Ailln / fuzi-nlu

🤖️ 聊天机器人——夫子的「自然语言理解」模块

FUZI NLU

🤖️ 聊天机器人——夫子的「自然语言理解」模块。

1 简介

夫子 聊天机器人有 7 个模块组成：

1. fuzi-bot: 聊天界面模块，与用户进行交互。
2. fuzi-bot-api: 聊天接口模块，与其他后端模块通信。
3. fuzi-nlu: 自然语言处理模块，理解用户的问题。
4. fuzi: 对话管理模块，推断用户的意图。
5. fuzi-admin: 后台管理模块，管理机器人的设置。
6. fuzi-admin-api: 后台管理接口，与其他后端模块通信。
7. fuzi-mark: 数据标注模块，标注用户的问题。

常见地聊天机器人有两种：

1. 闲聊型 open domain
2. 任务型 task oriented

本项目属于第二种，即面向任务的聊天机器人。这类型机器人的常见应用是智能客服，目的是为了解决用户的明确需求。

上图为面向任务的聊天机器人的一般流程，该项目目前实现了第一部分的 NLU 功能，包含 Slot Filling 和 Intent Prediction。

2 预览

>> 点我立即尝试 <<

3 数据

3.1 数据集

1. guotie：这份数据集的主要内容是关于我家🐱锅贴，只使用了意图识别的功能。
2. weather: 在 Github 上找到的一份关于天气的 中文公开数据集 。
3. fewjoint: SMP2020 。

3.2 数据标注

这里使用 RASA 开源的标注工具 RASA-NLU-Trainer 进行标注。

我自己部署了一份在线上，可以直接使用 。

标注完成后需要进行格式转化才能使用，这里以 /back/data/guotie.json 为例：

pip install rasa==2.6.3

cd fuzi-nlu/data
mkdir guotie

# rasa 暂时不支持从 json 直接转成 yaml，因此需要先转 md，再转 yaml
rasa data convert nlu -f md --data guotie.json --out ./guotie/nlu.md
rasa data convert nlu -f yaml --data ./guotie/nlu.md --out ./guotie/

rm ./guotie/nlu.md
mv ./guotie/nlu_converted.yml ./guotie/nlu.yml

# 生成 domain
python -m run.generate_domain_from_nlu --nlu ./data/guotie/nlu.yml --domain ./data/guotie/domain.yml

4 快速上手

git clone https://github.com/Ailln/fuzi-nlu.git

cd fuzi-nlu
# 安装依赖
pip install -r requirements.txt

python -m run.server

5 部署

5.1 Docker

git clone https://github.com/Ailln/fuzi-nlu.git

# in amd64
cd fuzi-nlu
# 打包
docker build -t fuzi-nlu:1.0.0 .
# 运行
docker run -d --restart=always --name fuzi-nlu -p 8081:8081 fuzi-nlu:1.0.0

# in arm64
cd fuzi-nlu
# 打包
docker build -t fuzi-nlu:1.0.0 -f deploy/arm64.Dockerfile .
# 运行
docker run -d --restart=always --name fuzi-nlu -p 8081:8081 fuzi-nlu:1.0.0

5.2 Kubernetes

cd fuzi-nlu
# 准备好镜像
kubectl apply -f deploy/deployment.yaml

6 其他

6.1 重新训练模型

cd fuzi-nlu
# 训练
python -m run.train

# 测试
python -m run.test

6.2 QPS Test

pip install locust -U

locust -f test/qps_test.py -u 10 -r 2
# 打开 http://127.0.0.1:8089

7 参考

• Tensorflow动态seq2seq使用总结（r1.3）
• Attention-Based Recurrent Neural Network Models for Joint Intent Detection and Slot Filling
• BERT for Joint Intent Classification and Slot Filling
• 从“连接”到“交互”—阿里巴巴智能对话交互实践及思考
• A Frustratingly Easy Approach for Joint Entity and Relation Extraction
• FewJoint: A Few-shot Learning Benchmark for Joint Language Understanding

8 许可证

9 交流

请添加微信号：Ailln_，备注「fuzi」，我邀请你进入交流群。