Rasa是一个支流的构建对话机器人的开源框架，它的长处是简直笼罩了对话零碎的所有性能，并且每个模块都有很好的可扩展性。参考文献收集了一些Rasa相干的开源我的项目和优质文章。
一.Rasa介绍
1.Rasa本地装置
间接Rasa本地装置一个不好的中央就是容易把本地计算机的Python包版本弄乱，倡议应用Python虚拟环境进行装置：
pip3 install -U --user pip && pip3 install rasa2.Rasa Docker Compose装置
查看本机Docker和Docker Compose版本：
docker-compose.yml文件如下所示：
version: '3.0'services: rasa: image: rasa/rasa ports: - "5005:5005" volumes: - ./:/app command: ["run", "--enable-api", "--debug", "--cors", "*"]3.Rasa命令介绍
用到的相干的Rasa命令如下所示：
rasa init：创立一个新的我的项目，蕴含示例训练数据，actions和配置文件。rasa run：应用训练模型开启一个Rasa服务。rasa shell：通过命令行的形式加载训练模型，而后同聊天机器人进行对话。rasa train：应用NLU数据和stories训练模型，模型保留在./models中。rasa interactive：开启一个交互式的学习会话，通过会话的形式，为Rasa模型创立一个新的训练数据。telemetry：Configuration of Rasa Open Source telemetry reporting.rasa test：应用测试NLU数据和stories来测试Rasa模型。rasa visualize：可视化stories。rasa data：训练数据的工具。rasa export：通过一个event broker导出会话。rasa evaluate：评估模型的工具。-h, --help：帮忙命令。--version：查看Rasa版本信息。rasa run actions：应用Rasa SDK开启action服务器。rasa x：在本地启动Rasa X。4.Rasa GitHub源码构造
Rasa的源码基本上都是用Python实现的：
二.Rasa我的项目根本流程
1.应用rasa init初始化一个我的项目
应用rasa init初始化聊天机器人我的项目：
.├── actions│ ├── __init__.py│ └── actions.py├── config.yml├── credentials.yml├── data│ ├── nlu.yml│ └── stories.yml├── domain.yml├── endpoints.yml├── models│ └── <timestamp>.tar.gz└── tests └── test_stories.yml2.筹备自定义的NLU训练数据
nlu.yml局部数据如下：
version: "3.1"nlu:- intent: greet examples: | - hey - hello - hi - hello there - good morning - good evening - moin - hey there - let's go - hey dude - goodmorning - goodevening - good afternoon下面的intent: greet示意用意为great，上面的是具体的简略例子。略微简单点的例子格局是：[实体值]（实体类型名），比方[今天]（日期）[上海]（城市）的天气如何？其中的日期和城市就是NLP中实体辨认中的实体了。除了intent必须外，该文件还能够蕴含同义词synonym、正则表达式regex和查找表lookup等。
3.配置NLU模型
最次要就是pipeline的配置了。相干的config.yml文件如下：
pipeline:# # No configuration for the NLU pipeline was provided. The following default pipeline was used to train your model.# # If you'd like to customize it, uncomment and adjust the pipeline.# # See https://rasa.com/docs/rasa/tuning-your-model for more information.# - name: WhitespaceTokenizer# - name: RegexFeaturizer# - name: LexicalSyntacticFeaturizer# - name: CountVectorsFeaturizer# - name: CountVectorsFeaturizer# analyzer: char_wb# min_ngram: 1# max_ngram: 4# - name: DIETClassifier# epochs: 100# constrain_similarities: true# - name: EntitySynonymMapper# - name: ResponseSelector# epochs: 100# constrain_similarities: true# - name: FallbackClassifier# threshold: 0.3# ambiguity_threshold: 0.1pipeline次要是分词组件、特征提取组件、NER组件和用意分类组件等，通过NLP模型进行实现，并且组件都是可插拔可替换的。
4.筹备story数据
stories.yml文件如下：
version: "3.1"stories:- story: happy path steps: - intent: greet - action: utter_greet - intent: mood_great - action: utter_happy- story: sad path 1 steps: - intent: greet - action: utter_greet - intent: mood_unhappy - action: utter_cheer_up - action: utter_did_that_help - intent: affirm - action: utter_happy- story: sad path 2 steps: - intent: greet - action: utter_greet - intent: mood_unhappy - action: utter_cheer_up - action: utter_did_that_help - intent: deny - action: utter_goodbye这外面可看做是用户和机器人一个残缺的实在的对话流程，对话策略可通过机器学习或者深度学习的形式从其中进行学习。
5.定义domain
domain.yml文件如下：
version: "3.1"intents: - greet - goodbye - affirm - deny - mood_great - mood_unhappy - bot_challengeresponses: 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" utter_iamabot: - text: "I am a bot, powered by Rasa."session_config: session_expiration_time: 60 #单位是min，设置为0示意无生效期 carry_over_slots_to_new_session: true #设置为false示意不继承历史词槽畛域(domain)中蕴含了聊天机器人的所有信息，包含用意(intent)、实体(entity)、词槽(slot)、动作(action)、表单(form)和回复(response)等。
6.配置Rasa Core模型
最次要就是policies的配置了。相干的config.yml文件如下：
