Rasa的官网? ?项目的github地址：Rasa_wechat? ?视频讲解（正文+编程+QA）：bilibili
本篇文章大量参考基于Rasa_NLU的微信chatbot、另一篇，并融入一些自己的理解和需求，可以结合在一起看。
对话系统==聊天盒子==chatbot? (一种是纯聊天型；一种是针对特定商业型)
NLU(Natural Language?Understanding，自然语言理解)，主要是意图识别+实体识别
DM(Dialogue?Management，对话管理)，主要是对话状态维护+数据库查询
NLG(Natural Language?Generation，自然语言生成)，主要是生成交互的自然语言
Rasa是rasa.ai提供的开源工具，支持Python 2和3，可以本地部署，自己针对实际需求训练和调整模型，在商业chatbot设计上应用较多。Rasa既支持英文，又支持中文，甚至支持任何语言，主要包含两大模块：rasa_nlu和rasa_core。
rasa_nlu是负责自然语言理解的，包括意图识别+实体识别；rasa_core是根据得到的意图(intent)和实体(entity)进行语言回复的(即，next_action)。
1.安装Rasa
pip install rasa_core? (安装)? ? ? ? ? ? ? ? ? ? ? ? ?pip install -U rasa_core? (更新)
pip install rasa_nlu[tensorflow]? (安装)
2.对话流程的伪代码
input_string=""? ?##输入
intent_object=intent(input_string)? ##意图识别
response=policy(intent_object)? ##回复生成
print(response)? ##返回用户
3.以一个简单的对话为例：
A：input_string="我饿了"
机器处理过程：intent_object=intent("我饿了")? ? ?response=policy(intent_object)="你想吃什么？"
机器人：print("你想吃什么？")
准备两种材料，一是NLU自然语言理解?？樾枰?，二是DM对话管理?？樾枰?/p>
·训练数据：nlu? examples + dialogue stories
·配置文件：nlu? config + dialogue domain
3.1)自然语言理解?Rasa_nlu
针对用户的问题，NLU模块的任务是：意图识别+实体识别
意图识别：在句子级别进行分类(类似，文本分类)，明确意图；
实体识别：在词级别找出用户问题的关键实体，进行实体槽填充(slot filling)
eg：用户说：“我想吃汉堡”，NLU?？槭紫仁侗鸪鲇没У囊馔肌把罢也凸荨保浯问侗鸪龉丶堤濉昂罕ぁ?。有了意图和关键实体，就方便后面对话管理?？榻泻蠖耸菘獾牟檠蚴怯腥笔畔⒍醇绦嗦侄曰安谷蚱渌笔У氖堤宀?。【可以理解为，我们要从用户的输入中，提出越多越精确的关键词，将这些关键词们作为我们回答的依据，找到最匹配当前场景，当前状态的话进行回复。? 可以扩展用户的信息包括{意图：寻找餐馆，关键实体：汉堡，时间：22:28，地点：北京中关村地铁站，天气：小雨，.......}，后台根据这些信息，为用户提供一个恰当的回复。】
对用户输入语句进行理解的NLU工具很多，大多都是以服务的方式提供，如Google的API.ai，Microsoft的Luis.ai，Facebook的Wit.ai等。事实上，申请到这类API的话用几行代码即可完成一个chatbot，亦可参考使用图灵机器人和api.ai相关接口。如果想从零开始动手实现NLU，推荐阅读Do-it-yourself NLP for bot developers。
3.2)Rasa_NLU的一个中文对话系统例子：rasa_nlu_chi
首先需要构建示例，作为意图识别和实体识别的训练数据：放在/data/nlu.json里
实体还可以扩展到多个词, 而且value不一定要是你句子中的词，这样一来，就能将同义词、误拼映射到同一个值上，比如下面这个例子：
Rasa也支持Markdown格式的训练语料
3.3)参考下面链接打一个简单的中文单轮对话模型
https://terrifyzhao.github.io/2018/09/17/Rasa使用指南01.html
3.3.1?安装Rasa
pip install rasa_core
pip install rasa_nlu[tensorflow]
3.3.2搭建stories对话场景
stories可以理解为对话的场景流程，可以告诉机器多轮对话场景下怎么处理，例如：我们希望的流程：用户问好--->机器人问用户今天过得怎么样--->用户反馈情绪--->机器根据不同的情绪进行回复，这里包含两个流程，一个是正面情绪的流程，一个是负面情绪的流程，因此需要写两个story，编写story。
##? story标题
*? 意图
-? 动作
3.3.3搭建domain
domain可以理解为机器的知识库，其中定义：意图、动作、对应动作反馈的内容
intent? ? ? 意图
action? ? ? 动作
templates? ? ? 回答模板
entities? ? ? 实体
slots? ? 词槽
Rasa Core的任务是在获得用户的意图后，选择正确的action，这些action就定义在domain中以utter_开头的内容，每一个action会根据templates中的情况来返回对应的内容。(注，此例子中没有定义词槽与实体，所以domain中暂时没有。)
3.3.4训练对话模型
下一步就是用神经网络去训练我们的Core模型了，我们可以直接执行以下命令，训练的模型将会存储在models/dialogue文件夹下。
python -m rasa_core.train -d domain.yml -s stories.md -o models/dialogue
可以看到，训练过程采用了一个神经网络，结构为：masking->lstm->dense->activation，这里简单介绍下masking层，在nlp领域，输入的内容可能不是一样长的，为了能统一处理数据需要定长，因此某些值需要补0或者截取多余内容，但是补0的部分其实是没有意义的，masking层能让这些补0的部分不参与之后的计算，从而提升运算效率。
3.3.5尝试和机器人交流
用训练好的模型来运行我们的机器人，执行以下命令
python -m rasa_core.run -d models/dialogue
此时我们的机器人还无法判断用户的意图，只能根据输入的意图返回特定的答案，所以我们只能输入一些结构化的数据，例如输入我们之前在domian中定义好的意图，输入的信息需要以 /开头，我们可以直接输入意图 /greet，当然，如果你想让机器人回答更多的内容，请在stories与domain中添加更多的内容。
简单总结：
1]安装rasa? ? 2]搭建stories对话场景，即编写stories.md文件? ? 3]搭建domain，即编写domain.yml文件
4]训练对话模型??python -m rasa_core.train -d domain.yml -s stories.md -o models/dialogue
5]尝试和机器人交流??python -m rasa_core.run -d models/dialogue
以上是一个能够运行的简单模型，未添加意图识别。
3.4)参考下面链接打一个简单的中文单轮对话模型(能够进行意图识别)
https://terrifyzhao.github.io/2018/09/17/Rasa使用指南01.html
3.4.1添加nlu模块，配置nlu.md意图文件
rasa_nlu理解用户句子，输出意图、关键词等
首先定义一个对应的意图可能会出现的文本内容文件nlu.md
3.4.2添加nlu?？?，配置nlu_config.yml文件
我们还需要一个nlu的配置文件，nlu_config.yml，由于我们是中文系统，所以language对应的是zh，如果你需要英文的对话请修改为en。
3.4.3训练具有意图识别的模型
准备好之后就可以开始训练NLU模型了，执行以下命令
python -m rasa_nlu.train -c nlu_config.yml --data nlu.md -o models --fixed_model_name nlu --project current --verbose
3.4.4尝试和机器人对话
添加完NLU模型之后我们就能让机器识别自然语言了，我们执行下以下命令。
python -m rasa_core.run -d models/dialogue -u models/current/nlu
重要参考资料：
