Gavin老师Transformer直播课感悟 - Rasa项目实战之银行金融Financial Bot智能业务对话机器人架构与流程及Rasa Interactive实验剖析(八十)

m0_49380401

已于 2022-03-25 19:35:20 修改

阅读量773

点赞数 1

分类专栏： Rasa AI 文章标签：自然语言处理 transformer 机器学习深度学习人工智能

于 2022-03-24 21:51:49 首次发布

本文链接：https://blog.csdn.net/m0_49380401/article/details/123722628

版权

AI 同时被 2 个专栏收录

165 篇文章 12 订阅

订阅专栏

Rasa

84 篇文章 16 订阅

订阅专栏

本文继续围绕工业级业务对话平台和框架Rasa，对Rasa项目实战之银行金融Financial Bot智能业务对话机器人架构、流程进行解析，并通过Rasa Interactive分析配置文件中各个组件的使用，结合可视化流程图演示项目对话流程主要功能。

一、Rasa项目实战之银行金融Financial Bot智能业务对话机器人架构与流程及Rasa Interactive实验剖析

使用Rasa Visualize对Financial Bot智能业务对话机器人架构进行解析

运行rasa visualize命令可以获取对话流程可视化图：

运行完成会自动弹出可视化流程页面，从图中可以看到包含了以下几大功能：

-围绕form “cc_payment_form”构建的支付功能

-围绕form “transaction_search_form”构建的交易查询功能

-围绕form ”transfer_money_form”构建的转账功能

-关于转人工服务的handoff功能及异常处理

-关于提供帮助信息的功能

这是项目整体流程图：

左边部分包括支付，交易查询，转账等功能：

右边部分主要包括转人工处理，fallback处理，以及对话超出业务范围（out of scope）的处理等：

2. 逐行剖析Rasa Interactive启动内幕及Config文件剖析

运行命令rasa interactive进入交互式模式，你可以在交互过程中针对对话机器人在NLU部分的intent预测或者对话管理使用policies进行action的预测出现的偏差进行纠正，从而生成新的训练数据，然后你可以保存并使用这些新数据来重新训练你的对话机器人。通过使用这种方式可以在开发对话机器人时实现不断的迭代。

从运行命令后的输出信息可以看到：

使用了三种policies来基于NLU部分的输出进行对话决策，在Policy Ensemble中会对三种policies同时进行预测获得的confidences进行比较，一般来说会采用confidence更高的预测结果，另外不同的policy的优先级不同，在选择最终结果时也会考虑这一点。从优先级看，RulePolicy是最高的，用于当rule定义的条件满足时必然会执行相应的逻辑的情况；AugmentedMoizationPolicy是MoizationPolicy的一个变种，它具有“遗忘机制”，可以在忽略一些内容的前提下使用对话中的turns来和训练数据中的内容进行匹配；而TEDPolicy是基于机器学习的policy，它的优先级在三者之中最低。

CountVectorFeaturizer使用了两个，一个是基于token级别的，另一个是基于character级别的。EntitySynonymMapper是使用同义词技术把不同的表达方式转换为同一个表达方式。DIETClassifier可以同时完成意图分类任务和实体提取任务。

关于config文件：

任何graph 组件都需要使用recipe进行注册，譬如DIETClassifier：

下面是pipeline的定义，从这里看不出哪些组件是并行执行的，在Rasa启动时，会把这里定义的组件映射为graph中的节点：

在这里使用了SpacyNLP，以及使用了DucklingEntityExtractor来提取实体信息，如amount-of-money，time，number。DucklingEntityExtractor和SpacyEntityExtractor都是已经训练好的模型，可以直接输入数据来使用。关于FallbackClassifier，设定的threshold为0.7，当使用DIETClassifier预测intent的confidence低于此设定值时，就会触发fallback的处理。