída da expressão.
Veja funcionalidades para obter mais informações e entidades pré-criadas para saber mais sobre a resolução de entidades pré-criadas disponível na sua cultura.
Dados de entidades
A maioria dos bots de chat e aplicações precisa de mais do que o nome da intenção. Estes dados opcionais adicionais provêm de entidades detetadas na expressão. Cada tipo de entidade devolve informações diferentes sobre a correspondência.
Uma única palavra ou expressão numa expressão pode corresponder a mais do que uma entidade. Nesse caso, cada entidade correspondente é devolvida com a respetiva classificação.
Todas as entidades são devolvidas na matriz de entidades da resposta do ponto final
Melhores práticas para entidades
Utilizar entidades de machine learning
As entidades machine learned são adaptadas à sua aplicação e exigem que a etiquetagem seja bem-sucedida. Se não estiver a utilizar entidades de aprendizagem automática, poderá estar a utilizar as entidades erradas.
As entidades machine learned podem utilizar outras entidades como funcionalidades. Estas outras entidades podem ser entidades personalizadas, como entidades de expressão regulares ou entidades de lista, ou pode utilizar entidades pré-criadas como funcionalidades.
Saiba mais sobre entidades de aprendizagem automática eficazes.