Chatbot
🎈 v1.0.0 重磅更新: 重构整个项目代码，将 PyTorch 升级到 1.6.0 !
1 简介
常见的聊天机器人有两种：
- 闲聊型
open domain - 任务型
task oriented
本项目属于第二种，即面向任务的聊天机器人。这类型机器人的常见应用是智能客服，目的是为了解决用户的明确需求。
上图为面向任务的聊天机器人的一般流程，该项目目前实现了第一部分的 NLU 功能，包含 Slot Filling 和 Intent Prediction。
2 DEMO
2.1 数据集
2.2 数据标注
这里使用 RASA 开源的标注工具 RASA-NLU-Trainer 进行标注。
我自己部署了一份在线上，可以直接使用 。
标注完成后需要进行格式转化才能使用，这里以 /back/data/guotie.json 为例：
pip install rasa==2.6.3
cd ./back/data
mkdir guotie
# rasa 暂时不支持从 json 直接转成 yaml，因此需要先转 md，再转 yaml
rasa data convert nlu -f md --data guotie.json --out ./guotie/nlu.md
rasa data convert nlu -f yaml --data ./guotie/nlu.md --out ./guotie/
rm ./guotie/nlu.md
mv ./guotie/nlu_converted.yml ./guotie/nlu.yml
# 生成 domain
python -m run.generate_domain_from_nlu --nlu ./data/guotie/nlu.yml --domain ./data/guotie/domain.yml3 运行
3.1 直接运行
# 1 下载文件
git clone https://github.com/Ailln/chatbot.git
# 2 启动后端
cd chatbot/back
# 安装依赖
pip install -r requirements.txt
# 运行
python -m run.server
# 3 启动前端
cd ../front
# 安装依赖
npm install
# 运行
npm run serve
# 在浏览器中打开 http://127.0.0.1:80803.2 以 docker 方式运行
# 1 下载文件
git clone https://github.com/Ailln/chatbot.git
# 2 运行后端
cd chatbot/back
docker build -t chatbot-back:1.0.0 .
docker run -d --restart=always --name chatbot-back -p 8002:8002 chatbot-back:1.0.0
docker logs -f chatbot-back
# 2 运行前端
cd ../front
docker build -t chatbot-front:1.0.0 .
docker run -d --restart=always --name chatbot-front -p 8080:80 chatbot-front:1.0.0
docker logs -f chatbot-front
# 在浏览器中打开 http://127.0.0.1:80803.3 重新训练模型
cd chatbot/back
# 训练
python -m run.train
# 测试
python -m run.test4 架构
4.1 前端
- VueJS
- iView
- SocketIO
4.2 后端
- Flask
- SocketIO
- PyTorch
5 目录
.
├── front # 前端
│ ├── public
│ ├── src
│ ├── babel.config.js
│ ├── Dockerfile
│ ├── .dockerignore
│ ├── package.json
│ └── package-lock.json
├── back # 后端
│ ├── config
│ ├── data
│ ├── model
│ ├── util
│ ├── save
│ ├── qps_test.py
│ ├── Dockerfile
│ ├── .dockerignore
│ └── requirements.txt
├── src # 资源
├── LICENSE
├── README.md
└── .gitignore
6 参考
- Tensorflow动态seq2seq使用总结（r1.3）
- Attention-Based Recurrent Neural Network Models for Joint Intent Detection and Slot Filling
- BERT for Joint Intent Classification and Slot Filling
- 从“连接”到“交互”—阿里巴巴智能对话交互实践及思考
- A Frustratingly Easy Approach for Joint Entity and Relation Extraction
- FewJoint: A Few-shot Learning Benchmark for Joint Language Understanding
7 许可证
8 交流
请添加微信号：Ailln_，备注「chatbot」，我邀请你进入交流群。