提问人：Stev Jane 提问时间：11/3/2018 最后编辑：Hack-RStev Jane 更新时间：5/28/2023 访问量：1299
使用 Rasa 映射大型数据集的常见问题解答 （2000+）
Mapping FAQ with Rasa for large dataset (2000+)
问：
RASA 由 Rasa NLU + Core 组成，我已经测试过了，我了解它的某些部分。我试着把它放到样本实践中，它工作得很好。
我计划将其提升到一个新的水平，我希望在“tensorflow”后端的帮助下创建一个基于 RASA 堆栈的 FAQ 系统。
我得到了超过1200 +对问题和答案。首先，NLU 将负责理解和分类意图以及实体提取。
其次，它将 JSON 响应传递给 Rasa 核心，其中 Answers 将映射或响应回用户。这听起来很简单，但是当我去检查Rasa时，它给出了一些不同的东西。通常，RASA 核心会根据预定义的故事以及 ==> “utter_” 来响应用户。预定义的故事很好，但仅适用于少量数据集。我们必须手动编写它。
当数据集或基于知识的数据集越来越大（例如1000+或5000+）时如何处理，我们无法手动映射它。我试着环顾四周，但还没有找到任何合适的方法来处理它。
以前，我使用[检索模型] sklearn TfidfVectorizer作为单词袋以及余弦相似度来比较并返回最相似的问题索引，当找到索引时，答案会根据索引进行选择，但这种解决方案是无效的，因为意义会丢失，问题更多。
有人对此有很好的解决方案吗？
答：
6赞
Tobias
11/9/2018
#1
首先，我想向实际架构澄清一下：
- 用户向聊天机器人发送消息
- Rasa Core 获取这些消息并将它们传递给 Rasa NLU，后者进行意图识别（了解用户的目标）并从输入中提取实体
- 根据对话的公认意图、实体和历史记录，Rasa Core 预测机器人的下一步操作
在你的情况下（FAQ机器人，很多问题），你可以尝试以下方法，这将导致相对简单的故事：
## User asks for price
* ask_location{"place": "a entity which is extracted by NLU}
- action_utter_place
# User asks for location
* ask_price{"item": "a entity which is extracted by NLU}
- action_utter_price
[...]
当然，我会添加更多路径，例如，如果用户对 anwer 不满意，或者用户尝试与您的聊天机器人闲聊等。
在下一步中，我将提供 NLU 训练数据中所有可能的问题，并根据问题的内容提取不同的实体。例如：
## intent:ask_location
- Where is the [cinema](place)
- How do I get to the next [supermarket](place)
- What's the closest [doctor](place)
## intent:ask_price
- How much is it
- What does it cost
- How much is a [ticket](item) for the [cinema](place)
总而言之，我不会对每个问题做一个意图，而是将几个问题分组到一个意图中，然后提取实体，将其缩小到具体问题。
然后，您可以使用 CMS 生成答案或自定义操作。然后，根据提取的实体（例如地点和项目），您可以查询数据库并生成答案。
评论
0赞
Manuel Rodriguez
11/10/2018
答案是使用 RASA 框架创建基于模板的聊天机器人。它通过交互工作，这意味着发生了信号游戏。缺少的是扎根的语法。也就是说，这是一个可用的主题的本体论，以及它们如何组合在一起。例如，关于超市的问题是位置问题的子问题。
0赞
Thusitha
9/14/2020
#2
我不完全确定你在这里说的是什么意思.对于单回合问题/答案，官方 Rasa 方法是按照您的建议使用检索操作。我们发现这有点麻烦，所以我们在 Universal Encoder 嵌入之上实现了一个简单的分类器。 *but this kind of solution is not effective since the meaning will lost and much more problem.*
即机器人有一个意图，在该意图下，所有 ~1000 个单轮问题都被分组。所有这些都映射到一个动作。在操作中，我们专门为这 ~1000 个问题构建的辅助分类器将用于推断正确的响应 ID。内部数据库将包含响应文本（可以根据业务用户的需要进行更改，而无需更改模型）。ask_faqaction_answer_faq
评论