Rasa是一个主流的构建对话机器人的开源框架，它的优点是几乎覆盖了对话系统的所有功能，并且每个模块都有很好的可扩展性。参考文献收集了一些Rasa相关的开源项目和优质文章。
一.Rasa介绍
1.Rasa本地安装
直接Rasa本地安装一个不好的地方就是容易把本地计算机的Python包版本弄乱，建议使用Python虚拟环境进行安装：
pip3 install -U --user pip && pip3 install rasa
2.Rasa Docker Compose安装
查看本机Docker和Docker Compose版本：
docker-compose.yml文件如下所示：
version: '3.0'
services:
rasa:
image: rasa/rasa
ports:
- "5005:5005"
volumes:
- ./:/app
command: ["run", "--enable-api", "--debug", "--cors", "*"]
3.Rasa命令介绍
用到的相关的Rasa命令如下所示：
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。
4.Rasa GitHub源码结构
Rasa的源码基本上都是用Python实现的：
二.Rasa项目基本流程
1.使用rasa init初始化一个项目
使用rasa init初始化聊天机器人项目：
.
├── actions
│ ├── __init__.py
│ └── actions.py
├── config.yml
├── credentials.yml
├── data
│ ├── nlu.yml
│ └── stories.yml
├── domain.yml
├── endpoints.yml
├── models
│ └── <timestamp>.tar.gz
└── tests
└── test_stories.yml
2.准备自定义的NLU训练数据
nlu.yml部分数据如下：
version: "3.1"
nlu:
- intent: greet
examples: |
- hey
- hello
- hi
- hello there
- good morning
- good evening
- moin
- hey there
- let's go
- hey dude
- goodmorning
- goodevening
- good afternoon
上面的intent: greet表示意图为great，下面的是具体的简单例子。稍微复杂点的例子格式是：[实体值]（实体类型名），比如[明天]（日期）[上海]（城市）的天气如何？其中的日期和城市就是NLP中实体识别中的实体了。除了intent必须外，该文件还可以包含同义词synonym、正则表达式regex和查找表lookup等。
3.配置NLU模型
最主要就是pipeline的配置了。相关的config.yml文件如下：
pipeline:
# # No configuration for the NLU pipeline was provided. The following default pipeline was used to train your model.
# # If you'd like to customize it, uncomment and adjust the pipeline.
# # See https://rasa.com/docs/rasa/tuning-your-model for more information.
# - name: WhitespaceTokenizer
# - name: RegexFeaturizer
# - name: LexicalSyntacticFeaturizer
# - name: CountVectorsFeaturizer
# - name: CountVectorsFeaturizer
# analyzer: char_wb
# min_ngram: 1
# max_ngram: 4
# - name: DIETClassifier
# epochs: 100
# constrain_similarities: true
# - name: EntitySynonymMapper
# - name: ResponseSelector
# epochs: 100
# constrain_similarities: true
# - name: FallbackClassifier
# threshold: 0.3
# ambiguity_threshold: 0.1
pipeline主要是分词组件、特征提取组件、NER组件和意图分类组件等，通过NLP模型进行实现，并且组件都是可插拔可替换的。
4.准备story数据
stories.yml文件如下：
version: "3.1"
stories:
- story: happy path
steps:
- intent: greet
- action: utter_greet
- intent: mood_great
- action: utter_happy
- story: sad path 1
steps:
- intent: greet
- action: utter_greet
- intent: mood_unhappy
- action: utter_cheer_up
- action: utter_did_that_help
- intent: affirm
- action: utter_happy
- story: sad path 2
steps:
- intent: greet
- action: utter_greet
- intent: mood_unhappy
- action: utter_cheer_up
- action: utter_did_that_help
- intent: deny
- action: utter_goodbye
这里面可看做是用户和机器人一个完整的真实的对话流程，对话策略可通过机器学习或者深度学习的方式从其中进行学习。
5.定义domain
domain.yml文件如下：
version: "3.1"
intents:
- greet
- goodbye
- affirm
- deny
- mood_great
- mood_unhappy
- bot_challenge
responses:
utter_greet:
- text: "Hey! How are you?"
