Dela via


Ordlista för språkförståelse för vanliga ordförråd och begrepp

Viktigt!

LUIS dras tillbaka den 1 oktober 2025 och från och med den 1 april 2023 kommer du inte att kunna skapa nya LUIS-resurser. Vi rekommenderar att du migrerar dina LUIS-program till förståelse för konversationsspråk för att dra nytta av fortsatt produktsupport och flerspråkiga funktioner.

Ordlistan Language Understanding (LUIS) förklarar termer som du kan stöta på när du arbetar med LUIS-tjänsten.

Aktiv version

Den aktiva versionen är den version av din app som uppdateras när du gör ändringar i modellen med hjälp av LUIS-portalen. Om du vill göra ändringar i en version som inte är den aktiva versionen i LUIS-portalen måste du först ange den versionen som aktiv.

Aktiv inlärning

Aktiv inlärning är en teknik för maskininlärning där den maskininlärda modellen används för att identifiera informativa nya exempel att märka. I LUIS refererar aktiv inlärning till att lägga till yttranden från slutpunktstrafiken vars aktuella förutsägelser är oklara för att förbättra din modell. Välj Granska slutpunktsyttranden för att visa yttranden som ska märkas.

Se även:

Program (app)

I LUIS är ditt program eller din app en samling maskininlärda modeller som bygger på samma datauppsättning och som fungerar tillsammans för att förutsäga avsikter och entiteter för ett visst scenario. Varje program har en separat förutsägelseslutpunkt.

Om du skapar en HR-robot kan du ha en uppsättning avsikter, till exempel "Schemalägg ledighetstid", "fråga om fördelar" och "uppdatera personlig information" och entiteter för var och en av de avsikter som du grupperar i ett enda program.

Redigering

Redigering är möjligheten att skapa, hantera och distribuera en LUIS-app, antingen med hjälp av LUIS-portalen eller redigerings-API:erna.

Redigeringsnyckel

Redigeringsnyckeln används för att skapa appen. Används inte för slutpunktsfrågor på produktionsnivå. Mer information finns i resursgränser.

Redigeringsresurs

Luis-redigeringsresursen är ett hanterbart objekt som är tillgängligt via Azure. Resursen är din åtkomst till azure-tjänstens associerade redigerings-, tränings- och publiceringsfunktioner. Resursen innehåller autentisering, auktorisering och säkerhetsinformation som du behöver för att få åtkomst till den associerade Azure-tjänsten.

Redigeringsresursen har en Azure-typ av LUIS-Authoring.

Batch-test

Batchtestning är möjligheten att verifiera en aktuell LUIS-apps modeller med en konsekvent och känd testuppsättning med användaryttranden. Batchtestet definieras i en JSON-formaterad fil.

Se även:

F-mått

I batchtestning är ett mått på testets noggrannhet.

Falsk negativ (FN)

I batchtestning representerar datapunkterna yttranden där appen felaktigt förutspådde frånvaron av mål avsikten/entiteten.

Falsk positiv identifiering (FP)

I batchtestning representerar datapunkterna yttranden där appen felaktigt förutsade förekomsten av mål avsikten/entiteten.

Precision

I batchtestning är precision (även kallat positivt prediktivt värde) bråkdelen av relevanta yttranden bland de hämtade yttrandena.

Ett exempel på ett djurpartitest är antalet får som förutsagts dividerat med det totala antalet djur (både får och icke-får).

Återkalla

I batchtestning är recall (även kallat känslighet) möjligheten för LUIS att generalisera.

Ett exempel på ett djurbatchtest är antalet får som förutsagts dividerat med det totala antalet tillgängliga får.

Äkta negativa identifieringar (TN)

Ett verkligt negativt är när appen korrekt förutsäger ingen matchning. I batchtestning inträffar ett verkligt negativt när din app förutsäger en avsikt eller en entitet för ett exempel som inte har märkts med den avsikten eller entiteten.

Sant positiv (TP, True Positive)

Sant positivt (TP) En sann positiv är när appen korrekt förutsäger en matchning. Vid batchtestning sker en sann positiv identifiering när din app förutsäger en avsikt eller entitet för ett exempel som har märkts med den avsikten eller entiteten.

Klassificerare

En klassificerare är en maskininlärd modell som förutsäger vilken kategori eller klass en indata passar in i.

En avsikt är ett exempel på en klassificerare.

Medarbetare

En medarbetare är konceptuellt samma sak som en deltagare. En medarbetare beviljas åtkomst när en ägare lägger till medarbetarens e-postadress till en app som inte kontrolleras med rollbaserad åtkomstkontroll i Azure (Azure RBAC). Om du fortfarande använder medarbetare bör du migrera ditt LUIS-konto och använda LUIS-redigeringsresurser för att hantera deltagare med Azure RBAC.

