В современную цифровую эпоху компании постоянно стремятся повысить вовлеченность пользователей и предоставить персонализированный опыт. Один из эффективных способов добиться этого — включить в чат-ботов возможности распознавания эмоций. Rasa, платформа с открытым исходным кодом для создания диалоговых агентов на базе искусственного интеллекта, предоставляет разработчикам инструменты для создания чат-ботов, чувствительных к эмоциям. В этой статье мы рассмотрим различные методы реализации бота Rasa Emotion и предоставим примеры кода, которые помогут вам начать работу.

Метод 1: анализ настроений

Анализ настроений включает в себя анализ настроений или эмоций, выраженных в сообщениях пользователей. Rasa предоставляет компонент конвейера анализа настроений, который можно добавить к конвейеру NLU (понимание естественного языка). Вот пример конфигурации:

pipeline:
  - name: WhitespaceTokenizer
  - name: RegexFeaturizer
  - name: LexicalSyntacticFeaturizer
  - name: CountVectorsFeaturizer
  - name: CountVectorsFeaturizer
    analyzer: "char_wb"
    min_ngram: 1
    max_ngram: 4
  - name: DIETClassifier
    epochs: 100
  - name: EntitySynonymMapper
  - name: ResponseSelector
    epochs: 100
  - name: SentimentAnalyzer

Метод 2: Классификация эмоций

Вместо анализа настроений вы можете напрямую классифицировать сообщения пользователей по различным эмоциям. Rasa предоставляет возможность обучить собственный классификатор эмоций с помощью DIETClassifier. Вот пример конфигурации:

pipeline:
  - name: WhitespaceTokenizer
  - name: RegexFeaturizer
  - name: LexicalSyntacticFeaturizer
  - name: CountVectorsFeaturizer
  - name: CountVectorsFeaturizer
    analyzer: "char_wb"
    min_ngram: 1
    max_ngram: 4
  - name: DIETClassifier
    epochs: 100
  - name: EntitySynonymMapper
  - name: ResponseSelector
    epochs: 100
  - name: EmotionClassifier

Метод 3. Внешние API-интерфейсы Emotion

Интеграция внешних API-интерфейсов анализа эмоций может обеспечить более точное обнаружение эмоций. Вы можете использовать настраиваемые действия Rasa для вызовов API и извлечения эмоций из сообщений пользователей. Вот пример фрагмента кода с использованием API Affectiva Emotion:

import requests
def extract_emotion_from_text(text):
    api_key = "<YOUR_API_KEY>"
    url = "https://api.affectiva.com/v3/emotion"
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {api_key}"
    }
    data = {
        "document": {
            "text": text
        }
    }
    response = requests.post(url, json=data, headers=headers)
    if response.status_code == 200:
        result = response.json()
        # Extract emotion from result
        emotion = result["document"]["emotion"]
        return emotion
    return None

Метод 4. Обучение с подкреплением

Обучение с подкреплением можно использовать, чтобы научить чат-бота реагировать по-разному в зависимости от обнаруженных эмоций. Вы можете использовать функцию интерактивного обучения Rasa и вознаграждать бота за соответствующие ответы. Вот пример команды для запуска интерактивного обучения:

rasa interactive

Включение в чат-ботов функций распознавания эмоций может значительно улучшить взаимодействие с пользователем и повысить вовлеченность. В этой статье мы рассмотрели несколько методов реализации бота для эмоций Rasa, включая анализ настроений, классификацию эмоций, интеграцию с внешними API-интерфейсами эмоций и обучение с подкреплением. Понимая эмоции пользователей и реагируя на них, чат-боты могут обеспечить более персонализированное и чуткое взаимодействие. Так почему бы не воспользоваться мощными функциями Rasa и не создать собственного бота для эмоций уже сегодня?