本文轉載自公眾號“讀芯術”(ID：AI_Discovery)

[[390546]]

了解聊天機器人的主要用途很重要，每個行業都不能使用同一個聊天機器人，他們有不同的目的和不同的語料庫。雖然消息傳遞組件可以很好地給予答復，但是可能需要時間作出回應。另一方面，考慮到時間問題，可以應用各種其他方法，甚至可以找到一些以規則為基礎的系統，以獲得適合回答所提問題的語句。

你曾多少次聯系旅行社要求退票，得到一個恰當的答復是遠遠不夠的。

現在讓我們制作一個簡單的聊天機器人，安裝以下軟件包：

pip install nltk  
pip install newspaper3k 

Package newspaper3k有以下優點：

• 多線程文章下載框架
• 可識別新聞URL
• 可從HTML中提取文本
• 從HTML中提取頂層圖像
• 可從HTML提取所有圖像
• 可從文本中提取關鍵詞
• 可從文本中提取摘要
• 可從文本中提取作者
• 谷歌趨勢術語提取
• 使用10多種語言(英語、德語、阿拉伯語、中文等)

導入庫，如下所示：

#import libraries 
from newspaper import Article 
import random 
import nltk 
import string 
from sklearn.feature_extraction.text import CountVectorizer 
from sklearn.metrics.pairwise import cosine_similarity 

余弦相似度或余弦核將相似度計算為X和Y的標準化點積：

sklearn.metrics.pairwise.cosine_similarity(X, Y=None, dense_output=True) 

參數

X{ndarray, sparse matrix} of shape (n_samples_X, n_features) 輸入數據。

Y{ndarray,sparse matrix} of shape (n_samples_Y, n_features), default=None 輸入數據。

如果沒有，輸出將是X. dense_outputbool中所有樣本之間的成對相似性，default =True是否返回密集輸出，即使輸入是稀疏的。如果為False，則如果兩個輸入數組都是稀疏的，則輸出是稀疏的。

返回

核矩陣：ndarray of shape(n_samples_X, n_samples_Y)

import numpy as np 
import warnings 
warnings.filterwarnings('ignore') 

這里從一個醫療保健網站獲取數據：

article=Article("https://www.mayoclinic.org/diseases-conditions/chronic-kidney-disease/symptoms-causes/syc-20354521") 
article.download() 
article.parse() 
article.nlp() 
corpus=article.text 
print(corpus) 
 
 
#tokenization 
text=corpus 
sentence_list=nltk.sent_tokenize(text) #A list of sentences 
 
 
#Print the list of sentences 
print(sentence_list) 

準備好了語料庫之后，你需要考慮用戶或客戶可能會問或說的問題，這與我們的內容無關。它可以是問候語、感謝語，也可以是拜拜之類的信息。團隊需要就這些信息和他們的反應進行考量。

問候機器人響應：

#Random response to greeting 
def greeting_response(text): 
 text=text.lower() 
 
 
 #Bots greeting 
 bot_greetings=["howdy","hi","hola","hey","hello"] 
 
 
  #User Greetings 
 user_greetings=["wassup","howdy","hi","hola","hey","hello"] 
 for word in text.split(): 
 if word in user_greetings: 
 return random.choice(bot_greetings) 
#Random response to greeting 
def gratitude_response(text): 
 text=text.lower() 

感謝機器人響應：

#Bots gratitude 
 bot_gratitude=["Glad tohelp","You are most welcome", "Pleasure to be ofhelp"] 
 
 
 #User Gratitude 
 user_gratitude=["Thankyou somuch","grateful","Thankyou","thankyou","thankyou"] 
 
 
 for word in text.split(): 
 if word in user_gratitude: 
 return random.choice(bot_gratitude)

種類列表：

# Default title text 
def index_sort(list_var): 
 length=len(list_var) 
 list_index=list(range(0,length)) 
 x=list_var 
 for i in range(length): 
 for j in range(length): 
 if x[list_index[i]]>x[list_index[j]]: 
 #swap 
 temp=list_index[i] 
 list_index[i]=list_index[j] 
 list_index[j]=temp 
 
 
 return list_index 

聊天機器人響應功能來自于對預定義文本的余弦相似性的響應。

#Creat Bots Response 
def bot_response(user_input): 
 user_input=user_input.lower() 
 sentence_list.append(user_input) 
 bot_response="" 
 cm=CountVectorizer().fit_transform(sentence_list) 
 similarity_scores=cosine_similarity(cm[-1],cm) 
 similarity_scores_list=similarity_scores.flatten() 
 index=index_sort(similarity_scores_list) 
 index=index[1:] 
 response_flag=0 
 j=0 
 for i in range(len(index)): 
 ifsimilarity_scores_list[index[i]]>0.0: 
  bot_response=bot_response+''+sentence_list[index[i]] 
 response_flag=1 
 j=j+1 
 if j>2: 
 break 
 
 
 if response_flag==0: 
 bot_response=bot_response+""+"I apologize, I dont understand" 
 
 
 sentence_list.remove(user_input)  
 
 
 return bot_response 

對于退出聊天，退出列表中的單詞寫為“退出”，“再見”，“再見”，“退出”。

響應這些話，聊天機器人將退出聊天。

啟動聊天機器人，盡情享受吧!

#Start Chat 
print("Doc Bot: I am DOc bot and I will answer your queries about chronickidney disease, if you want to exit type, bye") 
 
 
exit_list=['exit','bye','see you later','quit'] 
 
 
while(True): 
 user_input=input() 
 if user_input.lower() in exit_list: 
 print("Doc Bot: Bye Bye See youlater") 
 break 
 elif greeting_response(user_input)!=None: 
 print("Doc Bot: "+greeting_response(user_input)) 
 elif gratitude_response(user_input)!=None: 
 print("Doc Bot: "+gratitude_response(user_input))  
 else: 
 print("Doc Bot: "+bot_response(user_input)) 

請參見下面聊天機器人的回復：

“謝謝”并不在我們的機器人感謝程序中，因此我們要傳達這樣的信息。隨著時間的推移，你可以擴大這樣的詞匯表，或者使用正則表達式對其進行微調。

舉個小例子，與聊天機器人開始聊天，應該是快速和簡單的。你需要針對不同行業對聊天機器人進行微調，這些行業的語料庫來自實時數據或云端的一些儲存。

此外，需要注意的是，實時數據要面對挑戰，聊天必須基于最新的數據作出回應，例如在旅行社訂票。