utter_cheer_up:
- text: "Here is something to cheer you up:"
image: "https://i.imgur.com/nGF1K8f.jpg"
utter_did_that_help:
- text: "Did that help you?"
utter_happy:
- text: "Great, carry on!"
utter_goodbye:
- text: "Bye"
utter_iamabot:
- text: "I am a bot, powered by Rasa."
session_config:
session_expiration_time: 60 #单位是min，设置为0表示无失效期
carry_over_slots_to_new_session: true #设置为false表示不继承历史词槽
领域(domain)中包含了聊天机器人的所有信息，包括意图(intent)、实体(entity)、词槽(slot)、动作(action)、表单(form)和回复(response)等。
6.配置Rasa Core模型
最主要就是policies的配置了。相关的config.yml文件如下：
# Configuration for Rasa Core.
# https://rasa.com/docs/rasa/core/policies/
policies:
# # No configuration for policies was provided. The following default policies were used to train your model.
# # If you'd like to customize them, uncomment and adjust the policies.
# # See https://rasa.com/docs/rasa/policies for more information.
# - name: MemoizationPolicy
# - name: RulePolicy
# - name: UnexpecTEDIntentPolicy
# max_history: 5
# epochs: 100
# - name: TEDPolicy
# max_history: 5
# epochs: 100
# constrain_similarities: true
policies主要就是对话策略的配置，常用的包括TEDPolicy、UnexpecTEDIntentPolicy、MemoizationPolicy、AugmentedMemoizationPolicy、RulePolicy和Custom Policies等，并且策略之间也是有优先级顺序的。
7.使用rasa train训练模型
rasa train
或者
rasa train nlu
rasa train core
使用data目录中的数据作为训练数据，使用config.yml作为配置文件，并将训练后的模型保存到models目录中。
8.使用rasa test测试模型
通常把数据分为训练集和测试集，在训练集上训练模型，在测试集上测试模型：
rasa data split nlu
rasa test nlu -u test_set.md --model models/nlu-xxx.tar.gz
说明：当然也是可以通过交叉验证的方式来评估模型的。
9.让用户使用聊天机器人
可以通过shell用指定的模型进行交互：
rasa shell -m models/nlu-xxx.tar.gz
还可以通过rasa run --enable-api这种rest方式进行交互。如下：
三.Rasa系统架构
1.Rasa处理消息流程
下图展示了从用户的Message输入到用户收到Message的基本流程：
步骤1：用户输入的Message传递到Interpreter(NLP模块)，然后识别Message中的意图(intent)和提取实体(entity)。
步骤2：Rasa Core将Interpreter提取的intent和entity传递给Tracker，然后跟踪记录对话状态。
步骤3：Tracker把当前状态和历史状态传递给Policy。
步骤4：Policy根据当前状态和历史状态进行预测下一个Action。
步骤5：Action完成预测结果，并将结果传递到Tracker，成为历史状态。
步骤6：Action将预测结果返回给用户。
2.Rasa系统结构
Rasa主要包括Rasa NLU(自然语言理解，即图中的NLU Pipeline)和Rasa Core(对话状态管理，即图中的Dialogue Policies)两个部分。Rasa NUL将用户的输入转换为意图和实体信息。Rasa Core基于当前和历史的对话记录，决策下一个Action。
除了核心的自然语言理解(NLU)和对话状态管理(DSM)外，还有Agent代理系统，Action Server自定义后端服务系统，通过HTTP和Rasa Core通信；辅助系统Tracker Store、Lock Store和Event Broker等。还有上图没有显示的channel，它连接用户和对话机器人，支持多种主流的即时通信软件对接Rasa。
