上一個

下一個

了解用於建置交談語言理解模型的資源

9 分鐘

若要使用 Language Understanding 服務開發 NLP 解決方案，您必須在 Azure 中建立語言資源。此資源會用於撰寫模型以及處理來自用戶端應用程式的預測要求。

提示

本課程模組的實驗室涵蓋建置交談語言理解的模型。如需更側重自訂文字分類和自訂具名實體辨識的課程模組，請參閱開發自然語言解決方案學習路徑中的自訂解決方案模組。

建置模型

如需有預測用途模型的功能，您必須先建置、定型及部署該模型，再使用此模型預測。此建置和訓練會教導 Azure AI 語言服務要尋找的目標內容。

首先，您必須在 Azure 入口網站中建立自己的 Azure AI 語言資源。接下來：

搜尋 Azure AI 服務。
尋找並選取 [語言服務]
選取 [語言服務] 底下的 [建立]。
填寫必要的詳細資料，選擇地理位置上最接近您的區域 (以獲得最佳效能) 並為其提供唯一的名稱。

建立該資源之後，您將需要金鑰和端點。請見 [資源概觀] 頁面左側的 [金鑰與端點] 下方。

使用 Language Studio

如需更豐富的視覺化方法用以建置、定型與部署模型，您可以使用 Language Studio 達成每個步驟的目標。在主要頁面上，您可以選擇建立交談語言理解專案。建立專案之後，請利用上文所述的相同程序，建置、定型及部署模型。

本課程模組中的實驗室會向您逐步解說，如何使用 Language Studio 建置模型。如果您想要深入了解，請參閱 Language Studio 快速入門

使用 REST API

透過 REST API 可以建置模型。此模式為建立專案、匯入資料、定型、部署，然後使用模型。

這些工作會以非同步方式完成，每個步驟都必須提交適當的 URI 要求，再傳送另一個要求以取得工作狀態。

例如，如果想要部署交談語言理解專案的模型，您要提交部署工作，然後檢查部署工作的狀態。

驗證

每次呼叫 Azure AI 語言資源，您都要提供下列標頭以驗證要求。

機碼	值
`Ocp-Apim-Subscription-Key`	資源的金鑰

要求部署

將 POST 要求提交至下列端點。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	Azure AI 語言資源的端點	`https://<your-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值區分大小寫	`myProject`
`{DEPLOYMENT-NAME}`	部署的名稱。此值區分大小寫	`staging`
`{API-VERSION}`	要呼叫的 API 版本	`2022-05-01`

要求中要包含下列 body。

{
  "trainedModelLabel": "{MODEL-NAME}",
}

預留位置	值
`{MODEL-NAME}`	模型名稱會指派給您的部署。此值區分大小寫。

成功提交要求要，您將會收到 202 回應，回應標頭為 operation-location。此標頭附有可用以要求狀態的 URL，格式如下：

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

取得部署狀態

將 GET 要求提交給上述回應標頭中的 URL。值會根據初始部署要求填入。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

預留位置	值
`{ENDPOINT}`	用於驗證 API 要求的端點
`{PROJECT-NAME}`	專案名稱 (區分大小寫)
`{DEPLOYMENT-NAME}`	部署名稱 (區分大小寫)
`{JOB-ID}`	尋找模型定型狀態的識別碼，可在上文部署要求詳述的標頭值中找到
`{API-VERSION}`	要呼叫的 API 版本

回應本文會提供部署狀態的詳細資料。部署完成後，[status] 欄位的值會是「成功」。

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"String",
    "lastUpdatedDateTime":"String",
    "expirationDateTime":"String",
    "status":"running"
}

如需每個步驟的完整逐步解說附範例要求，請參閱交談理解快速入門。

查詢您的模型

若要查詢您的模型以進行預測，您可以在 C# 或 Python 中使用 SDK，或使用 REST API。

使用 SDK 進行查詢

若要使用 SDK 查詢模型，您必須先建立用戶端。擁有用戶端之後，您就可以使用用戶端來呼叫適當的端點。

var languageClient = new TextAnalyticsClient(endpoint, credentials);
var response = languageClient.ExtractKeyPhrases(document);

language_client = TextAnalyticsClient(
            endpoint=endpoint, 
            credential=credentials)
response = language_client.extract_key_phrases(documents = documents)[0]

