聊天机器人开发思路（样板式模型）

最近打算弄一个智能客服的东西，就是辅助客服讲述帮助用户如何安装电视机的流程。

现在记录下吧：
一开始查了很多rnn，lstm，s2s等模型，发现都是那种生成式模型。
而且需要大量训练集，效果不是很理想。

对于此任务应该是一个task-oriented。

一般有三种方法：

样板式模型 (Rule-based model)检索式模型 (Retrieval-based model)生成式模型 (Generative model)

这里主要讲样板式（Rule-based model），从简单的开始。
通过AIML这种提供编写类似XML的高科技来完成任务。

有一个很明显的缺点就是需要大量的写规则，累。但是这种东西有提供词槽（slot），下面记录下AIML的使用过程。

通过AIML包，用Python很容易写出人工智能的聊天机器人。AIML代表人工智能修饰语言，但它仅是一个简单的XML。下面这些代码样例将带你了解如何使用Python创造你自己的人工智能聊天机器人。

AIML是什么？

AIML是由Richard Wallace开发的。他制作了一个叫做A.L.I.C.E.（人工语言学网络计算机实体）的机器人，并获得了一些人工智能的奖项。有趣的是，找寻人工智能的图灵测试中的一项是，让一个人通过文字接口与一个机器人对话几分钟，然后看看他们是否把它当做一个人。AIML以XML的形式来定义匹配模式规则，然后决定应答。

获得完整的AIML入门，查看Alice Bot’s AIML Primer。你将学到更多关于AIML的东西，以及在AIML Wikipedia page上看到它能够做什么。我们将首先创建AIML文件，然后使用Python给它赋予活力。

创建标准启动文件

标准的做法是，创建一个名为std-startup.xml的启动文件，作为加载AIML文件的主入口点。在这个例子中，我们将创建一个基础的文件，它匹配一个模式，并且返回一个相应。我们想要匹配模式load aiml b，然后让它加载我们的aiml大脑作为响应。我们将在一分钟内创建basic_chat.aiml文件。

<aiml version="1.0.1" encoding="UTF-8">        <!-- std-startup.xml -->        <!-- Category是一个自动的AIML单元 -->        <category>            <!-- Pattern用来匹配用户输入 -->            <!-- 如果用户输入 "LOAD AIML B" -->            <pattern>LOAD AIML B</pattern>            <!-- Template是模式的响应 -->            <!-- 这里学习一个aiml文件 -->            <template>                <learn>basic_chat.aiml</learn>                <!-- 你可以在这里添加更多的aiml文件 -->                <!--<learn>more_aiml.aiml</learn>-->            </template>        </category>    </aiml>

创建一个AIML文件

在上面，我们创建的AIML文件只能处理一个模式:load aiml b。当我们向机器人输入那个命令时，它将会尝试加载basic_chat.aiml。除非我们真的创建了它，否则无效。下面是你可以写进basic_chat.aiml的内容。我们将匹配两个基本的模式和响应。

<aiml version="1.0.1" encoding="UTF-8">    <!-- basic_chat.aiml -->    <aiml>        <category>            <pattern>HELLO</pattern>            <template>                Well, hello!            </template>        </category>        <category>            <pattern>WHAT ARE YOU</pattern>            <template>                I'm a bot, silly!            </template>        </category>    </aiml>

随机响应

你也可以像下面这样添加随机响应。它将在接受到一个以”One time I”开头的消息的时候随机响应。*是一个匹配任何东西的通配符。

<category>        <pattern>ONE TIME I *</pattern>        <template>            <random>                <li>Go on.</li>                <li>How old are you?</li>                <li>Be more specific.</li>                <li>I did not know that.</li>                <li>Are you telling the truth?</li>                <li>I don't know what that means.</li>                <li>Try to tell me that another way.</li>                <li>Are you talking about an animal, vegetable or mineral?</li>                <li>What is it?</li>            </random>        </template>    </category>

使用已存在的AIML文件

编写你自己的AIML文件是一个很有趣的事，但是它将花费很大的功夫。我觉得它需要大概10,000个模式才会开始变得真实起来。幸运的是，ALICE基金会提供了大量免费的AIML文件。在Alice Bot website上浏览AIML文件。在调用std-65percent.xml（它包含了65%最常用的短语）前，有一个浮动值。还有一个文件允许你和机器人玩BlackJack游戏。

