基于Python+Flask+rasa的中文任务型对话机器人源码+部署文档+全部数据资料 高分项目.zip

# 基于RASA+Flask框架构建的中文任务型对话机器人 Basic Chatbot using RASA + Flask ## 基本介绍 用新版rasa框架（1.0.3）构建了一个简单的旅游信息咨询对话机器人，该机器人功能如下： 1） 查询给定省份的5A级旅游景点 2) 介绍旅游景点 3）推荐各个省份的特色美食 并结合FLASK做了一个简单的UI界面。 基本环境： python 3.7； rasa 1.0.3 ## 环境配置 安装requirements.txt中列出的包(可能有些没有列出，到时候报错提示缺什么就装什么就好) ``` pip install -r requirements.txt ``` window环境下mitie可能不是很好安装，可以参考 http://rowl1ng.com/%E6%8A%80%E6%9C%AF/chatbot.html ## 文件说明 - data目录下存储训练所需数据，nlu.md是nlu模块的训练数据，story.md是core模块的训练数据，训练采用预训练词向量，total_word_feature_extractor.dat文件较大，需要自己下载放到这个目录下 https://github.com/howl-anderson/MITIE_Chinese_Wikipedia_corpus/releases - models 存放训练完的模型。新版rasa直接一起训练两个模型并打包。之后调用flask ui界面前需要把模型解压缩，形成core和nlu子文件夹 - static UI界面需要的代码 - static ori 初始的比较简单的一个UI界面， 可以忽略 - templates UI界面的模板设置 - actions.py 自定义的机器人动作 - config.yml core模型policy设定和nlu模型pipeline的设定 - domain.yml 定义机器人整体操作环境 - endpoints.yml 运行自定义action需要 - web_config.py, web_forms.py, web_model.py, web_run.py Flask UI界面文件，web_flask_main.py是初始的比较简单的一个界面，可以忽略 - rasa introduction.pptx 学习rasa过程整理的一个ppt，对rasa框架以及这个机器人demo了进行简单介绍 ## 使用说明 ### 模型训练 ``` rasa train ``` ### 终端启用对话 1. 需要在一个终端运行action ``` rasa run actions --actions actions ``` 2. 在另外一个终端运行模型 ``` rasa shell -m models/20190618-115023.tar.gz (your model name) --endpoints endpoints.yml ``` ### 交互式学习 1. 需要在一个终端运行action ``` rasa run actions --actions actions ``` 2. 在另外一个终端运行模型 ``` rasa interactive -m models/20190618-115023.tar.gz (your model name) --endpoints endpoints.yml ``` ### 启用UI界面 1. 需要在一个终端运行action ``` rasa run actions --actions actions ``` 2. 在另外一个终端运行flask ``` python web_run.py ``` 打开给出的url即可开始对话 ## TODO - 增大数据量。 - 增加功能 - 分词、实体识别有待完善，较长的景点名称会出现识别错误。 - 支持在线测试训练 ## note rasa interactive learning的时候之前不定时会遇到一个text wrapper error： invalid width，后来采取的策略是根据报错提示，进到这个函数源码 把对应的判断条件去掉就好了。 网上很多资源都是基于rasa旧的版本，主要差别在于训练模型的命令，之前的是core模型和nlu模型分开训练，以及一些函数名称变更，这些训练的时候会出来提示，问题不是很大 ## 建议学习路径 1. 官方文档： https://rasa.com/docs/ 2. 找一个比较完整的demo对照着学习， 比如我这个hhhh 3. 对于rasa模型pipeline及policy可以看源码， 了解原理 https://github.com/RasaHQ/rasa 4. 自己上手写一个demo， 实践过程逐渐深入 ## 参考资料 官方文档： https://rasa.com/docs/ 源码： https://github.com/RasaHQ/rasa Rasa使用指南01： https://terrifyzhao.github.io/2018/09/17/Rasa%E4%BD%BF%E7%94%A8%E6%8C%87%E5%8D%9701.html Rasa使用指南02： https://terrifyzhao.github.io/2019/02/26/Rasa%E4%BD%BF%E7%94%A8%E6%8C%87%E5%8D%9702.html 用Rasa NLU构建自己的中文NLU系统： http://www.crownpku.com/2017/07/27/%E7%94%A8Rasa_NLU%E6%9E%84%E5%BB%BA%E8%87%AA%E5%B7%B1%E7%9A%84%E4%B8%AD%E6%96%87NLU%E7%B3%BB%E7%BB%9F.html UI界面参考： https://github.com/LutherTeh/Insight_chatbot 医院信息咨询机器人demo： https://github.com/RasaHQ/medicare_locator 中文例子：https://github.com/crownpku/Rasa_NLU_Chi 天气查询机器人：https://github.com/howl-anderson/WeatherBot ## Paper Bocklisch, Tom, et al. "Rasa: Open source language understanding and dialogue management." arXiv preprint arXiv:1712.05181 (2017). （整体介绍, 各个部分使用的方法） J. D.Williams, K. Asadi, and G. Zweig. Hybrid code networks: practical and efficient end-to-end dialog control with supervised and reinforcement learning. arXiv preprint arXiv:1702.03274, 2017. （core管理模块与这篇论文相似， 但添加了一些近些年的方法） Vlasov, Vladimir, Akela Drissner-Schmid, and Alan Nichol. "Few-Shot Generalization Across Dialogue Tasks." arXiv preprint arXiv:1811.11707 (2018). (处理uncooperative user behavior) Williams, Jason D., and Geoffrey Zweig. "End-to-end lstm-based dialog control optimized with supervised and reinforcement learning." arXiv preprint arXiv:1606.01269 (2016).