我是chatbot应用程序和RASA的新手,任何人都可以帮助我理解我应该如何使用RASA核心RASA NLU.
我是Chatbots的新手,并开始使用框架学习这些东西.我开始使用这个开源框架RASA并了解它.然后我发现这个实体提取工具Spacy被RASA使用.
谁能解释一下这些之间的实际关系是什么？Spacy在RASA中的作用是什么？
我认为这将是一个非常基本的问题。但我有点困惑。那么，有人可以帮助我理解这一点吗？
假设有一个像下面这样的机器人故事：
用户; 你好
机器人：我能帮上什么忙
用户：我想知道纽约现在的天气。
机器人：当然给我一秒钟...
机器人：当前温度是 20c
用户：谢谢
我正在运行 rasa 核心服务器并使用 REST API localhost:5005/conversations/default/parse来获取响应，但在这里我没有得到实际的机器人消息响应。
即，如果我将输入作为Hi发送到该 API，在响应中我得到一个 json，但没有一个字段有我如何帮助文本。
如何在响应中获取该消息是否需要使用localhost:5005/conversations/default/respond来获取该消息？
任何人都可以帮助我了解流程。
谢谢
RASA 由 RASA NLU + Core 组成，我已经测试过我了解它的一些部分。我尝试将其放入示例实践中，并且它的工作完美无缺。
我计划将其提升到一个新的水平，我希望在“tensorflow”后端的帮助下创建一个基于 RASA 堆栈的常见问题解答系统。
我收到了超过 1200 对问题和答案。第一，NLU 将负责理解和分类意图以及实体提取。第二，它将 json 响应传递给 RASA 核心，其中 Answers 将映射或响应给用户。这听起来很简单，但当我去检查 RASA 时，它给出了一些不同的东西。通常，RASA 核心将根据预定义的故事以及 ==> "utter_" 来响应用户。预定义的故事很好，但仅适用于少量数据集。我们必须手动编写它。
当数据集或基于知识的增长如 1000+ 或 5000+ 时如何处理，我们无法手动映射它。我试着环顾四周，但还没有找到任何合适的方法来处理它。
之前我用[Retrieval Model] Sklean Tfidf-vectorizer作为词袋和consine-similary比较并返回最相似的问题索引，当找到索引时Answer会根据索引进行选择，但这种解决方案并不有效因为意义将丢失并且更多的问题。
有没有人有这么好的解决方案？
谢谢