Как написать умного чат бота

Заметили популярность чат-ботов ВКонтакте, Telegram, Facebook? В корпоративных сервисах вроде Slack они также способны приносить пользу.

Что это, и почему пора задуматься о создании чат-ботов?

Чат-бот позволяет пользователям общаться с машиной на человеческом языке, устанавливать задачи, контролировать рабочее время.

Предположим, вы хотите купить пару обуви в интернет-магазине с собственным чат-ботом. Вы можете самостоятельно устанавливать фильтры поиска. Другой вариант − сообщить боту о том, что вы хотите купить, какого бренда, цвета, размера − примерно так, как если бы вы консультировались со специалистом в магазине.

А вот пример работы чат-бота сети кофеен Starbucks:

Можно заказать кофе, а потом уточнить детали с помощью критериев, которые нередко встречаются в заказе.

Чаще всего чат-ботов используют в Facebook, Slack, Telegram.

Устройство нашего чат-бота

От необходимых функций чат-бота зависит путь его разработки. В этой статье мы научимся создавать простейших чат-ботов. Вот как они будут устроены:

Используем API Slack для отправки сообщений в DialogFlow (DF). NLP-движок будет принимать информацию о намерении совершить действие и распознавать смысл сообщения в целом, а затем формировать релевантный ответ для пользователя. Интерфейс Slack и DialogFlow вместе формируют чат-бота. Будем считать, что интерфейс Slack − это лицо, а DF − мозг.

Чат-бот, работающий по алгоритму

Вообще, мы выбрали Slack потому, что он наиболее популярен в корпоративном плане. Есть необходимые API, синхронизация со сторонними сервисами, регулярные обновления. Вот что нужно сделать заранее:

• Создать Workspace в Slack для тестирования
• Создать приложение внутри Slack

Создаём рабочую среду

Рабочая среда (пространство) − это то, что объединяет и организует участников команды в Slack. Чтобы новый участник присоединился к такой группе, ему нужно перейти по ссылке, которая обычно выглядит так:

https://workspace-name.slack.com

После создания собственной рабочей среды Slack отправит вам 6-значный код на почту, попросит настроить профиль и группу.

Пока не стоит особо задумываться о названии − мы для примера установили название «something». После выбора URL-адреса Slack предлагает разослать приглашения участникам. Пока стоит пропустить этот шаг. Далее можно пользоваться настроенной средой.

Теперь, когда у нас есть рабочее пространство для экспериментов, нужно настроить приложение, чтобы затем связать его со своей программой.

После этого нужно перейти в раздел настройки чат-ботов:

Нажимаем «Добавить пользователя». После того, как мы создали бота для приложения, требуется добавить его в рабочее пространство. Вернитесь к панели приложений и найдите кнопку «Установить приложение в рабочее пространство».

Затем Slack запросит несколько разрешений. Одобряйте всё.

Создаём бота с использованием Python

Ещё до подключения сторонних сервисов к Slack-боту, нужно убедиться, что Slack имеет право авторизации для доступа к боту. Для этого Slack предоставляет «токен аутентификации», который используется при попытке установить соединение с ним. Вернитесь к «панели приложений» и выберите опцию «OAuth & Permissions»:

Это настройки прав. Выберите «Bot User OAuth Access Token» и сохраните его.

Теперь, когда у вас все настроено, давайте напишем Python-код. Чтобы упростить подключение к API Slack, мы написали простенькую программу.

Важное примечание! На примере разработка с Python 2.7.

1. Установите библиотеку slackclient:

   $pip install slackclient

2. Скопируйте следующие данные:

   $git clone https://github.com/mohdsanadzakirizvi/Slack-AI-ChatBot.git

3. Настройте токен аутентификации «Bot User OAuth Access Token» и имя вашего бота:

   $export SLACK_TOKEN=your_bot_user_oauth_token_here	 	 
   $export BOTNAME=your_botname_here

4. Перейдите в каталог Slack-AI-ChatBot:

   $ cd Slack-AI-ChatBot

5. Запустите бота:

   $ python mainbot.py

   Мы должны получить:

   Бот работает. Обратите внимание, что он будет отвечать только при упоминании @chatbotname:

   

