Entitástípusok
Fontos
A LUIS 2025. október 1-jén megszűnik, és 2023. április 1-től nem hozhat létre új LUIS-erőforrásokat. Javasoljuk, hogy a LUIS-alkalmazásokat a beszélgetési nyelv megértésére migrálja, hogy kihasználhassa a terméktámogatás és a többnyelvű képességek előnyeit.
Az entitás olyan elem vagy elem, amely a felhasználó szándéka szempontjából releváns. Az entitások olyan adatokat határoznak meg, amelyek kinyerhetők a kimondott szövegből, és elengedhetetlenek a felhasználó szükséges műveletének elvégzéséhez. Példa:
| Beszédelem | Szándék előrejelzett | Kinyert entitások | Magyarázat |
|---|---|---|---|
| Helló, hogy vagy? | Üdvözlés | - | Nincs mit kinyerni. |
| Szeretnék rendelni egy kis pizzát | orderPizza | "kicsi" | A "Size" entitás "kicsiként" lesz kinyerve. |
| Kikapcsolt hálószoba fény | Kanyart | "hálószoba" | A "Room" entitást "hálószoba" néven nyerik ki. |
| Egyenleg ellenőrzése a 4406-ban végződő megtakarítási számlámon | checkBalance | 'megtakarítás', '4406' | A "accountType" entitás "megtakarításként" lesz kinyerve, a "accountNumber" entitás pedig 4406-ként lesz kinyerve. |
| 3 jegy vásárlása New Yorkba | buyTickets | '3', 'New York' | A "ticketsCount" entitás "3" néven lesz kinyerve, a "Destination" entitás pedig "New York" néven lesz kinyerve. |
Az entitások nem kötelezőek, de ajánlottak. Nem kell entitásokat létrehoznia az alkalmazás minden koncepciójához, csak akkor, ha:
- Az ügyfélalkalmazásnak szüksége van az adatokra, vagy
- Az entitás egy másik entitásnak vagy szándéknak való jelzésként szolgál. Ha többet szeretne megtudni az entitásokról, mint szolgáltatások, lépjen az Entitások szolgáltatásként elemre.
Egy entitás létrehozásához nevet és típust kell megadnia. A LUIS-ban számos entitástípus létezik.
A listaentitások a kapcsolódó szavak rögzített, zárt készletét jelölik a szinonimáikkal együtt. Listaentitások használatával több szinonimát vagy változatot is felismerhet, és normalizált kimenetet nyerhet ki számukra. Az ajánlott beállítással új szavakra vonatkozó javaslatokat jeleníthet meg az aktuális lista alapján.
A listaentitások nem gépi tanultak, ami azt jelenti, hogy a LUIS nem fedez fel további értékeket a listaentitásokhoz. A LUIS minden listában szereplő elemet entitásként jelöl meg a válaszban.
Az egyező listaentitások megkülönböztetik a kis- és nagybetűk közötti megkülönböztetettségeket, és pontos egyezésnek kell lenniük. A normalizált értékek a listaentitást is használják. Példa:
| Normalizált érték | Szinonimák |
|---|---|
| Small | sm, sml, tinysmallest |
| Közepes | md, mdm, regular, averagemiddle |
| Nagy | lg, , lrgbig |
További információkért tekintse meg a listaentitások referenciacikkét .
A reguláris kifejezési entitások az Ön által megadott reguláris kifejezésminta alapján nyernek ki egy entitást. Figyelmen kívül hagyja az esetet, és figyelmen kívül hagyja a kulturális változatot. A reguláris kifejezési entitások a legjobban strukturált szöveghez vagy előre definiált alfanumerikus értékek sorozatához használhatók, amelyek egy adott formátumban várhatók. Példa:
| Entitás | Reguláris kifejezés | Példa |
|---|---|---|
| Járatszám | flight [A-Z]{2} [0-9]{4} |
flight AS 1234 |
| Hitelkártyaszám | [0-9]{16} |
5478789865437632 |
További információt a regex entitások referenciacikkében talál.
A LUIS előre összeállított entitásokat tartalmaz a gyakori információtípusok, például dátumok, időpontok, számok, mérések és pénznemek felismeréséhez. Az előre összeállított entitások támogatása a LUIS-alkalmazás kultúrája szerint változik. A LUIS által támogatott előre összeállított entitások teljes listáját, beleértve a kulturális támogatásokat is, tekintse meg az előre összeállított entitások hivatkozását.
Ha egy előre összeállított entitás szerepel az alkalmazásban, annak előrejelzései a közzétett alkalmazás részét képezik. Az előre összeállított entitások viselkedése előre be van tanítva, és nem módosítható.
| Előre összeállított entitás | Példaérték |
|---|---|
| PersonName | James, Bill, Tom |
| DatetimeV2 | 2019-05-02, , May 2nd8am on May 2nd 2019 |
További információért tekintse meg az előre összeállított entitások referenciacikkét .
Egy minta. Az entitások egy változó hosszúságú helyőrzők, amelyeket csak a minta kimondott szövegében használnak az entitás kezdő és záró helyének megjelölésére. Egy adott szabályt vagy mintát követ, és a rögzített lexikális szerkezetű mondatokhoz legjobban használható. Példa:
| Példa kimondott szöveg | Minta | Entitás |
|---|---|---|
| Kaphatnék egy hamburgert? | Can I have a {meal} [please][?] |
burger |
| Kaphatok pizzát? | Can I have a {meal} [please][?] |
pizza |
| Hol találom a Nagy Gatsbyt? | Where can I find {bookName}? |
A nagy Gatsby |
További információt a Pattern.Any entities referenciacikkben talál.
