基于AIML的Python聊天机器人搭建

逃离我推掉我的手 2022-08-28 05:46 271阅读 0赞

#  #

## AIML简介 ##

AIML全名为Artificial Intelligence Markup Language（人工智能标记语言），是一种创建自然语言软件代理的XML语言，是由RichardS. Wallace 博士和Alicebot开源软件组织于1995-2000年间发明创造的。AIML是一种为了匹配模式和确定响应而进行规则定义的 XML 格式。

*  AIML的设计目标如下：
 *  AIML应当为大众所易学易会。
 *  AIML应当使最小的概念得以编码使之基于I.C.E支持一种刺激-响应学科系统组件。
 *  AIML应当兼容XML。
 *  书写AIML可处理程序文件应当简单便捷。
 *  AIML对象应当对人而言具有良好的可读性和清晰度。
 *  AIML的设计应当正式而简洁。
 *  AIML应当包含对其他语言的依附性。

关于AIML详细的初级读物，可翻阅[Alice Bot’s AIML Primer][Alice Bot_s AIML Primer]。你同样可以在[AIML Wikipedia page][]了解更多 AIML 的内容以及它能够做什么。借助 Python 的 AIML 包，我们很容易实现人工智能聊天机器人。

## 使用AIML搭建聊天机器人 ##

**安装Python aiml库**

*  Python 2：pip install aiml
 *  Python 3：pip install python-aiml

**获取alice资源**

Python aiml安装完成后在Python安装目录下的 Lib/site-packages/aiml下会有alice子目录，这个是系统自带的一个简单的语料库。

**Python下加载alice**

取得alice资源之后就可以直接利用Python aiml库加载alice brain了。

\# -\*- coding: utf-8 -\*-

import aiml

import sys

import os

def get\_module\_dir(name):

path = getattr(sys.modules\[name\], '\_\_file\_\_', None)

if not path:

raise AttributeError('module %s has not attribute \_\_file\_\_' % name)

return os.path.dirname(os.path.abspath(path))

alice\_path = get\_module\_dir('aiml') + '/alice'

\#切换到语料库所在工作目录

os.chdir(alice\_path)

alice = aiml.Kernel()

alice.learn("startup.xml")

alice.respond('LOAD ALICE')

while True:

print alice.respond(raw\_input("Enter your message >> "))

上述流程非常的简单，接下来我们要自己从0开始创建自己的机器人。

**创建标准启动文件**

标准的做法是，创建一个名为std-startup.xml的启动文件，作为加载AIML文件的主入口点。在这个例子中，我们将创建一个基础的文件，它匹配一个模式，并且返回一个相应。我们想要匹配模式load aiml b，然后让它加载我们的aiml大脑作为响应。我们将在一步内创建basic\_chat.aiml文件。

<learn>basic\_chat.aiml</learn>

</template>

</category>

</aiml>

**创建一个AIML文件**

在上面，我们创建的AIML文件只能处理一个模式:load aiml b。当我们向机器人输入那个命令时，它将会尝试加载basic\_chat.aiml。除非我们真的创建了它，否则无效。下面是你可以写进basic\_chat.aiml的内容。我们将匹配两个基本的模式和响应。

<aiml>

<pattern>HELLO</pattern>

Well, hello!

</template>

</category>

I'm a bot, silly!

</template>

</category>

</aiml>

**随机响应**

你也可以像下面这样添加随机响应。它将在接受到一个以”One time I”开头的消息的时候随机响应。\*是一个匹配任何东西的通配符。

<li>Be more specific.</li>

<li>Are you telling the truth?</li>

<li>I don't know what that means.</li>

<li>Try to tell me that another way.</li>

<li>Are you talking about an animal, vegetable or mineral?</li>

</random>

</template>

</category>

**使用已存在的AIML文件**

编写你自己的AIML文件是一个很有趣的事，但是它将花费很大的功夫。我觉得它需要大概10,000个模式才会开始变得真实起来。幸运的是，ALICE基金会提供了大量免费的AIML文件。在Alice Bot website上浏览AIML文件。

**测试新建的机器人**

目前为止，所有 XML 格式的 AIML 文件都准备好了。作为机器人大脑的组成部分，它们都很重要，不过目前它们只是信息（information）而已。机器人需要活过来。你可以借助任何语言定制 AIML。这里还是使用Python。

\# -\*- coding: utf-8 -\*-

import aiml

import os

mybot\_path = './mybot'

\#切换到语料库所在工作目录

os.chdir(mybot\_path)

mybot = aiml.Kernel()

mybot.learn("std-startup.xml")

mybot.respond('load aiml b')

while True:

print(mybot.respond(raw\_input("Enter your message >> ")))

