Varlık türleri
Önemli
LUIS 1 Ekim 2025'te kullanımdan kaldırılacak ve 1 Nisan 2023'den itibaren yeni LUIS kaynakları oluşturamayacaksınız. Devam eden ürün desteği ve çok dilli özelliklerden yararlanmak için LUIS uygulamalarınızı konuşma dili anlayışına geçirmenizi öneririz.
Varlık, kullanıcının amacıyla ilgili bir öğe veya öğedir. Varlıklar, konuşmadan ayıklanabilir verileri tanımlar ve kullanıcının gerekli eylemini tamamlamak için gereklidir. Örneğin:
| İfade | Amaç tahmin edildi | Ayıklanan varlıklar | Açıklama |
|---|---|---|---|
| Merhaba nasılsın? | Selamlama | - | Ayıklanması gereken bir şey yok. |
| Küçük bir pizza sipariş etmek istiyorum | orderPizza | 'küçük' | 'Boyut' varlığı 'küçük' olarak ayıklanır. |
| Yatak odası ışığını kapatma | turnOff | 'yatak odası' | 'Room' varlığı 'yatak odası' olarak ayıklanır. |
| 4406 ile biten tasarruf hesabımdaki bakiyeyi denetle | checkBalance | 'tasarruf', '4406' | 'accountType' varlığı 'savings' olarak ayıklanır ve 'accountNumber' varlığı '4406' olarak ayıklanır. |
| New York'a 3 bilet satın alın | buyTickets | '3', 'New York' | 'ticketsCount' varlığı '3' olarak ayıklanır ve 'Destination' varlığı 'New York' olarak ayıklanır." |
Varlıklar isteğe bağlıdır ancak önerilir. Uygulamanızdaki her kavram için varlık oluşturmanız gerekmez; yalnızca şu durumlarda:
- İstemci uygulamasının verilere ihtiyacı var veya
- Varlık, başka bir varlığa veya amada bir ipucu veya sinyal işlevi görür. Özellikler olarak varlıklar hakkında daha fazla bilgi edinmek için Özellikler olarak Varlıklar'a gidin.
Varlık türleri
Varlık oluşturmak için bir ad ve tür vermeniz gerekir. LUIS'te çeşitli varlık türleri vardır.
Liste varlığı
Liste varlığı, eş anlamlılarıyla birlikte sabit, kapalı bir ilişkili sözcük kümesini temsil eder. Birden çok eş anlamlıyı veya varyasyonu tanımak ve bunlar için normalleştirilmiş bir çıktı ayıklamak için liste varlıklarını kullanabilirsiniz. Geçerli listeye göre yeni sözcüklerle ilgili önerileri görmek için öneri seçeneğini kullanın.
Liste varlığı makine öğrenmesi değildir; bu da LUIS'in liste varlıkları için daha fazla değer bulmadığı anlamına gelir. LUIS, herhangi bir listedeki bir öğeyle eşleşmeyi yanıttaki bir varlık olarak işaretler.
Eşleşen liste varlıkları büyük/küçük harfe duyarlıdır ve tam eşleşmesi gerekir. Normalleştirilmiş değerler, liste varlığıyla eşleştirilirken de kullanılır. Örneğin:
| Normalleştirilmiş değer | Eş Anlamlı Sözcükler |
|---|---|
| Küçük | sm, sml, tiny, smallest |
| Orta | md, mdm, regular, average, , middle |
| Büyük | lg, lrg, big |
Daha fazla bilgi için liste varlıkları başvuru makalesine bakın.
Regex varlığı
Normal ifade varlığı, sağladığınız normal ifade deseni temelinde bir varlığı ayıklar. Olayı yoksayar ve kültürel değişkenlerini yoksayar. Normal ifade varlıkları, yapılandırılmış metinler veya belirli bir biçimde beklenen önceden tanımlanmış alfasayısal değerler dizisi için en iyisidir. Örneğin:
| Entity | Regular expression | Örnek |
|---|---|---|
| Flight Number (Uçuş Numarası) | flight [A-Z]{2} [0-9]{4} |
flight AS 1234 |
| Kredi Kartı Numarası | [0-9]{16} |
5478789865437632 |
Daha fazla bilgi için regex varlıkları başvuru makalesine bakın.
