周末找了个 nlp 相关的工具，使用起来还不错，它就是 rasa_nlu, 具有实体识别，意图分类等功能，在加上一个简单的意图操作即可实现简单的 chatbot 功能，其类图如下所示：
Rasa_NLU 类依赖图
整体程序的入口是在 data_router.py 文件中的 DataRouter 类中，主要作用是将模型以 project 的方式进行管理，控制数据的流向问题
component_classes 中包含所有 Component 类
# Classes of all known components. If a new component should be added,
# its class name should be listed here.
component_classes = [
SpacyNLP, MitieNLP,
SpacyEntityExtractor, MitieEntityExtractor, DucklingExtractor,
CRFEntityExtractor, DucklingHTTPExtractor,
EntitySynonymMapper,
SpacyFeaturizer, MitieFeaturizer, NGramFeaturizer, RegexFeaturizer,
CountVectorsFeaturizer,
MitieTokenizer, SpacyTokenizer, WhitespaceTokenizer, JiebaTokenizer,
SklearnIntentClassifier, MitieIntentClassifier, KeywordIntentClassifier,
EmbeddingIntentClassifier
]
# Mapping from a components name to its class to allow name based lookup.
registered_components = {c.name: c for c in component_classes}
registered_components 通过将 component_classes 中的类进行迭代并遍历出名称 Map
get_component_class 函数将 名称转为相应的 Component 类
主要架构相关的文件：
registry.py 文件 主要作用是将 pipeline 中的名称转为相应的 类，以及导入相应的模型文件
config.py 配置文件转换
model.py 文件 主要是模型相关内容
| 类名 | 说明 |
|---|---|
| RasaNLUModelConfig | 用来存放训练是使用的 pipeline 参数 |
| Metadata | 将 model 目录下 metadata.json 文件进行解析，并缓存 |
| Trainer | 训练所有相关的 Component 部分， 通过 train 函数进行训练， 通过 persist 函数进行持久化存储 |
| Interpreter | 通过训练好的 pipeline 模型解析文本字符串 |
| Persistor | 用于存储模型在云端 aws，gcs，azure等 |
在 persist 函数中，通过 self.pipeline 缓存内容，加上各种参数以及相应模型文件配置到 metadata.json 文件中
Interpreter 初始化流程
1. 加载 MetaData 数据内容
2. 根据 metadata.json 中 pipeline 构件Component 执行序列
3. 初始化 Interpreter 参数列表
Interpreter 解析文本过程
1. 将文本通过 Message 进行封装
2. 根据 Component 执行序列处理 Message 对象
3. 格式化输出 Message 对象内容
Message 中通过 Map 将所有计算结果存放在相应的地方最终格式化为输出结果
