十分钟，如何制作一个聊天机器人？

本文转载自公众号“读芯术”(ID：AI_Discovery)

了解聊天机器人的主要用途很重要，每个行业都不能使用同一个聊天机器人，他们有不同的目的和不同的语料库。虽然消息传递组件可以很好地给予答复，但是可能需要时间作出回应。另一方面，考虑到时间问题，可以应用各种其他方法，甚至可以找到一些以规则为基础的系统，以获得适合回答所提问题的语句。

你曾多少次联系旅行社要求退票，得到一个恰当的答复是远远不够的。

现在让我们制作一个简单的聊天机器人，安装以下软件包：

pip install nltk  pip install newspaper3k 

Package newspaper3k有以下优点：

多线程文章下载框架 可识别新闻URL 可从HTML中提取文本 从HTML中提取顶层图像 可从HTML提取所十分有图像 可从文本中提取关键词 可从文本中提取摘要 可从文本中提取作者 谷歌趋势术语提取 使用10多种语言(英语、德语、阿拉伯语、中文等)

导入库，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 

余弦相似度钟，或余弦核将相似度计算为X和Y的标准化点积：

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

X{ndarray, sparse matrix} of shape (n_samples_X, n_features) 输入数据。

Y{ndarray,sparse matrix} of shape (n_samples_Y, n_features), default=None 输入数据。

如果没有，输出将是X. dense_outputbool中所有样本之间的成对相似性，default =True是否返回密集输出，即使输入是稀疏的。如果为False，则如果两个输入数组都是稀疏的，则输出是稀疏的。

返回

核矩阵：ndarray of shape(如何n_samples_X, n_samples_Y)

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

这里从一个医疗保健网站获取数据：

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) 制作  #tokenization text=corpus sentence_list=nltk.sent_tokenize(text) #A list of sentences   #Print the list of sentences print(sentence_list) 

准备好了语料库之后，你需要考虑用户或客户可能会问或说的问题，这与我们的内容无关。它可以是问候语、感谢语，也可以是拜拜之类的信息。团队需要就这些信息和他们的反应进行考量。

问候机器人响应：

#Random response to greeting def 一个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_gre聊天etings:  return random.choice(bot_greetings) #Random response to greeting def gratitude_response(text):  text=text.lower() 

感谢机器人响应：

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

种类列表：

# Default title text def index_sort(list_var):  length=len(list_va人？r)  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 lis十分t_index 

聊天机器人响应功能来自于对预定义文本的余弦相似性的响应。

#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=sim钟，ilarity_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  如何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 

对于退出聊天，退出列表中的单词写为“退出”，“再见”，“再见”，“退出”。

响应这些话，聊天机器人将退出聊天。

启动聊天机器人，尽情享受吧!

#Start Chat 制作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 一个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_respo聊天nse(user_input))   else:  print("Doc Bot: "+bot_response(user_input)) 

请参见下面聊天机器人的回复：

“谢谢”并不在我们的机器人感谢程序中，因此我们要传达这样的信息。随着时间的推移，你可以扩大这样的词汇表，或者使用正则表达式对其进行微调。

举个小例子，与聊天机器人开始聊天，应该是快速和简单的。你需要针对不同行业对聊天机器人进行微调，这些行业的语料库来自实时数据或云端的一些储存。

此外，需要注意的是，实时数据要面对挑战，聊天必须基于最新的数据作出回应，例如在旅行社订票。

(责任编辑：访谈实录)