AI人工智能 Python实现人机对话

在人工智能进展的如火如荼的今天,我们如果不尝试去接触新鲜事物,马上就要被世界淘汰啦~

本文拟使用Python开发语言实现类似于WIndows平台的“小娜”,或者是IOS下的“Siri”。最终达到人机对话的效果。

【实现功能】

这篇文章将要介绍的主要内容如下:

  1、搭建人工智能--人机对话服务端平台
  2、实现调用服务端平台进行人机对话交互

【实现思路】

  AIML

  AIML由Richard Wallace发明。他设计了一个名为 A.L.I.C.E. (Artificial Linguistics Internet Computer Entity 人工语言网计算机实体) 的机器人,并获得了多项人工智能大奖。有趣的是,图灵测试的其中一项就在寻找这样的人工智能:人与机器人通过文本界面展开数分钟的交流,以此查看机器人是否会被当作人类。

  本文就使用了Python语言调用AIML库进行智能机器人的开发。

  本系统的运作方式是使用Python搭建服务端后台接口,供各平台可以直接调用。然后客户端进行对智能对话api接口的调用,服务端分析参数数据,进行语句的分析,最终返回应答结果。

  当前系统前端使用HTML进行简单地聊天室的设计与编写,使用异步请求的方式渲染数据。

【开发及部署环境】

开发环境:Windows 7 ×64 英文版

     JetBrains PyCharm 2017.1.3 x64

测试环境:Windows 7 ×64 英文版

【所需技术】

  1、Python语言的熟练掌握,Python版本2.7
  2、Python服务端开发框架tornado的使用
  3、aiml库接口的简单使用
  4、HTML+CSS+Javascript(jquery)的熟练使用
  5、Ajax技术的掌握

【实现过程】

1、安装Python aiml库

pip install aiml

2、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,将此目录复制到工作区。
或者在Google code上下载alice brain: aiml-en-us-foundation-alice.v1-9.zip

3、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:

import aiml
os.chdir('./src/alice') # 将工作区目录切换到刚才复制的alice文件夹
alice = aiml.Kernel()
alice.learn("startup.xml")
alice.respond('LOAD ALICE')

注意加载时需要切换工作目录到alice(刚才复制的文件夹)下。

4、 与alice聊天

加载之后就可以与alice聊天了,每次只需要调用respond接口:

alice.respond('hello') #这里的hello即为发给机器人的信息 

5. 用Tornado搭建聊天机器人网站  

Tornado可以很方便地搭建一个web网站的服务端,并且接口风格是Rest风格,可以很方便搭建一个通用的服务端接口。

这里写两个方法:

  get:渲染界面

  post:获取请求参数,并分析,返回聊天结果

  Class类的代码如下:

class ChatHandler(tornado.web.RequestHandler):
 def get(self):
  self.render('chat.html')

 def post(self):
  try:
   message = self.get_argument('msg', None)

   print(str(message))

   result = {
    'is_success': True,
    'message': str(alice.respond(message))
   }

   print(str(result))

   respon_json = tornado.escape.json_encode(result)

   self.write(respon_json)

  except Exception, ex:
   repr(ex)
   print(str(ex))

   result = {
    'is_success': False,
    'message': ''
   }

   self.write(str(result))

6. 简单搭建一个聊天界面  

该界面是基于BootStrap的,我们简单搭建这么一个聊天的界面用于展示我们的接口结果。同时进行简单的聊天。

7. 接口调用  

我们异步请求服务端接口,并将结果渲染到界面

 $.ajax({
  type: 'post',
   url: AppDomain+'chat',
   async: true,//异步
   dataType: 'json',
   data: (
    {
    "msg":request_txt
    }),
    success: function (data)
    {
     console.log(JSON.stringify(data));
     if (data.is_success == true) {
     setView(resUser,data.message);
    }
   },
   error: function (data)
   {
   console.log(JSON.stringify(data));
  }
 });//end Ajax

这里我附上系统的完整目录结构以及完整代码->

8、目录结构

9、Python服务端代码

#!/usr/bin/env python

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

import os.path
import tornado.auth
import tornado.escape
import tornado.httpserver
import tornado.ioloop
import tornado.options
import tornado.web
from tornado.options import define, options

import os
import aiml

os.chdir('./src/alice')
alice = aiml.Kernel()
alice.learn("startup.xml")
alice.respond('LOAD ALICE')

define('port', default=3999, help='run on the given port', type=int)

class Application(tornado.web.Application):
 def __init__(self):
  handlers = [
   (r'/', MainHandler),
   (r'/chat', ChatHandler),
  ]

  settings = dict(
   template_path=os.path.join(os.path.dirname(__file__), 'templates'),
   static_path=os.path.join(os.path.dirname(__file__), 'static'),
   debug=True,
  )

