📌  相关文章
📜  使用Python和 Rasa 的聊天机器人

📅  最后修改于: 2022-05-13 01:54:47.716000             🧑  作者: Mango

使用Python和 Rasa 的聊天机器人

Rasa 是一种使用Python和自然语言理解 (NLU) 构建自定义 AI 聊天机器人的工具。 Rasa 提供了一个用于开发使用自然语言理解 (NLU) 的 AI 聊天机器人的框架。它还允许用户训练模型并添加自定义操作。使用 Rasa 构建的聊天机器人部署在多个平台上，如 FB messenger、Microsoft bot 和 slack 等。

建筑学：

拉萨建筑

Rasa 有两个主要组成部分：

  • Rasa NLU（自然语言理解）： Rasa NLU 是一个开源的自然语言处理工具，用于意图分类（决定用户的要求），以结构化数据的形式从机器人中提取实体，并帮助聊天机器人理解什么用户在说。
  • Rasa Core ：具有基于机器学习的对话管理的聊天机器人框架，它从 NLU 获取结构化输入，并使用 LSTM 神经网络等概率模型而不是 if/else 语句来预测下一个最佳动作。在底层，它还使用强化学习来改进对下一个最佳动作的预测。

换句话说，Rasa NLU 的工作是以结构化数据的形式解释用户提供的输入，而 Rasa Core 的工作是决定聊天机器人执行的下一组操作。 Rasa Core 和 Rasa NLU 相互独立，可以单独使用。

如何安装拉萨：

  • 强烈建议在安装 RASA 之前使用虚拟环境。为了创建虚拟环境，anaconda 中的命令是：
conda create -n rasa
activate rasa
  • 现在，我们将在我们的环境中安装 Rasa，我们将使用 pip install 进行安装。我们还需要在我们的环境中安装 TensorFlow（它将由 Rasa 默认安装）。安装 rasa 需要一些时间。
pip install rasa
  • 现在，我们将使用 rasa init 初始化机器人。这将为聊天机器人创建陈述项目文件并训练初始模型。
rasa init
o get started quickly, an initial project will be created.
If you need some help, check out the documentation at https://rasa.com/docs/rasa.
Now let's start! ????????

? Please enter a path where the project will be created [default: current directory] ./sample_bot
? Path './sample_bot' does not exist ????. Create path?  Yes
Created project directory at 'C:\Users\Pawan\Desktop\chatbots\sample_bot'.
Finished creating project structure.
? Do you want to train an initial model? ????????  Yes
Training an initial model...
Training Core model...
Processed Story Blocks: 100%|??????????????????????????????????????????????????????| 5/5 [00:00

入门：

上面的命令将在目录 sample_bot 中创建初始项目文件。让我们看看这些文件：

  • __init__.py：一个帮助Python定位你的动作的空文件。
  • actions.py：此文件用于创建自定义操作。如果您想调用外部服务器或获取外部 API 数据，您可以在此处定义您的操作。
  • config.yml ：这个文件定义了 NLU 和核心模型的配置。如果您使用 NLU 模型之外的任何模型，则必须在此处定义管道。
  • credentials.yml ：此文件用于存储连接到外部服务（如 Facebook Messenger、Slack 等）的凭据
  • data/nlu.md ：在这个文件中，我们定义了我们的意图（用户可以要求机器人做什么？）。然后将这些意图用于训练 NLU 模型。
  • data/stories.md ：故事是用户和机器人之间以意图、响应和动作的形式进行的示例对话。 Rasa 故事是一种用于训练 Rasa 对话管理模型的训练数据形式。
  • domain.yml ：此文件列出了不同的意图（您期望用户提供的东西）以及机器人的响应和可以执行的操作。
  • endpoints.yml ：这定义了连接通道（如 Slack、FB messenger 等）的详细信息，用于将聊天数据存储在 Redis 等在线数据库中。
  • models/.tar.gz ：初始模型，所有训练好的模型存储在模型文件夹中。为了重新训练模型，我们使用rasa train命令。

为了启动本地环境，我们使用rasa x命令。它始于某事

Starting Rasa X in local mode... ????
wow
wow

The server is running at http://localhost:5002/login?username=me&password=s23dafd5436d

2020-08-01 00:27:24 WARNING  sanic.root  - Sanic tried to use loop.add_signal_handler but it is not implemented on this platform.
2020-08-01 00:27:24 WARNING  sanic.root  - Sanic tried to use loop.add_signal_handler but it is not implemented on this platform.
  • 现在，导航到 rasa 服务器提供的地址，我们将看到打开聊天窗口的浏览器窗口，我们可以使用它与助手聊天。

