RASA使用长文记录以及一些bug整理

RASA 学习笔记整理

一 安装

在虚拟环境中安装,进入python3版本的环境

conda activate python3   ai04机器

旧版本:rasa-nlu和rasa-core是分开安装的

最新版本:rasa 将二者做了合并

直接安装

pip3 install rasa 
在安装到如下步骤时候会报网络错误
 Downloading tensorflow-2.8.4-cp37-cp37m-macosx_10_14_x86_64.whl (217.8 MB)
     ━╸━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 10.4/217.8 MB 5.6 kB/s eta 10:21:12
      raise ReadTimeoutError(self._pool, None, "Read timed out.")
pip._vendor.urllib3.exceptions.ReadTimeoutError: HTTPSConnectionPool(host='files.pythonhosted.org', port=443): Read timed out.

解决:换安装源

pip3 install  rasa -i https://pypi.mirrors.ustc.edu.cn/simple/  
速度嗖嗖快

如下安装源都可以试试

清华大学 :https://pypi.tuna.tsinghua.edu.cn/simple/
阿里云:http://mirrors.aliyun.com/pypi/simple/
中国科学技术大学 :http://pypi.mirrors.ustc.edu.cn/simple/
华中科技大学:http://pypi.hustunique.com/
豆瓣源:http://pypi.douban.com/simple/
腾讯源:http://mirrors.cloud.tencent.com/pypi/simple
华为镜像源:https://repo.huaweicloud.com/repository/pypi/simple/

环境安装版本对比

rasa                      3.4.2
rasa-sdk                  3.4.0
tensorflow                2.8.4                  
安装rasa1

直接安装总是不成功,参考 https://blog.csdn.net/weixin_35757704/article/details/122269142

pip3 install -U --user pip && pip3 install rasa==1.10.18 -i https://pypi.org/simple

或者参考 https://zhuanlan.zhihu.com/p/439666645?utm_id=0

二 使用rasa

安装完rasa后

进入工程,确定里面含有三个文件

外层 domain.yml  config.yml   以及data目录,内含 nlu.md  stories.md

domain.yml 定义意图和实体等
config.yml 定义nlu和core的组件
storieds.md 定义了用户和助手之间的真实会话过程。rasa core可以以strories数据来训练模型
endpoints.yml  定义rasa core和其他服务连接的信息,比如url服务端口
1)开始训练 模型
  rasa train --domain domain.yml --data data --config config.yml --out models
  • 可以用 rasa train nlu 或者 rasa train core 来区分训练哪一部分模型

  • 可以用 rasa train --finetune来从已经存在的一个模型中初始化,再在新数据上额外训练,这可以减少训练次数

    同理可以用 rasa train nlu --finetune 和 rasa train core --finetune

2)基于RASA sdk启动一个action 服务
rasa run actions
3)启动会话
rasa shell -m models --endpoints configs/endpoints.yml
rasa  shell  此命令会加载最新训练的模型,然后开始一个会话
rasa shell nlu  此命令会显示会话句子被模型抽取出来的nlu结构:实体和意图是什么
4)也可以直接启动训练和交互
rasa  interactive   此命令会先训练一个模型,再启动一个会话交互
ras interactive --model 此命令会跳过训练,从model路径中download一个模型
也可以用postman进行交互 rasa run --enable-api
常见可用的rasa命令
rasa -h  查看所有命令参数
rasa init:创建一个新的项目,包含示例训练数据,actions和配置文件。
rasa run:使用训练模型开启一个Rasa服务。
rasa shell:通过命令行的方式加载训练模型,然后同聊天机器人进行对话。
rasa train:使用NLU数据和stories训练模型,模型保存在./models中。
rasa interactive:开启一个交互式的学习会话,通过会话的方式,为Rasa模型创建一个新的训练数据。
telemetry:Configuration of Rasa Open Source telemetry reporting.
rasa test:使用测试NLU数据和stories来测试Rasa模型。
rasa visualize:可视化stories。
rasa data:训练数据的工具。
rasa export:通过一个event broker导出会话。
rasa evaluate:评估模型的工具。
-h, --help:帮助命令。
--version:查看Rasa版本信息。
rasa run actions:使用Rasa SDK开启action服务器。
rasa x:在本地启动Rasa X。

