【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示超详细）

冷不防 2023-09-30 17:31 31阅读 0赞

> **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

![0e4dd1fed1ef4ee1b654cba923712ba1.png][]

## 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

![6eb2628199e84045a1d44ada9210f425.png][]

智能客服处理流程如下图

## ![d89277914f6243c6aad0ac9f5f6e8748.png][] 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

![b7ae4c3b5abf45c882427f05831cb946.png][]

训练过程如下

![21673b2e60194aa4ae9d79db80584df5.png][]

用户在图形界面输入问题 客服机器人会给出相应回答

![44c88f6748e24962bbb75981d0bfe00e.png][]

![eb6b2643e313440fb6a0c223540bd62b.png][]

当用户提出了语料库之外的问题 客服便会显示以下回答

![64960f1a99e04c92ad8f89b4cb91d403.png][]

## 五、代码 ##

项目结构如下

![85055e7395d445a688373e23984095fc.png][]

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~~~**

[0e4dd1fed1ef4ee1b654cba923712ba1.png]: https://img-blog.csdnimg.cn/0e4dd1fed1ef4ee1b654cba923712ba1.png
[6eb2628199e84045a1d44ada9210f425.png]: https://img-blog.csdnimg.cn/6eb2628199e84045a1d44ada9210f425.png
[d89277914f6243c6aad0ac9f5f6e8748.png]: https://img-blog.csdnimg.cn/d89277914f6243c6aad0ac9f5f6e8748.png
[b7ae4c3b5abf45c882427f05831cb946.png]: https://img-blog.csdnimg.cn/b7ae4c3b5abf45c882427f05831cb946.png
[21673b2e60194aa4ae9d79db80584df5.png]: https://img-blog.csdnimg.cn/21673b2e60194aa4ae9d79db80584df5.png
[44c88f6748e24962bbb75981d0bfe00e.png]: https://img-blog.csdnimg.cn/44c88f6748e24962bbb75981d0bfe00e.png
[eb6b2643e313440fb6a0c223540bd62b.png]: https://img-blog.csdnimg.cn/eb6b2643e313440fb6a0c223540bd62b.png
[64960f1a99e04c92ad8f89b4cb91d403.png]: https://img-blog.csdnimg.cn/64960f1a99e04c92ad8f89b4cb91d403.png
[85055e7395d445a688373e23984095fc.png]: https://img-blog.csdnimg.cn/85055e7395d445a688373e23984095fc.png