В учебнике, Учебник Microsoft Bot , запускается служба luis, которая имеет возможность деконструировать предложение о бронировании рейса.
Субъекты, которые используются в намеренных высказываниях, имеют 2 составных сущности с именами «Кому» и «От какого потомка» к списку сущностей с именем «Аэропорт».
Это приводит к следующему json
"entities": {
"From": [
{
"Airport": [
[
"Berlin"
]
],
"$instance": {
"Airport": [
{
"type": "Airport",
"text": "berlin",
"startIndex": 19,
"length": 6,
"modelTypeId": 5,
"modelType": "List Entity Extractor",
"recognitionSources": [
"model"
]
}
]
}
}
],
"To": [
{
"Airport": [
[
"Paris"
]
],
"$instance": {
"Airport": [
{
"type": "Airport",
"text": "paris",
"startIndex": 29,
"length": 5,
"modelTypeId": 5,
"modelType": "List Entity Extractor",
"recognitionSources": [
"model"
]
}
]
}
}
],
Две вещи в этом отношении кажутся не очень эффективными, но, поскольку это скорее функциональность машинного обучения, чем машинного обучения, я хочу знать, есть лиРазница.
Почему бы не сделать Airport родителем и иметь 2 дочерних объекта с именами ToCity и FromCity?Это позволит Аэропорту быть городом с 2 вложенными объектами ToCity и FromCity, если они извлечены в высказывании?
Почему здесь вообще используется композит?Есть ли какая-то дополнительная выгода?С помощью приведенной выше абстракции можно было бы просто создать 2 простых объекта или перечислить объекты ToCity и FromCity. Я не понимаю, почему здесь подходит организация составного объекта, но у меня может быть неправильное понимание.
Вот пример того, о чем я говорю в отношении вопроса 1. Для меня это выглядит как более организованная методология.Но не на 100% ясно, как, например, легче получить доступ, или счет выше, так или иначе.Я скажу вам беспристрастно в следующем тесте, эта методология дала более высокий балл для каждого из двух объектов.
"entities": {
"Color": [
{
"CarColor": [
"blue"
],
"$instance": {
"CarColor": [
{
"type": "CarColor",
"text": "blue",
"startIndex": 6,
"length": 4,
"score": 0.9977741,
"modelTypeId": 1,
"modelType": "Entity Extractor",
"recognitionSources": [
"model"
]
}
]
}
},
{
"InteriorColor": [
"red"
],
"$instance": {
"InteriorColor": [
{
"type": "InteriorColor",
"text": "red",
"startIndex": 20,
"length": 3,
"score": 0.883398235,
"modelTypeId": 1,
"modelType": "Entity Extractor",
"recognitionSources": [
"model"
]
}
]
}
}
],