Rasa词汇
动作(Action)
机器人程序在对话中采取的单一步骤（例如调用API或向用户发回响应）。
动作服务器(Action Server)
运行自定义操作代码的服务器，与Rasa分开。 Rasa在Python中维护RasaSDK以实现自定义操作，尽管也可以用其他语言编写自定义操作。
标注(Annotation)
为消息和对话添加标签，以便它们可用于训练模型。
匿名化(Anonymization)
用掩码、人工或恒定的文本值替换个人身份信息（PII）的过程。这样做是为了保护用户的隐私。
业务逻辑(Business Logic)
业务需要满足的条件。例如：在创建帐户之前，需要提供姓名、地址和密码。在Rasa助手中，业务逻辑是使用基于规则的操作（如表单）实现的。
闲聊(Chitchat)
一种对话模式，用户说一些与他们的目标没有直接关系的话。这可能包括问候、询问你好等。
CMS(内容管理系统)
一种将机器人响应存储在外部而不是直接包含在域中(domain)的方法。内容管理系统将响应文本与训练数据解耦。
对话驱动开发(CDD)
结合工程最佳实践，使用用户消息和对话数据影响助手设计和训练模型的过程。 CDD由6个步骤组成：共享、审查、注释、修复、跟踪和测试。
对话测试(Conversation Tests)
修改后的故事格式，除了意图标签外，还包括用户消息的全文。 测试对话保存到测试集文件(conversion_tests.md)中，该文件用于评估整个对话中模型的预测。
组件(Component)
模型配置中助手NLU(自然语言理解)管道中的一个元素。 传入消息由一系列称为管道的组件处理。 组件可以执行从实体提取到意图分类再到预处理的任务。
条件响应变化(Conditional Response Variation)
仅当当前对话状态满足域或响应文件中定义的某些约束时才能使用的响应变体。 如果约束和对话状态之间匹配，Rasa可以使用这种变体。
自定义操作(Custom Action)
由机器人开发人员编写的一种操作，可以运行任意代码，主要用于与外部系统和API交互。
默认操作(Default Action)
具有预定义功能的内置操作。
DIET
意图和实体转换器。Rasa使用的默认NLU架构，执行意图分类和实体提取。
Domain
定义助手的输入和输出。 它包括助手知道的所有意图、实体、槽、动作和表单的列表。
Entity(实体)
从用户消息中提取的关键字。 例如：电话号码、人名、地点、产品名称
事件(Event)
对话中发生的事情。 例如，UserUttered事件表示用户输入消息，ActionExecuted事件表示助手执行动作。Rasa中的所有对话都表示为一系列事件。
常见问题解答(Faqs)
常见问题（FAQ）是用户经常问的问题。 在构建助手的背景下，这通常意味着用户发送消息，助手发送响应，而不需要考虑对话的背景。
表格(Form)
一种要求用户提供多条信息的自定义操作。
例如，如果你需要一个城市、一种美食和一个价格范围来推荐一家餐厅，你可以创建一个餐厅表格来收集信息。 可以在表单中描述业务逻辑，例如，如果客户提到食物过敏，可以为他们提供一组不同的菜单选项。
快乐/不快乐的道路(Happy/Unhappy Paths)
用于描述用户输入是预期的还是意外的术语。 如果你的助手向用户询问一些信息，而用户提供了这些信息，我们称之为快乐之路。 不愉快的路径都是可能的边缘情况。 例如，用户拒绝提供所请求的输入、更改对话主题或纠正他们之前说的话。
意图(Intent)
在给定的用户消息中，用户试图传达或完成的事情（例如，问候、指定位置）。
互动学习(Interactive Learning)
一种训练模式，开发人员在对话的每一步都会纠正和验证助手的预测。 对话可以保存为故事格式，并添加到助手的训练数据中。
知识库/知识图(Knowledge Base/Knowledge Graph)
