nlp - Rasa core 和 Rasa nlu 的区别

Question

我试图从官方文档中了解Rasa core和Rasa NLU之间的区别，但我不太了解。我的理解是，Rasa core 是用来引导对话的流程的，而 Rasa NLU 是用来处理文本提取信息（实体）的。

有在Rasa 核心和Rasa NLU中构建聊天机器人的示例。我不明白这两种方法的区别是什么，以及何时采用一种方法而不是另一种方法。

你能帮我更好地理解这一点吗？

Answer 1

你答对了。两者一起工作，但他们有不同的目标。简单来说，Rasa Core 处理对话流、话语、动作和 Rasa NLU 提取实体和意图。

关于你的第二个问题：

第一个示例显示了创建机器人的整个工作流程，它显示了如何设置域和故事。这些是 Rasa Core 的功能，而不是 Rasa NLU。在此示例的第 2 项（称为定义解释器）中，作者明确表示他正在使用 Rasa NLU 作为解释器（但您甚至可以使用另一个实体提取器框架）。

第二个例子（Rasa NLU 之一）展示了如何只训练实体和意图提取器。你没有关于领域和故事的任何信息，没有关于对话流的信息，这是一个纯粹的 NLU 示例（即使他使用 Rasa Core 的默认运行方法来运行机器人）。

当我开始研究 Rasa 时，有点难以理解开发机器人的概念。但是当你开始编码时，它就变得清晰了。无论您使用哪个平台，NLU 都将处理实体和意图，而会话流将是其他东西。

甚至可以使用一个库来处理机器人的核心，而另一个库来处理 NLU。

我想指出，与您可以用来构建机器人核心的大多数工具不同，Rasa Core 使用机器学习来更好地概括对话流程。无需为对话中的每个可能节点编写代码，您可以使用可能的对话路径数据集并训练核心来概括它。这是一个非常酷且强大的功能:)

希望能帮助到你。

Answer 2

简单来说，Rasa NLU 使用 NLP（自然语言处理）来理解你告诉机器人的内容。

它理解您所说的并将其与您定义的某些意图相匹配。

另一方面，Rasa Core 处理对话流。故事降价文件列出了他们的意图和操作。

因此，当 NLU 给出意图时，Core 会执行与其对应的动作，而机器人会回复该动作。

Answer 3

对初学者的一个非常外行的描述：Rasa NLU 是理解输入的解释器。基本上，它找出实体并标记意图。
Rasa Core 会完成您希望机器人完成的其余工作，对话流程是最重要的事情。

例如，您对机器人说“你好”。Rasa NLU 会将输入的意图理解为问候语，Rasa Core 将告诉机器人以问候语进行回复。
如果您为此训练您的机器人，回复将是一个问候，或者它也可能是其他任何东西。

Answer 4

@trinca 的回答是正确的。我只是改述一下要点

第二件事，有在 Rasa 核心中构建聊天机器人的示例以及 Rasa nlu 都可用于构建聊天机器人，但无法理解两种方法的区别以及何时遵循哪一种方法。

不，NLU/Core 不是不同的方法，而是对话管理器引擎的不同组件。

1. RASA NLU 是一个意图/实体分类器：

   你离线训练分类器，带有一些带有相关意图（和实体）标签的例句。

   之后，在运行时，您向分类器提交一个传入的句子，并且您将返回一个意图标签和与该意图相关的可能实体列表，作为分类的结果。

2. RASA Core 是一个（概率）对话管理器：

   它决定/猜测聊天机器人对话的下一个可能“状态”（同样只是一个意图）。它通过 RASA 的专长离线训练：“故事”。这些是可能的意图序列，遵循开发人员在训练阶段提交的对话示例。

   之后，在运行时，RASA 核心，当用户提交一个句子（因此相应的意图猜测之前提到的 NLU 组件）它猜测会话的“可能”下一个状态（意图）。

笔记：

IMMO，您不能仅使用许多竞争对手提出的 NLU（意图分类器）组件作为构建机器人的“解决方案”来构建聊天机器人），因为仅使用意图分类器（NLU），您就可以管理“无状态”对话（没有任何对话背景的单轮截击）。

与其他提到的框架（这些通常只是通道网关/意图分类器）相比，最终 RASA 是赢家，因为对话管理器组件和设计/开发对话的故事方式，没有硬编码规则（如果/那么） .

Answer 5

拉萨核心：

Rasa Core 是 Rasa 中处理对话管理的组件。对话管理负责记录对话上下文并相应地选择下一步操作。

拉萨 NLU：

Rasa NLU 负责意图识别和实体提取。

例子

例如，如果用户输入的是 What's the weather like tomorrow in New York?，Rasa NLU 需要提取用户的意图是询问天气，以及对应的实体名称和类型，例如，日期是明天，地点是纽约。