Rasa是一个开源的机器学习框架，用于自动化基于文本和语音的助理。构建真正帮助客户的上下文助理和聊天机器人很困难。Rasa 提供了高性能、有弹性、专有的上下文助理所需的基础设施和工具。借助 Rasa，所有开发人员都可以创建更好的基于文本和语音的助手。

为什么选择Rasa？

RASA NLU 的主要优点是您可以访问整个 Python 处理管道，并可以使用复杂的自定义逻辑对其进行扩展。RASA NLU 提供现实世界中对话解决方案所需的基础设施功能，例如模型持久性或 HTTP 访问。

Rasa与Dialogflow的比较

RASA 的组件：

1.自然语言理解（NLU）

Rasa 自然语言单元 是一种自然语言理解模块。它由松散耦合的模块组成，在一致的 API 中结合了许多自然语言处理和机器学习库。

NLU 实际上是做什么的？

• 将文本转换为向量并对意图进行分类。

• 实体的提取（如果有）

对于此过程，NLU 使用 Tokenizer 将传入文本转换为标记，然后

词性标注器：词性标注器或 POS 标注器处理单词序列，并将词性标记附加到每个单词。

分块：分块的主要目标之一是将其分组为所谓的“名词短语”。这些是由一个或多个单词组成的短语，其中包含名词，可能是一些描述性单词，可能是动词，也可能是副词之类的东西。这个想法是将名词与与其相关的单词分组

在分块器之后，实体被识别并提取。

2. 自然语言生成（NLG）

自然语言生成 是人工智能的一个分支，旨在缩小机器与人类之间的沟通差距。该技术通常接受非语言格式的输入，并将其转换为人类可理解的格式，如报告、文档、短信等。

3. 对话管理

为什么使用 Rasa Core 进行对话处理？

通过从输入文本中提取意图和实体，这些数据会与之前的状态混淆以获得新的操作。这些新动作将更新为状态并产生输出并用于下一个输入。

如何安装Rasa：

• 先决条件：

• Visual studio 14.0.0+ (not VS Code)

• python3

• 使用 pip 安装 rasa

 pip install rasa

安装完成后，rasa CLI 就会启用。

• 初始化项目

 rasa init

在您的项目文件夹（空文件夹）中，命令提示符，它会问以下问题，

1. 请输入将创建项目的路径[默认：当前目录] - 指定路径或按 Enter 键默认

2. 您想训练初始模型吗？- 对于初学者，是的（推荐），训练模型需要一些时间。

3. 您想在命令行上与训练有素的助手交谈吗？- 否（推荐），如果您想了解 rasa 聊天机器人如何工作，可以按“是”。

如果你想跳过这些问题，请添加--no-prompt

 rasa init --no-prompt

通过此过程，会在您指定的目录中创建一些文件。

• 这将创建以下文件：

• （可选）data/responses.md(*)：您可以在数据文件夹中单独创建响应文件。

• models/.tar.gz：这是rasa训练的模型。

• endpoints.yml：此文件包含连接到 FB Messenger 等通道的详细信息。

• domain.yml (*)：包含意图列表、响应、操作、槽和表单列表。这是您的机器人的域。

• data/stories.md (*)：此文件包含您的机器人的故事。这是意图和响应之间的桥梁

• data/nlu.md (*)：该文件包含 NLU 的意图名称和意图，您从这里开始编写意图。

• credentials.yml：其中包含连接到其他服务的详细信息。这包含凭据详细信息。

• config.yml (*)：此文件用于配置 NLU 和 Core 模型。该文件包含足够的详细信息，例如语言、管道、NLU 的纪元详细信息以及核心协议。

• actions.py：您可以在此 python 文件中自定义操作代码。

• init.py：这是一个空的 python 文件，有助于查找您的操作。

最重要的文件标有“*”。

训练和测试机器人：

创建自己的机器人后，您必须通过以下代码来训练它

 rasa train

它将在模型文件夹中创建一个新模型。您可以通过两种不同的方式对其进行测试：

1. 使用shell

    rasa shell

   这将创建一个与您的机器人聊天的界面。

1. 使用postman/curl

   首先，运行以下命令

    rasa run -m models --enable-api --log-file out.log

   它创建本地主机，您可以在其中使用curl进行交互

    curl localhost:5005/model/parse -d '{“text”：“你好”}

2. 提供的其他 API 列表