rasa的认识

学习rasa :
可以作为无知小狗，如果想让小狗明白帮你拿苹果？你会怎么做？

1. 应该先让它认识苹果
2. 你发出“去拿苹果的指示”
3. 小狗找到苹果，用嘴叼过来
4. 这样训练几次，小狗就会了
   并且以后当你发出“拿”的指示，及时不是苹果，你指出的东西，小狗就会拿过来
   就是这样的经过不断的训练，就够变得聪明。

Rasa-nlu 就是训练 intent(意图)：拿东西 entriy(实体)：苹果

Rasa 需要训练数据：
实例：nlu.yml
nlu:

• intent: request_weather
  examples: |
  -你能告诉我后天广州的天气吗？
  Config.yml
  rasa nlu 支持不同的 Pipeline 更准确的识别意图和实体
  language: “zh”

pipeline:

• name: “MitieNLP”
  model: “data/total_word_feature_extractor_zh.dat”
• name: “JiebaTokenizer”
• name: “MitieEntityExtractor”
• name: “EntitySynonymMapper”
• name: “RegexFeaturizer”
• name: “MitieFeaturizer”
• name: “SklearnIntentClassifier”

训练rasa-nlu 模型命令
Rasa train nlu

理解用户消息的消息，接下来就是行动

Rasa-core 就是对话管理，决定下一步做什么
意思就是我们让小狗用嘴叼，叫，还是咬 让他来做出选择

Rasa-core 也要训练，

stories可以理解为对话的场景流程，告诉机器我们的多轮场景是怎样的
stories.yml样本数据
stories:

• story: happy path
  steps:

  • intent: request_weather
  • slot_was_set:
    • requested_slot: date_time
  • action: weather_form

• story: happy path
  steps:

  • intent: request_weather
  • slot_was_set:
    • requested_slot: address
  • action: weather_form

domain.yml定义了对话机器人应知道的所有信息，相当于大脑框架，指定了
意图intents，
实体entities，
插槽slots ，
动作actions。
version: “2.0”

intents:

• greet
• request_weather

session_config:
carry_over_slots_to_new_session: true
session_expiration_time: 60

actions:

• utter_answer_affirm
• utter_answer_deny
• utter_answer_greet
• utter_answer_goodbye
• utter_answer_thanks
• utter_answer_whoareyou

forms:

• weather_form

slots:
date_time:
type: unfeaturized
address:
type: unfeaturized

entities:

• date_time
• address

responses:
utter_answer_affirm:
- text: “嗯嗯，好的！”
- text: “嗯嗯，很开心能够帮您解决问题~”
- text: “嗯嗯，还需要什么我能够帮助您的呢？”

confing.yml
policies:

• name: TEDPolicy
  epochs: 500
  max_history: 5
• name: FallbackPolicy
  fallback_action_name: ‘action_default_fallback’
• name: MemoizationPolicy
  max_history: 5
• name: FormPolicy
  它的作用就是使用合适的策略（Policy）来预测一次对话后要执行的行为（Actions）。

训练的命令是 rasa train croe

当我们把 rasa nlu 和 rasa croe 都训练好了，可以测试
Rasa shell