rasa_milktea_chatbot تنزيل - rasa_milktea_chatbot تنزيل كود المصدر

rasa_milktea_chatbot

كود الذكاء الاصطناعي

1.0.0

تنزيل

راسا حليب الشاي Chatbot (الصينية)

روبوت الدردشة لنادل الشاي بالحليب باللغة الصينية، إذا كنت لا تعرف راسا بعد، فارجع إلى mini rasa tutorial أدناه

أو اقرأ مستندات rasa الرسمية

تثبيت

تحتاج إلى تنزيل bert_chinese_model وفك ضغطه أولاً: chinese_L-12_H-768_A-12

git clone https://github.com/BI4O/rasa_milktea_chatbot.git
cd rasa_milktea_chatbot
pip install -r requirements.txt -i https://pypi.tuan.tsinghua.edu.cn/simple

بداية سريعة
1. بدء تشغيل خادم بيرت
  bert-serving-start -model_dir path/to/chinese_L-12_H-768_A-12/ -num_worker=1
2. القفز إلى الحليب
  cd milktea
3. بدء خادم العمل
  rasa run actions
4. تدريب نموذج
  rasa train
5. التحدث إلى chatbot الخاص بك
  rasa shell
  يمكنك طلب 3 منتجات مختلفة، ويمكن إضافة المزيد لتصميمك بنفسك
  - شاي الحليب
  - قهوة
  - كابتشينو
  واختر 3 مقاسات
  - وسط
  - كبير
  - كبير جدا

ميني راسا تعليمي

إنشاء مشروع جديد
عرض بيانات تدريب NLU
تحديد تكوين النموذج وكتابة القصة الأولى
تحديد مجال نطاق هذه القصة القصة
نموذج التدريب
اختبر المساعد الذي كتبته

إنشاء مشروع جديد

يشير المسار إلى مجلد فارغ جديد cd path/to/a/blank/folder

قم بإنشاء مشروع rasa جديد في هذا المجلد rasa init --no-prompt

سيتم إنشاء الملفات التالية في المجلد:

__init__.py	ملف فارغ يستخدم لتحديد المواقع
action.py	يستخدم لتحديد الإجراءات (رمز البرنامج النصي المخصص)
config.yml	تكوين NLU والنماذج الأساسية
بيانات الاعتماد.yml	تفاصيل الاتصال بالخوادم الأخرى (غير شائعة الاستخدام)
البيانات/nlu.md	بيانات تدريب NLU المخصصة الخاصة بي
البيانات/stories.md	قصص قصصي المخصصة
domain.yml	مجال المساعد هو الدومين
endpoints.yml	المسارات المتصلة برسائل الفيسبوك وما إلى ذلك (غير شائعة الاستخدام)
النماذج/<الطابع الزمني>.tar.gz	النموذج وملفات المعلمات الخاصة به

