Snips NLU 项目教程：构建智能家居语音助手

Snips NLU 项目教程：构建智能家居语音助手

snips-nlu Snips Python library to extract meaning from text 项目地址: https://gitcode.com/gh_mirrors/sn/snips-nlu

前言

Snips NLU 是一个强大的自然语言理解(NLU)库，专门用于构建语音助手和对话系统。本教程将带你使用 Snips NLU 构建一个智能家居控制系统，能够理解关于灯光和温控器的语音指令。

项目概述

我们将创建一个能够理解以下三类指令的语音助手：

1. 开灯指令（turnLightOn）
2. 关灯指令（turnLightOff）
3. 温度设置指令（setTemperature）

训练数据准备

数据格式说明

Snips NLU 使用 YAML 格式定义训练数据集，包含意图(Intents)和实体(Entities)两部分。

定义意图和实体

下面是我们智能家居系统的完整数据集定义：

# 开灯意图
---
type: intent
name: turnLightOn
slots:
  - name: room
    entity: room
utterances:
  - 请打开[room](厨房)的灯
  - 把[room](卧室)的灯打开好吗
  - 我需要[room](客厅)的灯光
  - 请点亮[room](浴室)的灯

# 关灯意图
---
type: intent
name: turnLightOff
slots:
  - name: room
    entity: room
utterances:
  - 关闭[room](入口)的灯
  - 请关掉[room](卧室)的灯
  - 把[room](厨房)的灯熄灭
  - [room](客厅)的灯请关闭

# 温度设置意图
---
type: intent
name: setTemperature
slots:
  - name: room
    entity: room
  - name: roomTemperature
    entity: snips/temperature
utterances:
  - 把[room](卧室)温度设为[roomTemperature](22度)
  - 请设置[room](客厅)温度为[roomTemperature](25摄氏度)
  - 我需要[room](浴室)温度是[roomTemperature](75华氏度)
  - 把温度调到[roomTemperature](20度)

# 房间实体定义
---
type: entity
name: room
automatically_extensible: no
values:
- 卧室
- [客厅, 起居室, 主厅]
- [花园, 庭院, 后院]

关键概念解析

1. 实体同义词：如[客厅, 起居室, 主厅]表示这些词都指向"客厅"这个标准值
2. 自动扩展：automatically_extensible: no表示系统只识别定义的值，不会自动识别新词
3. 内置实体：snips/temperature是系统预定义的温度实体，能自动识别各种温度表达方式

构建NLU引擎

基础引擎创建

from snips_nlu import SnipsNLUEngine

# 创建默认引擎
default_engine = SnipsNLUEngine()

使用语言特定配置

对于中文处理，建议使用专门优化的配置：

from snips_nlu import SnipsNLUEngine
from snips_nlu.default_configs import CONFIG_ZH

engine = SnipsNLUEngine(config=CONFIG_ZH)

训练模型

加载训练数据

import json

with open("dataset.json") as f:
    dataset = json.load(f)

engine.fit(dataset)

确保可重复性

通过设置随机种子确保每次训练结果一致：

engine = SnipsNLUEngine(config=CONFIG_ZH, random_state=42)
engine.fit(dataset)

解析用户输入

完整解析示例

result = engine.parse("请把客厅的灯打开")
print(json.dumps(result, indent=2))

输出示例：

{
  "input": "请把客厅的灯打开",
  "intent": {
    "intentName": "turnLightOn",
    "probability": 0.87
  },
  "slots": [
    {
      "range": {
        "start": 3,
        "end": 5
      },
      "rawValue": "客厅",
      "value": {
        "kind": "Custom",
        "value": "客厅"
      },
      "entity": "room",
      "slotName": "room"
    }
  ]
}

高级解析功能

1. 仅提取槽位：当已知意图时

slots = engine.get_slots("请把主厅的灯打开", "turnLightOn")

2. 仅识别意图：

intents = engine.get_intents("请调高温度到22度")

None意图处理

当用户输入不属于任何定义意图时，系统会返回None意图：

result = engine.parse("今天天气真好")
# 输出中将显示intentName为null

意图过滤器

在已知上下文的情况下，可以限定可能的意图范围：

result = engine.parse("请关灯", 
                     intents=["turnLightOn", "turnLightOff"])

模型持久化

保存模型

engine.persist("model_directory")

加载模型

loaded_engine = SnipsNLUEngine.from_path("model_directory")

字节流方式

# 保存为字节流
engine_bytes = engine.to_byte_array()

# 从字节流加载
loaded_engine = SnipsNLUEngine.from_byte_array(engine_bytes)

最佳实践建议

1. 数据多样性：为每个意图提供至少15-20个不同的表达方式
2. 实体覆盖：确保实体值覆盖所有可能的用户表达
3. 测试验证：构建后使用未见过的句子测试系统表现
4. 渐进增强：根据用户实际使用情况不断优化数据集

通过本教程，你应该已经掌握了使用Snips NLU构建语音助手的基本流程。实际应用中，还需要结合具体场景不断优化训练数据和系统配置。

snips-nlu Snips Python library to extract meaning from text 项目地址: https://gitcode.com/gh_mirrors/sn/snips-nlu