Rasa学习笔记2--Rasa Core

作者: ColdCoder | 来源:发表于2019-11-06 15:56 被阅读0次

[TOC]

Rasa学习笔记2--Rasa Core

1. 概念介绍

首先引出Rasa的设计理念：
Learning from real conversations is more important than designing hypothetical ones，我觉得这是非常重要的事情，我们在构建自己的bot的时候，我们往往想绞尽脑汁来排列组合出各种意图的story，但是在实际应用中，我们发现不管我们的story库有多丰富，还是会有大量的unhappy path无法处理，所以我们应该想方设法从真实的对话中来抽象sotry。

1.1 Stories

sotry就是Rasa用来训练对话管理模型的数据集。格式如下：*开头的表示某一轮用户输入的intent和slot信息。-开头的表示分配给bot对应的action。

## greet + location/price + cuisine + num people    <!-- name of the story - just for debugging -->
* greet
   - action_ask_howcanhelp
* inform{"location": "rome", "price": "cheap"}  <!-- user utterance, in format intent{entities} -->
   - action_on_it
   - action_ask_cuisine
* inform{"cuisine": "spanish"}
   - action_ask_numpeople        <!-- action that the bot should execute -->
* inform{"people": "six"}
   - action_ack_dosearch

1.2 Domains

定义了整个系统需要操作的所有元素，包括：intent,slot,entity,template,actions。

1.3 Actions

定了了bot具体执行动作。在Rasa中定了四种action，包括：

Utterance actions，直接返回template中定义的话术。
Retrieval actions，闲聊（small talk）和FAQ(small questions)的方式。
Custom actions，用户自定义。用户自定义的action，需要发布action server,然后通过HTTP请求来获取执行action的答案。
Defailt actions,比如：action_listen, action_restart, action_default_fallback等

1.4 Policies

所谓policy就是bot在对话中的每一步决定要执行哪一个action。我们可以在config.yml中配置多个policies，Agent会根据policy的执行优先级来选择最终的action。
Max_history ，bot再决定action时会向前考虑的对话轮数。
Data Augmentation，在训练模型是，Rasa会从stories.md中随机取出sotry拼接一起看作一个story，用来做数据扩充。

agent决定action的一般原则是选择这些policy给的得分最大的action，但是当两个policy给出了相同的最高得分，这时候就需要根据policy的priority来下决定采取哪一个policy的结果。在Rasa中推荐的设置是：

5. FormPolicy
4. FallbackPolicy and TwoStageFallbackPolicy
3. MemoizationPolicy and AugmentedMemoizationPolicy
2. MappingPolicy
1. EmbeddingPolicy, KerasPolicy, and SklearnPolicy

1.4.1 KarasPolicy

构造训练数据和模型输入：

对于每个story，会先封装成一个TrackerWithCachedStates对象实例，里面包括：
sender_id: story标识
_states: 这个story可以生成的所有对话状态的组合,内容是[最大max_history的状态+一下个状态]
domain
slots，此story包含的slots和值
latest_message，
latest_action_name，
latest_bot_utterance，
event,包括ActionExcuted,UserUttered,SlotSet等,封装domain中的所有内容
等
构造对话状态与预测action
分别是：trackers_as_states和trackers_as_actions，他们是一一对应的关系，去重之后会有n个组合。其中：
trackers_as_states，所有max_history状态的组合，比如：

trackers_as_actions，预测的action，比如对应上面005：
将上述结果编码，构造模型输入X，Y
X：shape(n, max_history, feature_num),其中feature_num=envent的数量，使用one-hot编码，为1的位置，表示当前state的Event。因为Event的定义就是用来描述对话中的所有内容。

Y: shape(n, actins_num)，因为policy只预测action，所以Y的one-hot用来表示预测的actin来。

1.4.2 Embedding Policy (Transformer Embedding Dialogue Policy)

1.5 Forms

现看一个使用Form实现的对话情形：

所谓form就是slot filling，是我们在实现任务型对话的一般思路，及：首先定义一些必须槽位，每个槽位会构建一个反问话术，然后bot会顺序反问用户，收集信息，直到填满所有槽位。FormAction就是来实现这个功能。