  # conn = pymongo.Connection('localhost', 12345)
  # self.db = conn['demo']
  tornado.web.Application.__init__(self, handlers, **settings)

class MainHandler(tornado.web.RequestHandler):
 def get(self):
  self.render('index.html')

 def post(self):

  result = {
   'is_success': True,
   'message': '123'
  }

  respon_json = tornado.escape.json_encode(result)
  self.write(str(respon_json))

 def put(self):
  respon_json = tornado.escape.json_encode("{'name':'qixiao','age':123}")
  self.write(respon_json)

class ChatHandler(tornado.web.RequestHandler):
 def get(self):
  self.render('chat.html')

 def post(self):
  try:
   message = self.get_argument('msg', None)

   print(str(message))

   result = {
    'is_success': True,
    'message': str(alice.respond(message))
   }

   print(str(result))

   respon_json = tornado.escape.json_encode(result)

   self.write(respon_json)

  except Exception, ex:
   repr(ex)
   print(str(ex))

   result = {
    'is_success': False,
    'message': ''
   }

   self.write(str(result))

def main():
 tornado.options.parse_command_line()
 http_server = tornado.httpserver.HTTPServer(Application())
 http_server.listen(options.port)
 tornado.ioloop.IOLoop.instance().start()

if __name__ == '__main__':
 print('HTTP server starting ...')
 main()

9、Html前端代码

 <!DOCTYPE html>
<html>
<head>
 <link rel="icon" href="qixiao.ico" type="image/x-icon"/>
 <title>qixiao tools</title>
 <link rel="stylesheet" type="text/css" href="../static/css/bootstrap.min.css">

 <script type="text/javascript" src="../static/js/jquery-3.2.0.min.js"></script>
 <script type="text/javascript" src="../static/js/bootstrap.min.js"></script>

 <style type="text/css">
  .top-margin-20{
   margin-top: 20px;
  }
  #result_table,#result_table thead th{
   text-align: center;
  }
  #result_table .td-width-40{
   width: 40%;
  }
 </style>

 <script type="text/javascript">

 </script>
 <script type="text/javascript">
  var AppDomain = 'http://localhost:3999/'
  $(document).ready(function(){
   $("#btn_sub").click(function(){
    var user = 'qixiao(10011)';
    var resUser = 'alice (3333)';

    var request_txt = $("#txt_sub").val();

    setView(user,request_txt);

    $.ajax({
     type: 'post',
     url: AppDomain+'chat',
     async: true,//异步
     dataType: 'json',
     data: (
     {
      "msg":request_txt
     }),
     success: function (data)
     {
      console.log(JSON.stringify(data));
      if (data.is_success == true) {
       setView(resUser,data.message);
      }
     },
     error: function (data)
     {
      console.log(JSON.stringify(data));
     }
    });//end Ajax

   });

  });
  function setView(user,text)
  {
   var subTxt = user + " "+new Date().toLocaleTimeString() +'\n·'+ text;
   $("#txt_view").val($("#txt_view").val()+'\n\n'+subTxt);

   var scrollTop = $("#txt_view")[0].scrollHeight;
   $("#txt_view").scrollTop(scrollTop);
  }
 </script>
</head>
<body class="container">
 <header class="row">
  <header class="row">
   <a href="/" class="col-md-2" style="font-family: SimHei;font-size: 20px;text-align:center;margin-top: 30px;">
    <span class="glyphicon glyphicon-home"></span>Home
   </a>
   <font class="col-md-4 col-md-offset-2" style="font-family: SimHei;font-size: 30px;text-align:center;margin-top: 30px;">
    <a href="/tools" style="cursor: pointer;">QiXiao - Chat</a>
   </font>
  </header>
  <hr>

  <article class="row">

   <section class="col-md-10 col-md-offset-1" style="border:border:solid #4B5288 1px;padding:0">Admin : QiXiao </section>
   <section class="col-md-10 col-md-offset-1 row" style="border:solid #4B5288 1px;padding:0">
    <section class="col-md-9" style="height: 400px;">
     <section class="row" style="height: 270px;">
      <textarea class="form-control" style="width:100%;height: 100%;resize: none;overflow-x: none;overflow-y: scroll;" readonly="true" id="txt_view"></textarea>
     </section>
     <section class="row" style="height: 130px;border-top:solid #4B5288 1px; ">
      <textarea class="form-control" style="overflow-y: scroll;overflow-x: none;resize: none;width: 100%;height:70%;border: #fff" id="txt_sub"></textarea>
      <button class="btn btn-primary" style="float: right;margin: 0 5px 0 0" id="btn_sub">Submit</button>
     </section>
    </section>
    <section class="col-md-3" style="height: 400px;border-left: solid #4B5288 1px;"></section>
   </section>
  </article>
 </body>
 </html>

