如何增强rasa nlu 模型，也许你不知道的方法

首先，需要说明的是，这里的增强是在rasa_nlu以HTTP server的方式启动，并对外提供服务时。通过不断的调用/parse的时候，才能实施的增强方案。

首先明确增强的思路

启动rasa_nlu.server时，指定--reponse_logs参数，收集/parse解析时的数据；

找到logs目录收集到的json日志；

提取日志中的text和对应的意图和实体，并整理成nlu_data的json格式；

使用可视化nlu data的工具，使用web页面查看example及对应的意图和实体。其中的意图和实体可以在线修改，然后再下载到本地。

工具：https://github.com/RasaHQ/rasa-nlu-trainer

识别错误的数据修改后，添加到先前的数据集中，重新训练模型。

然后具体的做法

按照思路，使用python定期抽取日志内容；

使用npm安装，并启动本地的可视化工具，把提取到的data上传到工程中；

安排人手，使用可视化工具，筛检数据并修改错误的预测；

下载修改后的data，并使用python追加到旧数据集中；

使用rasa_nlu.train启动训练，等待训练完成。

以上，由于rasa_nlu每次都会使用最新的模型，对用户查询进行意图预测和实体的提取，因此完成训练后，无需其他操作。

OK。至此，基本上完成了数据的增强工作。聪明且较真的你会说，这后台还要大量的人工干预，是不是不好。太累，工作比较繁琐。这里要说的是，有些事情必须有人去做。不然哪来的监督。有没有更好的方法，有！不过，这需要看具体的场景，若是用户愿意参与改进，可以把这部分指导训练的活，分散给使用的用户。

接下来，会继续记录。如何在用户端，收集相关的指导、可改善模型的信息。