A gépi tanult entitás környezettel nyer ki entitásokat címkézett példák alapján. Ez a LUIS-alkalmazások készítéséhez előnyben részesített entitás. Gépi tanulási algoritmusokra támaszkodik, és megköveteli a címkézést, hogy sikeresen az alkalmazáshoz legyen igazítva. Az ml-entitások segítségével azonosíthatja azokat az adatokat, amelyek nem mindig jól formázottak, de jelentésük megegyezik.
| Példa kimondott szöveg | Kinyert termék entitása |
|---|---|
| Szeretnék venni egy könyvet. | "könyv" |
| Megkaphatom ezeket a cipőket? | "cipő" |
| Adja hozzá a rövideket a kosaramhoz. | "rövidnadrág" |
További információ: Gépi tanult entitások .
Az ML-entitások kisebb alentitásokból állhatnak, amelyek mindegyike saját tulajdonságokkal rendelkezhet. Egy Cím entitás például a következő struktúrával rendelkezhet:
- Cím: 4567 Main Street, NY, 98052, USA
- Épület száma: 4567
- Utcanév: Fő utca
- Állapot: NY
- Irányítószám: 98052
- Ország: USA
A gépi tanult entitások hatékony létrehozásához kövesse az alábbi ajánlott eljárásokat:
- Ha gépi tanult entitással rendelkezik alentitással, győződjön meg arról, hogy az entitás és az alentitások különböző rendelései és változatai megjelennek a címkézett kimondott szövegekben. A címkézett kimondott szövegeknek tartalmazniuk kell az összes érvényes űrlapot, valamint olyan entitásokat is, amelyek megjelennek és hiányoznak, valamint átrendezhetők a kimondott szövegben.
- Kerülje az entitások egy rögzített készletre való túlillesztését. A túlillesztés akkor fordul elő, ha a modell nem általánosít jól, és gyakori probléma a gépi tanulási modellekben. Ez azt jelenti, hogy az alkalmazás nem működne megfelelően az új típusú példákon. A címkézett kimondott szövegeket azonban eltérően kell megadnia, hogy az alkalmazás általánosítani tudja a megadott korlátozott példákon túl.
- A címkézésnek konzisztensnek kell lennie a szándékok között. Ide tartoznak még az entitást tartalmazó None szándékban megadott kimondott szövegek is. Ellenkező esetben a modell nem fogja tudni hatékonyan meghatározni a sorozatokat.
Az entitások másik fontos funkciója, hogy funkciókként használják őket, vagy megkülönböztetik a tulajdonságokat egy másik szándékhoz vagy entitáshoz, hogy a rendszer megfigyelje és megtanulja rajtuk keresztül.
Az entitásokat a szándék jelzéseként használhatja. Például egy adott entitás jelenléte a kimondott szövegben megkülönbözteti, hogy melyik szándék alá tartozik.
| Példa kimondott szöveg | Entitás | Szándék |
|---|---|---|
| Foglaljon nekem egy járatot New Yorkba. | Város | Book Flight |
| Foglaljon le a fő konferenciaterembe. | Szoba | Foglalási szoba |
Az entitásokat más entitások jelenlétének jelzéseként is használhatja. Erre gyakori példa egy előre összeállított entitás használata egy másik ML-entitás szolgáltatásaként. Ha egy repülőjegy-foglalási rendszert épít, és a kimondott szöveg úgy néz ki, mint "Foglaljon nekem egy járatot Kairóból Seattle-be", akkor valószínűleg az Origin City és a Destination City lesz ml-entitásként. Célszerű az előre összeállított GeographyV2 entitást mindkét entitáshoz funkcióként használni.
További információ: GeographyV2 entitások referenciacikke.
Az entitásokat más entitások kötelező funkciójaként is használhatja. Ez segít a kinyert entitások megoldásában. Ha például pizzarendelési alkalmazást hoz létre, és rendelkezik egy Size ML entitással, létrehozhatja a SizeList lista entitást, és a Méret entitáshoz szükséges funkcióként használhatja. Az alkalmazás a normalizált értéket adja vissza a kimondott szövegből kinyert entitásként.
További információkért tekintse meg a funkciókat és az előre összeállított entitásokat , hogy többet tudjon meg a kultúrában elérhető előre összeállított entitások megoldásáról.
A legtöbb csevegőrobotnak és alkalmazásnak többre van szüksége, mint a szándék neve. Ez a további, opcionális adat a kimondott szövegben felderített entitásokból származik. Minden entitástípus eltérő információkat ad vissza az egyezésről.
Egy kimondott szövegben egyetlen szó vagy kifejezés több entitásnak is megfelelhet. Ebben az esetben minden egyező entitás a pontszámával lesz visszaadva.
A rendszer minden entitást visszaad a végpont válaszának entitástömbjében
A gépi tanult entitások az alkalmazáshoz vannak igazítva, és a sikeres címkézést igénylik. Ha nem gépi tanult entitásokat használ, előfordulhat, hogy nem a megfelelő entitásokat használja.
A gépi tanult entitások más entitásokat is használhatnak funkcióként. Ezek az egyéb entitások lehetnek egyéni entitások, például reguláris kifejezésentitások vagy listaentitások, vagy használhat előre összeállított entitásokat funkciókként.
Ismerje meg a hatékony gépi tanulású entitásokat.