   Это те параметры ответов, которые задали мы для примера, их можно менять. Если открыть файл mainbot.py, вы увидите следующую функцию:

   def handle_command(slack_api, command, channel):	 	 
    EXAMPLE_COMMAND = 'do'	 	 
    if command.lower().startswith(EXAMPLE_COMMAND) or command.lower().startswith('what'):	 	 
    slack_api.rtm_send_message(channel, 'Yes, code me further to do that!')	 	 
    elif command.lower().startswith('hi') or command.lower().startswith('hey') or command.lower().startswith('hello') or command.lower().startswith('who are you'):	 	 
    slack_api.rtm_send_message(channel, 'Hey, I'm your slack bot, how may I help you?')	 	 
    else:	 	 
    print 'Invalid Command: Not Understood'	 	 
    slack_api.rtm_send_message(channel, 'Invalid Command: Not Understood')

   Здесь всё и происходит. Попробуйте добавить свои собственные правила, чтобы разобраться в этом.

   Теперь, когда мы научились создавать элементарных ботов, давайте усложним задачу и применим машинное обучение вместе с NLP.

   Примечание. После каждого внесения изменений в код вам придется перезапустить программу, чтобы они вступили в силу.

   Google Dialogflow (api.ai) для NLP и машинного обучения

   Dialogflow мы обошли стороной. Сейчас разберёмся подробнее.

   

   Настройка DialogFlow

   После регистрации вы получите доступ к консоли:

   

   Агенты

   DialogFlow работает, создавая агентов − модули NLU (Natural Language Understanding). Они преобразуют естественные пользовательские запросы в управляемые данные.

   Это преобразование происходит, когда введённое пользователем сообщение соответствует команде, которую ожидает программа.

   Например, вы говорите чат-боту, что вам холодно. Агент должен знать, что ему делать с этой информацией. Если он знает, что при холоде нужно дать сигнал вентилятору выключиться, он произведёт это действие.

   

   Начнем с создания собственного агента. Для примера возьмем чат-бота пиццерии.

   В левом верхнем углу окна вы увидите вариант «Создать агента». Нажмите на нее и выберите имя для своего агента. Допустим − «pizzaBot».

   

   Теперь, когда у нас есть агент, мы должны определить объекты для распознавания и возможные намерения.

   Намерения и сущности

   Сущность

   Сущности − это группа объектов, которые необходимо распознать агенту. Например, если мы создаем pizzaBot, то некоторыми объектами для работы выступят тесто, сыр или томатная паста.

   Для создания сущности нажмите кнопку «Объекты» слева и выберите «Создать сущность».

   А потом настройте каждый объект:

   

   Когда они будут готовы, нужно заняться определением намерений.

   Намерения

   Простыми словами, намерение − это сопоставление между тем, что говорит пользователь, и какие операции может выполнить бот.

   Сейчас есть всего два намерения: первое − в случае, когда бот не понимает, чего от него хочет пользователь, второе − приветствие.

   

   Наберите «pizza please!» в демо-поле справа и посмотрите, как отреагирует агент.

   Поскольку мы еще не обучили нашего агента, он ответил одним из многих ответов, что сохранил для неопределённых ситуаций. Давайте создадим намерение приготовить пиццу и назовём ее «makePizza». Нажмите «Создать намерение», выберите название и сохраните его. Вы увидите что-то вроде этого:

   

   Способ работы DialogFlow заключается в том, что вы можете использовать некоторые примеры пользовательских запросов и обучить систему реагировать на них по-разному в зависимости от контекста. Давайте добавим некоторые базовые фразы для нашего агента:

   

   Идея состоит в том, чтобы подготовить для агента как можно более разнообразные примеры, тогда и ответы будут более качественными. После настройки обучающих фраз, вам нужно определить, какое действие предпримет агент, при получении этого намерения. Для этого нажмите кнопку «Добавить параметры и действие»:

   

   Что означают эти имена столбцов?

   • Required − определяет, является ли этот параметр обязательным для действия.
   • Entity  − здесь мы сопоставляем параметры с сущностями.
   • Value − если мы хотим повторно использовать этот параметр в ответе, можно просто использовать имя его значения.
   • Is List  − может ли значение параметра быть списком (например, в заказе может быть более одной начинки).
   • Prompts − клише.

