Программирование на Python для начинающих: создание простейшего искусственного собеседника в чате
Если вы когда-либо использовали каких-либо чат-ботов с искусственным интеллектом, вы можете задаться вопросом, как они работают и можете ли вы создать их самостоятельно. С Python это более чем возможно, и здесь мы расскажем, как создать простейшего чат-бота, и дадим вам несколько советов по его обновлению.
Изучение NLTK с Python
Одной из наиболее веских причин использовать Python является его модульная природа. Мы видели это в нашем простом трекере расходов, когда использовали Tkinter для создания базового графического интерфейса для нашего приложения. Однако чат-боты не обязательно должны быть такими сложными, и мы можем без проблем запустить их в терминале. Я не буду разрабатывать пользовательский интерфейс для этого приложения, но вы можете попробовать его самостоятельно.
Основой нашего приложения является NLTK (Natual Language Toolkit), библиотека Python, которая предоставляет нам основные строительные блоки для чат-бота. Чтобы установить NLTK, откройте папку установки Python в терминале и введите:
pip install nltkВы должны увидеть, как библиотека NLTK загружается и обновляется. Как и любые другие включения, нам придется импортировать NLTK в начало нашего кода, вот так:
import nltk
from nltk.tokenize import word_tokenize
from nltk.sentiment import SentimentIntensityAnalyzer
from nltk.corpus import stopwords
from nltk.tag import pos_tag
import string
import random
import re
# Download required NLTK data
nltk.download('punkt_tab')
nltk.download('vader_lexicon')
nltk.download('stopwords')
nltk.download('averaged_perceptron_tagger_eng')Возможно, вы заметили, что мы добавили туда несколько ключевых слов «загрузить». Это позволяет нам загрузить базовый набор данных, включая ответы и информацию, которую уже знает наш очень простой чат-бот. Давайте углубимся в работу чат-бота.
Создание интерфейса чат-бота
Мы сохраним простоту интерфейса чат-бота, поэтому он будет похож на то, как мы составляли наш простой список дел на Python. Мы будем использовать окно терминала для ввода и вывода.
class SmartAIChatbot:
def __init__(self):
# Enhanced knowledge base with question-answer pairs
self.knowledge_base = {
'greetings': {
'patterns': ['hello', 'hi', 'hey'],
'responses': [
"Hi there! How can I help you today?",
"Hello! Nice to meet you!",
"Hey! What's on your mind?"
]
},
'questions': {
'what': {
'patterns': ['what is', 'what are', 'what can'],
'responses': [
"Let me think about {topic}...",
"Regarding {topic}, I would say...",
"When it comes to {topic}, here's what I know..."
]
},
'how': {
'patterns': ['how do', 'how can', 'how does'],
'responses': [
"Here's a way to approach {topic}...",
"When dealing with {topic}, you might want to...",
"The process for {topic} typically involves..."
]
},
'why': {
'patterns': ['why is', 'why do', 'why does'],
'responses': [
"The reason for {topic} might be...",
"Thinking about {topic}, I believe...",
"Let me explain why {topic}..."
]
}
},
'farewell': {
'patterns': ['bye', 'goodbye', 'see you'],
'responses': [
"Goodbye! Have a great day!",
"See you later!",
"Bye! Come back soon!"
]
}
}
self.sentiment_analyzer = SentimentIntensityAnalyzer()
self.stop_words = set(stopwords.words('english'))Это дает нашему чат-боту базовое взаимодействие и подсказки, а также дает начало способу ответа на вопросы. Теперь давайте посмотрим, как этот бот с искусственным интеллектом будет воспринимать подсказки и понимать, что мы печатаем.
