Question

RASA是由RASA NLU + Core组成的，我已经测试过，了解一些有关它的内容。我尝试将其放入示例实践中，并且它的工作原理是完美的。

我计划将其带入下一个级别，我希望借助“ tensorflow”后端创建基于RASA堆栈的FAQ系统。

我获得了1200多对问题和答案。首先，NLU将负责理解和分类意图以及实体提取。第二，它将json响应传递到RASA core，Answers将映射或响应给用户。听起来很简单，但是在我去检查一下RASA时，它给出了一些不同的东西。通常，RASA核心将根据预定义的故事以及==>“ utter_”响应用户。预定义的故事很好，但仅适用于少量数据集。我们必须手动编写。

当数据集或基于知识库的内容越来越大（例如1000+或5000+）时，如何处理，我们无法手动进行映射。我尝试环顾四周，但找不到任何合适的方法来解决它。

以前，我使用[Retrieval Model] Sklean Tfidf-vectorizer作为单词袋以及consine-similairy来比较并返回最相似的问题索引，当找到索引时Answer将基于索引进行选择，但是这种解决方案是无效的，因为含义会丢失，还会带来更多问题。

任何人对此都有很好的解决方案？

谢谢

Answer 1

首先，我想澄清一下实际架构：

用户将其消息发送到聊天机器人
Rasa Core拾取这些消息并将其传递给Rasa NLU，后者进行意图识别（理解用户的目标）并从输入中提取实体
根据公认的意图，实体和对话历史记录，Rasa Core会预测机器人的下一步操作

在您的情况下（FAQ机器人，很多问题），您可以尝试以下操作，从而得出相对简单的故事：

## User asks for price
* ask_location{"place": "a entity which is extracted by NLU}
  - action_utter_place

# User asks for location
* ask_price{"item": "a entity which is extracted by NLU}
  - action_utter_price

[...]

当然，我会添加更多路径，例如如果用户对答案不满意，或者用户尝试与您的等闲聊。

在下一步中，我将在您的NLU训练数据中提供所有可能的问题，并根据问题所在提取不同的实体。例如：

## intent:ask_location
- Where is the [cinema](place)
- How do I get to the next [supermarket](place)
- What's the closest [doctor](place)

## intent:ask_price
- How much is it
- What does it cost
- How much is a [ticket](item) for the [cinema](place)

总而言之，我不会对每个问题做一个意图，而是将几个问题归为一个意图，然后提取实体，将其缩小为具体问题。

然后可以使用CMS生成答案，也可以使用custom actions。然后，根据提取的实体（例如 place 和 item ），您可以查询数据库并生成答案。

Answer 2

我不确定您说 *but this kind of solution is not effective since the meaning will lost and much more problem.*在这里的意思。对于单回合问题/答案，官方Rasa方法将是按照您的建议使用检索操作。我们发现这有点麻烦，并且在通用编码器嵌入的基础上实现了一个简单的分类器。

即该机器人具有ask_faq意图，可以将所有〜1000个单匝问题分组。所有这些都映射到动作action_answer_faq。在行动中，我们专门针对这〜1000个问题构建的二级分类器将用于推断正确的响应ID。内部数据库将包含响应文本（可以根据业务用户的需要进行更改，而无需更改模型）。

大型数据集（2000+）的RASA映射常见问题解答

2 个答案: