Lägg till förståelse av naturligt språk i din chattrobot

Artikel
03/09/2025

GÄLLER FÖR: SDK v4

Anteckning

Language Understanding (LUIS) dras tillbaka den 1 oktober 2025. Från och med den 1 april 2023 kan du inte skapa nya LUIS-resurser. En nyare version av språktolkning är nu tillgänglig som en del av Azure AI Language.

Conversational Language Understanding (CLU), en funktion i Azure AI Language, är den uppdaterade versionen av LUIS. Mer information om stöd för språkförståelse i Bot Framework SDK finns i Förståelse av naturligt språk.

Möjligheten att förstå vad användaren menar konversationsmässigt och kontextuellt kan vara en svår uppgift, men kan ge roboten en mer naturlig konversationskänsla. Language Understanding (LUIS) är en molnbaserad API-tjänst som gör att du kan göra just detta så att roboten kan känna igen avsikten med användarmeddelanden, tillåta mer naturligt språk från användaren och bättre dirigera konversationsflödet.

Det här avsnittet beskriver hur du lägger till LUIS i ett flygbokningsprogram för att identifiera olika avsikter och entiteter som ingår i användarindata.

Kommentar

Bot Framework JavaScript-, C#- och Python-SDK:erna fortsätter att stödjas, men Java SDK dras tillbaka med slutligt långsiktigt stöd som slutar i november 2023.

Befintliga robotar som skapats med Java SDK fortsätter att fungera.

Om du vill skapa en ny robot kan du använda Microsoft Copilot Studio och läsa om hur du väljer rätt copilot-lösning.

Mer information finns i Framtiden för robotbygge.

Förutsättningar

Ett LUIS-konto .
En kopia av Exempel på kärnrobot i C#, JavaScript, Java eller Python.
Kunskaper om grunderna i roboten och bearbetning av naturligt språk.

Om det här exemplet

Det här exemplet på kärnroboten visar ett exempel på en flygbokningsapp på flygplatsen. Den använder en LUIS-tjänst för att känna igen användarens indata och returnera den högst identifierade LUIS-avsikten.

Språkmodellen innehåller tre avsikter: Book Flight, Canceloch None. LUIS använder dessa avsikter för att förstå vad användaren menade när de skickar ett meddelande till roboten. Språkmodellen definierar också entiteter som LUIS kan extrahera från användarens indata, till exempel ursprunget eller målflygplatsen.

Efter varje bearbetning av användarindata DialogBot sparar du det aktuella tillståndet för både UserState och ConversationState. När all nödvändig information har samlats in skapar kodningsexemplet en bokningsreservation för demoflyg. I den här artikeln ska vi ta upp LUIS-aspekterna i det här exemplet. Det allmänna flödet i exemplet är dock:

OnMembersAddedAsync anropas när en ny användare är ansluten och visar ett välkomstkort.
OnMessageActivityAsync anropas för varje användarindata som tas emot.

Klassdiagram som beskriver strukturen för C#-exemplet.

Modulen OnMessageActivityAsync kör lämplig dialogruta via Run dialogtilläggsmetoden. Sedan anropar huvuddialogrutan LUIS-hjälpen för att hitta avsikten med den mest poänggivande användaren. Om huvudavsikten för användarens indata returnerar "BookFlight", fyller hjälparen i information från användaren som LUIS har returnerat. Därefter startar BookingDialoghuvuddialogrutan , som hämtar ytterligare information efter behov från användaren, till exempel:

Origin den ursprungliga staden
TravelDate datumet då flygresan skulle bokas
Destination målstaden

Efter varje bearbetning av användarindata dialogBot sparar du det aktuella tillståndet för både userState och conversationState. När all nödvändig information har samlats in skapar kodningsexemplet en bokningsreservation för demoflyg. I den här artikeln ska vi ta upp LUIS-aspekterna i det här exemplet. Det allmänna flödet i exemplet är dock:

onMembersAdded anropas när en ny användare är ansluten och visar ett välkomstkort.
OnMessage anropas för varje användarindata som tas emot.

Klassdiagram som beskriver strukturen för JavaScript-exemplet.

Modulen onMessage kör mainDialog, som samlar in användarindata. Sedan anropar huvuddialogen LUIS-hjälpen FlightBookingRecognizer för att identifiera den högst poängsatta användaravsikten. Om den främsta avsikten för användarindata returnerar "BookFlight" fyller hjälpverktyget i information från användaren som LUIS returnerade. När svaret har kommit tillbaka bevarar mainDialog informationen för användaren som returneras av LUIS och bookingDialog startas. bookingDialog hämtar ytterligare information efter behov från användaren, till exempel

destination resmålet.
origin den ursprungliga staden.
travelDate datum då flygresan skulle bokas.

Efter varje bearbetning av användarindata DialogBot sparar du det aktuella tillståndet för både UserState och ConversationState.
När all nödvändig information har samlats in skapar kodningsexemplet en bokningsreservation för demoflyg.
I den här artikeln ska vi ta upp LUIS-aspekterna i det här exemplet. Det allmänna flödet i exemplet är dock:

onMembersAdded anropas när en ny användare är ansluten och visar ett välkomstkort.
onMessageActivity anropas för varje användarindata som tas emot.

