Python实现基于循环神经网络的智能聊天机器人系统

曾经终败给现在 2024-03-23 09:59 64阅读 0赞

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/87677013  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/87677013

## 基于循环神经网络（RNN）的智能聊天机器人系统 ##

本设计研究智能聊天机器人技术，基于循环神经网络构建了一套智能聊天机器人系统，系统将由以下几个部分构成：制作问答聊天数据集、RNN 神经网络搭建、seq2seq 模型训练、智能聊天。经过实验，确定该系统可对本人的聊天话语进行快速并准确的回应，且回复可以模仿朋友的语气风格。  
关键词: RNN 神经网络； seq2seq 模型； 聊天机器人；TensorFlow；

### 一、设计目标 ###

*  掌握聊天机器人系统原理；
 *  掌握循环神经网络（RNN）原理；
 *  掌握循环神经网络模型搭建与训练过程；
 *  掌握 seq2seq、skip-gram、GRU 等相关原理；

**设计内容与要求**

*  完成基于循环神经网络的聊天机器人系统神经网络设计；
 *  完成基于循环神经网络的聊天机器人系统 seq2seq 模型训练；
 *  搭建出聊天机器人系统；

### 二、聊天机器人系统组成 ###

#### 2.1 系统框架 ####

![908fe329f7bc25307732c7a50e1b4d04.png][]

图 2.1　聊天机器人系统框架

#### 2.2 系统流程 ####

![5aa03a399cb25c356eebb0cd15676eb1.png][]

图 2.2　聊天机器人系统流程

### 三、聊天机器人开发 ###

#### 3.1 问答聊天数据采集和制作 ####

本系统的聊天语聊来自与朋友的微信聊天记录，采集了一周的聊天并处理成一问一答的形式保存成 one.txt 与 two.txt 两个文件。

![4d0a1fd9a2edc1f81e6df978233c1858.png][]

图 3-1 聊天语料文件 1

![9a9b230da66b247993a26ae59c41ac3b.png][]

图 3-2 聊天语料文件 2

#### 3.2 数据预处理 ####

（1）获取文件列表，找到 one.txt 与 two.txt 文件，从文件中读取中文词。

（2）去掉所有数字与标点符号，保留纯文字，用 jieba 进行分词，得到切割好的额分词与词的大小。One.txt 中有 3059 个词，two.txt 中有 3160 个词。

![6c773bbc135bbb87667b21de71763e34.png][]

图 3-3 分词结果

（3）统计文件中字符出现的次数，从小到大顺序进行排列，每个字符对应的排序就是它在字典中的编号。创建了 1509 个词的词典。

![056c96608899dcea4abeb0ca3cce7a88.png][]

![8f21e4bd5e760c54a4046c38d44e5584.png][]

图 3-4 词典

（4）将句子转成 id 数据经过分词后获取词典的索引值就是原文件里文字的 id。把文件中问和答的 id 数据放到不同的文件里。将文件批量转成 id 文件。问文件的 id 为 data\_source\_test.txt，答文件的 id 为 data\_target\_test.txt。

![e16a0127d04481a88ecf90f7eb3a1e5a.png][]

图 3-5 id 形式

![844b7b3c59c9e2648d158187cab8e8a9.png][]

图 3-6 问句 id

![2d6f4d3f5e21e2954894eb79affbff79.png][]

图 3-7 答句 id

#### 3.3 基于注意力机制的 seq2seq 模型搭建与训练 ####

##### 3.3.1 网络结构 #####

网络结构为两层，每层 100 个 GRUcell 组成的网络，在 seq2seq 模型中编码器 encoder 与解码器 decoder 同为相同的结构。

![578976d77dcb74e10a26d3d31db1fdeb.png][]

图 3-8 RNN 神经网络内部分析

![697207578701007d39f5bd2942e8c0ab.png][]

图 3-9 GRU 内部分析

![09e11980a5e106d52dff51b476bd0f55.png][]

