rasa专题
RASA使用长文记录以及一些bug整理
RASA 学习笔记整理 一 安装 在虚拟环境中安装，进入python3版本的环境 conda activate python3 ai04机器 旧版本：rasa-nlu和rasa-core是分开安装的 最新版本：rasa 将二者做了合并 直接安装 pip3 install rasa 在安装到如下步骤时候会报网络错误Downloading tensorflow-2.8.4-cp3
《Ai企业知识库》-rasa-初步使用
根据上面的环境准备之后： 《Ai企业知识库》-模型实践-rasa开源学习框架-搭建简易机器人-环境准备(针对windows)-02-CSDN博客 基础的使用： rasa项目初始化： rasa init 首先进入目标文件夹 在dos窗口（目标文件夹下）使用指令rasa init 就可以帮助我们新建一个rasa项目。 这里是询问是否让当前目录为项目的目录： 这里要回复Y 是
rasa安装过程中遇到的问题和解决方法
rasa的安装方法介绍： 最好的教程永远都是开发文档：https://rasa.com/docs/nlu/ rasa主要包含两部分，rasa_nlu和rasa_core，rasa_nlu（Natural Language Understanding）主要做自然语言理解相关的，它的主要功能由两个：意图（intent）分类和（ner）命名实体识别。rasa_core主要做：对话流程管理，对于输入不
yaml格式的语法，rasa-core
转自：https://www.jianshu.com/p/97222440cd08 我们学习Java，都是先介绍properties文件，使用properties文件配合Properties对象能够很方便的适用于应用配置上。然后在引入XML的时候，我们介绍properties格式在表现层级关系和结构关系的时候，十分欠缺，而XML在数据格式描述和较复杂数据内容展示方面，更加优秀。到后面介绍JSON
rasa core 中的逻辑
rasa core rasa 逻辑 rasa core为核心的逻辑 Agent将Rasa Core的功能通过API开放出来，像模型训练，对话处理等都可以通过Agent完成，一个模型训练的例子： import sysfrom rasa_core.policies.keras_policy import KerasPolicyfrom rasa_core.agent import A
Rasa_NLU安装注意点
1、大部分教程中没有提及安装TensorFlow，需要在配置完环境后自己安装 pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple/ --upgrade tensorflow==1.15.0（当前rasa版本1.6.0依赖的是1.15.0） 2、官网的mitie安装注意一下 $ pip install rasa[mitie]，用完这
自然语言处理（NLP）——使用Rasa创建聊天机器人
1 基本概念 1.1 自然语言处理的分类 IR-BOT：检索型问答系统 Task-bot：任务型对话系统 Chitchat-bot:闲聊系统 1.2 任务型对话Task-Bot:task-oriented bot 这张图展示了一个语音对话系统（或聊天机器人）的基本组成部分和它们之间的工作流程。这个系统可以接受语音信号作
Rasa课程、Rasa培训、Rasa面试系列之 Rasa建立对话式 AI 团队的秘诀
Rasa课程、Rasa培训、Rasa面试系列之 Rasa建立对话式 AI 团队的秘诀 构建 AI 助手需要多种技能：软件工程、对用户的深入了解、写作和 UX 设计以及数据科学。构建对话式 AI 软件的产品团队与传统软件团队有一些相似之处，但也存在重要差异。您需要在后端开发和 DevOps 方面有扎实的背景，还需要对话设计和机器学习方面的专业知识。 无论您的组织是大是小，无论是首次构建 AI
Rasa课程、Rasa培训、Rasa面试系列之 成为 Rasa 的工程伙伴意味着什么
Rasa课程、Rasa培训、Rasa面试系列之 成为 Rasa 的工程伙伴意味着什么 嘿 我是 Mark，我为 Rasa 工作！我是这里的高级软件工程师之一，专注于我们使用 Rasa X 和 Rasa Enterprise 进行的前端工作。我于 2019 年 12 月加入 Rasa，看到过去（近）2 年的增长真是令人惊讶！我们最近为加入 Rasa 的新工程师建立了一个工程伙伴计划（提示 - ht
Rasa课程、Rasa培训、Rasa面试系列之Rasa公司的第 100 名团队成员
Rasa课程、Rasa培训、Rasa面试系列之Rasa公司的第 100 名团队成员 Rasa公司现在 有 100 人。随着Rasa公司的不断扩展，您会加入Rasa公司的团队吗？ 2020 年，Rasa公司将公司目标设定为成为多元化、公平和包容 方面的行业领导者。在Rasa公司成为一家更加国际化 的公司的道路上，包容性在Rasa公司的价值观中发挥着重要作用，从而促进了Rasa公司的成长和
Rasa课程、Rasa培训、Rasa面试系列之：Rasa 对话式 AI 布道负责人 Mady Mantha
Rasa课程、Rasa培训、Rasa面试系列之：Rasa 对话式 AI 布道负责人 Mady Mantha 在 Rasa，我们的团队正在为对话式 AI 构建标准基础架构。在幕后，来自不同背景的 Rasa 人齐聚一堂，共同解决当今 NLP 和对话管理领域最有趣的挑战。我们正在拉开帷幕，突出机器人背后的一些人类。 今天我们正在与 Rasa 的对话式 AI 布道负责人 Mady
Rasa课程、Rasa培训、Rasa面试系列之：Rasa客户案例Circle Medical公司
Rasa课程、Rasa培训、Rasa面试系列之：Rasa客户案例Circle Medical公司 通过上下文 AI 助手简化处方补充 Circle Medical 使用 Rasa 处理超出简单常见问题解答的用户请求 挑战 Circle Medical成立于 2015 年，是一家初级医疗机构，利用技术以更低的成本提供更好的患者体验和结果。其面向患者的 AI 助手可自动执行传统的人工流
Rasa课程、Rasa培训、Rasa面试系列之： Rasa幕后英雄系列-高级机器学习研究员 Aciel Eshky
Rasa课程、Rasa培训、Rasa面试系列之： Rasa幕后英雄系列-高级机器学习研究员 Aciel Eshky 在 Rasa，我们的团队正在为对话式 AI 构建标准基础架构。在幕后，来自不同背景的 Rasa 人齐聚一堂，共同解决当今 NLP 和对话管理领域最有趣的挑战。我们正在拉开帷幕，突出机器人背后的一些人类。 今天我们正在与 Rasa 的高级机器学习研究员 Aciel