   Пример: нажмите «Определить подсказки» и напишите «Какие начинки добавить?»

   

   Аналогичным образом добавьте клише для других объектов. Давайте посмотрим, чего мы достигли. Сохраните намерение и вернитесь в демонстрационную среду. Попробуйте заказать агенту пиццу. Поскольку мы показали разные запросы для агента, он должен распознать практически любую фразу, связанную с заказом пиццы, и спросить о начинке, типе сыра, который вы хотите.

   Обратите внимание, насколько естественен разговор. Как только вы активируете намерение, агент пытается извлечь параметры, которые вы отметили как важные для пользователя. Вам нужно всего лишь дать несколько примеров для тренировки, а движок NLP от DialogFlow позаботится обо всем остальном.

   Кроме того, вы можете добавлять ответы для успешно выполненных намерений. Нажмите кнопку «Добавить ответы», она находится ниже кнопки «Действия и параметры». Добавьте следующий ответ и сохраните его:

   

   Когда пицца будет готова, пользователь получит подобное сообщение:

   

   Что сделала машина? Когда мы использовали $ cheese и $ toppings в поле ответа, они автоматически заменялись значениями параметров, извлеченными из беседы пользователя. Удобно, не так ли?

   Обучение агента

   Теперь, когда вся работа агента настроена, пора его обучить. Нажмите на значок настроек рядом с именем агента.

   В окне настроек выберите «ML Settings».

   

   Вот несколько важных замечаний:

   Существует два режима обучения модели: гибридный режим, только ML.

   Гибридный режим хорош, если у вас немного образцов для обучения. В остальных случаях лучше использовать технологии машинного обучения.

   ML Classification Threshold − минимальный показатель доверия, который должна иметь модель. Только тогда он может принять решение по намерению.

   Нажмите кнопку «Train», после окончания обучения сохраните результаты. Перейдем к следующему шагу − интеграции со Slack-приложением.

   Связываем DialogFlow и Slack

   DialogFlow (DF) − отличный сервис, поддерживающий интеграцию с большинством популярных приложений. Для подключения Slack даже не нужно писать код.

   Настройка данных

   В левой части окна нажмите кнопку «Интеграции», выберите значок Slack и задайте настройки:

   

   Прокрутите вниз, вы увидите поля для ввода учетных данных вашего Slack приложения:

   

   Вернитесь в консоль Slack или перейдите по ссылке. Прокрутите страницу до конца, там будут те самые учётные данные приложения.

   

   Скопируйте их в соответствующие поля на странице DialogFlow.

   Чтобы скопировать «Client Secret», вы должны сначала нажать кнопку «Show» рядом с ним. После сохранения учётных данных, нажмите «Start» в правом нижнем углу Slack в диалоговом окне.

   Продолжаем настройку Slack

   Теперь, когда мы настроили Slack и Dialogflow, нужно включить OAuth (помогает при аутентификации), URL-адреса запросов (предоставленные Dialogflow) и подписки на события (какие события мы хотим связать с ботом?).

   Добавьте URL OAuth

   1. Скопируйте URL-адрес OAuth со страницы настройки Slack в DialogFlow.
   2. Перейдите в консоль Slack Developer Console и нажмите «OAuth & Permissions» в левом меню.
   3. Нажмите кнопку «Add a new Redirect URL» и вставьте URL-адрес OAuth.
   4. Нажмите «Add».

   

   Добавьте URL-адрес запроса

   1. Скопируйте URL-адрес запроса событий на странице настроек Slack Dialogflow.
   2. Перейдите в консоль Slack Developer Console и нажмите «Подписка на события» в меню слева.
   3. Включите события, вставьте URL-адрес подписки на события в поле URL-адреса запроса.

   Через несколько секунд вы увидите результат «Verified» над полем запроса URL.

   

   Включите подписку на события

   Подписка на события − самая важная вещь для чат-ботов. От этого зависит, какие события наш бот будет слушать и запускать.

   1. Нажмите «Event Subscriptions» в меню слева.
   2. Включите опцию.
   3. В разделе «Subscribe to Bot Events» нажмите кнопку «Add Bot User Event».

   Вы увидите текстовое поле и список событий. А вот те события, которые мы рекомендуем добавить:

   

   После добавления событий сохраните изменения с помощью кнопки в нижней части экрана.

