这个聊天机器人demo是用开源NLU框架rasa-nlu完成意图识别与实体识别，用rasa-core完成对话管理和与对话生成。
- 本demo完成的对话主要有:
- 1: 办理套餐、查询话费和流量(会话场景1)
- 2：案件查询(会话场景2)
- 3：Q&A问答+闲聊(合并在unknow_intent的场景里)
- 本demo实现流程
- demo主要参考了
- 主要包版本
python: 3.6.8
rasa-nlu: 0.14.4
rasa-core: 0.13.2
rasa-core-sdk: 0.12.1
tensorflow 1.12.0
keras 2.2.4
- 主要文件描述
- data/rasa_dataset_training.json ：nlu训练数据
- configs/_config.yml 类文件：模型流程定义(language、pipeline等)。nlu_model_config.yml中的pipeline可自定义，这里由于数据量较少，用了开源的方法和词向量(total_word_feature_extractor.dat)。如果你的rasa_dataset_training.json上数据足够多，可以尝试使用nlu_embedding_config.yml(本demo使用)配置来训练nlu model.
- mobile_domain.yml ：各组件、动作的定义集合,其实就是特征
- endpoint.yml 服务地址、会话存储地址(url)
- data/mobile_edit_story.md ：定义各种对话场景,会话流训练数据
- bot.py :各种训练nul与 dialogue的方法
- actions.py :负责执行自定义 Action (通常都是具体的业务动作，在本项目中通信业务查询、案件查询、闲聊或Q&A)
- data/total_word_feature_extractor.dat : 一个训练好的中文特征数据(使用nlu_moel_config.yml配置训练时会用到)
- data/news_12g_baidubaike_20g_novel_90g_embedding_64.bin ：训练好的word2vec模型(train_nlu_wordvector：wordvector_config.yml中用到),可下载更大的训练好的模型，下载地址：连接 密码：9aza
- 环境搭建：详见连接Rasa聊天机器人（一）:简介及环境搭建
- 基本效果可见：Rasa聊天机器人（二）:训练及构建
python bot.py train-nlu
python -m rasa_nlu.server --path models/nlu 启动NUL模型服务
curl -XPOST 192.168.109.232:5000/parse -d '{"q":"我要查昨天下午的抢劫案", "project": "default", "model": "current"}'
python bot.py train-dialogue-keras
python -m rasa_core_sdk.endpoint --actions actions &
python -m rasa_core.run --nlu default/current --core models/dialogue_keras --endpoints endpoints.yml
python -m rasa_core.train interactive -o models/dialogue_keras -d mobile_domain.yml -s data/mobile_edit_story.md --endpoints endpoints.yml 重头开始训练story，零启动
python -m rasa_core.train interactive --core models/dialogue_keras --nlu default/current --endpoints endpoints.yml 通过已有story模型训练(构造更多的story,一般用这种方法)
python -m rasa_core_sdk.endpoint --actions actions &
python -m rasa_core.run --nlu default/current --core models/dialogue_keras --credentials credentials.yml --endpoints endpoints.yml 开启core服务(Service)
python -m rasa_core.train compare -c keras_policy.yml embed_policy.yml -d mobile_domain.yml -s data/mobile_edit_story.md -o comparison_models/ --runs 3 --percentages 0 25 50 70
python -m rasa_core.evaluate compare -s data/mobile_edit_story.md --core comparison_models/ -o comparison_results/
训练数据的构造是非常费时的一件事，本demo data/rasa_dataset_training.json 是通过一些规则自动生成的，节省很多人力。
- 工具地址here,
- 具体用法可参考chatito_gen_nlu_data中的使用文档。
- 标注语料可参考标注工具rasa-nlu-trainer
UI界面接入可参考 https://github.com/howl-anderson/WeatherBot_UI 直接更改相应的端口或ip即可使用。
- 启动方法：
- 1、启动NLU服务
- 2、启动dialogue service
- 3、启动web服务
其中也有些坑，使用期间有任何问题，欢迎随时issue！
从rasa_nlu=0.14.0 开始就不使用ner_duckling，详见changelog，仅保留ner_duckling_http。因自己启动ner_duckling_http 报错，故自己把ner_duckling的模块又重新添加到了rasa_nlu中。添加方法如下：
- 1、找到rasa_nul包的位置，我的是/root/anaconda3/envs/rasa/lib/python3.6/site-packages/rasa_nlu
- 2、在rasa_nlu/extractors(前置路径省略) 中添加duckling_extractor.py文件 直接复制粘贴：https://github.com/RasaHQ/rasa_nlu/blob/0.13.x/rasa_nlu/extractors/duckling_extractor.py
- 3、在rasa_nlu/registry.py 中注册duckling_extractor组件
- 导入方法: from rasa_nlu.extractors.duckling_extractor import DucklingExtractor
- 添加组件: 在组件列表component_classes 中加入 DucklingExtractor
在policy/attention_keras 中要求输入的特征是偶数个，即mobile_domain.yml的特征数据量，若报错删除一个或增加一个特征即可
因为rasa_nlu_gao中的word2vec模型使用的txt文本模型，我这里用的bin二进制模型，所以如果使用bin的二进制模型需要更改 rasa_nlu_gao中的源码。修改方法：
- 1、定位到site-packages/rasa_nlu_gao/featurizers/intent_featurizer_wordvector.py
- 2、定位到两处模型加载的地方 model = gensim.models.KeyedVectors.load_word2vec_format 将里面的binary 改为True即可
rasa-nlu-gao新增了N多个个自定义组件，具体用法和说明请参考该作者的 rasa对话系统踩坑记，个人觉得对新入坑聊天机器人的童鞋很有帮助，感谢作者的贡献。简单使用方法如下：
pip install rasa-nlu-gao
python bot.py train-nlu-gao
python -m rasa_nlu_gao.server -c config_embedding_bilstm.yml --path models/nlu_gao/