Rasa 笔记 1

本贴最后更新于 1888 天前,其中的信息可能已经时移世改

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

相关帖子

回帖

欢迎来到这里!

我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。

注册 关于
请输入回帖内容 ...