開源聊天機器人ChatterBot

3.1? ChatterBot簡介

ChatterBot是一個Python庫，可以輕松生成對用戶輸入的自動響應。ChatterBot使用一系列機器學習算法來產生不同類型的響應。這使開發人員可以輕松創建聊天機器人并自動與用戶進行對話。

ChatterBot的獨立于語言的設計使其能夠接受任何語言的培訓。此外，ChatterBot的機器學習特性允許代理實例在與人類和其他信息數據源進行交互時提高自己對可能響應的知識。對話流程如圖3.1所示。

?

圖3.1? ChatterBot對話流程圖

3.2? 搭建聊天機器人

3.2.1? 第一步：pip下載包

在命令行中輸入命令。

sudo pip install chatterbot

輸入密碼后，等待系統安裝。安裝完成后檢測安裝結果如圖3.2所示。

圖3.2? chatterbot安裝結果

3.2.2? 第二步：建立python工程、編碼訓練

在PyCharm中建立工程，創建python文件，編碼，執行。執行結果如圖3.3所示。

圖3.3? 執行結果

3.2.3? 第三步：輸入對話，得到回答

在控制臺輸入句子，得到對話系統的結果，如圖3.4、圖3.5所示。

圖3.4? 對話結果

圖3.5? 對話結果

3.3? ChatterBot對話流程分析

3.3.1? 創建聊天機器人流程

通過創建ChatBot對象創建聊天機器人，在其構造方法中有多個屬性可以進行配置：

1.?? 存儲適配器：為ChatterBot提供連接到各種存儲系統（如MongoDB或本地文件存儲）的接口。

storage_adapter參數用來配置不同的數據庫連接。

database參數用于指定聊天機器人將使用的數據庫的路徑。

2.?? 輸入輸出適配器：

input_adapter參數配置輸入適配器，用于從命令行、Microsoft Bot、gitter、hipchat、Mailgun讀取用戶的輸入。

output_adapter參數配置輸出適配器，用于將輸出打印到命令行、Microsoft Bot、gitter、hipchat、Mailgun。

3.?? 邏輯適配器：定義用來響應它接收到輸入的ChatterBot

logic_adapters參數是一個list，可以有多個邏輯適配器，不同的邏輯適配器解決不同的問題。

（1）Time Logic Adapter解決時間相關的問題；

（2）Mathematical Evaluation Adapter適配器可解決使用基本計算的數學問題；

（3）Best Match Adapter使用函數將輸入語句與已知語句進行比較，也就是最匹配方式，從訓練的對話中找到最相似的語句，根據對話，提供回答；

（4）Low Confidence Response Adapter：如果無法確定具有高置信度的響應，此適配器會返回指定的默認響應；

（5）Specific Response Adapter如果聊天機器人接收到的輸入與此適配器指定的輸入文本匹配，則返回指定的響應。

4.?? 過濾器：

減少聊天機器人在選擇響應時必須處理的語句數量。

5.?? name：名稱是ChatBot類唯一必需的參數。

6.?? trainer：訓練器。

3.3.2? 聊天機器人訓練過程

通過調用train方法，并將訓練集作為參數。

ChatterBot的訓練過程涉及將示例對話框加載到聊天機器人的數據庫中。這可以構建代表已知語句和響應集的圖數據結構。當一個聊天機器人訓練師被提供一個數據集時，它會在聊天機器人的知識圖中創建必要的條目，以正確表示語句輸入和響應。

用上下句來構建一個statement ，statement相當于存儲了一個上下對話的關系，在查找的時候，先找到最合適的上文，下文就是答案了。這就是一個訓練的過程，訓練的這一過程，主要是在構建statement，并把statement放到storage中。

圖3.6? 對話訓練流程

3.3.3? 獲取答案

聊天機器人主要的過程是產生答案的過程，而答案的選擇最關鍵的就是算法的實現，比較好的聊天機器人必須擁有不同的算法，對不同的聊天內容給出不一樣的答案，根據輸入選擇最合適的算法，產生最好的答案。

圖3.7? 獲取答案

3.4? ChatterBot源代分析

分析源代碼需要有入手點，我的入手點就從自己的聊天機器人入手，我將聊天機器人的步驟分為三部分：創建chatterbot、訓練語料、獲取回答。

main.py實現了簡單的對話流程，其代碼如下：

# coding=utf-8from chatterbot import ChatBot# 第一步，創建chatterbotchatbot = ChatBot('Ron Obvious',trainer='chatterbot.trainers.ChatterBotCorpusTrainer')# 第二步，訓練語料chatbot.train("chatterbot.corpus.english")# 第三步，輸入對話得到答案while True:q = raw_input()print chatbot.get_response(q)

?

