Rasa教程系列-0-Rasa安裝和項目創建

0. 背景

事先說明：本系列Rasa教程基於Rasa 1.6.1版本。
Rasa是一個開源機器學習框架，可用於構建具有上下文理解能力的AI助手(assistant)。
Rasa有兩個主要模塊：

• Rasa NLU ：用於理解用戶消息，包括意圖識別和實體識別，把用戶的輸入語句轉換爲結構化的數據。
• Rasa Core：是一個對話管理平臺，用於決定對話和下一步做什麼。
• Channels 和 integrations：將assistant連接到用戶和後端系統。

Rasa X 是一個用以改進Rasa構建的上下文助理的工具，包括用戶界面和 REST API。

1. 安裝

rasa 安裝：

pip install rasa

如果想要同時安裝rasa 和 rasa x：

pip install rasa-x --extra-index-url https://pypi.rasa.com/simple

2. 創建新項目

在當前目錄創建Rasa project：

rasa init

如果使用如下命令：

rasa init --no-prompt

該命令創建Rasa項目需要的文件，以及訓練一個簡單對話機器人需要的數據。如果命令不使用--no-prompt標識，那麼在創建過程中需要回答幾個關於項目創建的問題。

使用rasa init --no-prompt創建項目後目錄下的文件：

創建的文件如下，其中*標記的爲最重要的部分：

• _init_.py，用來幫助Python找到action的空文件
• actions.py，用來自定義actions的文件
• config.yml *，NLU和Core模型的配置文件
• credentials.yml，用來連接到其他服務(services)
• data/nlu.md *，用於NLU訓練的數據
• data/stories.md *，用於訓練Core模型的故事數據集
• domain.yml *，assistant的領域（assistant’s domain）配置文件
• endpoints.yml，連接到類似於Facebook的messenger的詳細配置(即可以配置到其他類似Facebook的平臺)
• models/.tar.gz，初始化模型

3. 查看NLU訓練數據集

Rasa的NLU(即自然語言理解)模塊，用來將用戶消息轉換成結構數據。在Rasa中，可以通過提供訓練示例，告訴Rasa如何理解用戶消息，然後訓練獲得模型。可以看一下上述初始化的項目下的nlu.md文件內容：

## intent:greet
- hey
- hello
- hi
- good morning
- good evening
- hey there

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

## intent:affirm
- yes
- indeed
- of course
- that sounds good
- correct

## intent:deny
- no
- never
- I don't think so
- don't like that
- no way
- not really

## intent:mood_great
- perfect
- very good
- great
- amazing
- wonderful
- I am feeling very good
- I am great
- I'm good

## intent:mood_unhappy
- sad
- very sad
- unhappy
- bad
- very bad
- awful
- terrible
- not very good
- extremely sad
- so sad

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

其中以**##**開始的行定義了意圖(intents)，是具有相同含義消息的集合。Rasa中NLU模塊的任務是，預測用戶輸入的消息的正確意圖。具體數據格式可以參見NLU Training Data Format。

4. 定義模型的配置

config.yml配置文件將會在NLU和Core中用到。上述項目中的config.ml文件的內容爲：

# Configuration for Rasa NLU.
# https://rasa.com/docs/rasa/nlu/components/
language: en
pipeline: supervised_embeddings

# Configuration for Rasa Core.
# https://rasa.com/docs/rasa/core/policies/
policies:
  - name: MemoizationPolicy
  - name: KerasPolicy
  - name: MappingPolicy

在上述例子中，NLU模型會使用supervised_embeddings流水線。不同NUL模型的流水線可以在這裏查看。
其中language和pipeline這兩個關鍵詞，用來定義NLU模型應該如何構建。policies關鍵詞定義核心模型中使用到的policies，更多關於policies的可以查看這裏。

5. 書寫自己的Stories

在這個階段，通過Stories將教Rasa assistant 如何響應用戶的消息，這個叫做對話管理，由於Core model所決定。

Core model以訓練"stories"的形式從真實對話中進行學習。一個story是用戶和assistant之間的真實的一次對話。帶有意圖和實體的行反應了用戶的輸入和assistant將響應的action名。上述項目的stories.md內容如下：

## happy path
* greet
  - utter_greet
* mood_great
  - utter_happy

## sad path 1
* greet
  - utter_greet
* mood_unhappy
  - utter_cheer_up
  - utter_did_that_help
* affirm
  - utter_happy

## sad path 2
* greet
  - utter_greet
* mood_unhappy
  - utter_cheer_up
  - utter_did_that_help
* deny
  - utter_goodbye

## say goodbye
* goodbye
  - utter_goodbye

## bot challenge
* bot_challenge
  - utter_iamabot

用戶說hello 時候，意圖分類爲greet，assistant 根據utter_greet進行回覆。以-爲起始的句子表示 assistant 所做出的 action。本系列教程中所有的actions都是發送給用戶的，比如utter_greet。需要注意的是，一個action是可以做任務事情的，包括調用 API 或者與外部世界進行交互。更多關於Stories的具體格式可以參考這裏。

6. 定義 Domain

下一個事情需要處理的是定義一個領域(Domain)。Domain定義了 assistant 所處的世界：期望從用戶那邊獲取什麼輸入，assistant 能夠預測什麼行爲，如何做出響應，存儲什麼消息。domain 相關的內容存儲在domain.yml文件中。上述上面的domain.yml內容如下：

intents:
  - greet
  - goodbye
  - affirm
  - deny
  - mood_great
  - mood_unhappy
  - bot_challenge

actions:
- utter_greet
- utter_cheer_up
- utter_did_that_help
- utter_happy
- utter_goodbye
- utter_iamabot

templates:
  utter_greet:
  - text: "Hey! How are you?"

  utter_cheer_up:
  - text: "Here is something to cheer you up:"
    image: "https://i.imgur.com/nGF1K8f.jpg"

  utter_did_that_help:
  - text: "Did that help you?"

  utter_happy:
  - text: "Great, carry on!"

  utter_goodbye:
  - text: "Bye"

  utter_iamabot:
  - text: "I am a bot, powered by Rasa."

session_config:
  session_expiration_time: 60
  carry_over_slots_to_new_session: true

其中intents：定義了期望用戶的輸入，即意圖分類的詳情；
actions：定義了 assistant 能夠說什麼和做什麼；
templates：定義了 assistant 相應的消息模板。

這些是如何一起協調工作的呢？Rasa核心的任務是針對每個對話選擇合正確的響應。在這個例子中，我們的響應是簡單的發送消息給用戶，這裏面的響應都用utter_開頭。assistant 根據模板進行響應。可以參見 Custom Actions 創建更復雜的響應。

7. 訓練模型

一旦添加了新的NLU或Core數據，或更新 domain 或配置文件的時候，就需要重新訓練模型。執行下面的命令rasa train。這個命令會調用Rasa Core 和NLU的訓練函數，並將訓練得到的模型存儲到models/目錄下面。這個命令會自動重新訓練更新的部分。

8. 與助手進行對話

到目前爲止就建立了一個基於機器學習的對話助手。下一步通過執行下面的命令和assistant進行對話：

rasa shell