rasa学习（domain.yml、nlu.md、stories.md）（一）

rasa学习（domain.yml、nlu.md、stories.md）（一） 可以跟进：rasa框架学习二（slots，entities，actions，component）

一、什么是rasa

Rasa是一个用于自动文本和基于语音的对话的开源机器学习框架。

了解消息，保持对话以及连接到消息传递通道和API

　　Rasa分为Rasa core和 Rasa nlu两部分：

　　Rasa core用于指导会话流，而Rasa nlu用于理解和处理文本以提取信息(实体)

　　Rasa了解用户想说的内容（Rasa NLU - 实体和意图提取），然后根据上下文信息对其进行适当的 *** 作谈话（Rasa Core）

　　官方推荐安装方式（安装rasa和easa X）：

pip install rasa-x --extra-index-url https://pypi.rasa.com/simple

　   如果您不想使用Rasa X，请改为运行

pip install rasa

注意：

如果你想确保为你可能需要的任何组件安装了依赖项，并且你不介意附加的依赖项，你可以使用以下代码安装一切

pip install -r alt_requirements/requirements_full.txt

二、创建一个新项目

1. 创建rasa项目

rasa init --no-prompt

该命令创建Rasa项目所需的所有文件。

会创建以下文件：

__init__.py    一个帮助python找到你动作的空文件

actions.py     自定义 *** 作的代码

config.yml '*'     配置NLU和Core型号

credentials.yml    连接其他服务的详细信息

data/nlu.md '*'    你的NLU训练数据

data/stories.md '*'    你的故事

domain.yml '*'     你助手的域名

endpoints.yml      连接到fb messenger等频道的详细信息

models/<timestamp>.tar.gz    你的初始模型

要检查是否已创建所有文件，请运行：

ls -l

2. 定义一个域

domain.yml文件

domain可以理解为机器的知识库，其中定义了意图，动作，以及对应动作所反馈的内容

intents     你期望用户说的东西。



entities    您想要从消息中提取的信息片段。



actions     你的机器人可以做和说的东西

slots       在会话期间跟踪的信息（例如用户年龄）

templates   你的机器人可以说的东西的模板字符串

intents:

  - greet

  - goodbye

  - mood_affirm

  - mood_deny

  - mood_great

  - mood_unhappy

actions:

- utter_greet

- utter_cheer_up

- utter_did_that_help

- utter_happy

- utter_goodbye

templates:

  utter_greet:

  - text: "Hey! How are you?"

    buttons:

    - title: "great"

      payload: "great"

    - title: "super sad"

      payload: "super sad"

  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"

Rasa Core取intent，entities以及内部的对话状态，并且选择的所述一个actions应该下一个执行。

如果该动作只是向用户说明，Rasa将在域中查找匹配模板（动作名称等于完全模板， utter_greet如上例所示），填写所有变量并进行响应。

对于不仅仅发送消息的 *** 作，您可以将它们定义为python类，并通过它们的模块路径在域中引用它们。

3. 定义一个解释器

解释器负责解析消息。

目前我们的机器人已经可以通过输入意图来获取答案了，但是怎么让机器理解真正的语言呢，这个时候就需要用到NLU模块了，NLU的任务是解析消息，它能把自然语言解释成我们需要的结构化的数据

