基于Rasa的天气问询机器人
1. 研究背景与意义
1.1 研究背景
1.1.1 数字化社会的信息需求
- 随着数字化社会的深入发展，用户对即时、个性化信息服务的需求日益增强。
- 特别是通过对话形式获取天气预报，用户期待能够实时、精确地获取天气信息。
- 传统的天气预报服务，如网页浏览或应用程序操作，已无法满足用户的需求。
1.1.2 Rasa框架的优势
- Rasa框架以其自然语言处理能力和高度灵活性，在聊天机器人技术中脱颖而出。
- Rasa框架能够有效地实现多轮对话管理，支持复杂的对话场景。
- 借助深度学习技术，Rasa框架赋能的机器人能够更加智能化地驾驭复杂对话场景。
1.2 国内外研究现状及区别
1.2.1 国内研究现状
- Rasa在国内的研究与应用现状展现出蓬勃发展态势。
- Rasa在国内被广泛应用于多个行业，如远程医疗、智能客服等。
- 国内对于Rasa的学习、交流和教学活动活跃，形成了较为成熟的技术支持环境。
1.2.2 国外研究现状
- Rasa在国外是一个活跃且不断发展的领域，得到了学术界和工业界的广泛关注。
- 国外更专注于底层技术突破，如框架扩展、新算法集成及大型数据集训练。
- 国外可能存在更多与大学、研究机构及跨国企业的合作项目，推动Rasa框架在理论和技术层面的创新。
2. 相关工作与技术概述
2.1 天气数据获取
2.1.1 天气API简介
- 天气API提供实时天气数据的接口，通过HTTP或HTTPS协议与客户端进行通信。
- 应用程序通过调用天气API的接口，可以获取到各种气象数据，如温度、湿度、风速、气压、降水概率等。
2.1.2 天气API的选择
- 在研究中，采用心知天气提供的API服务以获取实时及预测性气象数据。
- 心知天气API的主要优点在于其权威数据源、高精度数据、广泛的城市覆盖、多语言支持、易用的API设计、灵活的付费选项以及在实际项目中的成功应用。
2.2 Rasa框架
2.2.1 Rasa NLU
- Rasa NLU是自然语言理解模块，其作用为意图分类、实体识别和槽值填充等功能。
- Rasa NLU支持多种机器学习和深度学习算法，如基于规则的模型、基于词典的模型、循环神经网络以及Transformer架构等。
- Rasa NLU使用标记有意图和实体的训练数据集进行模型训练，提供了一套易于使用的数据格式和命令行工具。
2.2.2 Rasa Core
- Rasa Core是对话管理模块，其作用为动作预测。
- Rasa Core使用Transformer技术自动学习上下文与当前意图的关联性，而不是比较固定的状态机。
3. 系统设计与实现
3.1 Rasa NLU
3.1.1 配置NLU
- 在Rasa NLU中，可以通过配置文件对NLU组件进行配置。
- 配置文件包括意图识别、实体抽取、模型与算法支持、灵活配置与自定义等参数。
3.1.2 构建训练数据
- Rasa NLU使用标记有意图和实体的训练数据集进行模型训练。
- 训练数据包括用户输入的文本信息、对应的标签、意图和实体等。
3.2 对话管理 (Rasa Core)
3.2.1 定义Domain
- 在Rasa Core中，Domain定义了对话中的各种组件，如意图、实体、动作等。
- Domain文件包括意图、实体、槽值、参数等信息的定义。
3.2.2 编写对话故事
- 对话故事是Rasa Core中的关键组成部分，用于描述对话的流程和逻辑。
- 对话故事包括用户输入、机器人响应、意图识别、实体抽取等步骤。
3.2.3 定义对话规则
- 在Rasa Core中，可以通过定义对话规则来控制对话的流程和逻辑。
- 对话规则包括意图识别、实体抽取、槽值填充等步骤。
3.3 动作(Actions)实现
3.3.1 编写业务逻辑
- 在Rasa中，动作(Actions)是实现业务逻辑的关键组件。
- 构建了WeatherFormAction以处理天气查询对话流程，收集日期和地点信息。submit方法自动触发后转化并查询天气，处理数据反馈用户，且包含异常处理保障了错误时的用户体验。
3.3.2 使用天气API
- 在实现天气问询机器人时，可以通过编写动作(Actions)来调用心知天气API获取天气数据。
- 通过调用天气API，可以获取实时和预测性的气象数据。 开发者可以将获取的天气数据用于构建智能的天气问询机器人，为用户提供准确的天气信息。
4. 可视化界面及相关介绍
4.1 WebSocket组件介绍
4.1 WebSocket组件介绍
- WebSocket组件是构建高性能、实时Web应用的核心技术组件之一，它基于WebSocket协议实现客户端与服务器之间的全双工、低延迟、双向通信。
- WebSocket 使得客户端和服务器之间的数据交换变得更加简单，允许服务端主动向客户端推送数据。
4.2 可视化界面实现
4.2.1 后端配置
- 在后端，需要配置WebSocket服务器，以支持客户端的连接和通信。 WebSocket服务器需要处理客户端的连接请求，并实时转发客户端的消息。
4.2.2 前端实现
- 在前端，需要实现WebSocket客户端，以连接到WebSocket服务器。 WebSocket客户端需要处理与服务器的连接和通信，以及接收和处理服务器的消息。
5. 系统测试与优化
5.1 系统测试
5.1 系统测试
- 手动测试：输入各种典型及边缘案例的天气查询语句（如不同的城市名、时间点、查询类型等），检查机器人回复的准确性。
- 自动化测试：使用rasa test命令对Rasa机器人进行测试 rasa test是Rasa开发框架中用于测试对话机器人的命令行工具。它提供了对机器人各个组件（主要是自然语言理解NLU和对话管理Core）的功能性和性能进行验证的方法。
5.2 系统优化
5.2 系统优化
- 使用rasa interactive，我可以在命令行界面中实时模拟用户与机器人的交互，查看和调整NLU分析结果、对话管理决策等。通过观察机器人的响应类型、意图识别和执行动作，我可以手动更正意图、添加槽位值等，这些调整作为新数据用于进一步训练。
