理解 RASA 中的 RegexEntityExtractor

Source: Dev.to

什么是 RegexEntityExtractor？

如果文本匹配预定义的模式，它会被提取为实体。
这使得该提取器：

• 确定性
• 快速
• 极其精确（当模式定义良好时）

为什么需要它？

用于以下类型的实体：

• 遵循固定格式
• 是数值型或其他结构化的
• 不需要机器学习的泛化能力

典型示例：

• 电话号码
• 电子邮件地址
• 订单 ID
• 日期
• 邮政编码

为此类模式训练机器学习模型往往是大材小用。

YAML 配置示例

version: "3.1"

nlu:
  - regex: phone_number
    examples: |
      - abc@gmail.com
      - xyz@gmail.com

Pipeline 配置

pipeline:
  - name: WhitespaceTokenizer
  - name: RegexEntityExtractor

内部工作原理

1. 获取原始用户消息。
2. 遍历 YAML 文件中定义的每个正则表达式模式。
3. 将模式应用于文本。
4. 若找到匹配：
   • 提取匹配的子字符串。
   • 将其标记为实体。
   • 记录起始和结束字符索引。

示例

用户消息：

My phone number is 9876543210

提取的实体：

{
  "entity": "phone_number",
  "value": "9876543210",
  "start": 19,
  "end": 29
}

与 EntitySynonymMapper 结合使用

• RegexEntityExtractor 提取原始实体。
• EntitySynonymMapper 将其规范化为标准值。

这种组合提供了：

• 高精度
• 一致性
• 干净的下游数据

何时应使用 RegexEntityExtractor？

• 实体格式可预测时。
• 精度比召回更重要时。
• 想要降低机器学习复杂度时。
• 需要确定性行为时。

下一个主题

我们将探讨 CRFEntityExtractor，其中实体是通过统计学习而不是显式匹配得到的。