Chatbot Archives - Cao Đẳng FPT M?ng c�� c??c b��ng ?�� xét tuyển

AnhPM9 (PRHO - CTV) — Mon, 18 Sep 2023 09:28:38 +0000

Chatbot đã không còn xa l�?hiện nay đối với người dùng Internet nếu muốn hỏi-đáp v�?một lĩnh vực gì đó. Tuy nhiên, đ�?tạo ra Chatbot bằng Python, hẳn nhiều người còn chưa biết làm. Hãy cùng tìm hiểu nhé!

Chatbot là gì?

Chatbot trong Python là một phần mềm s�?dụng Trí tu�?nhân tạo (AI) đ�?nói chuyện tương tác với mọi người bằng ngôn ng�?có th�?văn bản hoặc giọng nói. Hầu hết, những chatbot này nói chuyện bằng âm thanh hoặc văn bản và chúng có th�?d�?dàng bắt chước ngôn ng�?của con người đ�?nói chuyện với mọi người theo cách có v�?t�?nhiên như con người.

Việc đào tạo máy học dựa trên quy tắc dạy cho chatbot tr�?lời các câu hỏi dựa trên một b�?quy tắc được đưa ra khi bắt đầu huấn luyện. Những quy tắc này có th�?rất đơn giản hoặc rất khó hiểu. Chatbot dựa trên quy tắc rất giỏi trong việc tr�?lời các câu hỏi đơn giản, nhưng chúng thường không th�?x�?lý các câu hỏi hoặc yêu cầu phức tạp hơn.

Ảnh minh họa

Chatbot trong th�?h�?ngày nay

Ngày nay, chúng ta có Chatbot thông minh được h�?tr�?bởi AI và s�?dụng x�?lý ngôn ng�?t�?nhiên (NLP) đ�?hiểu lệnh văn bản và giọng nói t�?con người cũng như học hỏi t�?các tương tác trước đây của h�?

Chatbots đã tr�?thành một cách tiêu chuẩn đ�?các công ty và thương hiệu có s�?hiện diện trực tuyến nói chuyện với khách hàng của h�?(nền tảng trang web và mạng xã hội).

Chatbot được phát triển dựa trên Python là một công c�?hữu ích vì chúng cho phép thương hiệu và khách hàng nói chuyện với nhau ngay lập tức. Hãy nghĩ v�?Siri của Apple, Alexa của Amazon và Cortana của Microsoft. S�?dĩ trong bài viết tôi chọn ngôn ng�?Python đ�?xây dựng demo ứng dụng nh�?này đ�?tận dụng b�?thư viện học máy Machines Learning (ML)

Lợi ích Chatbot cho doanh nghiệp

Khi nói đến việc tạo mối quan h�?tốt với khách hàng, chatbot có th�?là một công c�?rất hữu ích. Doanh nghiệp của bạn có th�?s�?dụng nó đ�?xây dựng kết nối mạnh m�?với khách truy cập trang web bằng cách tìm hiểu và nói chuyện với h�? Bằng cách s�?dụng chatbot, bạn không ch�?có th�?đạt được mục tiêu tiếp th�?của mình mà còn có th�?bán được nhiều hàng hơn và cung cấp dịch v�?khách hàng tốt hơn.

Có nhiều cách chatbot có th�?cải thiện cách bạn nói chuyện với khách hàng và giúp doanh nghiệp của bạn phát triển:

Tăng s�?tương tác của khách hàng
Cải thiện việc tạo khách hàng tiềm năng
Giảm chi phí dịch v�?khách hàng
Giám sát d�?liệu người tiêu dùng đ�?hiểu rõ hơn
Đưa ra chiến lược tiếp th�?đàm thoại
Cân bằng t�?động hóa với s�?tiếp xúc của con người
Đáp ứng mong đợi của khách hàng
Đạt được kh�?năng m�?rộng h�?tr�?/span>
Hợp lý hóa quy trình giới thiệu khách hàng của bạn
Làm cho hành trình của khách hàng suôn s�?hơn

Làm cách nào đ�?tạo Chatbot bằng Python?

