🚀 原文地址：

领域定义了机器人操作的宇宙，它指定了机器人应该知晓的意图、实体、插槽、响应、表单和操作。同样，它还定义了会话的配置信息。

以下是完整的域示例：

  1. version: "3.0"
  3. intents:
  4.   - affirm
  5.   - deny
  6.   - greet
  7.   - thankyou
  8.   - goodbye
  9.   - search_concerts
  10.   - search_venues
  11.   - compare_reviews
  12.   - bot_challenge
  13.   - nlu_fallback
  14.   - how_to_get_started
  16. entities:
  17.   - name
  19. slots:
  20.   concerts:
  21.     type: list
  22.     influence_conversation: false
  23.     mappings:
  24.     - type: custom
  25.   venues:
  26.     type: list
  27.     influence_conversation: false
  28.     mappings:
  29.     - type: custom
  30.   likes_music:
  31.     type: bool
  32.     influence_conversation: true
  33.     mappings:
  34.     - type: custom
  36. responses:
  37.   utter_greet:
  38.     - text: "Hey there!"
  39.   utter_goodbye:
  40.     - text: "Goodbye :("
  41.   utter_default:
  42.     - text: "Sorry, I didn't get that, can you rephrase?"
  43.   utter_youarewelcome:
  44.     - text: "You're very welcome."
  45.   utter_iamabot:
  46.     - text: "I am a bot, powered by Rasa."
  47.   utter_get_started:
  48.     - text: "I can help you find concerts and venues. Do you like music?"
  49.   utter_awesome:
  50.     - text: "Awesome! You can ask me things like \"Find me some concerts\" or \"What's a good venue\""
  52. actions:
  53.   - action_search_concerts
  54.   - action_search_venues
  55.   - action_show_concert_reviews
  56.   - action_show_venue_reviews
  57.   - action_set_music_preference
  59. session_config:
  60.   session_expiration_time: 60  # value in minutes
  61.   carry_over_slots_to_new_session: true

1. 多个领域文件

领域可以定义在单个 YAML 文件中，也可以拆分为多个文件。当拆分为多个文件时，领域内容将会被自动读取并整合在一起，你可以通过以下命令行接口，来基于多个领域文件训练一个模型：

  1. $ rasa train --domain path_to_domain_directory

2. 意图

在域文件中，intents 键下应该列出在 NLU 数据和对话训练数据中所有使用到的意图。

2.1 忽略某些意图的实体

如果需要忽略某些意图的所有实体，我们可以在域文件中添加 use_entities: [] 参数：

  1. intents:
  2.   - greet:
  3.       use_entities: []

如果要忽略某些实体或者明确仅考虑某些实体，我们可以采用如下方式：

  1. intents:
  2. - greet:
  3.     use_entities:
  4.       - name
  5.       - first_name
  6.     ignore_entities:
  7.       - location
  8.       - age

这些意图所排除的实体将不会被特征化，因为它们也不会影响下一个动作的预测。当存在这样一个意图，我们并不关心实体被提取时，使用 ignore_entities 非常有用。

如果我们所列出的意图并没有该参数时，实体将会正常特征化。

:::info 💡 如果不希望实体影响下个动作的预测，请为同名的插槽设置 influence_conversation: false。 :::

3. 实体

通过 NLU 管道中实体提取器所提取的实体，我们将其放置在 entities 部分。

例如：

  1. entities:
  2.    - PERSON           # entity extracted by SpacyEntityExtractor
  3.    - time             # entity extracted by DucklingEntityExtractor
  4.    - membership_type  # custom entity extracted by DIETClassifier
  5.    - priority         # custom entity extracted by DIETClassifier

如果使用了实体角色和分组的功能，我们还需要列出实体的角色和分组：

  1. entities:
  2.    - city:            # custom entity extracted by DIETClassifier
  3.        roles:
  4.        - from
  5.        - to
  6.    - topping:         # custom entity extracted by DIETClassifier
  7.        groups:
  8.        - 1
  9.        - 2
  10.    - size:            # custom entity extracted by DIETClassifier
  11.        groups:
  12.        - 1
  13.        - 2

4. 插槽

插槽相当于机器人的记忆，将用户提供的信息通过键值对的方式来存储（例如家乡和城市），以及外部世界所收集到的信息（例如从数据中查询的结果）。

插槽是域文件中定义在 slots 部分，包含槽名、类型、是否影响以及如何影响机器人的行为。以下示例中，定义了 slot_name 的插槽，其类型为 text，以及预定义插槽映射 from_entity。

