转载请注明出处，原文地址：
https://terrifyzhao.github.io/2018/09/17/Rasa%E4%BD%BF%E7%94%A8%E6%8C%87%E5%8D%9701.html
Rasa使用指南02
前言
本文内容基于Rasa官网文档，做了翻译与整理，并添加一些自己的理解，方便大家上手Rasa，想了解更多内容的小伙伴可关注Rasa官网
Rasa是一个基于多轮对话的框架，其中包含两个模块Rasa core与Rasa nlu。
Rasa nlu是用来理解语义的，包括意图识别，实体识别，它会把用户的输入转换为结构化的数据，例如在下图的例子中，nlu会识别出用户打算发一封邮件（意图），邮箱地址amy@example.com（实体）。Rasa Core是一个对话管理的平台，它的工作是决定接下来机器该返回什么内容给用户，这里给用户返回了Should we make that your primary email?
在接下来的内容中，我们会基于一个简单的多轮对话带领大家搭建一个Rasa平台，为了理解起来简单，我们暂时不考虑填槽。
安装Rasa
pip install rasa_core
pip install rasa_nlu[tensorflow]
Rasa Core
我们先从Rasa core讲起，core包含两个内容，stories和domain。
1、Stories
stories可以理解为对话的场景流程，我们需要告诉机器我们的多轮场景是怎么样的，例如，在下文的例子中，我们希望的流程是这样的：用户问好 -> 机器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，这里其实包含两个流程，一个正面情绪的流程与一个负面情绪的流程，因此，我们也需要编写两个story，接下来我们看下怎么编写story。
| 符号 | 说明 |
|---|---|
| ## | story 标题 |
| * | 意图 |
| - | 动作 |
## story_happy
* greet- utter_greet
* mood_happy- utter_happy## story_unhappy
* greet2- utter_greet
* mood_unhappy- utter_unhappy把以上内容保存到 stories.md文件中
2、Domain
domain可以理解为机器的知识库，其中定义了意图，动作，以及对应动作所反馈的内容。
| 标识 | 说明 |
|---|---|
| intents | 意图 |
| actions | 动作 |
| templates | 回答模板 |
| entities | 实体 |
| slots | 词槽 |
intents:- greet- mood_happy- mood_unhappyactions:
- utter_greet
- utter_happy
- utter_unhappytemplates:utter_greet:- text: "你好，你今天过的怎么样"utter_happy:- text: "那很棒棒哦"utter_unhappy:- text: "咋了，可以告诉我吗"把以上内容保存到 domain.yml文件中
Rasa Core的任务是在获取到用户的意图后，选择正确的action，这些action就是定义在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。
在我们这个简单的例子中不需要定义词槽与实体，所以domain中暂时没有。
3、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。
4、尝试和你的机器人交流吧
接下来我们就可以用训练好的模型来运行我们的机器人了，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。
Rasa NLU
1、添加NLU模块
目前我们的机器人已经可以通过输入意图来获取答案了，但是怎么让机器理解真正的语言呢，这个时候就需要用到NLU模块了，NLU的任务是解析消息，它能把自然语言解释成我们需要的结构化的数据，我们继续完善下去。
首先，我们需要定义一个对应的意图可能会出现的文本内容文件nlu.md
## intent:greet
- 你好
- 上午好
- 下午好
- 早上好
- 晚上好## intent:mood_happy
- 很好
- 我很好## intent:mood_unhappy
- 我很难受
- 我心情很差
把以上内容保存到 nlu.md文件中
除此之外，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。
language: zh
pipeline: tensorflow_embedding
把以上内容保存到nlu_config.yml文件中
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
2. 再一次和你的机器人进行交流吧
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
到此我们简单的Rasa系统就搭建完成了，大家可以继续添加stories、domain、nlu文件的内容来搭建一个属于自己的Rasa系统。下一篇文章将会带领大家学习如何做实体识别与填槽。
