rasa实战

自定义Graph Component：1.2-其它Tokenizer具体实现本文主要介绍了Rasa中相关Tokenizer的具体实现，包括默认Tokenizer和第三方Tokenizer。前者包括JiebaTokenizer、MitieTokenizer、SpacyTokenizer和WhitespaceTokenizer，后者包括BertTokenizer和AnotherWhitespaceTokenizer。

自定义Graph Component：1-开发指南可以使用自定义NLU组件和策略扩展Rasa，本文提供了如何开发自己的自定义Graph Component指南。 Rasa提供各种开箱即用的NLU组件和策略。可以使用自定义Graph Component对其进行自定义或从头开始创建自己的组件。要在Rasa中使用自定义Graph Component，它必须满足以下要求：

使用ResponseSelector实现校园招聘FAQ机器人本文主要介绍使用ResponseSelector实现校园招聘FAQ机器人，回答面试流程和面试结果查询的FAQ问题。FAQ机器人功能分为业务无关的功能和业务相关的功能2类。

Rasa NLU中的组件Rasa NLU部分主要是解决NER（序列建模）和意图识别（分类建模）这2个任务。Rasa NLP是一个基于DAG的通用框架，图中的顶点即组件。组件特征包括有顺序关系、可相互替换、可互斥和可同时使用。有向无环图（DAG）在很多地方都有用到，比如Spark中等。虽然问答系统类型很多，比如闲聊问答、文档问答、知识库问答、知识图谱问答、任务型问答等，但在实际场景中任务型多轮问答最实用。通过构建任务引导型人机辅助系统，在沟通前/沟通中/沟通后全链路，实时通过语音的识别、意图的检测、话术&解决方案的推荐等，辅助销售