名词解释：happy path，就是指你问用户什么信息，用户就配个回答给bot这个信息。

比如下面这个happy path:

## happy path
* greet
    - utter_greet
* request_restaurant
    - restaurant_form
    - form{"name": "restaurant_form"}
    - form{"name": null}
    - utter_slots_values
* thankyou
    - utter_noworries

当用户意图是request_restaurant，bot会接着执行restaurant_form action。form{"name": "restaurant_form"}会激活这个form，form{"name": null}会关闭这个form。对于unhappy path的情形，bot可以执行任意其他的action，只要这个form还是active的。

我们可以使用Rasa提供的sdk来定制自己的FormAction，需要实现下面三个方法：

name(),aciton的名字

required_slots()，列出来所有必须的槽位

submit()方法，当所有槽位被填充，此action产生的结果或者执行的动作。

一旦form action被激活，FormPolicy会对应的被激活，FormPolicy非常简单，它预测的一下个动作永远还是form action。

定制化slot mapping
有时候我们填充槽位不一定只是用抽取到的slot value，也可以是多种形式的回答。比如当bot问:"您是要坐在外面吗？"，用户可能的回答有：“是的”/"不是"/“我更喜欢坐在里面”。这几个回答都是不同的意图或者是相同实体中的其他value，但却都是正确的回答，所以，我们要将这些答案mapping到这一轮的槽位上。
FormAction可以支持将yes/no以或者自由文本映射到slot中,只需要实现slot_mappings()方法。

def slot_mappings(self):
    # type: () -> Dict[Text: Union[Dict, List[Dict]]]
    return { "outdoor_seating": [self.from_entity(entity="seating"),
                      self.from_intent(intent='affirm', value=True),
                      self.from_intent(intent='deny', value=False)]}

如上所示，我们将所有mapping策略函数封装在list中，赋值给目的槽位"outdoor_seating"。详细来讲：

from_entity，将抽取出来的"seating"(seating表示实体)的value填充到outdoor_seating
from_intent，如果识别的意图是affirm，True填充到outdoor_seating，反之，False填充到outdoor_seating。
还有其他的复制策略函数，from_trigger_intent，from_text。

slot value validation
有时候我们需要对用户输入的slot value进行个性化的确认，我们可以在FormAction中使用 validate_{slot-name} 方法来实现。当然，我们也可以在validate的过程中来终止form，即放validate方法返回self.deactivate()，或者重新反问。

处理unhappy path
在FormAction执行过程中，如果用户不配合，比如：问其他问题、闲聊或者改变了主意，这时候form会引起ActionExecutionRejection，所以，你需要采取措施不让这种情形产生。比如，
处理闲聊情形的story如下：

## chitchat
* request_restaurant
    - restaurant_form
    - form{"name": "restaurant_form"}
* chitchat
    - utter_chitchat
    - restaurant_form
    - form{"name": null}

当用户改变注意，不在询问最初的需求，这时候bot就不能继续询问最初form的槽位。便可以使用action_deactivate_form来关闭此form：

## chitchat
* request_restaurant
    - restaurant_form
    - form{"name": "restaurant_form"}
* stop
    - utter_ask_continue
* deny
    - action_deactivate_form
    - form{"name": null}

处理待条件的slot的逻辑
这个功能是为了让对话更加灵活和有个性化，比如某个人回答要吃希腊菜，bot可以反问他是不是需要露天的座位。可以在FormAction中通过required_slots()来实现：

@staticmethod
def required_slots(tracker) -> List[Text]:
   """A list of required slots that the form has to fill"""

   if tracker.get_slot('cuisine') == 'greek':
     return ["cuisine", "num_people", "outdoor_seating",
             "preferences", "feedback"]
   else:
     return ["cuisine", "num_people",
             "preferences", "feedback"]

1.6 检索动作（retrieval action）

这个是Rasa在实验的新功能，主要作用是为了在解决闲聊（small talk）和Faq(simple question)问题时，可以简化构建story，因为这些都是单轮的对话，可以尝试通过一个aciton解决掉。

比如，我们可以不在使用下面这些story：

## weather
* ask_weather
   - utter_ask_weather

## introduction
* ask_name
   - utter_introduce_myself

...