三 RASA的系统架构

rasa包含nlu和core两个组件。NLU是pipline的方式处理意图分类,实体提取,响应检索。dp是对话策略组件。

Action是一个总控单元,连接NLU和DP,返回回答。

Tracker Store是存储对话的单元,存储了机器人和用户的对话的历史信息。

Lock Store,是ID产生器,用来锁定一个会话,保证消息的顺序处理。

Filesystem,提供文件存储服务

四 RASA的NLU

组件含义

pipline模式训练做nlu,依次执行如下组件

The configuration for pipeline and policies was chosen automatically. It was written into the config file at 'config.yml'.
rasa.engine.training.hooks  - Starting to train component 'RegexFeaturizer'.
2023-02-08 15:07:24 INFO     rasa.engine.training.hooks  - Finished training component 'RegexFeaturizer'.
2023-02-08 15:07:26 INFO     rasa.engine.training.hooks  - Starting to train component 'LexicalSyntacticFeaturizer'.
2023-02-08 15:07:26 INFO     rasa.engine.training.hooks  - Finished training component 'LexicalSyntacticFeaturizer'.
2023-02-08 15:07:27 INFO     rasa.engine.training.hooks  - Starting to train component 'CountVectorsFeaturizer'.
2023-02-08 15:07:27 INFO     rasa.nlu.featurizers.sparse_featurizer.count_vectors_featurizer  - 2353 vocabulary items were created for text attribute.
2023-02-08 15:07:31 INFO     rasa.engine.training.hooks  - Finished training component 'CountVectorsFeaturizer'.
2023-02-08 15:07:35 INFO     rasa.engine.training.hooks  - Starting to train component 'DIETClassifier'.

代码位置:

ai04机器  /data/jqli02/rasa
rasa-main/rasa/nlu
RASA-NLU的实现方法(中文为例)

以组件的形式对输入句子做处理,包含语言模型、分词器、特征提取、实体识别、意图分类、结构化输出。

1)加载预训练的词向量模型

该模型文件叫MITIE模型,可以用MITIE库训练。结构类似word2vec

  pipeline:
  - name: "MitieNLP"
  model: "data/total_word_feature_extractor.dat"   #可以直接下载,也可以自己训练,自己训练慢

2**)初始化spacy结构,使用spacyNLP**

  pipeline:
  - name: "SpacyNLP"
    # 加载语言模型
    model: "en_core_web_md"
    # 当检索单词向量时,这将决定单词的大小写是否相关。' False'则是忽略大小写。
    case_sensitive: False

spacyNLP是什么?

  一个开源的NLP库,可以做各种实用的句子分析功能,包括分词、词性分析,也可以做命令体识别和文本分类等,还支持最新神经网络模型,BERT等。以及系统打包,部署等。

3)定义分词器

4)其他一堆提特征过程 featurizer

详细如下:

重点

++LanguageModelFeaturizer,需要指定加载的语言模型,可以支持的模型有 BERT/GPT/GPT-2/XLNet/RoBERTa++

++DIETClassifier 可以同时做意图识别和实体提取,使用transformer模型++

++可以自己自定义一些NLU的模型,需要自己写组件代码,并加入component.py中,再执行一下注册,详情参考[6]++

五 RASA-core的组件

代码位置

rasa-main/rasa/core/policies

分为 基于机器学习的策略和基于规则的策略,

机器学习策略:TEDPolicy,UnexpecTED Intent Policy,Memoization Policy,Augmented Memoization Policy
包括机器学习和深度学习训练得到的策略模型。如sklearn_policy,keras_policy

基于规则策略:Rule Policy,

重点:

++TEDPolicy包含了下一步动作预测和实体识别两个目标的多任务架构。两个任务共享transformer encoder,实体识别用CRF预测输出,下一个动作预测,作为分类任务输出。参数:max_history,查看多少条历史对话来决定下一个动作。++

如下是优先级

RASA-CORE的源码解读

地址:

rasa-main/rasa/core
actions:bot执行的一些动作
channels:与前端对接的接口
nlg:rasa的回答生成模块,支持两种:模板生成话术,以及模型训练做NLG
policies:对话管理模块。依据策略执行不同的actions。策略包括人工策略+模型训练策略
schemas:指domain.yml, 这个配置文件定义了槽位,实体定义,intent,话术模板
training:如何将准备的数据转化为可训练的转化方法
featurizers:将对话数据特征化的方法

