Začněte nyníZačněte zdarma

Rozpoznávání entit s minimem trénovacích dat

Většina systémů pro extrakci entit z textu je navržena pro rozpoznávání „univerzálních" věcí, jako jsou jména, data nebo místa. Jenže pravděpodobně nemáš dostatek trénovacích dat, aby tvůj bot dokázal tyto systémy využít naplno!

V tomto cvičení aktivuješ rozpoznávač entit MITIE uvnitř Rasy a extrahuješ entity související s restauracemi – a to s velmi malým množstvím trénovacích dat. Slovník args i objekt training_data už máš připravené.

Toto cvičení je součástí kurzu

Building Chatbots in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř config voláním RasaNLUConfig() s jedním argumentem cmdline_args s hodnotou {"pipeline": pipeline}.
  • Vytvoř trainer a použij ho k vytvoření interpreter, stejně jako v předchozím cvičení.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import necessary modules
from rasa_nlu.config import RasaNLUConfig
from rasa_nlu.model import Trainer

pipeline = [
    "nlp_spacy",
    "tokenizer_spacy",
    "ner_crf"
]

# Create a config that uses this pipeline
config = ____

# Create a trainer that uses this config
trainer = ____

# Create an interpreter by training the model
interpreter = ____

# Parse some messages
print(interpreter.parse("show me Chinese food in the centre of town"))
print(interpreter.parse("I want an Indian restaurant in the west"))
print(interpreter.parse("are there any good pizza places in the center?"))
Upravit a spustit kód