Rasa Notes

rasa_nlu训练数据的生成

对话系统的冷启动都会遇到这样的问题，没有数据。

使用chatito来生成rasa_nlu意图识别需要的数据。这个数据需要反反复复的修改和完善。

Chatito doc

在产生训练数据的时候需要确定的nlu的意图和实体类别，需要在domain.yml文件中配置intents和entities。

官方DOC

https://rasa.com/docs/rasa/core/policies/

mini rasa tutorial

1. 创建一个新的项目
2. 查看NLU培训数据
3. 定义模型配置，写下第一个故事Story
4. 定义这个故事story的作用域domain
5. 训练模型
6. 测试你写好的助手

创建新项目

路径指向一个新的空文件夹 cd path/to/a/blank/folder

在这个文件夹里面创建新的rasa项目 rasa init --no-prompt

文件夹中将会生成以下的文件：

init.py	空文件用于定位
actions.py	用于定义动作（自定义脚本代码）
config.yml	配置NLU和core模型
credentials.yml	连接到其他服务器的细节（不常用）
data/nlu.md	自定义NLU训练数据
data/stories.md	自定义stories
domain.yml	助手的定义域domian
endpoints.yml	连接到fb message等的轨道（不常用）
models/.tar.gz	模型及其参数文件
	自定义的NLU模型

自定义NLU训练数据

cat data/nlu.md

自定义stories

查看写好的stories

cat data/stories.md

自定义动作acitons

actions有两种类型：

• 直接回复，在domain.yml中定义templete
• 自定义操作，在aciton.py文件中添加

自定义domain

cat domain.yml

1. intents：用户意图
2. entities：实体
3. slots：槽
4. actions：助手说和做的事情
5. templates：助手根据actions具体要做的事情

定义模型配置

配置文件config.yml

• police: core，决定对话状态跟踪策略
• pipeline: NLU，Natural Language Understanding and Intent Classification，理解当前用户输入，提取意图。

language: "zh"

pipeline:
  - name: "JiebaTokenizer"

policies:
  - name: FallbackPolic
    fallback_action_name: 'action_default_fallback'
    nlu_threshold: 0.5
    core_threshold: 0.3

训练模型

使用data下面的训练数据

-- core/ -- stories.md -- nlu/ -- nlu.json

自动对模型进行训练，训练好的模型将会被打上时间戳time stamp作为新的模型，保存在models目录下面

rasa train

SHELL启动

rasa shell

可视化界面

rasa x