一个可查询的数据库，表示对象之间的复杂关系和层次结构。 知识库操作允许Rasa从知识库中获取信息并在响应中使用。
3级助理(Level 3 Assistant)
一个可以处理比简单的来回交流更复杂的对话的助手。 3级助理能够利用前一轮对话的背景来选择适当的下一步行动。
消息渠道(Messaging Channels)
将Rasa与外部消息平台集成的连接器，最终用户可以在其中发送和接收消息。 Rasa包括内置的消息传递渠道，如Slack、Facebook Messenger和网络聊天，以及创建自定义连接器的能力。
最低可行助理(Minimum Viable Assistant)
一个基本的助手，可以处理最重要的快乐之路故事。
NLU
自然语言理解(NLU)处理将人类语言解析和理解为结构化格式。
NLG
自然语言生成（NLG）是生成发送给用户的自然语言消息的过程。
Rasa使用了一种简单的基于模板的NLG方法。 数据驱动的方法（如神经NLG）可以通过创建自定义NLG组件来实现。
管道(Pipeline)
定义Rasa助手NLU系统的NLU组件列表。 用户消息由每个组件逐一处理，然后返回最终的结构化输出。
策略(Policy)
Rasa组件预测对话系统的下一步行动策略决定对话流程应如何进行。 典型的配置包括多个策略，具有最高置信度的策略决定对话中要采取的下一个操作。
Rasa核心(Rasa Core)
根据上下文决定对话中下一步做什么的对话引擎. Rasa library的一部分。
Rasa NLU
Rasa NLU是Rasa的一部分，负责执行自然语言理解（NLU），包括意图分类和实体提取。
Rasa 组件
Rasa NLU管道中处理传入消息的元素。 组件执行从实体提取到意图分类再到预处理的任务。
Rasa X
对话驱动开发的工具。Rasa X/Enterprise帮助团队共享和测试用Rasa构建的助手，注释用户消息和查看对话。
检索意图(Retrieval Intent)
一种特殊类型的意图，可以分为更小的子意图。 例如，FAQ检索意图具有子意图，表示助手知道如何回答的每个单独问题。
REST频道(REST Channel)
用于构建自定义连接器的消息通道。 包括一个输入通道，用户消息可以在其中发布到Rasa，以及指定回调URL的能力，机器人的响应操作将发送到该URL。
响应(Response)
助手发送给用户的消息。 可以包括文本、按钮、图像和其他内容。
规则(Rules)
特殊的训练数据，用于指定类似规则的行为，其中特定条件总是预测特定的下一个动作。 示例包括回答常见问题、填写表格或处理回退。
插槽(Slot)
Rasa用于在对话过程中跟踪信息的键值存储。
故事(Story)
对话模型的训练数据格式，由用户和机器人之间的对话组成。 用户的消息表示为带注释的意图和实体，机器人的响应表示为一系列动作。
TED策略(TED Policy)
Transformer Embedding Dialogue Policy。 TED是Rasa使用的默认基于机器学习的对话策略。 TED通过处理以前看不到的情况来补充基于规则的策略，在这些情况下，不存在确定下一步行动的规则。
模板(Template)
用于回复用户的消息模板。可以包括文本、按钮、图像和其他附件。
跟踪器(Tracker)
维护对话状态的Rasa组件，对话状态表示为列出当前会话事件的JSON对象。
用户目标(User Goal)
用户想要实现的总体目标，例如查找问题的答案、预约或购买保险。 一些工具将用户目标称为“意图”，但在Rasa术语中，意图与每个单独的用户消息相关联。
单词嵌入/单词向量(Word embedding / Word vector#)
表示单词含义的浮点数向量。 具有相似含义的单词往往具有相似的向量。 词嵌入通常被用作机器学习算法的输入。
Rasa原生(Rasa Primitive)
用于在Rasa中构建对话的基础组件，如意图、实体、插槽、形式、响应、动作、规则或故事。