導(dǎo)讀：
demo內(nèi)容來(lái)源網(wǎng)課貪心科技AI學(xué)社的網(wǎng)課《人工智能Python編程特訓(xùn)營(yíng)》
本篇博客的主要內(nèi)容是做一個(gè)聊天機(jī)器人冰蘑。

課件

這里先附上課件厌秒，可以收藏一下

課堂代碼

制作屬于自己的聊天機(jī)器人

圖靈機(jī)器人http://www.turingapi.com/

API接口教程https://www.kancloud.cn/turing/www-tuling123-com/718227

第三方機(jī)器人簡(jiǎn)易接口調(diào)用

這里用的是flask框架，調(diào)用方法很簡(jiǎn)單汉形，只需要在裝飾器里面寫(xiě)路徑就可以了纸镊。

from flask import Flask
import requests

app = Flask(__name__)


# 裝飾器里面寫(xiě)的是訪問(wèn)路徑
@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 "貪心學(xué)院"


if __name__ == "__main__":
    app.run()

刷新 http://127.0.0.1:5000/

會(huì)得到返回的信息

{"intent":{"code":4003},"results":[{"groupType":0,"resultType":"text","values":{"text":"在外住酒店倍阐，還是得小心點(diǎn)好哦~"}}]}

當(dāng)前需要填上自己的apiKey和userId，而且還得去申請(qǐng)權(quán)限逗威，否則會(huì)出現(xiàn)

{"intent":{"code":4003},"results":[{"groupType":0,"resultType":"text","values":{"text":"請(qǐng)求次數(shù)超限制!"}}]}

我們換一種玩法

from flask import Flask

app = Flask(__name__)

# 裝飾器里面寫(xiě)的是訪問(wèn)路徑
@app.route("/greedyai/<data>")
def hello_world(data):
    return data

if __name__ == "__main__":
    app.run()

這時(shí)候運(yùn)行后
http://127.0.0.1:5000/greedyai/
在這個(gè)路徑之后輸入你想要顯示的字符串峰搪，就會(huì)顯示出來(lái)

比如說(shuō)http://127.0.0.1:5000/greedyai/你是誰(shuí)就會(huì)在屏幕上輸出你是誰(shuí)的字樣。

具體開(kāi)發(fā)方法凯旭，基于模板匹配

from flask import Flask
import requests

app = Flask(__name__)


# 裝飾器里面寫(xiě)的是訪問(wèn)路徑
@app.route("/greedyai/<data>")
def hello_world(data):
    if "帥" in data:
        return "大周老師"
    elif "線上" in data:
        return "線上課程為主"
    elif "助教" in data or "服務(wù)" in data:
        return "為提高服務(wù)質(zhì)量概耻，課程配有專業(yè)的助教老師"
    elif "基礎(chǔ)" in data:
        return "http://aijiaoai.greedyai.com/home"
    elif "優(yōu)勢(shì)" in data:
        return "這你都問(wèn)，大周老師就是優(yōu)勢(shì)"
    elif "有效期" in data:
        return "只要你想學(xué)尽纽，我一直在你身邊"
    else:
        return "哎喲咐蚯，小主，我不懂你的意思"

if __name__ == "__main__":
    app.run()

然后跟上面的示例一樣弄贿，在路徑之后輸入一句話春锋，如果這一句話里面包含了某個(gè)關(guān)鍵詞，那么就會(huì)輸出相應(yīng)的回復(fù)
這是部分輸入的回復(fù)

 * 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/有啥服務(wù) 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/線上課程 HTTP/1.1" 200 -

基于搜索的方法

用戶輸入 -> 檢索模型 -> 輸入

如何計(jì)算相似度（文本的向量表示）

余弦相似度

課程demo

import jieba

# 詞典
word_vector_list = ["我們", "來(lái)", "貪心", "學(xué)院", "學(xué)習(xí)", "人工智能", "和", "python"]
s1 = "我來(lái)貪心學(xué)院學(xué)習(xí)python"
s2 = "我學(xué)習(xí)人工智能"
s3 = "Python課程的學(xué)習(xí)周期是多久"
question = "Python學(xué)習(xí)多久"

