资源 | Facebook开源人工智能框架ParlAI：可轻松训练评估对话模型(4)

core：该目录包含了设置支持 MTurk 聊天接口的 AWS 后端的核心代码，以及用于 HIT 创建和许可的代码。

tasks：该目录包含了两个第一版提供的示例 MTurk 任务。

qa_data_collection：从 Turker 获取问题和答案，给出了 SQuAD 的一个随机段落

model_evaluator：在 Reddit 电影对话日志数据集上评估该信息检索基线模型

run_mturk.py：用于调用 mturk 核心代码的文件，包含用户指定的任务模块、对话日志模型代理、HIT 的数量和每个 HIT 的回报。

在 run_mturk.py 中，去掉任务模块和你想使用的代理类别的注释

对于 create_hits 方法，如有需要，改变 num_hits 和 hit_reward。如果你想仅在 MTurk 沙箱中运行该样本，那么就将 is_sandbox 设置为 True；如果设置为 False，则就可让 Turker 来处理这个工作并得到报酬。

运行 python run_mturk.py

在 mturk/tasks 目录为你自己的任务创建一个新的文件夹

部署 task_config.py，至少在 task_config 目录中包含以下字段：

hit_title：关于该 HIT 包含的任务类型的一个短的描述性标题。在 Amazon Mechanical Turk 网站上，该 HIT 标题以搜索结果的形式呈现，并且出现在该 HIT 被提及的任何地方。

hit_deion：一个 deion（描述）包含了该 HIT 所包含的任务类型的详细信息。在 Amazon Mechanical Turk 网站上，该 HIT 描述出现在搜索结果的扩展视图中，并且也会出现在该 HIT 和分配（assignment）屏幕上。

hit_keywords：描述该 HIT 的一个或多个词或短语，用逗号隔开。在 Amazon Mechanical Turk 网站上，这些词被用于搜索 HIT。

worker_agent_id：一个指示 Turker 在对话中的作用的短名字

task_deion：一个详细的任务描述，将会出现在 HIT 任务预览页面，并会显示在聊天页面的左侧。支持 HTML 格式。

实现 agents.py，至少有一个从 Agent 扩展的代理类别。

编写你自己的 __init__() 方法以打包你的对话模型代理（具体示例可见 mturk/tasks/model_evaluator/agents.py 文件）。

编写你自己的 act() 方法，其会返回你的对话模型的响应，以及有助于 Turker 了解接下来应该做的事情的帮助文本。

在 run_mturk.py 文件中导入你的任务模块和代理类别，然后运行 python run_mturk.py