配置过程

简单的参考官网来进行环境配置，这里使用python3.7环境，通过使用命令pip install rasa来配置rasa；再通过rasa init --no-prompt命令生成基本的项目结构

项目结构解析

文件/文件夹	含义
init.py	空文件
actions.py	可以自定义的actions代码
config.yml	Rasa NLU和Rasa Core的配置文件
credentials.yml	定义和其他服务连接的一些细节
data/nlu.md	Rasa NLU的训练数据
data/stories.md	Rasa stories数据
domain.yml	Rasa domain文件
endpoints.yml	和外部消息服务对接的endpoints配置
models/.tar.gz	训练模型数据

NLU模型

查看项目中的.nlu文件，首先NLU表示的是Natural Language Understanding，它的作用就是将用户自然语言信息转换为结构化的数据。也就是通过提供训练的样本来告诉rasa模型应该如何去理解用户的消息，然后根据这些样本来训练模型。下图展示的是根据rasa初始化生成的nlu.md文件内容

其中以##开头的表示的是用户的意图，下面是一组具有相同含义的名词的集合。Rasa的任务就是在用户输入新的消息时也能预测出正确的意图。

Policies选择

rasa.core.policies.Policy类主要是用来在每一次对话后决定采取哪一种action；一般来说都会有多个策略可供选择，默认情况下，代理最多可以在每个用户消息之后预测10个下一步操作。要更新此值，可以将环境变量MAX NUMBER OF prediction设置为所需的最大预测数。

policies:

• name: “KerasPolicy”
  featurizer:
  • name: MaxHistoryTrackerFeaturizer
    max_history: 5
    state_featurizer:
    • name: BinarySingleStateFeaturizer
• name: “MemoizationPolicy”
  max_history: 5
• name: “FallbackPolicy”
  nlu_threshold: 0.4
  core_threshold: 0.3
  fallback_action_name: “my_fallback_action”
• name: “path.to.your.policy.class”
  arg1: “…”

1、max_history
rasa核心的策略的一个重要的超参数即为max_history，它代表了模型将会根据多少条历史的对话来决定下一个action的选择。

* out_of_scope
   - utter_default
* out_of_scope
   - utter_default
* out_of_scope
   - utter_help_message

类似于上述的方式，将max_history设置为4，当用户出现了多次意外的输入情况，就可以通过设置max_history来实现不同的相应结果。
但是当该值继续增大时，会导致模型的体量以及训练时间大大增加。如果确实有一些内容会影响到较为远的时间，可以通过将其设置为slot，Slot对于特征提取是永远有效的。
2、Data Augmentation
–数据集扩充处理

# thanks
* thankyou
   - utter_youarewelcome

# bye
* goodbye
   - utter_goodbye

当你使用的数据集为以上形式时，默认情况下，rasa会将故事文件中的片段进行随机的拼接形成更长的故事。
如果需要避免在故事之间不相关时忽略对话的历史过程，而只是针对问题进行特定的回答，可以通过设置–augmentation标志来实现。
3、Action Selection
以下策略，数字越大的优先级越高

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

Keras Policy

这里主要就是通过使用神经网络模型来决定下一步的action的选择。默认的模型采用的是LSTM，支持自定义；

Embedding Policy 重新命名为 TED Policy

Mapping Policy

直接通过映射来获取action。
例如：

intents:
 - ask_is_bot:
     triggers: action_is_bot

一个意图最多支持一个action的映射，当机器人收到触发的意图时就会调用对应的action。
此外，如果你不想让这种映射关系影响到对话历史，那么action的设计应当返回一个UserUtteranceReverted()事件，这样做能够删除掉用户的最后一条消息。这也意味着不要把这种intent-action写到故事文件中。

Memoization Policy

MemoizationPolicy只是在您的训练数据中存储对话。 如果训练数据中存在此确切对话，则它会以置信度1.0预测下一个动作，否则会以置信度0.0预测无。

Form Policy

是MemoizationPolicy的一个拓展。

Augmented Memoization Policy

Fallback Policy

这个应该就是一种缺省的策略。

policies:
  - name: "FallbackPolicy"
    nlu_threshold: 0.3
    ambiguity_threshold: 0.1
    core_threshold: 0.3
    fallback_action_name: 'action_default_fallback'

Two-Stage Fallback Policy