利用 TensorFlow 实现上下文的 Chat-bots

如不雅另一个意图想要与高低文进行接洽关系，那么可以如许做：

传递给 response() 的每个句子都邑被分类。我们分类器应用 model.predict() 函数来进行类别猜测，这个办法异常快。模型返回的概率值和我们定义的意图是一直的，用来生成潜在的响应列表。

接下来，我们须要导入方才应用 TensorFlow（tflearn 框架）练习好的模型。请留意，你第一步照样须要去定义 TensorFlow 模型构造，正如我们在第一部分中做的那样。

鉴于高低文在所有的对话场景中的重要性，那么竽暌怪该若何参加这个特点？

如不雅一个或多个分类结不雅高于阈值，那么我们会选掏出一个与意图匹配的标签，然后处理。我们将我们的分类列表作为一个客栈，并大年夜这个客栈中寻找一个合适的匹配，直到找到一个最好的或者直到客栈变空。

我们来举一个例子，模型会返回最有可能的标签和其概率。

用户界面（客户端）平日是无状况的，例如：HTTP 或 SMS。

请留意，“is your shop open today?” 不是这个意图中的任何模式：“pattern : ["Are you open today?", "When do you open today?", "What are your hours today?"]”。然则，“open” 和 “today” 术语对我们的模式是异常有效的（他们在选择意图时，有决定性的感化）。

这部分，完全的代码在这里。

我们如今大年夜用户的输入数据中产生一个结不雅：

response('is your shop open today?')Our hours are 9am-9pm every day

再来一些例子：

response('do you take cash?')We accept VISA, Mastercard and AMEXresponse('what kind of mopeds do you rent?')We rent Yamaha, Piaggio and Vespa mopedsresponse('Goodbye, see you later')Bye! Come back again soon.

我们想处理的是一个关于租赁摩托车的问题，并询问一些有关房钱的事。对于用户问题的懂得应当是异常轻易的，语境异常清楚。如不雅用户询问 “today”，那么高低文的租赁信息就是进入时光框架，那么最好你还能指定是哪一个自行车，如许交换起来就不会浪费时光。

为了实现这一点，我们须要在框架中再参加一个概念 “state” 。这须要一个数据构造来保护这个新的概念和本来的意图。

接下来，我们给出根本语境的答复过程：

# create a data structure to hold user contextcontext = {}ERROR_THRESHOLD = 0.25def classify(sentence):    # generate probabilities from the model    results = model.predict([bow(sentence, words)])[0]    # filter out predictions below a threshold    results = [[i,r] for i,r in enumerate(results) if r>ERROR_THRESHOLD]    # sort by strength of probability    results.sort(key=lambda x: x[1], reverse=True)    return_list = []    for r in results:        return_list.append((classes[r[0]], r[1]))    # return tuple of intent and probability    return return_listdef response(sentence, userID='123', show_details=False):    results = classify(sentence)    # if we have a classification then find the matching intent tag    if results:        # loop as long as there are matches to process        while results:            for i in intents['intents']:                # find a tag matching the first result                if i['tag'] == results[0][0]:                    # set context for this intent if necessary                    if 'context_set' in i:                        if show_details: print ('context:', i['context_set'])                        context[userID] = i['context_set']                    # check if this intent is contextual and applies to this user's conversation                    if not 'context_filter' in i or \                        (userID in context and 'context_filter' in i and i['context_filter'] == context[userID]):                        if show_details: print ('tag:', i['tag'])                        # a random response from the intent                        return print(random.choice(i['responses']))            results.pop(0)

我们的高低文状况是一个字典，它将包含每个用户的状况。我将为每个用户应用一个独一的标识（例如，cell#）。这许可我们的框架和状况机同事保护多个用户的状况。

# create a data structure to hold user contextcontext = {}

我们在意图处理流程中，添加了高低文信息，具体如下：

                if i['tag'] == results[0][0]:                    # set context for this intent if necessary                    if 'context_set' in i:                        if show_details: print ('context:', i['context_set'])                        context[userID] = i['context_set']                    # check if this intent is contextual and applies to this user's conversation                    if not 'context_filter' in i or \                        (userID in context and 'context_filter' in i and i['context_filter'] == context[userID]):                        if show_details: print ('tag:', i['tag'])                        # a random response from the intent                        return print(random.choice(i['responses']))	
			 3/4   首页 上一页 1 2 3 4 下一页 尾页	
			

　　推荐阅读
　　美CIA CherryBlossom项目暴露路由器安全问题
            
            维基解密最新宣布的CIA黑客对象中包含了CherryBlossom项目，该项目凸显了路由器的安然问题，包含缺乏固件签名方面的验证等。“在企业级产品方面，大年夜型路由器制造商已经供给签名固>>>详细阅读


本文标题：利用 TensorFlow 实现上下文的 Chat-bots
地址：http://www.17bianji.com/lsqh/35941.html
 1/2    1