Rasa中如何使用情感分析模型进行对话

计算机软件程序设计

于 2024-12-07 11:36:44 发布

阅读量402

点赞数 4

分类专栏：机器学习文章标签： python 开发语言机器学习人工智能情感分析

本文链接：https://blog.csdn.net/weixin_42736657/article/details/144307673

版权

机器学习专栏收录该内容

19 篇文章

订阅专栏

使用情感分析模型进行对话可以帮助机器人根据用户的情感状态提供更加个性化和人性化的回应。下面是一个详细的步骤指南，说明如何在Rasa中集成情感分析模型，并利用其结果来影响对话流程。

1. 集成情感分析模型

1.1 选择并安装情感分析工具

首先，选择一个适合的情感分析工具或API。以下是几种常见的选择：

Hugging Face Transformers：提供了多个预训练的情感分析模型。
spaCy：结合自定义管道实现情感分析。
Google Cloud Natural Language API：提供情感分析功能。
Microsoft Azure Text Analytics API：另一个强大的情感分析服务。
IBM Watson Natural Language Understanding：提供了丰富的情感分析和其他文本分析功能。

假设我们选择Hugging Face Transformers作为情感分析工具，安装必要的库：

pip install transformers torch

1.2 创建情感分析组件

创建一个自定义的Rasa组件，用于调用情感分析模型并将情感信息添加到对话上下文中。以下是一个使用Hugging Face Transformers的示例：

from typing import Any, Optional, Text, Dict
from rasa_sdk import Tracker
from rasa_sdk.executor import CollectingDispatcher
from transformers import pipeline

class SentimentAnalysisComponent:
    def __init__(self):
        self.nlp = pipeline("sentiment-analysis")

    def process(self, message: Text) -> Dict[Text, Any]:
        result = self.nlp(message)[0]
        return {
            "sentiment": result["label"],
            "confidence": result["score"]
        }

1.3 更新Rasa配置文件

在config.yml中注册这个自定义组件，并确保它位于NLU管道中的适当位置。例如：

language: en

pipeline:
  - name: "SpacyNLP"
  - name: "SpacyTokenizer"
  - name: "SpacyFeaturizer"
  - name: "SpacyEntityExtractor"
  - name: "SentimentAnalysisComponent"  # 添加情感分析组件
  - name: "DIETClassifier"
  - name: "EntitySynonymMapper"
  - name: "ResponseSelector"

policies:
  - name: "MemoizationPolicy"
  - name: "TEDPolicy"
  - name: "RulePolicy"

2. 利用情感分析结果影响对话

2.1 定义槽位（Slot）

在domain.yml中定义新的槽位来存储情感信息。这些槽位可以在对话管理中使用，以影响机器人的回应。

slots:
  sentiment:
    type: text
    influence_conversation: true

responses:
  utter_greet_positive:
    - text: "Great to hear from you! How can I assist you today?"
  utter_greet_negative:
    - text: "I'm sorry to hear that. Let's see how we can help."

2.2 创建自定义动作

创建一个自定义动作来调用情感分析组件，并根据结果更新槽位。这个动作将在每次用户发送消息时被触发。

from typing import Any, Text, Dict, List
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher
from .sentiment_analysis_component import SentimentAnalysisComponent

class ActionAnalyzeSentiment(Action):

    def __init__(self):
        self.sentiment_analyzer = SentimentAnalysisComponent()

    def name(self) -> Text:
        return "action_analyze_sentiment"

    def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:

        user_message = tracker.latest_message.get('text')
        sentiment_result = self.sentiment_analyzer.process(user_message)

        # 设置槽位
        return [SlotSet("sentiment", sentiment_result["sentiment"])]

2.3 更新故事文件（stories.yml）

在stories.yml中添加基于情感的对话路径。这样可以根据用户的感情状态选择不同的回应路径。

version: "2.0"

stories:

- story: greet user (positive)
  steps:
  - intent: greet
  - action: action_analyze_sentiment
  - slot_was_set:
      sentiment: positive
  - action: utter_greet_positive

- story: greet user (negative)
  steps:
  - intent: greet
  - action: action_analyze_sentiment
  - slot_was_set:
      sentiment: negative
  - action: utter_greet_negative

3. 使用情感分析结果生成动态响应

除了基于固定的故事路径，您还可以在响应生成阶段直接使用情感分析的结果来调整机器人的语气或内容。这可以通过编写更复杂的响应逻辑来实现。

3.1 动态响应生成

在domain.yml中定义响应时，可以使用条件语句来生成动态响应。例如：

responses:
  utter_greet:
    - text: |
        {% if slots['sentiment'] == 'positive' %}
          Great to hear from you! How can I assist you today?
        {% elif slots['sentiment'] == 'negative' %}
          I'm sorry to hear that. Let's see how we can help.
        {% else %}
          Hello! How can I assist you?
        {% endif %}

3.2 自定义响应动作

如果您需要更复杂的逻辑，可以创建自定义响应动作。例如，根据情感状态提供不同的建议或解决方案：

class ActionRespondBasedOnSentiment(Action):

    def name(self) -> Text:
        return "action_respond_based_on_sentiment"

    def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:

        sentiment = tracker.get_slot("sentiment")
        if sentiment == "positive":
            response = "Great to hear from you! How can I assist you today?"
        elif sentiment == "negative":
            response = "I'm sorry to hear that. Let's see how we can help."
        else:
            response = "Hello! How can I assist you?"

        dispatcher.utter_message(text=response)
        return []