   Добавьте Slack-бота в команду

   1. В консоли Slack Developer Console выберите «Manage Distribution» в меню слева.
   2. Добавьте его в Slack в разделе «Share Your App with Your Team».

   

   На следующей странице добавьте агента, используя кнопку авторизации.

   

   Теперь можно вернуться в рабочее пространство.

   Общение с чат-ботом

   Перейдите в свое рабочее пространство, к личному диалогу с ботом или упомяните его имя − @botname.

   Заметили кое-что?

   Кроме ответа на обычные вопросы о пицце, бот также хорошо отвечает на общие сообщения типа «привет» и «спасибо». Это возможно благодаря функции DialogFlow, называемой «SmallTalk».

   Настройка Small Talk

   Если вы нажмете кнопку «Small Talk» на левой панели в диалоговом окне, то увидите множество опций:

   

   Добавим реакции на общие вопросы, вроде «как дела», «кто ты». Дальнейшая настройка не требует объяснений. Бот работает!

   Понравилась статья о разработке чат-ботов для Slack? Вот ещё материалы по теме:

   • NLP – это весело! Обработка естественного языка на Python
   • Чат-боты: введение от разработчика
   • Создаем бота в Facebook на Python менее чем за 60 минут

   Источник: Создание умных чат-ботов для Slack on Medium

import telebot

bot = telebot.TeleBot(‘ВАШ ТОКЕН’)

@bot.message_handler(func=lambda m: True)

def echo_all(message):

bot.reply to(message, ‘go to google.com’)

bot.polling()

import telebot

import os

from fuzzywuzzy import fuzz

bot = telebot.TeleBot(‘ВАШ ТОКЕН’)

mas=[]

if os.path.exists(‘slovar.txt’):

f=open(‘slovar.txt’, ‘r’, encoding=’UTF-8′)

for x in f:

if(len(x.strip()) > 2):

mas.append(x.strip().lower())

f.close()

def answer(text):

try:

text=text.lower().strip()

if os.path.exists(‘slovar.txt’):

a = 0

n = 0

nn = 0

for q in mas:

if(‘u: ‘ in q):

aa=(fuzz.token_sort_ratio(q.replace(‘u: ‘,»), text))

if(aa > a and aa!= a):

a = aa

nn = n

n = n + 1

s = mas[nn + 1]

return s

else:

return ‘Ошибка’

except:

return ‘Ошибка’

@bot.message_handler(commands=[«start»])

def start(m, res=False):

bot.send_message(m.chat.id, ‘Я на связи. Напиши мне Привет )’)

@bot.message_handler(content_types=[«text»])

def handle_text(message):

f=open(‘log.txt’, ‘a’, encoding=’UTF-8′)

s=answer(message.text)

f.write(‘u: ‘ + message.text + ‘n’ + s +’n’)

f.close()

bot.send_message(message.chat.id, s)

bot.polling(none_stop=True, interval=0)

u: Вопрос пользователя

Ответ бота

u: как зовут

Маша меня зовут!

u: сколько тебе лет

Мне уже 18, честно-честно!

u: где живешь

Я из интернета:)

u: Парень есть?

Неа=Р Мне тут неудобно общаться. Заходи на google.com

В этом руководстве мы рассмотрим создание чат-бота на Python с помощью библиотеки Chatterbot.

Вы устали ждать в длинных очередях, пока ваш звонок переадресуют менеджеру по работе с клиентами? Чтение раздела часто задаваемых вопросов вызывает у вас тошноту? Тогда вы на правильном пути.

Можете ли вы вспомнить, когда в последний раз вам доставили не тот товар и вы общались со службой поддержки клиентов через чат? Существует высокая вероятность того, что с вами общался не человек, а бот. Так что же такое боты? Как их создавать? Какой исходный код для этого требуется? Именно эти вопросы мы и разберем сегодня!

При создании современных ботов используется искусственный интеллект, опирающийся на машинное обучение и обработку естественного языка (NLP – Natural Language Processing). ИИ обеспечивает максимально гладкое взаимодействие между людьми и компьютерами.

