qq_41611586的博客

点击Entities，新建实体，名称为food-item。披萨面条咖啡汉堡沙拉保存实体。测试效果用户：“我要点餐” → 上下文ordering启动。机器人：“您想吃点什么？用户：“一杯咖啡” → 自动识别food-item实体。

Webhook的比喻想象Dialogflow是一个接待顾客的前台服务员，当顾客提出简单问题（比如询问营业时间），服务员（Dialogflow）自己就能直接回答。当顾客提出复杂问题（比如“今天有什么特价菜”），前台服务员需要跑到厨房（Webhook后端）去问厨师拿菜单，然后再告诉顾客。Webhook本质就是一种回调机制，Dialogflow通过它向你自己的程序（服务器）发送请求，由你的程序处理逻辑，然后再返回响应。Node.js：适合零基础，容易上手，语法简洁，社区活跃。Python。

意图相当于用户向机器人提出的请求或问题，Dialogflow 通过识别用户输入的话来判断用户的目的是什么。“今天北京天气怎么样？“明天上海会下雨吗？这些句子的“意图”都是“查询天气”。实体是用户输入中关键的信息或参数。例如在“今天北京天气如何？”这句话里，“北京”就是实体，它代表用户要查询天气的地点。Dialogflow可以自动识别一些常用实体（如日期、城市等），也可以定义自己的实体。Dialogflow 提供了一个内置的模拟器工具，方便我们随时测试对话效果。

成功拥有Google账号后，接下来你需要访问Dialogflow控制台，创建你的第一个聊天机器人项目。

意图（Intent）可以理解为“用户想做什么”。比如用户说了一句话：“今天天气怎么样？”，这里用户的意图就是查询天气。用户说：“我想点一杯拿铁。意图：“点咖啡”（用户真正想做的事就是点咖啡。Dialogflow的核心功能就是识别用户表达的意图。训练短语（Training phrases）：用户可能会说的话。响应（Responses）：识别出意图后，机器人回复用户的话。意图（Intent）训练短语示例响应示例天气查询“今天的天气怎么样？”、“会不会下雨？“请告诉我您要查询哪个城市的天气？

人工智能聊天机器人（Chatbot）是一种能够和人类进行自然语言交流的软件程序。简单来说，它可以模仿人类的语言行为，通过识别和理解用户输入的文字或语音，实现自动化的沟通和互动。当你咨询快递状态时，聊天机器人可以直接告诉你快递到哪里了；当你访问购物网站时，机器人能够自动推荐商品并回答你的问题。这种技术的核心是自然语言处理（Natural Language Processing, NLP），它使计算机能理解、处理并回应人类的语言。

还记得小时候我们要写“读后感”或“观后感”吗？看完一篇长长的文章、一本书，甚至一部电影后，老师总是要我们用几句话概括主要内容。其实，这就跟。

通过以上两种方案的示例，你已经了解如何做一个初步可用的聊天机器人。除了以上通用流程，不同的实现会稍微有不同的细节。它能帮我们快速回复常见问题，让用户获得及时的帮助，并在一定程度上减少人工客服的压力。它的原理很直接：对用户输入进行简单匹配，然后返回事先准备好的答复。如果你不想依赖太多库，也不想担心 Python 版本的问题，可以先尝试。在互联网时代，我们日常接触到的“在线客服”“自动问答”等，大多是以。做聊天机器人，是个非常有趣且容易出成果的方式。一起传给 GPT，让它“记住”之前的交互。

在互联网时代，人们每天会在社交媒体、论坛、产品评价等平台上发表海量的评论和观点。这些文本数据蕴含了大量价值，其中一个重要的方向就是“情感分析（Sentiment Analysis）”。情感分析旨在判断文本背后所表达的主观情绪，如“正面”、“中性”或者“负面”，或者更细致地判断不同情绪强度，如“非常满意”、“满意”、“一般”、“不满”、“愤怒”等。

