1
想掌握對話溝通，語境為王。
我們將使用Tensorflow構建一個聊天機器人框架，向大家示范如何實現(xiàn)上下文的語境處理。
有沒有想過為什么大多數聊天機器人缺乏會話語境？
我們將創(chuàng)建一個聊天機器人框架，為一個小島上的輕便摩托車租賃店建立一個對話模型。這家小店的聊天機器人需要處理營業(yè)時間，預訂選項等簡單問答。我們也希望它能處理客戶根據上下文提出的問題，例如關于同一天租金的查詢。體驗能做好的話，可以讓客戶的假期留下美好回憶！
這將通過三個步驟實現(xiàn)：
將對話意圖的定義轉換為Tensorflow模型
接下來，構建一個聊天機器人框架來處理響應
將基礎的上下文語料，整合進響應處理過程
我們將使用tflearn，一個基于tensorflow的Python包。 一般用iPython notbook作為輔助工具
第一步，完整的notebook腳本可以在這里找到。
聊天機器人框架框架需要一個能定義會話意圖的架構。有一個簡潔的實現(xiàn)方式，是使用JSON文件。
每個會話意圖包含：
一個標簽（唯一的命名）
模式組（用于神經網絡文本分類器的句子模式）
響應組
稍后我們將添加一些基本的上下文元素。首先是導入的包：
如果是新手，看看“7行代碼搞定深度學習”；如果還不清楚 TensorFlow 都能干啥，就看看這個。
加載 JSON 會話意圖文件后，現(xiàn)在可以開始設計我們的文件、詞語和分類器的類。
我們創(chuàng)建了文件（句子）列表，每個句子是一個由詞干組成的列表，每個文件關聯(lián)一個意圖（一個類對象）。
詞干"tak"將匹配“take”，“taking”，“takers”等。我們可以清理詞語列表，刪除無用的詞目。但現(xiàn)在這樣處理就夠了。
麻煩的是，這個數據結構不能用到Tensorflow，需要進一步轉換：從由詞語組成的文本轉換成由數值型變量組成的張量。
注意我們的數據是被打亂了的。Tensorflow將取出其中一些數據，并將其用作測試數據，以衡量新擬合模型的精度。
如果我們看一個單一的x和y列表元素，我們會得到詞袋數組，一個用于意圖模式，另一個用于意圖類。
現(xiàn)在可以準備建模了。
同樣的張量結構，也用在了 'toy’ 例子里的2層神經網絡上，觀察理解這個模型擬合訓練數據的過程，會一直有用。
要完成這一部分的工作，我們將保存（'pickle'）模型和文檔，以便下一個notbook腳本可以調用。
第二步的完整notebook腳本看這里。
我們將構建一個簡單的狀態(tài)機來處理響應，使用我們（從上一步）的意圖模型作為分類器。這就是聊天機器人的工作原理。
語境聊天機器人框架，是帶狀態(tài)機的分類器。
導入相同的庫之后，我們 unpickle 模型和文件，并重新加載意圖文件。注意，聊天框架與我們構建的模型是分開的。除非意圖模式改變，否則不需要重建模型。由于有數百種意圖和數千種模式，模型可能需要幾分鐘的時間才能建立。
接下來，我們將加載保存的Tensorflow（tflearn框架）模型。需要注意的是，首先需要定義Tensorflow模型需要的數據結構，就像上一節(jié)所述。
在處理意圖之前，我們要想辦法把用戶輸入生成詞袋。這個技巧與我們以前使用過的訓練文本相同。
現(xiàn)在可以建立響應處理器了。
每個傳遞給response方法的句子都被分類。分類器使用model.predict（）并且非?？?。模型返回的概率向量與我們的意圖按順序一一對應，生成潛在響應列表。
如果一個或多個分類結果高于閾值，就可以判斷一個標簽是否與意圖匹配，然后處理。我們將分類列表作為一個堆棧，并刪除棧頂來尋找合適的匹配意圖，直到找到一個或者棧為空。
我們來看一個分類示例，返回值中最有可能的標簽及其概率。
雷鋒網提醒，“你的店今天營業(yè)嗎?”不是這個意圖的模式之一：“模式”: [“今天營業(yè)嗎?”, “今天什么時候開業(yè)?”, “今天的營業(yè)時間?”] ；而不管對應項“營業(yè)”和“今天” 多么適合模型（它們在選擇的意圖中是突出的）。
我們現(xiàn)在可以從用戶輸入中生成聊天機器人的響應。
以及上下文無關的其他響應..
