Rasa Stack：创建支持上下文的人工智能助理和聊天机器人教程

尝试一下

原文链接可以直接交互，译文只能展示流程，交互效果请查看最后的原文链接体验。

本教程将向您展示构建机器人所需的不同部分。您可以在文档中直接运行代码，而无需安装任何东西，也可以安装 Rasa Core 并在本地计算机上的 Jupyter notebook 中运行示例！如果您想在本地运行这个，请转到步骤3：首先开始构建来安装 Rasa Stack 。

目标
你将建立一个友好的聊天机器人，它会问你做得怎么样，并发送一张有趣的图片给你，让你在悲伤时振作起来。

mood_bot.png

使用 RASA NLU 教 bot 了解用户输入

1. 创建 NLU 案例

你首先要教你的助手理解你的信息。为此，您将训练 NLU 模型，该模型将以简单的文本格式接收输入并提取结构化数据。这种称为意图的结构化数据将帮助bot理解您的消息。

您要做的第一件事是定义bot应该理解的用户消息。您将通过定义意图并提供一些用户表达意图的方法来实现这一点。

运行下面的代码单元将 RASA NLU 训练示例保存到文件nlu.md：

nlu_md = """## intent:greet- hey- hello- hi- good morning- good evening- hey there## intent:goodbye- bye- goodbye- see you around- see you later## intent:mood_affirm- yes- indeed- of course- that sounds good- correct## intent:mood_deny- no- never- I don't think so- don't like that- no way- not really## intent:mood_great- perfect- very good- great- amazing- wonderful- I am feeling very good- I am great- I'm good## intent:mood_unhappy- sad- very sad- unhappy- bad- very bad- awful- terrible- not very good- extremely sad- so sad"""%store nlu_md > nlu.mdprint("The data has been successfully saved inside the nlu.md file! You can move on to the next step!")## intent:greet
-hey
-hello
-hi
-good morning
-good evening
-hey there## intent:goodbye
-bye
-goodbye
-see you around
-see you later## intent:mood_affirm
-yes
-indeed
-of course
-that sounds good
-correct## intent:mood_deny
-no
-never
-I don't think so
-don't like that
-no way
-not really## intent:mood_great
-perfect
-very good
-great
-amazing
-wonderful
-I am feeling very good
-I am great
-I'm good## intent:mood_unhappy
-sad
-very sad
-unhappy
-bad
-very bad
-awful
-terrible
-not very good
-extremely sad
-so sad
"""
%store nlu_md > nlu.mdprint("The data has been successfully saved inside the nlu.md file! You can move on to the next step!")

2. 定义NLU模型配置

NLU模型配置定义如何训练NLU模型以及如何从文本输入中提取特征。在本例中，您将使用一个预定义的 TensorFlow_Embedding Pipeline，您可以在这里了解更多信息。

下面的代码块将把NLU模型配置保存到名为 nlu_config.yml 的文件中。

nlu_config = """language: enpipeline: tensorflow_embedding"""%store nlu_config > nlu_config.ymlprint("The configuration has been successfully stored inside the nlu_config.yml file. You can now move on to the next step!")3.训练 NLU 模型现在您拥有训练 NLU 模型所需的所有组件。运行下面的单元，该单元将调用 rasa.nlu 模型，传递先前定义的 nlu.md 和 nlu_config.yml 文件，并将模型保存在 models/current/nlu 目录中。from rasa_nlu.model import Metadata, Interpreterimport jsondef pprint(o): # small helper to make dict dumps a bit prettier print(json.dumps(o, indent=2))interpreter = Interpreter.load('./models/current/nlu')pprint(interpreter.parse(u"Hello"))
%store nlu_config > nlu_config.ymlprint("The configuration has been successfully stored inside the nlu_config.yml file. You can now move on to the next step!")3.训练 NLU 模型现在您拥有训练 NLU 模型所需的所有组件。运行下面的单元，该单元将调用 rasa.nlu 模型，传递先前定义的 nlu.md 和 nlu_config.yml 文件，并将模型保存在 models/current/nlu 目录中。from rasa_nlu.model import Metadata, Interpreter
import jsondef pprint(o):
# small helper to make dict dumps a bit prettierprint(json.dumps(o, indent=2))interpreter = Interpreter.load('./models/current/nlu')
pprint(interpreter.parse(u"Hello"))

