RASA槽抽取NLU数据
RASA slot extraction NLU data
您好，我正在尝试使用 RASA 填写表格，目前我有一个名为电子邮件的插槽，所以我的问题是，为插槽映射的预期答案插入模式的最佳方法是什么。我在 action.py 中看到插槽映射函数，例如 self.from_intent、self.from_entity、self.from_text，所以我需要为电子邮件编写模式，例如：
my email is [resllll@gmail.com](email)
email address is [resllll@gmail.com](email)
[resll@gmail.com](email) this is my email
那么如何通过在意向名称下列出 nlu 文件中的所有模式并在 self.from_intent 或使用 self.from_entity 中提供该意向，使我的模型获得更高的准确性和可重用性。
还有其他更好的方法吗？我正在使用 RASA 1.8
您应该使用像 DucklingHTTPExtractor 这样的预训练实体提取器来处理电子邮件。这比尝试自己添加所有模式要准确得多。在管道中，这看起来像：
pipeline:
...<other components>
- DucklingHTTPExtractor
dimensions: ["email"]
确保启动 Duckling 服务器才能正常工作：
docker run -p 8000:8000 rasa/duckling
您好，我正在尝试使用 RASA 填写表格，目前我有一个名为电子邮件的插槽，所以我的问题是，为插槽映射的预期答案插入模式的最佳方法是什么。我在 action.py 中看到插槽映射函数，例如 self.from_intent、self.from_entity、self.from_text，所以我需要为电子邮件编写模式，例如：
my email is [resllll@gmail.com](email)
email address is [resllll@gmail.com](email)
[resll@gmail.com](email) this is my email
那么如何通过在意向名称下列出 nlu 文件中的所有模式并在 self.from_intent 或使用 self.from_entity 中提供该意向，使我的模型获得更高的准确性和可重用性。 还有其他更好的方法吗？我正在使用 RASA 1.8
您应该使用像 DucklingHTTPExtractor 这样的预训练实体提取器来处理电子邮件。这比尝试自己添加所有模式要准确得多。在管道中，这看起来像：
pipeline:
...<other components>
- DucklingHTTPExtractor
dimensions: ["email"]
确保启动 Duckling 服务器才能正常工作：
docker run -p 8000:8000 rasa/duckling