导读：
demo内容来源网课贪心科技AI学社的网课《人工智能Python编程特训营》
本篇博客的主要内容是做一个聊天机器人。
课件
这里先附上课件，可以收藏一下
课堂代码
制作属于自己的聊天机器人
图灵机器人http://www.turingapi.com/
API接口教程https://www.kancloud.cn/turing/www-tuling123-com/718227
第三方机器人简易接口调用
这里用的是flask框架，调用方法很简单，只需要在装饰器里面写路径就可以了。
from flask import Flask
import requests
app = Flask(__name__)
# 装饰器里面写的是访问路径
@app.route("/")
def hello_world():
url = "http://openapi.tuling123.com/openapi/api/v2"
data_param = {
"reqType": 0,
"perception": {
"inputText": {
"text": "附近的酒店"
},
"inputImage": {
"url": "imageUrl"
},
"selfInfo": {
"location": {
"city": "北京",
"province": "北京",
"street": "信息路"
}
}
},
"userInfo": {
"apiKey": "xxxxxxxxxxxxxxxxxxxxxx",
"userId": "xxxxxxxxxxxxxxxxxx"
}
}
response = requests.post(url=url,json=data_param)
print(response.text)
return "贪心学院"
if __name__ == "__main__":
app.run()
会得到返回的信息
{"intent":{"code":4003},"results":[{"groupType":0,"resultType":"text","values":{"text":"在外住酒店，还是得小心点好哦~"}}]}
当前需要填上自己的apiKey和userId，而且还得去申请权限，否则会出现
{"intent":{"code":4003},"results":[{"groupType":0,"resultType":"text","values":{"text":"请求次数超限制!"}}]}
我们换一种玩法
from flask import Flask
app = Flask(__name__)
# 装饰器里面写的是访问路径
@app.route("/greedyai/<data>")
def hello_world(data):
return data
if __name__ == "__main__":
app.run()
这时候运行后
http://127.0.0.1:5000/greedyai/
在这个路径之后输入你想要显示的字符串，就会显示出来
比如说http://127.0.0.1:5000/greedyai/你是谁就会在屏幕上输出你是谁的字样。
具体开发方法，基于模板匹配
from flask import Flask
import requests
app = Flask(__name__)
# 装饰器里面写的是访问路径
@app.route("/greedyai/<data>")
def hello_world(data):
if "帅" in data:
return "大周老师"
elif "线上" in data:
return "线上课程为主"
elif "助教" in data or "服务" in data:
return "为提高服务质量，课程配有专业的助教老师"
elif "基础" in data:
return "http://aijiaoai.greedyai.com/home"
elif "优势" in data:
return "这你都问，大周老师就是优势"
elif "有效期" in data:
return "只要你想学，我一直在你身边"
else:
return "哎哟，小主，我不懂你的意思"
if __name__ == "__main__":
app.run()
然后跟上面的示例一样，在路径之后输入一句话，如果这一句话里面包含了某个关键词，那么就会输出相应的回复
这是部分输入的回复
* Running on http://127.0.0.1:5000/ (Press CTRL+C to quit)
127.0.0.1 - - [02/Oct/2019 14:34:18] "GET /greedyai/有啥服务 HTTP/1.1" 200 -
127.0.0.1 - - [02/Oct/2019 14:40:17] "GET /greedyai/哈哈哈 HTTP/1.1" 200 -
127.0.0.1 - - [02/Oct/2019 14:40:31] "GET /greedyai/线上课程 HTTP/1.1" 200 -
基于搜索的方法
用户输入 -> 检索模型 -> 输入
如何计算相似度（文本的向量表示）
余弦相似度
课程demo
import jieba
# 词典
word_vector_list = ["我们", "来", "贪心", "学院", "学习", "人工智能", "和", "python"]
s1 = "我来贪心学院学习python"
s2 = "我学习人工智能"
s3 = "Python课程的学习周期是多久"
question = "Python学习多久"
# 第一种切分模式：精确模式，比较适合做文本分析
s1_result_list = list(jieba.cut(s1))
print(s1_result_list)
# 全模式
s1_result_list = list(jieba.cut(s1, cut_all=True))
print(s1_result_list)
# 搜索引擎模式
s1_result_list = list(jieba.cut_for_search(s1))
print(s1_result_list)
# 向量转换
import numpy as np
def get_vector(data):
vector_list = []
for i in word_vector_list:
if i in list(jieba.cut(data)):
vector_list.append(1)
else:
vector_list.append(0)
print(data)
print(vector_list)
return np.array(vector_list).reshape(1, -1)
question_vector_list = get_vector(question)
s1_vector_list = get_vector(s1)