4. 测试模型

现在，您可以测试模型，看看机器人是否能理解您。下面的代码块将加载您刚刚培训的模型，并返回消息hello的意向分类结果。您也可以通过编辑hello字符串对不同的消息进行测试：

from rasa_nlu.model import Metadata, Interpreterimport jsondef pprint(o): # small helper to make dict dumps a bit prettier print(json.dumps(o, indent=2))interpreter = Interpreter.load('./models/current/nlu')pprint(interpreter.parse(u"Hello"))import Metadata, Interpreter
import jsondef pprint(o):
# small helper to make dict dumps a bit prettierprint(json.dumps(o, indent=2))interpreter = Interpreter.load('./models/current/nlu')
pprint(interpreter.parse(u"Hello"))

使用 Rasa Core 指导机器人做出响应

5. 写故事

在这个阶段，您将教您的聊天机器人使用 Rasa Core 响应您的消息。 Rasa Core 将训练对话管理模型，并预测机器人应如何在对话的特定状态下做出响应。

Rasa Core 模型以训练“故事”的形式从真实的会话数据中学习。故事是用户和机器人之间的真实对话，其中用户输入表示为意图和机器人的响应被表示为动作名称。下面是一个简单对话的例子：用户向我们的机器人打招呼，机器人向我们打招呼。这就是它看起来像一个故事：

## story1* greet - utter_greet# story1
* greet- utter_greet

故事以 ## 开头跟随着的是名字（可选）。以 * 开头的行是用户发送的消息。虽然您不写实际的消息，但它代表了用户的意图。以 - 开头的行是您的bot所采取的操作。在这种情况下，我们的所有操作都只是发送回用户的消息，比如说问候语，但是一般来说，一个操作可以做任何事情，包括调用API和与外部世界交互。

运行下面的单元格将示例故事保存在名为'stories.md'的文件中：

stories_md = """## happy path* greet - utter_greet* mood_great - utter_happy## sad path 1* greet - utter_greet* mood_unhappy - utter_cheer_up - utter_did_that_help* mood_affirm - utter_happy## sad path 2* greet - utter_greet* mood_unhappy - utter_cheer_up - utter_did_that_help* mood_deny - utter_goodbye## say goodbye* goodbye - utter_goodbye"""%store stories_md > stories.mdprint("The training stories have been successfully saved inside the stories.md file. You can move on to the next step!")## happy path
* greet- utter_greet
* mood_great- utter_happy## sad path 1
* greet- utter_greet
* mood_unhappy- utter_cheer_up- utter_did_that_help
* mood_affirm- utter_happy## sad path 2
* greet- utter_greet
* mood_unhappy- utter_cheer_up- utter_did_that_help
* mood_deny- utter_goodbye## say goodbye
* goodbye- utter_goodbye
"""
%store stories_md > stories.mdprint("The training stories have been successfully saved inside the stories.md file. You can move on to the next step!")

