Python 使用Chatterbot构建聊天机器人

您是否觉得在等待客服时长时间排队很烦恼？您是否不喜欢阅读常见问题页面？如果是这样，您来对地方了。您是否曾经与客服代理人聊天，告诉他们你收到了错误的物品，结果发现那只是一个机器人在回应你？本博文将回答诸如：什么是机器人？它们是如何构建的？需要哪些代码资源等问题。

人工智能专门设计用于改善人机交互，利用机器学习和自然语言处理（NLP）来创建聊天机器人。聊天机器人存在于银行、比萨店和电子商务购物店等各行各业，在其相应领域提供实时的客户服务支持。聊天机器人通过适应自然人类语言以一种自然、类似人类的方式与人类对话。

近年来，由于聊天机器人能够提高客户参与度并减轻客户服务代表的工作负担，它们变得越来越受欢迎。事实上，研究显示，到2022年，已经有80％的企业正在使用或计划使用聊天机器人。

简单来说，聊天机器人是问题回答系统的演变，使用自然语言处理。根据最新数据，到2024年，全球聊天机器人市场规模预计将达到165亿美元，年均增长率为29.7％。随着客户自助服务的增长趋势，聊天机器人为客户提供了一种便捷高效的方式，无需等待人工帮助即可找到问题答案。

总的来说，聊天机器人彻底改变了企业与客户互动的方式，为客户支持提供了一种经济实惠的解决方案，同时提升了整体客户体验。

什么是聊天机器人

1994年，迈克尔·莫尔丁（Michael Mauldin）创建了他的第一个名为“Julia”的聊天机器人，从而诞生了“chatterbot”这个术语。根据牛津词典的定义，聊天机器人是一种模拟与人类用户进行对话的计算机程序，主要通过互联网进行通信。聊天机器人充当虚拟助手，通过文本消息与用户进行交流，并帮助企业与客户建立更紧密的联系。基本上，聊天机器人旨在模拟人类之间的交流方式，无论是通过聊天界面还是语音呼叫。开发人员致力于创建让用户难以区分人类和机器人的聊天机器人。

以下是我们将讨论为什么和何处聊天机器人在今天的世界中有用的各个要点。

聊天机器人为什么有用

• 全天候可用： 聊天机器人可以在不需要休息或休假的情况下提供全天候的客户服务支持，非常适合在不同时区运营的企业。

• 成本效益： 聊天机器人可以帮助企业减少运营成本，因为它们可以同时处理多个客户查询，无需额外的工作人员。

• 个性化： 聊天机器人可以根据客户的偏好、购买历史和其他数据提供个性化的响应。

• 提高客户参与度： 聊天机器人可以通过提供比传统客户服务方法更具互动性和用户友好性的对话体验来提升客户参与度。

聊天机器人在何处有用

• E−commerce： 聊天机器人可以帮助顾客找到产品、提供产品推荐，以及回答与订单和交付相关的常见问题。

• 医疗保健： 聊天机器人可以帮助患者找到有关其健康状况的信息，安排预约，并提醒关于用药时间表。

• 金融： 聊天机器人可以协助客户进行账户管理、提供投资建议，并帮助进行财务规划。

• 旅游： 聊天机器人可以帮助顾客找到和预订航班、酒店和租车，以及提供旅游目的地信息。

• 客户服务： 聊天机器人可以提供快速高效的客户服务支持，回答常见问题和解决简单问题。

聊天机器人是如何工作的

聊天机器人使用包括机器学习、自然语言处理（NLP）和人工智能（AI）在内的多种技术来模拟与人类的对话。以下是聊天机器人如何工作的详细解释：

• 用户输入： 用户与聊天机器人的对话始于用户的输入。这可以是文本消息或语音指令。

• 自然语言处理（NLP）： 聊天机器人使用NLP分析用户的输入，并理解其意图。这涉及将输入分解为单个词并识别关键短语、关键词和上下文。

• 获取信息： 一旦聊天机器人理解了用户的意图，它会从其知识库或数据库中检索相关信息。这些信息可以以结构化格式（如数据库）或非结构化格式（如网站或社交媒体页面）存储。

