专栏首页AI研习社聊天机器人还能这么玩!教你用 Tensorflow 搭建能理解语境的客服小二!

聊天机器人还能这么玩!教你用 Tensorflow 搭建能理解语境的客服小二!

掌握对话沟通,语境为王。

我们将使用Tensorflow构建一个聊天机器人框架,向大家示范如何实现上下文的语境处理。

有没有想过为什么大多数聊天机器人缺乏会话语境?

我们将创建一个聊天机器人框架,为一个小岛上的轻便摩托车租赁店建立一个对话模型。这家小店的聊天机器人需要处理营业时间,预订选项等简单问答。我们也希望它能处理客户根据上下文提出的问题,例如关于同一天租金的查询。体验能做好的话,可以让客户的假期留下美好回忆!

这将通过三个步骤实现:

  • 将对话意图的定义转换为Tensorflow模型
  • 接下来,构建一个聊天机器人框架来处理响应
  • 将基础的上下文语料,整合进响应处理过程

我们将使用tflearn,一个基于tensorflow的Python包。 一般用iPython notbook作为辅助工具

把会话意图的定义,转化为 TensorFlow 模型

第一步,完整的notebook脚本可以在 GitHub 找到:

http://t.cn/RooXK34

聊天机器人框架框架需要一个能定义会话意图的架构。有一个简洁的实现方式,是使用JSON文件:

http://t.cn/RooXpPo

每个会话意图包含:

  • 一个标签(唯一的命名)
  • 模式组(用于神经网络文本分类器的句子模式)
  • 响应组

稍后我们将添加一些基本的上下文元素。首先是导入的包:

如果是新手,看看“7行代码搞定深度学习”,相关链接:

http://t.cn/RXGpWZC

如果还不清楚 TensorFlow 都能干啥,就看看这个:

http://t.cn/RooXnIl

加载 JSON 会话意图文件后,现在可以开始设计我们的文件、词语和分类器的类。文件地址:

http://t.cn/RooXpPo

我们创建了文件(句子)列表,每个句子是一个由词干组成的列表,每个文件关联一个意图(一个类对象)。

词干"tak"将匹配“take”,“taking”,“takers”等。我们可以清理词语列表,删除无用的词目。但现在这样处理就够了。

麻烦的是,这个数据结构不能用到Tensorflow,需要进一步转换:从由词语组成的文本转换成由数值型变量组成的张量。

注意我们的数据是被打乱了的。Tensorflow将取出其中一些数据,并将其用作测试数据,以衡量新拟合模型的精度。

如果我们看一个单一的x和y列表元素,我们会得到词袋数组,一个用于意图模式,另一个用于意图类。

现在可以准备建模了。

同样的张量结构,也用在了 'toy’ 例子里的2层神经网络上,观察理解这个模型拟合训练数据的过程,会一直有用。

要完成这一部分的工作,我们将保存('pickle')模型和文档,以便下一个notbook脚本可以调用。

搭建聊天机器人框架

第二步的完整notebook脚本看这里:

http://t.cn/RooXsc2

我们将构建一个简单的状态机来处理响应,使用我们(从上一步)的意图模型作为分类器。这就是聊天机器人的工作原理。

语境聊天机器人框架,是带状态机的分类器。

导入相同的库之后,我们 unpickle 模型和文件,并重新加载意图文件。注意,聊天框架与我们构建的模型是分开的。除非意图模式改变,否则不需要重建模型。由于有数百种意图和数千种模式,模型可能需要几分钟的时间才能建立。

接下来,我们将加载保存的Tensorflow(tflearn框架)模型。需要注意的是,首先需要定义Tensorflow模型需要的数据结构,就像上一节所述。

在处理意图之前,我们要想办法把用户输入生成词袋。这个技巧与我们以前使用过的训练文本相同。

现在可以建立响应处理器了。

每个传递给response方法的句子都被分类。分类器使用model.predict()并且非常快。模型返回的概率向量与我们的意图按顺序一一对应,生成潜在响应列表。

如果一个或多个分类结果高于阈值,就可以判断一个标签是否与意图匹配,然后处理。我们将分类列表作为一个堆栈,并删除栈顶来寻找合适的匹配意图,直到找到一个或者栈为空。

我们来看一个分类示例,返回值中最有可能的标签及其概率。

注意,“你的店今天营业吗?”不是这个意图的模式之一:“模式”: [“今天营业吗?”, “今天什么时候开业?”, “今天的营业时间?”] ;而不管对应项“营业”和“今天” 多么适合模型(它们在选择的意图中是突出的)。

我们现在可以从用户输入中生成聊天机器人的响应。

以及上下文无关的其他响应..

让我们利用一些基本的上下文,实现我们聊天机器人的拖欠租赁谈话模型。

语境化

我们想要处理一个关于租赁摩托车的问题,并咨询租金是否今天到期。是非问题是一个简单的语境响应。如果用户回答“今天” ,上下文是租赁的时间范围,那么最好调取租赁公司编号1-800的问答响应。不占用时间。

为了实现这一点,我们将把“状态”的概念加入我们的框架。这包括用来维护状态的一个数据结构,和在处理意图时用来操作这个数据结构的特定代码。

因为我们的状态机的状态需要容易维护,恢复和复制等等,所以很重要的是要把它全部保存在像字典这样的数据结构中。

这是基本语境的处理过程:

我们的上下文状态是一个字典数据结构,它将包含每个用户的状态。我们将为每个用户使用一些唯一的标识(例如,元胞数)。这使得我们的框架和状态机可以同时维护多个用户的状态。

在意图处理流程中添加了上下文处理流程,如下所示:

如果一个意图想设值相应的上下文,则可以这样做:

如果其他意图想要与上下文相关联,则可以这样做:

以这种方式,如果用户刚刚输入“today”而与蓝色没有关联(无上下文信息),则我们的“today”意图将不被处理。如果他们输入“today” 作为对我们的Y/N问题(意图标签:“rental”)的回应,则意图被处理。

上下文状态更新了。

我们定义了“greeting”意图来简化上下文,就像通常的短对话一样。添加一个“show_details”参数来帮助我们理解其中的含义。

再试试输入“today”,这里有一些值得注意的...

