rasa ptbr boilerplate

浅い定型文

英語版の場合：README-ja

ボイラープレートは、Tais プロジェクトの一般的な抽象化として生まれました。現在では、Rasa チャットボットの作成を容易にすることを目的としています。フレームワークの進化に伴い、現在定型文の焦点はライブコードのドキュメント化です。

ここでは、対話、コード、Rasa 機能の使用例を示すブラジル系ポルトガル語のチャットボットを見つけることができます。

建築

ボイラープレート アーキテクチャは、次の 2 つの主要な部分に分割できます。

• 作成するには

.yml構成ファイルを、チャットボットのインテリジェンスを含むmodelo treinadoに変換するプロセス。

• 提供する

ユーザーは Telegram 経由で Boilerplate と対話し、Boilerplate はコネクタを通じて Rasa NLU にメッセージを送信し、そこで意図を識別し、ストーリーとアクションに従って Rasa Core を通じて応答します。

会話に使用されるモデルはトレーナーモジュールによって生成され、ボットに転送されます。これらのモデルはバージョン管理され、ボット間で進化させることができます。

チュートリアル

まず、次のコマンドを使用して、ローカル マシンにリポジトリのクローンを作成します。

git clone https://github.com/lappis-unb/rasa-ptbr-boilerplate.git

Rasa チャットボットを動作させるには、プロジェクト フォルダーにいることを確認してから、ターミナルで次のコマンドを実行します。

make init

このコマンドは、チャットボットとの対話を可能にするために必要なインフラストラクチャ (依存関係を含むコンテナーのアップロード、チャットボットのトレーニング、シェル モードでのチャットの開始) を構築します。

すべてがインストールされると、次のメッセージが表示され、ボットとの対話を開始できるようになります。

Bot loaded. Type a message and press enter (use ' /stop ' to exit):
Your input - >

ボットとの対話を閉じるには、 ctrl+c入力するだけです。

コマンド

• トレーニング コマンドは、ボットの会話で必要なモデルを作成するために使用されます。チャットボットをトレーニングするには、次のコマンドを実行します。

make train

• ターミナルでボットを実行するには、次を実行します。

make shell

電報設定

必要なすべての環境変数のエクスポート チュートリアルを完了すると、Telegram でボットを正しく実行できるようになります。

次に進む前に。重要:環境変数はボットが正しく機能するために必要なので、忘れずにエクスポートしてください。

次に、Telegram でボットを実行します。

make telegram

分析

ユーザーとチャットボット間の対話データを視覚化するために、ElasticSearch と Kibana で構成される Elastic Stack の一部を使用します。したがって、メッセージを管理するためにブローカーを使用します。そのため、使用しているメッセンジャーの種類に関係なく、ElasticSearch にメッセージを追加できました。

• 簡単に構成するには、次のコマンドを実行します。

make build-analytics

ElasticSearchサービスの準備ができるまで待ち、以下のコマンドを実行してインデックスを構成します。

 make config-elastic

Kibanaサービスの準備ができるまで待ち、以下のコマンドを実行してダッシュボードを構成します。

 make config-kibana

上記のコマンドは 1 回実行するだけで、 analyticsストラクチャ全体が使用できる状態になります。

URL locahost:5601でkibanaにアクセスします。

分析スタックの構成プロセスを理解したい場合は、分析の完全な説明を参照してください。

カスタム トレーニング コンポーネントの追加

Rasa を使用すると、処理パイプラインにカスタム モジュールを追加できます。詳細については、こちらをご覧ください。

ここには感情分析を実装するカスタム コンポーネントの例があります。

これを使用するには、 components.sentiment_analyzer.SentimentAnalyzerコンポーネントをbot/config.ymlファイルに導入するだけです。例のように:

 language : "pt"

pipeline:
  - name: WhitespaceTokenizer
  - name: "components.sentiment_analyzer.SentimentAnalyzer"                                                                                        - name: RegexFeaturizer

次に、 bot/components/labels.ymlファイルの例のように、ラベル (評価またはセンチメント) に対応するフレーズを追加します。

最後に、ボットを再度トレーニングするだけで、コンポーネントがセンチメント エンティティの値を識別した場合、その情報がsentimentエンティティに保存されます。

ノートブック - データ分析

設定

notebooksコンテナを持ち上げます

make notebooks

localhost:8888でノートブックにアクセスします。

ドキュメント

プロジェクトのドキュメントは、GitBook を使用してローカルで実行できます。 npm 経由で gitbook をインストールするには、Node.js と npm がコンピューターにインストールされている必要があります。

• gitbook をインストールします。

npm install -g gitbook gitbook-cli

• インストールしたら、プロジェクトのルート フォルダーで次を実行します。

gitbook build .

• ローカルで実行するには次を実行します。

gitbook serve .

• アクセス：

 http://localhost:4000/

貢献: プロジェクトのドキュメントに貢献するには、ドキュメントへの貢献方法をお読みください。

助けを求める方法

Tais フレームワークの技術ドキュメントの一部は、リポジトリの wiki で入手できます。答えが見つからない場合は、 duvidaタグを使用して問題を開いてください。できるだけ早く対応するよう努めます。

Rasa に関してご質問がある場合は、Rasa Stack Brasil Telegram グループをご覧ください。私たちもお手伝いいたします。

連絡先情報の詳細については、当社 Web サイト https://lappis.rocks をご覧ください。

ライセンス

定型フレームワーク全体は GPL3 ライセンスに基づいて開発されています

ここでライセンスの依存関係のリストを参照してください