rasa_milktea_chatbot ดาวน์โหลด - rasa_milktea_chatbot ดาวน์โหลดซอร์สโค้ด

rasa_milktea_chatbot

โค้ดแหล่งที่มา AI

1.0.0

ดาวน์โหลด

รสา ชานม แชทบอท (จีน)

แชทบอทพนักงานเสิร์ฟชานมสำหรับคนจีน หากคุณยังไม่รู้จักรสา โปรดดู mini rasa tutorial ด้านล่าง

หรืออ่านเอกสารอย่างเป็นทางการของรสา

การติดตั้ง
คุณต้อง ดาวน์โหลด bert_chinese_model และแตกไฟล์ ก่อน: 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
```
เริ่มต้นอย่างรวดเร็ว
1. เริ่มเซิร์ฟเวอร์เบิร์ต
  bert-serving-start -model_dir path/to/chinese_L-12_H-768_A-12/ -num_worker=1
2. ข้ามไปที่ชานม
  cd milktea
3. เริ่มเซิร์ฟเวอร์การกระทำ
  rasa run actions
4. ฝึกโมเดล
  rasa train
5. พูดคุยกับแชทบอทของคุณ
  rasa shell
  คุณสามารถสั่งซื้อผลิตภัณฑ์ที่แตกต่างกันได้ 3 รายการ คุณสามารถเพิ่มแบบจำลองได้ด้วยตัวเอง
  - ชานม
  - กาแฟ
  - คาปูชิโน่
  และเลือก 3 ขนาด
  - กลาง
  - ใหญ่
  - ใหญ่พิเศษ

กวดวิชามินิรสา

สร้างโครงการใหม่
ดูข้อมูลการฝึกอบรม NLU
กำหนดการกำหนดค่าโมเดลและเขียนเรื่องแรก
กำหนดขอบเขตขอบเขตของเรื่องราวนี้
รูปแบบการฝึกอบรม
ทดสอบผู้ช่วยที่คุณเขียน

สร้างโครงการใหม่

เส้นทางชี้ไปที่โฟลเดอร์เปล่าใหม่ cd path/to/a/blank/folder

สร้างโครงการ rasa ใหม่ในโฟลเดอร์นี้ rasa init --no-prompt

ไฟล์ต่อไปนี้จะถูกสร้างขึ้นในโฟลเดอร์:

__init__.py	ไฟล์เปล่าที่ใช้สำหรับการวางตำแหน่ง
actions.py	ใช้เพื่อกำหนดการกระทำ (โค้ดสคริปต์ที่กำหนดเอง)
config.yml	กำหนดค่า NLU และโมเดลหลัก
หนังสือรับรอง.yml	รายละเอียดการเชื่อมต่อกับเซิร์ฟเวอร์อื่น (ที่ไม่ได้ใช้ทั่วไป)
ข้อมูล/nlu.md	ข้อมูลการฝึกอบรม NLU ที่กำหนดเองของฉัน
ข้อมูล/story.md	เรื่องราวที่กำหนดเองของฉัน
โดเมน.yml	โดเมนของผู้ช่วยคือโดเมียน
จุดสิ้นสุด.yml	แทร็กที่เชื่อมต่อกับข้อความ FB ฯลฯ (ไม่ได้ใช้กันทั่วไป)
รุ่น/<การประทับเวลา>.tar.gz	โมเดลและไฟล์พารามิเตอร์

ข้อมูลการฝึกอบรม NLU ที่กำหนดเอง
cat data/nlu.md
แสดงไว้ดังนี้
```
 # # 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
```
- เจตนาแสดงถึงเจตนาและต้องขึ้นต้นด้วย ## และลงท้ายด้วยการขึ้นบรรทัดใหม่ ตัวอย่างเช่น มีความตั้งใจสองประการที่แสดงไว้ที่นี่: 1. สั่งซื้อ 2. แจ้งข้อกำหนดของชานม วาทศิลป์ทั้งหมดที่ลูกค้าอาจใช้ควรวางไว้ที่นี่ และใช้สำหรับโมเดล nlu เพื่อเรียนรู้วิธีทำความเข้าใจว่า คนพูด
- เอนทิตี [value](entity) แสดงถึงเอนทิตี และ value แสดงถึงมูลค่าเฉพาะของเอนทิตี หลังจากการฝึก โมเดล nlu สามารถส่งคืนตัวแปรที่คล้ายกับสิ่งนี้ไปยังโมเดลหลัก: {"type":"奶茶","size":"大"} เพื่อให้โมเดลหลักสามารถตอบสนองตาม type และ size ของพารามิเตอร์ทั้งสอง
กำหนดการกำหนดค่าโมเดล
1. ไฟล์การกำหนดค่า config.yml จะกำหนดโมดูล NLU ก่อนหน้าและองค์ประกอบหลักที่จะใช้ในโมเดลของคุณ ครั้งนี้ เราใช้ส่วนประกอบที่เขียนโดยผู้เชี่ยวชาญ ขอแนะนำอย่างยิ่งให้ทุกคนไปที่ https://github.com /GaoQ1 /rasa_nlu_gq
2. การกำหนดค่าของ NLU จะกำหนดภาษาและไปป์ไลน์ที่ใช้ คีย์เวิร์ดของนโยบายของ Core จะกำหนดนโยบายที่ใช้สำหรับการประชุมโมเดล
3. หมายเหตุ: หากคุณเพียงต้องการสร้างแชทบอทโดยไม่ทราบรายละเอียดเกี่ยวกับอัลกอริทึมมากเกินไป คุณสามารถใช้ config.yml ได้โดยไม่ต้องเปลี่ยนแปลง
เรื่องราวที่กำหนดเอง
ดูเรื่องราวที่เขียน
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
```
องค์ประกอบของเรื่อง
1. จุดเริ่มต้นของ ## หมายถึง ชื่อของเรื่อง ชื่อที่สื่อความหมาย
2. เรื่องจบลงด้วยการขึ้นบรรทัดใหม่ และเรื่องต่อไปขึ้นต้นด้วย ##
3. รายการที่ขึ้นต้นด้วย * แสดงถึงความ ตั้งใจของผู้ใช้ intent{"entity1": "value", "entity2": "value"}
4. - จุดเริ่มต้นบ่งบอกถึง การกระทำ ที่ทำโดยหุ่นยนต์
ข้อมูลผู้ใช้
1. เมื่อกำหนดเรื่องราว ไม่จำเป็นต้องรู้ว่าผู้ใช้พูดอะไรโดยเฉพาะ แต่ต้องเดาความต้องการที่เป็นไปได้ทั้งหมดของผู้ใช้โดยพิจารณาจากการรวมกันของเจตนาและผลลัพธ์เอนทิตีในไปป์ไลน์ NLU
2. เอนทิตีมีความสำคัญมากเพราะเมื่อผู้ช่วยเรียนรู้การดำเนินการ จะต้องรวมทั้งสองอย่างเข้าด้วยกันในเวลาเดียวกัน
การกระทำ
การกระทำมีสองประเภท
1. utter_xxx สามารถส่งคืนคำที่ต้องการตอบกลับได้โดยตรง คุณจะต้องอธิบายใน domain.yml เท่านั้นจึงจะใช้ได้
2. action_xxx สามารถดำเนินการแบบกำหนดเองที่คุณต้องการได้ นอกเหนือจากการระบุใน domain.yml แล้ว ยังต้องเพิ่มลงในไฟล์ aciton.py อีกด้วย ตัวอย่างเช่น คุณต้องการดำเนินการแบบกำหนดเอง action_HelloWorld
  - ขั้นแรกให้เพิ่มการกระทำที่กำหนดเองนี้ใน domain.yml ใต้ acitons
```
 actions:
- aciton_HelloWorld
```
  - จากนั้นเพิ่มคลาสใหม่ในไฟล์ 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 []
```
โดเมนโดเมน
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"
```
ใน
1. เจตนา: ความตั้งใจของผู้ใช้
2. เอนทิตี: เอนทิตี
3. ช่อง: ช่อง
4. การกระทำ: สิ่งที่ผู้ช่วยพูดและทำ
5. เทมเพลต: สิ่งเฉพาะที่ผู้ช่วยต้องทำตามการกระทำ
เพราะในกรณีนี้ การกระทำของเราเป็นเพียงการส่งคำไปยังผู้ใช้เป็นการตอบกลับ การกระทำง่ายๆ เหล่านี้ล้วนเป็นการกระทำที่ขึ้นต้นด้วย utter_ ยังสามารถกำหนดเพิ่มเติม สำหรับการดำเนินการเพิ่มเติม โปรดดู Custom Actions
รูปแบบการฝึกอบรม