【《机器人对话系统实现案例分析》3100字】

我国中小企业的技术创新研究机器人对话系统实现案例分析目录TOC\o"1-3"\h\u12064机器人对话系统实现案例分析 1230561.1前端页面实现 1220991.1.1用户注册页面 195411.1.2用户登录页面 2318571.1.3用户交互页面 3157041.2后端服务搭建 3123081.3对话机器人模块实现 5239331.3.1自然语言理解模块 547611.3.2对话管理模块 81.1前端页面实现根据上章对页面的设计，本系统主要利用HTML5以及CSS3来实现了以下三个页面。1.1.1用户注册页面包含了四个输入框，分别是用户名输入，用户邮箱输入，用户密码输入，和重复用户密码输入，以及一个提交按钮（Button）和一个登录跳转按钮，以表单的形式搜集用户信息。用户注册页面如图5-1所示：图5-1用户注册页面本文设计的注册页面，在用户名输入框设计了一个跳转按钮，用css设计了一个图标，用于直接跳转到登录页面。每一个输入框都有输入提示，方便用户填入相对应的信息。1.1.2用户登录页面包含了两个输入框，分别是用户名输入或者用户邮箱输入，用户密码输入，以及一个提交按钮和一个注册按钮，以表单的形式搜集用户信息。用户登录页面如图5-2所示：图5-2用户登录页面本文的登录页面，在密码的输入框同样设计了一个跳转按钮，用css添加了一个图标样式，用于返回到注册的页面。与注册页面相似，每一个输入框都有用户输入提示，方便用户填入相对应的信息。用户可以用注册时的用户名或者是电子邮箱两种方式登录系统。1.1.3用户交互页面本页面使用窗口化设计，调用Rasa提供的的聊天室插件，使用户可以在一个网页聊天室内与对话机器人做交流。用户交互页面如图5-3所示：图5-1用户交互页面交互页面包含一个对话框，一个输入框，一个提交按钮（SUBMIT）以及一个rasa聊天室提供的语音输入识别，但本系统语音输入仅支持英文。用户可以再输入框直接输入对话内容，点击提交按钮与系统交互。1.2后端服务搭建Flask应用创建了三个页面路由，用于页面跳转，分别对应前端的三个web页面。使用Http请求中最基本的Get和Post方法，对数据进行传输。创建了两个Flask-WTF表单，用于用户登录和注册页面的渲染和验证。在第四章服务器设计提到，Flask-WTF里的验证器可以对前端页面传入的表单数据进行验证处理。使用validators库对用户输入的数据例如用户名密码以及邮箱进行格式验证。validators验证各字段如表1.1所示表5-1WTForms的验证器验证器类描述DataRequired检查输入栏是否为空Email检查字段中的文本是否遵循电子邮件ID约定IPAddress验证输入字段中的IP地址是否符合规定Length验证输入字段中的字符串长度是否在给定范围内NumberRange在给定范围内验证一个数字URL验证输入字段中输入的URL本文主要用到的验证器：（1）validators.DataRequired()：用于验证表单中收集到用户输入的用户名，密码以及邮箱是否为空（2）validators.Email()：用于验证验证表单中收集到用户输入的邮箱是否符合格式规范（3）validators.Length()：用于规定用户名和密码长度，验证用户输入的用户名和密码是否符合格式规范判断用户输入后，需要连接mongodb数据库，服务器获取注册用户数据就将注册数据添加到数据库中，登录用户则是做信息查询，将用户输入数据和查询信息做匹配处理，匹配成功返回机器人页面。前端服务器处理流程如图5-4，5-5所示：图5-4Flask服务器处理用户注册流程图5-5Flask服务器处理用户登录流程通过Rasa服务器训练和运行对话系统模型，Rasa-nlu做自然语言处理，Rasa-core做对话管理，框架将训练好的模型部署到指定的端口上，在Rasa-SDK中，编写动作代码，当对话机器人识别到用户意图后，会根据训练的故事模型和规则判断来请求动作服务器的相应动作，并且通过执行动作返回的信息来回复用户。机器人服务器处理流程如图5-6所示：图5-5机器人服务器处理流程1.3对话机器人模块实现1.3.1自然语言理解模块本文采用管道的方法来训练NLU模型，管道作为一条流水线，将各个工作模块集成到一起，在高耦合的条件下一步一步对用户文本输入做分析和训练，最后得出训练的模型。