将FAQ JSON文件转换为RASA nlu和stories文件

Question

我有一个500+常见问题的JSON文件，我想在RASA中使用它来制作常见问题聊天机器人。这个JSON文件有一个问题和相应的答案。我需要在RASA中创建nlu，故事和域文件。有没有办法自动做到这一点？因为手动操作会花费很多时间。

Answer 1

这取决于您想要如何处理您拥有的数据。如果你想使用它来训练NLU模型，你(或某人)将不得不手动标记每个话语所属的意图。如果你想用它来训练一个NLG模型，你可以编写一个脚本，将你的数据分别格式化成相关的意图和响应(参见https://rasa.com/docs/rasa/core/retrieval-actions/#training-data)。就故事而言，你需要手动编写它们，然而，如果你使用的是检索操作，这些可能会比你想象的要简单得多，也少得多。

我建议检查检索操作，因为这听起来与您的数据最相关。

Answer 2

我详细介绍了@lahsuk评论和@Melinda回答。

假设您的JSON (faq.json)类似于这个微型示例：

[
  {
    "name":"1",
    "question":"question balbla 1",
    "answer":"answer blabla 1"
  },
  {
    "name":"2",
    "question":"question bla bla bla 2",
    "answer":"question bla bla 2"
  },
  {
    "name":"3",
    "question":"question blablabla 3",
    "answer":"answer blablabla 3"
  },
]

对于BTW，我显式地添加了属性name，该属性是可选的，但之后会很有用。如果你没有名字，你可以使用一个连续递增的数字( id)来识别Q/A对。

第1步:数据文件脚本生成(强制/最小)

首先，让我们假设使用RASA Retrieval Actions来管理我们的常见问题。在这个场景中，我们将只向RASA模型添加一个名为faq的单一意图。我们必须在domain.yml中添加一行

intents:
  - faq

因此，您必须拆分JSON问题和答案，从faq.json创建两种类型的文件

1. data/nlu.md
2. data/responses.md

<!-- faq data/nlu.md: contains questions as intents -->
## intent: faq/1
- question balbla 1

## intent: faq/2
- question bla bla bla 2

## intent: faq/3
- question blablabla 3

<!-- faq data/responses.md: contains answers -->
## faq/1
* faq/1
  - answer blabla 1

## faq/2
* faq/2
  - question bla bla 2

## faq/3
* faq/3
  - answer blablabla 3

为了完成这项任务，您可以用您选择的任何语言创建一个脚本，甚至是bash脚本，它接受您的JSOn输入并以所描述的格式生成2个文件。

次要注意:使用数字id标识每个问题/答案对是可能的，但具有drawbasks。最好给每一对都起一个自言自语的名字。

步骤2:意向数据“增强”(可选/改进)

第一步是最低要求。但是，只有一个问题示例作为意图并不是最好的。用户可以用不同的方式表达问题。一个好主意是在nlu.md中分解单个问题，给出一些不同的例子。例如。

<!-- faq data/nlu.md: many questions for the same answer -->
## intent: faq/1
- original question balbla 1
- another question example
- a third question example 

题外话:使用检索响应的利弊

你提到的故事。事实上，faq的简单方法是预测单轮问题答案，而不是任何上下文范围。检索动作可能是管理单轮“截击”的很好解决方案。

但是，在常见问题知识库中预测可能的导航可能更聪明。例如，机器人可以尝试验证问题的答案是否有用，也许它可以提出与初始问题相关的深化子主题。

这里的故事很棒！但是，要从数据创建自动故事，您可能需要在input JSON中“标记”您的问题/答案，并避免Retrieval操作，更喜欢标准方法，在您的domain.yml中分离意图和响应。至少折衷方案是将机器人检索操作和“宏意图”结合起来，以允许在对话框中进行知识导航。

RASA Sara demo assistant包含有趣/复杂的故事作为智能常见问题解答帮助的示例，使用Rasa Core stories的“通过示例学习”对话框。另请参阅文章：Integrate response retrieval models in assistants built with Rasa

另一个检索响应减去的是答案中缺少文本格式，正如我在my RASA forum question中指出的那样。