s2_vector_list = get_vector(s2)
s3_vector_list = get_vector(s3)
# 相似度计算
from sklearn.metrics.pairwise import cosine_similarity
# print(cosine_similarity([[1, 0, 1]], [[0, 0, 1]]))
print(cosine_similarity(question_vector_list, s1_vector_list))
print(cosine_similarity(question_vector_list, s2_vector_list))
print(cosine_similarity(question_vector_list, s3_vector_list))
作业
完成一个完整的项目，能够根据已有的语料库，自动根据输入去计算哪个答案最符合
import jieba
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
from flask import Flask
# 建立语料库
corpus = {
"Python课程是线上课程还是线下课程？": "线上课程为主",
"Python课程有助教吗？": "为提高服务效率和质量，课程都配备专业的全职助教。",
"我没有基础应该从哪个课开始学？": "大周老师的Python基础集训营非常适合你哦，"
"可以在这里学习：http://aijiaoai.greedyai.com/info/5",
"Python的学习周期是多久？": "如果你没有基础的话两个月可以搞定",
"Python课程的学习方式是什么呢？": "无需安装环境，在线直接写代码、看视频、看漫画，趣味性学习",
"Python课程的优势是什么呢？": "全网覆盖最全的Python基础知识体系练与学的深度结合，"
"每一个知识点都配有练习项目,生动有趣、授课方式多样，视频、文字、图片、在线代码编辑，"
"在聊天与娱乐中学习",
"Python课程的有效期是多久呢？": "我们把有效期确定为1年，1年内可无限次学习",
"Python课程有优惠吗？": "我们定价为开课后是599，现在是针对老学员预售199，开课后恢复原价"
}
# 建立词典，对于所有语料库中的问题进行jieba分词
all_question = ""
for question in corpus:
all_question += question
dictionaries = list(set(jieba.cut(all_question))) # 加上set是为了方便去重
# 单个词典转换为向量
def transform_vector(date):
vector_list = []
for wd in dictionaries:
if wd in list(jieba.cut(date)):
vector_list.append(1)
else:
vector_list.append(0)
return np.array(vector_list).reshape(1, -1) # .reshape(1,-1)是为了后期余弦计算
# 单个余弦相似度计算
def get_cosine(user_question, corpus_question):
similar_list = cosine_similarity(transform_vector(user_question), transform_vector(corpus_question))
similar_num = similar_list[0][0] # 相似度
return similar_num
# 计算语料库中的所有相似度
def get_corpus_consine(user_question):
ori_question_dict = {}
ori_answer_dict = {}
similar_list = [] # 保存所有余弦值
for key in corpus:
similar_num = get_cosine(user_question, key) # 获得余弦值
similar_list.append(similar_num) # 保存所有余弦值
ori_question_dict[similar_num] = key # 获取原问题并储存
ori_answer_dict[similar_num] = corpus[key] # 获取原答案并储存
return similar_list, ori_question_dict, ori_answer_dict
# 得到最佳回答
def get_best_answer(similar_list, ori_question_dict, ori_answer_dict):
max_similar = max(similar_list)
if max_similar == 0: # 没有匹配项
best_similar = 0
best_question = "未检索到相似的问题"
best_answer = "对不起，我听不懂你在说什么"
else: # 返回值
best_similar = max_similar
best_question = ori_question_dict[max_similar]
best_answer = ori_answer_dict[max_similar]
return [best_similar, best_question, best_answer]
# 使用faslk,以接口的形式完成问答
app = Flask(__name__)
@app.route("/<user_question>")
def question_for_web(user_question):
similar_list, ori_question_dict, ori_answer_dict = get_corpus_consine(user_question) # 计算所有相似度
res = get_best_answer(similar_list, ori_question_dict, ori_answer_dict) # 得到最佳答案
html_ = '<html><body>' \
'<p>' \
'<h2>问题：{}</h2>' \
'</p>' \
'<p>' \
'<li>最高相似度：{}</li>' \
'<li>最高相似度的问题：{}</li>' \
'<h2>最佳回答为：{}</h2>' \
'</p>' \
'</body></html>'.format(user_question, res[0], res[1], res[2])
return html_ # 返回html并写入网页
if __name__ == "__main__":
app.run()