Чат-боты повсюду, будь то банковский сайт, пиццерия или магазины электронной коммерции. Они помогают обслуживать клиентов в режиме реального времени по ряду заранее определенных вопросов, относящихся к сфере деятельности компании. При этом боты используют естественный язык и создают иллюзию общения с человеком.

Упрощенно можно сказать, что чат-боты — это эволюция систем вопросов и ответов, использующих обработку естественного языка. Согласно некоторым источникам, к 2024 году размер мирового рынка общения вырастет до 15,7 млрд долларов. При этом годовой темп роста составит 30,2%.

Например, во время пандемии коронавируса мы стали свидетелями тысяч мистификаций о том, что можно использовать для лечения COVID или что может быть полезно для повышения иммунитета, или о том, был ли вирус разработан в лаборатории. Чтобы положить конец таким мистификациям, Facebook запустил чат-бота, который работает как факт-чекер.

Что такое чат-бот?

Термин «чаттербот» появился в 1994 году, когда Майкл Молдин создал своего первого чат-бота по имени Джулия.

Согласно Оксфордскому словарю, чат-бот определяется как «компьютерная программа, предназначенная для имитации разговора с пользователями-людьми, особенно через Интернет». Его можно рассматривать как виртуального помощника, который общается с пользователями с помощью текстовых сообщений и помогает предприятиям сблизиться со своими клиентами.

Отдельно стоит оговорить, что чат-боты предназначены для имитации общения с человеком. Само общение может происходить, например, через интерфейс чата или с помощью телефонного вызова. Разработчики обычно проектируют чат-ботов так, чтобы пользователям было сложно определить, общаются они с человеком или с роботом.

Чат-боты помогают любому бизнесу/организации в достижении следующих целей:

• Повышение эффективности работы
• Автоматизация выполнения запросов клиентов
• Обработка базовых запросов, которая освобождает сотрудников для работы над сложными и более ценными запросами
• Поддержка многоязычности
• Экономия времени и усилий за счет автоматизированной поддержки клиентов
• Повышение скорости отклика, а также вовлеченности клиентов
• Персонализация общения

Как работает чат-бот?

Чат-боты — это не что иное, как программные приложения, имеющие прикладной уровень, базу данных и API. Упрощая принцип работы чат-бота, можно сказать, что в основе его работы лежит сопоставление с образцом для классификации текста и выдачи подходящего ответа пользователю.

Чат-бот отвечает пользователю согласно заложенной в него программе. Боты бывают разных видов, в зависимости от принципа работы. Основных вида три:

• Чат-бот на основе правил. Это базовый чат-бот. Пользователь взаимодействует с ботом, используя предопределенные параметры. Чтобы получить ответ от бота, пользователю необходимо выбрать нужный параметр. Такие боты получают запрос пользователя, анализируют его, а затем предлагают результаты в виде кнопок. Обычно эти боты используются для замены разделов FAQ. Но если речь идет о сложных запросах, это не лучшее решение.
• Независимые чат-боты с ключевыми словами. Это боты, использующие машинное обучение. В отличие от чат-ботов на основе правил, они анализируют то, что хочет пользователь, и реагируют соответствующим образом. Эти боты используют настраиваемые ключевые слова и машинное обучение, чтобы определить, как эффективнее и результативнее реагировать на запросы пользователей.
• NLP (или контекстные) чат-боты. На данный момент они самые продвинутые. Эти чат-боты представляют собой комбинацию лучших чат-ботов на основе правил и ключевых слов. Они используют обработку естественного языка, чтобы понять контекст запросов и намерения пользователей и действовать соответственно. Такие чат-боты могут легко обрабатывать несколько запросов от одного и того же пользователя.

[machinelearning_ad_block]

Сравнение платформ для создания чат-ботов

Дальше мы обсудим список основных платформ для создания чат-ботов с искусственным интеллектом.

Azure Bot Service предлагает создать чат-бота с нуля, т. е. вы можете создавать, подключать, тестировать и развертывать. Это позволяет разработчикам использовать SDK и инструменты с открытым исходным кодом. Кроме того, Azure позволяет разработчикам создавать продвинутых ботов для обработки сложных запросов.

