Transformer课程 业务对话机器人Rasa 3.x Handling Business Logic

Transformer课程 业务对话机器人Rasa 3.x Handling Business Logic

Rasa官网

https://rasa.com/

Handling Business Logic

处理业务逻辑：会话助理通常需要向用户询问信息以帮助他们。您可以使用表单收集所需的用户信息并完成请求。

会话助理通常支持用户目标，包括在为用户做某事之前从用户那里收集所需信息。例如，餐馆搜索机器人需要收集一些关于用户偏好的信息，以便为他们找到合适的餐馆：

本文是关于处理收集用户信息以满足请求的业务逻辑的指南。在上面的示例中，业务逻辑包括需要知道用户喜欢的菜肴、聚会规模和座位偏好。本页上的示例来自formbot示例bot。https://github.com/RasaHQ/rasa/tree/main/examples/formbot

1.通过运行以下程序，训练包含Rasa NLU和Rasa核心模型的Rasa模型：

rasa train

模型将作为压缩文件存储在/models目录中。

2.运行[duckling]的实例(https://rasa.com/docs/rasa/nlu/components/#ducklingentityextractor)
在端口8000上运行docker命令

   docker run -p 8000:8000 rasa/duckling

或安装duckling直接在您的计算机上启动服务器。

3.通过运行以下命令来测试助理：

    rasa run actions&
    rasa shell -m models --endpoints endpoints.yml

这将在命令行中加载助理，供您聊天。

运行结果如下

Step-by-step Guide on Using Forms to Handle Business Logic

表单的工作方式是提示用户输入信息，直到用户收集了所有必需的信息。信息存储在插槽中。一旦所有需要的插槽都被填满，bot就会满足用户的原始请求。

1. Defining the form

要定义表单，您需要定义：

• 插槽映射：收集所需的信息
• 回答：你的机器人应该如何询问每一条信息

Slot Mappings
对于餐馆查询示例，我们希望从用户处收集以下信息：

• 烹饪类型
• 人数
• 是否愿意在餐馆室外就餐

通过在表单名称下指定所需插槽的列表，可以在域中定义表单：
domain.yml

forms:
  restaurant_form:
    required_slots:
        - cuisine
        - num_people
        - outdoor_seating

这些插槽需要添加到域的插槽部分，以及定义如何填充插槽的插槽映射。对于从from_entity填充的任何插槽，该实体也需要添加到域中。由表单填充的时段通常不会影响对话，因此请将“influence_conversation”设置为“false:

domain.yml

entities:
  - cuisine
  - number
slots:
  cuisine:
    type: text
    mappings:
    - type: from_entity
      entity: cuisine
  num_people:
    type: float
    mappings:
    - type: from_entity
      entity: number
  outdoor_seating:
    type: bool
    mappings:
    - type: from_intent
      intent: affirm
      value: true
      conditions:
       - active_loop: restaurant_form
         requested_slot: outdoor_seating
    - type: from_intent
      intent: deny
      value: false
      conditions:
      - active_loop: restaurant_form
        requested_slot: outdoor_seating

数字number槽由实体填充。数字number等实体可以由DucklingEntityExtractor提取。要使用它，请将DucklingEntityExtractor添加到NLU管道：
config.yml

language: en
pipeline:
# other components
- name: DucklingEntityExtractor
  dimensions: ["number"]

Slot Mappings with Conditions

outdoor_seating根据用户的意图填充：如果确认，则为true；如果拒绝，则为false。
但是，只有当用户回答问题“您想坐在外面吗？”时，插槽才应设置为true或false。为强制执行此条件，outdoor_seating槽的条件要求餐厅座位restaurant_form处于活动状态，且请求的座位槽为室外座位outdoor_seating。如果没有条件，并且用户在对话之前发送了一条带有确认或拒绝意图的消息，则在激活表单时，户外座位槽将已经填满。因此，该表格不会提示用户选择户外座位。有关详细信息，请参见映射条件。

Validating Slots

通常，您会希望在接受用户输入之前验证用户的输入，例如，检查给定的菜肴是否在助理的可用菜肴数据库中。有关验证操作的更多信息，请参阅有关验证表单输入的文档。

Requesting Slots

要指定bot应如何请求所需信息，请在域中定义名为utter_ask_u{slotname}的响应
domain.yml

responses:
  utter_ask_cuisine:
    - text: "What cuisine?"
  utter_ask_num_people:
    - text: "How many people?"
  utter_ask_outdoor_seating:
    - text: "Do you want to sit outside?"

