rsa详解,rasa安装
请注明出处，原地址：
01.html https://terrifyzhao.github.io/2018/09/17/Rasa用户指南
Rasa使用指南介绍02本文以Rasa官网文档为基础，经过翻译和整理，补充了一些自己的理解，方便大家入门Rasa。想了解更多的可以关注Rasa官网。
Rasa是基于多轮对话的框架，包括Rasa核心和Rasa nlu两个模块。
Rasa nlu用于理解语义，包括意图识别和实体识别。它将把用户的输入转换成结构化数据。例如，在下面的例子中，nlu会识别用户发送邮件的意图(intention)和手机@example.com (entity)的害羞邮件地址。Rascore是一个对话管理平台。它的工作是决定机器下一步应该返回给用户什么。在这里，我们是否应该将您的主电子邮件返回给用户？
在接下来的内容中，我们将带领大家搭建一个基于简单多轮对话的Rasa平台。为了便于理解，我们暂时不考虑槽位填充。
安装rasa pip安装rasa _ core pip安装rasa _ nlu [tensorflow] Rasa core。先说rasa核心，包含两个内容，故事和域。
1.故事故事可以理解为对话的场景流。我们需要告诉机器我们的多轮场景是什么样的。比如下面这个例子，我们想要的流程是这样的：用户打招呼——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。这里其实有两股流，一股是正面情绪，一股是负面情绪。所以，我们也需要写两个故事。
插图# #故事标题*意图-行动# # story _ happy * happy-utter _ happy * mood _ happy-utter _ happy # # story _ unhappy * greet 2-utter _ happy * mood _ unhappy-utter _ unhappy将以上内容保存到stories.md
2.领域领域可以理解为机器的知识库，定义了意图、动作，以及相应动作的反馈内容。
动作动作模板答案模板实体槽意图：-问候-心情_快乐-心情_不快乐动作：-发出_问候-发出_快乐-发出_不快乐templates:发出_问候：-文本：你好，今天过得怎么样发出_快乐：-文本：太好了发出_不快乐：-文本：怎么了，能告诉我吗？将以上内容保存在domain.yml文件中。
Rascore的任务是在获取用户意图后，选择正确的动作。这些动作都是在以utter_开头的域中定义的，每个动作都会根据模板中的情况返回相应的内容。
在这个简单的例子中，我们不需要定义单词槽和实体，所以我们暂时没有在domain中使用它们。
3.训练对话模型的下一步是用神经网络来训练我们的核心模型。我们可以直接执行下面的命令，训练好的模型会保存在models/dialogue文件夹中。
python-m rasa _ core . train-d domain . yml-s stories . MD-o models/dialogue
可以看到，训练过程采用了掩蔽-lstm-密集-激活的结构的神经网络。这里简单介绍一下掩膜层。在nlp字段中，输入内容可能不是相同的长度，因此需要固定长度，以便统一处理数据。所以有些值需要用零填充或者砍掉多余的内容，但是填充的部分其实是没有意义的。蒙版层可以让这些填充的部分不参与后续的计算，从而提高。
4.试着和你的机器人交流。接下来，我们可以用训练好的模型运行我们的机器人，并执行以下命令
python-mrasa _ core . run-d models/dialog这个时候我们的机器人还不能判断用户的意图，只能根据输入的意图返回具体的答案，所以只能输入一些结构化的数据，比如我们之前在domian中定义的意图。输入信息需要以/开头，我们可以直接输入意向/问候语。当然，如果你想让机器人回答更多，请在故事和域中输入。
拉萨NLU 1号，增加NLU模块。目前，我们的机器人可以通过输入意图来获得答案，但如何才能让机器理解真正的语言呢？这时，就需要NLU模块了。NLU的任务是解析消息，它可以将自然语言解释成我们需要的结构化数据。我们将继续改进它。
首先我们需要定义一个对应的文本内容文件nlu.md，它的意图可能会出现。
##意图：问候-你好-早上好-下午好-早上好-晚上好##意图：心情_开心-好-我很好##意图：心情_不开心-我感觉不好-我心情不好。将以上内容保存在nlu.md文件中。
此外，我们还需要一个nlu的配置文件，nlu_config.yml，因为我们是中文系统，语言对应zh。如果需要英文对话，请修改为en。
语言：zhpipeline:tensor flow _ embedding将以上内容保存在nlu_config.yml文件中。
准备就绪后，您可以开始训练NLU模型并执行以下命令
python-mrasa _ nlu . train-cnlu _ config . yml-datanlu . MD-o models-fixed _ model _ name nlu-project current-verbose 2。再次与你的机器人交流。加入nlu模型后，我们可以让机器识别自然语言。我们将执行以下命令。
python -m rasa_core.run -d模型/dialogue -u模型/current/nlu
至此，我们简单的Rasa系统已经搭建完成。你可以继续添加故事、域和nlu文件来构建你自己的Rasa系统。下一篇文章将引导您学习如何识别实体和填充槽。
Rasa用户指南02
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。