Rasa实战：构建开源对话机器人

图书标准信息

• 作者 孔晓泉
• 出版社 电子工业出版社
• 出版时间 2022-02
• 版次 1
• ISBN 9787121429385
• 定价 89.00元
• 装帧 其他
• 开本 16开
• 页数 216页
• 字数 264.4千字

【内容简介】

Rasa是一款开源的对话机器人框架，能让开发者使用机器学习技术快速创建工业级的对话机器人。得益于丰富的功能、先进的机器学习能力和可以快速上手的特性，Rasa框架是目前流行的开源对话机器人框架。 本书首先介绍Rasa的两个核心组件——Rasa NLU和Rasa Core的工作流程；然后详细介绍通过使用Rasa生态系统从头开始构建、配置、训练和服务不同类型的对话机器人的整体过程，如任务型、FAQ、知识图谱聊天机器人等，其中包括使用基于表单（form）的对话管理、ResponseSelector来处理闲聊和FAQ，利用知识库来回答动态查询的问题等，以及自定义Rasa框架，使用对话驱动的开发模式和工具来开发对话机器人，探索机器人能做什么，并通过交互式学习来轻松修复它所犯的任何错误；后会介绍将Rasa系统部署到具有高性能和高可扩展性的生产环境中，从而建立一个高效和强大的聊天系统。

【作者简介】

孔晓泉谷歌开发者机器学习技术专家（Google Developer Expert in Machine Learning），TensorFlow Addons Codeowner，Rasa SuperHero。多年来一直在世界500强公司带领团队构建机器学习应用和平台。在NLP和对话机器人领域拥有丰富的理论和实践经验。王　冠北京大学学士，香港科技大学硕士，先后于香港应用科技研究院、联想机器智能实验室及瑞士再保险与慕尼黑再保险数据科学团队从事数据建模、计算机图像与NLP的研发工作，发表过数篇相关国际期刊论文，并取得相关专利。当前研究方向为人工智能在金融领域的应用。

