Rasa 3.1 机器学习二构建槽值对话

这篇具有很好参考价值的文章主要介绍了Rasa 3.1 机器学习二构建槽值对话。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1、控制请求(domain.yml)

version: "3.1"
intents:
  - hello
entities:
  - medicinname
  - wherehome

actions:
  - action_medicin_form_submit

slots:
  medicinname:
    type: text
    influence_conversation: false
    mappings:
      - type: from_entity
        entity: medicinname
        intent: haveb
        conditions:
          - active_loop: medicin_form
            requested_slot: medicinname
          - active_loop: null
  wherehome:
    type: text
    influence_conversation: false
    mappings:
      - type: from_entity
        entity: wherehome
        intent: howdo
        conditions:
          - active_loop: medicin_form
            requested_slot: wherehome
          - active_loop: null

session_config:
  session_expiration_time: 60
  carry_over_slots_to_new_session: true

2、规则制定(rules.yml)

version: "3.1"
rules:
  - rule: haveb
    steps:
      - intent: haveb
      - action: action_medicin_form_submit

3、故事编写(stories.yml)

version: "3.1"
stories:
  - story: haveb
    steps:
      - intent: haveb
      - action: action_medicin_form_submit

4、训练对话数据模板(nlu.yml)

version: "3.1"
nlu:
  - intent: hello
    examples: |
      - 早
      - 你好
      - hi
      - hello
  - intent: haveb
    examples: |
      - [人参](medicinname)主治什么
      - [人参](medicinname)
      - [人参](medicinname)有什么功效
      - [枸杞](medicinname)主治什么
      - [枸杞](medicinname)
      - [枸杞](medicinname)有什么功效
  - intent: howdo
    examples: |
      - [湖北](wherehome)
      - [湖南](wherehome)
      - [河南](wherehome)
      - [河北](wherehome)

5、action响应(action.py)

5-1、form表单校验
class ValidateRestaurantForm(FormValidationAction):
    def name(self) -> Text:
        return "validate_medicin_form"

    async def extract_medicinname(
            self, dispatcher: CollectingDispatcher, tracker: Tracker, domain: Dict
    ) -> Dict[Text, Any]:
        text_of_last_user_message = tracker.latest_message.get("text")
        return {"medicinname":tracker.get_slot('medicinname')}


    def validate_medicinname(
            self,
            value: Text,
            dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any],
    ) -> Dict[Text, Any]:
        return {"medicinname":value}


    async def extract_wherehome(
            self, dispatcher: CollectingDispatcher, tracker: Tracker, domain: Dict
    ) -> Dict[Text, Any]:
        text_of_last_user_message = tracker.latest_message.get("text")
        return {"wherehome":tracker.get_slot('wherehome')}


    def validate_wherehome(
            self,
            value: Text,
            dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any],
    ) -> Dict[Text, Any]:
        return {"wherehome":value}

    async def required_slots(
            self,
            slots_mapped_in_domain: List[Text],
            dispatcher: "CollectingDispatcher",
            tracker: "Tracker",
            domain: "DomainDict",
    ) -> Optional[List[Text]]:
        additional_slots = ["wherehome"]
        if tracker.slots.get("wherehome") is True:
            additional_slots.append("shade_or_sun")

        return additional_slots + slots_mapped_in_domain
5-2、Action控制
class AskForSlotAction(Action):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

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

    @staticmethod
    def fetch_slots(tracker: Tracker) -> List[EventType]:
        slots = []
        value = tracker.get_slot("medicinname")
        for key in ("medicinname"):
            print(key)
            value = tracker.get_slot(key)
            if value is not None:
                slots.append(SlotSet(key=key, value=value))
        return slots

    def run(self, dispatcher, tracker, domain):
        medicinname =tracker.get_slot("medicinname")
        wherehome =tracker.get_slot("wherehome")
        print('medicinname=%s,wherehome=%s'%(medicinname,wherehome))

        events = [SessionStarted()]
        events.append(ActionExecuted("action_listen"))
        if medicinname is not None:
            if wherehome is  None:
                text= medicinname
                requesturl="http://xxxxx/medicine/answer?name="+text
                data =requests.get(requesturl,headers=self.headers)
                content = data.content.decode()
                result = json.loads(content).get('result')
                dispatcher.utter_message(text=result)
                return []

        text= wherehome+medicinname
        requesturl="http://xxxxx/medicine/answer?name="+text
        data =requests.get(requesturl,headers=self.headers)
        content = data.content.decode()
        result = json.loads(content).get('result')
        dispatcher.utter_message(text=result)
        return []

