摘要： 本文主要介绍了Rasa中相关Tokenizer的具体实现，包括默认Tokenizer和第三方Tokenizer。前者包括JiebaTokenizer、MitieTokenizer、SpacyTokenizer和WhitespaceTokenizer，后者包括BertTokenizer和Another 阅读全文

摘要： JiebaTokenizer类继承自Tokenizer类，而Tokenizer类又继承自GraphComponent类，GraphComponent类继承自ABC类（抽象基类）。本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍JiebaTokenizer 阅读全文

摘要： 可以使用自定义NLU组件和策略扩展Rasa，本文提供了如何开发自己的自定义Graph Component指南。 Rasa提供各种开箱即用的NLU组件和策略。可以使用自定义Graph Component对其进行自定义或从头开始创建自己的组件。 要在Rasa中使用自定义Graph Component，它 阅读全文

摘要： 本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍_train_graph()函数中变量的具体值。 一.rasa/model_training.py/_train_graph()函数 _train_graph()函数实现，如下所示： def _train_ 阅读全文

摘要： 本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍train_nlu()函数中变量的具体值。 一.rasa/model_training.py/train_nlu()函数 train_nlu()函数实现，如下所示： def train_nlu( confi 阅读全文

摘要： 本文主要介绍使用ResponseSelector实现校园招聘FAQ机器人，回答面试流程和面试结果查询的FAQ问题。FAQ机器人功能分为业务无关的功能和业务相关的功能2类。 一.data/nlu.yml文件 与普通意图相比，ResponseSelector训练数据中的意图采用group/intent格 阅读全文

摘要： Rasa NLU部分主要是解决NER（序列建模）和意图识别（分类建模）这2个任务。Rasa NLP是一个基于DAG的通用框架，图中的顶点即组件。组件特征包括有顺序关系、可相互替换、可互斥和可同时使用。有向无环图（DAG）在很多地方都有用到，比如Spark中等。虽然问答系统类型很多，比如闲聊问答、文档 阅读全文

摘要： 在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，ChatGLM3-6B-Base 具有在10B以下的基础模型中最强的性能。ChatGLM3-6B采用了全新设计的Prompt格式，除正常的多轮对话外。同时原生支持工具调用（Function Call）、代码执行（Code Interpret 阅读全文

摘要： 本文主要介绍P-tuning-v2论文中的5种任务，分别为Glue任务、NER任务、QA任务、SRL任务、SuperGlue任务，重点介绍了下每种任务使用的数据集。 一.Glue任务 GLUE（General Language Understanding Evaluation）是纽约大学、华盛顿大学 阅读全文

摘要： 常见参数高效微调方法(Parameter-Efficient Fine-Tuning，PEFT)有哪些呢？主要是Prompt系列和LoRA系列。本文主要介绍P-Tuning v2微调方法。如下所示： Prompt系列比如，Prefix Tuning(2021.01-Stanford)、Prompt 阅读全文