  1. slots:
  2.   slot_name:
  3.     type: text
  4.     mappings:
  5.     - type: from_entity
  6.       entity: entity_name

4.1 插槽和对话行为

可以设定 influence_conversation 属性来指定插槽是否会话产生影响。如果你想将信息存储在插槽内而不影响对话，在定义插槽时通过 influence_conversation: false 来设定。

下面的示例定义了一个用于存储用户年龄的 age 插槽，但是该插槽并不会影响对话的流程。这意味着机器人在预测下一次动作时，都将会忽略 age 槽中的值。

  1. slots:
  2.   age:
  3.     type: text
  4.     # this slot will not influence the predictions
  5.     # of the dialogue policies
  6.     influence_conversation: false

当定一个插槽时，如果你省略了 influence_conversation 或者将其设置为 true，除非该插槽的类型为 any，否则将会影响下一个动作的预测。由此可知，插槽是否会影响对话将取决于其类型。

下面示例中定义了一个影响会话的插槽 home_city，文本类型的插槽将根据槽值影响机器人的行为。值得注意的是，文本插槽中的值不会有区别，例如 New York or Hong Kong 或者 Bangalore。

  1. slots:
  2.   # this slot will influence the conversation depending on
  3.   # whether the slot is set or not
  4.   home_city:
  5.     type: text
  6.     influence_conversation: true

例如，考虑这两种输入：“What is the weather like?”和“What is the weather like in Bangalore?”，对话将基于 home_city 插槽是否设置，根据 NLU 自动决定产生分歧。

  • 如果插槽已经设置，机器人将预测 action_forecast 动作。
  • 如果没有设置插槽，则需要在预测天气之前，获取到 home_city 的信息。
  1. slots:
  2.   # this slot will influence the conversation depending on
  3.   # whether the slot is set or not
  4.   home_city:
  5.     type: text
  6.     influence_conversation: true

4.2 插槽类型

1）文本类型

当插槽的类型为 text 时，它用于存储文本信息。示例如下：

  1. slots:
  2.    cuisine:
  3.       type: text
  4.       mappings:
  5.       - type: from_entity
  6.         entity: cuisine

如果 influence_conversation 设置为 true，机器人的行为是否会改变取决于插槽是否设置。不同的文本并不会进一步影响会话，这意味着下面示例中的两个故事是一样的：

  1. stories:
  2. - story: French cuisine
  3.   steps:
  4.   - intent: inform
  5.   - slot_was_set:
  6.     - cuisine: french
  8. - story: Vietnamese cuisine
  9.   steps:
  10.   - intent: inform
  11.   - slot_was_set:
  12.     - cuisine: vietnamese

2）布尔类型

当插槽的类型为 bool 时，它用于存储 true 或者 false 值。示例如下：

  1. slots:
  2.    is_authenticated:
  3.       type: bool
  4.       mappings:
  5.       - type: custom

如果 influence_conversation 设置为 true，机器人的行为是否会改变取决于插槽是否为空、true 或者 false。值得注意的是，如果 bool 插槽为空时，与插槽设置为 false 影响会话方式是不同的。

3）类别类型

当插槽的类型为 categorical 时，它用于存储 N 个选项中一个值。示例如下：

  1. slots:
  2.   risk_level:
  3.     type: categorical
  4.     values:
  5.       - low
  6.       - medium
  7.       - high
  8.     mappings:
  9.     - type: custom

如果 influence_conversation 设置为 true，机器人的行为是否会改变取决于插槽的值。这意味着上述示例中插槽中的值是 low、medium、high 哪一个，机器人的行为也会有所不同。

对于没有处在列表中的值，Rasa 会设置一个默认值 __other__ 来进行响应。值得注意的是，__other__ 并不需要我们去定义，如果定义了 __other__ 的话，所有未知的值都将映射到该值上。事实上，不设置也是相同的效果。

4）浮点类型

当插槽的类型为 float 时，它用于存储真实的数字，其中 max_value 默认值为 1.0，min_value 默认值为 0.0。示例如下：

  1. slots:
  2.   temperature:
  3.     type: float
  4.     min_value: -100.0
  5.     max_value:  100.0
  6.     mappings:
  7.     - type: custom

