没有合适的资源?快使用搜索试试~ 我知道了~
首页rasa_nlu 最新版本 翻译(机翻,嘿嘿)
资源详情
资源评论
资源推荐
入门
在本教程中,您将创建第一个 。 您可以直接在此处运行所有代码段,也可以安装
并在自己的计算机上运行示例。
作为一个例子,我们将开始一个新项目,以帮助人们搜索餐馆。 我们将从这些对话的极其简单的模
型开始。 你可以从那里建立起来。
让我们假设我们的用户所说的任何内容都可以归类为以下意图之一:
当然,我们的用户可以通过多种方式迎接我们的机器人:
还有更多方法可以说你想找餐馆:
!! "
#$%&#&
#$%
的 第 一 项 工 作 是 将 任 何 给 定 的 句 子 分 配 给 其 中 一 个 意 图 类 别 :
, 或 。
第二项工作是分别将“'和“'等词语标记为菜肴和位置实体。 在本教程中,我们将构
建一个可以实现此目的的模型。
()准备你的 的训练数据
训练数据对于开发聊天机器人和语音应用至关重要。 数据只是您希望接收的消息列表,使用意图和
应学习提取的实体进行注释。
获得训练数据的最佳方式是来自真实用户,获得训练数据的一个好方法就是自己伪装成机器人。 但
为了帮助您入门,我们在这里提供了一些演示数据。 有关数据格式的详细信息,请参阅训练数据格式。
如果您在文档中运行此操作,则可能需要几秒钟才能启动。 如果您在本地运行,请在三引号(“”“)
之间复制文本并将其保存在名为 )% 的文件中。
%*+++
,
,
,
,%
,-
,
,.%&
,#
,#%&
,.%& /01&
,%/01
,%/%201 /01
,%&/01
,&
,/01
,/(345301
,#%&/&01&
,#%/5674501
,
,
,2
,-%
+++
8%9)%
5)定义你的机器学习模型
有许多不同的组件,它们共同组成一个管道。 使用您要使用的管道创建 % 文
件。 在这种情况下,我们使用预定义的 :% 管道。 如果您在本地而不是文档中
运行此文件,请在(“”“)之间复制文本并将其保存在名为 ;)% 的文件中。
;*+++
:%
+++
8;9;)%
要选择最适合您的管道,请阅读选择 管道。<下文9
4)训练你的机器学习 模型。
要训练模型,请启动 ) 命令,并告诉它在哪里可以找到您的配置和训练数据:
如果您在计算机上运行它,在开始时请忽略!。
,% ) , ;)% ,, )% , % ,,
;2%%,, =,,-
我们还传递了,, = 和,,;2%% 参数,这意味着模型将保存在相对
于工作目录的)>%>> 中。
7)试试吧!
您可以通过两种方式直接从 或启动 服务器来使用您的模型。 运行 ??@
服务器的详细信息在 ; 中。
要在 中使用新模型,请创建一个 # 对象并将消息传递给它的 ()方法:
如果你没有运行上面的单元格,这将无法工作!
&%)%% #
% =
*# )1+)>%>>+
%*+.%+
* ) 1%
1=)% 1A*5
花一些时间玩这个,例如尝试向 发送一些不同的测试消息。 还可以尝试在页面顶部的
数据中添加一些新单词和短语,然后重新训练模型以教授 。 请记住,这只是一个玩具示例,
只需要一点点训练数据。 要构建一个非常棒的 系统,您需要收集一些真实的用户消息!
B)开始建设
初学者用下面的语句克隆包
>>)%>C>, )
入门包可让您设置正确的文件结构,示例配置以及更多培训数据的链接!
注意
对于 D 用户,D 命令行界面不喜欢单引号。 使用双引号并在必要时转义。,E
@FG?+BHHH> +,+I>+J>+>+#%&K2&>+L+M ,%
=)
安装
先决条件
For windows
确保安装了 Microsoft VC ++编译器,因此 python 可以编译任何依赖项。 您可以从以下网址
获取编译器:https://visualstudio.microsoft.com/visual-cpp-build-tools/下载安装程序并在列表中
选择 VC ++ Build 工具。
如果你想使用最新版本,你可以从 github 获得它:
git clone https://github.com/RasaHQ/rasa_nlu.gitcd rasa_nlu
pip install -r requirements.txt
pip install -e .
