Rasa Stack：创建支持上下文的人工智能助理和聊天机器人教程

相关概念

Rasa Stack 是一组开放源码机器学习工具，供开发人员创建支持上下文的人工智能助理和聊天机器人：

• Core = 聊天机器人框架包含基于机器学习的对话管理

• NLU = 用于自然语言理解的库包含意图识别和实体提取

NLU 和 Core 是独立的。您可以使用没有 Core 的 NLU，反之亦然。我们建议两者都使用。

 

让我们从一个例子开始。想象一下你已经建立了一个人工智能助理来预约医生。在谈话开始时，你问你的用户你在找什么？他们回答我需要94301的家庭医生。现在是 Rasa Stack 开始工作的时候了：

rasa-ecosystem.png

1. NLU根据您之前的训练数据了解用户的信息：

• 意图分类：根据预先定义的意图解释含义（例如：我需要94301中的一个GP是一个寻找医生意图的置信度是93%）

• 实体提取：识别结构化数据（例如：gp 是医生类型和 94301 是一个邮政编码）

 

2. Core 决定本次对话接下来会发生什么。它是基于机器学习的对话管理，根据 NLU 的输入、对话历史和您的训练数据预测下一个最佳行动。（例如：Core 有87%的信心，预约是下一个最佳操作，与用户确认是否希望更改主要联系信息）。

 

尝试一下

原文链接可以直接交互，译文只能展示流程，交互效果请查看最后的原文链接体验。

本教程将向您展示构建机器人所需的不同部分。您可以在文档中直接运行代码，而无需安装任何东西，也可以安装 Rasa Core 并在本地计算机上的 Jupyter notebook 中运行示例！如果您想在本地运行这个，请转到步骤3：首先开始构建来安装 Rasa Stack 。

 

目标
你将建立一个友好的聊天机器人，它会问你做得怎么样，并发送一张有趣的图片给你，让你在悲伤时振作起来。

mood_bot.png

 

使用 RASA NLU 教 bot 了解用户输入

1. 创建 NLU 案例

你首先要教你的助手理解你的信息。为此，您将训练 NLU 模型，该模型将以简单的文本格式接收输入并提取结构化数据。这种称为意图的结构化数据将帮助bot理解您的消息。

您要做的第一件事是定义bot应该理解的用户消息。您将通过定义意图并提供一些用户表达意图的方法来实现这一点。

 

运行下面的代码单元将 RASA NLU 训练示例保存到文件nlu.md：

nlu_md = """## intent:greet- hey- hello- hi- good morning- good evening- hey there## intent:goodbye- bye- goodbye- see you around- see you later## intent:mood_affirm- yes- indeed- of course- that sounds good- correct## intent:mood_deny- no- never- I don't think so- don't like that- no way- not really## intent:mood_great- perfect- very good- great- amazing- wonderful- I am feeling very good- I am great- I'm good## intent:mood_unhappy- sad- very sad- unhappy- bad- very bad- awful- terrible- not very good- extremely sad- so sad"""%store nlu_md > nlu.mdprint("The data has been successfully saved inside the nlu.md file! You can move on to the next step!")## intent:greet
- hey
- hello
- hi
- good morning
- good evening
- hey there

## intent:goodbye
- bye
- goodbye
- see you around
- see you later

## intent:mood_affirm
- yes
- indeed
- of course
- that sounds good
- correct

## intent:mood_deny
- no
- never
- I don't think so
- don't like that
- no way
- not really

## intent:mood_great
- perfect
- very good
- great
- amazing
- wonderful
- I am feeling very good
- I am great
- I'm good

## intent:mood_unhappy
- sad
- very sad
- unhappy
- bad
- very bad
- awful
- terrible
- not very good
- extremely sad
- so sad
"""
%store nlu_md > nlu.md

print("The data has been successfully saved inside the nlu.md file! You can move on to the next step!")

2. 定义NLU模型配置

NLU模型配置定义如何训练NLU模型以及如何从文本输入中提取特征。在本例中，您将使用一个预定义的 TensorFlow_Embedding Pipeline，您可以在这里了解更多信息。

下面的代码块将把NLU模型配置保存到名为 nlu_config.yml 的文件中。

nlu_config = """language: enpipeline: tensorflow_embedding"""%store nlu_config > nlu_config.ymlprint("The configuration has been successfully stored inside the nlu_config.yml file. You can now move on to the next step!")3.训练 NLU 模型现在您拥有训练 NLU 模型所需的所有组件。运行下面的单元，该单元将调用 rasa.nlu 模型，传递先前定义的 nlu.md 和 nlu_config.yml 文件，并将模型保存在 models/current/nlu 目录中。from rasa_nlu.model import Metadata, Interpreterimport jsondef pprint(o): # small helper to make dict dumps a bit prettier print(json.dumps(o, indent=2))interpreter = Interpreter.load('./models/current/nlu')pprint(interpreter.parse(u"Hello"))
%store nlu_config > nlu_config.yml

print("The configuration has been successfully stored inside the nlu_config.yml file. You can now move on to the next step!")