六 RASA中配置文件的编写

格式含义:

story:用来训练rasa的对话管理模型。rasa core模型。

内容包括:

* greet  用户输入(相应的意图和实体)
    - utter_answer_greet  助手相应(相应的action,指rasa nlu识别到该意图后RASA core能执行的action)
    
*开头代表用户的输入,使用NLU的输出的intent和entity来表示可能的输入
-开头的句子代表要执行的动作。分为utterance actions 和  custom  actions。前者是机器人的回复,后者是自定义的动作。

* request_weather   识别意图为查天气
    - weather_form   系统相应的动作 action
    - form{"name": "weather_form"}   需要获取所有实体信息,
    - form{"name": null}       然后把name置为null,返回查询天气的结果。
    
  *inform{"date_time": "大后天"}    表示输入包含entity的情况后的响应
    - weather_form
如何设计一个story

参考例子:https://www.cnblogs.com/hq0803/p/15214597.html

需要考虑两组路径:快乐路径 和 不快乐路径。

快乐路径:用户按照预期遵循对话流流程,再出现提示时候始终提供必要信息,叫做happy path

不快乐路径:用户因为问题,闲聊,或者其他问题,偏离愉快路径的流程。叫做unhappy path

例子

stories:
- story: Welcome message, premium user
  steps:   #story的步骤
   - intent: greet   用户的intent
   - action: action_check_profile   机器响应:检查profile
   - slot_was_set:       
     - premium_account: true   高级账户,机器响应:欢迎账户
   - action: utter_welcome_premium  

- story: Welcome message, basic user
  steps:
   - intent: greet
   - action: action_check_profile
   - slot_was_set:
     - premium_account: false   非高级账户
   - action: utter_welcome_basic  机器响应:欢迎账户,询问是否需要升级
   - action: utter_ask_upgrade
使用OR语句

合并两个intent可以用or语句

  - or:   代表如下两个intent出现的时候,响应都是一种
      - intent: affirm
      - intent: thanks
    - action: action_signup_newsletter
检查点 checkpoint

使用检查点来模块化经常重复使用的单元。

  - story: user provides feedback
    steps:
    - checkpoint: ask_feedback
    - action: utter_ask_feedback
nlu和story定义中一些关键词的含义
slot_was_set 设定slot必须满足某值,才能走下面的流程
  stories:
  - story: It's raining now
    steps:
    - intent: check_for_rain
    - action: action_check_for_rain
    - slot_was_set:
      - raining: true
    - action: utter_is_raining
    - action: utter_bring_umbrella

  - story: It isn't raining now
    steps:
    - intent: check_for_rain
    - action: action_check_for_rain
    - slot_was_set:
      - raining: false
    - action: utter_not_raining
    - action: utter_no_umbrella_needed
type: slot的type

type设置为unfeaturized:该插槽不会具有任何特征,因此其值不会影响对话流程,在预测机器人应执行的下一个动作时会被忽略。

  slots:
    name:
      type: unfeaturized
action_loop 激活form表单的意思

如果用了form,激活form并使用的过程必须为

  action: ticket_form
  action_loop: ticker_form

form的使用方法

  - action: form_xxx             # 启动form
  - active_loop: form_xxx        # 在故事或rules中增加ActiveLoop event,表示启动
  - active_loop: null            # 在故事或rules中增加ActiveLoop event,表示停止
  - action: action_submit        # form获取信息后,完成后续动作

   steps: 
        - intent: book_ticket  #用户回答
        - action: ticket_form  #启动表单,准备挨个填充表单必须的槽位
          #当用form的action的时候,就需要active_loop,
          #active_loop代表激活form填充的action,根据接下来定义的slot_was_set挨个填充form
          - active_loop: ticket_form  #启动form
          # slot_was_set并不是动作,不会完成赋值操作,而是检查变量是否被赋予指定的值,满足条件才能会话进行下去
          - slot_was_set:
              - city_arrive: 上海
              - city_depart: 北京
  #          - departure_date: 明天下午
          - active_loop: null  #停止form
rasa数据格式检查
  rasa data validate  检查数据格式

对domain文件,如果报错,找不到domainfile,大多是yaml文件格式有问题,一般是要求缩进的格子,缩进不够

检查yaml文件格式

  pip install yamllint
  yamllint domain.yml
rasa的rule和story的冲突

运行rasa数据验证不会测试您的规则是否与您的故事一致。但是,在训练期间,RulePolicy会检查规则和故事之间的冲突。任何此类冲突都将中止训练。 然后报错

  - the prediction of the action 'action_extract_slots' in story 'happy_path_1' is contradicting with rule(s) 'Activate ticket_form' which predicted action 'ticket_form'.
  - the prediction of the action 'utter_ask_departure_date' in story 'happy_path_1' is contradicting with rule(s) 'Submit ticket_form' which predicted


  action 'action_buy_ticket'.