如果 influence_conversation 设置为 true，机器人的行为是否会改变取决于插槽的值。如果槽值处于最大最小值中间，那么具体值将会被使用。所有小于最小值的值，将会被当做最小值来处理，所有大于最大值的值，将会被当做最大值来处理。因为，如果将最大值设置为 1，那么对于 2 和 3.5 的槽值将没有区别。

5）列表类型

当插槽的类型为 list 时，它用于存储列表值。示例如下：

  1. slots:
  2.   shopping_items:
  3.     type: list
  4.     mappings:
  5.     - type: from_entity
  6.       entity: shopping_item

如果 influence_conversation 设置为 true，机器人的行为是否会改变取决于插槽是否为空。槽值中列表的长度并不会影响对话，它仅仅与列表长度为 0 或者非 0 有关。

6）任何类型

当插槽的类型为 any 时，它用于存储任意值，也就是说可以是任意类型，例如字典或者列表。示例如下：

  1. slots:
  2.   shopping_items:
  3.     type: any
  4.     mappings:
  5.     - type: custom

如果插槽的类型为 any，那么在会话过程中总是被忽略的，并且此类型的插槽并不能设置 influence_conversation 为 true。

7）自定义类型

可能你的订餐系统仅能处理最多 6 人的预定，我们通常希望槽值可以影响下一个选中的动作，而不仅仅是指定的操作，
这种情况下我们就可以通过自定义一个插槽类来实现次功能。

下面示例中我们定一个 NumberOfPeopleSlot 的插槽类，它的目的是将槽值转换为一个向量，以便 Rasa 机器学习模型可以对其进行处理。NumerOfPeopleSlot 有 3 种可能的值，均使用长度为 2 的向量来进行标识：

  • (0, 0)：还未设置
  • (1, 0)：在 1 到 6 之间
  • (0, 1)：大于 6 人
  1. from rasa.shared.core.slots import Slot
  3. class NumberOfPeopleSlot(Slot):
  5.     def feature_dimensionality(self):
  6.         return 2
  8.     def as_feature(self):
  9.         r = [0.0] * self.feature_dimensionality()
  10.         if self.value:
  11.             if self.value <= 6:
  12.                 r[0] = 1.0
  13.             else:
  14.                 r[1] = 1.0
  15.         return r

通常我们会将自定义插槽类作为单独一个模块，还不是和自定义动作放在一起。

Rasa 通过 addons.my_custom_slots.NumberOfPeopleSlot 来引用自定义插槽，具体如下：

  1.  slots:
  2.   people:
  3.     type: addons.my_custom_slots.NumberOfPeopleSlot
  4.     influence_conversation: true
  5.     mappings:
  6.     - type: custom

按照上述配置好之后，Rasa 就可以使用自定义插槽类了，接下来根据 people 插槽的值添加不同训练故事。下面示例中，我们添加了 2 个故事，一个是人数在 1-6之间，另一个是大于 6 人。我们可以在这些范围内选择任意值来放置在故事中，因为他们都采用相同的方式来特征化。

  1. stories:
  2. - story: collecting table info
  3.   steps:
  4.   # ... other story steps
  5.   - intent: inform
  6.     entities:
  7.     - people: 3
  8.   - slot_was_set:
  9.     - people: 3
  10.   - action: action_book_table
  12. - story: too many people at the table
  13.   steps:
  14.   # ... other story steps
  15.   - intent: inform
  16.     entities:
  17.     - people: 9
  18.   - slot_was_set:
  19.     - people: 9
  20.   - action: action_explain_table_limit

4.3 插槽映射

1）from_entity

2）from_entity的唯一映射匹配

3）from_text

from_text 映射将使用用户最后说的文本内容来填充 slot_name 插槽。如果 intent_name 为 None 的话，那么无论意图的名称如何，该插槽都会被填充。否则，只有当意图是 intent_name 时才会填充插槽。

如果消息的意图是 excluded_intent，则插槽映射将不会起作用。

  1. slots:
  2.   slot_name:
  3.     type: text
  4.     mappings:
  5.     - type: from_text
  6.       intent: intent_name
  7.       not_intent: excluded_intent

:::info 💡 如果在使用 from_text 插槽映射时希望保持 Rasa 2.x 表单的功能，我们必须使用定义了 active_loop 和 requested_slot 的映射条件。 :::

