rasa ptbr boilerplate

얕은 상용구

영어 버전: README-en

상용구는 Tais 프로젝트의 일반적인 추상화로 탄생했습니다. 오늘은 Rasa 챗봇을 더 쉽게 만드는 것을 목표로 합니다. 프레임워크가 발전함에 따라 현재 상용구의 초점은 라이브 코드 문서화입니다.

여기에서는 대화, 코드 및 Rasa 기능 사용의 예를 제공하는 브라질 포르투갈어로 된 챗봇을 모두 찾을 수 있습니다.

건축학

상용구 아키텍처는 두 가지 주요 부분으로 나눌 수 있습니다.

• 생성하려면

.yml 구성 파일을 챗봇의 인텔리전스를 포함하는 modelo treinado 로 변환하는 프로세스입니다.

• 제공하다

사용자는 Telegram을 통해 Boilerplate와 상호작용합니다. Telegram은 커넥터를 통해 Rasa NLU에 메시지를 보내 의도를 식별하고 스토리 와 작업 에 따라 Rasa Core를 통해 응답합니다.

대화에 사용된 모델은 트레이너 모듈에서 생성된 다음 봇으로 전송되었습니다. 이러한 모델은 버전을 지정하고 봇 간에 발전할 수 있습니다.

지도 시간

먼저 다음 명령을 사용하여 리포지토리를 로컬 머신에 복제합니다.

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

Rasa 챗봇을 작동시키려면 프로젝트 폴더에 있는지 확인한 후 터미널에서 다음 명령을 실행하세요.

make init

이 명령은 챗봇과의 상호 작용을 활성화하는 데 필요한 인프라(종속성이 있는 컨테이너 업로드, 챗봇 교육 및 셸 모드에서 채팅 시작)를 구축합니다.

모든 것이 설치되면 다음 메시지가 표시되고 봇과 상호 작용을 시작할 수 있습니다.

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

봇과의 상호 작용을 닫으려면 ctrl+c 입력하세요.

명령

• 훈련 명령은 봇 대화에서 필요한 모델을 생성하는 데 사용됩니다. 챗봇을 훈련하려면 다음 명령을 실행하세요.

make train

• 터미널에서 봇을 실행하려면 다음을 실행하세요.

make shell

텔레그램 구성

필요한 모든 환경 변수에 대한 내보내기 튜토리얼을 완료하면 Telegram에서 봇을 올바르게 실행할 수 있습니다.

계속 진행하기 전에. 중요: 봇이 올바르게 작동하려면 환경 변수가 필요하므로 내보내는 것을 잊지 마세요.

그런 다음 Telegram에서 봇을 실행합니다.

make telegram

해석학

사용자와 챗봇 간의 상호 작용 데이터를 시각화하기 위해 ElasticSearch와 Kibana로 구성된 Elastic Stack의 일부를 사용합니다. 따라서 메시지를 관리하기 위해 브로커를 사용합니다. 그래서 우리는 어떤 메신저를 사용하든 관계없이 ElasticSearch에 메시지를 추가할 수 있었습니다.

• 빠른 구성을 위해 다음 명령을 실행하십시오.

make build-analytics

ElasticSearch 서비스가 준비될 때까지 기다린 후 아래 명령을 실행하여 인덱스를 구성합니다.

 make config-elastic

Kibana 서비스가 준비될 때까지 기다린 후 아래 명령을 실행하여 대시 보드를 구성합니다.

 make config-kibana

위 명령은 한 번만 실행하면 전체 analytics 인프라를 사용할 수 있는 상태로 유지됩니다.

URL locahost:5601 에서 kibana 에 액세스합니다.

분석 스택 구성 프로세스를 이해하려면 전체 분석 설명을 참조하세요.

커스텀 학습 구성요소 추가

Rasa를 사용하면 처리 파이프라인에 사용자 정의 모듈을 추가할 수 있습니다. 여기에서 자세히 알아보세요.

여기에 감정 분석을 구현하는 사용자 정의 구성 요소의 예가 있습니다.

이를 사용하려면 bot/config.yml 파일에 components.sentiment_analyzer.SentimentAnalyzer 구성 요소를 추가하기만 하면 됩니다. 예에서와 같이:

 language : "pt"

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

그런 다음 bot/components/labels.yml 파일 예제와 같이 레이블(평가 또는 감정)에 해당하는 문구를 추가합니다.

마지막으로 봇을 다시 훈련시키면 구성 요소가 해당 엔터티에 대한 값을 식별하는 경우 정보가 sentiment 엔터티에 저장됩니다.

노트북 - 데이터 분석

설정

notebooks 컨테이너 들어올리기

make notebooks

localhost:8888 에서 노트북에 액세스합니다.

선적 서류 비치

프로젝트 문서는 GitBook을 사용하여 로컬에서 실행할 수 있습니다. npm을 통해 gitbook을 설치하려면 컴퓨터에 Node.js와 npm이 설치되어 있어야 합니다.

• gitbook 설치:

npm install -g gitbook gitbook-cli

• 설치가 완료되면 프로젝트 루트 폴더에서 다음을 실행합니다.

gitbook build .

• 로컬로 실행하려면 다음을 실행하세요.

gitbook serve .

• 입장:

 http://localhost:4000/

기여 : 프로젝트 문서에 기여하려면 문서 기여 방법을 읽어보세요.

도움을 받는 방법

Tais 프레임워크의 기술 문서 중 일부는 저장소의 위키에서 사용할 수 있습니다. 답변을 찾을 수 없는 경우 duvida 태그를 사용하여 문제를 열어주시면 최대한 빠르게 답변해 드리겠습니다.

Rasa에 관해 질문이 있는 경우 Rasa Stack Brasil Telegram 그룹을 참조하세요. 저희도 도움을 드릴 수 있습니다.

당사 웹사이트(https://lappis.rocks)에서 자세한 연락처 정보를 확인하세요.

특허

전체 상용구 프레임워크는 GPL3 라이센스에 따라 개발되었습니다.

여기에서 라이선스 종속성 목록을 확인하세요.