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x 对话管理Moodbot（2）
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x 对话管理Moodbot（2） 要查看Moodbot 策略机制在后台执行的操作，可以在本地运行“rasa shell--debug”。这将显示所有相关的调试信息，其中包括来自激活策略的信息。完整的日志显示的内容比在这里看到的要多得多，但是我们将重点放在总结上，以使事情更易于理解。这里的对话和以前一样，但现在附加了调试信息。
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x 对话管理 Moodbot （1）
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x 对话管理 Moodbot （1） 为了简单起见，我们将使用moodbot探索这些策略。它是您通过“Rasa init”启动新的Rasa项目时获得的助理。Moodbot有一个简单的功能：如果你心情不好，可以试着让你高兴起来。data/stories.yml包含了一些故事，这些故事被记忆策略记住，并被TED用作训练数据。
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x 对话管理
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x 对话管理 在Rasa 2.0中，有三种主要的对话策略，我们将重点介绍他们是如何合作的， 这些代码示例可以在Rasa 3中使用。但是在训练过程中，组件的方式有一点变化，可以阅读这篇博客文章https://rasa.com/blog/bending-the-ml-pipeline-in-rasa-3-0/，了解更多内容。 三项策略
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x NLU意图和实体-预测行动
Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.x NLU意图和实体-预测行动 使用NLU管道，我们可以检测意图和实体亦，但是这个管道不能预测对话中的下一个动作。这就是策略管道的目的，策略利用NLU的预测以及到目前为止的对话状态来预测下一步要采取什么行动。 如果你对这些策略是如何产生行动感兴趣的，请欣赏Rasa的博客文章 https://rasa.com/blog/
使用Rasa_core和Rasa_nls框架搭建问答机器人
1 前期准备 1.1 采集数据 采集有关南京博物院的有关数据，并进行中文分词（其中还需要用户自定义词典），其主要技术为：python爬虫、 jieba分词 内容如下: 1.2 构建语料库 根据已经采集好的数据构建语料库，其相关技术：MITIE工具 2 RASA_NLU NLU模块的任务是： 意图识别 (Intent)：在句子级别进行分类，明确意图；实体识别(Entity)：在词级
Rasa中的tracker_store和event_broker
Rasa 中的 tracker_store 相对主流为 Redis，event_broker 相对主流为 RabbitMQ。后续为了研究学习直接将 tracker_store 和 event_broker 的 type 都设置为 SQL，使用 MySQL 统一管理。 一.Rasa 中的 tracker_store 要使用 MySQL 作为 Rasa 的 tracker_store，需要
Rasa初始化聊天机器人的配置
本文详细介绍了使用 rasa init 初始化聊天机器人项目的配置，包括 nlu.yml、rules.yml、stories.yml、test_stories.yml、config.yml、credentials.yml、domain.yml、endpoints.yml 等文件。如下所示： │ config.yml│ credentials.yml│ domain.yml│ e
Transformer课程 业务对话机器人Rasa 3.x Testing Your Assistant
Transformer课程 业务对话机器人Rasa 3.x Testing Your Assistant RASA 官网 https://rasa.com/ Testing Your Assistant Rasa开源允许您通过运行测试故事来验证和测试端到端的对话。此外，还可以分别测试对话管理和消息处理（NLU）。 Validating Data and Stories 验证数据和故事
Rasa课程、Rasa培训、Rasa面试系列之： Rasa NLU意图分类和实体抽取
Rasa课程、Rasa培训、Rasa面试系列之： Rasa NLU意图分类和实体抽取 意图分类 我们为所有标记和整个句子生成了特征，就可以将其传递给意图分类模型。建议使用Rasa的DIET模型，DIET可以处理意图分类和实体提取，还可以从标记和句子特征中学习。 我们应该意识到DIET算法的特殊性，Rasa过去托管的大多数算法要么进行实体抽取，要么进行意图分类，但它们并没有同时做到
rasa train nlu详解：1.2-_train_graph()函数
本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍_train_graph()函数中变量的具体值。 一.rasa/model_training.py/_train_graph()函数 _train_graph()函数实现，如下所示： def _train_graph(file_importer: TrainingDataImporter,tr
rasa train nlu详解：1.1-train_nlu()函数
本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍train_nlu()函数中变量的具体值。 一.rasa/model_training.py/train_nlu()函数 train_nlu()函数实现，如下所示： def train_nlu(config: Text,nlu_data: Optional[Text],output: Text