前言

前一篇我們用了不到20行的程式，解析使用者說的話，程式了解語意後，要如何回應呢? 今天就來探討一下吧。

回應(Response)

回應的作法有很多種：

1. 一問一答：假設公司有一個FAQ資料庫，裡面包含各式常見的問題及對應的解答，那就容易了，首先比對使用者的問題與FAQ資料庫所有的問題，找出相似度最高的問題，這部分可以使用TF-IDF演算法及Cosine Similarity 計算求得，之後再把對應的答案回應給使用者即可。舉一個簡單的範例說明TF-IDF、Cosine Similarity。

from sklearn.feature_extraction.text import CountVectorizer

#語料
corpus = [
    'This is the first document.',
    'This is the second second document.',
    'And the third one.',
    'Is this the first document?',
]
#將文件中的詞語轉換為詞頻矩陣
vectorizer = CountVectorizer()
#計算個詞語出現的次數
X = vectorizer.fit_transform(corpus)
#獲取詞袋中所有文件關鍵字
word = vectorizer.get_feature_names()
print ("word vocabulary=", word)
#查看詞頻結果
print ("BOW=", X.toarray())

from sklearn.feature_extraction.text import TfidfTransformer

#類調用
transformer = TfidfTransformer()
print ("transformer=", transformer)
#將詞頻矩陣X統計成TF-IDF值
tfidf = transformer.fit_transform(X)
#查看資料結構 tfidf[i][j]表示i類文件中的tf-idf權重
print ("tfidf=", tfidf.toarray())

# 最後一句與其他句的相似度
from sklearn.metrics.pairwise import cosine_similarity
print (cosine_similarity(tfidf[-1], tfidf, dense_output=False))
print (cosine_similarity(tfidf[-1], tfidf))

2. 預約服務(Booking Service)：如上一篇，依照服務類別(Skills)，從輸入字句，找出使用者意圖(intent)及實體(Entity)，然後依據人事時地物，查詢服務是否可以被滿足，再作出適當的回應。例如，飯店預約服務，使用者提出『下週五我要訂墾丁凱薩飯店雙人房兩晚』，系統就要作以下的轉換、查詢，再作出回應：

• 『下週五』要轉換為日期(YYYY-MM-DD)。
• 依據日期、地點、房型，查詢資料庫是否有空的房間。
• 作出回應，如無空房，可能要提出建議，進一步接收使用者的輸入。
  這類的系統非常多，可以參考『Top 60 Chatbot Companies』，包含幾家領導廠商：
• Google DialogFlow
• Microsoft Bot Framework/LUIS/QnA Maker
• IBM Watson Conversation Service
• Facebook wit.ai

他們針對人事時地物的NER(Named-entity recognition)解析都有Library支援。

3. 純聊天：像Siri這種App，一般企業應該不會提供這種沒有獲利機會的服務，這裡就不討論了。

ChatterBot

找個 open source Package 感受一下，ChatterBot 是一個自己設計問題及答案的套件，好像只能在Linux安裝，我在Windows下安裝失敗，就改在WSL(Windows Subsystem for Linux)安裝，還蠻順利的，指令如下：

pip install chatterbot

ChatterBot 是以知識圖(knowledge graph)儲存訓練及對話記錄，如下圖：

圖. 兩段對話原始內容，圖形來源：https://chatterbot.readthedocs.io/en/stable/training.html

圖. 兩段對話合併的結果，圖形來源：https://chatterbot.readthedocs.io/en/stable/training.html

舉兩個範例說明：

from chatterbot import ChatBot

# 產生一個 ChatBot，取名為 "Ron Obvious"
chatbot = ChatBot("Ron Obvious")

from chatterbot.trainers import ListTrainer

# 訓練資料
conversation = [
    "Hello",
    "Hi there!",
    "How are you doing?",
    "I'm doing great.",
    "That is good to hear",
    "Thank you.",
    "You're welcome."
]

# 訓練模型
trainer = ListTrainer(chatbot)
trainer.train(conversation)

# 測試
while True:
	str = input("your question:")
	if len(str) == 0: break
	response = chatbot.get_response(str)
	print(response)

對話中每個句子是前一個句子的回答，所以，輸入『Hello』，程式會回答『Hi there!』，輸入故意漏一兩個單字，發現效果並不太好，例如輸入『Thanks』，預期程式會回答『You're welcome.』，結果回答『Thank you.』，根據文件說明，系統會儲存對話內容，使系統愈來愈聰明。

另外系統業提供一些常見的邏輯連接器(logic adapters)，例如，數學式的估算、目前時間的查詢，請看下面程式：

from chatterbot import ChatBot

# 產生一個 ChatBot，加入兩個邏輯連接器(logic adapters)
bot = ChatBot(
    'Math & Time Bot',
    logic_adapters=[
        'chatterbot.logic.MathematicalEvaluation',
        'chatterbot.logic.TimeLogicAdapter'
    ]
)

# 數學式估算
response = bot.get_response('What is 4 + 9?')
print(response)

# 目前時間查詢
response = bot.get_response('What time is it?')
print(response)

執行果如下圖：

結語

ChatBot 是一個物超所值的應用，技術門檻也不高，如果你的公司還沒有導入，那就趕快建議公司開始規劃吧!