掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Rasa實戰:構建開源對話機器人 版權信息
- ISBN：9787121429385
- 條形碼：9787121429385 ; 978-7-121-42938-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Rasa實戰:構建開源對話機器人 本書特色
對話機器人開源框架Rasa首著，國內外大火的框架，Rasa致力于聊天機器人（bot）平臺和開源NLU工具在商業領域的應用開發，客戶包括瑞銀銀行、寶馬、瑞士保險公司Helvetia，以及女性健康機器人創業公司Tia。國內用Rasa的大廠有中國電信、微軟小冰、陸金所，博世汽車、一汽等。還有很多的中小型企業大量使用。 本書能幫你使用機器學習技術快速創建工業級的對話機器人。 全面解析從0開始構建、配置、訓練和服務不同類型的對話機器人的整體過程，如任務型、FAQ、知識圖譜聊天機器人等。
Rasa實戰:構建開源對話機器人 內容簡介
Rasa是一款開源的對話機器人框架，能讓開發者使用機器學習技術快速創建工業級的對話機器人。得益于豐富的功能、先進的機器學習能力和可以快速上手的特性，Rasa框架是目前流行的開源對話機器人框架。 本書首先介紹Rasa的兩個核心組件――Rasa NLU和Rasa Core的工作流程；然后詳細介紹通過使用Rasa生態系統從頭開始構建、配置、訓練和服務不同類型的對話機器人的整體過程，如任務型、FAQ、知識圖譜聊天機器人等，其中包括使用基于表單（form）的對話管理、ResponseSelector來處理閑聊和FAQ，利用知識庫來回答動態查詢的問題等，以及自定義Rasa框架，使用對話驅動的開發模式和工具來開發對話機器人，探索機器人能做什么，并通過交互式學習來輕松修復它所犯的任何錯誤；*后會介紹將Rasa系統部署到具有高性能和高可擴展性的生產環境中，從而建立一個高效和強大的聊天系統。
Rasa實戰:構建開源對話機器人 目錄
第1章 人機對話基礎和Rasa簡介 1
1．1 機器學習基礎 1
1．2 自然語言處理基礎 3
1．2．1 現代自然語言處理發展
簡史 3
1．2．2 自然語言處理的基礎
任務 7
1．3 人機對話流程 7
1．3．1 確定對話機器人的應用
場景 7
1．3．2 傳統對話機器人架構 8
1．3．3 語音識別 10
1．3．4 自然語言理解 10
1．3．5 對話管理 12
1．3．6 自然語言生成 13
1．3．7 語音合成 14
1．4 Rasa 簡介 14
1．4．1 系統結構 15
1．4．2 如何安裝Rasa 16
1．4．3 Rasa 項目的基本流程 16
1．4．4 Rasa常用命令 16
1．4．5 創建示例項目 17
1．5 小結 17
第2章 Rasa NLU基礎 18
2．1 功能與結構 18
2．2 訓練數據 19
2．2．1 意圖字段 21
2．2．2 同義詞字段 22
2．2．3 查找表字段 23
2．2．4 正則表達式字段 23
2．2．5 正則表達式和查找表的
使用 24
2．3 組件 25
2．3．1 語言模型組件 26
2．3．2 分詞組件 26
2．3．3 特征提取組件 27
2．3．4 NER組件 27
2．3．5 意圖分類組件 28
2．3．6 實體和意圖聯合提取
組件 28
2．3．7 回復選擇器 28
2．4 流水線 28
2．4．1 什么是流水線 28
2．4．2 配置流水線 28
2．4．3 推薦的流水線配置 30
2．5 輸出格式 30
2．5．1 意圖字段 32
2．5．2 實體字段 32
2．5．3 其他可能字段 33
2．6 如何使用 Rasa NLU 34
2．6．1 訓練模型 34
2．6．2 從命令行測試 34
2．6．3 啟動服務 35
2．7 實戰：醫療機器人的NLU
模塊 36
2．7．1 功能 36
2．7．2 實現 36
2．7．3 訓練模型 38
2．7．4 運行服務 39
2．8 小結 40
第3章 Rasa Core基礎 41
3．1 功能與結構 41
3．2 領域 41
3．2．1 意圖與實體 42
3．2．2 動作 42
3．2．3 詞槽 43
3．2．4 回復 43
3．2．5 會話配置 45
3．2．6 全局性配置 45
3．3 故事 45
3．3．1 用戶消息 46
3．3．2 機器人動作與事件 46
3．3．3 輔助符號 47
3．4 動作 49
3．4．1 回復動作 49
3．4．2 表單 49
3．4．3 默認動作 49
3．4．4 自定義動作 50
3．5 詞槽 50
3．5．1 詞槽和對話行為 51
3．5．2 詞槽的類型 51
3．5．3 詞槽的映射 52
3．5．4 詞槽初始化 52
3．6 策略 53
3．6．1 策略的配置 53
3．6．2 內建的策略 53
3．6．3 策略的優先級 54
3．6．4 數據增強 54
3．7 端點 54
3．8 Rasa SDK和自定義動作 55
3．8．1 安裝 55
3．8．2 自定義動作 55
3．8．3 tracker對象 56
3．8．4 事件對象 56
3．8．5 運行自定義動作 57
3．9 Rasa支持的客戶端 57
3．10 實戰：報時機器人 59
3．10．1 功能 59
3．10．2 實現 60
3．10．3 運行動作服務器 66
3．10．4 運行Rasa服務器和
客戶端 66
3．11 小結 67
第4章 使用ResponseSelector
實現FAQ和閑聊功能 68
4．1 如何定義用戶問題 68
4．2 如何定義問題的答案 69
4．3 如何訓練Rasa 69
4．4 實戰：構建FAQ機器人 70
4．4．1 功能 70
4．4．2 實現 71
4．4．3 訓練模型 77
4．4．4 運行服務 78
4．5 小結 78
第5章 基于規則的對話管理 79
