构建自己的智能聊天机器人
Theanswertolife,universeandeverythingis42--deepThought
查看图片
今年的F8开发者大会,Facebook大谈他们看好聊天机器人的未来。通过这些聊天机器人，用户可以在交谈中完成许多任务，在线购物，航班查询、组织会议等。如此一来，用户再不必下载一堆app,而只需打开一个简单的文本对话框，你就可以对着它说：神灯神灯，我的第三个愿望是我还要三个愿望
你是不定想到了：hisiri
说不定又是一次用户入口的重新洗牌，这样就不难解释科技界的大公司们蜂拥而至了
缘起我一直对自然语言处理（NLP）兴致勃勃，这大半年对机器学习/深度学习兴致盎然，而聊天机器人恰好结合了两者。
对聊天机器人最早的兴趣可能追溯到大学。当时关注过一段时间风靡人人网的小黄鸡，后来发现它只是调用了一个闭源的云服务，转而折腾AIML。
最近下班后喜欢到星巴克看看课程（近期在跟udacity的这门课：DeepLearning），写写博客,今天也是如此，怕往后的时间会更多花在深度学习上（对RNN尤其感兴趣），这几天陆续对折腾过的聊天机器人做个笔记
聊天机器人&开源框架目前聊天这块的云服务倒是不少，facebook也好微软也好，都有自己的框架。相比而言，开源的项目倒是没有很耀眼的，也许是起步不久的原因，大神们还在憋大招。
我们到github逛一圈，发现ChatterBot看起来挺酷,项目活跃,文档清晰，代码也算干净利落。
由于项目还小，源码读起来十分容易，作为构建自己的智能聊天机器人的脚手架是不错的
ChatterBotChatterBot是一个基于机器学习的聊天机器人引擎,构建在python上,可以从已有的对话中学习,该项目的设计允许它接入任何语言
原理一个未经训练的ChatterBot机器人,并没有与用户交谈所需的知识。每当用户输入一句话，机器人将存下它，同时也存下答复的句子。随着机器人接受的输入的增加，它能够回答的问题的数量和准确度都会相应提升.程序是如何响应用户输入的呢？首先从已知句子中匹配出与用户输入最相近的句子（如何衡量相近,大家可以想想）,之后找到最有可能的回复，那么如何得出最有可能的回复呢？由所有和机器交流过的人们，对这个输入问题（匹配过的）的各个回答的频率决定
安装和使用安装pipinstallchatterbot
基本使用fromchatterbotimportChatBotfromchatterbot.training.trainersimportChatterBotCorpusTrainerchatbot=ChatBot("myBot")chatbot.set_trainer(ChatterBotCorpusTrainer)#使用英文语料库训练它chatbot.train("chatterbot.corpus.english")#开始对话chatbot.get_response("Hello,howareyoutoday?")复制代码采用中文语料库我已经给这个填充了中文语料库,作者把我的提交合并到master了，目前还没有打包发布到pypi，如果你想使用默认的中文预料来训练你需要这样做：
https://github.com/gunthercox/ChatterBotpip3install./ChatterBot#需要使用python3，否则会有unicode问题，暂时没空做python2的兼容复制代码使用中文语料库来训练机器人
fromchatterbotimportChatBotfromchatterbot.training.trainersimportChatterBotCorpusTrainerdeepThought=ChatBot("deepThought")deepThought.set_trainer(ChatterBotCorpusTrainer)#使用中文语料库训练它deepThought.train("chatterbot.corpus.chinese")#语料库复制代码开始玩耍print(deepThought.get_response("很高兴认识你"))print(deepThought.get_response("嗨，最近如何?"))print(deepThought.get_response("复杂优于晦涩"))#语出TheZenofPythonprint(deepThought.get_response("面对模棱两可，拒绝猜测的诱惑."))#print(deepThought.get_response("生命、宇宙以及世间万物的终极答案是什么?"))复制代码FAQ（非官方）默认配置默认情况下,ChatterBot使用JsonDatabaseAdapter作为storageadapter,使用ClosestMatchAdapter作为logicadapter,使用VariableInputTypeAdapter作为inputadapter
只读模式chatbot=ChatBot("wwjtest",read_only=True)//否则bot会学习每个输入
创建自己的训练类chatterbot/training
创建自己的adapters参考默认使用的ClosestMatchAdapter、VariableInputTypeAdapter即可
诸如我们可以写一个输入/输出adapters，对接到微信（我偏好werobot）
io的一个案例是chatterbot-voice（使用方法参考examples/example.py），这个adapters让我们可以使用语音与我们的机器人沟通，原理很简单，我此前折腾过BaiduYuyin，国内用户可以使用它
案例参考examples，案例中已经有很多种机器人了
训练好的模型如何分发训练好的数据，默认存在./database.db（参考jsondatabase.py）,不是sqlite数据库，实际是jsondb，对json做了封装（参考jsondb/db.py）
算法相关默认情况下，使用ClosestMatchAdapter作为logicadapter，用来找出与用户输入最接近的一句话
核心代码为：
fromfuzzywuzzyimportprocessclosest_match,confidence=process.extract(input_statement.text,text_of_all_statements,limit=1)[0]复制代码这里我们用到了fuzzywuzzy，具体用法参考fuzzywuzzy#process
fuzzywuzzy用于计算句子直接的相似度，采用的字符串相似度算法为LevenshteinDistance(编辑距离算法)
LevenshteinDistance编辑距离，又称Levenshtein距离（也叫做EditDistance），是指两个字串之间，由一个转成另一个所需的最少编辑操作次数，如果它们的距离越大，说明它们越是不同。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。（引用自维基百科）
从上述描述我们可以看出，这种算法适用于任何文字，而且我们使用process.extract时,使用中文不会影响相似度度量的准确性。当然我们也可以看出这种算法的缺陷，它无法理解语义的相似性，甚至连同义词都完全无法处理。这是一个十分明显的短板，有必要重新实现一套度量文本相似的logicadapter
fromfuzzywuzzyimportfuzzfuzz.ratio(u"你好",u"你好!")#80fuzz.ratio(u"你好",u"你好")#100复制代码其他算法time_adapter.py中用到朴素贝叶斯:fromtextblob.classifiersimportNaiveBayesClassifier，这里也是目前唯一一处引用textblob的地方
接受的数据很简单，形如[("whattimeisit",1),xxx,xxx,...]
nltk的使用目前主要用了nltk的word_tokenize、wordnet和stopwords
todo使这个项目能更适合训练中文语料库用其他的文本相似算法写一个logicadapter加入中文的停用词等（取代nltk的停用词）使用snownlp和jieba替代既有依赖（nltk和textblob）fork这个项目，采用它的架构，重写一个更适合中文的聊天语料库聊天语料涉及隐私，网上几乎没有公开的中文语料，我们开脑洞：
siri对小冰（用wechatapi是对话可编程）柏拉图《对话录》论语坑ChatterBot本身支持python2/python3，如果要使用中文，目前只支持python2
Python2中文问题出在:
statement_list=self.context.storage.get_response_statements()
得到的statement_list是编码错误的句子列表（编解码问题）
解决思路可以参考我的这篇博客：编码相关的笔记
结语当前这个项目给出了一个漂亮的bot骨架，插件式的设计，十分利于插入强大的功能，这也是这个项目中我最喜欢的地方，就chatbot功能而言，功能比较简单、清晰