Rasa 笔记 1

通过本文可以建立起 rasa 的几个重要基本概念，rasa core,rasa nlu,story,domain,
intents 意图
actions 动作
templates 回答模板
entities 实体
slots 词槽

前言
本文内容基于 Rasa 官网文档，做了翻译与整理，并添加一些自己的理解，方便大家上手 Rasa，想了解更多内容的小伙伴可关注 Rasa 官网

Rasa 是一个基于多轮对话的框架，其中包含两个模块 Rasa core 与 Rasa nlu。

Rasa nlu 是用来理解语义的，包括意图识别，实体识别，它会把用户的输入转换为结构化的数据，例如在下图的例子中，nlu 会识别出用户打算发一封邮件（意图），邮箱地址 amy@example.com（实体）。Rasa Core 是一个对话管理的平台，它的工作是决定接下来机器该返回什么内容给用户，这里给用户返回了 Should we make that your primary email?

在接下来的内容中，我们会基于一个简单的多轮对话带领大家搭建一个 Rasa 平台，为了理解起来简单，我们暂时不考虑填槽。

安装 Rasa
pip install rasa_core
pip install rasa_nlu[tensorflow]
Rasa Core
我们先从 Rasa core 讲起，core 包含两个内容，stories 和 domain。

1、Stories
stories 可以理解为对话的场景流程，我们需要告诉机器我们的多轮场景是怎么样的，例如，在下文的例子中，我们希望的流程是这样的：用户问好 -> 机器问用户今天过得怎么样 -> 用户反馈情绪 -> 机器根据不同的情绪进行回复，这里其实包含两个流程，一个正面情绪的流程与一个负面情绪的流程，因此，我们也需要编写两个 story，接下来我们看下怎么编写 story。

符号 说明

story 标题

• 意图

• 动作

story_happy

• greet
  • utter_greet
• mood_happy
  • utter_happy

story_unhappy

• greet2
  • utter_greet
• mood_unhappy

• utter_unhappy

把以上内容保存到 stories.md 文件中

2、Domain
domain 可以理解为机器的知识库，其中定义了意图，动作，以及对应动作所反馈的内容。

标识 说明
intents 意图
actions 动作
templates 回答模板
entities 实体
slots 词槽
intents:

• greet
• mood_happy
• mood_unhappy

actions:

• utter_greet
• utter_happy
• utter_unhappy

templates:
utter_greet:

• text: "你好，你今天过的怎么样"

utter_happy:

• text: "那很棒棒哦"

utter_unhappy:

• text: "咋了，可以告诉我吗"

把以上内容保存到 domain.yml 文件中

Rasa Core 的任务是在获取到用户的意图后，选择正确的 action，这些 action 就是定义在 domain 中以 utter_开头的内容，每一个 action 会根据 templates 中的情况来返回对应的内容。

在我们这个简单的例子中不需要定义词槽与实体，所以 domain 中暂时没有。

3、训练对话模型
下一步就是用神经网络去训练我们的 Core 模型了，我们可以直接执行以下命令，训练的模型将会存储在 models/dialogue 文件夹下。

python -m rasa_core.train -d domain.yml -s stories.md -o models/dialogue

可以看到，训练过程采用了一个神经网络，结构为：masking->lstm->dense->activation，这里简单介绍下 masking 层，在 nlp 领域，输入的内容可能不是一样长的，为了能统一处理数据需要定长，因此某些值需要补 0 或者截取多余内容，但是补 0 的部分其实是没有意义的，masking 层能让这些补 0 的部分不参与之后的计算，从而提升运算效率。

4、尝试和你的机器人交流吧
接下来我们就可以用训练好的模型来运行我们的机器人了，执行以下命令

python -m rasa_core.run -d models/dialogue
此时我们的机器人还无法判断用户的意图，只能根据输入的意图返回特定的答案，所以我们只能输入一些结构化的数据，例如输入我们之前在 domian 中定义好的意图，输入的信息需要以 /开头，我们可以直接输入意图 /greet，当然，如果你想让机器人回答更多的内容，请在 stories 与 domain 中添加更多的内容。

Rasa NLU
1、添加 NLU 模块
目前我们的机器人已经可以通过输入意图来获取答案了，但是怎么让机器理解真正的语言呢，这个时候就需要用到 NLU 模块了，NLU 的任务是解析消息，它能把自然语言解释成我们需要的结构化的数据，我们继续完善下去。

首先，我们需要定义一个对应的意图可能会出现的文本内容文件 nlu.md

intent:greet

• 你好
• 上午好
• 下午好
• 早上好
• 晚上好

intent:mood_happy

• 很好
• 我很好

intent:mood_unhappy

• 我很难受
• 我心情很差
  把以上内容保存到 nlu.md 文件中

除此之外，我们还需要一个 nlu 的配置文件，nlu_config.yml，由于我们是中文系统，所以 language 对应的是 zh，如果你需要英文的对话请修改为 en。

language: zh
pipeline: tensorflow_embedding
把以上内容保存到 nlu_config.yml 文件中

准备好之后就可以开始训练 NLU 模型了，执行以下命令

python -m rasa_nlu.train -c nlu_config.yml --data nlu.md -o models --fixed_model_name nlu --project current --verbose
2. 再一次和你的机器人进行交流吧
添加完 NLU 模型之后我们就能让机器识别自然语言了，我们执行下以下命令。

python -m rasa_core.run -d models/dialogue -u models/current/nlu

到此我们简单的 Rasa 系统就搭建完成了，大家可以继续添加 stories、domain、nlu 文件的内容来搭建一个属于自己的 Rasa 系统。下一篇文章将会带领大家学习如何做实体识别与填槽。

著作权归作者所有。
商业转载请联系作者获得授权,非商业转载请注明出处。
原文: https://terrifyzhao.github.io/2018/09/17/Rasa%E4%BD%BF%E7%94%A8%E6%8C%87%E5%8D%9701.html