• 生成回应： 根据检索到的信息，聊天机器人生成与用户输入相关的回应。这个回应可以是文本、语音或两者皆有。

• 机器学习： 随着聊天机器人与更多用户的交互，它从对话中学习并改进其回应。这是通过使用机器学习算法分析对话并识别模式来实现的。

• 与其他系统的集成： 聊天机器人可以与其他系统（如客户关系管理（CRM）软件、营销自动化工具和电子商务平台）集成，以提供无缝的用户体验。

• 持续改进： 聊天机器人不断改进和更新，以提供更好的回应、处理更复杂的问题，并与新系统集成。

总的来说，聊天机器人利用先进的技术组合，提供个性化、高效和用户友好的对话体验。通过能够同时处理多个查询并提供全天候的客户支持，聊天机器人正在成为各种规模企业的重要工具。

既然我们对聊天机器人的定义、用途和益处已经熟悉了，让我们简要谈一下闲聊机器人。

聊天机器人

Chatterbot是一个使用自然语言处理（NLP）和机器学习算法来创建聊天机器人的Python库。它是构建会话界面的热门选择，被世界各地的企业和开发者使用。

以下是Chatterbot的一些特点:

• 多语言支持: Chatterbot支持多种语言，包括英语、西班牙语、法语和德语，使其成为开发者与国际客户合作的多功能选择。

• 预训练模型: Chatterbot带有预训练模型，可以立即用来快速构建聊天机器人。这些模型是通过大数据集训练的，可以对常见问题提供准确的回答。

• 自定义训练: 开发者还可以使用自己的数据集对Chatterbot进行训练，创建能够回答特定问题和使用案例的定制聊天机器人。

• 与其他平台集成: Chatterbot可以与Facebook Messenger、Slack和Twitter等平台集成，使企业能够提供全天候客户支持并提高客户参与度。

• 支持不同的会话格式: Chatterbot可以用于创建支持不同会话格式的聊天机器人，例如文本、语音和视频。

• 开源: Chatterbot是一个开源库，也就是说开发者可以根据自己的需要进行修改和定制。

现在让我们利用chatterbot在Python中编写一些简单聊天机器人的示例。

示例1

我们的第一步是安装聊天机器人库，为此我们需要运行下面显示的命令。

命令

pip install chatterbot

在上述命令之后，我们还需要运行以下命令。

命令

pip install chatterbot_corpus

一旦这两个命令在您的设备上成功执行，下一步是创建一个名为 main.py 的新文件，并在其中编写以下代码。

示例

from chatterbot import ChatBot
from chatterbot.trainers import ListTrainer

import logging
logger = logging.getLogger()
logger.setLevel(logging.CRITICAL)

# Create a new chatbot instance
chatbot = ChatBot('MyChatBot')

# Create a new trainer for the chatbot
trainer = ListTrainer(chatbot)

# Train the chatbot on a dataset of conversations
trainer.train([
    'Hi',
    'Hello',
    'How are you?',
    'I am doing well, thank you.',
    'That is good to hear.',
    'What is your name?',
    'My name is MyChatBot.',
    'Nice to meet you, MyChatBot.',
])

