使用Keras/TensorFlow模型构建属于你的Chatbot API

很多人认为，构建自己的聊天机器人（或助手）并不复杂。各种聊天机器人平台正在使用分类模型来识别用户意图。显然，在现有平台上构建聊天机器人时，会得到强有力的提升。为什么不自己使用类似的模型，构建一个独属于你的聊天机器人呢？构建时我们可能力遇到以下挑战：

1、对用户输入进行分类以识别意图（使用机器学习可以解决，利用带有TensorFlow后端的Keras）

2、保持背景。这部分的工作主要是编程，没有机器学习的相关内容。我们使用的是Node.js后端逻辑来跟踪对话上下文（在上下文中，通常不需要对用户意图进行分类-用户输入被视为chatbot问题的答案）

使用了Python库列表实现的程序功能，Keras深度学习用于构建分类模型。Keras在TensorFlow后端上运行训练。Lancaster词干库用于不同的单词形式：

要学习的Chatbot意图和模式在普通的JSON文件中定义，没有必要使用庞大的词汇量，我们的目标是为特定域构建聊天机器人。也可以用小词汇创建分类模型，它将能够识别为训练提供的一组模式。

在我们开始分类模型训练之前，需要先建立词汇量，处理模式以构建词汇表。每个单词都用于生成通用词根，这样做将有助于覆盖更多用户输入组合：

这是词汇创作的输出，有9个类和82个词汇单词：

训练不会基于单词的词汇运行，因为单词对机器没有意义。我们需要将单词翻译成包含0/1的数组的单词。数组长度等于词汇量大小，当来自当前模式的单词位于给定位置时，将设置1：

训练数据X（模式转换为数组[0,1,0,1，...,0]）Y(意图转换为数组[1,0,0，...,0]，会有单个1用于意图数组)。该模型使用基于三层的Keras构建。实验结果表明，三层提供了良好的结果（但这一切都取决于训练数据）。分类输出将是多类数组，这将有助于识别编码的意图。使用softmax激活生成多类分类输出（结果返回0/1的数组：[1,0,o,...,0]此集标识编码的意图）：

使用SGD优化器编译Keras模型：

拟合模型-执行训练并构建分类模型，在批量大小为5的200次迭代中执行训练：

该模型已建成，现在可以定义两个辅助函数，函数有助于将用户句子翻译成数组0/1

的单词：

看看这个例子，将句子翻译成一个单词：

当函数从chatbot词汇表中的句子中找到一个单词时，它将1设置为数组中的相应位置。该数组将被发送以由模型分类从而识别它所属的意图：

将训练好的模型保存到pickle文件中是一个很不错的做法，以便能够重用它来通过Flask REST API进行发布：

在通过Flask REST API发布模型之前，总是可以运行额外的测试，使用model.predict函数对用户输入进行分类，并根据计算的概率，返回意图（可以返回多个意图）：

句子分类的例子：

classy_local('Fetch blood result for patient')

意图正确计算：

要通过REST端点发布相同的功能，可以将其包装到Flask API中：

已经解释了如何实现分类部分。在帖子开头引用的GitHub repo中，您将找到如何维护上下文的完整示例。上下文由用JavaScript编写并在Node.js后端运行的逻辑维护。必须在意图列表中定义上下文流，一旦意图被分类并且后端逻辑找到上下文的开始 - 我们进入循环并询问相关问题。高级上下文处理的全部内容取决于后端实现（这超出了现阶段机器学习的范围）。

Chatbot用户界面：

长按二维码 ▲

订阅「架构师小秘圈」公众号

如有启发，帮我点个在看，谢谢↓