Python 重新培训和更新现有Rasa NLU模型

我一直在使用Rasa NLU进行一个项目，该项目涉及理解结构化文本。我的用例要求我通过添加文本语料库实体的新示例来不断更新我的训练集。然而，这意味着我必须每隔几天对我的模型进行一次再培训，由于培训集的规模增加，因此需要更多的时间进行培训

Rasa NLU中是否有方法更新已训练的模型，只使用新的训练集数据对其进行训练，而不是使用整个以前的训练数据集和新的训练数据集再次训练整个模型

---

我试图寻找一种方法，通过每隔几天使用增量的额外训练数据集对现有的训练模型进行训练，从而简单地更新我的训练模型。

到目前为止，关于该主题的最新Github指出，无法重新训练仅添加新话语的模型。 本文件中引用的先前问题也是如此

你说得对：必须定期对越来越长的文件进行再培训，这会越来越耗时。尽管如此，在生产中进行再培训并不是一个好主意

用户评论中的优秀示例：

对于生产系统来说，对同一模型进行再培训可能是一个问题。我过去常常覆盖我的模型，然后在某个时候，其中一个训练没有很好地发挥作用，我开始看到我的信心严重下降。我必须找到问题的根源，并对模型进行再培训

始终使用时间戳来训练新模型是很好的，因为它使回滚更容易，并且会在生产系统中发生。然后，我从数据库中获取最新的模型名称