对话机器人
文章平均质量分 89
就要辣谢谢。
在机器学习的路上不断摔跤的奋斗者
展开
-
对话机器人(七)——RASA:基于规则
解决机器人无法处理的情况。如,用户表达不清楚,超出机器人能提供服务的范围,这时需要“兜底”的fallback操作。负责处理NLU阶段理解用户意图困难或模糊的情况。FallbackClassifier组件,可见pipline。如:若所有意图分类组件预测出的结果中,最高的置信度小于0.6(threshold值)或最高的前2个意图得分之差不超过0.1(ambiguity_threshold),NLU的意图就会被替换成nlu_fallback。将nlu_fallback映射成utter_please_rephr原创 2022-06-17 11:26:25 · 1170 阅读 · 0 评论 -
对话机器人(六)——RASA:Actions
action:接收用户输入和对话状态信息,按照业务逻辑进行处理,并输出改变对话状态的事件和回复用户的消息。和domain中的response关联在一起,当调用这类动作时,会自动查找response中同名的模板并渲染。填表:多次和用户交互,收集任务所需要的要素,直到所需的要素收集完整。(1)用户表达自己的需求(意图和实体)。(2)根据用户意图,确定合适的表单,将用户在对话中提供的实体信息填入其中。机器人查看表单中缺失的字段,按照一定的策略询问用户关于缺失字段的问题。(3)用户提供缺失字段信息。(4)机器人将缺原创 2022-06-17 11:25:22 · 1990 阅读 · 0 评论 -
对话机器人(五)——RASA:Config
定义了模型将用于根据用户输入进行预测的组件和策略。recipe: 当前配置文件所用的格式,rasa仅支持default.v1格式。1. pipline组件组件构成NLU pipline并按顺序将用户输入处理成结构化输出。包含语言模型、分词器、特征提取、实体识别、意图分类、结构化输出。组件具有以下特征:加载预训练的词向量模型。MITIE 库需要一个语言模型文件,必须在配置中指定。(2) spaCyNLP初始化 spaCy 结构。每个 spaCy 组件都依赖于此,需要放在pipline的开头。b.原创 2022-06-17 11:24:06 · 1311 阅读 · 0 评论 -
对话机器人(四)——RASA:Domain
domain定义了机器人可操作的数据范围,包括意图(intents)、实体(entities)、词槽(slots)、回复(responses)、表单(form)、动作(actions)和会话session的配置(session_config)。 ❃ 意图、实体:输入的范围 ❃ 词槽、表单:内部的变量,表征状态和存储记忆 ❃ 动作:模型输出的范围 ❃ 回复:机器人回复的模板完整的domain示例:2. 意图列出在和中使用的所有的意图。参数:上述例子中,意图有:greet(欢迎)、goodby原创 2022-06-17 11:22:17 · 1254 阅读 · 0 评论 -
对话机器人(三)——RASA:训练数据
1. 训练数据格式使用YAML作为统一且可扩展的方式来管理所有训练数据,包括NLU数据、stories、rules。训练数据可以使用多个YAML文件,每个文件包含NLU数据、stories、rules的任意组合。version: "3.1"nlu:- intent: greet examples: | - Hey - Hi - hey there [Sara](name)- intent: faq/language examples: | - What l原创 2022-05-30 14:45:40 · 2625 阅读 · 0 评论 -
对话机器人(二)——RASA概述与安装
RASA3的概述与安装原创 2022-05-27 16:19:20 · 2825 阅读 · 0 评论 -
对话机器人(一)——对话机器人基础知识
对话机器人、任务型机器人原创 2022-05-27 16:10:28 · 2250 阅读 · 1 评论