AIBigTruth

深度学习项目——基于循环神经网络(RNN)的智能聊天机器人系统

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  

1.掌握聊天机器人系统原理; 

2.掌握循环神经网络(RNN)原理; 

3.掌握循环神经网络模型搭建与训练过程; 

4.掌握seq2seq、skip-gram、GRU等相关原理; 

设计内容与要求 

1.完成基于循环神经网络的聊天机器人系统神经网络设计; 

2.完成基于循环神经网络的聊天机器人系统seq2seq模型训练;

 3.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

 

图2.1 聊天机器人系统框架

 

 2.2 系统流程

 

 

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.txttwo.txt两个文件。

 

 

3-1 聊天语料文件1

 

 

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.txttwo.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。

 

 

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。

 

 

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iddata_source_test.txt,答文件的iddata_target_test.txt

 

 

3-5 id形式

 

 

3-6 问句id

 

 

 

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100GRUcell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。

 

 

 

 

 

3-8 RNN神经网络内部分析

 

 

3-9 GRU内部分析

 

 

 

3.3.2 输入层

Encoder的输入层输入为问句xid,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

seq2seq模型中编码器encoder与解码器decoder同为相同的结构,都是100GRUcell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

 

 

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

 

 

3-10 模型训练结果

 3.4 利用模型进行智能聊天

 

 

 

  

 

四、 总结

本次设计主要研究了基于循环神经网络的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、数据预处理GRU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。 

五、 代码

见个人GitHubhttps://github.com/hhhvvvddd/RNN_ChattingRobot_Week

 

——————

浅谈则止,深入理解AI大道理

扫描下方“AI大道理”,选择“关注”公众号

 

              欢迎加入!

          

 

分类:

技术点:

相关文章:

猜你喜欢