4）from_intent

如果用户的意图是 intent_name，那么 from_intent 映射将使用 my_value 来填充 slot_name 插槽。如果我们没有指定 intent 参数，那么如论消息的意图如何，只要意图未在 not_intent 参数下列出，插槽便会对其进行映射。

以为为常用的参数：

  • value：必须提供，用来填充 slot_name 插槽的值
  • intent：可选项，只有在该预测意图时应用插槽映射
  • not_intent：可选项，当在预测该意图时不应用插槽映射
  1. slots:
  2.   slot_name:
  3.     type: any
  4.     mappings:
  5.     - type: from_intent
  6.       value: my_value
  7.       intent: intent_name
  8.       not_intent: excluded_intent

5）from_trigger_intent

如果一个表单被带有 intent_name 意图的用户消息所激活，那么 from_trigger_intent 映射将使用 my_value 来填充 slot_name 插槽。如果消息的意图列在 excluded_intent 下，那么插槽映射将不会起作用。

  1. slots:
  2.   slot_name:
  3.     type: any
  4.     mappings:
  5.     - type: from_trigger_intent
  6.       value: my_value
  7.       intent: intent_name
  8.       not_intent: excluded_intent

4.4 映射条件

要在表单的上下文中应用插槽映射，请在插槽映射的 conditions 键中指定表单的名称，在 active_loop 键下列出条件映射所适用的表单名称。

条件映射也可以包含 requested_slot 的名称，如果 requesed_slot 并未有提及，无论表单请求的是哪个插槽，当相关信息被提取时插槽就会被设置。

  1. slots:
  2.   slot_name:
  3.     type: text
  4.     mappings:
  5.     - type: from_text
  6.       intent: intent_name
  7.       conditions:
  8.       - active_loop: your_form
  9.         requested_slot: slot_name
  10.       - active_loop: another_form

:::info 💡 如果插槽映射中并未包含 conditions，那么无论表单是否处于活跃状态，插槽映射都将起作用。只要插槽被列在表单的 requested_slot 中，当表单激活时，如果插槽为空的话，那么表单会提示输入该插槽。 :::

4.5 自定义插槽映射

当 Rasa 提供的预插槽映射都不适用于你的场景，我们通过插槽验证动作来自定义插槽映射。值得注意的是，插槽映射的类型必须为 custom，例如

  1. slots:
  2.   day_of_week:
  3.     type: text
  4.     mappings:
  5.     - type: custom
  6.       action: action_calculate_day_of_week

你还可以通过列出动作的类型而不必要指定具体动作，使用 custom 插槽映射来列出所有插槽，这些插槽将会被任意自定义动作所填充。例如：

  1. slots:
  2.   handoff_completed:
  3.     type: boolean
  4.     mappings:
  5.     - type: custom

插槽并不会在每一个用户轮次进行更新，仅在自定义动作预测返回的时 SlotSet 事件时才会更新。

4.6 初始化插槽值

我们可以在域文件中给插槽提供一个初始值：

  1. slots:
  2.   num_fallbacks:
  3.     type: float
  4.     initial_value: 0
  5.     mappings:
  6.     - type: custom

5. 响应

6. 表单

7. 动作

8. 会话配置

会话表示的是机器人与用户之间的对话，通常它有 3 种开始形式：

  1. 用户开始与机器人进行对话
  2. 在可配置的非活动时间后，用户发送了信息
  3. 使用 /session_start 意图消息来启动一次手动会话

我们可以在域文件中通过添加 session_config 键，来定义出发新会话时的非活动时长。

可配置的参数有：

  • session_expiration_time：定义了新会话开始后的非活动时间（单位：分钟）。
  • carry_over_slots_to_new_session：决定是否将现有设置插槽转移到新会话。

默认 session 配置如下：

9. 配置

在领域文件中的 config 键可配置 store_entities_as_slots 参数，此参数仅在阅读故事时作为上下文使用，同时 Rasa 会将它们传递给跟踪器。如果该参数被设置为 true，且当前故事中存在适用的实体，该参数将从实体中隐式设置插槽。因此，此插槽将会跳过在故事中手动添加显式 slot_was_set 步骤。默认情况下，该特性是打开的。同样地，我们也可以通过将 store_entities_as_slots 参数设置为 false 来关闭此功能。

  1. config:
  2.   store_entities_as_slots: false