而是用一个chitchat意图来将上面所有意图包装起来：

## chitchat
* chitchat
   - respond_chitchat

然后retrival action使用NLU组件中的response selector模型来学习和预测结果。

训练数据

准备NLU训练数据：

## intent: chitchat/ask_name
- what's your name
- who are you?
- what are you called?

## intent: chitchat/ask_weather
- how's weather?
- is it sunny where you are?

首先所有上面的sample将被放在一起用来训练意图识别模型用来预测chitchat类别。然后通过一个'/'符号来分隔出来的后缀就是对应的答案，将作为训练模型的label，这其实就是一个问题-答案的qq模型。

然后，在另外一个response.md文件中准备response语料：

## ask name
* chitchat/ask_name
    - my name is Sara, Rasa's documentation bot!
    
## ask weather
* chitchat/ask_weather
    - it's always sunny where I live

1.7 interactive actions

1.8 Fallback Action

当NLU得分低于某个阈值或者policy预测低于某个阈值，需要进行对话回退，也就是尝试让用户重新表达。有下面两种用法：

使用FallbackPolicy：

policies:
 - name: "FallbackPolicy"
    nlu_threshold: 0.4
    core_threshold: 0.3
    fallback_action_name: "action_default_fallback"

action_default_fallback这个action会对应执行模板中定义的utter_default来反问客户。

使用TwoStageFallbackPolicy：

policies:
 - name: TwoStageFallbackPolicy
    nlu_threshold: 0.3
    core_threshold: 0.3
    fallback_core_action_name: "action_default_fallback"
    fallback_nlu_action_name: "action_default_fallback"
    deny_suggestion_intent_name: "out_of_scope"

当用户输入低于nlu阈值，TwoStageFallbackPolicy会采用多个阶段来处理：

如果用户输入低于nlu阈值，bot执行 action_default_ask_affirmation让用户确认输入：如果用户说yes，则把输入看作大于阈值的输入, sotry继续。如果用户否认，让用户重新输入。
执行action_default_ask_rephrase让用户重新输入：如果用户用户重新输入的句子大于阈值，则sotry继续。如果用户输入再一次低于阈值，再次让用户确定意图。
执行action_default_ask_affirmation让用户二次确认：如果用户确认，则story继续。如果用户否认，用户输入会被认定为'deny_suggestion_intent_name',就会执行最终的召回动作fallback_nlu_action_name（比如转人工）。

1.8 Knowledge Base Actions

目前Rasa使用这个action主要解决两个问题：

当用户需要具体问某个实体的信息和属性
解决指代问题
如下面这个例子：

1.8.1 Knowledge Base

rasa_sdk中提供数据库加载的抽象类：InMemoryKnowledgeBase，直接：knowledge_base = InMemoryKnowledgeBase("knowledge_base_data.json")来构造实例。文档中提供的一个数据库例子如下：

{
    "restaurant": [
        {
            "id": 0,
            "name": "Donath",
            "cuisine": "Italian",
            "outside-seating": true,
            "price-range": "mid-range"
        },
        {
            "id": 1,
            "name": "Berlin Burrito Company",
            "cuisine": "Mexican",
            "outside-seating": false,
            "price-range": "cheap"
        },
        {
            "id": 2,
            "name": "I due forni",
            "cuisine": "Italian",
            "outside-seating": true,
            "price-range": "mid-range"
        }
    ],
    "hotel": [
        {
            "id": 0,
            "name": "Hilton",
            "price-range": "expensive",
            "breakfast-included": true,
            "city": "Berlin",
            "free-wifi": true,
            "star-rating": 5,
            "swimming-pool": true
        },
        {
            "id": 1,
            "name": "Hilton",
            "price-range": "expensive",
            "breakfast-included": true,
            "city": "Frankfurt am Main",
            "free-wifi": true,
            "star-rating": 4,
            "swimming-pool": false
        },
        {
            "id": 2,
            "name": "B&B",
            "price-range": "mid-range",
            "breakfast-included": false,
            "city": "Berlin",
            "free-wifi": false,
            "star-rating": 1,
            "swimming-pool": false
        },
    ]}

