【Python大语言模子系列】开源机器人对话系统框架RASA介绍与利用（案例分析 ...

这是我的第361篇原创文章。


一、引言

Rasa是一个开源的对话式 AI 框架，用于构建自定义的对话式 AI 助手。它可以处理自然语言理解（NLU）和对话管理（DM），使得开辟者能够轻松地创建功能丰富的对话式 AI 应用。Rasa是一个开源机器学习框架(小模子)，重要功能：支持闲聊，问答型机器人和多轮会话。


二、系统架构

上图概述了Rasa开源体系结构：

• RASA包含自然语言理解（NLU）和对话管理两个重要组件。NLU提供了意图分类，实体提取和响应检索功能，它是以管道的方式处理用户对话，在上图中显示为NLU Pipeline。对话管理组件可以根据上下文决定对话中的下一个动作，在上图中显示为Dialogue Policies。
  
• Agent组件，从Robot User来看，Agent就是整个RASA系统的代理，它接收用户输入消息，返回Rasa系统的答复。在Rasa系统内，Agent就是一个总控单位，它引导系统启动，它毗连NLU和DM，得到Action，然后调用Action得到答复，它保存对话数据到数据存储。
  
• Tracker Store是对话的存储单位，对话跟踪单位将用户和机器人的对话保存在Tracker Store中。Rasa提供了针对不同存储类型的开箱即用的实现，包括postgresql，SQLite，Oracle，Redis，MongoDB，DynamoDB。TrackerStore也支持自定义存储。
  
• Event Broker事件代理，机器人可以通过Event Broker毗连到其他服务。机器人可以发布一个消息给其他服务来处理这些消息，也可以依靠Event Broker转发Rasa Server的消息到其他服务。目前RASA支持的Event Broker有RabbitMQ，Kafka，SQL。
  
• Lock Store，该组件是一个ID产生器，当RASA是一个集群摆设的时候，并且客户端在发送RASA服务端的消息每次不肯定会寻址到同一个服务器，因此需要一个全局的Session ID。Rasa利用Token Lock机制来确保全局唯一SessionID，并在消息处于活动状态时锁定会话，以此保证消息的顺序处理。
  
• FileSystem提供无差别的文件存储服务，好比练习好的模子可以存储在不同的位置。支持磁盘加载，服务器加载，S3这样的云存储加载。
  
• ActionServer提供了Action与Policy解耦的一种方式。用户可以定义任何一种Action毗连到Action Server上，通过练习学习，RASA可以将policy路由到这个Action上。这使得给机器人热插拔一个能力成为大概。
  

三、核心模块介绍

Rasa有两个重要模块：Rasa NLU 和Rasa Core，旧版本：rasa-nlu和rasa-core是分开安装的，最新版本：rasa 将二者做了合并。
Rasa NLU 是核心模块之一，NLU是英文Natural Language Understanding的简称，也就是自然语言理解，这个模块用于对用户消息内容进行语义理解，并将效果转换成结构化的数据。在Rasa这里，需要提供一份练习数据，Rasa NLU会基于这份数据进行模子练习，然后通过模子对用户消息进行语义理解，重要是意图识别和实体提取。

• 意图分类器重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。一样平常使命型对话中，意图识别都是确定的集合，需要人为先确定使命意图类型，然后在实际场景中进行意图分类。RASA的意图分类器重要是完成这一使命。
  
• 实体提取器重要是对用户的每一次对话中进行定名实体识别，实体做为slot（槽）信息进行填充。举例来说，用户意图为订火车票，那机器人必须知道是从那里出发目的地是那里，这个信息就需要从用户对话中提取地名这个定名实体。RASA的实体提取器支持这一个功能。
  

NLU组件也是一个可细分pipeline结构，过程是Tokenize->Featurize->NER Extract->Intent Classify。
例如，下面句子：
"I am looking for a Mexican restaurant in the center of town"
返回结构化数据:
{ "intent": "search_restaurant","entities": {    "cuisine" : "Mexican",    "location" : "center"  }}
Rasa_NLU_Chi 作为 Rasa_NLU 的一个 fork 版本，加入了jieba 作为中文的 tokenizer，实现了中文支持。
Rasa Core是一个对话管理平台，用于举行对话和决定下一步做什么。Rasa core是Rasa框架提供的对话管理模块，它雷同于谈天机器人的大脑，重要的使命是维护更新对话状态和动作选择，然后对用户的输入作出响应。所谓对话状态是一种机器能够处理的对谈天数据的表征，对话状态中包含所有大概会影响下一步决定的信息，如自然语言理解模块的输出、用户的特性等；所谓动作选择，是指基于当前的对话状态，选择接下来符合的动作，例如向用户追问需增补的信息、实行用户要求的动作等。
RASA在处理对话时，团体流程是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，再判断实行下一个动作。利用Rasa构建的助手响应消息的根本步骤：

• 首先，将用户输入的Message传递到Interpreter(NLU模块)，该模块负责识别Message中的"意图(intent)“和提取所有"实体”(entity)数据；
  
