Python AIML搭建聊天机器人的过程介绍

Python AIML搭建聊天机器人的过程介绍

发布日期:2016-09-22文章来源:转载

下面我们来看一篇关于Python AIML搭建聊天机器人的过程介绍,希望这篇文章能够帮助到各位朋友,具体的步骤细节如下文介绍。

AIML全名为Artificial Intelligence Markup Language(人工智能标记语言),是一种创建自然语言软件代理的XML语言,是由RichardS. Wallace 博士和Alicebot开源软件组织于1995-2000年间发明创造的。AIML是一种为了匹配模式和确定响应而进行规则定义的 XML 格式。

AIML的设计目标如下:

AIML应当为大众所易学易会。

AIML应当使最小的概念得以编码使之基于L.I.C.E支持一种刺激-响应学科系统组件。

AIML应当兼容XML。

书写AIML可处理程序文件应当简单便捷。

AIML对象应当对人而言具有良好的可读性和清晰度。

AIML的设计应当正式而简洁。

AIML应当包含对其他语言的依附性。

关于AIML详细的初级读物,可翻阅 Alice Bot’s AIML Primer 。你同样可以在 AIML Wikipedia page 了解更多 AIML 的内容以及它能够做什么。借助 Python 的 AIML 包,我们很容易实现人工智能聊天机器人。

1、安装Python aiml库

pip install aiml

2、获取alice资源

Python aiml安装完成后在Python安装目录下的 Lib/site-packages/aiml下会有alice子目录,这个是系统自带的一个简单的语料库。

3、Python下加载alice

取得alice资源之后就可以直接利用Python aiml库加载alice brain了。

# -*- coding: utf-8 -*-

import aiml

import sys

import os

def get_module_dir(name):

   path = getattr(sys.modules[name], '__file__', None)

   if not path:

       raiseAttributeError('module %s has not attribute __file__' % name)

   return os.path.dirname(os.path.abspath(path))

alice_path = get_module_dir('aiml') + '/alice'

#切换到语料库所在工作目录

os.chdir(alice_path)

alice = aiml.Kernel()

alice.learn("startup.xml")

alice.respond('LOAD ALICE')

while True:

printalice.respond(raw_input("Enter your message >> "))

上述流程非常的简单,接下来我们要自己从0开始创建自己的机器人。

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。我们将在一步内创建basic_chat.aiml文件。

LOADAIML B

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。

       HELLO

       WHATAREYOU

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。

       ONETIME I *

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。

测试新建的机器人

目前为止,所有 XML 格式的 AIML 文件都准备好了。作为机器人大脑的组成部分,它们都很重要,不过目前它们只是信息(information)而已。机器人需要活过来。你可以借助任何语言定制 AIML。这里还是使用Python。

# -*- coding: utf-8 -*-

importaiml

importos

mybot_path = './mybot'

#切换到语料库所在工作目录

os.chdir(mybot_path)

mybot = aiml.Kernel()

mybot.learn("std-startup.xml")

mybot.respond('load aiml b')

while True:

   printmybot.respond(raw_input("Enter your message >> "))

这是我们可以开始的最简单的程序。它创建了一个aiml对象,学习启动文件,然后加载剩余的aiml文件。然后,它已经准备好聊天了,而我们进入了一个不断提示用户消息的无限循环。你将需要输入一个机器人认识的模式。这个模式取决于你加载了哪些AIML文件。我们将启动文件作为一个单独的实体创建,这样,我们之后可以向机器人添加更多的aiml文件,而不需要修改任何程序源码。我们可以在启动xml文件中添加更多的可供学习的文件。

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。

# -*- coding: utf-8 -*-

import aiml

import os

mybot_path = './mybot'

#切换到语料库所在工作目录

os.chdir(mybot_path)

mybot = aiml.Kernel()

if os.path.isfile("mybot_brain.brn"):

   mybot.bootstrap(brainFile="mybot_brain.brn")

else:

   mybot.bootstrap(learnFiles="std-startup.xml", commands="load aiml b")

   mybot.saveBrain("mybot_brain.brn")

while True:

   printmybot.respond(raw_input("Enter your message >> "))

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。

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mybot.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 >> ")

   if message == "quit":

       exit()

   elifmessage == "save":

       mybot.saveBrain("bot_brain.brn")

   else:

       bot_response = mybot.respond(message)

       # Do something with bot_response

会话与断言

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 = 12345

mybot.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 = mybot.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"

   mybot.setPredicate("dog", "Brandy", sessionId)

   clients_dogs_name = mybot.getPredicate("dog", sessionId)

   mybot.setBotPredicate("hometown", "127.0.0.1")

   bot_hometown = mybot.getBotPredicate("hometown")

在AIML中,我们可以使用模板中的set响应来设置断言

     MYDOGSNAMEIS *

     WHATIS MYDOGSNAME

使用上面的AIML,你可以告诉机器人:

Mydogsnameis Max

而机器人会回答你:

Thatis interestingthatyouhave a dognamedMax

然后,如果你问机器人:

Whatis mydogsname?

机器人将会回答:

Yourdog's nameis Max.

aiml可以用来实现对话机器人,但是用于中文有以下问题:

中文规则库较少。规则库相当于对话机器人的“大脑”,一般来说,规则库越丰富,对话机器人的应对就更像人。目前英文的规则库已经很丰富,涵盖面很广,而且是公开可获取的。但公开的中文规则库就基本没有。

AIML解释器对中文支持不好。实际上,Python下的Pyaiml模块(解析器)已经能比较好的支持中文,但是也存在以下问题:英文单词间一般都有空格或标点区分,因此具备一种“自然分词”特性,由于中文输入没有以空格分隔的习惯,以上会在实践中造成一些不便。比如要实现有/无空格的输入匹配,就需要在规则库中同时包含这两种模式。

你可能感兴趣的:(Python AIML搭建聊天机器人的过程介绍)