Chúng ta s�?thực hiện từng bước quá trình xây dựng chatbot Python.

Chúng ta s�?s�?dụng các k�?thuật học sâu (Deep Learning) đ�?xây dựng một chatbot. Chatbot s�?học t�?tập d�?liệu có các danh mục (mục đích s�?dụng), mẫu và câu tr�?lời.

Chúng ta s�?dụng mạng thần kinh tái phát đặc biệt (LSTM) đ�?tìm ra danh mục nào phù hợp với tin nhắn của người dùng và sau đó tôi chọn một phản hồi ngẫu nhiên t�?danh sách phản hồi.

Bây gi�?chúng ta s�?s�?dụng Python đ�?xây dựng chatbot, nhưng trước tiên hãy xem cách sắp xếp các tệp và loại tệp chúng ta s�?tạo:

Intents.json �?Tệp d�?liệu có các mẫu và phản hồi được xác định trước.
train_chatbot.py �?Trong tệp Python này, chúng ta viết một tập lệnh đ�?xây dựng mô hình và huấn luyện chatbot của mình.
Words.pkl �?Đây là một tệp mà trong đó chúng tôi lưu tr�?các t�?đối tượng Python chứa danh sách t�?vựng của chúng ta.
Class.pkl �?Tệp chọn lớp chứa danh sách các danh mục các t�?được lưu lại trong quá trình học.
Chatbot_model.h5 �?Đây là mô hình được đào tạo chứa thông tin v�?mô hình và có trọng s�?của các nơ-ron.
Chatgui.py �?Đây là tập lệnh Python mà chúng ta đã triển khai GUI cho chatbot của mình. Người dùng có th�?d�?dàng tương tác với bot.

Các bước trong mô hình đơn giản đ�?tạo Chatbot bằng Python t�?đầu

Bước 1: Nhập và tải file d�?liệu

Trước tiên, chúng ta cần tạo một tệp có tên train_chatbot.py. Đây là file cần thiết mà chatbot của chúng ta cần và thiết lập các biến mà chúng ta s�?s�?dụng trong d�?án Python của mình.train_chatbot.py

Tệp d�?liệu có định dạng JSON nên chúng ta đã s�?dụng tệp này đ�?đọc tệp bằng Python.json packageJSON

Code mẫu

import nltk

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

import json

import pickle

import numpy as np

from keras.models import Sequential

from keras.layers import Dense, Activation, Dropout

from keras.optimizers import SGD

from tensorflow.keras.optimizers import SGD

import random

words=[]

classes = []

documents = []

ignore_words = [‘?’, ‘!’]

data_file = open(‘intents.json’).read()

intents = json.loads(data_file)

Bước 2: D�?liệu tiền x�?lý

Trước khi có th�?tạo mô hình học máy hoặc học sâu t�?d�?liệu văn bản ban đầu, chúng ta phải x�?lý d�?liệu theo nhiều cách khác nhau mà chúng ta s�?dụng thư viện X�?lý ngôn ng�?t�?nhiên (nltk). Tùy theo nhu cầu mà chúng ta phải s�?dụng các thao tác khác nhau đ�?x�?lý trước d�?liệu.

Mã hóa d�?liệu văn bản là điều đầu tiên và cơ bản nhất bạn có th�?làm với nó. Tokenizing là quá trình chia văn bản thành nhiều phần nh�? chẳng hạn như các t�?

�?đây, chúng ta xem xét các mẫu, s�?dụng chức năng chia câu thành các t�?và thêm từng t�?vào danh sách t�? Chúng ta cũng lập danh sách các lớp mà th�?của chúng tôi thuộc v�?nltk.word_tokenize()

Code mẫu

for intent in intents[‘intents’]:

for pattern in intent[‘patterns’]:

#tokenize each word

w = nltk.word_tokenize(pattern)

words.extend(w)

#add documents in the corpus

documents.append((w, intent[‘tag’]))

# add to our classes list

if intent[‘tag’] not in classes:

classes.append(intent[‘tag’])

Bây gi�? chúng ta s�?tìm hiểu nghĩa của từng t�?và loại b�?bất k�?t�?nào đã có trong danh sách. Lemmatizing là quá trình thay đổi một t�?thành dạng b�?đ�?của nó và sau đó tạo một tệp Pick đ�?lưu tr�?các đối tượng Python mà chúng ta s�?s�?dụng khi d�?đoán.