最简单的Python程序

import aiml    # 创建核心，并学习AIML文件    kernel = aiml.Kernel()    kernel.learn("std-startup.xml")    kernel.respond("load aiml b")    # 按住CTRL-C来终止这个循环    while True:        print kernel.respond(raw_input("Enter your message >> "))

加速Brain加载

当你开始拥有很多AIML文件时，它将花费很长的时间来学习。这就是brain文件从何而来。在机器人学习所有的AIML文件后，它可以直接将它的大脑保存到一个文件中，这个文件将会在后续的运行中动态加速加载时间。

import aiml    import os    kernel = aiml.Kernel()    if os.path.isfile("bot_brain.brn"):        kernel.bootstrap(brainFile = "bot_brain.brn")    else:        kernel.bootstrap(learnFiles = "std-startup.xml", commands = "load aiml b")        kernel.saveBrain("bot_brain.brn")    # kernel now ready for use    while True:        print kernel.respond(raw_input("Enter your message >> "))

在运行的时候重新加载AIML

你可以在机器人运行的时候发送加载消息，然后它将加载AIML文件。记住，如果你使用了上面写的brain方法，在运行的时候加载并不会将新增改变保存到brain中。你将需要删除brain文件以便于它在下一次启动的时候重建，或者需要修改代码，使得它在重新加载后的某个时间点保存brain。关于为机器人创建可以执行的Python命令，查看下一章节。

load aiml b

增加Python命令 如果你想要为你的机器人提供一些特殊的运行Python函数的命令，那么，你应该为机器人捕获输入消息，然后在将它发送给kernel.respond()之前处理它。在上面的例子中，我们从raw_input中获得了用户的输入。然而，我们可以从任何地方获取输入。可能是一个TCP socket，或者是一个语音识别源码。在它进入到AIML之前处理这个消息。你可能想要在某些特定的消息上跳过AIML处理。

while True:        message = raw_input("Enter your message to the bot: ")        if message == "quit":            exit()        elif message == "save":            kernel.saveBrain("bot_brain.brn")        else:            bot_response = kernel.respond(message)            # Do something with bot_response

会话和断言

通过指定一个会话，AIML可以为不同的人剪裁不同的会话。例如，如果某个人告诉机器人，他的名字是Alice，而另一个人告诉机器人他的名字是Bob，机器人可以区分不同的人。为了指定你所使用的会话，将其作为第二个参数传给respond()

sessionId = 12345kernel.respond(raw_input(">>>"), sessionId)

这对于为每一个客户端定制个性化的对话是很有帮助的。你将必须以某种形式生成自己的会话ID，并且跟踪它。注意，保存brain文件不会保存所有的会话值。

    sessionId = 12345    # 会话信息作为字典获取. 包含输入输出历史，    # 以及任何已知断言    sessionData = kernel.getSessionData(sessionId)    # 每一个会话ID需要时一个唯一值。    # 断言名是机器人在与你的会话中了解到的某些/某个名字     # 机器人可能知道，你是"Billy"，而你的狗的名字是"Brandy"    kernel.setPredicate("dog", "Brandy", sessionId)    clients_dogs_name = kernel.getPredicate("dog", sessionId)    kernel.setBotPredicate("hometown", "127.0.0.1")    bot_hometown = kernel.getBotPredicate("hometown")

在AIML中，我们可以使用模板中的set响应来设置断言

<aiml version="1.0.1" encoding="UTF-8">       <category>          <pattern>MY DOGS NAME IS *</pattern>          <template>             That is interesting that you have a dog named <set name="dog"><star/></set>          </template>         </category>         <category>          <pattern>WHAT IS MY DOGS NAME</pattern>          <template>             Your dog's name is <get name="dog"/>.          </template>         </category>      </aiml>

使用上面的AIML，你可以告诉机器人：

My dogs name is Max

而机器人会回答你：

That is interesting that you have a dog named Max

然后，如果你问机器人：

What is my dogs name?

机器人将会回答：

Your dog's name is Max.