# 第一種切分模式：精確模式差凹，比較適合做文本分析
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)

# 向量轉(zhuǎn)換
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)

# 相似度計(jì)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))

作業(yè)

完成一個(gè)完整的項(xiàng)目期奔，能夠根據(jù)已有的語(yǔ)料庫(kù)，自動(dòng)根據(jù)輸入去計(jì)算哪個(gè)答案最符合

import jieba
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
from flask import Flask

# 建立語(yǔ)料庫(kù)
corpus = {
    "Python課程是線上課程還是線下課程危尿？": "線上課程為主",
    "Python課程有助教嗎呐萌？": "為提高服務(wù)效率和質(zhì)量，課程都配備專業(yè)的全職助教谊娇。",
    "我沒(méi)有基礎(chǔ)應(yīng)該從哪個(gè)課開(kāi)始學(xué)肺孤？": "大周老師的Python基礎(chǔ)集訓(xùn)營(yíng)非常適合你哦，"
                       "可以在這里學(xué)習(xí)：http://aijiaoai.greedyai.com/info/5",
    "Python的學(xué)習(xí)周期是多久济欢？": "如果你沒(méi)有基礎(chǔ)的話兩個(gè)月可以搞定",
    "Python課程的學(xué)習(xí)方式是什么呢赠堵？": "無(wú)需安裝環(huán)境，在線直接寫(xiě)代碼法褥、看視頻茫叭、看漫畫(huà)，趣味性學(xué)習(xí)",
    "Python課程的優(yōu)勢(shì)是什么呢半等？": "全網(wǎng)覆蓋最全的Python基礎(chǔ)知識(shí)體系練與學(xué)的深度結(jié)合揍愁，"
                        "每一個(gè)知識(shí)點(diǎn)都配有練習(xí)項(xiàng)目,生動(dòng)有趣、授課方式多樣杀饵，視頻莽囤、文字、圖片切距、在線代碼編輯烁登，"
                        "在聊天與娛樂(lè)中學(xué)習(xí)",
    "Python課程的有效期是多久呢？": "我們把有效期確定為1年，1年內(nèi)可無(wú)限次學(xué)習(xí)",
    "Python課程有優(yōu)惠嗎饵沧？": "我們定價(jià)為開(kāi)課后是599锨络，現(xiàn)在是針對(duì)老學(xué)員預(yù)售199，開(kāi)課后恢復(fù)原價(jià)"
}
# 建立詞典狼牺，對(duì)于所有語(yǔ)料庫(kù)中的問(wèn)題進(jìn)行jieba分詞
all_question = ""
for question in corpus:
    all_question += question
dictionaries = list(set(jieba.cut(all_question)))  # 加上set是為了方便去重


# 單個(gè)詞典轉(zhuǎn)換為向量
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)是為了后期余弦計(jì)算


# 單個(gè)余弦相似度計(jì)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


# 計(jì)算語(yǔ)料庫(kù)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)  # 獲得余弦值
        similar_list.append(similar_num)  # 保存所有余弦值
        ori_question_dict[similar_num] = key  # 獲取原問(wèn)題并儲(chǔ)存
        ori_answer_dict[similar_num] = corpus[key]  # 獲取原答案并儲(chǔ)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: # 沒(méi)有匹配項(xiàng)
        best_similar = 0
        best_question = "未檢索到相似的問(wèn)題"
        best_answer = "對(duì)不起羡儿，我聽(tīng)不懂你在說(shuō)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,以接口的形式完成問(wèn)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)  # 計(jì)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>問(wèn)題：{}</h2>' \
            '</p>' \
            '<p>' \
            '<li>最高相似度：{}</li>' \
            '<li>最高相似度的問(wèn)題：{}</li>' \
            '<h2>最佳回答為：{}</h2>' \
            '</p>' \
            '</body></html>'.format(user_question, res[0], res[1], res[2])
    return html_  # 返回html并寫(xiě)入網(wǎng)頁(yè)


if __name__ == "__main__":
    app.run()