【目录】

第1章  人机对话基础和Rasa简介1

1.1  机器学习基础1

1.2  自然语言处理基础3

1.2.1  现代自然语言处理发展

简史3

1.2.2  自然语言处理的基础

任务7

1.3  人机对话流程7

1.3.1  确定对话机器人的应用

场景7

1.3.2  传统对话机器人架构8

1.3.3  语音识别10

1.3.4  自然语言理解10

1.3.5  对话管理12

1.3.6  自然语言生成13

1.3.7  语音合成14

1.4  Rasa 简介14

1.4.1  系统结构15

1.4.2  如何安装Rasa16

1.4.3  Rasa 项目的基本流程16

1.4.4  Rasa常用命令16

1.4.5  创建示例项目17

1.5  小结17

第2章  Rasa NLU基础18

2.1  功能与结构18

2.2  训练数据19

2.2.1  意图字段21

2.2.2  同义词字段22

2.2.3  查找表字段23

2.2.4  正则表达式字段23

2.2.5  正则表达式和查找表的

使用24

2.3  组件25

2.3.1  语言模型组件26

2.3.2  分词组件26

2.3.3  特征提取组件27

2.3.4  NER组件27

2.3.5  意图分类组件28

2.3.6  实体和意图联合提取

组件28

2.3.7  回复选择器28

2.4  流水线28

2.4.1  什么是流水线28

2.4.2  配置流水线28

2.4.3  推荐的流水线配置30

2.5  输出格式30

2.5.1  意图字段32

2.5.2  实体字段32

2.5.3  其他可能字段33

2.6  如何使用 Rasa NLU34

2.6.1  训练模型34

2.6.2  从命令行测试34

2.6.3  启动服务35

2.7  实战：医疗机器人的NLU

模块36

2.7.1  功能36

2.7.2  实现36

2.7.3  训练模型38

2.7.4  运行服务39

2.8  小结40

第3章  Rasa Core基础41

3.1  功能与结构41

3.2  领域41

3.2.1  意图与实体42

3.2.2  动作42

3.2.3  词槽43

3.2.4  回复43

3.2.5  会话配置45

3.2.6  全局性配置45

3.3  故事45

3.3.1  用户消息46

3.3.2  机器人动作与事件46

3.3.3  辅助符号47

3.4  动作49

3.4.1  回复动作49

3.4.2  表单49

3.4.3  默认动作49

3.4.4  自定义动作50

3.5  词槽50

3.5.1  词槽和对话行为51

3.5.2  词槽的类型51

3.5.3  词槽的映射52

3.5.4  词槽初始化52

3.6  策略53

3.6.1  策略的配置53

3.6.2  内建的策略53

3.6.3  策略的优先级54

3.6.4  数据增强54

3.7  端点54

3.8  Rasa SDK和自定义动作55

3.8.1  安装55

3.8.2  自定义动作55

3.8.3  tracker对象56

3.8.4  事件对象56

3.8.5  运行自定义动作57

3.9  Rasa支持的客户端57

3.10  实战：报时机器人59

3.10.1  功能59

3.10.2  实现60

3.10.3  运行动作服务器66

3.10.4  运行Rasa服务器和

 客户端66

3.11  小结67

第4章  使用ResponseSelector

        实现FAQ和闲聊功能68

4.1  如何定义用户问题68

4.2  如何定义问题的答案69

4.3  如何训练Rasa69

4.4  实战：构建FAQ机器人70

4.4.1  功能70

4.4.2  实现71

4.4.3  训练模型77

4.4.4  运行服务78

4.5  小结78

第5章  基于规则的对话管理79

5.1  fallback79

5.1.1  NLU fallback79

5.1.2  策略fallback80

5.2  意图触发动作80

5.2.1  内建意图触发动作80

5.2.2  自定义意图触发动作81

5.3  表单81

5.3.1  定义表单82

5.3.2  激活表单82

5.3.3  执行表单任务82

5.4  实战：天气预报机器人83

5.4.1  功能83

5.4.2  实现86

5.4.3  客户端/服务器97

5.4.4  运行 Rasa 服务器97

5.4.5  运行动作服务器97

5.4.6  运行网页客户端98

5.4.7  更多可能的功能98

5.5  小结98

第6章  基于知识库的问答99

6.1  使用ActionQueryKnowledgeBase

100

6.1.1  创建知识库100

6.1.2  NLU 数据102

6.1.3  自定义基于知识库的

动作104

6.2  工作原理105

6.2.1  对象查询105

6.2.2  属性查询105

6.2.3  解析指代106

6.3  自定义108

6.3.1  自定义

      ActionQueryKnowledgeBase

108

6.3.2  自定义

       InMemoryKnowledgeBase

108

6.3.3  创建自定义知识库110

6.4  实战：基于知识库的音乐百科

机器人110

6.4.1  功能110

6.4.2  实现111

6.4.3  客户端/服务器122

6.4.4  运行 Rasa 服务器122

6.4.5  运行动作服务器122

6.4.6  运行网页客户端122

6.4.7  使用Neo4j123

6.5  小结134

第7章  实体角色和分组135

7.1  实体角色135

7.2  实体分组136

7.3  组件支持情况136

7.4  实战：订票机器人136

7.4.1  功能136

7.4.2  实现139

7.4.3  客户端/服务器147

7.4.4  运行 Rasa 服务器147

7.4.5  运行动作服务器147

7.4.6  运行网页客户端148

7.5  小结148

第8章  测试和生产环境部署149

8.1  如何测试机器人的表现149

8.1.1  对NLU和故事数据

进行校验149

8.1.2  编写测试用的故事149

8.1.3  评估NLU模型151

8.1.4  评估对话管理模型153

8.2  在生产环境中部署机器人153

8.2.1  部署时间153

8.2.2  选择模型存储方式153

8.2.3  选择tracker store154

8.2.4  选择lock store156

8.2.5  单机高并发设置157

8.3  实战：单机部署高性能Rasa

服务157

8.3.1  架设redis服务器157

8.3.2  使用redis作为

tracker store157

8.3.3  使用redis作为

lock store158

8.3.4  单机高并发设置158

8.3.5  性能测试158

8.4  小结159

第9章  Rasa的工作原理与

        扩展性160

9.1  Rasa的工作原理160

9.1.1  训练阶段161

9.1.2  推理阶段162

9.2  Rasa的扩展性163

9.2.1  如何使用自定义NLU

组件和自定义策略163

9.2.2  如何自定义一个NLU

组件或策略164

9.2.3  自定义词槽类型165

9.2.4  其他功能的扩展性166

9.3  实战：实现自定义分词器166

9.3.1  分词器MicroTokenizer的

简介166

9.3.2  代码详解167

9.3.3  使用自定义分词器176

9.4  小结177

第10章  Rasa技巧与生态178

10.1  如何调试Rasa178

10.1.1  预测结果不正确178

10.1.2  代码出错181

10.2  如何阅读Rasa源代码186

10.2.1  阅读源代码前186

10.2.2  阅读源代码时188

10.2.3  阅读源代码后188

10.3  对话驱动开发和Rasa X189

10.3.1  对话驱动开发189

10.3.2  Rasa X190

10.4  运行交互式学习193

10.4.1  启动交互式学习193

10.4.2  进行交互式学习193

10.4.3  保存交互式学习的

 数据196

10.4.4  对话过程可视化196

10.5  社区生态197

10.5.1  数据生成工具

 Chatito197

10.5.2  数据生成工具

 Chatette198

10.5.3  数据标注工具

 Doccano199

10.5.4  Rasa Chinese软件包200

10.6  小结201

附录A  中英文术语翻译对照表202