解决:根据rules的定义,分析rule中流程,一般是同样的输入,同样的step,最终结果如果不一致,就会报冲突错误
*

rule和story的区别
  1. Rule: 规则是一种简单而有限制的方式来定义对话流程。它们通常用于处理简单的用户请求,例如回答一个固定的问题或者执行某些操作。规则只能捕获单个意图(intent)并且不能处理槽位填充或多轮对话。该方法适用于简单的场景下。

  2. rule用于单轮对话的固定规则,core部分训练会校验是否只有一个user_uttered... 如果rule中定义了有多处(>=2)个需要用户输入intent的地方,就会报错如下

  3. rule是固定规则(整合了原来的trigger intent),如果需要根据前文灵活设置对话线,还是要用story

  4. Story: story可用于更复杂的对话流程。故事中可以包含多个意图、槽位填充以及多轮对话。在故事中,您可以定义特定的对话场景,并为机器人提供处理这些场景的指导。此外,故事还允许您使用Rasa的核心功能,例如对话管理器(Dialogue Management)和策略(Policies)

  5. 执行action的时候,policy中的选用,MemoizationPolicy 执行的是story中定义的流程。RulePolicy执行的是rule中定义的规则,TedPolicy是根据机器学习,训练并预测下一个动作

总结:

  • 当处理简单的确定的用户请求时,应该使用规则。一个intent对应一个确定的action,就用rule

    例如:greet -> utter_greet goodbye->utter_goodbye

  • 如果需要处理更复杂的对话场景,则应该使用story。

  • story中可以拆解,一个多流程的故事为多个子流程的故事。注意:每个story都需要从intent开始开启,如果从action中开启,发现衔接不上。

    - story: start_ticket
      steps:
        - intent: start_ticket   #子流程,从intent开启
        - action: utter_ask_city_depart_arrive  #助手询问出发和到达城市
    

    =========================================
    - story: 核实用户订单信息,用户确认并下单
    steps:
    - action: utter_confirm_info #子流程,从action开启,则上文必须有从此action结束的步骤
    - intent: confirm_info
    #下单购买
    - action: utter_action_book_ticket
    - action: utter_ask_other_question

action的编写

action.py中,定义类,函数 name指向domain中的form名称

七 当前可用工程介绍

ChitChatAssistant
  中文项目,包含了三个场景:简单闲聊,查电话号码,查 天气。用到了MITIE模型,有默认的可以下载直接实验
实践

工程是基于rasa1的。安装好rasa1

ai04机器  rasa1环境。 
安装rasa1  pip3 install -U --user pip && pip3 install rasa==1.10.18 -i https://pypi.org/simple
rasa-demo-main
  一个简单英文助手demo,包含了简单意图,打招呼,确认,再见
rasa_nlu_chi
  一个中文项目,可以参考
rasa_chatbot_cn-master
  中文项目
rasa_chatbot
  一个旧版本,rasa-nlu和rasa-core分离的实现的英文系统,包含了办理套餐,查询话费,案件查询等场景。
  rasa版本比较低,rasa-nlu使用了crf模型。
rasa-chatbot-templates-master

包含多个例子的配置文件。可以直接进入该目录,训练模型并测试效果。有简单聊天,酒店预定,车票预定等场景,都是英文

    rasa train --domain domain.yml --data data --config config.yml --out models


*

rasa_nlu_gq-master
  包含了一些新增特性的代码。
  比如实体识别模型bilstm+crf,bert模型提取词向量,结合rasa_chatbot_cn  可以实现一些中文的定制化特征提取需求
rasa-main
  rasa源码,版本3.1
  rasa/nlu  rasa/core中分别是两部分源码
  examples中包含一些demo例子,都是英文
rasa_shopping_bot-master
  一个关于买东西的例子,包含了尺码选择等多轮对话

