ZimingUit的博客

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这两种功能。这通常也意味着意图分类模型只考虑管道的句子特征，而忽略了标记特征。实体提取尽管DIE...

Rasa DAGs 与缓存Rasa 2.x 对NLU管道文件的单个更改将触发对其中所有组件的重新训练，整个流程都被视为一个整体，这可能会导致Rasa认为所有组件都要重新训练，即使只是发生了很小的变化。但是如果将计算后台表示为DAG，那么就有了更多的选择。假设我们从下图开始。这个图表示了一个启用端到端的Rasa管道。现在假设我们改变了第二个CountVectorizer的超参数。这将影响到DIETClassifier、TED和Policy Ensemble。但其余的组件不需要再训练。...

Rasa课程、Rasa培训、Rasa面试系列之： Rasa 3.0 ML PipelineRasa开源3.0将开始使用一个新的计算后台。从概念上讲，机器学习管道将类似于一个图，而不是一个组件序列。本文将解释这种改变会带来什么好处。尽管这是一个很大的概念上的改变，但是这些改变并不需要改变配置文件config.yml。Rasa 3.x是如何演进到新架构的?回到Rasa 0.x 版本，Rasa代码库的rasa_core和rasa_nlu部分位于不同的库中，然后在Rasa Open Source 1.0

团队构建一个智能对话机器人需考虑的事情：1） 精确地选择你的用例根据从事的行业的不同，清楚地定义项目的范围，首先考虑一组简单的技能，这些技能是用户在第一次迭代中可能需要的，并在准备好后进行扩展。2） 使用实际场景的对话构建为了改善用户体验，应该专注于支持实际发生的对话，而不是试图预测人们可能会对助理说的所有可能的短语。Rasa可以帮助获取这些实际的对话，并将其输入到助理中，以便将来更好地支持用户。3） 尽早创建适当的测试覆盖率初始测试作为扩展和重构时的验证点。通过这种方式，可

Rasa 最新发布的主要版本：Rasa 3.x ，很高兴Rasa社区发生的最重要的变化和改进。Rasa开源3.0将模型体系结构与框架体系结构分开，使我们能够运行任意模型体系结构。它还附带了一些增强功能，重点是在使用Rasa构建会话式AI助理时改善开发人员的体验。改进后的计算后端使我们能够试验体系结构，降低维护成本，并实现大规模的协作开发。槽位映射有一些改进，可以使实现所需的槽位行为和表单更容易。有了一个新的实验特性，它旨在帮助我们找出如何在事件跟踪器存储之上添加一个“语义层”，以便更容易地识别和跟踪对话

如果开发人员想要构建一个简单的聊天机器人来生成一系列编程响应，他们可以使用NLP和一些机器学习技术。一个简单的聊天机器人不一定需要NLU。但是，如果开发人员想要构建一个上下文助理能够与用户进行复杂自然的对话，他们需要NLU。NLU是一个组件，它允许上下文助理理解用户每句话的意图。如果没有它，助理将无法理解用户在整个对话中的意思。如果助理不明白用户的意思，它在某些情况下也不会做出适当的回应。无论是简单的聊天机器人还是复杂的人工智能助理，NLP都是会话式应用构建过程中不可或缺的一部分。NLP和NLU之间