使用Rasa_core和Rasa_nls框架搭建问答机器人

本文主要是介绍使用Rasa_core和Rasa_nls框架搭建问答机器人，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1 前期准备

1.1 采集数据

采集有关南京博物院的有关数据，并进行中文分词（其中还需要用户自定义词典），其主要技术为：python爬虫、 jieba分词
内容如下:

1.2 构建语料库

根据已经采集好的数据构建语料库，其相关技术：MITIE工具

2 RASA_NLU

NLU模块的任务是：

• 意图识别 (Intent)：在句子级别进行分类，明确意图；
• 实体识别(Entity)：在词级别找出用户问题中的关键实体，进行实体槽填充(Slot Filling)。

2.1 进行rasa_nlu配置

配置文件如下：

language: "zh"pipeline:
- name: "nlp_mitie"model: "data/total_word_feature_extractor.dat"
- name: "tokenizer_jieba"user_dicts: "./user.dict"
- name: "ner_mitie"
- name: "ner_synonyms"
- name: "intent_entity_featurizer_regex"
- name: "intent_featurizer_mitie"
- name: "intent_classifier_sklearn"

2.2 准备训练数据

数据格式如下：

2.3 训练

代码如下：

  from rasa_nlu.training_data import load_datafrom rasa_nlu.config import RasaNLUModelConfigfrom rasa_nlu.model import Trainerfrom rasa_nlu import configfrom rasa_core.agent import Agentfrom rasa_core.policies.memoization import MemoizationPolicyfrom rasa_core.interpreter import RasaNLUInterpreterfrom rasa_core.policies.keras_policy import KerasPolicyfrom rasa_core.channels.console import ConsoleInputChannel# 训练模型def train():# 示例数据training_data = load_data('data/museum.json')# pipeline配置trainer = Trainer(config.load("sample_configs/museum_config.json"))trainer.train(training_data)model_directory = trainer.persist('./models/demo/')print(model_directory)predict(model_directory) # 识别意图def predict(model_directory):from rasa_nlu.model import Metadata, Interpreterinterpreter = Interpreter.load(model_directory)# 使用加载的interpreter处理文本print (interpreter.parse(u"这里有什么好看的展览"))if __name__=='__main__':train()

2.4测试rasa_nlu

3 RASA_CORE

3.1 定义domain.yml

格式如下：

3.2 进行在线学习

代码如下：

   from rasa_nlu.training_data import load_datafrom rasa_nlu.config import RasaNLUModelConfigfrom rasa_nlu.model import Trainerfrom rasa_nlu import configfrom rasa_core.agent import Agentfrom rasa_core.policies.memoization import MemoizationPolicyfrom rasa_core.interpreter import RasaNLUInterpreterfrom rasa_core.policies.keras_policy import KerasPolicyfrom rasa_core.channels.console import ConsoleInputChanneldef train_online(input_channel=ConsoleInputChannel(),interpreter=RasaNLUInterpreter("models/demo/default/model_20180701-171646"),domain_file="data/domain.yml",training_data_file="data/museum_story.md"):agent = Agent(domain_file,policies=[MemoizationPolicy(), KerasPolicy()],interpreter=interpreter)agent.train_online(training_data_file,input_channel=input_channel,max_history=2,batch_size=50,epochs=200,max_training_samples=300)if __name__=='__main__':train_online()

训练过程如下：

最终得到stories.md
格式如下：

3.3 训练对话

采用LSTM网络训练对话
代码如下：

  from rasa_nlu.training_data import load_datafrom rasa_nlu.config import RasaNLUModelConfigfrom rasa_nlu.model import Trainerfrom rasa_nlu import configfrom rasa_core.agent import Agentfrom rasa_core.policies.memoization import MemoizationPolicyfrom rasa_core.interpreter import RasaNLUInterpreterfrom rasa_core.policies.keras_policy import KerasPolicyfrom rasa_core.channels.console import ConsoleInputChanneldef train_dialogue(domain_file="data/domain.yml",model_path="models/dialogue",training_data_file="stories.md"):agent = Agent(domain_file,policies=[MemoizationPolicy()])agent.train(training_data_file,max_history=3,epochs=100,batch_size=50,augmentation_factor=50,validation_split=0.2)agent.persist(model_path)if __name__=='__main__':train_dialogue()

4 微信展示

4.1 前言

由于域名需要备案（正在审查），所以微信小程序的接口不能申请成功，于是调用了微信的接口实现了对话过程。并且这里的代码将回答直接写进代码只作为测试使用，并没有去数据库查询数据。
代码如下：

  from wxpy import *import requestsbot = Bot(cache_path=True)friend =bot.friends().search('蒋双庆')[0]@bot.register()def reply_msg(msg):url = 'http://127.0.0.1:5005/conversations/default/parse'p = {'query':msg.text}r = requests.get(url, params=p)intent = r.json()['tracker']['latest_message']['intent']['name']if(intent=='greet'):msg.reply("您好！我是您的专属智慧导游“小博”！")elif(intent=='goodbye'):msg.reply('再见！')elif(intent=='person_search'):msg.reply('弗朗特斯克·毕勒克，19世纪末20世纪初捷克新艺术运动的杰出代表。他和其他艺术家一样“还生活于艺术”，又和其他艺术家不一样，用自己的艺术感觉在宗教和神秘中找寻曾经的安全感。')msg.reply_image('images/1.jpg')elif(intent=='exhibition_search'):msg.reply('近期有一场新的展览“毕勒克——捷克新艺术运动大师”，展出毕勒克绘画、雕塑等35件作品，展现了他“还生活于艺术”的创作理念，也表达了对人类命运的反思。')elif(intent=='painting_search'):msg.reply('弗朗特斯克·毕勒克的主要代表作有《主祷文》、《我的太阳》、《手》等等')elif(intent=='painting_description'):msg.reply('《主祷文》是耶稣基督传给门徒的祷告词，是礼拜仪式中通用的祈祷文。毕勒克认为艺术是生活的表现，生活因真理而存在，他的艺术态度即为宗教忏悔。创作这几幅《主祷文》主题的画作时毕勒克28岁，年轻的他在作品中表现出神奇的洞察力，并用奇特的表现手法，展露了与众不同的艺术风格。')msg.reply_image('images/2.jpg')embed()

4.2 对话过程展示

这篇关于使用Rasa_core和Rasa_nls框架搭建问答机器人的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---