关于RASA一个机器学习框架，用于构建基于文本和语音的聊天机器人。框架完整，可扩展性，易用性高，高效灵活。2.0新版本统一训练数据格式，配置文件和模型处理方式。
在最新版的rasa里已经集成了bert模型和xlnet，可以通过model选择用bert，通过LanguageModelTokenizer进行分词，EntitySynonymMapper进行命名实体识别。
框架简单介绍：
Rule文件用于单论对话的固定规则，core部分训练会校验是否只有一个user_uttered。整合了原来的trigger intent，如果需要根据前文灵活设置对话线，还是要用story。是基于规则的流程控制，只要满足规则，每次走的都是确定性分支，适合处理较小的特定对话模式，不同于story，通过结合rule和stories可以让助手更加健壮性，处理真实的用户行为。
Intent_tokenization_flag 标记以检查是否切分意图
Intent_split_symbol 意图分割符号
Token_pattern 用于检测 token的正则表达式
关于policies 新增一个rulepolicy 新策略，对于有固定行为的对话效果比较好，需要在config.yml中有rulepolicy才能使用规则和表单，有以下功能：
单论交互，FAQs
后备交互
处理表单中的不良行为
Importers
Policies在config.yml文件中配置，
Rasa使用rasafileimporters，创建自己的数据解析器，通过其他格式加载训练数据。
实验功能：multiprojectimpoter 可以把多个rasa项目的数据集合，
Nlu提供意图分类，实体提取和响应检索，通过管道的方式处理用户对话。对话管理组件可以根据上下文决定对话中的下一个动作
Agent是系统代理，接收用户输入消息，返回系统给出的答案。
Tracker store是对话存储单元，保存用户和机器人对话过程
Event broker 事件代理
Lock store 对id进行管理，对话状态管理，保证消息的顺序处理
Filesystem 文件存储服务
Action server 提供
消息传入后，被interpreter接收，消息转化为字典（tokenizer）并转化为特征，提取实体，识别意图（classifier）这部分是nlu
Tracker用来追踪对话状态，当前状态（实体，特征，意图）以及历史状态信息一并传给policy。
Policy 预测下一个动作action，需要用户自己定义，fallbackpolicy，memoizationpolicy，formpolicy基于form的策略。
Action完成实际动作，并通知tracker，成为历史状态，然后把结果返回给用户。
如果要结合FAQ，需要有ResponseSelector，当用户意图识别为faq之后，直接调用相关检索知识库 收集用户消息和候选响应的word特征包，然后为每个单独计算学习的嵌入式表示。用相似度函数计算用户输入消息和已有消息的相似度，在推理时把用户消息跟候选相应做匹配，选择具有最高相似性的响应作为助手对用户输入消息的响应。需要提前进行标注，能直接判断为faq。
language: "en"
pipeline:
- name: "WhitespaceTokenizer"
- name: "CountVectorsFeaturizer"
- name: "EmbeddingIntentClassifier"
- name: "ResponseSelector"
