Terminy i definicje używane w zrozumieniu języka konwersacji
Skorzystaj z tego artykułu, aby dowiedzieć się więcej o niektórych definicjach i terminach, które można napotkać podczas korzystania z interpretacji języka konwersacji.
Encja
Jednostki to słowa w wypowiedziach, które opisują informacje używane do realizacji lub identyfikowania intencji. Jeśli jednostka jest złożona i chcesz, aby model identyfikował określone części, możesz podzielić model na podenty. Możesz na przykład chcieć, aby model przewidział adres, ale także podjęci ulicy, miasta, stanu i kodu pocztowego.
Wynik F1
Wynik F1 jest funkcją precyzji i kompletności. Jest to konieczne, gdy szukasz równowagi między precyzją a kompletnością.
Zamiar
Intencja reprezentuje zadanie lub akcję, którą użytkownik chce wykonać. Jest to cel lub cel wyrażony w danych wejściowych użytkownika, takich jak rezerwacja lotu lub płacenie rachunku.
Jednostka listy
Jednostka listy reprezentuje stały, zamknięty zestaw powiązanych wyrazów wraz z ich synonimami. Jednostki listy są dokładnymi dopasowaniami, w przeciwieństwie do jednostek poznanych maszyn.
Jednostka będzie przewidywana, jeśli na liście znajduje się wyraz w jednostce listy. Jeśli na przykład masz jednostkę listy o nazwie "size" (rozmiar) i masz wyrazy "small, medium, large" na liście, jednostka rozmiaru będzie przewidywana dla wszystkich wypowiedzi, w których słowa "small", "medium" lub "large" są używane niezależnie od kontekstu.
Model
Model jest obiektem, który jest szkolony do wykonywania określonego zadania, w tym przypadku zadania rozumienia konwersacji. Modele są trenowane, dostarczając dane oznaczone etykietami, aby uczyć się na ich podstawie, dzięki czemu mogą być później używane do zrozumienia wypowiedzi.
- Ocena modelu to proces wykonywany bezpośrednio po trenowaniu, aby wiedzieć, jak dobrze działa model.
- Wdrożenie to proces przypisywania modelu do wdrożenia w celu udostępnienia go do użycia za pośrednictwem interfejsu API przewidywania.
Nadmierne dopasowanie
Nadmierne dopasowanie ma miejsce, gdy model jest naprawiony na określonych przykładach i nie jest w stanie uogólnić dobrze.
Dokładność
Mierzy dokładność/dokładność modelu. Jest to stosunek poprawnie zidentyfikowanych wyników dodatnich (prawdziwie dodatnich) i wszystkich zidentyfikowanych wyników dodatnich. Metryka precyzji pokazuje, ile klas przewidywanych jest poprawnie oznaczonych etykietami.
Project
Projekt to obszar roboczy umożliwiający tworzenie niestandardowych modeli uczenia maszynowego na podstawie danych. Dostęp do projektu można uzyskać tylko do Ciebie i innych osób, które mają dostęp do używanego zasobu platformy Azure.
Odwołaj
Mierzy zdolność modelu do przewidywania rzeczywistych dodatnich klas. Jest to stosunek przewidywanych wyników prawdziwie dodatnich do tego, co zostało rzeczywiście oznaczone. Metryka kompletności pokazuje, ile przewidywanych klas jest poprawnych.
Regular expression
Jednostka wyrażenia regularnego reprezentuje wyrażenie regularne. Jednostki wyrażeń regularnych są dokładnie zgodne.
Schemat
Schemat jest definiowany jako kombinacja intencji i jednostek w projekcie. Projekt schematu jest kluczową częścią sukcesu projektu. Podczas tworzenia schematu chcesz zastanowić się, które intencje i jednostki powinny zostać uwzględnione w projekcie.
Dane szkoleniowe
Dane szkoleniowe to zestaw informacji potrzebnych do wytrenowania modelu.
Wypowiedź
Wypowiedź to dane wejściowe użytkownika, które są krótkim tekstem reprezentatywnym dla zdania w konwersacji. Jest to fraza języka naturalnego, taka jak "zarezerwuj 2 bilety do Seattle w najbliższy wtorek". Przykładowe wypowiedzi są dodawane do trenowania modelu, a model przewiduje nową wypowiedź w czasie wykonywania