Trong cấu trúc chatbot trên, từ câu hỏi người dùng thông qua Rasa Stack sẽ cho đầu ra là câu trả lời của Bot. Các thành phần trong Framework có vai trị như sau:
Rasa NLU (Hiểu ngơn ngữ tự nhiên): là phần đầu tiên và cũng là phần mà Rasa
được sử dụng nhiều nhất, có nhiệm vụ véc tơ hóa ngơn ngữ, phân loại ý định người dùng và trích xuất ra các thơng tin người dùng. Ví dụ câu đầu vào người dùng hỏi “triệu chứng bệnh vẩy nến?” thì hệ thống sẽ véc tơ hóa nó rồi đối chiếu với các tập dữ liệu training đã được gán nhãn để đưa ra ý định là “trieu_chung”. Tiếp đến hệ thống trích xuất được thơng tin với bệnh là “vảy nến”.
Rasa DM (Quản lý hội thoại): Dựa vào trạng thái và ngữ cảnh hội thoại để xác
định ra action xử lý cho câu đầu vào trên. Thành phần này cũng có nhiệm vụ lấy dữ liệu từ hệ thống Database hoặc API để phục vụ việc sinh dữ liệu trả lời của bot cho thành phần NLG. Ở ví dụ trên thì hệ thống xác nhận bot đang trong ngữ cảnh hỏi về thông tin triệu chứng bệnh nhưng chưa rõ hỏi về triệu chứng nào nên bot sẽ đưa ra quyết định hỏi lại người dùng. Trong trường hợp mà bot có đầy đủ thơng tin hỏi về triệu chứng thì sẽ lấy dữ liệu từ Cơ sở dữ liệu để trả về cho người dùng.
Natural Language Processing RASA STACK RASA NLU Triệu chứng bệnh Vảy nến là gì? RASA DM Dialog Management RASA NLG
Natural Language Generation
Ngứa da, đau rát, đóng mảng trên da
50
Rasa NLG (Sinh ngơn ngữ tự nhiên): Bot sinh câu trả lời dựa vào dữ liệu từ thành
phần DM theo các mẫu câu template đã được xây dựng trước.
3.4. Cài đặt Rasa
Để bắt đầu cài đặt Rasa yêu cầu có Python 3.6, 3.7 hoặc 3.8, sau đó sử dụng lệnh sau:
Sau đó di chuyển đến thư mục muốn khởi tạo Rasa và sử dụng:
Một folder sẽ được tạo ra bao gồm các file sau:
data/nlu.md config.yml data/stories.md domain.yml action.py enpoints.yml credentials.yml
Đầu tiên, ta cần cấu hình file config.yml, đây là phần cấu hình cho NLU, nơi chúng ta lựa chọn ngơn ngữ, mơ hình cần thiết. Chúng ta sẽ lựa chọn ngôn ngữ ở đây là vi (vietnam).
Tiếp theo là đến cấu hình đường ống: pipeline: supervised_embeddings = pipeline: - name: "WhitespaceTokenizer" - name: "RegexFeaturizer" - name: "CRFEntityExtractor" - name: "EntitySynonymMapper" - name: "CountVectorFeaturizer" - name: "CountVectorFeaturizer" analyzer: "char_wb" min_ngram: 1
pip install rasa==1.7.0
Rasa init
# Configuration for Rasa NLU.
language: vi
51 max_ngram: 4
- name: "EmbeddingIntentClassifier"
Đây là một quy trình hồn chỉnh từ lựa chọn mã thơng báo, chuẩn hóa, nhận dạng thực thể đến phân loại. Tất nhiên các ta hồn tồn có thể lựa chọn thay thế bất cứ một công đoạn nào trong pipeline này nếu ta thấy nó sẽ đạt hiệu quả tốt hơn. Việc lựa chọn phương án thay thế có thể là trong chính Rasa hoặc một package nào đó bên ngồi mà thấy phù hợp.
Bên cạnh supervised_embeddings thì Rasa cũng cung cấp sẵn thêm một vài mẫu pipeline khác là pretrained_embeddings_spacy, pretrained_embeddings_convert, bert v.v. Trong trường hợp này của luận văn, với ngơn ngữ tiếng việt thì PhoBERT là lựa chọn tốt nhất vì nó thực hiện huấn luyện lại từ đầu, dựa vào file nlu.md mà chúng ta cung cấp để xây dựng các ý định và tên định danh của người dùng.
52
3.5. Phân tích thiết kế hệ thống