文章来源地址https://www.toymoban.com/news/detail-697127.html

到了这里,关于Rasa 3.1 机器学习二构建槽值对话的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 竞赛选题 题目:基于深度学习的中文对话问答机器人

    🔥 优质竞赛项目系列,今天要分享的是 基于深度学习的中文对话问答机器人 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 整个项目分为 数据清洗 和 建立模型两个部分。 (1)主要定义了seq2seq这样

    2024年02月04日
    浏览(42)
  • 计算机设计大赛 题目:基于深度学习的中文对话问答机器人

    🔥 优质竞赛项目系列,今天要分享的是 基于深度学习的中文对话问答机器人 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 整个项目分为 数据清洗 和 建立模型两个部分。 (1)主要定义了seq2seq这样

    2024年04月12日
    浏览(236)
  • 《动手学深度学习(PyTorch版)》笔记3.1

    3.1.1 Basic Concepts 我们通常使用 n n n 来表示数据集中的样本数。对索引为 i i i 的样本,其输入表示为 x ( i ) = [ x 1 ( i ) , x 2 ( i ) , . . . , x n ( i ) ] ⊤ mathbf{x}^{(i)} = [x_1^{(i)}, x_2^{(i)},...,x_n^{(i)}]^top x ( i ) = [ x 1 ( i ) ​ , x 2 ( i ) ​ , ... , x n ( i ) ​ ] ⊤ ,其对应的标签是 y ( i ) y^{(

    2024年01月25日
    浏览(42)
  • PyToch 深度学习 || 3. 卷积神经网络 | 3.1 深度学习中的卷积操作

    加权求和是一种非常重要的运算,可以整合局部数字特征进而是提取局部信息的重要手段。这种加权求和的形式被称作卷积或者滤波,对于两个信号 f ( x

    2024年02月15日
    浏览(32)
  • 探索微软BotBuilder Tools:构建智能对话机器人的强大助手

    项目地址:https://gitcode.com/microsoft/botbuilder-tools 微软BotBuilder Tools是一个开源项目,提供了丰富的命令行工具,旨在简化和加速聊天机器人(Chatbot)的开发流程。这些工具可以帮助开发者构建、测试、部署和管理高度交互式和智能化的对话系统,用于各种平台和服务,如Microso

    2024年04月25日
    浏览(37)
  • “做了一辈子机器人,深知其困难” | 一场关于机器人的深度对话

    2023年12月19日,深圳市美团机器人研究院学术年会在清华大学深圳国际研究生院成功举办。会议回顾了研究院成立一年来的进展和成果,并邀请了各界专家共同讨论机器人技术的未来发展趋势。 从左至右依次为:张鹏、王田苗、张宏、张建伟、汪玉、许华哲 在圆桌论坛环节,

    2024年02月02日
    浏览(55)
  • 吴恩达深度学习笔记:浅层神经网络(Shallow neural networks)3.1-3.5

    3.1 神经网络概述(Neural Network Overview) 本周你将学习如何实现一个神经网络。在我们深入学习具体技术之前,我希望快速的带你预览一下本周你将会学到的东西。如果这个视频中的某些细节你没有看懂你也不用担心,我们将在后面的几个视频中深入讨论技术细节。 现在我们

    2024年03月23日
    浏览(39)
  • 基于问答算法的对话系统与深度学习

    作者:禅与计算机程序设计艺术 1.1. 背景介绍 随着人工智能技术的快速发展,自然语言处理(NLP)和机器学习(ML)领域的研究也越来越受到关注。在NLP中,问答系统(Question Answering, QA)作为一种重要的应用形式,在智能客服、科技咨询等领域具有广泛的应用前景。而深度学

    2024年02月07日
    浏览(39)
  • Rasa 3.x 学习系列-Rasa [3.5.4] -2023-04-05新版本发布

    Rasa 3.x 学习系列-Rasa [3.5.4] -2023-04-05新版本发布 Rasa Pro 3.5 中引入的两项新功能将帮助您更好地测试和保护您的 AI 助手:端到端测试和机密管理。 通过全面的验收和集成测试评估 AI 助手的性能。我们易于更新的端到端测试可以设置为运行每个流程和集成,以帮助您自信地部署

    2023年04月10日
    浏览(38)
  • 人类大脑与机器学习的对话:认知过程在人工智能中的应用

    人工智能(Artificial Intelligence, AI)是一门研究如何让机器具有智能行为的科学。智能可以被定义为能够处理复杂问题、学习新知识以及适应新环境的能力。人类大脑是一个复杂的神经网络,它能够进行许多高级认知任务,如学习、记忆、推理、决策等。因此,研究人类大脑如何

    2024年02月21日
    浏览(55)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包