Botsify. Уникальность этого инструмента в том, что он позволяет пользователям без технического бэкграунда создавать чат-ботов с интуитивно понятным интерфейсом. Боты представлены здесь в виде историй, т. е. вы можете создать несколько историй или несколько чат-ботов и развернуть их в соответствии с имеющимися требованиями. Кроме того, есть ещё одна замечательная функция — возможность сохранять ответы пользователей в форму, которую можно легко экспортировать в CSV.

Amazon Lex позволяет разработчикам создавать диалоговые интерфейсы с использованием текста и голоса. Он предлагает расширенные функции глубокого обучения и обработки естественного языка для понимания контекста текста. Amazon lex также предоставляет простую в использовании консоль для создания чат-бота за считанные минуты.

Mobile Monkey. Данный сервис предлагает разработчикам создавать чат-ботов специально для маркетинговых целей. Это позволяет разрабатывать рекламные боты Facebook, SMS-боты и собственные веб-чат-боты на одной платформе. Здесь также предлагаются готовые шаблоны чат-ботов для любого бизнеса, которые можно напрямую встроить в сайт.

ChatterOn. Позволяет разработчикам подключать разные API при каждом взаимодействии с пользователем. Таким образом можно управлять разными типами ответов. ChatterOn предлагает более 20 готовых ботов, которые можно использовать одним щелчком мыши. Кодить много не придется, а это упрощает создание чат-ботов.

TARS. Этот инструмент предлагает нам создать лендинг с возможностью общения. Вы можете разработать автоматизированного чат-бота, который будет приветствовать клиентов, предоставлять им актуальную информацию об их запросах относительно ваших продуктов и одновременно запрашивать их контакты. Tars предлагает множество готовых шаблонов чат-ботов с классификацией по отраслям и по вариантам использования.

А теперь давайте разберем создание нашего собственного чат-бота на Python с использованием библиотеки chatterbot.

Chatterbot

Как следует из названия, chatterbot — это библиотека Python, специально разработанная для создания чат-ботов. Этот алгоритм использует набор инструментов машинного обучения для создания различных ответов пользователям в соответствии с их запросами.

Chatterbot значительно упрощает разработку чат-ботов. Всё начинается с создания необученного бота, у которого нет предыдущего опыта или знаний о том, как общаться. Затем библиотека сохраняет запросы, сделанные пользователями, а также отправленные им ответы. По мере увеличения «базы знаний» точность ответов чат-бота растет.

Chatterbot обучен искать ближайший аналогичный ответ, находя ближайший запрос, аналогичный новому запросу. Затем он выбирает из уже существующих ответов. Уникальность такого чат-бота заключается в том, что он позволяет разработчикам легко создавать свои собственные наборы данных и структуры.

От редакции Pythonist. О создании чат-бота при помощи библиотеки TensorFlow можно почитать в цикле статей «Чат-бот на Python (Deep Learning + TensorFlow)».

Создание чат-бота с помощью Chatterbot

Итак, начнем с установки библиотеки chatterbot. Для создания чат-бота также необходимо установить chatterbot_corpus. Он содержит корпус данных, включенных в модуль чат-ботов. Каждый корпус представляет собой не что иное, как прототип различных входных операторов и их ответов. Эти корпуса используются ботами для самообучения. Рекомендуемый способ установки chatterbot и chatterbot_corpus — использование pip.

Команды установки для терминала:

pip install chatterbot
pip install chatterbot_corpus

Команды установки Jupyter Notebook:

!pip install chatterbot
!pip install chatterbot_corpus

Давайте сначала импортируем класс Chatbot из модуля chatterbot.

from chatterbot import ChatBot

Создание экземпляра чат-бота

Теперь пришло время самой интересной части, а именно присвоения имени вашему чат-боту путем создания объекта Chatbot. Вы можете выбрать любое имя.

# Create object of ChatBot class
bot = ChatBot('Buddy')

[nltk_data] Downloading package averaged_perceptron_tagger to
[nltk_data]     /root/nltk_data...
[nltk_data]   Unzipping taggers/averaged_perceptron_tagger.zip.
[nltk_data] Downloading package stopwords to /root/nltk_data...
[nltk_data]   Unzipping corpora/stopwords.zip.
[nltk_data] Downloading package wordnet to /root/nltk_data...
[nltk_data]   Unzipping corpora/wordnet.zip.

Эта единственная строка кода генерирует нашего собственного нового бота по имени Buddy. Однако нам нужно указать еще несколько параметров перед запуском нашей первой программы.