6. 定义域

接下来我们需要做的就是定义一个域。这个域定义了你的机器人所处的世界——它应该得到什么样的用户输入，它应该能够预测什么样的动作，如何响应以及存储什么样的信息。下面是我们的bot的一个示例域，您将写入名为domain.yml的文件：

domain_yml = """intents: - greet - goodbye - mood_affirm - mood_deny - mood_great - mood_unhappyactions:- utter_greet- utter_cheer_up- utter_did_that_help- utter_happy- utter_goodbyetemplates: utter_greet: - text: "Hey! How are you?" utter_cheer_up: - text: "Here is something to cheer you up:" image: "https://i.imgur.com/nGF1K8f.jpg" utter_did_that_help: - text: "Did that help you?" utter_happy: - text: "Great carry on!" utter_goodbye: - text: "Bye""""%store domain_yml > domain.ymlprint("The domain has been successfully saved inside the domain.yml file. You can move on to the next step!")"
intents:- greet- goodbye- mood_affirm- mood_deny- mood_great- mood_unhappyactions:
- utter_greet
- utter_cheer_up
- utter_did_that_help
- utter_happy
- utter_goodbyetemplates:utter_greet:- text: "Hey! How are you?"utter_cheer_up:- text: "Here is something to cheer you up:"image: "https://i.imgur.com/nGF1K8f.jpg"utter_did_that_help:- text: "Did that help you?"utter_happy:- text: "Great carry on!"utter_goodbye:- text: "Bye"
"""
%store domain_yml > domain.ymlprint("The domain has been successfully saved inside the domain.yml file. You can move on to the next step!")

那么不同的部分意味着什么呢？

intents：你希望用户说的话。见Rasa NLU

actions：你的机器人能做和说的事情

templates：模板字符串用于bot可以说的内容

这是怎么结合起来的？Rasa Core的工作是在对话的每个步骤中选择要执行的正确操作。简单的操作只是向用户发送一条消息。这些简单的操作是域中的操作，从 utter_ 开始。他们只会根据模板部分中的模板回复一条消息。有关如何构建更有趣的操作，请参见自定义操作。

7. 训练对话模型

下一步是在我们的例子中训练一个神经网络。要执行此操作，请运行下面的命令。此命令将调用Rasa Core 训练功能，将域和故事文件传递给它，并将训练后的模型存储到models/dialogue目录中。此命令的输出将包括每个训练阶段的训练结果。

!python -m rasa_core.train -d domain.yml -s stories.md -o models/dialogueprint("Finished training! You can move on to the next step!")o models/dialogueprint("Finished training! You can move on to the next step!")

8. 和你的机器人聊天

就这样！现在你已经拥有了开始与机器人交互所需的一切！让我们使用下面的命令启动您的完整bot，包括rasa core和rasa nlu模型！

如果您没有运行上面的单元，这将不起作用！

import IPythonfrom IPython.display import clear_output, HTML, displayfrom rasa_core.agent import Agentfrom rasa_core.interpreter import RasaNLUInterpreterimport timeinterpreter = RasaNLUInterpreter('models/current/nlu')messages = ["Hi! you can chat in this window. Type 'stop' to end the conversation."]agent = Agent.load('models/dialogue', interpreter=interpreter)def chatlogs_html(messages): messages_html = "" for m in messages: if m.endswith('.jpg'): messages_html += "<img src={}, alt='Tiger pub'></img>".format(m) else: messages_html += "<p>{}</p>".format(m) chatbot_html = """<div class="chat-window" {}</div>""".format(messages_html) return chatbot_htmlwhile True: clear_output() display(HTML(chatlogs_html(messages))) time.sleep(0.3) a = input() messages.append(a) if a == 'stop': break responses = agent.handle_message(a) for r in responses: key = 'image' if 'image' in r.keys() else 'text' messages.append(r.get(key))
from IPython.display import clear_output, HTML, display
from rasa_core.agent import Agent
from rasa_core.interpreter import RasaNLUInterpreter
import timeinterpreter = RasaNLUInterpreter('models/current/nlu')
messages = ["Hi! you can chat in this window. Type 'stop' to end the conversation."]
agent = Agent.load('models/dialogue', interpreter=interpreter)def chatlogs_html(messages):messages_html = ""
for m in messages:
if m.endswith('.jpg'):messages_html += "<img src={}, alt='Tiger pub'></img>".format(m)
else:messages_html += "<p>{}</p>".format(m)chatbot_html = """<div class="chat-window" {}</div>""".format(messages_html)
return chatbot_htmlwhile True:clear_output()display(HTML(chatlogs_html(messages)))time.sleep(0.3)a = input()messages.append(a)
if a == 'stop':
breakresponses = agent.handle_message(a)
for r in responses:key = 'image' if 'image' in r.keys() else 'text'messages.append(r.get(key))

