实现聊天机器人

上一次提到了不错的学习聊天机器人的资源,不知道小伙伴们有没有去学习呢。 自己动手做聊天机器人教程 我最近每天都会学一点,拿出解读来和大家分享一下。

聊天机器人的架构简图

学习资源: 自己动手做聊天机器人 九-聊天机器人应该怎么做 聊天机器人的工作流程大体为:提问-检索-答案抽取。

  • 提问:就是要分析主人的问句中关键词,提问类型,还有真正想知道的东西。
  • 检索:根据前一步的分析,去找答案。
  • 答案抽取:找到的答案,并不能直接应用,还要整理成真正有用的,可以作为答案的回答。
  • 问句解析:中文分词、词性标注、实体标注、概念类别标注、句法分析、语义分析、逻辑结构标注、指代消解、关联关系标注、问句分类、答案类别确定;
  • 海量文本知识表示:网络文本资源获取、机器学习方法、大规模语义计算和推理、知识表示体系、知识库构建;
  • 答案生成与过滤:候选答案抽取、关系推演、吻合程度判断、噪声过滤

用 TensorFlow 实现 Chatbot 的模型

之前有根据 Siraj 的视频写过一篇《自己动手写个聊天机器人吧》,文章里只写了主函数的简单过程:Data-Model-Training,是用 Lua 实现的,详细的代码可以去他的 github 上学习 下面这篇文章是用 TensorFlow + tflearn 库 实现,在 建模, 训练 和 预测 等环节可以学到更多细节: 学习资源:自己动手做聊天机器人 三十八-原来聊天机器人是这么做出来的_ 两篇的共同点是都用了 Seq2Seq 来实现。 建立模型阶段简要的流程图和过程描述:

  • 先将原始数据 300w chat 做一下预处理,即 切词,分为 问答对。
  • 然后用 word2vec 训练出词向量,生成二进制的词向量文件。

作为 Input data X 传入下面流程:

  • question 进入 LSTM 的 encoder 环节,answer 进入 decoder 环节;
  • 分别生成 output tensor;
  • 其中 decoder 是一个词一个词的生成结果,将所有结果加入到一个 list 中;
  • 最后和 encoder 的输出,一起做为下一环节 Regression 的输入,并传入 DNN 网络。

如何准备 chatbot 的训练数据

学习资源: 自己动手做聊天机器人 三十八-原来聊天机器人是这么做出来的 训练数据的生成过程如下:

  • 首先在 input file 里读取每一行,并根据 ‘|’ 拆分成 question 和 answer 句子
  • 每个句子,都将 word 通过 word2vec 转化成词向量
  • 每一句的向量序列都转化成相同维度的形式:self.word_vec_dim * self.max_seq_len
  • 最后 answer 构成了 y 数据,question+answer 构成了 xy 数据,再被投入到 model 中去训练
model.fit(trainXY, trainY, n_epoch=1000, snapshot_epoch=False, batch_size=1)

代码如下:


def init_seq(input_file):

    """读取切好词的文本文件,加载全部词序列

    """

    file_object = open(input_file, 'r')

    vocab_dict = {}

    while True:

        question_seq = []

        answer_seq = []

        line = file_object.readline()

        if line:

            line_pair = line.split('|')

            line_question = line_pair[0]

            line_answer = line_pair[1]

            for word in line_question.decode('utf-8').split(' '):

                if word_vector_dict.has_key(word):

                    question_seq.append(word_vector_dict[word])

            for word in line_answer.decode('utf-8').split(' '):

                if word_vector_dict.has_key(word):

                    answer_seq.append(word_vector_dict[word])

        else:

            break

        question_seqs.append(question_seq)

        answer_seqs.append(answer_seq)

    file_object.close()

def generate_trainig_data(self):

        xy_data = []

        y_data = []

        for i in range(len(question_seqs)):

            question_seq = question_seqs[i]

            answer_seq = answer_seqs[i]

            if len(question_seq) < self.max_seq_len and len(answer_seq) < self.max_seq_len:

                sequence_xy = [np.zeros(self.word_vec_dim)] * (self.max_seq_len-len(question_seq)) + list(reversed(question_seq))

                sequence_y = answer_seq + [np.zeros(self.word_vec_dim)] * (self.max_seq_len-len(answer_seq))

                sequence_xy = sequence_xy + sequence_y

                sequence_y = [np.ones(self.word_vec_dim)] + sequence_y

                xy_data.append(sequence_xy)

                y_data.append(sequence_y)

        return np.array(xy_data), np.array(y_data)

Chatbot 源码解读

学习资源: 自己动手做聊天机器人 三十八-原来聊天机器人是这么做出来的 这篇文章在 github 上的源码:

  1. 引入包

import sys

import math

import tflearn

import tensorflow as tf

from tensorflow.python.ops import rnn_cell

from tensorflow.python.ops import rnn

import chardet

import numpy as np

import struct
  1. 准备数据 将 3000 万语料,分成 Question 和 Answer 部分,提取出 word。

def load_word_set():

    file_object = open('./segment_result_lined.3000000.pair.less', 'r')

    while True:

        line = file_object.readline()

        if line:

            line_pair = line.split('|')

            line_question = line_pair[0]

            line_answer = line_pair[1]

            for word in line_question.decode('utf-8').split(' '):

                word_set[word] = 1

            for word in line_answer.decode('utf-8').split(' '):

                word_set[word] = 1

        else:

            break

    file_object.close()

def load_vectors(input)从 vectors.bin 加载词向量,返回一个 word_vector_dict 的词典,key 是词,value 是200维的向量。 def init_seq(input_file)将 Question 和 Answer 中单词对应的词向量放在词向量序列中 question_seqs, answer_seqs。


def init_seq(input_file):

    """读取切好词的文本文件,加载全部词序列

    """

    file_object = open(input_file, 'r')

    vocab_dict = {}

    while True:

        question_seq = []

        answer_seq = []

        line = file_object.readline()

        if line:

            line_pair = line.split('|')

            line_question = line_pair[0]

            line_answer = line_pair[1]

            for word in line_question.decode('utf-8').split(' '):

                if word_vector_dict.has_key(word):

                    question_seq.append(word_vector_dict[word])

            for word in line_answer.decode('utf-8').split(' '):

                if word_vector_dict.has_key(word):

                    answer_seq.append(word_vector_dict[word])

        else:

            break

        question_seqs.append(question_seq)

        answer_seqs.append(answer_seq)

    file_object.close()

用来求向量的长度。


def vector_sqrtlen(vector):

    len = 0

    for item in vector:

        len += item * item

    len = math.sqrt(len)

    return len

用来求两个向量间的距离。


def vector_cosine(v1, v2):

    if len(v1) != len(v2):

        sys.exit(1)

    sqrtlen1 = vector_sqrtlen(v1)

    sqrtlen2 = vector_sqrtlen(v2)

    value = 0

    for item1, item2 in zip(v1, v2):

        value += item1 * item2

    return value / (sqrtlen1*sqrtlen2)

给定一个词向量,去 word-vector 字典中查找与此向量距离最近的向量,并记忆相应的单词,返回单词和 cosine 值。


def vector2word(vector):

    max_cos = -10000

    match_word = ''

    for word in word_vector_dict:

        v = word_vector_dict[word]

        cosine = vector_cosine(vector, v)

        if cosine > max_cos:

            max_cos = cosine

            match_word = word

    return (match_word, max_cos)

建立模型

class MySeq2Seq(object) 在前两篇笔记中单独写了这两块。

def generate_trainig_data(self) 由 question_seqs, answer_seqs 得到 xy_data 和 y_data 的形式。

def model(self, feed_previous=False) 用 input data 生成 encoder_inputs 和带GO头的 decoder_inputs。 将 encoder_inputs 传递给编码器,返回一个输出(预测序列的第一个值)和一个状态(传给解码器)。 在解码器中,用编码器的最后一个输出作为第一个输入,预测过程用前一个时间序的输出作为下一个时间序的输入。

训练

用 generate_trainig_data() 生成 X y 数据,传递给 上面定义的 model,并训练 model.fit,再保存。


    def train(self):

        trainXY, trainY = self.generate_trainig_data()

        model = self.model(feed_previous=False)

        model.fit(trainXY, trainY, n_epoch=1000, snapshot_epoch=False, batch_size=1)

        model.save('./model/model')

        return model

预测

用 generate_trainig_data() 生成数据,用 model.predict 进行预测,predict 结果的每一个 sample 相当于一句话的词向量序列,每个 sample 中的每个 vector 在 word-vector 字典中找到与其最近的向量,并返回对应的 word,及二者间的 cosine。


if __name__ == '__main__':

    phrase = sys.argv[1]

    if 3 == len(sys.argv):

        my_seq2seq = MySeq2Seq(word_vec_dim=word_vec_dim, max_seq_len=max_seq_len, input_file=sys.argv[2])

    else:

        my_seq2seq = MySeq2Seq(word_vec_dim=word_vec_dim, max_seq_len=max_seq_len)

    if phrase == 'train':

        my_seq2seq.train()

    else:

        model = my_seq2seq.load()

        trainXY, trainY = my_seq2seq.generate_trainig_data()

        predict = model.predict(trainXY)

        for sample in predict:

            print "predict answer"

            for w in sample[1:]:

                (match_word, max_cos) = vector2word(w)

                #if vector_sqrtlen(w) < 1:

                #    break

                print match_word, max_cos, vector_sqrtlen(w)

本文来源:

参考链接:

results matching ""

    No results matching ""