Esempio pratico di pipeline completa

Fase 1:

import spacy
nlp = spacy.load(“it_core_news_sm”)
doc = nlp(“Qual è il miglior prezzo per un frigorifero a basso consumo in Italia?”)
frasi = [token.phrase for token in doc if token.pos_ == “ADJ” and token.dep_ == “compound” and “prezzo” in token.text.lower()]
print(frasi) # Output: [“miglior prezzo frigorifero basso consumo Italia”]

Fase 2:
Modello BERT fine-tuned genera classificazione con confidence >0.9, esempio:

{
“intent”: “transazionale”,
“score”: 0.94,
“context_match”: “prezzo sotto 1500€ e regione Italia”
}

Fase 3:
Glossario valida “prezzo sotto 1500€” come intento transazionale, escludendo sensi generici.
Regola fallback: frase “Dove comprare un frigorifero con basso consumo?” → intento combinato transazionale + navigazionale:

{
“intent”: [“transazionale”, “navigazionale”],
“score”: 0.88
}

Fase 4:
Annotazione JSON-LD:

{
“@context”: “https://schema.org”,
“@type”: “Intent”,
“intent”: “prezzo_e_confrontabile”,
“itemSpecification”: {
“name”: “Frigoriferi a basso consumo sotto 1500€”,
“seller”: { “@type”: “Organization”, “name”: “MediaWorld Italia” },
“availability”: “https://schema.org/InStock”,
“priceRange”: “€”,
“priceCurrency”: “EUR”
}
}