周末找了個 nlp 相關(guān)的工具，使用起來還不錯照皆，它就是 rasa_nlu, 具有實體識別重绷，意圖分類等功能，在加上一個簡單的意圖操作即可實現(xiàn)簡單的 chatbot 功能纵寝，其類圖如下所示：
Rasa_NLU 類依賴圖
整體程序的入口是在 data_router.py 文件中的 DataRouter 類中论寨，主要作用是將模型以 project 的方式進行管理星立，控制數(shù)據(jù)的流向問題
component_classes 中包含所有 Component 類
# Classes of all known components. If a new component should be added,
# its class name should be listed here.
component_classes = [
SpacyNLP, MitieNLP,
SpacyEntityExtractor, MitieEntityExtractor, DucklingExtractor,
CRFEntityExtractor, DucklingHTTPExtractor,
EntitySynonymMapper,
SpacyFeaturizer, MitieFeaturizer, NGramFeaturizer, RegexFeaturizer,
CountVectorsFeaturizer,
MitieTokenizer, SpacyTokenizer, WhitespaceTokenizer, JiebaTokenizer,
SklearnIntentClassifier, MitieIntentClassifier, KeywordIntentClassifier,
EmbeddingIntentClassifier
]
# Mapping from a components name to its class to allow name based lookup.
registered_components = {c.name: c for c in component_classes}
registered_components 通過將 component_classes 中的類進行迭代并遍歷出名稱 Map
get_component_class 函數(shù)將 名稱轉(zhuǎn)為相應的 Component 類
主要架構(gòu)相關(guān)的文件：
registry.py 文件 主要作用是將 pipeline 中的名稱轉(zhuǎn)為相應的 類爽茴，以及導入相應的模型文件
config.py 配置文件轉(zhuǎn)換
model.py 文件 主要是模型相關(guān)內(nèi)容
| 類名 | 說明 |
|---|---|
| RasaNLUModelConfig | 用來存放訓練是使用的 pipeline 參數(shù) |
| Metadata | 將 model 目錄下 metadata.json 文件進行解析，并緩存 |
| Trainer | 訓練所有相關(guān)的 Component 部分绰垂， 通過 train 函數(shù)進行訓練室奏， 通過 persist 函數(shù)進行持久化存儲 |
| Interpreter | 通過訓練好的 pipeline 模型解析文本字符串 |
| Persistor | 用于存儲模型在云端 aws，gcs劲装，azure等 |
在 persist 函數(shù)中胧沫，通過 self.pipeline 緩存內(nèi)容，加上各種參數(shù)以及相應模型文件配置到 metadata.json 文件中
Interpreter 初始化流程
1. 加載 MetaData 數(shù)據(jù)內(nèi)容
2. 根據(jù) metadata.json 中 pipeline 構(gòu)件Component 執(zhí)行序列
3. 初始化 Interpreter 參數(shù)列表
Interpreter 解析文本過程
1. 將文本通過 Message 進行封裝
2. 根據(jù) Component 執(zhí)行序列處理 Message 對象
3. 格式化輸出 Message 對象內(nèi)容
Message 中通過 Map 將所有計算結(jié)果存放在相應的地方最終格式化為輸出結(jié)果
