Chatbot Dev

使用 Rasa 构建支持中文的聊天机器人

  • January 8, 2025

本指南将向您介绍如何使用 Rasa 构建支持中文的聊天机器人，并将其应用于“Big Camera”这样的 IT 小工具商店，以支持相机销售管理。

第 1 步：安装 Rasa

确保已安装 Python，然后使用 pip 安装 Rasa：

pip install rasa

第 2 步：初始化新 Rasa 项目

创建一个新的 Rasa 项目：

相关服务

rasa init --no-prompt

此命令将生成一个默认的项目结构。

第 3 步：添加中文支持

修改 config.yml 文件以支持中文。使用能够有效处理中文的分词器和流水线。例如：

language: zh
pipeline:
  - name: "JiebaTokenizer"
  - name: "RegexFeaturizer"
  - name: "LexicalSyntacticFeaturizer"
  - name: "CountVectorsFeaturizer"
    analyzer: "word"
  - name: "CountVectorsFeaturizer"
    analyzer: "char_wb"
    min_ngram: 1
    max_ngram: 4
  - name: "DIETClassifier"
    epochs: 100
  - name: "EntitySynonymMapper"
  - name: "ResponseSelector"
    epochs: 100
  - name: "FallbackClassifier"
    threshold: 0.3

第 4 步：定义意图和响应

在 domain.yml 文件中定义与相机销售相关的意图和响应。例如：

intents:
  - greet
  - ask_discount
  - ask_camera_features
  - check_stock
  - thank_you

responses:
  utter_greet:
    - text: 您好！欢迎来到 Big Camera 的聊天机器人！

  utter_ask_discount:
    - text: 这款相机目前有特价！您对哪一款感兴趣呢？

  utter_ask_camera_features:
    - text: 请告诉我们您需要的相机功能：高清？长焦？我们将为您推荐合适的型号！

  utter_check_stock:
    - text: 请告诉我们您需要的型号，我们将为您查询库存。

  utter_thank_you:
    - text: 谢谢！如果您有其他问题，请随时联系。

第 5 步：创建训练数据

在 data/nlu.yml 文件中添加中文训练示例：

version: "3.0"
nlu:
  - intent: greet
    examples: |
      - 你好
      - 您好

  - intent: ask_discount
    examples: |
      - 有什么优惠吗？
      - 这款相机有折扣吗？

  - intent: ask_camera_features
    examples: |
      - 这款相机有什么特点？
      - 我想要一款高清的相机

  - intent: check_stock
    examples: |
      - 这款有货吗？
      - 请帮我查一下库存

  - intent: thank_you
    examples: |
      - 谢谢
      - 非常感谢

第 6 步：创建自定义动作

在 actions/actions.py 文件中定义一个查询库存的自定义动作：

from typing import Any, Text, Dict, List
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionCheckStock(Action):

    def name(self) -> Text:
        return "action_check_stock"

    def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:

        # 示例库存数据
        stock_data = {
            "camera_x": "有库存",
            "camera_y": "无库存",
        }

        model = tracker.get_slot("camera_model")
        if model in stock_data:
            stock_status = stock_data[model]
            response = f"型号 {model} 的库存状态：{stock_status}"
        else:
            response = "未找到您指定的型号。"

        dispatcher.utter_message(text=response)
        return []

更新 domain.yml 文件以包括自定义动作和相机型号的槽位：

actions:
  - action_check_stock

slots:
  camera_model:
    type: text

更新 utter_check_stock 响应，以在未提供型号时提示用户：

responses:
  utter_check_stock:
    - text: 请告诉我们您需要查询的相机型号。

第 7 步：更新故事

在 data/stories.yml 中添加查询库存的故事：

version: "3.0"
stories:
  - story: Check Stock
    steps:
      - intent: check_stock
      - action: utter_check_stock
      - slot_was_set:
          - camera_model: "camera_x"
      - action: action_check_stock

第 8 步：测试聊天机器人

使用以下命令运行聊天机器人：

rasa train
rasa shell

通过输入中文示例测试聊天机器人的功能。

第 9 步：部署聊天机器人

考虑使用 Rasa X 或集成到 Web 界面进行部署。确保用户可以通过网站或社交媒体访问聊天机器人。

第 10 步：持续改进

分析聊天机器人的性能，优化训练数据，并改进模型以更好地处理用户的多样化查询。

相关文章

阅读全部文章 →

Rasa 工作流程

以下是 Rasa 工作流程的 MermaidJS 图示：

graph TD
    User[用户输入] -->|发送消息| NLU[NLU 流水线]
    NLU -->|识别意图和实体| Core[Rasa Core]
    Core -->|根据策略执行| Action[动作服务器]
    Action -->|执行自定义动作或响应| Bot[机器人响应]
    Bot -->|回复用户| User
    subgraph Rasa 系统
        NLU
        Core
        Action
    end

通过这些步骤，您可以创建一个支持中文的 Rasa 聊天机器人，用于管理和推广 Big Camera 或其他 IT 小工具商店的相机销售。

最新文章