Вы можете расположить адаптер хранилища с объектом чат-бота. Адаптеры хранилища позволяют подключаться к определенному устройству хранения или сети.

Для использования адаптера хранилища нам нужно указать его. Мы разместим адаптер хранилища, назначив его пути импорт хранилища, которое хотим использовать.

Здесь мы используем адаптер хранилища SQL. Он позволяет чат-боту подключаться к базам данных в SQL. Используя параметр базы данных, мы создадим новую базу данных SQLite.

Следуйте приведенному ниже коду, чтобы создать новую базу данных для чат-бота.

# Create object of ChatBot class with Storage Adapter
bot = ChatBot(
    'Buddy',
    storage_adapter='chatterbot.storage.SQLStorageAdapter',
    database_uri='sqlite:///database.sqlite3'
)

Вы также можете расположить логический адаптер с объектом чат-бота. Как следует из названия, логический адаптер регулирует логику чат-бота, т. е. выбирает ответы на любой предоставленный ему ввод. Этот параметр содержит список логических операторов.

Chatterbot позволяет нам использовать несколько логических адаптеров. Когда используется более одного логического адаптера, чат-бот рассчитывает уровень достоверности и в результате возвращает ответ с наивысшей достоверностью.

Здесь мы использовали два логических адаптера: BestMatch и TimeLogicAdapter.

# Create object of ChatBot class with Logic Adapter
bot = ChatBot(
    'Buddy',  
    logic_adapters=[
        'chatterbot.logic.BestMatch',
        'chatterbot.logic.TimeLogicAdapter'],
)

Обучение чат-бота

Теперь финальный шаг в создании чат-бота — его обучение с использованием модулей, доступных в Chatterbot.

Обучение чат-бота это просто введение разговора в базу данных. Как только чат-бот получает набор данных, он создает необходимые записи в графе знаний, чтобы правильно представлять входные и выходные данные.

Для начала давайте импортируем ListTrainer, создадим его объект, передав объект Chatbot. И вызовем метод train(), передав список предложений.

# Inport ListTrainer
from chatterbot.trainers import ListTrainer

trainer = ListTrainer(bot)

trainer.train([
'Hi',
'Hello',
'I need your assistance regarding my order',
'Please, Provide me with your order id',
'I have a complaint.',
'Please elaborate, your concern',
'How long it will take to receive an order ?',
'An order takes 3-5 Business days to get delivered.',
'Okay Thanks',
'No Problem! Have a Good Day!'
])

List Trainer: [####################] 100%

Тестирование чат-бота

Последний шаг — проверка разговорных навыков нашего бота. Для проверки его ответов мы будем вызывать метод get_responses() экземпляра чат-бота следующим образом:

# Get a response to the input text 'I would like to book a flight.'
response = bot.get_response('I have a complaint.')

print("Bot Response:", response)

Bot Response: Please elaborate, your concern

Мы создадим цикл while для запуска нашего чат-бота. При переборе предложений в цикле мы получаем соответствующие ответы, так как мы уже ввели данные в нашу базу. Если мы получаем от пользователя Bye или bye (прощание), мы можем положить конец циклу и остановить программу.

name=input("Enter Your Name: ")
print("Welcome to the Bot Service! Let me know how can I help you?")
while True:
    request=input(name+':')
    if request=='Bye' or request =='bye':
        print('Bot: Bye')
        break
    else:
        response=bot.get_response(request)
        print('Bot:',response)

Enter Your Name: Avinash
Welcome to the Bot Service! Let me know how can I help you?
Avinash:I need your assistance regarding my order
Bot: Please, Provide me with your order id
Avinash:12345
Bot: No Problem! Have a Good Day!
Avinash:Bye
Bot: Bye

Заключение

Поздравляем, вы добрались до конца данного урока!

Сегодня мы разобрали создание чат-бота на Python с использованием Chatterbot. Процесс создания бота был не только простым, но и дал точные результаты. Благодаря искусственному интеллекту и машинному обучению можно создавать отличных ботов с разговорными навыками.

Надеемся, данная статья была вам полезна! Успехов в написании кода!

Перевод статьи «Building a Chatbot using Chatterbot in Python».