训练自定义知识建议模型

Agent Assist 为知识建议提供两种建模选项：基准模型（默认）和自定义模型。本指南将引导您完成以下流程：使用数据集训练自定义模型，然后部署该模型并测试其性能。

概览

Agent Assist 具有两项 知识建议 功能：文章建议（建议文档）和 常见问题解答辅助（建议最终用户问题的答案）。当您实现这些功能时，Agent Assist 默认使用预训练的基准建议模型。基准模型使用信息检索技术，不需要您完成显式模型训练步骤。自定义模型选项使用前沿 NLU（自然语言理解）技术。它需要您上传对话转录，并完成显式模型训练步骤来构建自定义 NLU 模型。平均而言，自定义模型提供的建议质量优于基准模型。

准备工作

在开始本指南之前，请先完成以下操作：

  1. 为您的 Google Cloud 项目启用 Dialogflow API。

创建知识库并训练自定义模型

如需获取 Agent Assist 的建议，您必须创建一个 知识 库，将文档上传到知识 库，并配置一个 对话 配置文件。

以下步骤概述了使用直接 API 调用执行这些操作的过程，并以文章建议功能为例。如果您愿意，也可以使用 Agent Assist Console 创建知识 库并向其中添加文档。

创建知识库

在开始上传文档之前，您必须先创建一个知识库来放入文档。如需创建知识库，请对 KnowledgeBase 类型调用 create 方法。

REST

在使用任何请求数据之前， 请先进行以下替换：

  • PROJECT_ID：您的 GCP 项目 ID
  • KNOWLEDGE_BASE_DISPLAY_NAME：所需的知识库名称

HTTP 方法和网址： 

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/knowledgeBases

请求 JSON 正文： 

{
  "displayName": "KNOWLEDGE_BASE_DISPLAY_NAME"
}

如需发送您的请求，请展开以下选项之一：

您应该收到类似以下内容的 JSON 响应：

{
  "name": "projects/PROJECT_ID/knowledgeBases/NDA4MTM4NzE2MjMwNDUxMjAwMA",
  "displayName": "KNOWLEDGE_BASE_DISPLAY_NAME"
}

knowledgeBases 后面的路径段包含新知识库 ID。

Python

如需向 Agent Assist 进行身份验证，请设置应用默认凭据。 如需了解详情，请参阅 为本地开发环境设置身份验证。 

def create_knowledge_base(project_id, display_name):
    """Creates a Knowledge base.

    Args:
        project_id: The GCP project linked with the agent.
        display_name: The display name of the Knowledge base."""
    from google.cloud import dialogflow_v2beta1 as dialogflow

    client = dialogflow.KnowledgeBasesClient()
    project_path = client.common_project_path(project_id)

    knowledge_base = dialogflow.KnowledgeBase(display_name=display_name)

    response = client.create_knowledge_base(
        parent=project_path, knowledge_base=knowledge_base
    )

    print("Knowledge Base created:\n")
    print("Display Name: {}\n".format(response.display_name))
    print("Name: {}\n".format(response.name))

创建知识文档

您现在可以向知识库添加文档。如需在 知识库中创建文档，请对 Document 类型调用 create 方法。 设置为 ARTICLE_SUGGESTION。KnowledgeType本示例使用已上传到公开共享的 Cloud Storage 存储桶的包含退货订单信息的 HTML 文件 。在您自己的系统中设置文章建议时，文档必须采用以下格式之一。如需详细了解文档最佳实践，请参阅“知识文档”文档。

知识文档格式包括：

  • 存储在 Cloud Storage 存储桶中的文件。您可以在调用 API 时指定路径。
  • 文档的文本内容，您可以在 API 请求中发送。
  • 公开网址。

REST

在使用任何请求数据之前， 请先进行以下替换：

  • PROJECT_ID：您的 GCP 项目 ID
  • KNOWLEDGE_BASE_ID：上一项请求返回的您的知识库 ID
  • DOCUMENT_DISPLAY_NAME：所需的知识文档名称

HTTP 方法和网址： 

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/knowledgeBases/KNOWLEDGE_BASE_ID/documents

请求 JSON 正文： 

{
  "displayName": "DOCUMENT_DISPLAY_NAME",
  "mimeType": "text/html",
  "knowledgeTypes": "ARTICLE_SUGGESTION",
  "contentUri": "gs://agent-assist-public-examples/public_article_suggestion_example_returns.html"
}

如需发送您的请求，请展开以下选项之一：

您应该收到类似以下内容的 JSON 响应：

{
  "name": "projects/PROJECT_ID/operations/ks-add_document-MzA5NTY2MTc5Mzg2Mzc5NDY4OA"
}

该响应是一个长时间运行 的操作，您可以轮询该操作以 检查是否完成。

Python

如需向 Agent Assist 进行身份验证，请设置应用默认凭据。 如需了解详情，请参阅 为本地开发环境设置身份验证。 

def create_document(
    project_id, knowledge_base_id, display_name, mime_type, knowledge_type, content_uri
):
    """Creates a Document.

