rasa初探

目标：初步了解rasa框架，运行rasa官网的教程

环境：win10、anaconda version : 4.8.2（python version : 3.7.6.final.0）

 

Rasa是一个开源机器学习框架，用于构建上下文AI机器人。

Rasa有两个主要模块：

• Rasa NLU ：用于理解用户消息，包括意图识别和实体识别，它会把用户的输入转换为结构化的数据。
• Rasa Core：是一个对话管理平台，用于举行对话和决定下一步做什么。

术语

• intents：意图
• pipeline：
• story：描述场景和流程，一个story就是一段用户与机器人之间的真实对话，让机器人从真实的会话数据中学习。通常包含用户的意图和机器人的回答，而且是多个来回。
• domain：可以理解为机器人的知识库，定义了用户意图（intents）、机器人的动作（actions），以及动作的内容模板（templates)。

 

1. 安装

 

$ pip install rasa -i https://pypi.tuna.tsinghua.edu.cn/simple/ --timeout=100000

到安装tensorflow模块的时候，经常会超时。只好多试几次，最后总算成功了。祝各位好运吧。

 

2. 创建一个项目

先自己创建一个目录

$ mkdir rasa_tutorial

$ cd rasa_tutorial

$ rasa init --no-prompt

运行后，创建了一批文件：

 

__init__.py	空文件
actions.py	自己的业务代码可以写在这里，默认都被注释掉了
config.yml ‘*’	Rasa NLU 和 Rasa Core 的配置文件
credentials.yml	定义和其他服务连接的一些细节，例如rasa api接口
data/nlu.md ‘*’	Rasa NLU 的语义训练数据，主要包括意图（intent）和槽值（slot）。主要用于训练机器人对用户消息进行予以理解，从而 识别用户的意图。
data/stories.md ‘*’	Rasa stories 数据，通常是一连串多轮对话，
domain.yml ‘*’	Rasa domain 文件，AI机器人的知识库，与nlu.md和stories.md中的意图和场景要有对应。
endpoints.yml	和外部消息服务对接的 endpoins 细则，例如 fb messenger
models/.tar.gz	经过训练生成的模型数据

 

3. 训练

$ rasa train

这个命令启动了机器人的 训练过程，我们可以看到一大串输入提示，表示正在训练机器人。最后在models文件夹下生成了文件 .tar.gz，这就是经过训练后的模型数据

 

4. 对话

$ rasa shell

启动了一个命令行环境，你可以开始于机器人对话了！

 

5. 为机器人增加自己的对话策略

（1）修改domain.yml

在 intents里面，增加一行”愤怒“的意图

- mood_angry

在response一节的最后，增加两行，表示机器面对用户愤怒情绪的时候，回答一句话”Be cool!“：

utter_angry:

- text: "Be cool!"

 

(2)修改 data/nlu.md文件

在 data/nlu.md 文件最后增加几行，表示用于识别用户愤怒情绪的词槽

## intent:mood_angry

- hate you

- hate

 

（3)修改data/stories.md文件

增加几行，表示机器人面对用户愤怒情绪时的一段对话场景，先提醒用户冷静，再询问是否需要帮助。

## angry path

* mood_angry

- utter_angry

- utter_did_that_help

 

6. 重新训练，并进入对话环境

$ rasa train

$ rasa shell