这是一个餐馆的数据，其中id和name一般都是要配置的。当然我们也可以定制自己的数据库。

1.8.2 准备NLU data

首先定义一个新的意图query_knowledge_base来表示“查询数据库”的用户意图，然后bot对应的执行``ActionQueryKnowledgeBase `动作，目前rasa中可以解决的两种分类是：1. 列举出用户指定属性的所有对象。2. 用户想知道某个对象的某个属性。对于上述的餐馆领域，可以构造如下的nlu数据：

## intent:query_knowledge_base
- what [restaurants](object_type:restaurant) can you recommend?
- list some [restaurants](object_type:restaurant)
- can you name some [restaurants](object_type:restaurant) please?
- can you show me some [restaurant](object_type:restaurant) options
- list [German](cuisine) [restaurants](object_type:restaurant)
- do you have any [mexican](cuisine) [restaurants](object_type:restaurant)?
- do you know the [price range](attribute:price-range) of [that one](mention)?
- what [cuisine](attribute) is [it](mention)?
- do you know what [cuisine](attribute) the [last one](mention:LAST) has?
- does the [first one](mention:1) have [outside seating](attribute:outside-seating)?
- what is the [price range](attribute:price-range) of [Berlin Burrito Company](restaurant)?
- what about [I due forni](restaurant)?
- can you tell me the [price range](attribute) of [that restaurant](mention)?
- what [cuisine](attribute) do [they](mention) have?
 ...

其中：
object_type: 标注数据库中的某个实体。
mention: 标注指代。
attribute: 数据库中包含的属性。
另外，使用synonyms来将数据中标记的单词映射到数据库中使用的标准格式，比如:'restaurants'->'restaurant'。
上面有提到目前rasa可以解决的两种情景：

从数据库中查询用户指定属性的所有对象。
当用户想要从数据库中查询对象，问句中必须包含某个对象，即'object_type'，同时需要指定某些属性。
比如：
What Italian restaurant options in Berlin do I have?
用户想得到'object_type'='restaurant'，条件是{'cuisine'='Italian'，'city'='Berlin'}，然后action就通过这两个条件来筛选符合的对象。
当然想要解析上面的问句需要如下的标注：
What [Italian](cuisine) [restaurant](object_type) options in [Berlin](city) do I have?.
用户想知道某个对象的某个属性。
这种情形，比如：
What is the cuisine of Berlin Burrito Company?
用户想知道'Berlin Burrito Company'的'cuisine'。需要的标注如下：
What is the [cuisine](attribute) of [Berlin Burrito Company](restaurant)?

1.8.3 解决指代

rasa中定义两种指代，1. 顺序指代(ordinal mentions),比如：'the first one'，2. 普通指代，比如'it'。

顺序指代
在bot输出轮，当给用户是一系列象列，可在解析用户回答的时候，可以使用一个顺序指代映射来解决用户问题中的指代词。这个顺序指代映射需要在KnowledgeBase类中定义：

{
    "1": lambda l: l[0],
    "2": lambda l: l[1],
    "3": lambda l: l[2],
    "4": lambda l: l[3],
    "5": lambda l: l[4],
    "6": lambda l: l[5],
    "7": lambda l: l[6],
    "8": lambda l: l[7],
    "9": lambda l: l[8],
    "10": lambda l: l[9],
    "ANY": lambda l: random.choice(list),
    "LAST": lambda l: l[-1],
}

key就是对应到nlu标注数据中的mention后面的值，比如：does the [first one](mention:1) have [outside seating](attribute:outside-seating)?

普通指代
rasa的处理方案是将上文识最近别到的对象作为指代的对象。
编写ActionQueryKnowledgeBase

2. 代码结构分析和源码学习

DialogueStateTracker 保存对话状态，包括：

Rasa学习笔记2--Rasa Core

Rasa学习笔记2--Rasa Core

1. 概念介绍

1.1 Stories

1.2 Domains

1.3 Actions

1.4 Policies

1.4.1 KarasPolicy

1.4.2 Embedding Policy (Transformer Embedding Dialogue Policy)

1.5 Forms

1.6 检索动作（retrieval action）

1.7 interactive actions

1.8 Fallback Action

1.8 Knowledge Base Actions

1.8.1 Knowledge Base

1.8.2 准备NLU data

1.8.3 解决指代

2. 代码结构分析和源码学习

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

rasa