您现在的位置是：首页 >技术教程 >Rasa实现百度UNIT智能客服教学机器人网站首页技术教程

Rasa实现百度UNIT智能客服教学机器人

雷动软件工作室 2023-06-06 08:00:02
简介Rasa实现百度UNIT智能客服教学机器人

背景

上一篇文章提到了百度UNIT智能客服教学机器人，下面用Rasa实现同样的效果。环境如下

Rasa Version      :         3.1.0
Minimum Compatible Version: 3.0.0
Rasa SDK Version  :         3.1.1
Rasa X Version    :         1.1.0
Python Version    :         3.8.10
Operating System  :         Linux-5.15.0-69-generic-x86_64-with-glibc2.29

效果

在这里插入图片描述
在这里插入图片描述

UNIT

首先通过百度UNIT智能客服教学机器人熟悉一下基本概念：
在这里插入图片描述

  • 首先确认需要解决的问题，如上图所示：1. 实现业务办理中推荐手机 2. 实现售后咨询 3. 无法处理给出兜底回复
    在这里插入图片描述
  • 梳理对话流程
    在这里插入图片描述
  • UNIT中将对话分为FAQ问答技能即单轮对话，对话技能即多轮对话
  • 确定需要的技能和对话模板，也就是对话模板

Rasa 和 UNIT 概念对比

Rasa Intent VS UNIT技能

UNIT技能配置

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Rasa Intent(意图)

Rasa工程目录

  • Rasa工程目录如上图
  • 在nlu.yml中定义意图，训练数据相关文档在这里
  • 通过将意图相同的训练数据罗列在一起，使得Rasa具备’推断’意图的能力
nlu:
- intent: period
  examples: |
    - 保修期有多久？
    - 多长时间啊，保修期？
    - 多久会过保呢？
    - 保修期多长时间啊？

- intent: return
  examples: |
    - 支持七天无理由退换货吗
    - 有七天无理由退换货服务吗？
    - 可以退换货吗？七天无理由的
    - 七天无理由退换货支持吗
    - 支持无理由退换货吗

- intent: recommend
  examples: |
    - 我的手机坏了，推荐一款新的吧
    - 推荐一个合适的手机
    - 根据我的情况给我推荐一款手机
    - 推荐一个性价比高的手机
    - 给我推荐一款手机吧
    - 推荐一款手机给我
    - [华为](user_phone_brand)有不错的吗
    - 有没有性价比高的荣耀(user_phone_brand)手机
    - 我想买[荣耀](user_phone_brand)的手机，有什么推荐吗？
    - 给我推荐一款[华为](user_phone_brand)的手机

- intent: SELECT_PRICE
  examples: |
    - 2000元以下
    - 2000元~5000元
    - 5000元以上

FAQ问答技能

  • period和return是所谓的UNIT中FAQ问答技能，一般都是一问一答
  • - intent: period后边的名称可以自定义
  • examples: | 需要把类似的话术列到这里，Rasa是要求至少两条

对话技能

  • recommend是所谓的对话技能，一般指多轮对话，既然是多轮对话，有一些信息需要记录下来，例如手机的品牌，下一轮的对话是要用到的。这个就是所谓UNIT中词槽的概念，在Rasa中名称为Slot
  • [华为](user_phone_brand)有不错的吗涉及到了标注概念，将实体’华为’标注出来之后，将词槽填充

UNIT配置对话流程 Vs Rasa rule.yml/stories.yml

UNIT可视化配置对话流程

UNIT对流流程支持编程模式和可视化配置，这里以可视化为例
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Rasa配置对话

  • Rasa的官方可视化界面是Rasa X，目前Rasa3.0以上是不支持的
  • 非官方的可视化界面有botfront，kairon等
  • 所以这里只演示编程模式。

FAQ问答

  • 也称知识库问答，一般为单轮对话，用户问，Bot回复
  • 将上一节定义的意图和定义好的答复列到这里，构成一轮对话
  • 定义在rule.yml文件中，Rule相关文档在这里
- rule: faq for period
  steps:
  - intent: period  #意图
  - action: utter_period #答案

- rule: faq for return
  steps:
  - intent: return #意图
  - action: utter_return #答案
  • rule: faq for period rule的名称，可自定义
  • intent是上一节定义的意图
  • action是bot的回应,utter_开头的是文字回复，action_开头的是执行一段函数
回复定义
  • 回复定义在domain.yml文件中
  • utter_开头是固定文本
  • action_开头是python函数名，在python函数中可以执行业务代码，最终生成回复文本
responses:
  utter_period:
  - text: 本产品免费保修期是自手机激活日起，12个月。同时过保后，也提供收费维修服务呢～
  utter_return:
  - text: 您好，商品没有人为损坏的情况下，均支持七天无理由退换货服务哦～

