rasa对话系统踩坑记（七）

如何在rasa-core框架下使用第三方nlu服务

现阶段我们rasa-core都是配合rasa-nlu使用的，但也会有配合使用第三方或者已有的nlu模型的情况，所以这篇分享下如何在rasa-core的框架下使用nlp-architect。具体的代码参见rasa-nlp-architect，这个repo一个月前写的了，只不过弄完之后一直没有用起来，这次就做个总结，不然我估计会忘了。

nlp-architect

nlp-architect是英特尔推出的自然语言开源库，这个库支持很多自然语言处理相关的问题。如下图：

nlp_architect_diag.png
这里我使用了其中的Intent Extraction的功能，nlp-architect库中意图抽取提供了两种模型，分别是mtl和seq2seq。对应的模型如下图：
mtl_model.png enc-dec_model.png

简而言之，mtl模型用的是双向LSTM + CRF实现slot filling，双向LSTM + FC + Softmax实现intent extraction。而seq2seq其实是在提取特征这块进行了替换，将mtl的双向LSTM替换成了seq2seq，其中也加入了attention机制。比较基础就不再赘述。

rasa-nlp-architect

rasa-nlp-architect这个repo是我在nlp-architect基础上改的，为了能够实现提供rasa-core支持的nlu格式数据。

rasa_data文件夹下存放的是训练和测试数据，且都是rasa_nlu格式的训练数据。在rasa_nlu_data.py这段代码中，对rasa_nlu的json格式数据进行了处理。模型训练的代码分别是train_mtl_model.py和train_seq2seq_model.py。查看README可以了解如何训练。

• Train the mtl model

  python train_mtl_model.py --dataset_path rasa_data/rasa_nlu_data/ -b 100 -e 10
  

• Train the seq2seq model

  python train_seq2seq_model.py --dataset_path rasa_data/rasa_nlu_data/ -b 100 -e 10
  

  interactive.py是进行交互式测试的，server.py是提供了一个server让rasa-core进行调用。拿mtl模型举个例子：

• Interactive

  python interactive.py --model_path models/mtl/model.h5 --dataset_path rasa_data/rasa_nlu_data/
  

• Provide a server

  python server.py -m models/mtl/model.h5 -i models/mtl/model_info.dat
  

当你起了一个server后，就可以用rasa-core进行调用。在实现rasa-nlp-architect中，有一个功能点还没做，就是intent ranking，没有给每个intent算概率，现有代码是返回confidence: 1，这个后续需要完善和优化。

rasa-core调用rasa-nlp-architect的server

上面步骤中已经实现了提供nlu的server，接下来就是使用rasa-core进行调用。其实很简单，只需要在endpoints.yml中设置nlu的服务配置，比如：

nlu:
    url: "http:localhost:5000"
    token: 'colin_gao'
    token_name: 'token'

这样rasa-core就可以顺利地调用第三方nlu服务了。如果你用的不是nlp-architect，用的其他也是相同的思路。最终希望的结果是能够提供rasa-core支持的数据格式即可。原创文章，转载请说明出处