?3.4.1? 創建模塊

創建模塊負責創建對象，其相關方法如圖3.8所示。

圖3.8?? ChatBot類

1.?? 創建ChatBot對象。

2.?? ChatBot 類的構造方法對聊天機器人的相關屬性進行賦值，包括：聊天機器人的名字、存儲適配器、邏輯適配器、輸入輸出適配器、過濾器、訓練器、訓練的數據集、是否要學習用戶輸入等。

3.?? 在賦值相關適配器的過程中，調用utils的validate_adapter_class方法對每個適配器進行檢測，檢測其是否為對應的父類的子類，也就是檢測我們自己加載的適配器是否為規定的適配器，如果不是，則會拋出異常。

4.?? 檢測完成后調用utils的initialize_class對適配器進行加載。

5.?? 加載過程中會調用utils的import_module，從而找到適配器。

6.?? 找到適配器之后，每個適配器分別調用各自的set方法，而所有的適配器都繼承自Adapter類。

7.?? 最后還要對邏輯適配器進行一個初始化的處理，調用initialize方法。

8.?? 接著調用LogicAdapter類的get_initialization_functions 方法，獲取所有初始化需要執行的方法，一一執行。

3.4.2? 訓練模塊

訓練模塊開始于語句：chatbot.train()方法，在ChatBot類中，train方法由@property修飾，會根據不同的訓練器執行不同的訓練方法。雖然取名字中都帶有train，其實只是把語料數據存入storage而已，不存在機器學習意義上的訓練。在ChatterBot中提供了四種訓練器。所有的訓練器都繼承了Trainer類。其繼承結構如圖3.9所示。

圖3.9? 訓練器繼承結構

3.4.2.1? ListTrainer

使用表示對話的list來訓練聊天機器人。ListTrainer類如圖3.10所示。

圖3.10?? ListTrainer類

1.?? 執行train方法，循環對參數list進行處理。

2.?? 由于處理需要一定的時間，因此在處理過程中會調用utils的print_progress_bar方法，顯示處理的進度條。

3.?? 在處理對話的過程中，調用父類的get_or_create方法，如果statement已經存在，則利用已存在的statement，如果不存在，則會創建一個新的statement。

4.?? 為每一個Statement添加tag和response，將結果存儲到storage中。

3.4.2.2? ChatterBotCorpusTrainer

ChatterBotCorpusTrainer使用來自ChatterBot對話語料庫的數據訓練聊天機器人。ChatterBotCorpusTrainer旨在處理yml格式的語料數據文件。

圖3.11?? ChatterBotCorpusTrainer

1.?? 在train方法中首先對參數進行判斷，判斷參數是否為list。接下來開始對每個語句和其對應的回答進行訓練。

2.?? 調用Cropus類的load_corpus(corpus_path)方法，獲取路徑下所有談話yml中對話內容的合集，數據集的排序方法按照python的默認方法。

3.?? 調用Cropus類的list_corpus_files(corpus_path)方法得到yml文件構成的列表 ，該方法會遍歷目錄下的所有文件，如果該文件以yml為后綴，那么該文件path就會存入list。

4.?? 進入循環，開始對每一條對話進行處理，目的是用上下句來構建一個statement ，statement相當于存儲了一個上下對話的關系，在查找的時候，先找到最合適的上文，下文就是答案了。這就是一個訓練的過程，訓練的這一過程，主要是在構建statement，并把statement放到storage中。

5.?? 由于處理需要一定的時間，因此在處理過程中會調用utils的print_progress_bar方法，顯示處理的進度條。

6.?? 在處理對話的過程中，調用父類的get_or_create方法，如果statement已經存在，則利用已存在的statement，如果不存在，則會創建一個新的statement。

