我想我應(yīng)該給這個它自己的特定帖子——這是我在我的Raspbinator和Nvidinator項目中使用的聊天機器人。下面鏈接的 GitHub 將隨著我對其進行改進而不斷更新。

我已經(jīng)決定了 Chatbot 8 這個名字——在我使用 GitHub 之前，我把它放在了我的 Google Drive 上，每次迭代我都會增加它的數(shù)量；我很高興在 Raspbinator 中使用的第一個是第 8 次迭代，現(xiàn)在，這個名字有點卡住了。

主要目標：

• 制作一個可以響應(yīng)人類輸入的機器人，隨著時間的推移學習并返回更多有機響應(yīng)。
• 能夠從大型文本文件（例如電影腳本和對話記錄）中進行訓練。
• 使其能夠輕松集成到其他項目中。

工作原理。

所以這是我的GitHub 上的代碼。

我已經(jīng)讓這些聊天機器人與Raspberry Pi項目一起工作——因此一切都將基于 Pi 和 Raspbian 操作系統(tǒng)。

有幾個依賴項：

• 模糊的
• 數(shù)據(jù)庫
• PyMongo （需要使用3.4.0版本）

其他一切都應(yīng)該包含在Raspbian上的 Python 包中。

在較高層次上，系統(tǒng)的邏輯如下：

Bot 說最初的“你好”。
人類回應(yīng)。
Bot 存儲對“Hello”的響應(yīng)，并在其數(shù)據(jù)庫中搜索其之前所說的與人類輸入的內(nèi)容非常匹配的任何內(nèi)容，然后顯示先前交互的結(jié)果。

通過存儲人類對機器人 Mongo 數(shù)據(jù)庫的反應(yīng)并將它們分配給機器人之前說過的事情，然后將人的輸入與這些項目進行比較以找到合適的反應(yīng)，您可以從機器人那里得到一些相當不錯的反應(yīng)。

舉個例子; 如果機器人說“天氣怎么樣”并且我輸入“外面正在下雨”，它會存儲該響應(yīng)并將其與該輸入相關(guān)聯(lián)。現(xiàn)在，如果其他人出現(xiàn)并輸入“天氣如何”，它將在其數(shù)據(jù)庫中搜索相近的匹配項并找到之前的回復“天氣怎么樣”，此時它將搜索對此的回復并找到我的回復“它的外面在下雨”。因此，雖然它并沒有真正“思考”它的反應(yīng)，但它確實最終會給出一些合理的回復。

它將首先以相當高的準確度搜索已知輸入，然后如果失敗，它將降低到中等準確度，最后降低到低準確度。我目前正在使用?這個?庫來比較字符串：

準確度級別為：

• fuzz.ratio(Str1.lower(),Str2.lower())
• fuzz.partial_ratio(Str1.lower(),Str2.lower())
• fuzz.token_set_ratio(Str1,Str2)

您可以在我上面鏈接的網(wǎng)站上看到這些函數(shù)是如何工作的——但通常所需的準確性會隨著函數(shù)的運行而降低。每個的閾值也可以調(diào)整。

因此，如果輸入字符串/存儲字符串的最高返回比率低于閾值，它將下降到第二個部分匹配并執(zhí)行相同的操作，最后如果失??；它將移動到設(shè)定的比率匹配。最后一個適用于具有匹配單詞的不同大小的字符串。

現(xiàn)在如果上面沒有匹配項會發(fā)生什么？在機器人響應(yīng)之前，它會將收到的輸入存儲到數(shù)據(jù)庫中，它還會拆分每個輸入并存儲所有單個單詞。因此，當它找不到之前對您的輸入的回復時，它有 40% 的機會從這些詞中生成一個隨機句子，并有 60% 的機會選擇一個它知道的完全隨機的完整句子。

現(xiàn)在你可能會認為這會導致機器人說很多廢話——你是對的，但一開始它只會在你和它說話時重復你說的話。但是你輸入和回復的越多，它學到的越多，它生成的隨機句子有時實際上有一定的意義；當你回復它時，它就會有一個參考點，用于確定它何時收到類似于它剛才所說的輸入。

這是另一個例子：

如果我對機器人說：“我喜歡奶酪”，它的數(shù)據(jù)庫中沒有任何輸入信息，也沒有足夠的詞來生成一個隨機句子，基本上是一個猜測，它可能會返回：“Hello television like usually”。這當然沒有意義，但如果我隨后回復“是的，我也喜歡電視”，它會存儲該回復。現(xiàn)在，比方說，其他人出現(xiàn)并輸入“我通常看電視”，它會在數(shù)據(jù)庫中運行它并找到它與之前所說的相似（“你好電視就像通常一樣”）并找到我的回答（“是的，我喜歡電視也是”），給人一種真實反應(yīng)的錯覺。