Deltagare

En deltagare är inte ägare till appen, men har samma behörighet att lägga till, redigera och ta bort avsikter, entiteter och yttranden. En deltagare tillhandahåller rollbaserad åtkomstkontroll i Azure (Azure RBAC) till en LUIS-app.

Se även:

Deskriptor

En beskrivning är den term som tidigare användes för en maskininlärningsfunktion.

Domän

I LUIS-kontexten är en domän ett kunskapsområde. Din domän är specifik för ditt scenario. Olika domäner använder specifikt språk och terminologi som har betydelse i domänens kontext. Om du till exempel skapar ett program för att spela musik, skulle ditt program ha termer och språk som är specifika för musik – ord som "sång, låt, album, texter, b-sida, artist". Exempel på domäner finns i fördefinierade domäner.

Slutpunkt

Redigeringsslutpunkt

URL:en för LUIS-redigeringsslutpunkt är den där du skapar, tränar och publicerar din app. Slutpunkts-URL:en innehåller regionen eller den anpassade underdomänen för den publicerade appen samt app-ID:t.

Läs mer om att redigera din app programmatiskt från utvecklarreferensen

Förutsägelseslutpunkt

URL:en för LUIS-förutsägelseslutpunkten är där du skickar LUIS-frågor när LUIS-appen har skapats och publicerats. Slutpunkts-URL:en innehåller regionen eller den anpassade underdomänen för den publicerade appen samt app-ID:t. Du hittar slutpunkten på sidan Azure-resurser i din app eller så kan du hämta slutpunkts-URL:en från API:et Hämta appinformation.

Din åtkomst till förutsägelseslutpunkten är auktoriserad med LUIS-förutsägelsenyckeln.

Enhet

Entiteter är ord i yttranden som beskriver information som används för att uppfylla eller identifiera en avsikt. Om din entitet är komplex och du vill att din modell ska identifiera specifika delar kan du dela upp din modell i underentiteter. Du kanske till exempel vill att din modell ska förutsäga en adress, men även underentiteterna gata, stad, delstat och postnummer. Entiteter kan också användas som funktioner för modeller. Ditt svar från LUIS-appen innehåller både de förutsagda avsikterna och alla entiteter.

Entitetsextraktor

En entitetsextraktor som ibland bara kallas extraktor är den typ av maskininlärningsmodell som LUIS använder för att förutsäga entiteter.

Entitetsschema

Entitetsschemat är den struktur som du definierar för maskininlärda entiteter med underentiteter. Förutsägelseslutpunkten returnerar alla extraherade entiteter och underentiteter som definierats i schemat.

Entitetens underdel

En underdel är en underordnad entitet för en maskininlärningsentitet.

Icke-maskininlärningsentitet

En entitet som använder textmatchning för att extrahera data:

  • Lista entitet
  • Entitet för reguljära uttryck

Lista entitet

En listentitet representerar en fast, stängd uppsättning relaterade ord tillsammans med deras synonymer. Listentiteter är exakta matchningar, till skillnad från maskininlärda entiteter.

Entiteten förutsägs om ett ord i listentiteten ingår i listan. Om du till exempel har en listentitet med namnet "size" och du har orden "small, medium, large" i listan, kommer storleksentiteten att förutsägas för alla yttranden där orden "small", "medium" eller "large" används oavsett kontext.

Regular expression

En entitet för reguljära uttryck representerar ett reguljärt uttryck. Reguljära uttrycksentiteter är exakta matchningar, till skillnad från maskininlärda entiteter.

Fördefinierad entitet

Se Den fördefinierade modellens post för en fördefinierad entitet.

Funktioner

I maskininlärning är en funktion en egenskap som hjälper modellen att känna igen ett visst begrepp. Det är ett tips som LUIS kan använda, men inte en hård regel.

Den här termen kallas även för en maskininlärningsfunktion.

De här tipsen används med etiketterna för att lära dig hur du förutsäger nya data. LUIS stöder både fraslistor och andra modeller som funktioner.

Nödvändig funktion

En obligatorisk funktion är ett sätt att begränsa utdata från en LUIS-modell. När en funktion för en entitet markeras som obligatorisk måste funktionen finnas i exemplet för att entiteten ska förutsägas, oavsett vad den datorinlärda modellen förutsäger.

Tänk dig ett exempel där du har en fördefinierad nummerfunktion som du har markerat som obligatorisk på kvantitetsentiteten för en menybeställningsrobot. När roboten ser I want a bajillion large pizzas?kommer bajillion inte att förutsägas som en kvantitet oavsett i vilken kontext den visas. Bajillion är inte ett giltigt tal och förutsägs inte av den fördefinierade talentiteten.

