NLU训练jasn脚本示例

{

"text": "液压泵无反馈故障怎么修",

"intent": "restaurant_search",

"entities": [{

"start": 0,

"end": 6,

"value": "液压泵无反馈",

"entity": "fault_name"

}]

}

再次要修改pipeline设置，见下图；最后开始训练生成model文件。使用该模型，就可以开启NLU服务，完成意图识别和实体抽取功能。

RASA NLU Pipeline

RASA Core模块负责DM功能，具体流程如下图所示，Interpeter接受用户消息，转化为意图和实体，由RASA NLU实现；Tracker负责对话追踪；Policy接受当前对话状态，选择执行哪个动作；最后将动作返回用户，并记录到Tracker中。这里Tracker和Policy都使用机器学习模型来实现，其训练脚本为domain.yml和stories.md，前者定义了意图集合、slots集合和动作集合，后者定义意图实体与动作的映射关系，脚本具体写法和训练过程请参考文献[8-10]。RASA Core还提供UI工具[11]用于stories.md的训练生成，使得脚本训练更加简单高效。

RASA Framework

3.4

Chatbot在线服务

使用上述框架，需要开发人员具备一定的编程、机器学习和自然语言处理相关知识，如果不具备相关知识是否也能开发Chatbot呢？Chatbot在线服务应运而生，开发者可以在平台上免费创建虚拟Chatbot，甚至产品和运营人员都可以轻松地开发聊天/对话机器人应用，相关的国外服务有google的api.ai，Facebook的Wit.ai，国内服务有“一个AI[12]”，详细了解参加官方网站[8]。遗憾的是，目前这些Chatbot只能以http服务方式获取，这就意味着使用服务，就要向服务提供商提供自己的数据，这对于数据安全敏感的企业显然不适用。

4.结论

本文介绍了Chatbot的分类、基本原理和构建工具框架，讨论了在工业场景下Chatbot的开发方法，由于工业场景对Bot的可控性要求较高，使用任务式的框架来构建更为合适。在选择具体的工具框架时，基于规则框架可控性强、通用性强，但是其对话脚本工作量很大；基于机器学习的框架，智能性更强，具备自学习能力，但是每个话题都需要成百上千个训练问答对，冷启动比较困难。如何选择还需要根据具体的场景确定。