其他語言功能，例如交談語言理解，需要以不同的方式建置並傳送要求。

var data = new
{
    analysisInput = new
    {
        conversationItem = new
        {
            text = userText,
            id = "1",
            participantId = "1",
        }
    },
    parameters = new
    {
        projectName,
        deploymentName,
        // Use Utf16CodeUnit for strings in .NET.
        stringIndexType = "Utf16CodeUnit",
    },
    kind = "Conversation",
};
Response response = await client.AnalyzeConversationAsync(RequestContent.Create(data));

result = client.analyze_conversation(
    task={
        "kind": "Conversation",
        "analysisInput": {
            "conversationItem": {
                "participantId": "1",
                "id": "1",
                "modality": "text",
                "language": "en",
                "text": query
            },
            "isLoggingEnabled": False
        },
        "parameters": {
            "projectName": cls_project,
            "deploymentName": deployment_slot,
            "verbose": True
        }
    }
)

使用 REST API 進行查詢

若要使用 REST 查詢模型，請使用適當的指定主體，在合適的 URL 建立 POST 要求。若是語言偵測或情感分析等內建功能，您要查詢 analyze-text 端點。

提示

請記住，每個要求都必須使用 Ocp-Apim-Subscription-Key 標頭中的 Azure AI 語言資源金鑰進行驗證

{ENDPOINT}/language/:analyze-text?api-version={API-VERSION}

預留位置	值
`{ENDPOINT}`	用於驗證 API 要求的端點
`{API-VERSION}`	要呼叫的 API 版本

在該要求的主體中，您必須指定 kind 參數，告知服務您要求的語言理解類型。

例如，如果您想要偵測語言，JSON 主體即會看起來像下面這樣。

{
    "kind": "LanguageDetection",
    "parameters": {
        "modelVersion": "latest"
    },
    "analysisInput":{
        "documents":[
            {
                "id":"1",
                "text": "This is a document written in English."
            }
        ]
    }
}

其他語言功能，例如交談語言理解，需要將要求路由至不同的端點。例如，交談語言理解要求會傳送至下列端點。

{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}

預留位置	值
`{ENDPOINT}`	用於驗證 API 要求的端點
`{API-VERSION}`	要呼叫的 API 版本

該要求會包含類似下面這樣的 JSON 主體。

{
  "kind": "Conversation",
  "analysisInput": {
    "conversationItem": {
      "id": "1",
      "participantId": "1",
      "text": "Sample text"
    }
  },
  "parameters": {
    "projectName": "{PROJECT-NAME}",
    "deploymentName": "{DEPLOYMENT-NAME}",
    "stringIndexType": "TextElement_V8"
  }
}

預留位置	值
`{PROJECT-NAME}`	建置模型的專案名稱
`{DEPLOYMENT-NAME}`	您部署的名稱

範例回覆

SDK 的查詢回應會在傳回的物件中，視功能而有所不同 (例如在 response.key_phrases 或 response.Value 中)。 REST API 會傳回類似下列的 JSON。

{
    "kind": "KeyPhraseExtractionResults",
    "results": {
        "documents": [{
            "id": "1",
            "keyPhrases": ["modern medical office", "Dr. Smith", "great staff"],
            "warnings": []
        }],
        "errors": [],
        "modelVersion": "{VERSION}"
    }
}

對於交談語言理解等其他模型，查詢的範例回應會類似於下列內容。

{
  "kind": "ConversationResult",
  "result": {
    "query": "String",
    "prediction": {
      "topIntent": "intent1",
      "projectKind": "Conversation",
      "intents": [
        {
          "category": "intent1",
          "confidenceScore": 1
        },
        {
          "category": "intent2",
          "confidenceScore": 0
        }
      ],
      "entities": [
        {
          "category": "entity1",
          "text": "text",
          "offset": 7,
          "length": 4,
          "confidenceScore": 1
        }
      ]
    }
  }
}

Python 和 C# 的 SDK 會傳回非常類似於 REST 回應的 JSON。

如需有關功能的完整文件，包括範例和操作指南，請參閱 [Azure AI 語言文件] 文件頁面。

繼續