Как научить ботов читать
Возможно, вы заметили слово «токенизировать» в предыдущем импорте. «Токены» — это то, что боты используют, чтобы понять, о чем мы говорим. Чтобы определить, какую тему вы хотите обсудить, мы будем использовать токены и теги, а также обрабатывать такие вещи, как вопросы:
def tokenize_and_tag(self, user_input):
"""Clean, tokenize, and POS tag user input"""
# Clean and tokenize
cleaned = user_input.lower().translate(str.maketrans('', '', string.punctuation))
tokens = word_tokenize(cleaned)
# POS tagging
tagged = pos_tag(tokens)
return tokens, tagged
def extract_topic(self, tokens, question_word):
"""Extract the main topic after a question word"""
# Find the question word's position
try:
q_pos = tokens.index(question_word.lower())
# Get everything after the question word and auxiliary verbs
topic_words = tokens[q_pos + 2:] # Skip question word and auxiliary verb
# Remove stop words from topic
topic = ' '.join([word for word in topic_words if word not in self.stop_words])
return topic if topic else "that"
except ValueError:
return "that"
def identify_question_type(self, user_input, tagged_tokens):
"""Identify the type of question and extract relevant information"""
question_words = {
'what': 'what', 'why': 'why', 'how': 'how',
'when': 'when', 'where': 'where', 'who': 'who'
}
# Check if it's a question
is_question = any([
user_input.endswith('?'),
any(word.lower() in question_words for word, tag in tagged_tokens),
any(pattern in user_input.lower() for qtype in self.knowledge_base['questions']
for pattern in self.knowledge_base['questions'][qtype]['patterns'])
])
if not is_question:
return None, None
# Identify question type and topic
for q_type, q_info in self.knowledge_base['questions'].items():
for pattern in q_info['patterns']:
if pattern in user_input.lower():
topic = self.extract_topic(user_input.split(), q_type)
return q_type, topic
return 'general', 'that'Создание (рудиментарного) мозга нашего бота
Поскольку это простой чат-бот с искусственным интеллектом, мы не будем выполнять сложную обработку мыслей. Вместо этого мы разработаем метод для обработки пользовательского ввода и определения настроения:
def get_response(self, user_input):
"""Generate a more thoughtful response based on input type"""
tokens, tagged_tokens = self.tokenize_and_tag(user_input)
# Check for greetings and farewells first
for category in ['greetings', 'farewell']:
if any(pattern in user_input.lower() for pattern in self.knowledge_base[category]['patterns']):
return random.choice(self.knowledge_base[category]['responses'])
# Handle questions
q_type, topic = self.identify_question_type(user_input, tagged_tokens)
if q_type:
if q_type in self.knowledge_base['questions']:
template = random.choice(self.knowledge_base['questions'][q_type]['responses'])
return template.format(topic=topic)
else:
# Handle general questions
return f"That's an interesting question about {topic}. Let me think... "
# If not a question, use sentiment analysis for response
sentiment = self.analyze_sentiment(user_input)
if sentiment > 0.2:
return "I sense your enthusiasm! Tell me more about your thoughts on this."
elif sentiment < -0.2:
return "I understand this might be challenging. Would you like to explore this further?"
else:
return "I see what you mean. Can you elaborate on that?"
def analyze_sentiment(self, text):
"""Analyze the sentiment of user input"""
scores = self.sentiment_analyzer.polarity_scores(text)
return scores['compound']Мы используем vader_lexicon, чтобы сообщить нам, как пользователь воспринимает вводимые данные, и оттуда мы можем определить, какой тип вывода мы им предоставим.
Разговор с нашим ботом
Чтобы завершить кодирование, мы доработаем интерфейс чата:
def chat(self):
"""Main chat loop"""
print("Bot: Hi! I'm a smarter chatbot now. I can handle questions! Type 'bye' to exit.")
while True:
user_input = input("You: ")
if user_input.lower() in ['bye', 'goodbye', 'exit']:
print("Bot:", random.choice(self.knowledge_base['farewell']['responses']))
break
response = self.get_response(user_input)
print("Bot:", response)
# Create and run the chatbot
if __name__ == "__main__":
chatbot = SmartAIChatbot()
chatbot.chat()Это позволяет нам вести базовый чат с нашим чат-ботом и получать некоторые его ответы.
Объединение всего этого и способы улучшения
Когда мы запустим нашего чат-бота, мы должны увидеть что-то вроде этого:
На этом этапе бот может прочитать ваш ввод и дать случайный ответ, но на самом деле он не может думать и отвечать вам. Однако благодаря системе токенизации он может понять, о чем вы пытаетесь спросить. У него просто нет данных для ответа.
Чтобы создать чат-бота с искусственным интеллектом и соответствующей базой знаний, вам нужно погрузиться в словесные сети и узнать о сериализации данных, что выходит далеко за рамки того, что мы хотим здесь сделать. Однако, если вы хотите создать более функционального чат-бота, существует множество ресурсов, которые могут научить вас тому, что вам нужно знать. Как всегда, этот код доступен на моем GitHub для скачивания или комментариев.
Есть много вещей, которые мы можем улучшить с помощью этого бота: от предоставления ему реальной базы знаний до обновления пользовательского интерфейса до чего-то более гладкого и привлекательного. Поэкспериментируйте с этим и посмотрите, что у вас получится!