# Get a response to user input
response = chatbot.get_response('Hello')

# Print the response
print(response)

解释

这段Python代码演示了如何使用ChatterBot库创建和训练一个基本的聊天机器人：

• 导入必要的库：
  • 从chatterbot库中导入ChatBot类以创建聊天机器人实例

  • 从chatterbot.trainers库中导入ListTrainer类以训练聊天机器人使用对话数据集

  • 导入logging库以将日志记录器级别设置为CRITICAL（可选）

• 创建一个日志记录器并将其级别设置为CRITICAL（可选）。这样做是为了抑制聊天机器人的任何日志消息。

• 使用ChatBot(‘MyChatBot’)构造函数创建一个新的聊天机器人实例，其中’MyChatBot’是给予聊天机器人的名称。

• 使用ListTrainer(chatbot)构造函数为聊天机器人创建一个新的训练器。

• 使用trainer.train()方法训练聊天机器人，其参数是一对对话的列表。每对对话包含一个问题和其对应的答案。

• 使用chatbot.get_response()方法根据给定的用户输入获取聊天机器人的回应。用户输入作为该方法的参数传递。

• 使用print(response)语句打印从聊天机器人获得的回应。

要运行上述代码，我们需要运行下面显示的命令。

命令

python3 main.py

一旦我们运行上述命令，我们应该期望看到类似下面所示的输出。

输出

[nltk_data] Downloading package averaged_perceptron_tagger to
[nltk_data]     /Users/mlatiya/nltk_data...
[nltk_data]   Package averaged_perceptron_tagger is already up-to-
[nltk_data]     date!
[nltk_data] Downloading package punkt to /Users/mlatiya/nltk_data...
[nltk_data]   Package punkt is already up-to-date!
[nltk_data] Downloading package stopwords to
[nltk_data]     /Users/mlatiya/nltk_data...
[nltk_data]   Package stopwords is already up-to-date!
List Trainer: [####################] 100%
Nice to meet you, MyChatBot.

让我们再探索一个聊天机器人的例子。

考虑下面所示的代码。

示例

from chatterbot import ChatBot


# Uncomment the following lines to enable verbose logging
import logging
logging.basicConfig(level=logging.INFO)

# Create a new instance of a ChatBot
bot = ChatBot(
    'Terminal',
    storage_adapter='chatterbot.storage.SQLStorageAdapter',
    logic_adapters=[
        'chatterbot.logic.MathematicalEvaluation',
        'chatterbot.logic.TimeLogicAdapter',
        'chatterbot.logic.BestMatch'
    ],
    database_uri='sqlite:///database.db'
)

print('Welcome! Type something to begin, or enter "bye" to end the conversation.')

# The following loop will execute each time the user enters input
while True:
    try:
        user_input = input()

        if user_input.lower() == 'bye':
            print('Goodbye!')
            break

        bot_response = bot.get_response(user_input)

        print(bot_response)

    # Press ctrl-c or ctrl-d on the keyboard to exit
    except (KeyboardInterrupt, EOFError, SystemExit):
        break

说明

该代码创建了一个命令行聊天机器人，使用预训练模型来响应用户输入。聊天机器人使用 chatterbot 库中的 ChatBot 类创建。

ChatBot 对象使用名称” Terminal”和其他一些参数创建，例如要使用的存储适配器（设置为 SQL 存储适配器）和要使用的逻辑适配器。逻辑适配器定义了聊天机器人如何生成对用户输入的响应。在这种情况下，聊天机器人将使用数学计算适配器、时间逻辑适配器和最佳匹配适配器的组合。

database_uri 参数设置聊天机器人将用于存储的数据库的位置。在此示例中，使用 SQLite 数据库，并使用数据库文件名 database.db。

创建聊天机器人后，代码进入一个循环，不断提示用户输入并打印聊天机器人的响应。使用 input() 函数从命令行获取用户输入，并使用 bot.get_response() 方法获取聊天机器人对用户输入的响应。然后使用 print() 函数将聊天机器人的响应打印到控制台。

该循环将继续执行，直到用户在键盘上按下 ctrl−c 或 ctrl−d，这将引发异常并导致循环退出。

要运行上述代码，需要运行下方显示的命令。

命令

python3 main.py

一旦我们运行上述命令，我们应该期望类似于下面所示的输出。

输出

[nltk_data] Downloading package averaged_perceptron_tagger to
[nltk_data]     /Users/mlatiya/nltk_data...
[nltk_data]   Package averaged_perceptron_tagger is already up-to-
[nltk_data]     date!
[nltk_data] Downloading package punkt to /Users/mlatiya/nltk_data...
[nltk_data]   Package punkt is already up-to-date!
[nltk_data] Downloading package stopwords to
[nltk_data]     /Users/mlatiya/nltk_data...
[nltk_data]   Package stopwords is already up-to-date!
Welcome! Type something to begin, or enter "bye" to end the conversation.
bye
Goodbye!

结论

总之，聊天机器人的发展彻底改变了企业与客户互动的方式。通过使用ChatterBot，一个用于构建聊天机器人的Python库，开发者可以轻松创建智能且反应灵敏的聊天机器人，可以协助完成各种任务。ChatterBot还附带了几个内置的适配器，用于常见的聊天机器人功能，如数学计算、时间逻辑和能够找到用户输入的最佳匹配。

此外，ChatterBot为训练聊天机器人提供了一个简单的接口，允许开发者根据自己的特定需求来定制聊天机器人。总的来说，ChatterBot是一个为企业创造价值和提升客户体验的强大工具。