对话技能

  • 即多轮对话
  • 这里使用了Rasa Form，下一节有介绍
  • 定义在stories.yml文件中，Story相关文档在这里
- story: recommend story
  steps:
  - intent: recommend
  - action: recommend_phone_form
  - active_loop: recommend_phone_form
  - slot_was_set:
    - requested_slot: user_phone_brand
    - requested_slot: search_type
  - active_loop: null
  - slot_was_set:
    - requested_slot: null
  - action: action_recommend_phone
  • story: recommend story 对话流程名称，可自定义
  • intent: recommend 是上一节定义的意图
  • action: recommend_phone_form是Rasa action中专门用于收集用户信息的action，进入form后，需要将所有slot填充才能结束
  • active_loop是指激活recommend_phone_form
  • slot_was_set以及以下几行是描述用户的输入需要填充user_phone_brand search_type这两个词槽才能继续，否则会一直要求用户输入对应信息
  • active_loop: null 词槽被填充后，可以继续下面的流程即调用action_recommend_phone函数
  • action_recommend_phone 调用函数，执行业务逻辑，输出结果
form定义
  • Rasa中专门用于收集用户信息的模块，类似于html中的form表单
  • 这里我们定义了一个form用于收集用户对手机的信息包括：品牌、价格
  • recommend_phone_form定义在domain.yml中，form相关文档在这里
forms:
  recommend_phone_form:
    required_slots:
    - user_phone_brand
    - search_type

form需要的slot的回复定义遵循utter_ask_(form name)_(slot name)，如下

  utter_ask_recommend_phone_form_user_phone_brand:
  - text: 请问您想买哪个品牌的手机呢
  utter_ask_recommend_phone_form_search_type:
  - buttons:
    - title: 2000元以下
      payload: /SELECT_PRICE{{"search_type":"low"}}
    - title: 2000元~5000元
      payload: /SELECT_PRICE{{"search_type":"medium"}}
    - title: 5000元以上
      payload: /SELECT_PRICE{{"search_type":"high"}}
    text: 您希望购买什么价位的手机?
slot定义

slot定义在domain.yml中，Domain相关文档在这里

entities:
- user_phone_brand
- search_type
slots:
  user_phone_brand:
    type: text
    influence_conversation: false
    mappings:
    - type: from_entity
      entity: user_phone_brand
  search_type:
    type: text
    influence_conversation: true
    mappings:
    - type: from_entity
      entity: search_type
      conditions:
      - active_loop: recommend_phone_form
action_recommend_phone函数

action_recommend_phone在action.py中，Action相关文档在这里

class ActionRecommendPhone(Action):

    def name(self) -> Text:
        return "action_recommend_phone"

    def run(self, dispatcher: CollectingDispatcher,
                tracker: Tracker,
                domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:
        slots = {
            "user_phone_brand":None,
            "search_type":None
        }
        price_range = tracker.get_slot('search_type')
        if price_range == 'low':
            dispatcher.utter_message(response="utter_recommend_result",formatted_price='1999')
        elif price_range == 'medium':
            dispatcher.utter_message(response="utter_recommend_result",formatted_price='3999')
        else:
            dispatcher.utter_message(response="utter_recommend_result",formatted_price='5999')

        return [SlotSet(slot,value) for slot,value in slots.items()]

兜底回复

在Config.yml中配置，Config相关文档在这里

pipeline:
  - name: "MitieNLP"
    model: "dict/total_word_feature_extractor_zh.dat"
  - name: "JiebaTokenizer"
    dictionary_path: "dict/jieba"
  - name: "MitieFeaturizer"
  - name: "RegexFeaturizer"
  - name: "DIETClassifier"
    epochs: 300
    constrain_similarities: True
  - name: "EntitySynonymMapper"
  - name: "FallbackClassifier"
    threshold: 0.95

其中Component FallbackClassifier组件用户兜底回复，如果用户输入后，Rasa判断没有意图的置信度超过上图定义的0.95，则认为失败，回复定义好的内容

在rule.yml中

- rule: Ask the user to rephrase whenever they send a message with low NLU confidence
  steps:
  - intent: nlu_fallback
  - action: utter_fallback

其中 nlu_fallback为Rasa预定义
回复定义在Domain.yml中

  utter_fallback:
  - text: 对不起，没有明白您的意图！

训练

在项目目录中输入rasa train即可，生成的模型位于model文件中
在这里插入图片描述

对话

模型训练完成之后，可以通过各种Channel进行对话，Channel的定义在credentials.yml文件，相关文档在这里

rest:
#  # you don't need to provide anything here - this channel doesn't
#  # require any credentials


#facebook:
#  verify: "<verify>"
#  secret: "<your secret>"
#  page-access-token: "<your page access token>"

#slack:
#  slack_token: "<your slack token>"
#  slack_channel: "<the slack channel>"
#  slack_signing_secret: "<your slack signing secret>"

#socketio:
#  user_message_evt: <event name for user message>
#  bot_message_evt: <event name for bot messages>
#  session_persistence: <true/false>

#mattermost:
#  url: "https://<mattermost instance>/api/v4"
#  token: "<bot token>"
#  webhook_url: "<callback URL>"

# This entry is needed if you are using Rasa X. The entry represents credentials
# for the Rasa X "channel", i.e. Talk to your bot and Share with guest testers.
rasa:
  url: "http://localhost:5002/api"

shell

linux shell是对话通道之一，如下如使用shell进行测试，首先启动rasa shell和 rasa run actions（用于执行函数）
在这里插入图片描述

rest

通过http rest进行对话，首先启动rasa run 和 rasa run actions （用于执行函数）
在这里插入图片描述
在这里插入图片描述

chat-room

可以使用chatroom进行对话，首先启动rasa run --cors "*"和rasa run actions
注意参数 --cors需要传递，否则会报跨域问题
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

演示视频

Rasa实现百度UNIT智能客服教学机器人

风语者！平时喜欢研究各种技术，目前在从事后端开发工作，热爱生活、热爱工作。

站长推荐