管道模型如图5-6：图5-6管道模型图本文管道组件中采用了MitieNLP作为意图识别的工具，适合小型数据集的执行，从网上找到了开源的基于维基百科和百度训练的中文词向量作为Mitie的训练集，由于是中文环境，Jieba作为分词器将文本切割，这样训练的模型对中文的支持性更好。实体提取方面则用了机器学习库里的SklearnIntentClassifier作为实体分类器，它是Sklearn基于支持向量机和BiLSTM模型提供的实体提取服务，具体流程图如5-7所示：图5-7BILSTM-CRF模型如上图所示模型的处理流程：（1）预处理的文本通过前文介绍的序列标注的标准标记，“演员/S刘德华/S的/E作品/O有/O？”。（2）标注句子向量化得到每个词的词向量（3）模型在WordEmbedding层把每个单热向量转换成对应中文分词的词向量。（4）将词向量输入到BiLSTMLayer的双向LSTM层，按照每一层的位置拼接得到假设为m维序列的HiddenLayer序列。（5）通过线性层将HiddenLayer序列的m维向量映射到k维的标签集合上，得到句子特征，每一维都可以看作是每个词对不同标签的打分（6）CRFLayer层对整句话进行计算，对句子开头做开始状态标记，对句子结束做结束状态标记。（7）通过Viterbi解码算法求解为了使实体提取具有更好的效果，本文还采用了Rasa自带的同义词组件EntitySynonymMapper来屏蔽同义词。实体提取解决了如何从用户的输入中获取想要的信息，将信息作为实体存储。1.3.2对话管理模块由于在本系统是影视领域下的多轮对话系统，如何维护用户把目标状态的表示和如何准确决策是对话管理的需求。本文使用Rasa框架提供的Rasa-Core作为对话管理模块，它相当于对话机器人的大脑，主要的任务是维护更新对话状态和动作选择，然后对用户的输入做出响应。（1）通过编写Story（故事）来作为机器人的训练数据，训练对话管理模型。故事是用户和人工智能助手之间的对话表示，转换成一定特定的格式，其中用户输入表示为相应的意图(和必要的实体)，而助手的响应表示为相应的操作名称。Rasa核心对话系统的一个训练示例称为一个故事。对话样本示例如图5-8所示图5-8故事对话样本示例故事包含了用户输入，机器人的动作和事件响应。用户输入分是否存在实体的两种输入处理，动作则是机器人根据用户意图做出的回应，而事件主要包含了当执行表单动作的时候，对槽值的设置和表单的激活以及注销。（2）通过编写Domain（领域）作为机器人的大脑，它描述了机器人应该知道的所有信息，存储了意图（intents），实体（entities），插槽（slots），以及动作（actions）等信息。意图和实体在NLU模型里面定义，插槽对应实体类型，只是表现形式不同。Domain文件组成结构如表5-2所示：表5-2Domain.yml组成作用intents该字段列举了Bot拥有识别哪些意图的能力session_config该字段描述了一次会话的超时时间和超时后进行下一次会话的行为slots该字段列举了Bot拥有填充哪些槽值的能力entities该字段列举了Bot拥有识别哪些实体的能力actions该字段列举了Bot有哪些可执行的行为forms该字段列举了Bot有哪些formactionresponses该字段列举了当触发某个意图后，Bot能够使用其中的文本自动回复槽值，相当于机器人的内存（memory），它们以键值对的形式存在，用户存储用户输入时比较重要的消息，Slots存储的值就是NLU模型里面提取到的Entities的值，当用户输入中包含可识别的实体时，对话管理模型会自动调用Slot_was_set来向预设的槽位里面设置槽值信息。当需要设置并填充多个slot的时候，激活表单事件来完成，通过表单事件结合预设好的回复来遍历监管所有的slot,当发现需要的slot没有被填充时，会向用户发起询问，通过这种方式来确保用户意图的理解。通过rasa里的Tracker对象作为状态跟踪器，实时获取槽值作为查询信息完成查询动作。Policies作为策略模块，使用合适的策略来预测一次对话后需要执行的下一个动作，预测的原理就是置信度高低，由置信度高的Policy选择合适的Action执行，当两个策略置信度一样时，通过比较优先级高低选择策略。本系统的消息处理流程如图5-9所示：图5-9本系统的消息处理流程将用户输入的输入信息（Message）输入到Interpreter(NLU模块)，该模块负责识别用户输入信息（Message）中的"意图(intent)“和提取所有"实体”(entity)数据