RASA talk system - RasaTalk

Rasa机器人语语义处理，该项目修改自夏周睿的开源项目：Rasa Milk Tea Chatbot (chinese) https://gitee.com/CharlieShark/rasa_milktea_chatbot

• 安装

  下载安装Python3.6（不要安装其他版本）

  下载bert_chinese_model 并解压。 chinese_L-12_H-768_A-12

  安装项目需要的文件

  pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
  或者使用源
  https://mirrors.aliyun.com/pypi/simple

• 启动

  1. start bert server

     bert-serving-start -model_dir chinese_L-12_H-768_A-12/ -num_worker=1

  2. jump to RasaTalk

     cd RasaTalk

  3. start action server

     rasa run actions

  4. train a model

     rasa train

  5. talk to your chatbot

     rasa shell

     or

     rasa run

• 特别说明

  本项目为了配套“开源个人机器人PHOENIXFrame”而做的程序，实现其中语意处理环节，机器人项目敬请关注：

  https://gitee.com/manykit/PHOENIXEngine

  https://www.bilibili.com/video/BV1SK4y1P7Eo?spm_id_from=333.999.0.0

• mini rasa tutorial

  1. 创建一个新的项目
  2. 查看NLU培训数据
  3. 定义模型配置，写下第一个故事Story
  4. 定义这个故事story的作用域domain
  5. 训练模型
  6. 测试你写好的助手

  1. 创建新项目

     路径指向一个新的空文件夹 cd path/to/a/blank/folder

     在这个文件夹里面创建新的rasa项目 rasa init --no-prompt

     文件夹中将会生成以下的文件：

     __init__.py	空文件用于定位
     actions.py	用于定义动作（自定义脚本代码）
     config.yml	配置NLU和core模型
     credentials.yml	连接到其他服务器的细节（不常用）
     data/nlu.md	我的自定义NLU训练数据
     data/stories.md	我的自定义故事stories
     domain.yml	助手的定义域domian
     endpoints.yml	连接到fb message等的轨道（不常用）
     models/<timestamp>.tar.gz	模型及其参数文件

  2. 自定义NLU训练数据

     cat data/nlu.md

     显示如下

     ## intent:order
     - [奶茶](type)
     - [咖啡](type)
     - 我想要一杯[奶茶](type)
     - 要杯[奶茶](type)
     - 有[奶茶](type)吗
     - 有[奶茶](type)卖吗
     - 想要一杯[咖啡](type)
     - 要杯[咖啡](type)
     - 有[咖啡](type)吗
     - 我想要一杯[卡布奇诺](type)
     - 要杯[卡布奇诺](type)
     - [卡布奇诺](type)
     
     ## intent:inform_size
     - [中](size)
     - [中](size)的
     - [中](size)杯
     - [中](size)杯吧
     - 要[中](size)杯
     - [大](size)
     - [大](size)的
     - [大](size)杯
     - [大](size)杯吧
     - 要[大](size)杯
     - [特大](size)
     - [特大](size)的 
     - [特大](size)杯
     - [特大](size)杯吧
     - 要[特大](size)杯

     • intent 表示意图，需要以##开头，以换行结尾。比如说这里显示的是两个意图1. 下单，2. 告知奶茶的规格，所有客户可能会用的说辞都应该放在这里，用于nlu模型学习怎么去理解一个人说的话

     • [value](entity) entity表示实体，value表示实体具体的值，经过训练后，nlu模型就可以给core模型返回类似这样的变量：{"type":"奶茶","size":"大"}，这样core模型就可以根据type和size这两个参数做出相应的回应

  3. 定义模型配置

     1. 配置文件config.yml将定义前面的NLU模块和你的模型会用到的Core元素，本次使用的是来自大神写好的组件，这里也强烈推荐大家前往学习https://github.com/GaoQ1/rasa_nlu_gq
     2. NLU的配置属于决定了使用的语言和管道，Core的policies的关键词决定了模型见会使用到的策略policies
     3. note: 如果你只是想建立一个chatbot而不想了解太多关于算法的细节，config.yml可以不用改，直接用

  4. 自定义故事

     查看写好的故事

     cat data/stories.md

     ## order naicha
     - order{"type": "奶茶"}
       - slot{"type": "奶茶"}
       - utter_ask_size
     - inform_size{"size": "大"}
       - slot{"size": "大"}
       - utter_affirm
       - confirm
       - action_charge
       - utter_goodbye

     故事的组成

     1. ##开头表示的是这个故事的名称，一个描述性的名字
     2. 故事以换行结束，下一个故事##开头
     3. *开头的表示为用户意图 intent{"entity1": "value", "entity2": "value"}
     4. -开头的表示为机器人执行的动作actions

     用户信息

     1. 在定义故事的时候，不需要知道用户具体说了什么，而是根据NLU pipeline中输出的意图intent和实体entity的组合来猜测用户的所有可能的需求
     2. 实体entity是很重要的，因为助手学习动作的时候，需要同时结合这两者

     动作acitons

     ​ actions有两种类型

     1. utter_xxx 可以直接返回要回复的话术，只需要在domain.yml中说明就可以用了

     2. action_xxx 可以执行你想要的自定义操作，除了需要在domain.yml中说明外，还需要在aciton.py文件中添加。比如你想有一个自定义动作action_HelloWorld

        • 首先把这个自定义动作添加到domain.yml的acitons下

          actions:
          - aciton_HelloWorld

        • 然后在acitons.py文件中添加新的类

          class YourCustomAction(Action):
              def name(self):
                  # 这个返回的值必须和stories.md和domain.yml中说明的一致
                  return "action_HelloWorld"
              def run(self,dispatcher,tracker,domain):
                  # 定义这个动作要执行的你想要的操作
                  # 比如我想在对话中返回给用户的是HellowWorld!
                  dispatcher.utter_message('HelloWorld!')
                  return []
          

  5. 定义域domain

     cat domain.yml

     intents:  
       - greet:
         triggers: utter_greet
       - goodbye:
         triggers: utter_goodbye
       - confirm
       - deny
       - order
       - thanks
       - inform_size
       - unknown_intent
        
     actions: 
       - utter_greet
       - utter_ask_order_what
       - utter_ask_size
        
     entities:
       - type
       - size
     
     slots:
       type:
         type: text
       size:
         type: text
        
     templates:
       utter_greet:
         - text: "你好"
       utter_ask_order_what:
         - text: "想要喝点什么？"
       utter_ask_size:
         - text: "想要什么规格的呢？我们有中/大/特大杯"

     其中

     1. intents：用户意图
     2. entities：实体
     3. slots：槽
     4. actions：助手说和做的事情
     5. templates：助手根据actions具体要做的事情

     因为在这种情况下，我们的动作action只是向用户发送话语作为回复，这些简单的actions都是utter_开头的动作actions，这种动作需要助手在templates中选择语句进行回复，实际上还可以定义更多的动作见Custom Actions

  6. 训练模型

     使用下面的命令，会自动检查domain/stories/NLU中的不同而重新对模型进行训练，训练好的模型将会被打上时间戳time stamp作为新的模型

     rasa train

  7. 启动助手进行对话

     rasa shell