【系统测试】

1、首先我们将我们的服务运行起来

2、调用测试

然后我们进行前台界面的调用

这里我们可以看到,我们的项目完美运行,并且达到预期效果。

【可能遇到问题】  

中文乱码

【系统展望】

经过测试,中文目前不能进行对话,只能使用英文进行对话操作,有待改善。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我们。

(0)

相关推荐

  • 最适合人工智能开发的5种编程语言 附人工智能入门书籍

    人工智能是一个很广阔的领域,很多编程语言都可以用于人工智能开发,所以很难说人工智能必须用哪一种语言来开发.选择多也意味着会有优劣之分,并不是每种编程语言都能够为开发人员节省时间及精力.所以我们整理了5种比较适用于人工智能开发的编程语言,希望能够对你有所帮助. Python Python由于简单易用,是人工智能领域中使用最广泛的编程语言之一,它可以无缝地与数据结构和其他常用的AI算法一起使用. Python之所以时候AI项目,其实也是基于Python的很多有用的库都可以在AI中使用,如 Numpy

  • 人工智能最火编程语言 Python大战Java!

    开发者到底应该学习哪种编程语言才能获得机器学习或数据科学这类工作呢?这是一个非常重要的问题.我们在许多论坛上都有讨论过.现在,我可以提供我自己的答案并解释原因,但我们先看一些数据.毕竟,这是机器学习者和数据科学家应该做的事情:看数据,而不是看观点. 话不多说,上数据.我搜索了与"机器学习"和"数据科学"一起使用的技能,搜索选项包括编程语言Java.C.C++和JavaScript.然后还包括了Python和R,因为我们知道它在机器学习和数据科学方面很受欢迎,当然还有

  • python、java等哪一门编程语言适合人工智能?

    谷歌的AI击败了一位围棋大师,是一种衡量人工智能突然的快速发展的方式,也揭示了这些技术如何发展而来和将来可以如何发展. 人工智能是一种未来性的技术,目前正在致力于研究自己的一套工具.一系列的进展在过去的几年中发生了:无事故驾驶超过300000英里并在三个州合法行驶迎来了自动驾驶的一个里程碑:IBM Waston击败了Jeopardy两届冠军;统计学习技术从对消费者兴趣到以万亿记的图像的复杂数据集进行模式识别.这些发展必然提高了科学家和巨匠们对人工智能的兴趣,这也使得开发者们了解创建人工智能应用的

  • AI人工智能 Python实现人机对话

    在人工智能进展的如火如荼的今天,我们如果不尝试去接触新鲜事物,马上就要被世界淘汰啦~ 本文拟使用Python开发语言实现类似于WIndows平台的"小娜",或者是IOS下的"Siri".最终达到人机对话的效果. [实现功能] 这篇文章将要介绍的主要内容如下: 1.搭建人工智能--人机对话服务端平台 2.实现调用服务端平台进行人机对话交互 [实现思路] AIML AIML由Richard Wallace发明.他设计了一个名为 A.L.I.C.E. (Artificia

  • 为何人工智能(AI)首选Python?读完这篇文章你就知道了(推荐)

    为何人工智能(AI)首选Python?读完这篇文章你就知道了.我们看谷歌的TensorFlow基本上所有的代码都是C++和Python,其他语言一般只有几千行 .如果讲运行速度的部分,用C++,如果讲开发效率,用Python,谁会用Java这种高不成低不就的语言搞人工智能呢?Python虽然是脚本语言,但是因为容易学,迅速成为科学家的工具(MATLAB也能搞科学计算,但是软件要钱,且很贵),从而积累了大量的工具库.架构,人工智能涉及大量的数据计算,用Python是很自然的,简单高效.Python

  • 人工智能(AI)首选Python的原因解析

    一.为何人工智能(AI)首选Python? 读完这篇文章你就知道了.我们看谷歌的TensorFlow基本上所有的代码都是C++和Python,其他语言一般只有几千行 .如果讲运行速度的部分,用C++,如果讲开发效率,用Python,谁会用Java这种高不成低不就的语言搞人工智能呢? Python虽然是脚本语言,但是因为容易学,迅速成为科学家的工具(MATLAB也能搞科学计算,但是软件要钱,且很贵),从而积累了大量的工具库.架构,人工智能涉及大量的数据计算,用Python是很自然的,简单高效. P