##### 3.3.2 输入层 #####

Encoder 的输入层输入为问句 x 的 id，输入的长度不同问句长度不一样，最大可以接受 100 个词的问句；decoder 的输入层由 encoder 的生成结果节点 C 与答句 y 共同输入，其中节点 C 参与到 decoder 的每一个序列都会经过权重 w，权重 w 就可以以 loss 的方式通过优化器来调节就逐渐逼近与它紧密的那个词。标签 y 既参与计算 loss，又参与节点运算。

##### 3.3.3 隐藏层 #####

在 seq2seq 模型中编码器 encoder 与解码器 decoder 同为相同的结构，都是 100 个 GRUcell 组成。在每个时刻， 隐层的输出 ht 依赖于当前词输入 xt 和前一时刻的隐层状态 ht-1。

![11cd159bbb2e6f00b5a406cfbab80ced.png][]

##### 3.3.4 输出层 #####

Encoder 将输入编码映射到语义空间得到固定维数的向量，每个时刻 Encoder 都会生成 c ，都将参与 Decoder 中解码的每个时刻，而不只是参与初始时刻。Decoder 输出预测值。

##### 3.3.5 训练结果 #####

![bb031ff3a320eb8b45f582fb06b93489.png][]

图 3-10 模型训练结果

#### 3.4 利用模型进行智能聊天 ####

![cfc770430f7de166be4ae42d949411b3.png][]

![0176719df0cd894d6a271a9f3b6b833d.png][]

![c0d8861807ff5855a75edebf6e58212c.png][]

![492750c5d05be38ae0fec2f283fc2476.png][]

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/87677013  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/87677013

[Link 1]: https://download.csdn.net/download/sheziqiong/87677013
[908fe329f7bc25307732c7a50e1b4d04.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/fb05586b1faf4a348455fff7ff36eaf7.png
[5aa03a399cb25c356eebb0cd15676eb1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/85629dd6cd99450fbfc0b4621855a944.png
[4d0a1fd9a2edc1f81e6df978233c1858.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/34d2134caf95411691ce92fd4ad0225a.png
[9a9b230da66b247993a26ae59c41ac3b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/bbf17a9ae4594a869e5005d5d5b62f18.png
[6c773bbc135bbb87667b21de71763e34.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/a803c02c1c62422da59c6a350142b64d.png
[056c96608899dcea4abeb0ca3cce7a88.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/dc68d9e445f64f4295662964715964c2.png
[8f21e4bd5e760c54a4046c38d44e5584.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/bfc4375af2344ff2bd9035bbfe0afce7.png
[e16a0127d04481a88ecf90f7eb3a1e5a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/f61630850886496cae38c522392a18af.png
[844b7b3c59c9e2648d158187cab8e8a9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/673e5b9ab4364f0f941d7e8d730f392a.png
[2d6f4d3f5e21e2954894eb79affbff79.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/aa8ca66a63a448fcb74a686259be1633.png
[578976d77dcb74e10a26d3d31db1fdeb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/4bb53869a62842a497b4045c0863f0f9.png
[697207578701007d39f5bd2942e8c0ab.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/d703ea7f8f904c14b36fdd3a9b80af5e.png
[09e11980a5e106d52dff51b476bd0f55.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/01ec1dd2cf124ee9960da689635b9082.png
[11cd159bbb2e6f00b5a406cfbab80ced.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/a4872d55132d486bbe0c0905c9afd3ce.png
[bb031ff3a320eb8b45f582fb06b93489.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/da3f22f864bf49bcba582ad0514f688a.png
[cfc770430f7de166be4ae42d949411b3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/a9cd15c1257f4835abd3721fbed5eb18.png
[0176719df0cd894d6a271a9f3b6b833d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/cdede2983874487ba29e8d6ae51d2238.png
[c0d8861807ff5855a75edebf6e58212c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/b27a68c72d444de88c7efdfd70124622.png
[492750c5d05be38ae0fec2f283fc2476.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/3df47e8d5e124bf0b9584bd7d8188770.png