从 DIET 到部署：训练你的第一个 Rasa NLU 模型

Source: Dev.to

CRF 向我们展示了结构化实体抽取。DIET 向我们展示了意图与实体的联合学习。现在是时候将理论付诸实践了。

理解模型很重要，但没有数据模型毫无用处——这正是实际 NLU 开发的起点。

我们已经讨论了 DIET 在内部是如何工作的。实际问题是：我们到底该如何训练它？

Rasa 的训练包括三个核心步骤：

1. 创建结构化训练数据
2. 配置 NLU 流水线
3. 训练模型

下面我们将逐步演示每个步骤。

生成训练数据

Rasa 模型完全从标注的示例中学习。与其编写规则，不如提供能够说明你期望的意图和实体的示例。

NLU 文件

训练数据存放在 YAML 文件中，通常是 data/nlu.yml：

version: "3.1"

nlu:
  - intent: book_flight
    examples: |
      - Book a flight to [Paris](location)
      - I want to fly to [Berlin](location)
      - Get me a ticket to [London](location)

  - intent: greet
    examples: |
      - Hello
      - Hi
      - Hey there

注意事项

• 意图 是顶层标签。
• 实体 通过内联标注 ([text](entity))。
• 不需要单独的实体文件；DIET 从这个单一数据集学习两个任务。

需要多少数据？

没有固定的数字，但常见的指导原则是：

多样的表达方式远比重复的模式更有价值。

不好的示例（重复）：

• 预订飞往巴黎的航班
• 预订飞往柏林的航班
• 预订飞往伦敦的航班

好的示例（多样）：

• 我需要去巴黎旅行
• 你能帮我查找去柏林的航班吗？
• 帮我买一张飞往伦敦的机票
• 明天把我送到罗马

变化教会模型进行泛化。

训练模型

一旦数据和管道配置就绪，训练只需一个命令：

rasa train

在幕后，Rasa 会：

1. 读取 NLU 数据并构建词汇表。
2. 初始化 DIET 模型并运行多个训练 epoch。
3. 优化意图和实体预测的联合损失。
4. 保存训练产物（例如 models/20260215-123456.tar.gz），其中包含 NLU 和对话模型。

训练期间会发生什么？

• 文本被分词。
• 词元被向量化。
• Transformer 层处理上下文。
• 意图和实体的损失被联合计算。
• 梯度更新共享权重。

常见的可调超参数：

• epochs
• learning_rate（高级）
• embedding_dim
• batch_size

测试模型

训练完成后，启动交互式 NLU 测试服务器：

rasa shell nlu

输入一个示例，例如 “预订明天飞往马德里的航班”，你将收到类似以下的响应：

{
  "intent": {
    "name": "book_flight",
    "confidence": 0.94
  },
  "entities": [
    {
      "entity": "location",
      "value": "Madrid"
    }
  ]
}

这就是 DIET 的实际运行效果，已在你的数据上进行训练。

常见初学者错误

关注数据质量：多样的表述、平衡的意图、清晰的实体边界，以及最小的重叠。记住迭代循环：

训练 → 测试 → 改进 → 再训练.

接下来我们要做什么

现在你已经了解如何：

• 生成训练数据
• 配置 DIET
• 训练 Rasa 模型

下一步是将 NLU 连接到对话管理：

• Domain 文件
• Stories 与规则
• 槽位填充

意图预测仅是第一步；构建行为是第二步。敬请期待完整的助手教程。