正则实体的应用实践

使用正则可以灵活、可靠地实现匹配到已知范围的多种说法，并实现关注字段的抽取。

场景1-抽取用户表述中的条件

用户故事

用户与一个图书管理机器人对话，希望查找符合要求的图书。

用户输入：“找一本关于xxx的书”。

期望机器人可以抽出中间的xxx条件，并作为搜索的关键词。

搭建步骤

1. 新建一个正则实体“查询图书”，正则表达式：找一本关于(\w+)的书
2. 创建词槽“图书查询条件”，选择角色填槽，角色名：1，可填槽实体：查询图书
3. 新建意图“查询图书”，添加一个相似问：[找一本关于历史的书]{"entity":"查询图书"}
4. 新建一个对话流程技能
   1. 触发意图选择“查询图书”
   2. 进入画布，开始单元后接询问填槽单元，选择待填词槽为“图书查询条件”
   3. 后接消息发送单元，回复内容为：查找图书的条件：{slot=图书查询条件}
5. 技能状态改为已生效，点击训练机器人
6. 用测试机器人中测试对话效果，可以看到机器人抽取出了图书的条件，并将其填入“图书查询条件”词槽中。

正则式的常用规则

在搭建示例中，我们将正则实体的表达式配置为：找一本关于(\w+)的书，其中：

• \w 表示任意汉字、英文字母、数字
• + 表示重复至少1次（1-N）

因此：

• \w+ 表示长度至少为1的连续汉字、英文字母或数字

提炼和扩展一些正则式的常用规则：

• \d* 表示连续0-N个数字
• ? 表示重复0或者1次
• * 表示重复任意次（0-N）
• (ab)+：表示至少重复1次ab，例如：ab，abab，ababab

正则实体的角色填槽

• 在搭建示例中，括号中的内容(\w+)会被单独作为实体抽出，并带有角色名。

  • 角色名按照括号从左到右的顺序默认为1、2、3…

  • 角色名支持通过使用(?P<name>xxxx)的写法自定义，例如：找一本关于(?P<book>\w+)的书。对应的，词槽中的角色名需要修改为book。

• 如果不希望机器人将某些括号中的内容抽出，需要把括号原内容(xxx)改写成(?:xxx)，这样括号里面的内容，就不会被单独抽出实体以及角色。

尝试支持更多的说法

1. 用户的表述不会只有找一本关于xxx的书这一种，用户还可能会说：

   • 我想找一本关于xxx的书
   • 找关于xxx的书
   • 搜xxx的书
   • 找一本xxxx的书

2. 用户可能不说“一本”或者“关于”，因此这两部分重复0或1次，同时无需被抽取出来。将正则表达式优化为：找(?:一本)?(?:关于)?(?P<book>\w+)的书。可以识别到的说法扩展为：

   • 找一本关于chatbot的书
   • 找chatbot的书
   • 找一本chatbot的书
   • 找关于chatbot的书

3. 用户对“查找”的表述有很多，如“搜索”、“找”等，因此可以用“|”将这些表述拼接起来，表达或关系。将正则表达式优化为：(?:搜|查找|找)(?:一本)?(?:关于)?(?P<book>\w+))的书。可以识别到的说法扩展为：

   • 搜一本关于chatbot的书
   • 查找一本关于chatbot的书
   • 找一本关于chatbot的书
   • 搜一本chatbot的书
   • 查找一本chatbot的书
   • 搜chatbot的书

场景2-填入多个词槽

用户故事

某ASR项目中，用户说IP地址时，ASR结果样式为：10.12点2.245。

期望机器人可以将其转换成正确的书写格式10.12.2.245

搭建步骤

1. 新建一个正则实体“IP地址”，正则表达式：(\d+)\.(\d+)点(\d+)\.(\d+)
2. 创建4个词槽“IP1”至“IP4”，将角色名@填槽实体一次配置为为1@IP地址，2@IP地址，3@IP地址，4@IP地址，
3. 新建对话流程技能
   1. 新建触发意图“抽取IP”，添加一个相似问：[10.12点2.245]{"entity":"IP地址"}
   2. 新建对话流程技能，触发意图选择“抽取IP”
   3. 进入画布，开始单元后配置四个询问填槽单元，待填词槽依次为“IP1”至“IP4”
   4. 后接消息发送单元，回复内容为：{slot=IP1}.{slot=IP2}.{slot=IP3}.{slot=IP4}
4. 技能状态改为已生效，点击训练机器人
5. 用测试机器人中测试对话效果，可以看到机器人抽取出了IP地址，并将其转换为正确的格式打印出来。

更完善的正则表达式

正则匹配很容易出错，需要考虑各种可能的情况

以IP地址为例，考虑以下的bad cases：

• 1111.1.2.3
• 333.1.2.3
• 256.1.2.3
• 1.2.3.2555
• 1.2.3333.4

1. IP地址的数字范围，每一段为0-255之前，因此应该为1-3位数字，可以用{1,3}限制数字的范围： (\d{1,3})\.(\d{1,3})点(\d{1,3})\.(\d{1,3})

2. 每个字段范围是0-255，需要考虑数字的取值范围，例如当数字为3位时，最高位只能是1或者2 ([012]?[0-9]{1,2})\.([012]?[0-9]{1,2})点([012]?[0-9]{1,2})\.([012]?[0-9]{1,2})