在 Rasa 中创建天气机器人：

  • 在本教程中，我们将创建一个可以告诉我们任何城市的天气的机器人，我们还将在本教程中使用开放的天气 API。
  • 我们将首先使用以下命令初始化项目：
rasa init --no-prompt
  • 这将创建我们上面看到的初始项目结构。对于这个项目，我们只需要对以下文件进行修改：
    • 数据/nlu.md
    • 数据/故事.md
    • 域.yml
    • 端点.yml
    • 动作.py
  • 保留我们保持不变的所有文件。
  • 首先，我们将定义故事（注意：故事是我们用来训练模型的示例对话）。这些故事以降价语言的形式定义。我们删除了一些预定义的故事，并将它们替换为与我们的机器人相关的对话。
## say goodbye
* goodbye
  - utter_goodbye

## bot challenge
* bot_challenge
  - utter_iamabot

## weather long
* greet
  - utter_greet
* weather
  - utter_ask_location
* city_info
  - utter_getting_weather
  - action_get_weather
* thanks
  - utter_welcome
  - utter_goodbye

## weather short
* greet
  - utter_greet
* weather_for_location
  - utter_getting_weather
  - action_get_weather
* thanks
  - utter_welcome
  - utter_goodbye

## New Story

* greet
    - utter_greet
* weather_for_location{"location":"London"}
    - utter_getting_weather
    - action_get_weather
  • Rasa nlu.md 包含意图列表及其可能的示例文本。此外，我们将在此示例中单独映射我们的实体 stext.se。这些意图用于训练我们的 NLU 模型。
## intent:greet
- hey
- hello
- hi
- good morning
- good evening
- hey there

## intent:goodbye
- bye
- goodbye
- see you around
- see you later

## intent:bot_challenge
- are you a bot?
- are you a human?
- am I talking to a bot?
- am I talking to a human?

## intent:weather
- what's the weather
- what is the temperature today
- what is the temperature
- i want to know the temperature
- i want to know the weather of today
- tell me the weather forecast
- hows the weather today

## intent:weather_for_location
- what is the weather in [Noida](location)
- what is the weather in [New Delhi](location)
- weather of [Mumbai] (location)
- Today's weather in [Bangalore](location)
- [Kolkata](location) weather
- Tell me weather of [Hyderabad](location)
- Can you tell me weather of [London](location)

## intent:city_info
- [New Delhi](location)
- [India](location)
- [Mumbai](location)
- [Noida](location)
- [Kolkata](location)
- [Bangalore](location)
- [London](location)

##intent: thanks
- thanks
- thank you
- OK
  • domain.yml 文件列出了所有意图、机器人的响应及其文本，以及机器人可以执行的操作。请注意，我们定义的任何动作或响应（在 nlu.md/story.md 中）都必须在 domain.yml 中列出
session_config:
  session_expiration_time: 60
  carry_over_slots_to_new_session: true

intents:
- greet
- goodbye
- bot_challenge
- weather
- weather_for_location
- city_info
- thanks
entities:
- location
slots:
  location:
    type: text
responses:
  utter_greet:
  - text: Hey! 
  utter_goodbye:
  - text: Bye
  - text: Good Bye
  utter_ask_location:
  - text: of where?
  - text: In what city?
  utter_getting_weather:
  - text: Ok, getting weather of [location] ...
  utter_welcome:
  - text: Welcome
  utter_iamabot:
  - text: I am a bot, powered by Rasa.
actions:
- action_get_weather
  • 现在，我们在 actions.py 文件中定义“action_get_weather”函数。该函数从实体中获取城市名称，并借助 OpenWeatherMap API 获取城市的天气。
from typing import Any, Text, Dict, List

from rasa_sdk import Action, Tracker
from rasa_sdk.events import SlotSet
from rasa_sdk.executor import CollectingDispatcher
import requests


class ActionCheckWeather(Action):

    def name(self)-> Text:
        return "action_get_weather"
    
