然而Chatbot框架仅仅完成了从用户自然语言到最终执行动作的路由,如开篇所述,工业Chatbot是需求导向的,如何搜集大量工业语料、积累专业词库,如何在Chatbot动作中完成多源异构的跨库查询,如何构建整合专业知识的知识图谱实现Bot高效查询,是决定Chatbot成败的关键因素,是在构建Chatbot初期就必须通盘考虑的。
最后附上一个Chatbot系统技能树[13],给准备入门的小伙伴做个参考。
Chatbot系统技能树[13]
参考资料
1. 对话系统原理和实践. https://segmentfault.com/a/1190000008315892
2. 基于 REfO 的 KBQA 实现及示例. http://www.openkg.cn/dataset/refo-kbqa/resource/76311e62-2a93-4696-9a92-8e73c812be11
3. AIML. https://www.tutorialspoint.com/aiml/index.htm
4. Chat. https://github.com/bwilcox-1234/Chat
5. Rive https://www.rive.com/
6. Super. http://superjs.com/
7. https://en.wikipedia.org/wiki/Loebner_Prize.
8. RASA官方文档. https://rasa.com/docs/
9. Rasa NLU和RasaCore中文实战案例. http://www.crownpku.com/
10. Rasa Core源码之Policy训练. https://www.jianshu.com/p/52c13eb39ab5
11. RASA UI. https://github.com/paschmann/rasa-ui
12. 一个AI. http://docs.yige.ai/
13. 如何成为一名对话系统工程师. https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/78746434
作者:阿闯
江湖人称“闯哥”,闷骚型男,隐形麦霸,自动化专业博士,大数据分析攻城狮,满腔工业情怀及matlab/R数据建模与分析经验。