python rasa聊天机器人教程五：经典事例查询天气

从用户输入的消息中提取城市信息然后查询天气信息

rasa版本3.6.4

1.培训数据

在 data/nlu.yml 文件中，添加意图和实体的例子：

定义用户的意图和提取实体

?

1 2 3 4 5 6

nlu: - intent: ask_weather   examples: |     - [北京](location)[明天](weather_time)的天气怎么样？     - [上海](location)[下周一](weather_time)会下雨吗？     - 告诉我[深圳](location)[今天](weather_time)的天气。

 2.定义 rule

根据用户的意图和槽，定义对话流程。

在 data/rule.yml 文件中，定义一个简单的 rule：

?

1 2 3 4

- rule: query weather data   steps:   - intent: ask_weather   - action: action_query_weather

 3.定义 actions:

根据用户的意图和槽，执行特定的动作。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

from rasa_sdk import Action, Tracker from rasa_sdk.executor import CollectingDispatcher from rasa_sdk.types import DomainDict   # 这里仅为模拟查询，实际上需要调用第三方API来获取真实的天气数据 def mock_query_weather(location: str, time: str) -> str:     if location == "北京" and time == "明天":         return "晴朗"     elif location == "上海" and time == "下周一":         return "多云"     else:         return "未知"   class ActionQueryWeather(Action):     def name(self) -> str:         return "action_query_weather"       def run(             self, dispatcher: CollectingDispatcher, tracker: Tracker, domain: DomainDict     ) -> list:         location = tracker.get_slot("location")         time = tracker.get_slot("weather_time")           weather_condition = mock_query_weather(location, time)           dispatcher.utter_message(response="utter_weather_data", location=location, time=time,                                  weather_condition=weather_condition)           return []

 4.定义 slots 和 responses:

在 domain.yml 文件中定义槽、实体、意图和响应。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

intents:   - ask_weather   entities:   - location   - weather_time   slots:   location:     type: text     influence_conversation: false     mappings:       - type: from_entity         entity: location   weather_time:     type: text     influence_conversation: false     mappings:       - type: from_entity         entity: weather_time   actions:   - action_query_weather   responses:   utter_weather_data:     - text: "{location}在{weather_time}的天气是{weather_condition}。"

 5.启动 actions server:

使用以下命令培训模型:

?

1	rasa train

使用以下命令启动 action server:

?

1	rasa run actions

 6.启动服务

启动 Rasa 服务:

?

1	rasa shell

 7.测试

?

1 2 3 4 5 6 7 8 9 10 11 12

Your input ->  [上海](location)[下周一](weather_time)会下雨吗？ 上海在下周一的天气是多云。 Your input ->  [上海](location)[今天](weather_time)会下雨吗？ 上海在下周一的天气是多云。 Your input ->  告诉我[深圳](location)[今天](weather_time)的天气。 深圳在下周一的天气是未知。 Your input ->  告诉我[深圳](location)[今天](weather_time)的天气。 深圳在下周一的天气是未知。 Your input ->  [北京](location)[明天](weather_time)的天气怎么样？ 北京在明天的天气是晴朗。 Your input ->  告诉我[深圳](location)[今天](weather_time)的天气。 深圳在明天的天气是未知。

 现在有个问题就是时间weather_time的提取有错误。

8.其他

8.1 查看 Rasa NLU 提取的实体

运行 Rasa 在 shell 模式下，并观察其如何从句子中提取实体。这可以通过以下命令完成：

?

1	rasa shell nlu

 在该模式下，输入句子，并注意Rasa如何提取实体。这将为您提供关于哪些句子或词组可能导致问题的直观了解。

8.2 Interactive Learning

通过 Rasa 的交互式学习模式进行对话，它允许您在对话中更正任何实体或意图识别的错误。这不仅可以帮助您识别问题的根源，而且还可以创建更多的训练数据来改善模型的性能。可以使用以下命令启动交互式学习：

?

1	rasa interactive

 8.3 config.yml

针对中文文本，我们需要使用一个可以处理中文分词的组件。以下是一个针对中文配置的 config.yml 文件：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

version: "3.0"   language: zh   pipeline: - name: "JiebaTokenizer" - name: "LexicalSyntacticFeaturizer" - name: "CountVectorsFeaturizer" - name: "CountVectorsFeaturizer"   analyzer: "char_wb"   min_ngram: 1   max_ngram: 4 - name: "DIETClassifier"   epochs: 100 - name: "EntitySynonymMapper" - name: "ResponseSelector"   epochs: 100   policies: - name: "MemoizationPolicy" - name: "TEDPolicy"   max_history: 5   epochs: 100 - name: "RulePolicy"

注意事项：

• 使用了 JiebaTokenizer 进行中文分词。在使用之前，你可能需要安装 jieba：pip install jieba。

• 为了捕获中文字符的模式，CountVectorsFeaturizer 有两次定义：一次是基于词，另一次是基于字符的 n-gram。

• 策略（policies）定义了机器人的对话管理行为。这里的配置使用了 MemoizationPolicy（记忆策略）、TEDPolicy（Transformer Embedding Dialogue策略）和 RulePolicy（规则策略）。

确保你已经安装了Rasa和其他必要的依赖，并确保其与你的Rasa版本兼容。