需要源码和数据集请点赞关注收藏后评论区留言私信~~~

一    
    
    
、自然语言处理与智能

自然语言处理技术是智能客服应用的基础
    
    
    ，在自然语言处理过程中     


     


     


，首先需要进行分词处理 




 




 




，这个过程通常基于统计学理论

   

   

   ，分词的精细化可以提升智能客服的语言处理能力     

     

     

，统计分词和马尔可夫模型是常用的方法  




  




  




，但在非常用词汇的识别精度方面稍显逊色


  


  


  ，而精度高低直接影响分词结果的准确性     
     
     
，多样性分词有助于发现形式上的不合理性

自然语言处理技术是智能客服中的重要的环节   




   




   




，也是决定智能客服应用质量好坏和问题处理效率高低的关键因素



 



 



 ，创建智能客服通常系统先进行大量学习来充实语言知识库               ，并结合各种典型案例提升系统的处理能力
    
    
    。智能客服系统重点关注三部分：

1：知识库完善

2：服务满意度

3：处理未知场景的自我学习能力

与传统人工客服相比 智能客服应用一般具有以下优势

可以提供24小时无间断在线服务     


     


     


。

具备持续自主学习能力 




 




 




。

处理速度快    




    




    




，处理效率高














，

可以应对短时大容量服务请求

   

   

   。

成本优势     

     

     

。

从用户问题到答复输出涉及的流程基本框架如下图

 二 


     


     


    、智能应用开发库如下

 Gensim 

 NLTK 

SpaCy 

TensorFlow TensorFlow是一个基于数据流编程（dataflow programming）的系统               ，被广泛应用于图形分类

 




 




 


、音频处理   

   

   

、推荐系统和自然语言处理等场景的实现     



     



     



，提供基于Python语言的四种版本：CPU版本（tensorflow）  

     

     

   、GPU加速版本（tensorflow-gpu）以及每日编译版本（tf-nightly


  




  




  

、tf-nightly-gpu）  




  




  




。

 Theano

Keras

三  


  


  


、充实智能客服的情感

智能客服系统既依赖于专业性数据














，也与自然处理理解等人工智能技术紧密相关
    
    
    ，在解决用户业务诉求的过程中     


     


     


，难免用到用户咨询以及无法解决的问题等状况 




 




 




，因此提升其情感分析能力

   

   

   ，具备多维度服务能力     

     

     

，对提高客户整体满意度有十分重要的积极意义  




  




  




，智能客服


  


  


  ，人工客服和用户之间的关系可以简要概括如下图

智能客服处理流程如下图

 四   
     
     
  、聊天客服机器人实战

开发环境简介：

我们将使用深度学习技术构建一个聊天机器人     
     
     
，在包含聊天意图类别



   




   




   
、用户输入和客服响应的数据集上进行训练


  


  


  。基于循环神经网络（LSTM）模型来分类用户的输入消息所属类别   




   




   




，然后从响应列表中基于随机算法提供响应输出     
     
     
。该实例在执行环境Tensorflow(2.6.0)和Python（3.6.5）中运行成功



 



 



 ，其他需要的库为NLTK和Keras   




   




   




。

数据集和模型简介：

所需数据和模型说明如下：

chatbot.json ：预定义消息分类 



 



 



、输入消息和客服响应的数据文件



 



 



 。

wordtoken.pkl ： pickle 文件               ，存储包含词汇列表的Python 对象               。

category.pkl ：pickle 文件    




    




    




，包含消息类别列表    




    




    




。

model.h5 ：经过训练的模型














，包含模型以及神经元权重相关信息














。

数据结构

本实例数据基于JSON（JavaScript Object Notation）               ，JSON是一种轻量级的数据交换格式     



     



     



，完全独立于语言














，机器容易解析和生成               。JSON 建立在两种结构上：

1）名称:值（name:value）的集合     



     



     



。在计算机语言中称为对象               、记录




    




    




    、结构














、字典               、哈希表



     



     



     、键控列表或关联数组














。

（2）值有序列表
    
    
    。通常实现方式为数组














、向量    
    
    
、列表或序列
    
    
    ，属于通用数据结构     


     


     


，可与通用编程语言互换     


     


     


。

效果展示

语料库如下

 训练过程如下

用户在图形界面输入问题 客服机器人会给出相应回答 

 当用户提出了语料库之外的问题 客服便会显示以下回答

 五 


     