Klassdiagram som beskriver strukturen för Java-exemplet.

Modulen onMessageActivity kör lämplig dialogruta via run dialogtilläggsmetoden. Sedan anropar huvuddialogrutan LUIS-hjälpen för att hitta den användaravsikt som har högst poäng. Om den primära avsikten med användarens indata returnerar "BookFlight", fyller hjälpmedlet i information från användaren som returnerades av LUIS. Därefter startar BookingDialoghuvuddialogrutan , som hämtar ytterligare information efter behov från användaren, till exempel:

Origin den ursprungliga staden
TravelDate datumet då flygresan skulle bokas
Destination målstaden

Efter varje bearbetning av användarindata DialogBot sparar du det aktuella tillståndet för både user_state och conversation_state. När all nödvändig information har samlats in skapar kodningsexemplet en bokningsreservation för demoflyg. I den här artikeln ska vi ta upp LUIS-aspekterna i det här exemplet. Det allmänna flödet i exemplet är dock:

on_members_added_activity anropas när en ny användare är ansluten och visar ett välkomstkort.
on_message_activity anropas för varje användarindata som tas emot.

Klassdiagram som beskriver strukturen för Python-exemplet.

Modulen on_message_activity kör lämplig dialogruta via run_dialog dialogtilläggsmetoden. Sedan anropas LuisHelper huvuddialogrutan för att hitta avsikten med den mest poänggivande användaren. Om den främsta intentionen för användarens indata returnerar "BookFlight" fyller hjälpfunktionen i informationen som LUIS returnerade från användaren. Därefter startar BookingDialoghuvuddialogrutan , som hämtar ytterligare information efter behov från användaren, till exempel:

destination målstaden.
origin den ursprungliga staden.
travel_date datum då flygresan skulle bokas.

Den här artikeln beskriver hur du lägger till LUIS i en robot. Information om hur du använder dialogrutor eller tillståndsinformation hittar du genom att antingen samla in användarindata med hjälp av en dialogruta eller spara användar- och konversationsdata, respektive.

Skapa en LUIS-app i LUIS-portalen

Logga in på LUIS-portalen och skapa vid behov ett konto och en redigeringsresurs.
På sidan Konversationsappar i LUIS väljer du Importera och sedan Importera som JSON.
I dialogrutan Importera ny app:
1. Välj filen FlightBooking.json i mappen CognitiveModels i exemplet.
2. Ange FlightBooking som valfritt namn på appen och välj Klar.
Webbplatsen kan visa Hur du skapar en effektiv LUIS-app och Uppgradera dina sammansatta entitetsdialogrutor . Du kan stänga dessa dialogrutor och fortsätta.
Träna appen och publicera sedan appen i produktionsmiljön . Mer information finns i LUIS-dokumentationen om hur du tränar och publicerar en app.

Varför använda entiteter

LUIS-entiteter gör det möjligt för roboten att förstå händelser utöver standard avsikter. På så sätt kan du samla in ytterligare information från användarna, så att din robot kan ställa frågor och svara mer intelligent. Tillsammans med definitioner för de tre LUIS-avsikterna "Book Flight", "Cancel" och "None" innehåller filen FlightBooking.json också en uppsättning entiteter som "From.Airport" och "To.Airport". Dessa entiteter gör det möjligt för LUIS att identifiera och returnera ytterligare information som finns i användarens ursprungliga indata när de begär en ny resebokning.

Hämta värden för att ansluta till luis-appen

När luis-appen har publicerats kan du komma åt den från din robot. Du måste registrera flera värden för att få åtkomst till LUIS-appen inifrån roboten. Du kan hämta den informationen med hjälp av LUIS-portalen.

Hämta programinformation från LUIS.ai-portalen

Inställningsfilen (appsettings.json.enveller config.py) fungerar som platsen för att samla alla tjänstreferenser på ett och samma ställe. Informationen du hämtar läggs till i den här filen i nästa avsnitt.

Välj din publicerade LUIS-app från luis.ai.
När den publicerade LUIS-appen är öppen väljer du fliken HANTERA .
Välj fliken Inställningar till vänster och registrera värdet som visas för program-ID som <YOUR_APP_ID>.
Välj Azure-resurser och sedan Förutsägelseresurs. Registrera värdet som visas för Plats som <YOUR_REGION> och Primärnyckel som <YOUR_AUTHORING_KEY>.

Du kan också använda regionen och primärnyckeln för redigeringsresursen.

Uppdatera inställningsfilen

Lägg till den information som krävs för att komma åt LUIS-appen, inklusive program-ID, redigeringsnyckel och region i appsettings.json filen. I föregående steg hämtade du dessa värden från din publicerade LUIS-app. API-värdnamnet ska vara i formatet <your region>.api.cognitive.microsoft.com.

appsetting.json

Varning