3.训练 NLU 模型

现在您拥有训练 NLU 模型所需的所有组件。运行下面的单元，该单元将调用 rasa.nlu 模型，传递先前定义的 nlu.md 和 nlu_config.yml 文件，并将模型保存在 models/current/nlu 目录中。

from rasa_nlu.model import Metadata, Interpreter
import json

def pprint(o):
# small helper to make dict dumps a bit prettier
 print(json.dumps(o, indent=2))

interpreter = Interpreter.load('./models/current/nlu')
pprint(interpreter.parse(u"Hello"))

 

4. 测试模型

现在，您可以测试模型，看看机器人是否能理解您。下面的代码块将加载您刚刚培训的模型，并返回消息hello的意向分类结果。您也可以通过编辑hello字符串对不同的消息进行测试：

from rasa_nlu.model import Metadata, Interpreterimport jsondef pprint(o): # small helper to make dict dumps a bit prettier print(json.dumps(o, indent=2))interpreter = Interpreter.load('./models/current/nlu')pprint(interpreter.parse(u"Hello"))import Metadata, Interpreter
import json

def pprint(o):
# small helper to make dict dumps a bit prettier
 print(json.dumps(o, indent=2))

interpreter = Interpreter.load('./models/current/nlu')
pprint(interpreter.parse(u"Hello"))

 

使用 Rasa Core 指导机器人做出响应

5. 写故事

在这个阶段，您将教您的聊天机器人使用 Rasa Core 响应您的消息。 Rasa Core 将训练对话管理模型，并预测机器人应如何在对话的特定状态下做出响应。

 

Rasa Core 模型以训练“故事”的形式从真实的会话数据中学习。故事是用户和机器人之间的真实对话，其中用户输入表示为意图和机器人的响应被表示为动作名称。下面是一个简单对话的例子：用户向我们的机器人打招呼，机器人向我们打招呼。这就是它看起来像一个故事：

## story1* greet - utter_greet# story1
* greet
 - utter_greet

 

故事以 ## 开头 跟随着的是名字（可选）。以 * 开头的行是用户发送的消息。虽然您不写实际的消息，但它代表了用户的意图。以 - 开头的行是您的bot所采取的操作。在这种情况下，我们的所有操作都只是发送回用户的消息，比如说问候语，但是一般来说，一个操作可以做任何事情，包括调用API和与外部世界交互。

 

运行下面的单元格将示例故事保存在名为'stories.md'的文件中：

stories_md = """## happy path* greet - utter_greet* mood_great - utter_happy## sad path 1* greet - utter_greet* mood_unhappy - utter_cheer_up - utter_did_that_help* mood_affirm - utter_happy## sad path 2* greet - utter_greet* mood_unhappy - utter_cheer_up - utter_did_that_help* mood_deny - utter_goodbye## say goodbye* goodbye - utter_goodbye"""%store stories_md > stories.mdprint("The training stories have been successfully saved inside the stories.md file. You can move on to the next step!")## happy path
* greet
 - utter_greet
* mood_great
 - utter_happy

## sad path 1
* greet
 - utter_greet
* mood_unhappy
 - utter_cheer_up
 - utter_did_that_help
* mood_affirm
 - utter_happy

## sad path 2
* greet
 - utter_greet
* mood_unhappy
 - utter_cheer_up
 - utter_did_that_help
* mood_deny
 - utter_goodbye

## say goodbye
* goodbye
 - utter_goodbye
"""
%store stories_md > stories.md

print("The training stories have been successfully saved inside the stories.md file. You can move on to the next step!")

 

6. 定义域

接下来我们需要做的就是定义一个域。这个域定义了你的机器人所处的世界——它应该得到什么样的用户输入，它应该能够预测什么样的动作，如何响应以及存储什么样的信息。下面是我们的bot的一个示例域，您将写入名为domain.yml的文件：

domain_yml = """intents: - greet - goodbye - mood_affirm - mood_deny - mood_great - mood_unhappyactions:- utter_greet- utter_cheer_up- utter_did_that_help- utter_happy- utter_goodbyetemplates: utter_greet: - text: "Hey! How are you?" utter_cheer_up: - text: "Here is something to cheer you up:" image: "https://i.imgur.com/nGF1K8f.jpg" utter_did_that_help: - text: "Did that help you?" utter_happy: - text: "Great carry on!" utter_goodbye: - text: "Bye""""%store domain_yml > domain.ymlprint("The domain has been successfully saved inside the domain.yml file. You can move on to the next step!")"
intents:
 - greet
 - goodbye
 - mood_affirm
 - mood_deny
 - mood_great
 - mood_unhappy

actions:
- utter_greet
- utter_cheer_up
- utter_did_that_help
- utter_happy
- utter_goodbye

templates:
 utter_greet:
 - text: "Hey! How are you?"