2. Updating the configuration

表单的快乐路径应定义为规则，这意味着您需要将RulePolicy添加到策略中：
config.yml

policies:
  - name: RulePolicy

3. Creating rules

表单本身负责询问用户所有所需信息的逻辑，因此表单的快乐路径只需要两条规则：一条定义何时开始，另一条定义填充后发生的事情。对于餐馆搜索示例，在现实生活中，助手会根据用户的偏好查找餐馆。在这种情况下，bot将发出一个响应，其中包含用于搜索的详细信息。

rules.yml

rules:
  - rule: activate restaurant form
    steps:
      - intent: request_restaurant   # intent that triggers form activation
      - action: restaurant_form      # run the form
      - active_loop: restaurant_form # this form is active

  - rule: submit form
    condition:
    - active_loop: restaurant_form   # this form must be active
    steps:
      - action: restaurant_form      # run the form
      - active_loop: null            # the form is no longer active because it has been filled
      - action: utter_submit         # action to take after the form is complete
      - action: utter_slots_values   # action to take after the form is complete

通过拆分表单的激活和提交，如果用户提供 unexpected input 或通过聊天中断表单，则规则仍然适用。

4. Updating the NLU training data

您需要为激活表单的意图添加示例，以及用户如何提供所需信息的示例。

Form Activation Intent(s)

您需要为激活表单的意图提供训练示例，例如request_restaurant：
nlu.yml

nlu:
- intent: request_restaurant
  examples: |
    - im looking for a restaurant
    - can i get [swedish](cuisine) food in any area
    - a restaurant that serves [caribbean](cuisine) food
    - id like a restaurant
    - im looking for a restaurant that serves [mediterranean](cuisine) food
    - can i find a restaurant that serves [chinese](cuisine)

默认情况下，只要提取了正确的实体，使用from_entity填充的槽可以由任何用户话语填充，而不管意图如何。这意味着，如果用户将烹饪实体cuisine作为其第一条消息的一部分提供，则将在表单的开头填充该槽，并且机器人不会再次向他们索要烹饪。

Form Filling Intent(s)

当表单填充槽时，它不会注意预测了哪个意图，除非槽映射明确要求或排除意图。
对于餐馆搜索示例，户外座位槽outdoor_seating映射到两个意图，因此需要为这些意图添加训练数据。

对于烹饪cuisine 和number数字槽，没有指定意图，因此您可以向通用意图inform中添加示例，您需要对烹饪实体cuisine进行注释，以便DIETClassifier可以学习提取它。您不需要对数字实体number 进行注释，因为DucklingEntityExtractor是一个基于规则的提取器，它没有根据您的训练数据进行训练。对于每个意图，仅显示了几个示例；要使您的机器人正常工作，您应该添加比此处显示的更多的训练数据：

nlu.yml

nlu:
- intent: affirm
  examples: |
    - Yes
    - yes, please
    - yup
- intent: deny
  examples: |
    - no don't
    - no
    - no I don't want that

- intent: inform
  examples: |
    - [afghan](cuisine) food
    - how bout [asian oriental](cuisine)
    - what about [indian](cuisine) food
    - uh how about [turkish](cuisine) type of food
    - um [english](cuisine)
    - im looking for [tuscan](cuisine) food
    - id like [moroccan](cuisine) food
    - for ten people
    - 2 people
    - for three people
    - just one person
    - book for seven people
    - 2 please
    - nine people

更新您的域以包含这些意图
domain.yml

intents:
  - request_restaurant
  - affirm
  - deny
  - inform

5. Defining the responses

添加提交表单后发送的响应：
domain.yml

responses:
  utter_submit:
  - text: "All done!"
  utter_slots_values:
  - text: "I am going to run a restaurant search using the following parameters:\n
            - cuisine: {cuisine}\n
            - num_people: {num_people}\n
            - outdoor_seating: {outdoor_seating}"

Summary

表单可以简化收集用户信息的逻辑。要定义上述餐馆搜索示例中的最小表单，以下是您需要执行的操作的摘要：

• 将规则策略添加到配置config.yml

• 在域中定义具有所需插槽的表单

• 为域中所有必需的插槽添加插槽映射

• 添加激活和提交表单的规则

• 为激活表单的意图添加示例

• 为填充所需插槽的意图添加示例

• 定义表单完成时bot要执行的操作或响应

• 使用您定义的新意图和操作更新您的域

要尝试新定义的表单，请通过运行rasa train并启动rasa shell来重新训练bot的模型。由于DucklingEntityExtractor用于提取实体，因此还需要在后台启动Duckling（请参阅运行Duckling的说明）。

rasa 官网链接

https://rasa.com/docs/rasa/business-logic

Rasa系列博客：

• 业务对话机器人Rasa 3.x Internals及Rasa框架定制实战
• 业务对话机器人Rasa核心算法DIET及TED论文详解
• 业务对话机器人Rasa 3.x部署安装初体验
• 业务对话机器人Rasa 3.x Playground
• 业务对话机器人Rasa 3.x Command Line Interface
• 业务对话机器人Rasa 3.x 命令 rasa shell 及rasa run
• 业务对话机器人Rasa 3.x 命令rasa run actions、rasa test、rasa data split 、rasa data convert nlu
• 业务对话机器人Rasa 3.x 命令rasa data migrate、rasa data validate、rasa export、rasa evaluate markers、rasa x
• 业务对话机器人Rasa 3.x 会话驱动开发（Conversation-Driven Development）
• 业务对话机器人Rasa 3.x 生成自然语言理解NLU数据
• 业务对话机器人Rasa 3.x 写入会话数据（Writing Conversation Data）
• 业务对话机器人Rasa 3.x 聊天和FAQs常见问题解答
• 业务对话机器人Rasa 3.x docker安装部署