讓我們利用一些基本的上下文，實現(xiàn)我們聊天機器人的拖欠租賃談話模型。
我們想要處理一個關于租賃摩托車的問題，并咨詢租金是否今天到期。是非問題是一個簡單的語境響應。如果用戶回答“今天” ，上下文是租賃的時間范圍，那么最好調取租賃公司編號1-800的問答響應。不占用時間。
為了實現(xiàn)這一點，我們將把“狀態(tài)”的概念加入我們的框架。這包括用來維護狀態(tài)的一個數據結構，和在處理意圖時用來操作這個數據結構的特定代碼。
因為我們的狀態(tài)機的狀態(tài)需要容易維護，恢復和復制等等，所以很重要的是要把它全部保存在像字典這樣的數據結構中。
這是基本語境的處理過程：
我們的上下文狀態(tài)是一個字典數據結構，它將包含每個用戶的狀態(tài)。我們將為每個用戶使用一些唯一的標識（例如，元胞數）。這使得我們的框架和狀態(tài)機可以同時維護多個用戶的狀態(tài)。
在意圖處理流程中添加了上下文處理流程，如下所示：
如果一個意圖想設值相應的上下文，則可以這樣做：
如果其他意圖想要與上下文相關聯(lián)，則可以這樣做：
以這種方式，如果用戶剛剛輸入“today”而與藍色沒有關聯(lián)（無上下文信息），則我們的“today”意圖將不被處理。如果他們輸入“today” 作為對我們的Y/N問題（意圖標簽：“rental”）的回應，則意圖被處理。
上下文狀態(tài)更新了。
我們定義了“greeting”意圖來簡化上下文，就像通常的短對話一樣。添加一個“show_details”參數來幫助我們理解其中的含義。
再試試輸入“today”，這里有一些值得注意的...
首先，我們對無上下文相關的“today”的回應是不同的。我們的分類產生了2個合適的意圖，而“opentoday”被選中，因為“今天”的意圖雖然較高的概率，而被限制在不再適用的上下文中。語境很有用！
有一些事情需要考慮了，那就是下面的語境化...
沒錯，你的聊天機器人將不再像無狀態(tài)的服務端那么輕松愉快了。
除非要重置狀態(tài)，重新加載模型和文檔 - 每次調用您的聊天機器人框架時，那你都需要引入"狀態(tài)"概念。
這個不難?？梢栽谄溥M程中運行一個有狀態(tài)的聊天框架，并使用RPC（遠程過程調用）或RMI（遠程方法調用）來調用，我推薦Pyro。
用戶界面（客戶端）通常是無狀態(tài)的，例如。HTTP或SMS。
聊天機器人的客戶端將調用Pyro函數，有狀態(tài)服務來處理。看，驚不驚喜，意不意外！
這是一個構建Twilio SMS聊天機器人客戶端的逐步指南，這里是FB Messenger的一個實現(xiàn)。
所有狀態(tài)信息都必須放在像字典一樣的數據結構中，容易地持久化，重載或以原子復制。
每個用戶的會話將生成上下文，這將為帶有該用戶狀態(tài)的上下文。用戶ID可以用他們的元胞數，F(xiàn)acebook用戶ID或著其他唯一標識符。
有些情況需要（按值）復制用戶的會話狀態(tài)，然后作為意圖過程來恢復。如果狀態(tài)機在框架內帶有狀態(tài)相關的變量，那么在實際中難以有效的。
所以現(xiàn)在你有一個聊天機器人框架，一個有狀態(tài)服務的方案，以及可以添加上下文的demo。以后大多數聊天機器人框架都將無縫地銜接上下文。
想想意圖影響和反應不同上下文（語境）設定的創(chuàng)意方式。用戶的上下文字典可以包含各種各樣的會話上下文。
來一起愉快地玩耍起來！
via chatbots magazine，雷鋒網編譯。轉載請聯(lián)系雷鋒網。
相關文章：
Facebook利用深度學習記憶網絡訓練聊天機器人，與客戶自由對話 | ICLR 2017
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