Önceden oluşturulmuş varlıklar
LUIS tarihler, saatler, sayılar, ölçümler ve para birimi gibi yaygın bilgi türlerini tanımak için önceden oluşturulmuş bir varlık kümesi içerir. Önceden oluşturulmuş varlık desteği, LUIS uygulamanızın kültürüne göre değişir. LUIS'in desteklediği, kültüre göre destek de dahil olmak üzere önceden oluşturulmuş varlıkların tam listesi için önceden oluşturulmuş varlık başvurusuna bakın.
Önceden oluşturulmuş bir varlık uygulamanıza dahil edildiğinde, bu varlığın tahminleri yayımlanan uygulamanıza dahil edilir. Önceden oluşturulmuş varlıkların davranışı önceden eğitilmiştir ve değiştirilemez.
| Önceden oluşturulmuş varlık | Örnek değer |
|---|---|
| Kişi Adı | James, Bill, Tom |
| DatetimeV2 | 2019-05-02, May 2nd, 8am on May 2nd 2019 |
Daha fazla bilgi için önceden oluşturulmuş varlıklar başvuru makalesine bakın.
Pattern.Any varlığı
Bir desen. Herhangi bir varlık, varlığın başladığı ve bittiği yeri işaretlemek için yalnızca desenin şablon konuşmasında kullanılan değişken uzunlukta bir yer tutucudur. Belirli bir kurala veya desene uyar ve sabit sözcük yapısına sahip cümleler için en iyi şekilde kullanılır. Örneğin:
| Örnek konuşma | Desen | Entity |
|---|---|---|
| Hamburger alabilir miyim lütfen? | Can I have a {meal} [please][?] |
burger |
| Pizza alabilir miyim? | Can I have a {meal} [please][?] |
pizza |
| Büyük Gatsby'yi nerede bulabilirim? | Where can I find {bookName}? |
Büyük Gatsby |
Daha fazla bilgi için Pattern.Any entities başvuru makalesine bakın.
Makine öğrenmesi (ML) varlığı
Makine öğrenmesi varlığı etiketli örneklere göre varlıkları ayıklamak için bağlam kullanır. LUIS uygulamaları oluşturmak için tercih edilen varlıktır. Makine öğrenmesi algoritmalarına dayanır ve etiketlemenin uygulamanıza başarıyla uyarlanması gerekir. Her zaman iyi biçimlendirilmemiş ancak aynı anlama sahip verileri tanımlamak için ML varlığı kullanın.
| Örnek konuşma | Ayıklanan ürün varlığı |
|---|---|
| Bir kitap almak istiyorum. | 'kitap' |
| Şu ayakkabıları alabilir miyim lütfen? | 'ayakkabı' |
| Şortları sepetime ekle. | 'şort' |
Daha fazla bilgi için bkz . Makine tarafından öğrenilen varlıklar .
Yapısı olan ML Varlığı
ML varlığı, her biri kendi özelliklerine sahip olabilecek daha küçük alt varlıklardan oluşabilir. Örneğin, bir Adres varlığı aşağıdaki yapıya sahip olabilir:
- Adres: 4567 Main Street, NY, 98052, ABD
- Bina Numarası: 4567
- Sokak Adı: Main Street
- Eyalet: NY
- Posta Kodu: 98052
- Ülke: ABD
Etkili ML varlıkları oluşturma
Makine öğrenmesi varlıklarını etkili bir şekilde oluşturmak için şu en iyi yöntemleri izleyin:
- Alt varlıklara sahip makine öğrenmesi varlığınız varsa, varlığın ve alt varlıkların farklı siparişlerinin ve varyantlarının etiketli konuşmalarda sunulduğundan emin olun. Etiketli örnek konuşmalar tüm geçerli formları içermeli ve görünen ve olmayan ve konuşma içinde yeniden sıralanmış varlıkları içermelidir.