  • AI与Python人工智能遗传算法

    目录 什么是遗传算法? 如何使用GA进行优化问题? GA机制优化过程的阶段 安装必要的软件包 使用遗传算法实现解决方案 生成位模式 符号回归问题 本章详细讨论了人工智能的遗传算法. 什么是遗传算法? 遗传算法(GA)是基于自然选择和遗传概念的基于搜索的算法.GA是更大的计算分支的子集,称为进化计算. GA由John Holland及其密歇根大学的学生和同事开发,最着名的是David E. Goldberg.从那以后,已经尝试了各种优化问题并取得了很大的成功. 在GA中,我们有一组可能的解决方案来

  • AI与Python人工智能启发式搜索概念理解

    目录 AI中的启发式搜索的概念 不知情和知情搜索之间的区别 不知情的搜索 知情搜索 约束满足问题(CSP) 约束满足解决现实问题 解决代数关系 魔术广场 启发式搜索在人工智能中起着关键作用.在本章中,您将详细了解它. AI中的启发式搜索的概念 启发式是一个经验法则,它引导我们找到可能的解决方案.人工智能中的大多数问题具有指数性,并且具有许多可能的解决方案.您不确切知道哪些解决方案是正确的,并且检查所有解决方案将非常昂贵. 因此,启发式的使用缩小了对解决方案的搜索范围并消除了错误的选项.使用启发式

  • 人工智能—Python实现线性回归

    1.概述 (1)人工智能学习 (2)机器学习 (3)有监督学习 (4)线性回归 2.线性回归 (1)实现步骤 根据随机初始化的 w x b 和 y 来计算 loss 根据当前的 w x b 和 y 的值来计算梯度 更新梯度,循环将新的 w′ 和 b′ 复赋给 w 和 b ,最终得到一个最优的 w′ 和 b′ 作为方程最终的 (2)数学表达式 3.代码实现(Python) (1)机器学习库(sklearn.linear_model) 代码: from sklearn import linear_m

  • 人工智能-Python实现多项式回归

    目录 1.概述 1.1 有监督学习 1.2 多项式回归 2 概念 3 案例实现——方法1 3.1 案例分析 3.2 代码实现 3.3 结果 3.4 可视化 4 案例实现——方法2 4.1 代码 4.2 结果 4.3 可视化 1.概述 1.1 有监督学习 1.2 多项式回归 上一次我们讲解了线性回归,这次我们重点分析多项式回归. 多项式回归(Polynomial Regression) 是研究一个因变量与一 个或多个自变量间多项式的回归分析方法.如果自变量只有一个 时,称为一元多项式回归:如果自变

  • AI与Python计算机视觉教程

    目录 计算机视觉 计算机视觉层次结构 计算机视觉与图像处理 应用 机器人 医学 安全 运输 安装有用的包 阅读,写作和显示图像 OpenCV函数用于读取,显示,写入图像文件 示例 色彩空间转换 边缘检测 人脸检测 哈尔Cascade数据 眼睛检测 计算机视觉涉及使用计算机软件和硬件建模和复制人类视觉.在本章中,您将详细了解这一点. 计算机视觉 计算机视觉是一门学科,根据场景中存在的结构的属性,研究如何从其2d图像重建,中断和理解3d场景. 计算机视觉层次结构 计算机视觉分为以下三个基本类别 -

  • 人机交互程序 python实现人机对话

    自己随便写了一个人机交互的程序.不存在任何智能,只是可以识别姓名,可以记录对话内容,并保存等到下一次交互时加载. (推荐面向对象版本) # hello.py # 这是老早写的.不过今天加入了Pickle,然后润色了一下. # 可能有点无聊(不推荐使用) import pickle import os.path def search(x, data): for k, d in enumerate(data): if x == d['name']: return k, d def save_data

  • 人工智能-Python实现岭回归

    1 概述 1.1 线性回归 对于一般地线性回归问题,参数的求解采用的是最小二乘法,其目标函数如下: 参数 w 的求解,也可以使用如下矩阵方法进行: 这个公式看着吓人,其实推导过程简单由(推导而来,纸老虎)对于矩阵 X ,若某些列线性相关性较大(即训练样本中某些属性线性相关),就会导致的值接近 0 ,在计算时就会出现不稳定性.结论 : 传统的基于最小二乘的线性回归法缺乏稳定性. 1.2 岭回归 岭回归的优化目标:  对应的矩阵求解方法为:          岭回归(ridge regression

随机推荐