    def run(self, dispatcher, tracker, domain):
        api_key = 'Your API Key'
        loc = tracker.get_slot('location')
        current = requests.get('http://api.openweathermap.org/data/2.5/weather?q={}&appid={}'.format(loc, api_key)).json()
        print(current)
        country = current['sys']['country']
        city = current['name']
        condition = current['weather'][0]['main'    ]
        temperature_c = current['main']['temp']
        humidity = current['main']['humidity']
        wind_mph = current['wind']['speed']
        response = """It is currently {} in {} at the moment. The temperature is {} degrees, the humidity is {}% and the wind speed is {} mph.""".format(condition, city, temperature_c, humidity, wind_mph)
        dispatcher.utter_message(response)
        return [SlotSet('location', loc)]
  • 现在，我们使用rasa train命令训练我们的模型。这将训练我们的 NLU 模型。
  • 为了检查我们的模型是否正常工作，我们使用以下命令：
rasa shell nlu
NLU model loaded. Type a message and press enter to parse it.
Next message:
weather in Noida
{
  "intent": {
    "name": "weather_for_location",
    "confidence": 0.9999433755874634
  },
  "entities": [
    {
      "entity": "location",
      "start": 11,
      "end": 16,
      "value": "Noida",
      "extractor": "DIETClassifier"
    }
  ],
  "intent_ranking": [
    {
      "name": "weather_for_location",
      "confidence": 0.9999433755874634
    },
    {
      "name": "city_info",
      "confidence": 5.397644417826086e-05
    },
    {
      "name": "greet",
      "confidence": 1.0934791134786792e-06
    },
    {
      "name": "goodbye",
      "confidence": 1.0303868975825026e-06
    },
    {
      "name": "thanks",
      "confidence": 2.715441951295361e-07
    },
    {
      "name": "weather",
      "confidence": 2.5835913675109623e-07
    },
    {
      "name": "bot_challenge",
      "confidence": 4.761825422860966e-08
    }
  ],
  "response_selector": {
    "default": {
      "response": {
        "name": null,
        "confidence": 0.0
      },
      "ranking": [],
      "full_retrieval_intent": null
    }
  },
  "text": "weather in Noida"
}
Next message:
delhi weather
{
  "intent": {
    "name": "weather_for_location",
    "confidence": 0.9984486103057861
  },
  "entities": [
    {
      "entity": "location",
      "start": 0,
      "end": 5,
      "value": "delhi",
      "extractor": "DIETClassifier"
    }
  ],
  "intent_ranking": [
    {
      "name": "weather_for_location",
      "confidence": 0.9984486103057861
    },
    {
      "name": "weather",
      "confidence": 0.0012639579363167286
    },
    {
      "name": "thanks",
      "confidence": 9.82139608822763e-05
    },
    {
      "name": "goodbye",
      "confidence": 8.915668877307326e-05
    },
    {
      "name": "greet",
      "confidence": 6.841398135293275e-05
    },
    {
      "name": "city_info",
      "confidence": 2.7903372028958984e-05
    },
    {
      "name": "bot_challenge",
      "confidence": 3.7094062008691253e-06
    }
  ],
  "response_selector": {
    "default": {
      "response": {
        "name": null,
        "confidence": 0.0
      },
      "ranking": [],
      "full_retrieval_intent": null
    }
  },
  "text": "delhi weather"
}
Next message:
whats the weather
{
  "intent": {
    "name": "weather",
    "confidence": 0.9636867642402649
  },
  "entities": [],
  "intent_ranking": [
    {
      "name": "weather",
      "confidence": 0.9636867642402649
    },
    {
      "name": "weather_for_location",
      "confidence": 0.03303918614983559
    },
    {
      "name": "thanks",
      "confidence": 0.0017935443902388215
    },
    {
      "name": "goodbye",
      "confidence": 0.0011113830842077732
    },
    {
      "name": "bot_challenge",
      "confidence": 0.00020741281332448125
    },
    {
      "name": "greet",
      "confidence": 0.0001540367811685428
    },
    {
      "name": "city_info",
      "confidence": 7.643929166079033e-06
    }
  ],
  "response_selector": {
    "default": {
      "response": {
        "name": null,
        "confidence": 0.0
      },
      "ranking": [],
      "full_retrieval_intent": null
    }
  },
  "text": "whats the weather"
}
  • 正如我们所注意到的，上述训练的 NLU 模型正确地对意图进行了高精度分类。现在，转到endpoints.yml文件并添加或取消注释以下行：
action_endpoint:
  url: "http://localhost:5055/webhook"
  • 现在打开两个命令提示符窗口，在一个窗口中使用以下命令运行操作：
rasa run actions

在另一个窗口中，使用以下命令运行 rasa shell： 

rasa shell

  • 我们还可以可视化 bot 对话的序列图：
rasa visualize

参考：

  • 拉萨文档