Avsikt

En avsikt representerar en uppgift eller åtgärd som användaren vill utföra. Det är ett syfte eller mål som uttrycks i en användares indata, till exempel att boka en flygning eller betala en faktura. I LUIS klassificeras ett yttrande som helhet som en avsikt, men delar av yttrandet extraheras som entiteter.

Etiketteringsexempel

Etikettering eller märkning är processen att associera ett positivt eller negativt exempel med en modell.

Etikettering för avsikter

I LUIS är avsikter i en app ömsesidigt uteslutande. Det innebär att när du lägger till ett yttrande i en avsikt anses det vara ett positivt exempel för den avsikten och ett negativt exempel för alla andra avsikter. Negativa exempel bör inte förväxlas med avsikten "Ingen", som representerar yttranden som ligger utanför appens omfång.

Etikettering för entiteter

I LUIS märker du ett ord eller en fras i en avsikts exempelyttrande med en entitet som ett positivt exempel. Etikettering visar avsikten vad den ska förutsäga för det yttrandet. De märkta yttrandena används för att träna avsikten.

LUIS-app

Se definitionen för program (app).

Modell

En (maskininlärd) modell är en funktion som gör en förutsägelse för indata. I LUIS refererar vi till avsiktsklassificerare och entitetsextraktorer allmänt som "modeller" och vi refererar till en samling modeller som tränas, publiceras och efterfrågas tillsammans som en "app".

Normaliserat värde

Du lägger till värden i dina listentiteter . Vart och ett av dessa värden kan ha en lista över en eller flera synonymer. Endast det normaliserade värdet returneras i svaret.

Överanpassning

Överanpassning sker när modellen korrigeras i de specifika exemplen och inte kan generalisera väl.

Ägare

Varje app har en ägare som är den person som skapade appen. Ägaren hanterar behörigheter till programmet i Azure Portal.

Fraslista

En fraslista är en specifik typ av maskininlärningsfunktion som innehåller en grupp värden (ord eller fraser) som tillhör samma klass och måste behandlas på samma sätt (till exempel namn på städer eller produkter).

Fördefinierad modell

En fördefinierad modell är en avsikt, entitet eller samling av båda, tillsammans med märkta exempel. Dessa vanliga fördefinierade modeller kan läggas till i din app för att minska det modellutvecklingsarbete som krävs för din app.

Fördefinierad domän

En fördefinierad domän är en LUIS-app som konfigurerats för en specifik domän, till exempel hemautomatisering (HomeAutomation) eller restaurangreservationer (RestaurantReservation). Avsikter, yttranden och entiteter konfigureras för den här domänen.

Fördefinierad entitet

En fördefinierad entitet är en entitet som LUIS tillhandahåller för vanliga typer av information, till exempel nummer, URL och e-post. Dessa skapas baserat på offentliga data. Du kan välja att lägga till en fördefinierad entitet som en fristående entitet eller som en funktion i en entitet.

Fördefinierad avsikt

En fördefinierad avsikt är en avsikt som LUIS tillhandahåller för vanliga typer av information och levereras med egna märkta exempelyttranden.

Förutsägelse

En förutsägelse är en REST-begäran till Azure LUIS-förutsägelsetjänsten som tar in nya data (användaryttrande) och tillämpar det tränade och publicerade programmet på dessa data för att fastställa vilka avsikter och entiteter som hittas.

Förutsägelsenyckel

Förutsägelsenyckeln är nyckeln som är associerad med LUIS-tjänsten som du skapade i Azure och som auktoriserar din användning av förutsägelseslutpunkten.

Den här nyckeln är inte redigeringsnyckeln. Om du har en slutpunktsnyckel för förutsägelse bör den användas för alla slutpunktsbegäranden i stället för redigeringsnyckeln. Du kan se din aktuella förutsägelsenyckel i slutpunkts-URL:en längst ned på azure-resurssidan på LUIS-webbplatsen. Det är värdet för prenumerationsnyckelns namn/värdepar.

Förutsägelseresurs

Din LUIS-förutsägelseresurs är ett hanterbart objekt som är tillgängligt via Azure. Resursen är din åtkomst till den associerade förutsägelsen av Azure-tjänsten. Resursen innehåller förutsägelser.

Förutsägelseresursen har en Azure-typ av LUIS.

Förutsägelseresultat

Poängen är ett tal från 0 och 1 som är ett mått på hur säkert systemet är att ett visst indatayttrande matchar en viss avsikt. En poäng närmare 1 innebär att systemet är mycket säkert på sina utdata och en poäng närmare 0 innebär att systemet är säkert på att indata inte matchar en viss utdata. Poäng i mitten innebär att systemet är mycket osäkert på hur man fattar beslutet.