# Configuration for Rasa Core.# https://rasa.com/docs/rasa/core/policies/policies:# # No configuration for policies was provided. The following default policies were used to train your model.# # If you'd like to customize them, uncomment and adjust the policies.# # See https://rasa.com/docs/rasa/policies for more information.# - name: MemoizationPolicy# - name: RulePolicy# - name: UnexpecTEDIntentPolicy# max_history: 5# epochs: 100# - name: TEDPolicy# max_history: 5# epochs: 100# constrain_similarities: truepolicies次要就是对话策略的配置，罕用的包含TEDPolicy、UnexpecTEDIntentPolicy、MemoizationPolicy、AugmentedMemoizationPolicy、RulePolicy和Custom Policies等，并且策略之间也是有优先级程序的。
7.应用rasa train训练模型
rasa train或者rasa train nlurasa train core应用data目录中的数据作为训练数据，应用config.yml作为配置文件，并将训练后的模型保留到models目录中。
8.应用rasa test测试模型
通常把数据分为训练集和测试集，在训练集上训练模型，在测试集上测试模型：
rasa data split nlurasa test nlu -u test_set.md --model models/nlu-xxx.tar.gz阐明：当然也是能够通过穿插验证的形式来评估模型的。
9.让用户应用聊天机器人
能够通过shell用指定的模型进行交互：
rasa shell -m models/nlu-xxx.tar.gz还能够通过rasa run --enable-api这种rest形式进行交互。如下：
三.Rasa零碎架构
1.Rasa解决音讯流程
下图展现了从用户的Message输出到用户收到Message的根本流程：
步骤1：用户输出的Message传递到Interpreter(NLP模块)，而后辨认Message中的用意(intent)和提取实体(entity)。
步骤2：Rasa Core将Interpreter提取的intent和entity传递给Tracker，而后跟踪记录对话状态。
步骤3：Tracker把以后状态和历史状态传递给Policy。
步骤4：Policy依据以后状态和历史状态进行预测下一个Action。
步骤5：Action实现预测后果，并将后果传递到Tracker，成为历史状态。
步骤6：Action将预测后果返回给用户。
2.Rasa系统结构
Rasa次要包含Rasa NLU(自然语言了解，即图中的NLU Pipeline)和Rasa Core(对话状态治理，即图中的Dialogue Policies)两个局部。Rasa NUL将用户的输出转换为用意和实体信息。Rasa Core基于以后和历史的对话记录，决策下一个Action。
除了外围的自然语言了解(NLU)和对话状态治理(DSM)外，还有Agent代理零碎，Action Server自定义后端服务零碎，通过HTTP和Rasa Core通信；辅助零碎Tracker Store、Lock Store和Event Broker等。还有上图没有显示的channel，它连贯用户和对话机器人，反对多种支流的即时通信软件对接Rasa。
(1)Agent组件：从用户角度来看，次要是接管用户输出音讯，返回Rasa零碎的答复。从Rasa角度来看，它连贯自然语言了解(NLU)和对话状态治理(DSM)，依据Action失去答复，并且保留对话数据到数据库。
(2)Tracker Store：将用户和Rasa机器人的对话存储到Tracker Store中，Rasa提供的开箱即用的零碎包含括PostgreSQL、SQLite、Oracle、Redis、MongoDB、DynamoDB，当然也能够自定义存储。
(3)Lock Store：一个ID产生器，当Rasa集群部署的时候会用到，当音讯处于活动状态时锁定会话，以此保障音讯的程序解决。
(4)Event Broker：简略了解就是一个音讯队列，把Rasa音讯转发给其它服务来解决，包含RabbitMQ、Kafka等。
(5)FileSystem：保留训练好的模型，能够放在本地磁盘、云服务器等地位。
(6)Action Server：通过rasa-sdk能够实现Rasa的一个热插拔性能，比方查问天气预报等。
参考文献：
[1]Rasa 3.x官网文档：https://rasa.com/docs/rasa/
[2]Rasa Action Server：https://rasa.com/docs/action-...
[3]Rasa Enterprise：https://rasa.com/docs/rasa-en...
[4]Rasa Blog：https://rasa.com/blog/
[5]Rasa GitHub：https://github.com/rasahq/rasa
[6]Awesome-Chinese-NLP：https://github.com/crownpku/A...
[7]BotSharp文档：https://botsharp.readthedocs....
[8]BotSharp GitHub：https://github.com/SciSharp/B...
[9]rasa-ui GitHub：https://github.com/paschmann/...
[10]rasa-ui Gitee：https://gitee.com/jindao666/r...
[11]rasa_chatbot_cn：https://github.com/GaoQ1/rasa...
[12]Rasa_NLU_Chi：https://github.com/crownpku/R...
[13]nlp-architect：https://github.com/IntelLabs/...
[14]rasa-nlp-architect：https://github.com/GaoQ1/rasa...
[15]rasa_shopping_bot：https://github.com/whitespur/...
[16]facebook/duckling：https://github.com/facebook/d...
[17]rasa-voice-interface：https://github.com/RasaHQ/ras...
[18]Rasa：https://github.com/RasaHQ
[19]ymcui/Chinese-BERT-wwm：https://github.com/ymcui/Chin...
[20]Hybrid Chat：https://gitlab.expertflow.com...
[21]rasa-nlu-trainer：https://rasahq.github.io/rasa...
[22]crownpku/Rasa_NLU_Chi：https://github.com/crownpku/r...
[23]jiangdongguo/ChitChatAssistant：https://github.com/jiangdongg...
[24]Rasa框架利用：https://www.zhihu.com/column/...
[25]Rasa开源引擎介绍：https://zhuanlan.zhihu.com/p/...
[26]Rasa聊天机器人专栏开篇：https://cloud.tencent.com/dev...
[27]rasa-nlu的究极状态及rasa的一些难点：https://www.jianshu.com/p/553...
[28]Rasa官网文档手册：https://juejin.cn/post/684490...
[29]Rasa官网视频教程：https://www.bilibili.com/vide...
[30]用Rasa NLU构建本人的中文NLU零碎：http://www.crownpku.com/2017/...用Rasa_NLU构建本人的中文NLU零碎.html
[31]Rasa Core开发指南：https://blog.csdn.net/AndrExp...
本文由mdnice多平台公布