Code mẫu

# tách, chia nh�?các t�?và thực hiện x�?lý tránh trùng lặp các t�?/span>

words = [lemmatizer.lemmatize(w.lower()) for w in words if w not in ignore_words]

words = sorted(list(set(words)))

# lớp sắp xếp t�?/span>

classes = sorted(list(set(classes)))

# documents = s�?kết hợp giữa mẫu và d�?kiến ý định ng�?nghĩa của t�?/span>

print (len(documents), “documents”)

# classes = ý định ng�?nghĩa của t�?/span>

print (len(classes), “classes”, classes)

# words = tất c�?các t�? t�?vựng ng�?nghĩa của t�?/span>

print (len(words), “unique lemmatized words”, words)

pickle.dump(words,open(‘words.pkl’,’wb’))

pickle.dump(classes,open(‘classes.pkl’,’wb’))

Bước 3: Tạo d�?liệu đào tạo và kiểm tra d�?liệu huấn luyện

Bây gi�? chúng ta s�?tạo d�?liệu huấn luyện, bao gồm c�?đầu vào và đầu ra. Mẫu s�?là đầu vào của chúng ta và lớp mà mẫu s�?là đầu ra của chúng ta. Nhưng máy tính không đọc được ch�?nên chúng ta s�?biến ch�?thành s�?

Code mẫu

# Tạo d�?liệu huấn luyện

training = []

output_empty = [0] * len(classes)

# Tập huấn luyện cho từng t�?trong câu

for doc in documents:

# khởi tạo t�?/span>

bag = []

# list các t�?được mã hóa trong mẫu

pattern_words = doc[0]

pattern_words = [lemmatizer.lemmatize(word.lower()) for word in pattern_words]

# tạo mảng t�?của chúng ta bằng 1, nếu tìm thấy t�?khớp trong mẫu hiện tại

for w in words:

bag.append(1) if w in pattern_words else bag.append(0)

# đầu ra là ‘0’ cho mỗi th�?và ‘1’ cho th�?hiện tại (cho mỗi mẫu) (for each pattern)

output_row = list(output_empty)

output_row[classes.index(doc[1])] = 1

training.append([bag, output_row])

# xáo trộn các tính năng của chúng tôi và biến thành np.array

random.shuffle(training)

training = np.array(training)

# tạo danh sách đào tạo và kiểm tra. X – mẫu, Y – ý định

train_x = list(training[:,0])

train_y = list(training[:,1])

print(“Training data created”)

Bước 4: Xây dựng mô hình

Bây gi�?d�?liệu đào tạo của chúng ta đã sẵn sàng, chúng ta s�?xây dựng mạng lưới thần kinh với mô hình máy học sâu 3 lớp. Chúng ta thực hiện việc này bằng Keras API tuần t�? Sau khi huấn luyện mô hình trong 500 lần lặp, nó chính xác 100%. Hãy đặt tên tập tin là “ chatbot model.h5�?và lưu nó.

Code mẫu

# Tạo mô hình – 3 lớp. Lớp đầu tiên 128 nơ-ron, lớp th�?hai 64 nơ-ron và lớp đầu ra th�?3 chứa s�?lượng nơ-ron với softmax là s�?lượng ý định đ�?d�?đoán.

model = Sequential()

model.add(Dense(128, input_shape=(len(train_x[0]),), activation=’relu’))

model.add(Dropout(0.5))

model.add(Dense(64, activation=’relu’))

model.add(Dropout(0.5))

model.add(Dense(len(train_y[0]), activation=’softmax’))