掌握了这些，你就能灵活运用现有的大模型来完成各种NLP任务，再也不用从零写代码、找海量数据、苦哈哈地训练啦！的工具快速完成“加载分词器—>转成张量—>前向传播—>预测结果”这四步。我们还提到，如果想“训练”或“微调”，需要多加“计算损失”和“反向传播”这两个步骤。上面的代码只做了“推理”（预测结果）。这个流行的Python库，去调用“预训练好的BERT模型”做文本分类，比如判断一句评论是“正面”还是“负面”。为了解决这个难题，就出现了“的基本概念，认识了BERT、GPT、T5这三位“明星”；

这里有一个有趣的点：由于 GPT 系列模型对语言的理解程度较高，一些具有创意的文本或者多种语言混合的文本，往往可以借助 OpenAI API 做到不错的实体识别效果。涉及了哪些重要人物和组织？在后续的学习中，你可以尝试把 NER 与其他技术结合，比如把识别出的实体输入到一个对话机器人中，或者利用这些实体做更精准的文本聚类与推荐。在这个例子里，我们给 GPT-3.5-turbo 模型发送了一个包含具体「指令」的 prompt，要求它把文本中的命名实体识别出来，并用 JSON 格式返回。

在传统的「词袋模型」（Bag of Words）里，“苹果”和“橘子”只会被视为两个不同的单词，模型只知道它们在文本中出现的频率，不知道它们在现实世界中都有“水果”“可食用”的相似属性。举个例子，如果把单词都映射到一个 50 维的空间里，“苹果”和“橘子”的向量坐标彼此接近，而“苹果”和“桌子”就会相隔较远。这时，词向量（Word Embeddings）就登场了：它能把单词变成一串数字，让电脑明白，“橘子”和“香蕉”比“橘子”和“桌子”更相似。要把理论变成实操，我们先来“煮”一锅“词向量的汤”。

这样，我们就把文本转换成了一个数值矩阵，每行对应一个文本，每列对应一个单词的词频。如果我们要分析这些文本，需要将它们转换为计算机可处理的格式。：衡量某个词在所有文档中的重要性。：衡量某个词在文章中出现的频率。进行 TF-IDF 计算。

在自然语言处理（NLP）中，数据的质量直接影响模型的表现。文本预处理的目标是清理和标准化文本数据，使其适合机器学习或深度学习模型处理。本章介绍几种常见的文本预处理方法，并通过 Python 代码进行示例。文本数据往往包含各种噪音，例如 HTML 标签、特殊字符、空格、数字等。清理文本可以提高模型的准确性。分词是将文本拆分成单个的单词或子词，是 NLP 任务的基础。词干提取和词形还原可以将单词标准化，从而提高模型的泛化能力。词干提取是基于规则的词形归一化方法，会粗暴地去掉单词的后缀。

文本分类（Text Classification）是自然语言处理（NLP）中的一个基础任务，指的是将文本数据自动归类到一个或多个预定义类别中的过程。如果你不想训练自己的模型，可以直接使用 OpenAI 的 GPT 进行文本分类。本章的目标是帮助你理解文本分类的基本概念，并通过具体示例学习如何使用。训练文本分类模型，以及如何利用 OpenAI API 进行文本分类。，帮助你理解 NLP 如何将文本转化为计算机可理解的数值表示！我们使用一个简单的数据集，其中包含邮件内容及其分类（训练一个简单的垃圾邮件分类器。

自然语言处理（Natural Language Processing, NLP）是人工智能（AI）的一个子领域，专注于让计算机理解、解释和生成人类语言。本部分主要介绍 NLP 的基础概念，并通过实际案例演示 NLP 的核心任务，同时引导你搭建 NLP 开发环境，确保你能顺利开始后续学习。简单来说，NLP 让计算机可以“读懂”并“使用”人类语言，就像我们与朋友聊天一样。接下来，我们搭建 NLP 开发环境，并熟悉 NLP 相关的 Python 库。我们安装 NLP 相关的库，以便后续进行 NLP 任务的实验。