(1)Agent组件：从用户角度来看，主要是接收用户输入消息，返回Rasa系统的回答。从Rasa角度来看，它连接自然语言理解(NLU)和对话状态管理(DSM)，根据Action得到回答，并且保存对话数据到数据库。
(2)Tracker Store：将用户和Rasa机器人的对话存储到Tracker Store中，Rasa提供的开箱即用的系统包括括PostgreSQL、SQLite、Oracle、Redis、MongoDB、DynamoDB，当然也可以自定义存储。
(3)Lock Store：一个ID产生器，当Rasa集群部署的时候会用到，当消息处于活动状态时锁定会话，以此保证消息的顺序处理。
(4)Event Broker：简单理解就是一个消息队列，把Rasa消息转发给其它服务来处理，包括RabbitMQ、Kafka等。
(5)FileSystem：保存训练好的模型，可以放在本地磁盘、云服务器等位置。
(6)Action Server：通过rasa-sdk可以实现Rasa的一个热插拔功能，比如查询天气预报等。
参考文献：
[1]Rasa 3.x官方文档：https://rasa.com/docs/rasa/
[2]Rasa Action Server：https://rasa.com/docs/action-server/
[3]Rasa Enterprise：https://rasa.com/docs/rasa-enterprise/
[4]Rasa Blog：https://rasa.com/blog/
[5]Rasa GitHub：https://github.com/rasahq/rasa
[6]Awesome-Chinese-NLP：https://github.com/crownpku/Awesome-Chinese-NLP
[7]BotSharp文档：https://botsharp.readthedocs.io/en/latest/
[8]BotSharp GitHub：https://github.com/SciSharp/BotSharp
[9]rasa-ui GitHub：https://github.com/paschmann/rasa-ui
[10]rasa-ui Gitee：https://gitee.com/jindao666/rasa-ui
[11]rasa_chatbot_cn：https://github.com/GaoQ1/rasa_chatbot_cn
[12]Rasa_NLU_Chi：https://github.com/crownpku/Rasa_NLU_Chi
[13]nlp-architect：https://github.com/IntelLabs/nlp-architect
[14]rasa-nlp-architect：https://github.com/GaoQ1/rasa-nlp-architect
[15]rasa_shopping_bot：https://github.com/whitespur/rasa_shopping_bot
[16]facebook/duckling：https://github.com/facebook/duckling
[17]rasa-voice-interface：https://github.com/RasaHQ/rasa-voice-interface
[18]Rasa：https://github.com/RasaHQ
[19]ymcui/Chinese-BERT-wwm：https://github.com/ymcui/Chinese-BERT-wwm
[20]Hybrid Chat：https://gitlab.expertflow.com/expertflow/hybrid-chat
[21]rasa-nlu-trainer：https://rasahq.github.io/rasa-nlu-trainer
[22]crownpku/Rasa_NLU_Chi：https://github.com/crownpku/rasa_nlu_chi
[23]jiangdongguo/ChitChatAssistant：https://github.com/jiangdongguo/ChitChatAssistant
[24]Rasa框架应用：https://www.zhihu.com/column/c_1318281710002663424
[25]Rasa开源引擎介绍：https://zhuanlan.zhihu.com/p/331806270
[26]Rasa聊天机器人专栏开篇：https://cloud.tencent.com/developer/article/1550247
[27]rasa-nlu的究极形态及rasa的一些难点：https://www.jianshu.com/p/553e37ffbac0
[28]Rasa官方文档手册：https://juejin.cn/post/6844903922042142734
[29]Rasa官方视频教程：https://www.bilibili.com/video/BV1xC4y1H7HG?p=1
[30]用Rasa NLU构建自己的中文NLU系统：http://www.crownpku.com/2017/07/27/用Rasa_NLU构建自己的中文NLU系统.html
[31]Rasa Core开发指南：https://blog.csdn.net/AndrExpert/article/details/92805022