# Biên dịch mô hình. Giảm đ�?dốc s�?sai lệch ngẫu nhiên với đ�?dốc tăng tốc Nesterov cho kết qu�?tốt cho mô hình huấn luyện này

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

model.compile(loss=’categorical_crossentropy’,optimizer=sgd, metrics=[‘accuracy’])

#Tránh lắp quá khớp với mô hình

hist = model.fit(np.array(train_x), np.array(train_y), epochs=500, batch_size=5, verbose=1)

model.save(‘chatbot_model.h5’, hist)

print(“model created”)

Bước 5: D�?đoán phản hồi (Giao diện người dùng đ�?họa (GUI))

Đ�?d�?đoán câu và nhận được phản hồi t�?người dùng, chúng ta hãy tạo một tệp mới có tên chatapp.py

Chúng ta s�?tải mô hình đã được đào tạo và sau đó s�?dụng giao diện người dùng đ�?họa đ�?d�?đoán phản hồi của bot. Mô hình s�?ch�?cho chúng ta biết nó thuộc lớp nào, vì vậy chúng ta s�?tạo một s�?hàm đ�?tìm ra lớp đó và sau đó chọn một phản hồi ngẫu nhiên t�?danh sách phản hồi. Một lần nữa, chúng ta tải các tệp ‘ words.pkl’ và ‘ classes.pkl ‘ mà chúng ta đã tạo khi huấn luyện mô hình của mình:

Code mẫu

import nltk

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

import pickle

import numpy as np

from keras.models import load_model

model = load_model(‘chatbot_model.h5’)

import json

import random

intents = json.loads(open(‘intents.json’).read())

words = pickle.load(open(‘words.pkl’,’rb’))

classes = pickle.load(open(‘classes.pkl’,’rb’))

Đ�?d�?đoán lớp huần luyện học máy, chúng ta s�?phải đưa ra thông tin đầu vào giống như cách chúng ta đã làm trong quá trình đào tạo. Vì vậy, chúng ta s�?tạo một s�?hàm thực hiện tiền x�?lý trên văn bản và sau đó đoán lớp.

Code mẫu

def clean_up_sentence(sentence):

# Mã hóa mẫu = chia các t�?thành phần t�?mảng

sentence_words = nltk.word_tokenize(sentence)

# rút gọn t�?/span>

sentence_words = [lemmatizer.lemmatize(word.lower()) for word in sentence_words]

return sentence_words

# Tr�?v�?mảng t�? 0 hoặc 1 cho mỗi t�?trong b�?t�?tồn tại trong câu

def bow(sentence, words, show_details=True):

# Mã hóa mẫu

sentence_words = clean_up_sentence(sentence)

# T�?mẫu trong ma trận N t�?vựng

bag = [0]*len(words)

for s in sentence_words:

for i,w in enumerate(words):

if w == s:

# Gán 1 nếu t�?có trong thư viện t�?/span>

bag[i] = 1

if show_details:

print (“found in bag: %s” % w)

return(np.array(bag))

def predict_class(sentence, model):

# Lọc các t�?d�?đoàn �?ngưỡng chính xác

p = bow(sentence, words,show_details=False)

res = model.predict(np.array([p]))[0]

ERROR_THRESHOLD = 0.25

results = [[i,r] for i,r in enumerate(res) if r>ERROR_THRESHOLD]

# Sắp xếp theo cường đ�?sác xuất tốt

results.sort(key=lambda x: x[1], reverse=True)

return_list = []

for r in results:

return_list.append({“intent”: classes[r[0]], “probability”: str(r[1])})

return return_list

Sau khi d�?đoán lớp, chúng ta s�?nhận được phản hồi ngẫu nhiên t�?danh sách các ý định.

Code mẫu

def getResponse(ints, intents_json):

tag = ints[0][‘intent’]

list_of_intents = intents_json[‘intents’]

for i in list_of_intents:

if(i[‘tag’]== tag):

result = random.choice(i[‘responses’])

break

return result

def chatbot_response(text):

ints = predict_class(text, model)

res = getResponse(ints, intents)

return res

Bây gi�? chúng ta s�?tạo giao diện đ�?họa người dùng (GUI). Hãy s�?dụng thư viện Tkinter, thư viện này có rất nhiều thư viện GUI hữu ích khác.