使用过程

  ubuntu 安装 rasa-x
  pip3 install rasa-x --extra-index-url https://pypi.rasa.com/simple

  报错:
  Failed to build xmlsec
  ERROR: Could not build wheels for xmlsec, which is required to install pyproject.toml-based projects

  解决办法:
  Note: There is no required version of LibXML2 for Ubuntu Precise, so you need to download and install it manually.

  wget http://xmlsoft.org/sources/libxml2-2.9.1.tar.gz
  tar -xvf libxml2-2.9.1.tar.gz
  cd libxml2-2.9.1
  ./configure && make && make install
RASA比TCP的对比
1.RASA也有tracker来存储历史信息
2.RASA也有policy来做对话管理。RASA包含模型和规则两种方式,TCP只有规则
3.RASA是个整体的NLP系统,包含NLU,DM,NLG全部分,TCP只做DM部分,需要衔接NLU
4.RASA是全python,可读性好。

八 Rasa如何在pycharm中调试

修改了配置文件的代码在这里

/work/myCode/ContextDialog/rasa3test

直接执行使用:

rasa shell --debug 可以看到阶段一些打印点的信息
rasa interactive  可以看到每次预测的intent和action的信息

可是如果还想知道更多变量的信息,参数是如何流转的,就需要自己debug了。

方法1:

在源码中加print,然后用上面命令来打印看输出

方法2:

直接把源码加入pycharm中,开始debug

步骤如下


一) rasa的源码在哪里?
conda env list

然后进入对应环境目录的如下目录,就是rasa代码

lib/python3.8/site-packages/rasa

整体目录为:

miniconda3/envs/rasa3/lib/python3.8/site-packages

也可以在action.py中埋入一个bug后,用rasa shell --debug来执行,就会在log中显示源码路径

二) 拷贝rasa的源码到外面,加载到pycharm中

这里注意,在外部建立同名目录并修改部分代码调试后,会发现运行的时候,依然跳转到site-packages目录中。你修改的部分和设置的断点压根不起作用。

解决办法:将site-packages中的目录改名。让其不再跳转

将rasa 目录 改为 rasa_code

在pycharm中调试配置如下:

如此,现在,不再跳转到根目录中去了。

注意:修改了名称后,命令行中又不能执行rasa了。这是因为在site-packages目录下找不到该目录了。所以不能删除,只能改名,pycharm环境中调试完成后,再更新代码到site-packages中,并把目录名改回去。

Rasa中policy是如何竞争的

参考:https://www.jianshu.com/p/a96a17af201a

发现一个问题,story中定的流程总是不走下去,详细看rasa shell debug的日志,发现ted_policy预测的next action是对的,然后又走了一下rule_policy,变成别的了。

要点:story和rule中不需要定相同的流程。如果定了,按照优先级执行,rule的优先级高于ted

九 RASA使用中一些踩坑要点

  • 要点:每次修改完配置文件,不论是data目录中的,还是config.yml,都需要重新训练使之生效:rasa train

  • 要点:如果使用了form,必须要使用rule,并且rule中定义填form的流程。否则不生效

    如下,分别在domain.yml rules.yml, story.yml, config.yml中定义如下

    =========domain.yml==========
    forms:
      ticket_form:
        required_slots:
          - city_arrive
          - city_depart
          
    ===========rule.yml============
    - rule: Activate ticket_form
        steps:
          - intent: book_ticket
          - action: action_extract_slots
          - action: ticket_form
          - active_loop: ticket_form
          - slot_was_set:
              - requested_slot: city_arrive
              - requested_slot: city_depart
          - active_loop: null
          - action: utter_ask_departure_date
          
          
     ===============story.yml中定义rule中的后文=======
     - story: happy path1
        steps:
          - action: utter_ask_departure_date
          - intent: request_departure_date  #用户输入出发日期
          - slot_was_set:
            - departure_date: 明天
          - action: utter_action_book_ticket
          - action: utter_ask_other_question
    
    
    ================config.yml===============
    policies:  #如下三者的次序,那个在前那个在后不要紧,最终还是按优先级  rule>memoiza>ted
    - name: MemoizationPolicy
    - name: RulePolicy   
    - name: TEDPolicy
    