在Rasa NLU中，我们需要定义我们的机器人应该能够以Rasa NLU训练数据格式处理的用户消息。

我们将使用Markdown格式来获取NLU训练数据。

我们来创建一些意图示例data/nlu.md：

## intent:greet

- hey

- hello

- hi

- hello there

- good morning

- good evening

- moin

- hey there

- let's go

- hey dude

- goodmorning

- goodevening

- good afternoon

## intent:goodbye

- cu

- good by

- cee you later

- good night

- good afternoon

- bye

- goodbye

- have a nice day

- see you around

- bye bye

- 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

## intent:mood_great

- perfect

- very good

- great

- amazing

- feeling like a king

- wonderful

- I am feeling very good

- I am great

- I am amazing

- I am going to save the world

- super

- extremely good

- so so perfect

- so good

- so perfect

## intent:mood_unhappy

- my day was horrible

- I am sad

- I don't feel very well

- I am disappointed

- super sad

- I'm so sad

- sad

- very sad

- unhappy

- not so good

- not very good

- extremly sad

- so saad

- so sad

我们现在可以使用我们的示例来训练NLU模型（确保首先 安装Rasa NLU 以及 spaCy）

4. 定义故事

到目前为止，我们已经有了一个NLU模型，一个定义我们的机器人可以采取的动作的域以及它应该处理的输入（意图和实体）。

我们仍然错过了中心部分，故事告诉我们的机器人在对话的哪一点做什么。

一个故事是，对话系统训练数据样本。

有两种不同的方式来创建故事（你可以混合它们）：

• 手动创建故事，直接将它们写入文件
• 使用交互式学习创建故事。
  

  
  

我们将通过直接写入故事来创建故事stories.md。

故事以##一个字符串作为标识符开始。

用户 *** 作以星号开头，机器人 *** 作由以短划线开头的行指定。

故事的结尾用换行符表示。

## happy path               <!-- name of the story - just for debugging -->

* greet

  - utter_greet

* mood_great               <!-- user utterance, in format _intent[entities] -->

  - utter_happy

## sad path 1               <!-- this is already the start of the next story -->

* greet

  - utter_greet             <!-- action of the bot to execute -->

* 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

请注意，虽然直接用手写故事比使用交互式学习要快得多，但在使用插槽时需要特别小心，因为它们需要在故事中正确设置

5. 命令

rasa init     使用示例训练数据， *** 作和配置文件创建新项目。



rasa train    使用您的NLU数据和故事训练模型，

rasa interactive    启动交互式学习会话，通过聊天创建新的培训数据。



rasa shell    加载训练有素的模型，并让您在命令行上与助手交谈。



rasa run      使用训练有素的模型启动Rasa服务器。

有关详细信息，请参阅运行服务器文档。



rasa run actions    使用Rasa SDK启动 *** 作服务器。



rasa visualize      可视化故事。



rasa test     使用您的测试NLU数据和故事测试训练有素的Rasa模型。



rasa data split nlu      根据指定的百分比执行NLU数据的拆分。



rasa data convert nlu    在不同格式之间转换NLU训练数据。



rasa -h       显示所有可用命令。

　举个实例吧　

建一个新文件夹：rasa_study ,

进入文件夹：cd rasa_study

创建rasa项目：rasa init --no-prompt

项目目录：

1. 定义一个域（domain.yml）

intents:

  - greet

  - mood_happy

  - mood_unhappy

actions:

- utter_greet

- utter_happy

- utter_unhappy

templates:

  utter_greet:

  - text: "你好，你今天过的怎么样啊"

  utter_happy:

  - text: "那很棒棒哦"

  utter_unhappy:

  - text: "咋了，可以告诉我吗"

2. 定义模型（nlu.md）

## intent:greet

- 你好

- 上午好

- 下午好

- 早上好

- 晚上好

## intent:mood_happy

- 很好

- 我很好

## intent:mood_unhappy

- 我很难受

- 我心情很差

因为用到了中文所以在config.yml里设置一下中文把en改成zh即可

3.  定义一个故事(stories.md)

*greet就是intent， - utter_greet是action

## story_happy

*greet

  - utter_greet

* mood_happy

  - utter_happy

## story_unhappy

* greet

  - utter_greet

*  mood_unhappy

  - utter_unhapp

然后先要训练，在命令行里输入 rasa train，注意：对上面的三个文件进行修改后都要先进行训练，再进行对话，否则对话的内容是未修改前的内容

D:\myproject\rasa_study>rasa train

2019-06-05 16:28:19 INFO     rasa.model  - Data (stories) for Core model changed.

Training Core model...

Processed Story Blocks: 100%|███████████████████████████████████████████████████

训练完后，就可以对话了。

在cmd输入 rasa shell 进行对话

我理解的对话流程图，不知道对不对