Ta till exempel en modell som används för att identifiera om viss kundtext innehåller en matbeställning. Det kan ge en poäng på 1 för "Jag skulle vilja beställa en kaffe" (systemet är mycket säker på att detta är en order) och en poäng på 0 för "mitt lag vann matchen igår kväll" (systemet är mycket säker på att detta inte är en order). Och det kan ha en poäng på 0,5 för "låt oss ta lite te" (är inte säker på om detta är en beställning eller inte).

Programmeringsnyckel

Har bytt namn till redigeringsnyckel.

Publicera

Publicering innebär att göra en LUIS-aktiv version tillgänglig på mellanlagrings- eller produktionsslutpunkten.

Kvot

LUIS-kvoten är begränsningen för Azure-prenumerationsnivån. LUIS-kvoten kan begränsas av både begäranden per sekund (HTTP-status 429) och totalt antal begäranden under en månad (HTTP-status 403).

Schema

Schemat innehåller dina avsikter och entiteter tillsammans med underentiteterna. Schemat planeras ursprungligen för och itereras sedan över tid. Schemat innehåller inte appinställningar, funktioner eller exempelyttranden.

Attitydanalys

Attitydanalys ger positiva eller negativa värden för de yttranden som tillhandahålls av språktjänsten.

Inställningar för Speech

Talprimering förbättrar igenkänningen av talade ord och fraser som ofta används i ditt scenario med Speech Services. För talprimeringsaktiverade program används alla LUIS-märkta exempel för att förbättra noggrannheten för taligenkänning genom att skapa en anpassad talmodell för det här specifika programmet. I ett schackspel vill du till exempel se till att när användaren säger "Flytta riddare" tolkas det inte som "Flytta natt". LUIS-appen bör innehålla exempel där "knight" är märkt som en entitet.

Startnyckel

En kostnadsfri nyckel som ska användas när du börjar med LUIS.

Synonymer

I LUIS-listentiteter kan du skapa ett normaliserat värde, som var och en kan ha en lista med synonymer. Om du till exempel skapar en storleksentitet som har normaliserade värden för små, medelstora, stora och extra stora. Du kan skapa synonymer för varje värde så här:

Nomaliserat värde Synonymer
Litet den lilla, 8 ounces
Medium vanlig, 12 ounces
Stort stor, 16 ounces
Xtra stor den största, 24 ounces

Modellen returnerar det normaliserade värdet för entiteten när någon av synonymerna visas i indata.

Test

Att testa en LUIS-app innebär att visa modellförutsägelser.

Tidszonsförskjutning

Slutpunkten innehåller timezoneOffset. Det här är antalet minuter som du vill lägga till eller ta bort från den fördefinierade datetimeV2-entiteten. Om yttrandet till exempel är "vilken tid är det nu?", är den returnerade datetimeV2 den aktuella tiden för klientbegäran. Om din klientbegäran kommer från en robot eller ett annat program som inte är samma som robotens användare, bör du skicka in förskjutningen mellan roboten och användaren.

Se Ändra tidszon för den fördefinierade datetimeV2-entiteten.

Token

En token är den minsta textenheten som LUIS kan känna igen. Detta skiljer sig något mellan olika språk.

För engelska är en token ett kontinuerligt intervall (inga blanksteg eller skiljetecken) för bokstäver och siffror. Ett blanksteg är INTE en token.

Fras Antal token Förklaring
Dog 1 Ett ord utan skiljetecken eller blanksteg.
RMT33W 1 Ett postlokaliserarnummer. Den kan ha siffror och bokstäver, men har ingen skiljetecken.
425-555-5555 5 Ett telefonnummer. Varje skiljetecken är en enskild token, så 425-555-5555 det skulle vara 5 token:
425
-
555
-
5555
https://luis.ai 7 https
:
/
/
luis
.
ai

Utbilda

Utbildning är en process där LUIS lärs ut om eventuella ändringar i den aktiva versionen sedan den senaste utbildningen.

Träningsdata

Träningsdata är den uppsättning information som behövs för att träna en modell. Detta inkluderar schemat, märkta yttranden, funktioner och programinställningar.

Träningsfel

Träningsfel är förutsägelser på dina träningsdata som inte matchar deras etiketter.

Yttrande

Ett yttrande är användarindata som är korta textrepresentanter för en mening i en konversation. Det är en naturlig språkfras som "boka 2 biljetter till Seattle nästa tisdag". Exempelyttranden läggs till för att träna modellen och modellen förutsäger nya yttranden vid körning.

Version

En LUIS-version är en specifik instans av ett LUIS-program som är associerat med ett LUIS-app-ID och den publicerade slutpunkten. Varje LUIS-app har minst en version.