Gavin老师Transformer直播课感悟 - Rasa对话机器人项目实战之教育领域Education Bot调试Debugging过程全生命周期实战解密（六十一)

   本文继续围绕工业级业务对话平台和框架Rasa，对Rasa对话机器人项目实战之教育领域Education Bot调试Debugging过程进行解析。通过调试信息详细了解pipeline中定义的各个NLU组件是如何协同完成从用户输入信息到输出intents和entities的整个NLU处理流程。

一、Rasa对话机器人项目实战之教育领域Education Bot调试Debugging过程解析

1. 教育领域Education Bot调试Rasa Debugging启动Modules分析

使用Rasa server的debug模式不仅可以展示数据流，也可以帮助我们了解框架内部的细节。

运行命令rasa shell –debug启动调试模式，UserWarning提示从3.0开始，Rasa移除了自动填充slots的机制，因为这种机制在业务流程比较复杂的情况下容易造成slot状态管理的bug，譬如slot不该填充时被错误自动填充等，Rasa的对话policies是根据状态来进行预测的，如果状态出现问题，就会导致对话机器人发生不是预期的行为。另外可以看到加载了很多modules，包括Python层面的和系统框架层面的，这里面有些比较重要，譬如rasa_sdk，asyncio等：

 2.  教育领域Education Bot调试Rasa Debugging中NLU Pipeline组件启动详解

用户输入首先需要进行处理，然后再调用WhitespaceTokenizer进行分词处理：

在config.yml的pipeline中定义了以下NLU组件：

加载DIETClassifier：

通过load方法从storage中加载组件并实例化后返回：

下面的warning信息可以忽略，在Rasa 之前的版本中也会出现：

加载DucklingEntityExtractor：

在pipeline中的配置如下，用于提取dimensions中的实体信息：

加载EntitySynonymMapper和ResponseSelector：

Pipeline配置如下：

加载FallbackClassifier：

Pipeline配置如下：

 3.  教育领域Education Bot调试Rasa Debugging中Policies组件启动详解

加载RulePolicy组件：

加载AugmenentedMemoizationPolicy组件，这个policy具有“遗忘机制”，可以通过忽略历史对话中的一些内容来与stories中的训练数据进行匹配，从而提供更大的灵活性和匹配成功率：

加载TEDPolicy组件，这个policy是基于机器学习模型TED来进行预测的：

下面是config.yml文件中配置的policies：

加载policy ensemble组件：

启用Python coroutine调试：

 4.  教育领域Education Bot调试Rasa Debugging中用户信息进入Agent过程详解

输入信息，这时会进行用户身份识别，并启动一个新的对话，可以看到当前slots的信息都为空：

使用一个dask runner来运行组件：

DaskGraphRunner只是Rasa GraphRunner的一个实现：

而GraphRunner用于运行一个graph schema（定义了DAG中的各个graph component）：

接下来依次运行这些组件的process方法来处理用户输入信息：

下面是处理用户输入信息后获取的intent及entities信息：

在tracker中记录相关event，执行默认action提取slots信息，并进行验证：

 5.  Education Bot Debugging对用户Message处理的整个NLU生命周期详解

首先看一下Rasa官网提供的这幅关于组件生命周期的图：

下面的图是针对Rasa 2.X的版本（对于3.X的版本是采用DAG graph，组件之间是可以并行运行的），各个组件在图中是有相互依赖关系的。每个组件都会执行加载和初始化的操作，然后依次进行训练，完成之后再通过持久化操作来保存训练好的模型，并产生模型相关的元数据（Model Metadata）。

下面的信息显示了定义在pipeline中的各个NLU组件依次对用户输入信息进行处理来完成整个NLU的过程：

 6.  Education Bot Debugging的Dialogue Management中Policies并行处理详解

从下面的输出信息中可以看到几种policies是在并行处理的：

使用rule policy和AugmenentedMemoizationPolicy进行预测：

也会使用TEDPolicy进行预测：

最后由policy ensemble组件结合各个policies的预测来决定最终的预测结果，可以看到是选择了AugmenentedMemoizationPolicy的预测结果：

下面是对话机器人给出的信息：