  • 使用了form,定义了form表单内容后,必须action中定义一个填form的函数。否则能执行,但是会报错。

  • 要点:每个story都不能以intent结尾,以intent结尾就会默认后面是action_listen结果就不可控,必须是action结尾

  - story: start_ticket
    steps:
      - intent: start_ticket
      - action: utter_ask_city_depart_arrive  #助手询问出发和到达城市
  • 不要随便用rasa init,会把修改后的data目录,actions.py都给用初始文件覆盖掉

  • rasa train --force,用来强制让模型重新训练,使得改动生效

    有时候修改后,rasa train执行后,发现还是没有生效。这可能是改动没有被rasa识别到,它没有重新训练模型,所以需要加上 force 参数。

    rasa train --force
    

十 一些诡异bug

bug1:story中定义了东方航空,经济舱等,但是执行的时候总是不生效。查看rasa train的过程,发现在这些句子地方都报了warning,warning如下
More info at https://rasa.com/docs/rasa/training-data-format#nlu-training-data
/data2/conda/envs/rasa3/lib/python3.7/site-packages/rasa/shared/utils/io.py:99: UserWarning: Misaligned entity annotation in message '大前天中午的' with intent 'request_departure_date'. Make sure the start and end values of entities ([(0, 5, '大前天中午')]) in the training data match the token boundaries ([(0, 6, '大前天中午的')]). Common causes:
  1) entities include trailing whitespaces or punctuation
  2) the tokenizer gives an unexpected result, due to languages such as Chinese that don't use whitespace for word separation
  More info at https://rasa.com/docs/rasa/training-data-format#nlu-training-data
/data2/conda/envs/rasa3/lib/python3.7/site-packages/rasa/shared/utils/io.py:99: UserWarning: Misaligned entity annotation in message '只查找10点之后的' with intent 'request_departure_date'. Make sure the start and end values of entities ([(3, 8, '10点之后')]) in the training data match the token boundaries ([(0, 9, '只查找10点之后的')]). Common causes:
  1) entities include trailing whitespaces or punctuation
  2) the tokenizer gives an unexpected result, due to languages such as Chinese that don't use whitespace for word separation
  More info at https://rasa.com/docs/rasa/training-data-format#nlu-training-data
/data2/conda/envs/rasa3/lib/python3.7/site-packages/rasa/shared/utils/io.py:99: UserWarning: Misaligned entity annotation in message '2号的航班' with intent 'request_departure_date'. Make sure the start and end values of entities ([(0, 2, '2号')]) in the training data match the token boundaries ([(0, 5, '2号的航班')]). Common causes:
  1) entities include trailing whitespaces or punctuation
  2) the tokenizer gives an unexpected result, due to languages such as Chinese that don't use whitespace for word separation

找到如下解决方法

https://forum.rasa.com/t/misaligned-entity-annotation/3768/4

分析如上说明,感觉是有道理的。我的数据中标记的,将 "东方航空" "经济舱"这些当做一个实体标记出来,但是结巴分词的时候,没法把它们分成一个整体,就可能报如上的warning,所以训练的时候没有训练到model中,导致最终不生效。

解决:把这些词加入结巴自定义词典中。

根据config.yml中定义

- name: JiebaTokenizer
  dictionary_path: data   (注意,此处要求写的是path,写清楚path,并且该path里不能有和dict名字容易混淆的文件存在。
                              最好路径中是  dict_4s/dict.txt

搜索jieba_tokenizer.py代码,查到如下

dictionary_path = config["dictionary_path"]

        if dictionary_path is not None:  #当config中词典目录不为空的时候,从该目录中load词典,否则就从默认安装路径中load词典
            cls._load_custom_dictionary(dictionary_path)

解决,将conda环境中,jieba目录下的dict拷贝出来到data中,在其后追加如下内容,重新 rasa train

东方航空 3 n
南方航空 3 n
国际航空 3 n
厦门航空 3 n

结果:解决!不再报warning了。

Bug2,中文分词bug

还是如上bug,一些车品牌的名称,分词不正确。此次把这些词加入结巴词典,dict中并指明路径,bug依然不能解决,加入的词条提高词频,还是不行。搜索发现分词结果并不存在原词典中。如下:

"志俊是" 这个词条,并不在原词典中。可是奇怪为何分词就成这样了?