Rasa NLU 具有用于识别意图和实体的不同组件,其中大多数将具有一些额外的依赖性。
当您训练模型时,Rasa NLU 将检查是否已安装所有必需的依赖项,并告诉您是否缺少任何依赖
项。
如果你想确保为你可能需要的任何组件安装了依赖项,并且你不介意附加的依赖项,你可以
使用以下安装所有
,J%>J%&)2
安装 依赖
部分 N% N;(下文)将帮助您选择要使用的管道。
非常适合入门: NO
(()PQ-?:
要 使 用 :% 管 道 , 您 需 要 安 装 : 以 及 , 和
,& 库。 为此,请运行以下命令:
pip install rasa_nlu[tensorflow]
(5)GQ-K#?#R
K#?#R 后端对于小型数据集表现良好,但如果您有超过几百个示例,则培训可能需要很长时
间。 我们可能会在将来弃用 K#?#R 后端。
First, run
pip install git+https://github.com/mit-nlp/MITIE.git
pip install rasa_nlu[mitie]
然后下载 K#?#R 模型。 您需要的文件是 &2)。 将它保存在
某个地方,如果你想使用 %,你需要告诉它在哪里找到这个文件。
完整的 % 管道可以在这里找到
language: "en"
pipeline:
- name: "nlp_mitie"
model: "data/total_word_feature_extractor.dat"
- name: "tokenizer_mitie"
- name: "ner_mitie"
- name: "ner_synonyms"
- name: "intent_entity_featurizer_regex"
- name: "intent_classifier_mitie"
警告
在具有多个意图的数据集上训练 K#?#R 可能会非常缓慢。 你可以试试使用 OK#?#R 后
端(使用 进行训练)或你可以安装我们的 % 前叉,这也可以减少训练时间。
***(3)Another Alternative: sklearn + MITIE
install sklearn and MITIE
pip install -U scikit-learn sklearn-crfsuite
pip install git+https://github.com/mit-nlp/MITIE.git
还有另一个后端结合了前两个的优点:
()来自 的快速和良好意图分类
5)来自 K#?#R 的良好的实体识别和特征向量创建
特别是,如果您有更多的意图(超过 (H 个),使用 K#?#R 的训练意图分类器可能需要很长时间。
要使用此后端,您需要按照安装 和 K#?#R 的说明进行操作。
与 一起使用 K#?#R 的示例管道配置:
language: "en"
pipeline:
- name: "nlp_mitie"
model: "data/total_word_feature_extractor.dat"
- name: "tokenizer_mitie"
- name: "ner_mitie"
- name: "ner_synonyms"
剩余32页未读,继续阅读
LSX_LSX_LSX_LSX
- 粉丝: 3
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 2022年中国足球球迷营销价值报告.pdf
- 房地产培训 -营销总每天在干嘛.pptx
- 黄色简约实用介绍_汇报PPT模板.pptx
- 嵌入式系统原理及应用:第三章 ARM编程简介_3.pdf
- 多媒体应用系统.pptx
- 黄灰配色简约设计精美大气商务汇报PPT模板.pptx
- 用matlab绘制差分方程Z变换-反变换-zplane-residuez-tf2zp-zp2tf-tf2sos-sos2tf-幅相频谱等等.docx
- 网络营销策略-网络营销团队的建立.docx
- 电子商务示范企业申请报告.doc
- 淡雅灰低面风背景完整框架创业商业计划书PPT模板.pptx
- 计算模型与算法技术:10-Iterative Improvement.ppt
- 计算模型与算法技术:9-Greedy Technique.ppt
- 计算模型与算法技术:6-Transform-and-Conquer.ppt
- 云服务安全风险分析研究.pdf
- 软件工程笔记(完整版).doc
- 电子商务网项目实例规划书.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0