RASA-1-基础说明

摘要

本文内容基于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。

安装Rasa

pip3 install rasa_core
pip3 install rasa_nlu[tensorflow]

Rasa Core

core包含两个内容，stories和domain。

Stories

• stories可以理解为对话的场景流程，即告诉机器多轮场景是怎样的。如：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；其中包含两个流程：一个正面情绪的流程与一个负面情绪的流程，因此我们需要编写两个story。

符号	说明
##	story标题
*	意图
-	动作

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。
• Rasa Core的任务是在获取到用户的意图之后，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。

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

训练对话模型

• 下一步就是用神经网络训练我们的Core模型，可以直接执行下列命令。训练模型将会存储在models/dialogue文件夹下。

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

• 可以发现，训练过程中采用了一个神经网络，结构为：masking -> lstm -> dense -> activation。masking层：在Nlu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。

尝试交流

• 可以执行指令

python -m rasa_core.run -d models/dialogue

Rasa NLU

添加nlu模块

• 目前机器人可以通过输入意图来获取答案，NLU模块负责让机器理解真正的语言，任务是解析消息，能把自然语言解释称我们需要的结构化数据。

RASA安装2

安装方式

• Rasa另一个推荐安装方式是通过pip，这种方式将同时安装Rasa和Rasa X：

pip3 install rasa-x --extra-index-url https://pypi.rasa.com/simple

NLU管道依赖项

• Rasa NLU有用于识别意图和实体的不同组件，其中大多数有一些额外的依赖项。
• 当训练nlu时，Rasa将检查是否安装了所有必须的依赖项，并告知缺少哪个依赖项。如果想确保为你可能需要的任何组件安装了依赖项，而且不介意有其他依赖项存在，可以使用：

pip3 install -r alt_requirements/requirements_full.txt