7.?? 為每一個Statement添加tag和response，將結果存儲到storage中。

3.4.2.3? TwitterTrainer

可以訓練來自Twitter的語料。

圖3.12?? TwitterTrainer類

1.?? 執行train方法，循環調用get_statements方法獲取statement。

2.?? 在get_statements方法中通過調用twitter提供的API，返回API中隨機statement的列表。

3.?? 最后將statement存儲到storage中。

3.4.2.4? UbuntuCorpusTrainer

使用來自Ubuntu Dialog Corpus的數據進行訓練。UbuntuCorpusTrainer是在處理tsv格式的語料數據文件。

圖3.13?? UbuntuCorpusTrainer類

1.?? 執行train方法，首先會調用download方法下載語料，然后調用is_extracted判斷語料是否解壓，如果沒有解壓，那就對語料進行解壓，下載提取ubuntu對話數據集，然后檢查python的版本，python2.x的版本可能存在問題。

2.?? 采用循環對每個語料進行處理，處理每個語料的過程中循環處理tsv文件的每一行數據，接下來對循環處理的每一行代碼進行分析。

for row in reader: #row表示語料tsv文件中的每一行數據。 if len(row) > 0: text = row[3] #這個是根據數據集的特性來決定寫代碼的，因為語料庫的第四列是對話內容。所以這里是row[3]。statement = self.get_or_create(text) statement.add_extra_data('datetime', row[0]) #這個函數用來添加字典類型數據，例如此處添加的數據就是 {datetime,row[0]} statement.add_extra_data('speaker', row[1]) if row[2].strip(): #這個代碼的意思是，對話發起時，是不知道哪個是聽眾的，因為是在論壇發帖子。因為語料數據來自論壇交談，論壇發帖子是不知道誰會回復的，所以出事狀態下，發了一個新帖子以后，在帖子還沒有回復的情況下，row[2]默認是空，只有出現回復者以后，row[2]才會有值。#所以剛發完帖子后，由于row[2]是空，所以if下面的語句將不會被執行。上面的if語句中，Python strip() 方法用于移除字符串頭尾指定的字符（默認為空格）所以上面的if語句的意思是，row[2]這個數據集合中的第三個屬性，進行去除空格處理，得到的數據是否為空（即判斷這是否是個新發的帖子） statement.add_extra_data('addressing_speaker', row[2]) #因為人們的交談是一次只能有一個人說話，A說話時，B就只能聽著，可用來增加字典類型數據，如果用法如上，則函數調用前后無變化。 所以row[1]和row[2]表示row[1]對row[2]講話 if previous_statement_text: #這個previous_statement在這里代表上一次某人說的話，因為語料庫來自論壇對話，所以論壇帖子沒發以前，這個變量肯定是空的。 statement.add_response( Response(previous_statement_text) ) previous_statement_text = statement.text #為下一輪for循環做準備，方便取得此次回答的下一輪回答。這樣進入下一輪循環的時候，就可以正常進入if語句。 self.storage.update(statement) #最后將statement存入storage

?

3.4.3? 獲取回答模塊

獲取回答模塊主要用于根據用戶的輸入，產生相應的回答。該調用流程如圖3.14所示。

圖3.14? 回答流程

1.?? 執行ChatBot類中的get_response方法，該方法首先檢測默認的會話id，如果該id不存在，則表明是新的會話，這時要給新會話賦予一個新的id。

2.?? 調用InputAdapter類的process_input_statement方法處理輸入，將輸入轉化為statement，該方法會查詢輸入語句對應的statement是否存在，如果存在則返回statement，并記錄日志，如果不存在則直接記錄日志。InputAdapter是一個抽象類，所有的輸入適配器必須實現。

3.?? 繼續在get_response方法中執行preprocessor的過濾方法，得到過濾后的statement。

4.?? 調用ChatBot類中的generate_response方法，該方法根據輸入的statement得到相應的回答。

5.?? 在產生回答的過程中會調用StorageAdapter類的generate_base_query方法修改storage的屬性。

6.?? 由于邏輯適配器可能有多個，不同的適配器也可能產生不同的結果，調用proces方法的過程中會調用get_greatest_confidence方法找到最佳答案，如果多個適配器都贊同相同的statement，那么這個statement大概率是正確答案。

7.?? 最后通過輸出適配器OutputAdapter，將結果返回給用戶。

3.4.4? 全局梳理

整個ChatterBot關鍵部分如圖3.15所示。

圖3.15? 全局關鍵類

?

總結

以上是生活随笔為你收集整理的python开源聊天机器人ChatterBot——聊天机器人搭建、流程分析、源码分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。