 utter_cheer_up:
 - text: "Here is something to cheer you up:"
 image: "https://i.imgur.com/nGF1K8f.jpg"

 utter_did_that_help:
 - text: "Did that help you?"

 utter_happy:
 - text: "Great carry on!"

 utter_goodbye:
 - text: "Bye"
"""
%store domain_yml > domain.yml

print("The domain has been successfully saved inside the domain.yml file. You can move on to the next step!")

 

那么不同的部分意味着什么呢？

intents：你希望用户说的话。见Rasa NLU

actions：你的机器人能做和说的事情

templates：模板字符串用于bot可以说的内容

 

这是怎么结合起来的？Rasa Core的工作是在对话的每个步骤中选择要执行的正确操作。简单的操作只是向用户发送一条消息。这些简单的操作是域中的操作，从 utter_ 开始。他们只会根据模板部分中的模板回复一条消息。有关如何构建更有趣的操作，请参见自定义操作。

 

7. 训练对话模型

下一步是在我们的例子中训练一个神经网络。要执行此操作，请运行下面的命令。此命令将调用Rasa Core 训练功能，将域和故事文件传递给它，并将训练后的模型存储到models/dialogue目录中。此命令的输出将包括每个训练阶段的训练结果。

!python -m rasa_core.train -d domain.yml -s stories.md -o models/dialogueprint("Finished training! You can move on to the next step!")o models/dialogue

print("Finished training! You can move on to the next step!")

 

8. 和你的机器人聊天

就这样！现在你已经拥有了开始与机器人交互所需的一切！让我们使用下面的命令启动您的完整bot，包括rasa core和rasa nlu模型！

 

如果您没有运行上面的单元，这将不起作用！

import IPythonfrom IPython.display import clear_output, HTML, displayfrom rasa_core.agent import Agentfrom rasa_core.interpreter import RasaNLUInterpreterimport timeinterpreter = RasaNLUInterpreter('models/current/nlu')messages = ["Hi! you can chat in this window. Type 'stop' to end the conversation."]agent = Agent.load('models/dialogue', interpreter=interpreter)def chatlogs_html(messages): messages_html = "" for m in messages: if m.endswith('.jpg'): messages_html += "".format(m) else: messages_html += "
{}
".format(m) chatbot_html = """
""".format(messages_html) return chatbot_htmlwhile True: clear_output() display(HTML(chatlogs_html(messages))) time.sleep(0.3) a = input() messages.append(a) if a == 'stop': break responses = agent.handle_message(a) for r in responses: key = 'image' if 'image' in r.keys() else 'text' messages.append(r.get(key))
from IPython.display import clear_output, HTML, display
from rasa_core.agent import Agent
from rasa_core.interpreter import RasaNLUInterpreter
import time

interpreter = RasaNLUInterpreter('models/current/nlu')
messages = ["Hi! you can chat in this window. Type 'stop' to end the conversation."]
agent = Agent.load('models/dialogue', interpreter=interpreter)

def chatlogs_html(messages):
 messages_html = ""
for m in messages:
if m.endswith('.jpg'):
 messages_html += "".format(m)
else:
 messages_html += "
{}
".format(m)
 chatbot_html = """
""".format(messages_html)
return chatbot_html


while True:
 clear_output()
 display(HTML(chatlogs_html(messages)))
 time.sleep(0.3)
 a = input()
 messages.append(a)
if a == 'stop':
break
 responses = agent.handle_message(a)
for r in responses:
 key = 'image' if 'image' in r.keys() else 'text'
 messages.append(r.get(key))

 

祝贺你！你刚刚从头开始构建了一个机器人，完全由机器学习提供动力。为什么不玩耍上面的代码呢？

 

教你的机器人更好地理解你。添加更多的NLU数据，重新导入NLU模型并重新启动bot。

添加更多的故事以提供更多关于您的bot应该如何工作的示例。然后重新训练 Rasa Core 模型来尝试它！

 

编辑域中的响应模板，重新导入模型并查看结果！

 

现在，您已经准备好构建自己的机器人了！立即安装并立即运行。

 

英文原文：https://rasa.com/docs/get_started_step1/

 

 

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/

欢迎关注PyTorch官方中文教程站：
http://pytorch.panchuang.net/