rasa算法_Rasa 入门教程 Core 系列（五）

Rasa 入门教程 Core 系列包括十一个部分，前面介绍了Kevin陶民泽：Rasa 入门教程 Core 系列(四)​zhuanlan.zhihu.com

。本文主要介绍 Rasa 框架 Core 系列的第五部分：策略。

本文的目录结构：策略配置

动作选择

Keras 策略

Embedding 策略

Mapping 策略

Memoization 策略

Augmented Memoization 策略

Fallback 策略

Two-Stage Fallback 策略

Form 策略

1. 策略配置

类 rasa.core.policies.Policy 决定在对话的每个步骤中应采取的什么动作。有多种策略可供选择，您可以在 rasa.core.agent.Agent 中包含多个策略。

项目中的 config.yml 文件有关键字 policies，你可以使用该关键字来自定义助手使用的策略。在下面的示例中，最后两行显示了如何使用自定义策略类并将参数传递给它。

policies:

- name: "KerasPolicy"

featurizer:

- name: MaxHistoryTrackerFeaturizer

max_history: 5

state_featurizer:

- name: BinarySingleStateFeaturizer

- name: "MemoizationPolicy"

max_history: 5

- name: "FallbackPolicy"

nlu_threshold: 0.4

core_threshold: 0.3

fallback_action_name: "my_fallback_action"

- name: "path.to.your.policy.class"

arg1: "..."

1.1 最长历史记录

Rasa 核心策略的一个重要超参数是 max_history。这可以控制模型查看多少对话历史记录，以决定下一步应采取什么动作。

你可以在 yaml 文件中的配置策略里通过设置 max_history 值将其传递到 Featurizer。

例如：假设你有一个 out_of_scope 表示超纲的意图。如果你的机器人连续多次看到此意图，则可能要告诉用户你可以提供哪些帮助。因此你的 story 可能如下所示：

* out_of_scope

- utter_default

* out_of_scope

- utter_default

* out_of_scope

- utter_help_message

为了使 Rasa Core 学习这种模式，max_history 至少为 4。

如果增加 max_history，你的模型将变得更大，并且训练将花费更长的时间。如果你有会影响将来对话的一些信息，则应将其作为槽位存储，槽位信息可以用于每个特征提取器。

1.2 数据增强

训练模型时，默认情况下，Rasa Core 随机将 stories 文件中的 stories 粘合在一起来创建更长的 stories。stories 文件如下所示：

# thanks

* thankyou

- utter_youarewelcome

# bye

* goodbye

- utter_goodbye

实际上你想教自己的策略在不相关时忽略对话历史记录，而无论以前发生了什么，都只需以相同的动作进行响应即可。

你可以使用 --augmentation 标志更改此行为，允许你设置 augmentation_factor。augmentation_factor 决定在训练中有多少增强的 stories 是子采样。增强后的 stories 在训练之前会进行二次抽样，因为它们的数量会很快变得非常大，我们希望对其进行限制。样本 stories 的数量是augmentation_factorx10。默认情况下，增强设置为 20，最多可生成200个增强 stories。

--augmentation 0 表示禁用所有增强行为。基于 Memoization 策略不受增强影响(与 augmentation_factor 无关)，并且会自动忽略所有增强的 stories。

2. 动作选择

在任何时候，配置中定义的每个策略都会以一定的置信度预测下一个动作。有关每个策略如何做出决策的更多信息，请阅读下面的策略说明。然后，该机器人的下一步动作将由具有最高置信度的预测策略决定。

在两个相同的置信度策略进行预测的情况下(例如：Memoization 和 Mapping 策略，始终以 0 或 1 的置信度进行预测)，则将考虑策略的优先级。Rasa 策略有默认优先级，这些默认优先级用于在平局时的预期结果。如下所示，数字越高优先级越高：

5. FormPolicy

4. FallbackPolicy and TwoStageFallbackPolicy

3. MemoizationPolicy and AugmentedMemoizationPolicy

2. MappingPolicy

1. EmbeddingPolicy, KerasPolicy, and SklearnPolicy

上述优先级层次结构可确保，在 NLU 的置信度值在 nlu_threshold 之下(例如：如果有一个 mapped 动作)，机器人仍将回退。通常，不建议每个优先级使用一个以上的策略，并且某些优先级相同的策略(例如两个 fallback 策略)严格不能一并使用。

如果创建自己的策略，请使用这些优先级作为确定策略优先级的指南。如果你的策略是机器学习策略，则它最有可能具有与 Rasa 机器学习策略相同的优先级 1。

3. Keras 策略

KerasPolicy 策略在 Ke