首先,我们对无上下文相关的“today”的回应是不同的。我们的分类产生了2个合适的意图,而“opentoday”被选中,因为“今天”的意图虽然较高的概率,而被限制在不再适用的上下文中。语境很有用!

有一些事情需要考虑了,那就是下面的语境化...

带状态的状态模型

没错,你的聊天机器人将不再像无状态的服务端那么轻松愉快了。

除非要重置状态,重新加载模型和文档 - 每次调用您的聊天机器人框架时,那你都需要引入"状态"概念。

这个不难。可以在其进程中运行一个有状态的聊天框架,并使用RPC(远程过程调用)或RMI(远程方法调用)来调用,我推荐Pyro。

用户界面(客户端)通常是无状态的,例如。HTTP或SMS。

聊天机器人的客户端将调用Pyro函数,有状态服务来处理。看,惊不惊喜,意不意外!

这是一个构建Twilio SMS聊天机器人客户端的逐步指南,这里是FB Messenger的一个实现。

别把状态存到本地变量

所有状态信息都必须放在像字典一样的数据结构中,容易地持久化,重载或以原子复制。

每个用户的会话将生成上下文,这将为带有该用户状态的上下文。用户ID可以用他们的元胞数,Facebook用户ID或着其他唯一标识符。

有些情况需要(按值)复制用户的会话状态,然后作为意图过程来恢复。如果状态机在框架内带有状态相关的变量,那么在实际中难以有效的。

所以现在你有一个聊天机器人框架,一个有状态服务的方案,以及可以添加上下文的demo。以后大多数聊天机器人框架都将无缝地衔接上下文。

想想意图影响和反应不同上下文(语境)设定的创意方式。用户的上下文字典可以包含各种各样的会话上下文。

来一起愉快地玩耍起来!

本文分享自微信公众号 - AI研习社(okweiwu),作者:吴楚

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-06-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 评测 | 谷歌 TPU 二代来了,英伟达 Tesla V100 尚能战否?

    AI 研习社按:谷歌去年年中推出的 TPUv1 一度让英伟达感受到威胁将近,而现在的谷歌 TPU 二代 TPUv2 则着着实实得将这份威胁变成了现实,去年的评测...

    AI研习社
  • 计算机视觉算法工程师面试总结

    校招尘埃落定了,由于最近一直在忙毕业论文,现在才腾出时间总结一下面试经历,因为最近人工智能的火爆,所以今年算法岗竞争也相当激烈,投了很多公司也踩了很多坑,最后也...

    AI研习社
  • 谷歌开源BERT不费吹灰之力轻松训练自然语言模型

    目前自然语言处理模型是人工智能的前沿科技,他们是很多AI系统与用户交互的接口。NLP 发展的主要阻碍来自于模型对于高质量标记数据的依赖。由于语言是一个任何事物都...

    AI研习社
  • 开发 | 用 Tensorflow 搭建能理解语境的聊天机器人!

    想掌握对话沟通,语境为王。 我们将使用Tensorflow构建一个聊天机器人框架,向大家示范如何实现上下文的语境处理。 ? 有没有想过为什么大多数聊天机器人缺乏...

    AI科技评论
  • 如何一步一步用DDD设计一个电商网站(三)—— 初涉核心域

        结合我们本次系列的第一篇博文中提到的上下文映射图(传送门:如何一步一步用DDD设计一个电商网站(一)—— 先理解核心概念),得知我们这个电商网站的核心域...

    Zachary_ZF
  • 上下文系列小讲堂(一)

    “度量值”和“计算列”的区别,令很多初学新人纠结不已。毕竟大部份人是从EXCEL里绕过来的,遇到问题,习惯拉起公式添加列,操作近乎条件反射,毕竟添加的计算列实实...

    公众号PowerBI大师
  • 如何一步一步用DDD设计一个电商网站(六)—— 给购物车加点料,集成售价上下文

      前几篇已经实现了一个最简单的购买过程,这次开始往这个过程中增加一些东西。比如促销、会员价等,在我们的第一篇文章(如何一步一步用DDD设计一个电商网站(一)—...

    Zachary_ZF
  • 情感识别难?图神经网络创新方法大幅提高性能

    简而言之,情感识别(ERC)是对文字背后的情感进行分类的任务。例如,给定一段文字,你能说出说话者是生气、快乐、悲伤还是困惑吗?情感识别在医疗保健、教育、销售和人...

    AI科技大本营
  • 读书笔记(二)对象激活和上下文

    任何程序都需要在某个平台提供的环境中执行.对于传统的炒作系统而言,这种运行时环境的主要形式就是一个进程.一个进程不仅为你的代码提供了象虚拟内存,线程和内核对象这...

    用户1172164
  • linux sysbench (一): CPU性能测试详解

    田帅萌

扫码关注云+社区

领取腾讯云代金券