【机器学习】Rasa NLU以及Rasa Core概念和语法简介（超详细必看）
觉得有帮助请点赞关注收藏~~~
一、Rasa简介
Rasa是一个开源机器学习框架，可以用于构建基于文本和语音的对话驱动型自动化智能客服助手，能够克服传统客服的部分缺陷，在Windows操作系统环境下，可以使用pip install rasa完成安装，它主要包含以下两个主要模块
Rasa框架
（1）自然语言理解 （Rasa Natural Language Understanding：Rasa NLU）：主要功能是实现用户意图识别、实体提取和参数优化等。例如，将用户输入的无结构化信息转换为有序的结构化信息，Rasa支持本地部署，并支持包括英语和汉语等在内的多种语言
（2）对话管理（Rasa Core）：Core模块的主要功能为预测，因此可以针对未知场景提供适当的响应。
二、Rasa NLU详解
Rasa NLU模块的主要功能包括用户意图理解，实体提取和参数优化等等，Rasa使用意图概念作为用户消息分类的基本准则，可以将用户输入信息分成单数意图或者复数意图，可以从空白开始训练，也支持预加载训练模型，针对中文等不以空格分隔文本的场景，可以使用结巴分词进行数据预处理。
Rasa NLU需要解决包括数据质量 超范畴词语以及近意图混淆区分等问题 下面介绍Rasa相关基本概念和基本要素
（1）意图（intent）
训练数据是创建Rasa智能客服的重要基础步骤，Rasa基于用户意图（intent）关键字进行分类，相同意图内部通过关键字examples加以区分,意图通常由对话的动词部分组成。
实例： - intent: name_query
examples: | - Please show me your first name and last name. - What is your full name in Chinese?
（2）实体（Entities）
实体是可以从用户消息中提取出来的结构化、规则性信息，实体注解语法表达格式如下，还可以在实体参数后面加上其他参数如角色信息（role）、组信息（group）和 值信息（value）。 [<entity-text>]{"entity": "<entity name>"}
实例： - intent: ask_preference examples: | - what is your favorite [product]{"entity": "preference"} - which one do you like the best among [the list of products]{"entity": "preference"}
（3）同义词（Synonyms）
同义词将提取出来的信息映射到其他相近的表达。
实例： - synonym: disease examples: | - sickness - illness
（4）正则表达式（Regular Expressions）
正则表达式可以用来过滤和匹配信息，实现信息分类、信息检索和实体提取的目的。
实例： - regex: account_info examples: | - [a-zA-Z0-9]
（5）故事（Stories）
故事是用户和智能客服之间的对话信息，用以训练用户与客服程序之间的对话模型，并且自动扩展应用到未知的对话场景以便生成正确的响应。故事由名字（story）、概要信息（metadata，可选项）和步骤（steps）组成。其中步骤可以包括用户消息（user message）、动作（action）、表格（form）以及检查点（checkpoint）等组成。
实例： stories: - story: basics_query metadata: identification: id_card
（6）用户消息（user message）
用户消息由必选关键字intent指定，也可以通过可选关键字entities指定。
实例： stories: - story: story_info steps: - intent: intent_list entities: - entity: entity_list - action: action_list
（7）动作（Actions）
动作包括特定响应动作（responses）和自定义动作（Custom actions），前者由客服程序自动返回特定信息给用户，而后者的信息响应偏重随机性。
实例： stories: - story: story_response steps: - intent: response #特定响应动作 - action: utter_response #定制动作 - action: action_response
（8）规则（Rules）
规则是一种用于训练对话管理模型的训练数据,符合规则的内容遵循相同匹配路径。
实例： rules: - rule: Transfer request to the department if the user requests confirmation
steps: - intent: confirm - action: utter_confirm
（9）域（Domain）
域信息在域文件YAML中定义，域定义 意图、实体、响应和动作等信息
intents: - greeting - query entities: - name responses: utter_greet: -
text: "Nice to meet you!" utter_default: - text: "How are you."
（10）策略（policy）
策略一般在配置文件中设置，Rasa配置文件为yml格式，其定义组件和策略（policy）等信息，当用户输入消息时，客服程序基于配置信息进行对应的预测，其中策略（policy）决定对话的每一步中所采取的动作。
实例： policies: - name: execution_policy - name: epolicy
epochs: 50
（11）管道（pipeline）
管道中可以配置语言信息或者模型信息。 实例：配置模型支持英语
pipeline: - name: "lang_model" #
加载英语模型 model: "en_core_web_md"
三、Rasa Core简介
Rasa Core 概述 Rasa Core是Rasa的对话管理模块，主要任务是更新对话状态和响应动作选择，然后对用户的输入提供反馈结果。Rasa Core具备预测能力，根据模型的训练结果，可以针对未知对话场景选择响应，因此Core功能的质量高低，决定了智能机器人的水平。
创作不易 觉得有帮助请点赞关注收藏~~~