• 其次，Rasa Core会将Interpreter提取到的意图和实体传给Tracker对象，该对象的重要作用是跟踪会话状态(conversation state)；
  
• 第三，利用policy记录Tracker对象的当前状态，并选择实行相应的action，其中，这个action是被记录在Track对象中的；
  
• 最后，将实行action返回的效果输出即完成一次人机交互。
  

几个术语

• 意图：用户打算问什么？
  
• 实体：用户查询中重要的信息是什么？
  
• 故事：即对话脚本，对话进行的大概方式是什么？
  
• 举措：机器人应根据特定请求接纳什么行为步伐？
  

四、利用

1、安装rasa
利用pip install rasa[full]安装Rasa，则会为每种配置安装Rasa的所有依赖项（好比spaCy、MITIE）
2、创建一个新的rasa项目

1. rasa init

复制代码

项目结构：一个典范的 Rasa 项目包含以下文件和文件夹：

• credentials.yml: 存储与外部服务（如 Facebook Messenger、Slack 等）的 API 根据。
  
• config.yml: 存储 Rasa 的配置信息，如 NLU 管道、策略等。
  
• data/: 存储练习数据，包括 NLU数据（练习意图识别模子）和对话数据（练习对话策略选择模子）。
  
• domain.yml: 定义对话的领域，包括实体、槽、意图、动作、模板等。
  
• credentials.yml: 存储与外部服务的 API 根据。
  
• endpoints.yml: 定义 Rasa 服务器的端点，如模子存储、自定义操作等。
  

3、根据业务配置文件
nlu.yaml

nlu文件是告诉模子用户大概会说什么。给的例子是模拟了平时人在相关情形下常说的话。可以理解为，有监视的机器学习，我们给模子提供的学习数据。为了创建自定义谈天机器人，我们将在其中编写一些意图，同时确保意图名称没有重复，并且每个意图确保至少给出两个示例。
domain.yml

这个文件列出了nlu里的所有类型，而responses则是我们告诉机器人，当用户做出了nlu里的相关行为之后，应该怎样回应（其实就是雷同一个判断分支的代码逻辑），好比当我识别出用户想让我讲个笑话的时候，我们就复兴本日的风儿甚是喧嚣啊。当然，我这里只定义了一条，当定义多条复兴信息时，机器人就会随机复兴其中的一条。
sotries.yaml：

这里其实是模拟了大概发生的对话环境，每一条练习数据是一个story，即是一次完整的场景对话（多个intent-action），好比第一个沮丧环境，机器人问候之后，用户表示不开心，机器人会做一个cheer_up行为，然后询问刚才的鼓励行为是否有效，假如用户复兴确认，机器人会进行说请保持，也就是23行的happy行为。

4、练习模子
准备好domain.yml和sotries.yaml数据之后，就可以进行模子的练习了。Rasa会根据这些数据来练习机器人的答复策略，模子的输入数据是历史对话记录，lable是下一个决定action。模子本质上是num_actions个种别的多分类。
这里它直接问我要不要练习这个初始化的模子，我直接输入Y就可以。等价于命令

1. rasa train

复制代码

练习过程：

练习完成：

练习完成之后这将在models/文件夹下生成一个练习好的模子。
5. 测试模子
利用以下命令测试模子：

1. rasa test

复制代码

这将在results/文件夹下生成测试效果。

6、运行
现在，可以将此谈天机器人集成到自己的网站大概毗连到任何其他平台，但是必须创建自己的自定义毗连器。有两种运行Rasa的方法：在Shell和localhost上。
这里它直接问我要不要对话这个练习好的模子，我直接输入Y就可以。等价于命令

1. rasa shell

复制代码

另一种方法是在本地服务器上运行Rasa。为此，只需在Rasa文件夹中打开的终端上运行以下命令：

1. rasa run

复制代码

这将在本地系统上运行Rasa，并在本田主机的5005端口公开REST端点。为了与Rasa服务器公开的REST端点进行通讯，可以利用cURL命令（对于Linux爱好者）或Postman。这里推荐Postman，由于它易于利用。

7、摆设对话式 AI 助手
要将你的对话式 AI 助手摆设到生产环境，你可以利用 Rasa 的 REST API。首先，在endpoints.yml文件中配置端点：

1. action_endpoint:
2. url: "http://localhost:5055/webhook"
4. model:
5.   url: "http://localhost:5005/model"
6.   token: "your-token"
8. tracker_store:
9.   type: "sql"
10.   dialect: "sqlite"
11.   db: "rasa.db"

复制代码

然后，利用以下命令启动 Rasa 服务器：

1. rasa run

复制代码

现在你的对话式 AI 助手已经摆设到生产环境，可以通过 REST API 与外部服务进行交互。
   作者简介：
  读研期间发表6篇SCI数据发掘相关论文，现在某研究院从事数据算法相关科研工作，联合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列根本知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小同伴可以关注底部公众号添加作者微信。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。