     


    、代码

项目结构如下 

部分代码如下  需要全部代码请点赞关注收藏后评论区留言私信~~~

test文件

#导入库 import nltk import pickle as pk import numpy as np import json as js import random from tensorflow import keras from tensorflow.python.keras.models import load_model from nltk.stem import WordNetLemmatizer wordlem = WordNetLemmatizer() from tkinter import * from tkinter import Text from tkinter import Button import tkinter nltk.download(punkt) nltk.download(wordnet) #加载训练模型 load = load_model(data/model.h5) #加载数据和中间结果 chatbot = js.loads(open(data/chatbot.json).read()) wordlist = pk.load(open(data/wordlist.pkl,rb)) category = pk.load(open(data/category.pkl,rb)) def tokenization(text): #分词 word_tokens = nltk.word_tokenize(text) # 词形还原 #for i in sw: word_tokens = [wordlem.lemmatize(i.lower()) for i in word_tokens] return word_tokens #词袋模型 def bow(text, wordlist): #分词 tokens = tokenization(text) bow = [0]*len(wordlist) for token in tokens: for i,flag in enumerate(wordlist): if flag == token: #查找匹配成功则标识为1 bow[i] = 1 print ("词袋模型匹配结果: %s" % flag) return(np.array(bow)) #预测结果 def predict(text, load): #设置阈值 




 




 




，过滤阈值以下内容 err_level = 0.20 outlist = [] bow_outcome= bow(text,wordlist) result = load.predict(np.array([bow_outcome]))[0] #根据概率结果排序 outcome = [[i,j] for i,j in enumerate(result) if j>err_level] outcome.sort(key=lambda x: x[1], reverse=True) for j in outcome: outlist.append({"k": category[j[0]], "probability": str(j[1])}) return outlist #设置应答信息 def getResponse(pred, intents_json): ptype = pred[0][k] print("用户提问类型：",ptype) ctype = intents_json[chatbot] for type in ctype: if(type[category]== ptype): result = random.choice(type[output]) print("提供给用户的响应信息：",result) break return result #预测消息响应 def chatbot_Response(query): pred = predict(query, load) outcome = getResponse(pred, chatbot) return outcome #设置用户和智能客服之间的消息交互 def chatbotInteract(): query = txt.get("1.0",end-1c).strip() txt.delete("0.0",END) chatwnd.tag_config(question, background="white", foreground="black") chatwnd.tag_config(answer, background="white", foreground="blue") chatwnd.config(state=NORMAL) chatwnd.insert(END, "用户问题：\n" + query + \n\n,question) outcome = chatbot_Response(query) chatwnd.insert(END, "客服回答：\n" + outcome + \n\n,answer) chatwnd.config(state=NORMAL) chatwnd.yview(END) #设置智能客服应用界面风格 tk_window = tkinter.Tk(screenName=None, baseName=None) tk_window.title("智能客服") tk_window.geometry("500x600") tk_window.resizable(False, False) #设置文本框 chatwnd = Text(tk_window, borderwidth=2, cursor=None,state=NORMAL, background="white", height="12", width="70", font="Arial",wrap=WORD) #设置滚动条 srb = Scrollbar(tk_window, command=chatwnd.yview, activebackground=None,background="white",borderwidth=2,highlightcolor="purple",cursor="arrow", jump=0,orient=VERTICAL,width=16,elementborderwidth=1) srb.pack( side = RIGHT, fill = Y ) chatwnd[yscrollcommand] = srb.set #设置信息输入框风格 txt = Text(tk_window, borderwidth=0, cursor=None,background="white",width="25", height="8", font="Arial",wrap=WORD) #设置发送消息按钮风格 msgBtn = Button(tk_window, font=("kaiti",14), text="咨询", width=12, height=8,highlightcolor=None,image=None,justify=CENTER,state=ACTIVE, borderwidth=0, background="Blue", activebackground="#524e78",fg =white,relief=RAISED, command= chatbotInteract ) #显示组件内容 srb.place(x=404,y=12, height=398) chatwnd.place(relx=0.0, rely=0.35, relwidth=0.8, relheight=0.66, anchor=w) msgBtn.place(bordermode=OUTSIDE,x=175, y=540, height=50) txt.place(x=2, y=411, height=100, width=400) tk_window.mainloop()

创作不易 觉得有帮助请点赞关注收藏~~~