Nota
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
对话语言理解是 Azure AI 语言提供的自定义功能之一。 它是一种基于云的 API 服务,它应用机器学习智能,使你能够构建要在端到端聊天应用程序中使用的自然语言理解组件。
使用对话语言理解 (CLU),你可以生成自定义自然语言理解模型,以预测传入语句的总体意图并从中提取重要信息。 CLU 只提供理解客户应用程序输入文本的智能,并且不执行任何动作。 通过创建 CLU 项目,开发人员可以迭代地标记话语、训练和评估模型性能,然后再使其可供使用。 已标记数据的质量会极大地影响模型性能。 为了简化生成和自定义模型,该服务提供了一个自定义 Web 门户,可通过 Language Studio 访问该门户。 可以按照此快速入门中的步骤轻松开始使用该服务。
本文档包含以下文章类型:
示例使用方案
CLU 可用于多个行业的不同场景。 一些示例包括:
端到端聊天机器人
使用 CLU 基于特定域和预期用户话语生成和训练自定义自然语言理解模型。 将其与任何端到端聊天机器人集成,以便它可以实时处理和分析传入文本,以识别文本的意图并从中提取重要信息。 让机器人根据意图和提取的信息执行所需的作。 例如,用于在线购物或食品订购的自定义零售机器人。
人工助理机器人
人工助理机器人的一个示例是,通过对客户查询进行会审并将其分配给适当的支持工程师来帮助员工改进客户参与度。 另一个示例是企业中的人力资源机器人,它允许员工以自然语言进行通信,并根据查询接收指导。
命令和控制应用程序
将客户端应用程序与语音转文本组件集成后,用户可以使用自然语言朗讲命令,使 CLU 能够处理、识别意向,并从客户端应用程序的文本中提取信息来执行作。 此用例有许多应用程序,例如停止、播放、转发和倒退歌曲或打开或关闭灯。
企业聊天机器人
在大型企业中,企业聊天机器人可以处理各种员工事务。 它可以处理由自定义问答知识库提供的常见问题、由对话语言理解提供的日历特定技能,以及由 LUIS 提供的面试反馈技能。 使用业务流程工作流将所有这些技能连接在一起,并适当地将传入请求路由到正确的服务。
项目开发生命周期
创建 CLU 项目通常涉及几个不同的步骤。
CLU 提供两个路径,便于你充分利用你的实现。
选项 1 (LLM 支持的快速部署):
定义架构:了解数据,并定义需要从用户的输入话语中识别的作和相关信息。 在此步骤中,你将创建意向,并提供有关要分配给用户话语的意向含义的详细说明。
部署模型:通过基于 LLM 的训练配置部署模型后,可以通过运行时 API 使用该模型。
预测意向和实体:使用自定义模型部署从用户的话语中预测自定义意向和预生成实体。
选项 2 (自定义机器学习模型)
按照以下步骤充分利用已训练的模型:
定义架构:了解数据,并定义需要从用户的输入话语中识别的作和相关信息。 在此步骤,您将创建您希望分配给用户话语的 意向 以及您希望提取的相关 实体。
标记数据:数据标记的质量是确定模型性能的关键因素。
训练模型:模型始于从已标记数据进行学习。
查看模型性能:查看模型的评估详细信息,以确定它在引入新数据时的性能。
改进模型:查看模型的性能后,可以了解如何改进模型。
部署模型:部署模型可使其通过 运行时 API 使用。
预测意向和实体:使用自定义模型从用户的话语中预测意向和实体。
参考文档和代码示例
使用 CLU 时,请参阅 Azure AI 语言的以下参考文档和示例:
开发选项/语言 | 参考文档 | 示例 |
---|---|---|
REST API(创作) | REST API 文档 | |
REST API(运行时) | REST API 文档 | |
C#(运行时) | C# 文档 | C# 示例 |
Python(运行时) | Python 文档 | Python 示例 |