5．1 fallback 79
5．1．1 NLU fallback 79
5．1．2 策略fallback 80
5．2 意圖觸發動作 80
5．2．1 內建意圖觸發動作 80
5．2．2 自定義意圖觸發動作 81
5．3 表單 81
5．3．1 定義表單 82
5．3．2 激活表單 82
5．3．3 執行表單任務 82
5．4 實戰：天氣預報機器人 83
5．4．1 功能 83
5．4．2 實現 86
5．4．3 客戶端/服務器 97
5．4．4 運行 Rasa 服務器 97
5．4．5 運行動作服務器 97
5．4．6 運行網頁客戶端 98
5．4．7 更多可能的功能 98
5．5 小結 98
第6章 基于知識庫的問答 99
6．1 使用ActionQueryKnowledgeBase
100
6．1．1 創建知識庫 100
6．1．2 NLU 數據 102
6．1．3 自定義基于知識庫的
動作 104
6．2 工作原理 105
6．2．1 對象查詢 105
6．2．2 屬性查詢 105
6．2．3 解析指代 106
6．3 自定義 108
6．3．1 自定義
ActionQueryKnowledgeBase
108
6．3．2 自定義
InMemoryKnowledgeBase
108
6．3．3 創建自定義知識庫 110
6．4 實戰：基于知識庫的音樂百科
機器人 110
6．4．1 功能 110
6．4．2 實現 111
6．4．3 客戶端/服務器 122
6．4．4 運行 Rasa 服務器 122
6．4．5 運行動作服務器 122
6．4．6 運行網頁客戶端 122
6．4．7 使用Neo4j 123
6．5 小結 134
第7章 實體角色和分組 135
7．1 實體角色 135
7．2 實體分組 136
7．3 組件支持情況 136
7．4 實戰：訂票機器人 136
7．4．1 功能 136
7．4．2 實現 139
7．4．3 客戶端/服務器 147
7．4．4 運行 Rasa 服務器 147
7．4．5 運行動作服務器 147
7．4．6 運行網頁客戶端 148
7．5 小結 148
第8章 測試和生產環境部署 149
8．1 如何測試機器人的表現 149
8．1．1 對NLU和故事數據
進行校驗 149
8．1．2 編寫測試用的故事 149
8．1．3 評估NLU模型 151
8．1．4 評估對話管理模型 153
8．2 在生產環境中部署機器人 153
8．2．1 部署時間 153
8．2．2 選擇模型存儲方式 153
8．2．3 選擇tracker store 154
8．2．4 選擇lock store 156
8．2．5 單機高并發設置 157
8．3 實戰：單機部署高性能Rasa
服務 157
8．3．1 架設redis服務器 157
8．3．2 使用redis作為
tracker store 157
8．3．3 使用redis作為
lock store 158
8．3．4 單機高并發設置 158
8．3．5 性能測試 158
8．4 小結 159
第9章 Rasa的工作原理與
擴展性 160
9．1 Rasa的工作原理 160
9．1．1 訓練階段 161
9．1．2 推理階段 162
9．2 Rasa的擴展性 163
9．2．1 如何使用自定義NLU
組件和自定義策略 163
9．2．2 如何自定義一個NLU
組件或策略 164
9．2．3 自定義詞槽類型 165
9．2．4 其他功能的擴展性 166
9．3 實戰：實現自定義分詞器 166
9．3．1 分詞器MicroTokenizer的
簡介 166
9．3．2 代碼詳解 167
9．3．3 使用自定義分詞器 176
9．4 小結 177
第10章 Rasa技巧與生態 178
10．1 如何調試Rasa 178
10．1．1 預測結果不正確 178
10．1．2 代碼出錯 181
10．2 如何閱讀Rasa源代碼 186
10．2．1 閱讀源代碼前 186
10．2．2 閱讀源代碼時 188
10．2．3 閱讀源代碼后 188
10．3 對話驅動開發和Rasa X 189
10．3．1 對話驅動開發 189
10．3．2 Rasa X 190
10．4 運行交互式學習 193
10．4．1 啟動交互式學習 193
10．4．2 進行交互式學習 193
10．4．3 保存交互式學習的
數據 196
10．4．4 對話過程可視化 196
10．5 社區生態 197
10．5．1 數據生成工具
Chatito 197
10．5．2 數據生成工具
Chatette 198
10．5．3 數據標注工具
Doccano 199
10．5．4 Rasa Chinese軟件包 200
10．6 小結 201
附錄A 中英文術語翻譯對照表 202
展開全部
Rasa實戰:構建開源對話機器人 作者簡介
孔曉泉谷歌開發者機器學習技術專家（Google Developer Expert in Machine Learning），TensorFlow Addons Codeowner，Rasa SuperHero。多年來一直在世界500強公司帶領團隊構建機器學習應用和平臺。在NLP和對話機器人領域擁有豐富的理論和實踐經驗。王 冠北京大學學士，香港科技大學碩士，先后于香港應用科技研究院、聯想機器智能實驗室及瑞士再保險與慕尼黑再保險數據科學團隊從事數據建模、計算機圖像與NLP的研發工作，發表過數篇相關國際期刊論文，并取得相關專利。當前研究方向為人工智能在金融領域的應用。
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
羅曼·羅蘭讀書隨筆-精裝
- >
莉莉和章魚
- >
名家帶你讀魯迅:朝花夕拾
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
詩經-先民的歌唱
- >
月亮虎
- >
二體千字文
本類暢銷
