Ontwerpen met intentie- en entiteitsmodellen
Belangrijk
LUIS wordt op 1 oktober 2025 buiten gebruik gesteld en vanaf 1 april 2023 kunt u geen nieuwe LUIS-resources maken. We raden u aan uw LUIS-toepassingen te migreren naar gesprekstaalbegrip om te profiteren van continue productondersteuning en meertalige mogelijkheden.
Taalkennis biedt twee typen modellen die u kunt gebruiken om uw app-schema te definiëren. Uw app-schema bepaalt welke gegevens u ontvangt van de voorspelling van een nieuwe gebruikersuiting.
Het app-schema is gebouwd op basis van modellen die u maakt met behulp van machine teaching:
- Intenties classificeren gebruikersuitingen
- Entiteiten extraheren gegevens uit utterance
Ontwerpen maakt gebruik van machine teaching
Met de machine teaching-methodologie van LUIS kunt u eenvoudig concepten aan een machine leren. Informatie over machine learning is niet nodig om LUIS te gebruiken. In plaats daarvan communiceert u als docent een concept met LUIS door voorbeelden van het concept te geven en uit te leggen hoe een concept moet worden gemodelleerd met behulp van andere gerelateerde concepten. Als docent kunt u het LUIS-model ook interactief verbeteren door voorspellingsfouten te identificeren en op te lossen.
Intentie-uitingen classificeren
Een intentie classificeert voorbeelduitingen om LUIS te leren over de intentie. Voorbeelduitingen binnen een intentie worden gebruikt als positieve voorbeelden van de utterance. Deze utterances worden gebruikt als negatieve voorbeelden in alle andere intenties.
Overweeg een app die de bedoeling van een gebruiker moet bepalen om een boek te bestellen en een app die het verzendadres voor de klant nodig heeft. Deze app heeft twee intenties: OrderBook en ShippingLocation.
De volgende utterance is een positief voorbeeld voor de OrderBook intentie en een negatief voorbeeld voor de ShippingLocation en None intenties:
Buy the top-rated book on bot architecture.
Entiteitgegevens extraheren
Een entiteit vertegenwoordigt een gegevenseenheid die u wilt ophalen uit de utterance. Een machine learning-entiteit is een entiteit op het hoogste niveau die subentiteiten bevat, die ook machine learning-entiteiten zijn.
Een voorbeeld van een machine learning-entiteit is een order voor een vliegtuigticket. Conceptueel gezien is dit één transactie met veel kleinere gegevenseenheden, zoals datum, tijd, aantal zitplaatsen, type stoel zoals eerste klas of coach, oorsprongslocatie, doellocatie en maaltijdkeuze.
Intenties versus entiteiten
Een intentie is het gewenste resultaat van de hele uiting, terwijl entiteiten stukjes gegevens zijn die zijn geëxtraheerd uit de utterance. Meestal zijn intenties gekoppeld aan acties die de clienttoepassing moet uitvoeren. Entiteiten zijn informatie die nodig is om deze actie uit te voeren. Vanuit een programmeerperspectief activeert een intentie een methodeaanroep en worden de entiteiten gebruikt als parameters voor die methodeaanroep.
Deze uiting moet een intentie hebben en mogelijk entiteiten hebben:
Buy an airline ticket from Seattle to Cairo
Deze uiting heeft één intentie:
- Een vliegtuigticket kopen
Deze utterance kan verschillende entiteiten hebben:
- Locaties van Seattle (oorsprong) en Cairo (bestemming)
- De hoeveelheid van één ticket
Entiteitsmodelontleding
LUIS ondersteunt modelontleding met de creatie-API's, waarbij een concept wordt opgesplitst in kleinere onderdelen. Hierdoor kunt u uw modellen bouwen met vertrouwen in de manier waarop de verschillende onderdelen worden gebouwd en voorspeld.
Modelontleding heeft de volgende onderdelen:
- intenties
- machine learning-entiteiten
- subentiteiten (ook machine learning-entiteiten)
Functies
Een functie is een onderscheidend kenmerk of kenmerk van gegevens die door uw systeem worden waargenomen. Machine learning-functies geven LUIS belangrijke aanwijzingen voor het zoeken naar dingen die een concept onderscheiden. Het zijn hints die LUIS kan gebruiken, maar geen harde regels. Deze hints worden gebruikt in combinatie met de labels om de gegevens te vinden.
Patronen
Patronen zijn ontworpen om de nauwkeurigheid te verbeteren wanneer verschillende uitingen vergelijkbaar zijn. Met een patroon kunt u een grotere nauwkeurigheid verkrijgen voor een intentie zonder te voorzien in veel meer uitingen.
De app tijdens runtime uitbreiden
Het schema van de app (modellen en functies) wordt getraind en gepubliceerd naar het voorspellingseindpunt. U kunt nieuwe informatie, samen met de uiting van de gebruiker, doorgeven aan het voorspellingseindpunt om de voorspelling te verbeteren.
Volgende stappen
- Intenties en entiteiten begrijpen.
- Meer informatie over functies