بيانات تدريب NLU المخصصة
cat data/nlu.md
تظهر على النحو التالي
```
 # # intent:order
- [奶茶](type)
- [咖啡](type)
- 我想要一杯[奶茶](type)
- 要杯[奶茶](type)
- 有[奶茶](type)吗
- 有[奶茶](type)卖吗
- 想要一杯[咖啡](type)
- 要杯[咖啡](type)
- 有[咖啡](type)吗
- 我想要一杯[卡布奇诺](type)
- 要杯[卡布奇诺](type)
- [卡布奇诺](type)

# # intent:inform_size
- [中](size)
- [中](size)的
- [中](size)杯
- [中](size)杯吧
- 要[中](size)杯
- [大](size)
- [大](size)的
- [大](size)杯
- [大](size)杯吧
- 要[大](size)杯
- [特大](size)
- [特大](size)的 
- [特大](size)杯
- [特大](size)杯吧
- 要[特大](size)杯
```
- تمثل النية النية ويجب أن تبدأ بـ ## وتنتهي بسطر جديد. على سبيل المثال، هناك غرضان موضحان هنا: 1. تقديم طلب، 2. الإبلاغ عن مواصفات الشاي بالحليب، ويجب وضع جميع الخطابات التي قد يستخدمها العملاء هنا، واستخدامها لنموذج nlu لمعرفة كيفية فهم ما هو. يقول الشخص.
- يمثل [value](entity) الكيان، وتمثل القيمة القيمة المحددة للكيان، بعد التدريب، يمكن لنموذج nlu إرجاع متغيرات مشابهة لهذا إلى النموذج الأساسي: {"type":"奶茶","size":"大"} ، بحيث يمكن للنموذج الأساسي الاستجابة وفقًا لذلك بناءً على type المعلمتين size .
تحديد تكوين النموذج
1. سيحدد ملف التكوين config.yml وحدة NLU السابقة والعناصر الأساسية التي سيستخدمها نموذجك. هذه المرة نستخدم مكونات كتبها خبراء. ويوصى أيضًا بشدة أن يذهب الجميع إلى https://github.com/GaoQ1 /. rasa_nlu_gq
2. يحدد تكوين NLU اللغة وخط الأنابيب المستخدم. تحدد الكلمات الأساسية لسياسات Core السياسات المستخدمة لاجتماع النموذج.
3. ملاحظة: إذا كنت تريد فقط إنشاء برنامج chatbot دون معرفة الكثير من التفاصيل حول الخوارزمية، فيمكنك استخدام config.yml دون تغييره.
قصة مخصصة
عرض القصص المكتوبة
cat data/stories.md
```
 # # order naicha
- order{ " type " : "奶茶" }
  - slot{ " type " : "奶茶" }
  - utter_ask_size
- inform_size{ " size " : "大" }
  - slot{ " size " : "大" }
  - utter_affirm
  - confirm
  - action_charge
  - utter_goodbye
```
تكوين القصة
1. بداية ## تشير إلى اسم القصة ، وهو اسم وصفي
2. تنتهي القصة بفاصل أسطر وتبدأ القصة التالية بـ ##
3. العناصر التي تبدأ بـ * تمثل نية المستخدم intent{"entity1": "value", "entity2": "value"}
4. - البداية تشير إلى الإجراءات التي يقوم بها الروبوت.
معلومات المستخدم
1. عند تحديد قصة، ليست هناك حاجة لمعرفة ما قاله المستخدم على وجه التحديد، ولكن لتخمين جميع الاحتياجات المحتملة للمستخدم بناءً على مزيج من النية ومخرجات الكيان في خط أنابيب NLU.
2. الكيان مهم جدًا لأنه عندما يتعلم المساعد الإجراءات، فإنه يحتاج إلى الجمع بين الاثنين في نفس الوقت.
الأسيتونات العمل
هناك نوعان من الإجراءات
1. يمكن لـutter_xxx إرجاع الكلمات المراد الرد عليها مباشرة، ما عليك سوى شرحها في domain.yml لاستخدامها.
2. يمكن لـ action_xxx تنفيذ العمليات المخصصة التي تريدها، بالإضافة إلى تحديده في domain.yml، يجب أيضًا إضافته في ملف aciton.py. على سبيل المثال، تريد أن يكون لديك إجراء مخصص action_HelloWorld
  - قم أولاً بإضافة هذا الإجراء المخصص إلى domain.yml ضمن acitons
```
 actions:
- aciton_HelloWorld
```
  - ثم قم بإضافة فئة جديدة في ملف acitons.py
```
 class YourCustomAction ( Action ):
    def name ( self ):
        # 这个返回的值必须和stories.md和domain.yml中说明的一致
        return "action_HelloWorld"
    def run ( self , dispatcher , tracker , domain ):
        # 定义这个动作要执行的你想要的操作
        # 比如我想在对话中返回给用户的是HellowWorld!
        dispatcher . utter_message ( 'HelloWorld!' )
        return []
```
مجال المجال
cat domain.yml
```
intents:  
  - greet:
    triggers: utter_greet
  - goodbye:
    triggers: utter_goodbye
  - confirm
  - deny
  - order
  - thanks
  - inform_size
  - unknown_intent
   
actions: 
  - utter_greet
  - utter_ask_order_what
  - utter_ask_size
   
entities:
  - type
  - size

slots:
  type:
    type: text
  size:
    type: text
   
templates:
  utter_greet:
    - text: "你好"
  utter_ask_order_what:
    - text: "想要喝点什么？ "
  utter_ask_size:
    - text: "想要什么规格的呢？我们有中/大/特大杯"
```
في
1. النوايا: نوايا المستخدم
2. الكيانات: الكيانات
3. فتحات: فتحات
4. الإجراءات: الأشياء التي يقولها المساعد ويفعلها
5. القوالب: أشياء محددة يحتاج المساعد إلى القيام بها بناءً على الإجراءات
لأنه في هذه الحالة، الإجراء الذي نقوم به هو مجرد إرسال كلمات إلى المستخدم كرد، وهذه الإجراءات البسيطة هي جميع الإجراءات التي تبدأ بـ utter_ يمكن أيضًا تحديد المزيد لمزيد من الإجراءات، راجع Custom Actions
نموذج التدريب

استخدم الأمر التالي للتحقق تلقائيًا من الاختلافات في المجال/القصص/NLU وإعادة تدريب النموذج. سيتم ختم النموذج المدرب بالوقت باعتباره نموذج rasa train الجديد