- Varlıkları sabit bir kümeye fazla uygunluktan kaçının. Fazla uygunluk, model iyi genelleştirilemediğinde oluşur ve makine öğrenmesi modellerinde yaygın bir sorundur. Bu, uygulamanın yeni örnek türleri üzerinde yeterli çalışmayacağını gösterir. Buna karşılık, uygulamanın sağladığınız sınırlı örneklerin ötesinde genelleştirebilmesi için etiketlenmiş örnek konuşmaları değiştirmelisiniz.
- Etiketlemeniz amaçlar arasında tutarlı olmalıdır. Bu, bu varlığı içeren Hiçbiri amacında sağladığınız konuşmaları bile içerir. Aksi takdirde model dizileri etkili bir şekilde belirleyemez.
Özellik olarak varlıklar
Varlıkların bir diğer önemli işlevi de bunları, sisteminizin bunları gözlemleyip öğrenmesi için başka amaçlar veya varlıklar için özellik veya ayırt edici özellikler olarak kullanmaktır.
Amaçlar için özellik olarak varlıklar
Varlıkları bir amaç için sinyal olarak kullanabilirsiniz. Örneğin, konuşmada belirli bir varlığın varlığı, hangi amacın altında olduğunu ayırt edebilir.
| Örnek konuşma | Entity | Amaç |
|---|---|---|
| Bana New York'a bir uçak rezervasyonu yap. | City | Kitap Uçuş |
| Bana ana konferans odasını ayırt. | Oda | Yedek Oda |
Varlıklar için Özellik Olarak Varlıklar
Varlıkları, diğer varlıkların varlığının göstergesi olarak da kullanabilirsiniz. Bunun yaygın bir örneği, önceden oluşturulmuş bir varlığı başka bir ML varlığı için özellik olarak kullanmaktır. Uçuş rezervasyon sistemi oluşturuyorsanız ve ifadeniz 'Kahire'den Seattle'a bir uçuş rezervasyonu yap' gibi görünüyorsa, büyük olasılıkla Origin City ve Destination City'yi ML varlıkları olarak kullanacaksınız. Önceden oluşturulmuş GeographyV2 varlığını her iki varlık için de bir özellik olarak kullanmak iyi bir uygulama olabilir.
Daha fazla bilgi için GeographyV2 varlıkları başvuru makalesine bakın.
Varlıkları diğer varlıklar için gerekli özellikler olarak da kullanabilirsiniz. Bu, ayıklanan varlıkların çözümlenmesine yardımcı olur. Örneğin, pizza sipariş uygulaması oluşturuyorsanız ve Size ML varlığınız varsa SizeList listesi varlığı oluşturabilir ve Bunu Boyut varlığı için gerekli bir özellik olarak kullanabilirsiniz. Uygulamanız, ifadeden ayıklanan varlık olarak normalleştirilmiş değeri döndürür.
Kültürünüzde bulunan önceden oluşturulmuş varlıkların çözümü hakkında daha fazla bilgi edinmek için özelliklere ve önceden oluşturulmuş varlıklara bakın.
Varlıklardan alınan veriler
Sohbet botlarının ve uygulamaların çoğu amaç adından daha fazlasına ihtiyaç duyar. Bu ek isteğe bağlı veriler, konuşmada bulunan varlıklardan gelir. Her varlık türü eşleşme hakkında farklı bilgiler döndürür.
Bir konuşmadaki tek bir sözcük veya tümcecik birden fazla varlıkla eşleşebilir. Bu durumda, eşleşen her varlık kendi puanıyla döndürülür.
Tüm varlıklar, uç noktadan yanıtın varlıklar dizisinde döndürülür
Varlıklar için en iyi yöntemler
Makine öğrenmesi varlıklarını kullanma
Makine öğrenmesi varlıkları uygulamanız için uyarlanmıştır ve etiketlemenin başarılı olmasını gerektirir. Makine öğrenmesi varlıklarını kullanmıyorsanız, yanlış varlıkları kullanıyor olabilirsiniz.
Makine öğrenmesi varlıkları diğer varlıkları özellik olarak kullanabilir. Bu diğer varlıklar normal ifade varlıkları veya liste varlıkları gibi özel varlıklar olabilir veya önceden oluşturulmuş varlıkları özellik olarak kullanabilirsiniz.
Etkili makine öğrenmesi varlıkları hakkında bilgi edinin.