    Args:
        project_id: The GCP project linked with the agent.
        knowledge_base_id: Id of the Knowledge base.
        display_name: The display name of the Document.
        mime_type: The mime_type of the Document. e.g. text/csv, text/html,
            text/plain, text/pdf etc.
        knowledge_type: The Knowledge type of the Document. e.g. FAQ,
            EXTRACTIVE_QA.
        content_uri: Uri of the document, e.g. gs://path/mydoc.csv,
            http://mypage.com/faq.html."""
    from google.cloud import dialogflow_v2beta1 as dialogflow

    client = dialogflow.DocumentsClient()
    knowledge_base_path = dialogflow.KnowledgeBasesClient.knowledge_base_path(
        project_id, knowledge_base_id
    )

    document = dialogflow.Document(
        display_name=display_name, mime_type=mime_type, content_uri=content_uri
    )

    document.knowledge_types.append(
        getattr(dialogflow.Document.KnowledgeType, knowledge_type)
    )

    response = client.create_document(parent=knowledge_base_path, document=document)
    print("Waiting for results...")
    document = response.result(timeout=120)
    print("Created Document:")
    print(" - Display Name: {}".format(document.display_name))
    print(" - Knowledge ID: {}".format(document.name))
    print(" - MIME Type: {}".format(document.mime_type))
    print(" - Knowledge Types:")
    for knowledge_type in document.knowledge_types:
        print("    - {}".format(KNOWLEDGE_TYPES[knowledge_type]))
    print(" - Source: {}\n".format(document.content_uri))

创建并部署新的自定义模型

  1. 前往 Agent Assist 界面 ，然后点击页面最左侧的模型 菜单选项。

  2. 模型 菜单会显示所有模型。如需创建新模型，请点击右上角的 +新建 按钮。

  3. 在模型类型 下，选择文章建议 。在名称 字段中，为新模型输入一个唯一的名称。最后，选择要用于训练模型的知识库的名称。点击此字段时，系统会显示一个菜单，其中包含您已创建的所有数据集的列表。

  4. 知识建议模型与智能回复模型一样，都是使用对话数据集进行训练的。与智能回复功能不同，知识建议模型不会向客服人员显示字词建议，而是会显示文章或常见问题解答答案。

    选择任意数量的对话数据集来训练模型。点击创建 以创建新模型。

  5. 新模型现在会显示在模型 页面上的模型列表中。在模型训练完成之前，新模型的状态将显示为待处理 ，然后显示为正在创建 。训练需要一天或更长时间，具体取决于您的计算资源。如需部署训练好的模型，请点击页面最右侧与模型关联的由 3 个垂直点组成的图标，然后点击部署 。

使用 Agent Assist 模拟器测试自定义知识助理模型

借助 Agent Assist 模拟器，您可以在实现模型之前预览其性能。该模拟器可与任何 Agent Assist 功能搭配使用。以下步骤将引导您完成使用模拟器测试自定义知识辅助模型的过程。

  1. 您必须先创建一个或多个对话配置文件 ，然后才能运行模拟器。对话配置文件代表经过训练和部署的知识辅助模型。与智能回复模型不同，知识辅助模型没有关联的许可名单。

    如需创建对话配置文件，请点击页面左侧主菜单中的对话配置文件 。

  2. 系统会显示现有对话配置文件的列表。如果您想使用预先存在的配置文件，可以跳到后面的第 4 步。否则，请点击页面右侧的 +新建 按钮，创建一个新的对话配置文件。

  3. 在显示的菜单中，在显示名 框中为对话配置文件输入一个唯一名称。从建议类型 框中选择文章 或常见问题解答 （具体取决于您训练的模型类型）。您还需要输入置信度阈值 和建议数量上限 值。建议数量上限是返回的响应文章或常见问题解答答案的数量，而置信度阈值是指模型的每个响应与客服人员的请求相关的置信度水平。置信度值越高，相关响应返回的可能性就越高；但是，如果没有可用的选项达到高阈值，则可能会导致返回的响应较少或无响应返回。如需提高准确率并降低覆盖率，我们建议将置信度阈值设为 0.8；如需降低准确率并提高覆盖率，我们建议将置信度阈值设为 0.2。

    选择检索方法 （内嵌或 Pub/Sub）、是否 启用 情感分析以及 是否使用 Dialogflow 虚拟代理 。点击创建 按钮以创建对话配置文件。

  4. 您的对话配置文件现在会显示在主对话配置文件 页面上的配置文件列表中。如需使用模拟器，请点击要测试的对话配置文件名称最右侧的三个垂直点，然后点击使用模拟器 。

  5. 显示的窗口会为您提供客户和客服人员响应的输入框。您可以使用这些框来测试在配置对话配置文件时选择的 Agent Assist 功能。如需更改要测试的功能组合，请点击右上角的选项 按钮，然后从显示的配置视图 菜单中选择功能。

  6. 点击右上角的完成 按钮，返回到主对话配置文件页面。