envs/rasa3/lib/python3.8/site-packages/rasa/shared/utils/io.py:98: UserWarning: Misaligned entity annotation in message '桑塔纳志俊是什么样的车' with intent 'ask_one_car'. Make sure the start and end values of entities ([(0, 5, '桑塔纳志俊')]) in the training data match the token boundaries ([(0, 3, '桑塔纳'), (3, 6, '志俊是'), (6, 9, '什么样'), (9, 10, '的'), (10, 11, '车')]). Common causes:
  1) entities include trailing whitespaces or punctuation
  2) the tokenizer gives an unexpected result, due to languages such as Chinese that don't use whitespace for word separation
  More info at https://rasa.com/docs/rasa/training-data-format#nlu-training-data
 in message '添越是什么样的车' with intent 'ask_one_car'. Make sure the start and end values of entities ([(0, 2, '添越')]) in the training data match the token boundaries ([(0, 1, '添'), (1, 3, '越是'), (3, 6, '什么样'), (6, 7, '的'), (7, 8, '车')]). Common causes:
  1) entities include trailing whitespaces or punctuation
  2) the tokenizer gives an unexpected result, due to languages such as Chinese that don't use whitespace for word separation

解决:

该bug磨了两天。起初:jieba根目录下的dict.txt中,加入这些单词。训练可以了。

第二次训练,又不行了。继续报错这些

查看资料:https://github.com/RasaHQ/rasa/pull/6753

排查错误:

  1. 从这里看到,说要写词典的目录,而不是词典文件本身

    参考:https://forum.rasa.com/t/tokenizer-jieba-dictionary-path-does-not-work/3667

  2. jiebatokenizer.py中打印分词后结果,检查发现分词没问题

  3. 查看log,发现是训练crfentityexactor的时候总是报这个错

    在crfexactor代码中找到token的地方, 打印出来发现依然没问题

最终解决:

各种改动后又复原,发现python main.py 没问题了。rasa train命令有问题。只好把__main__.py目录下的代码拷贝到源码中。训练,依然发现个别问题。查看token分词结果。发现:并不是每条训练数据报warning,依然是分词问题导致的。

​ 1)奥迪A8会分成奥迪 A8, 哪怕词典中有这个词。 猜测必须 奥迪 A8 这两个单独词的词频会降低才能分出合成词

​ 同理 所有中文+英文字母的,都中间分开了。

​ 2)凌渡, 在句子不同位置会分成不同结果。

如上个别句子的分词有问题,不是全部有问题,具体就是需要挨个改词频,保证原单字词频小于组词的词频。 所以详细不纠结了。总之找到分词的影响了。

bug3, 启动服务时候报warning说加载不到模型

启动

rasa run --cors "*"

报如下:

root  - Starting Rasa server on http://0.0.0.0:5005
2023-08-17 18:42:38 INFO     rasa.core.processor  - Loading model models/20230809-110408-flat-mile.tar.gz...
2023-08-17 18:42:38 ERROR    rasa.core.agent  - Could not load model due to Error deserializing graph schema. Can't find class for graph component type 'rasa.graph_components.providers.forms_provider.FormsProvider'..
2023-08-17 18:42:38 INFO     root  - Rasa server is up and running.

原因:

这是由于当前目录中models下的文件的rasa生成版本和已经安装的rasa版本不一致,无法加载

解决:

重新训练一组新模型

参考:https://forum.rasa.com/t/error-rasa-graph-components-providers-domain-without-response-provider-domainwithoutresponsesprovider/50745
Bug4:训练完模型执行的时候,到某些步骤说无法写入了

报错如下:

Traceback (most recent call last):
  File "//miniconda3/envs/rasa3/lib/python3.8/logging/__init__.py", line 1084, in emit
    stream.write(msg + self.terminator)
BlockingIOError: [Errno 35] write could not complete without blocking
Call stack:

前一个intent的utter_action内容比较长,到下一个intent后就报错如上了。

查答案:

https://github.com/RasaHQ/rasa/issues/11575

解决:

pip uninstall uvloop
Bug5: 总是不能根据story往下执行,会返回action_listen

如图,到这一步时候就不往下执行了

看intent预测都正常。从上一步就无法执行了。只好把上一步加入到rule中,这一步又不行了。一直rule不是办法。快把goog翻烂了。

https://forum.rasa.com/t/stories-are-not-working-if-there-is-rule-policy-in-the-config-file/47833/4

