什么是对话语言理解？

对话语言理解是 Azure 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。 开发人员可以通过创建 CLU 项目来迭代标记话语、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：

• 快速入门是入门指南，帮助指导您如何向服务发出请求。
• 概念对服务的功能和特性进行了深入说明。
• 操作指南包含以更具体的方式或自定义方式使用服务的说明。

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：

多轮对话 🆕

将 CLU 与实体槽填充配合使用，以启用跨多个会话轮次进行自然的渐进式信息收集。 应用程序可以在对话中自然收集所需的详细信息，而不是让复杂的表单使用户感到负担沉重。 此方法非常适合预订系统、客户服务工作流或需要通过对话交换收集完整信息的任何应用程序等方案。

• 有关详细信息，请参阅多轮次对话。

端到端聊天机器人

使用 CLU 生成和训练针对特定域和预期用户话语定制的自定义自然语言理解模型。 然后，可以将此解决方案与任何端到端聊天机器人连接。 此过程使机器人能够实时处理和解释传入消息。 通过此集成，机器人可以确定用户的意图，并在聊天发生时从对话中提取关键信息。 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。

通过将它与全面的聊天机器人框架相结合，系统能够即时分析文本，准确识别用户意图，并提取相关详细信息以进行进一步处理。

人工助理机器人

人工助理机器人可以通过对客户查询进行排序并将其定向到正确的支持工程师来增强客户服务。 同样，在企业环境中，人力资源机器人使员工能够以日常语言提问，并根据请求接收相关指导。

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

在一家大型企业中，企业聊天机器人积极处理各种员工事务。 员工依靠聊天机器人来回答常见问题，使用自定义问答知识库。 当用户与其日历交互时，聊天机器人使用由对话语言理解支持的日历特定技能。 员工还受益于通过 CLU 运营的面试反馈技能。 业务流程工作流无缝连接这些技能，确保每个请求直接路由到相应的服务。

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）：

1. 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。

2. 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。

3. 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：

1. 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。

2. 标记数据：数据标记的质量是确定模型性能的关键因素。

3. 训练模型：模型始于从已标记数据进行学习。

4. 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。

5. 改进模型：查看模型的性能后，可以了解如何改进模型。

6. 部署模型：部署模型可使其通过 运行时 API 使用。

7. 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 语言的以下参考文档和示例：

后续步骤

• 使用 快速入门文章 来启动对话式语言理解的使用。

• 在完成项目开发生命周期时，请查看术语表，详细了解整个文档中使用的有关此功能的术语。

• 请记住查看 服务限制 ，了解 区域可用性等信息。