![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
多轮对话
文章平均质量分 92
風起云扬
一位爱好运动的程序猿,本人主要在AI头部公司,从事AI算法研发以及提供AI解决方案,主要专注的研究方向:自然语言处理、知识图谱、多轮对话、信息抽取,服务行业有制造业、政府、军工领域; 如果相关文章对你有帮助、欢迎关注、点赞、收藏(一键三连)和订阅专栏哦; 如果想了解更多深度学习与自然语言处理技术的发展、算法、业务落地和场景,可以联系我一起探讨
展开
-
章节七:RASA NLU组件介绍--意图分类器和实体提取器
意图分类器主要是对用户的每一次对话进行意图识别,确定用户的每次意图,确定客户每次问的意图是哪种,需要做什么。实体提取器主要是获取每一次对话的槽位信息。原创 2022-12-27 15:36:07 · 2170 阅读 · 0 评论 -
章节六:RASA NLU组件介绍--特征生成器
RASA文本特征生成器分为两个不同类别:稀疏特征生成器如One-hot和密集特征生成器如Bert。稀疏特征生成器会返回具大量缺失值(例如零)的特征向量。但是由于这些特征向量通常会占用大量内存,因此我们将它们存储为稀疏特征,稀疏特征仅存储非零值及其在向量中的位置,能够在更大的数据集上进行训练。原创 2022-12-27 15:20:34 · 1440 阅读 · 1 评论 -
章节五:RASA NLU组件介绍--语言模型和分词器
RASA在处理对话时,整体流程是pipeline结构,自然语言理解(NLU)、对话状态追踪(DST)以及对话策略学习(DPL)一系列流程处理下来,再判断执行下一个动作。其中,NLU组件主要是将用户的输入处理成结构化输出。该组件主要用途为实体抽取、意图分类、响应选择、预处理等。NLU组件也是一个可细分pipeline结构,过程是Tokenize->Featurize->NER Extract->Intent Classify。原创 2022-12-27 15:10:15 · 1713 阅读 · 0 评论 -
部署Neo4j +Rasa+Rasa UI
最近在学习kbqa,调研时发现gitee上有关于多轮对话系统源码,该仓库主要是基于rasa框架(python语言)实现,并且带有web的UI配置,相当于比较全面的对话平台。Rasa UI 可以基于客户已有的平台, 也可以作为独立的平台使用。原创 2022-12-15 10:39:14 · 1672 阅读 · 1 评论 -
章节四:RASA 训练数据介绍
一般来说,机器人可以跟人对话,机器人说什么是最难的,顶多是人工编写几种规则和模版来回复即可。但是要让机器人理解人的意图,确实非常难的事情。因为语言具有多样性,多义词,一语双关,长短句等,尤其是中文的博大精深。因此机器人需要特别多的数据,也就是模拟人的问法,让机器人理解这些意图特征,理解人的问法,以及人是如何回复别人的问题,这部分内容在Rasa里面称为训练数据。原创 2022-11-20 21:27:50 · 1523 阅读 · 0 评论 -
章节三:RASA Domain介绍
Domain(领域)定义了bot可以操控的范围。它指定了bot需要了解的Responses、Intents、Slots、Entities、Forms and actions。domain是一个或者多个YAML格式的文件。原创 2022-11-13 22:57:59 · 709 阅读 · 0 评论 -
章节二:Rasa创建一个简单助手
利用rasa来初始化一个简单的助手机器人,熟悉整个流程原创 2022-11-06 18:45:22 · 673 阅读 · 0 评论 -
章节一: RASA开源引擎介绍
RASA开源引擎介绍,主要是从系统优势、系统架构、消息处理过程等方面进行介绍原创 2022-10-30 16:13:35 · 1164 阅读 · 0 评论