祝贺你！你刚刚从头开始构建了一个机器人，完全由机器学习提供动力。为什么不玩耍上面的代码呢？

教你的机器人更好地理解你。添加更多的NLU数据，重新导入NLU模型并重新启动bot。

添加更多的故事以提供更多关于您的bot应该如何工作的示例。然后重新训练 Rasa Core 模型来尝试它！

编辑域中的响应模板，重新导入模型并查看结果！

现在，您已经准备好构建自己的机器人了！立即安装并立即运行。

英文原文：https://rasa.com/docs/get_started_step1/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/

欢迎关注PyTorch官方中文教程站：
http://pytorch.panchuang.net/

Rasa Stack：创建支持上下文的人工智能助理和聊天机器人教程相关推荐

rasa聊天机器人_Rasa-X是持续改进聊天机器人的独特方法
rasa聊天机器人介绍 (Introduction) When it comes to chatbot improvement, three elements are paramount: 在改善聊 ...
建立人工智能助理应用程序的过程
我们每天都会听到越来越多关于征服IT行业的虚拟助手的消息.几乎每家大公司都在尝试做一些与众不同的事情.Apple的Siri,三星的Bixby,亚马逊的Alexa,微软的Cortana等.您可以通过说& ...
为什么现在的人工智能助理都像人工智障？
本文由 S先生(公众号:TheMisterS)授权转载,作者:S先生左脑 "我不是针对谁,只是在座现在所有做 C端智能助理的都是坑." - S先生对群嘲做一个限定现在:在&qu ...
Alian解读SpringBoot 2.6.0 源码（六）：启动流程分析之创建应用上下文
目录一.背景 1.1.run方法整体流程 1.2.本文解读范围二.创建应用上下文 2.1.初始化入口 2.2.初始化AbstractApplicationContext 2.3.初始化Generi ...
工具箱支持汽车质量人工智能
工具箱支持汽车质量人工智能 Toolkit supports automotive-quality AI NXP半导体公司推出了一个新的深度学习工具包,叫做eIQ Auto.NXP正在寻求通过使其工具 ...
创建支持ssh的docker镜像
docker容器运行,一般不能ssh,这容器的管理带来麻烦,下面将介绍如何创建支持ssh的docker镜像首先从dock hub 下载 ubuntu的镜像命令: docker pull ubun ...
【Android NDK 开发】Kotlin 语言中使用 NDK ( 创建支持 Kotlin 的 NDK 项目 | Kotlin 语言中使用 NDK 要点 | 代码示例 )
文章目录一.创建支持 Kotlin 的 NDK 项目二.Kotlin 语言中使用 NDK 要点 1.加载动态库 2.声明 ndk 方法 3.Project 下的 build.gradle 配置 4 ...
[Swift通天遁地]九、拔剑吧-(9)创建支持缩放、移动、裁切的相机视图控制器
★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★ ➤微信公众号:山青咏芝(shanqingyongzhi) ➤博客园地址:山青咏芝(https://www.cnblog ...
WCF技术剖析之五：利用ASP.NET兼容模式创建支持会话（Session）的WCF服务
原文:WCF技术剖析之五:利用ASP.NET兼容模式创建支持会话(Session)的WCF服务在<基于IIS的WCF服务寄宿(Hosting)实现揭秘>中,我们谈到在采用基于IIS(或者 ...

Rasa Stack：创建支持上下文的人工智能助理和聊天机器人教程

相关概念

尝试一下

Rasa Stack：创建支持上下文的人工智能助理和聊天机器人教程相关推荐

最新文章

热门文章