它本質(zhì)上是從頭開始學習，它什么都不知道，所以它會盡力使用以前的經(jīng)驗，作為最后的手段，猜測——直到它學到更多，這樣它就不必再猜測了。

它還能夠與多人保持對話——為與之交談的每個人創(chuàng)建一個新班級，并記錄他們與機器人的最后回應(yīng)。因此，當您使用“change_name”命令或通過從外部程序向?qū)υ捁δ茌斎氩煌拿Q來切換人員時，它可以與在該會話中已經(jīng)與之交談過的人進行對話。

模塊化的。

最近，我添加了將聊天機器人導入其他程序的功能，并且能夠從機器人獲取文本輸入和接收輸出——具有一個簡單的界面，只需要一個帶名稱的輸入字符串。然后機器人本身會處理之前的回復和機器人響應(yīng)；隨著對話切換并返回響應(yīng)。

它還可以獨立運行以進行測試，即使作為另一個項目的組件也可以輕松進行訓練和測試——例如與Nvidianator的 STT/TTS 和 ML 部分集成。

要使用它，只需將 bot .py 文件放在與它將使用的程序相同的文件夾中并使用：

將 bot_8 導入為聊天機器人

一旦導入到 Python 程序中，它就可以與命令交互：

回復 = chatbot.conversation（inputWords，humanid）

輸入的單詞當然就是輸入的內(nèi)容，因此這可以從語音到文本功能（例如wit.ai?或其他一些文本輸入）中獲取。

humanid 是當前與之交互的人的名字。

將這兩個輸入都放入函數(shù)后，它將以字符串形式返回回復——然后可用于在導入聊天機器人的程序中進行進一步處理。

訓練。

我還添加了一個訓練模塊——這可以很方便地加載大型文本文件，例如電影劇本或?qū)υ捰涗?，這樣機器人就可以在現(xiàn)有數(shù)據(jù)上進行訓練——我已經(jīng)用合金裝備的腳本試過了它工作得很好。

它通過掃描每一行并將數(shù)據(jù)放入機器人來工作——當每一行新行進入機器人代碼時，都會將其分配為對前一行的響應(yīng)。

它被編程為過濾掉以非字母字符開頭的空行和句子，以及以“：”分割行；因此，如果一個腳本的名字表示誰在說話，并且有各種注釋，應(yīng)該跳過這些行并刪除名字。雖然目前這有點混亂并且可以做一些工作，但這基本上意味著你可以插入一個腳本并且它（應(yīng)該）整齊地通過它，只選擇相關(guān)的語音文本。

通過在腳本上訓練機器人，您可以輸入來自游戲/電影/對話的輸入，它會非?？煽康胤祷卣_的響應(yīng)——就上面的《合金裝備》腳本而言，您可以通過輸入角色所說的話。

例如，使用上述 MGS 訓練數(shù)據(jù)：

• 如果我輸入“你是菜鳥嗎？”
• 機器人用 Meryl 的一句話回應(yīng)：“小心，我不是菜鳥?。　?/font>

等等。

可以使用開關(guān)“-fresh”調(diào)用訓練模塊，這將清除數(shù)據(jù)庫并從頭開始訓練，如果沒有此開關(guān)，它將進一步訓練現(xiàn)有數(shù)據(jù)庫。

訓練數(shù)據(jù)需要與機器人位于同一文件夾中，并稱為“l(fā)earning.txt”。

還有一個 deleteDB 模塊，當它運行時，它按照它說的去做并清除數(shù)據(jù)庫。

從理論上講，如果它接受大量正常人類對話的訓練，它會返回大量有機反應(yīng)；此外，根據(jù)他們接受的培訓輸入，每個機器人都可以有自己獨特的個性。

正在進行中。

隨著時間的推移，我將繼續(xù)改進它以使其變得更好。因此，請繼續(xù)檢查我的 GitHub 以獲取更新。

我也在努力讓聊天機器人與Docker打包在一起?——這樣它就可以很容易地與所有依賴項一起部署，并且在同一臺機器上也有單獨的持久機器人，甚至不需要在操作系統(tǒng)本身上安裝 MongoDB。

您有任何改進機器人的想法嗎？讓我知道。

也可以隨意下載并自己嘗試——請注意，從空白開始，在它開始變得有意義之前需要大量的訓練數(shù)據(jù)/與之交談。

下個項目見。

?

?

?