۴ مرداد

ربات های چت با کتابخانه های پایتون

نحوه کار ربات های چت با کتابخانه های پایتون مانند (  Rasa  )  و ( Dialogflow )

 

چت ربات ها برنامه های کامپیوتری هستند. و مکالمات انسان مانند با کاربران را شبیه سازی می کنند.

در اینجا یک نمای کلی ساده از نحوه کار آنها با کتابخانه های پایتون مانند   (  Rasa  )  و ( Dialogflow ) را برایتان می آورم.

و اما اجزای کلیدی:

**پردازش زبان طبیعی   (NLP) **

ورودی کاربر (متن یا گفتار) را به قالبی تبدیل می کند که چت بات می تواند آن را درک کند.

**Intent Identification **

قصد یا هدف کاربر را مشخص می کند.

**مدیریت گفتگو**

پاسخی را بر اساس هدف و زمینه کاربر ایجاد می کند.

**Rasa NLU** (درک زبان طبیعی)

از یادگیری ماشینی برای استخراج هدف و موجودیت ها از ورودی کاربر استفاده می کند.

**Rasa Core  **

مدیریت گفتگو را مدیریت می کند و پاسخ ها را تولید می کند.

**Action Server  **

اقداماتی را بر اساس قصد کاربر (به عنوان مثال رزرو بلیط) انجام می دهد.

**جریان گفتگو**

نهادها: شناسایی اطلاعات خاص در ورودی کاربر (به عنوان مثال، نام، تاریخ).

مقاصد: نقشه ورودی کاربر به یک هدف یا اقدام خاص.

تحقق: یک پاسخ تولید می کند یا یک عمل را بر اساس هدف شناسایی شده آغاز می کند.

کاربر پیامی را وارد می کند  ، (NLP (Rasa NLU     یا    ( Dialogflow)  intent    موجودیت ها را استخراج می کند.

پس مدیریت گفتگو  ( (Rasa Core     یا  Dialogflow))    پاسخ را تعیین می کند.

پاسخ تولید شده و به کاربر ارسال می شود.

کتابخانه های پایتون:

*Rasa*

از پایتون برای ساخت هوش مصنوعی محاوره ای استفاده می کند.

*Dialogflow  *

یک کتابخانه کلاینت پایتون برای تعامل با API آن فراهم می کند.

 

کد مثال (راسا):

از عامل واردات rasa_core.agent

agent = Agent(“domain.yml”)

user_input = “سلام، خوبی؟”

پاسخ = agent.handle_text(user_input)

چاپ (پاسخ)

کد مثال (Dialogflow):

از google.cloud import dialogflow

client = dialogflow.SessionsClient()

session = client.session_path(“Your-project-id”، “your-session-id”)

user_input = “سلام، خوبی؟”

answer = client.detect_intent (session, user_input)

print(response.query_result.fulfillment_text)

 

 


این کتابخانه ها ساخت رابط های مکالمه با پایتون را آسان می کنند. می‌توانید روی ایجاد تجربیات کاربر تمرکز کنید و در عین حال از قدرت یادگیری ماشینی و NLP استفاده کنید.

دیدگاه شما

نشانی ایمیل شما منتشر نخواهد شد.