Chúng ta s�?nhận tin nhắn của người dùng và s�?dụng các chức năng tr�?giúp mà chúng ta đã thực hiện đ�?nhận câu tr�?lời t�?bot và hiển th�?nó trên GUI. Đây là mã nguồn đầy đ�?của GUI.

#Creating GUI with tkinter

import tkinter

from tkinter import *

def send():

msg = EntryBox.get(“1.0”,’end-1c’).strip()

EntryBox.delete(“0.0”,END)

if msg != ”:

ChatLog.config(state=NORMAL)

ChatLog.insert(END, “You: ” + msg + ‘\n\n’)

ChatLog.config(foreground=”#442265″, font=(“Verdana”, 12 ))

res = chatbot_response(msg)

ChatLog.insert(END, “Bot: ” + res + ‘\n\n’)

ChatLog.config(state=DISABLED)

ChatLog.yview(END)

base = Tk()

base.title(“CHAT BOT”)

base.geometry(“400×500”)

base.resizable(width=FALSE, height=FALSE)

#Create Chat window

ChatLog = Text(base, bd=0, bg=”white”, height=”8″, width=”50″, font=”Arial”,)

ChatLog.config(state=DISABLED)

#Bind scrollbar to Chat window

scrollbar = Scrollbar(base, command=ChatLog.yview, cursor=”heart”)

ChatLog[‘yscrollcommand’] = scrollbar.set

#Create Button to send message

SendButton = Button(base, font=(“Verdana”,12,’bold’), text=”Send”, width=”12″, height=5, bd=0, bg=”#32de97″, activebackground=”#3c9d9b”,fg=’#ffffff’, command= send )

#Create the box to enter message

EntryBox = Text(base, bd=0, bg=”white”,width=”29″, height=”5″, font=”Arial”)

#EntryBox.bind(“”, send)

#Place all components on the screen

scrollbar.place(x=376,y=6, height=386)

ChatLog.place(x=6,y=6, height=386, width=370)

EntryBox.place(x=128, y=401, height=90, width=265)

SendButton.place(x=6, y=401, height=90)

base.mainloop()

Bước 6: Chạy Chatbot Python

Đ�?chạy chatbot, chúng tôi có hai tệp chính; train_chatbot.py và chatapp.py.

Đầu tiên, chúng ta huấn luyện mô hình bằng lệnh trong Terminal:

python train_chatbot.py

Nếu chương trình Python đã cài đặt đ�?thư viện và môi trường chạy biên dịch cũng như không tìm thấy bất k�?sai sót nào trong quá trình đào tạo thì mô hình đã được thực hiện tốt. Sau đó, chúng tôi chạy tệp th�?hai đ�?khởi động ứng dụng.

python chatgui.py

Trong vài giây, chương trình s�?m�?một cửa s�?GUI. Với GUI, việc nói chuyện với bot thật đơn giản.

Kết qu�?chương trình chạy

TẢI XUỐNG MÃ NGUỒN HOÀN THÀNH!

Trong bài viết này, chúng ta đã tìm hiểu v�?bước v�?cách tạo Chatbot đơn gi�?s�?dụng thư viện máy học sâu x�?lý ngôn ng�?t�?nhiên (NLTK) trong d�?án mã nguồn AI viết bằng Python. Hy vọng bài viết này có th�?giúp các bạn sinh viên rất nhiều đ�?nâng cao và phát triển các k�?năng cũng như ý tưởng logic, điều quan trọng trong việc thực hành lập trình ngôn ng�?lập trình python.

B�?môn Ứng dụng phần mềm
Trường Cao đẳng FPT M?ng c�� c??c b��ng ?�� cơ s�?Hà Nội

The post Cách tạo Chatbot bằng Python appeared first on Cao Đẳng FPT M?ng c�� c??c b��ng ?�� xét tuyển.