本文继续围绕工业级业务对话平台和框架Rasa,对Rasa对话机器人项目实战之教育领域Education Bot项目Debugging过程中关于NLU组件加载运行,各个policies如何进行预测,ResponseSelector如何选择response等内容进行详细分析。
一、Rasa对话机器人项目实战之教育领域Education Bot项目Debugging进阶实战
Education Bot对RulePolicy、AugmentedMemoizationPolicy、TEDPolicy使用Debugging实验分析
输入信息:
对话机器人反馈如下:
可以看到选项1对应的intent为get_started_playground,为了对这个intent进行处理,可以检查训练数据,首先检查rules文件,发现没有这个intent相关内容,然后检查stories,发现在get_started_playground.yml文件中存在以下数据:
从数据中可以看到,intent “get_started_playground”会触发action “utter_playground_intro”,检查domain文件,找到这个action的定义:
执行完action “utter_playground_intro”之后会执行action “utter_ask_playground_help”:
根据stories,如果确认执行上面的action,那么会激活form “playground_form”,如果是”No”,则执行另一个action “utter_interested_in_installation”。
输入No,则按照pipeline的配置进行处理:
Gavin老师Transformer直播课感悟 - Rasa对话机器人项目实战之教育领域Education Bot项目Debugging进阶实战(六十二)