在这篇文章中，我将分享一个想法，使用 Rasa 快速构建一个机器人来回答类似 FAQ 的问题。
重现本文中描述的结果的代码是，这里是。
想象一下，你的任务是构建一个机器人来处理某个技术主题的常见问题，例如骨病。
标准的方法是为每种类型的问题编写一个意图和一个响应。例如，我们可以创建一个名为ask_osteopathy_definition的意图，包含以下示例:
- 什么是整骨？
- 说说整骨术？
- 定义骨病
并定义一个名为utter_osteopathy_definition的响应来返回文本:
整骨疗法是一种替代医学，强调对身体肌肉组织和骨骼的物理操作
我们可以更进一步，使用响应选择器来实现这些问题。
然而，这两种方法都存在这两个问题:
- 为意图生成示例:一个人询问骨病定义的方式只有这么多。如果一个问题没有太多的表达方式，我们该怎么办？我们应该求助于生成合成示例吗？
- 生成回答:寻找一个技术问题的答案是非常耗时的。实际上，已经有一个包含答案的文档库。人类只需要搜索正确的文档并提取相关部分来构建答案。我们不能自动化这个过程吗？
我们可以通过将一个 FAQ 机器人视为一个机器阅读理解问题来解决上一节提到的两个问题。
该解决方案的关键组件是问答(QA)系统。该系统将接受自由文本输入，例如“什么是整骨术？”并在其内部知识库(文档集合)中搜索答案。它将返回它认为能回答给定输入的文本片段。
本文将使用草堆作为问答系统。
首先，我们需要定义一个意图，以便机器人知道它需要将这个意图传递给 QA 系统。让我们称这个意图为ask_question:
图 1:调用 QA 系统的意图
接下来，我们定义一个规则，告诉机器人在识别到一个ask_question时调用 QA 系统:
图 2:调用 QA 系统的规则
图 2 假设我们有一个名为action_answer_question的定制动作。这是一个通过系统的 REST 端点与 QA 系统交互的动作。
下面是action_answer_question初始化时发生的情况:
图 3:启动时构建知识库
图 3 显示，每次启动动作服务器时，bot 都会构建自己的知识库。知识库由一些从维基百科下载的文章组成。实际上，文档存储将是一个独立于 bot 管理的组件，因此这一步是不必要的。
当机器人需要调用这个自定义操作时，就会发生这种情况:
图 4:机器人如何从问答系统获得答案
机器人将使用 tracker 对象提取用户的问题(第 75 行)。然后，它将这个问题传递给 QA 系统(第 77 行)。如果来自 QA 系统的最高得分答案的概率大于 0.70，那么机器人将把这个答案返回给用户(第 82 行)。否则会说“我不知道答案(第 84 行)”。
这是一个与机器人对话的例子:
图 5:与骨病常见问题机器人的对话示例
请注意:
- 该机器人对用户问题中的错别字具有很强的鲁棒性
- 当机器人“知道”答案时，给定用于构建其知识库的文章，它实际上是正确的
这确实令人印象深刻，因为我们只是使用了 QA 系统附带的默认设置，并没有根据我们的数据集对其模型进行微调，也没有对我们的数据集进行注释。
如果我们花一些时间定制 QA 系统的管道，并根据我们的数据集对其模型进行微调，我们很可能会获得更好的性能。
这篇文章分享了一个想法，即通过利用机器阅读理解领域的最新进展，快速构建一个像样的 FAQ bot。我希望你发现这很有见地。如果你有任何问题，请在评论中告诉我。