解决:

++看了下stage总是在第10次左右就挂了。考虑是不是轮次太长了++

++把长story分割,分割成几个步骤的分别path,再一测试:ok了!没事了!!!!++

++真是。。。崩溃啊。磨了好几天的问题++

Bug6,启动action后启动shell的时候说端口被占用

为了测试自定义actiond的效果。先编写action.py文件,然后

rasa run actions 

报错说5055端口已经占用。可是代码中没有地方写这个端口。

于是指定端口启动action
rasa run actions -p 5005  

ok,action 可以启动了。

再启动shell
rasa shell  --debug --model models_vw4s

报错说端口已经被占用

   ( error while attempting to bind on address ('0.0.0.0', 5005): address already in use)

最终解决方法:

rasa run actions -p 5005  & rasa shell --model models_vw4s -p 5006  这样的方式启动。 action和shell要不同的端口

参考:

[1] https://rasa.com/docs/rasa/2.x/domain  rasa官方文档

[2] https://zhuanlan.zhihu.com/p/475296948  rasa各个配置文件含义

[3] https://mp.weixin.qq.com/s?__biz=MzAxMjMwODMyMQ==&mid=2456341414&idx=2&sn=ce6b346718935cbea8822911e9e5b03b&chksm=8c2fb1a8bb5838beada7f7a55c0258d6e3e3c14515f169072fe8f5385502e8903eda7a26e92f&scene=21#wechat_redirect   rasa专栏介绍

[4] https://blog.csdn.net/qnstar_/article/details/125330377  RASA-NLU的pipline各阶段说明

[5] https://www.likecs.com/show-204136203.html  RASA 构建工程的教程 

[6] https://www.likecs.com/show-308141008.html rasa做中文系统时候 slots,entities,actions,component等的详细设计(如何自己加组件)

[7]  https://mp.weixin.qq.com/s/sJtDp58Eir49hr99QK-4BA  rasa框架整理

[8] https://blog.csdn.net/qq_41475825/article/details/119646149  如何用pycharm调试rasa项目?

[9]https://www.jianshu.com/p/5d9aa2a444a3 rasa对话系统踩坑记

[10] https://edu.51cto.com/center/course/lesson/index?id=805713  rasa应用的视频教程

[11] https://rasa.leovan.tech/forms/  Rasa中文文档

[12] https://github.com/currywu123/RASA-FLASK-Chinese-Chatbot  rasa项目
相关推荐
向上的车轮4 小时前
软件世界中的超级bug有哪些?
bug
Guofu_Liao11 小时前
大语言模型---LoRA简介;LoRA的优势;LoRA训练步骤;总结
人工智能·语言模型·自然语言处理·矩阵·llama
sp_fyf_202419 小时前
【大语言模型】ACL2024论文-19 SportsMetrics: 融合文本和数值数据以理解大型语言模型中的信息融合
人工智能·深度学习·神经网络·机器学习·语言模型·自然语言处理
思通数科多模态大模型21 小时前
10大核心应用场景,解锁AI检测系统的智能安全之道
人工智能·深度学习·安全·目标检测·计算机视觉·自然语言处理·数据挖掘
龙的爹233321 小时前
论文翻译 | RECITATION-AUGMENTED LANGUAGE MODELS
人工智能·语言模型·自然语言处理·prompt·gpu算力
sp_fyf_202421 小时前
【大语言模型】ACL2024论文-18 MINPROMPT:基于图的最小提示数据增强用于少样本问答
人工智能·深度学习·神经网络·目标检测·机器学习·语言模型·自然语言处理
爱喝白开水a21 小时前
Sentence-BERT实现文本匹配【分类目标函数】
人工智能·深度学习·机器学习·自然语言处理·分类·bert·大模型微调
Guofu_Liao1 天前
大语言模型中Softmax函数的计算过程及其参数描述
人工智能·语言模型·自然语言处理
曼城周杰伦1 天前
自然语言处理:第六十二章 KAG 超越GraphRAG的图谱框架
人工智能·pytorch·神经网络·自然语言处理·chatgpt·nlp·gpt-3
Donvink1 天前
多模态大语言模型——《动手学大模型》实践教程第六章
人工智能·深度学习·语言模型·自然语言处理·llama