如何使用 NLTK 制作更高级的响应聊天机器人？

Question

我已经对如何创建聊天机器人（响应部分）进行了大量研究，但是我找不到让它更先进的方法。例如，我不断看到 NLTK 反射，但我想知道 NLTK（或其他模块）中是否有更高级的方法可以让我创建学习机器人、智能机器人甚至 AI，但我在寻找模块、教程方面遇到困难或有助于开始和以这种方式进行的文档。反射并不总是像在上下文中响应那样工作得很好，除非您为内容预先编写了许多行代码，这些代码效率低下并且可能并不总是准确的。注意：我不想被勺子喂食，我只想指出我可以做和看的东西的正确方向。

一个解决方案是，例如用户问：“你最喜欢的演员是谁？”

机器人回复：“布拉德皮特”

（尽管是布拉德，因为有广告 xD）

下面是我试图远离的代码。

pairs = [

    [

        r"my name is (.*)",

        ["Hello %1, How are you today ?",]

    ],

     [

        r"what is your name ?",

        ["My name is Chatty and I'm a chatbot ?",]

    ],

    [

        r"how are you ?",

        ["I'm doing good\nHow about You ?",]

    ],

    [

        r"sorry (.*)",

        ["Its alright","Its OK, never mind",]

    ],

    [

        r"i'm (.*) doing good",

        ["Nice to hear that","Alright :)",]

    ]```    

Answer 1

会话代理有两种主要风格：检索式和生成式。您显示的正则表达式代码可以被认为是一个非常简单的检索模型。更复杂的检索模型使用分类器（此时几乎总是神经网络）对用户输入进行分类。生成模型将输入到输出的映射视为机器翻译问题，并使用来自 NMT、神经机器翻译的技术。一些资源：新版本的语音和语言处理，由 Dan Jurafsky 和 James H. Martin 撰写，包含三个关于机器人/问答的章节如果您正在尝试构建一些实用的东西，那么您应该使用成熟的库。IMO，Rasa在这一点上已经领先了几年

Answer 2

您想要远离的代码曾经是 cahtbots 的开端（Eliza：https ://blog.infermedica.com/introduction-to-chatbots-in-healthcare/）。一个好的起点是完整的对话系统。例如，您可以使用 trindikit for python，它基本上是一个对话管理器。此外，您需要实现某种常识推理数据库（例如比较 Erik T Mueller：常识推理 - 基于事件微积分的方法）。通常，大多数聊天机器人都专注于特定领域（产品问题、推荐人等），因此您需要准确确定哪些意图可能会引发哪些语音行为，并对它们进行相应的分类和建模（LSTM 用于分类，Bayes 用于生产）。在所有这一切上，您要么必须构建一个表面实现系统，要么使用罐装文本作为模板，当您的领域越来越扩展时，这正在增加工作量。