![0df858f462e54c537637da6fad28b07e.png](https://img-blog.csdnimg.cn/img_convert/0df858f462e54c537637da6fad28b07e.png)
- 如果你想了解带 Roles 和 Groups 的Entities数据是怎么回事儿,有什么作用,该如何定义,那你应该去这里
2. 在你的训练数据中有带 Roles 和 Groups 的Entities,那就需要在domain文件的entities
section下将其列出来,那你可以参考这里,同时此处还说明了提取不同类型entity用到的实体提取器
![24d882886cc14c7768c1b983461e41f6.png](https://img-blog.csdnimg.cn/img_convert/24d882886cc14c7768c1b983461e41f6.png)
3. 如果要按roles或groups影响对话预测,那么需要修改 stories以包含所需的roles或groups标签,查看这里
Entity Roles and Groups influencing dialogue predictionsrasa.com![24d882886cc14c7768c1b983461e41f6.png](https://img-blog.csdnimg.cn/img_convert/24d882886cc14c7768c1b983461e41f6.png)
4. 除了Rasa内置的集中slot 类型,如果你还想自定义新的slot 类型,那你可以看这里。注意,除了要写定义新slot 类型的函数,你还得编写对应的stories数据
Domainrasa.com![24d882886cc14c7768c1b983461e41f6.png](https://img-blog.csdnimg.cn/img_convert/24d882886cc14c7768c1b983461e41f6.png)
5. 在Rasa中,组件构成了NLU管道,并按顺序工作以将用户输入处理为结构化输出。 包括以下组件:
- 预处理(Language Models, Tokenizers, Featurizers)
- 意图分类(Intent Classification)
- 实体提取(Entity Extraction)
- 响应选择(Response Selection)
如果你要了解组成 NLU pipeline 的组件(Components)有哪些及其详细使用方法,那请仔细阅读这里
Componentsrasa.com![24d882886cc14c7768c1b983461e41f6.png](https://img-blog.csdnimg.cn/img_convert/24d882886cc14c7768c1b983461e41f6.png)
最近两年Transformers类模型大放异彩,如果你想在自己的机器人里使用此类模型,那你应该重点关注这里
HFTransformersNLPrasa.com![24d882886cc14c7768c1b983461e41f6.png](https://img-blog.csdnimg.cn/img_convert/24d882886cc14c7768c1b983461e41f6.png)
和这里
LanguageModelFeaturizerrasa.com另外,如果官方提供的组件不能满足你的需要,你还可以自定义组件
Componentsrasa.com![24d882886cc14c7768c1b983461e41f6.png](https://img-blog.csdnimg.cn/img_convert/24d882886cc14c7768c1b983461e41f6.png)
总结:官方文档的使用指南暂时就记录这么多,后面文章涉及的内容包括:roles和groups使用详解;Domain使用详解;Actions使用详解等等。如果觉得有用就收藏关注本专栏,以备不时之需,谢谢~