这是我们可以开始的最简单的程序。它创建了一个aiml对象，学习启动文件，然后加载剩余的aiml文件。然后，它已经准备好聊天了，而我们进入了一个不断提示用户消息的无限循环。你将需要输入一个机器人认识的模式。这个模式取决于你加载了哪些AIML文件。我们将启动文件作为一个单独的实体创建，这样，我们之后可以向机器人添加更多的aiml文件，而不需要修改任何程序源码。我们可以在启动xml文件中添加更多的可供学习的文件。

**加速Brain加载**

当你开始拥有很多AIML文件时，它将花费很长的时间来学习。这就是brain文件从何而来。在机器人学习所有的AIML文件后，它可以直接将它的大脑保存到一个文件中，这个文件将会在后续的运行中动态加速加载时间。

\# -\*- coding: utf-8 -\*-

import aiml

import os

mybot\_path = './mybot'

\#切换到语料库所在工作目录

os.chdir(mybot\_path)

mybot = aiml.Kernel()

if os.path.isfile("mybot\_brain.brn"):

mybot.bootstrap(brainFile="mybot\_brain.brn")

else:

mybot.bootstrap(learnFiles="std-startup.xml", commands="load aiml b")

mybot.saveBrain("mybot\_brain.brn")

while True:

print(mybot.respond(raw\_input("Enter your message >> ")))

记住，如果你使用了上面写的brain方法，在运行的时候加载并不会将新增改变保存到brain中。你将需要删除brain文件以便于它在下一次启动的时候重建，或者需要修改代码，使得它在重新加载后的某个时间点保存brain。

**增加Python命令**

如果你想要为你的机器人提供一些特殊的运行Python函数的命令，那么，你应该为机器人捕获输入消息，然后在将它发送给mybot.respond()之前处理它。在上面的例子中，我们从raw\_input中获得了用户的输入。然而，我们可以从任何地方获取输入。可能是一个TCP socket，或者是一个语音识别源码。在它进入到AIML之前处理这个消息。你可能想要在某些特定的消息上跳过AIML处理。

while True:

message = raw\_input("Enter your message >> ")

if message == "quit":

exit()

elif message == "save":

mybot.saveBrain("bot\_brain.brn")

else:

bot\_response = mybot.respond(message)

\# Do something with bot\_response

**会话与断言**

通过指定一个会话，AIML可以为不同的人剪裁不同的会话。例如，如果某个人告诉机器人，他的名字是Alice，而另一个人告诉机器人他的名字是Bob，机器人可以区分不同的人。为了指定你所使用的会话，将其作为第二个参数传给respond()

sessionId = 12345

mybot.respond(raw\_input(">>>"), sessionId)

这对于为每一个客户端定制个性化的对话是很有帮助的。你将必须以某种形式生成自己的会话ID，并且跟踪它。注意，保存brain文件不会保存所有的会话值。

sessionId = 12345

\# 会话信息作为字典获取. 包含输入输出历史，

\# 以及任何已知断言

sessionData = mybot.getSessionData(sessionId)

\# 每一个会话ID需要时一个唯一值。

\# 断言名是机器人在与你的会话中了解到的某些/某个名字

\# 机器人可能知道，你是"Billy"，而你的狗的名字是"Brandy"

mybot.setPredicate("dog", "Brandy", sessionId)

clients\_dogs\_name = mybot.getPredicate("dog", sessionId)

mybot.setBotPredicate("hometown", "127.0.0.1")

bot\_hometown = mybot.getBotPredicate("hometown")

在AIML中，我们可以使用模板中的set响应来设置断言

That is interesting that you have a dog named <set name="dog"><star/></set>

</template>

</category>

Your dog's name is <get name="dog"/>.

</template>

</category>

</aiml>

使用上面的AIML，你可以告诉机器人：

*My dogs name is Max*

而机器人会回答你：

*That is interesting that you have a dog named Max*

然后，如果你问机器人：

*What is my dogs name?*

机器人将会回答：

*Your dog’s name is Max.*

AIML可以用来实现对话机器人，但是用于中文有以下问题：

*  中文规则库较少。规则库相当于对话机器人的“大脑”，一般来说，规则库越丰富，对话机器人的应对就更像人。目前英文的规则库已经很丰富，涵盖面很广，而且是公开可获取的。但公开的中文规则库就基本没有。
 *  AIML解释器对中文支持不好。实际上，Python下的PyAIML模块（解析器）已经能比较好的支持中文，但是也存在以下问题：英文单词间一般都有空格或标点区分，因此具备一种“自然分词”特性，由于中文输入没有以空格分隔的习惯，以上会在实践中造成一些不便。比如要实现有/无空格的输入匹配，就需要在规则库中同时包含这两种模式。

解决方案：

*  自己搭建语料库（比如从字幕文件中获取训练）
 *  自己中文分词工具(如jieba)