Reconocimiento de entidades con pocos datos

La mayoría de sistemas para extraer entidades de texto están pensados para identificar elementos "universales" como nombres, fechas y lugares. ¡Pero probablemente no tengas suficientes datos de entrenamiento para que estos sistemas funcionen bien en tu bot!

En este ejercicio, activarás el reconocedor de entidades MITIE dentro de Rasa para extraer entidades relacionadas con restaurantes usando una cantidad muy pequeña de datos de entrenamiento. Ya tienes definido un diccionario args, junto con un objeto training_data.

Este ejercicio forma parte del curso

Creación de chatbots en Python

Ver curso

Instrucciones del ejercicio

Crea una config llamando a RasaNLUConfig() con un único argumento cmdline_args con valor {"pipeline": pipeline}.
Crea un trainer y úsalo para crear un interpreter, igual que hiciste en el ejercicio anterior.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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?"))

Editar y ejecutar código