本博文以自己课程设计为依托，介绍如何利用python语言编程实现基于“机器学习”的智能聊天机器人。由于本项目是自己首次接触python以及利用计算机编程实现小型项目，中途遇到诸多问题，自己也在其中收获很多，故想写一篇博文记录一下自己课程设计的心路历程。

前言

一、智能聊天机器人的框架

二、关键技术分析及代码实现

1.模糊匹配

（1）模糊匹配技术简介：

（2）模糊匹配代码实现

#模糊匹配功能实现
def get_greeting(input_questions,question,answer):
    '''
    :param input_questions:处理后的用户输入 
    :param question: 数据库问题
    :param answer: 数据库问题对应的答案
    :return: 匹配程度最高问题所对应的答案
    '''
    text = {}
    for key, value in enumerate(question):               # enumerate函数将question张成“类字典”形式
        similarity = fuzz.ratio(input_questions, value)  # fuzz.ratio模糊匹配返回输入问题与各个数据库问题间的相似程度
        if similarity > 20:
            text[key] = similarity
    #text中存储的为匹配程度较高（大于20）的问题以及相应的键值（key）
    if len(text) > 0:
        train = sorted(text.items(), key=lambda d: d[1], reverse=True)
        #按照字典键值（value = 匹配值）进行排序
        answer3 = answer[train[0][0]]
        #取出匹配程度最高的问题对应索引
    else:
        answer3 = None # 假设问题匹配程度均低于20，则不返回结果None
    return  answer3

2.tf-idf技术

（1）tf-idf技术简介：

（2）tf-idf代码实现

#tf-idf数学处理
def tf_idf(text_train,text_test):
    '''
    :param text_train:训练样本处理 
    :param text_test: 预测样本处理
    :return: train_array:处理后训练样本 test_array:处理后预测样本
    '''
    vectorizer = CountVectorizer(min_df=1,max_features= 6)
    transformer = TfidfTransformer()
    tfidf_train = transformer.fit_transform(vectorizer.fit_transform(text_train))
    tfidf_test = transformer.fit_transform(vectorizer.transform(text_test))
    #训练样本和预测样本在相同模型处理，保证维度一致

    train_array = tfidf_train.toarray()
    test_array = tfidf_test.toarray()
    #稀疏矩阵转换为稠密矩阵，保证维度一致

    return [train_array,test_array]

3.结巴分词

（1）结巴分词技术分析：

（2）结巴分词代码实现：

#样本格式化处理：（空格分隔，字符串转换，去除停用词）
def jieba_text(text):
    '''
    :param text:待处理文本 
    :return: text_list：分隔后文本 text_apply:分隔处理，去除停用词操作
    '''
    text_jieba = jieba.cut(text)
    text_str = ""
    for word in text_jieba:
        text_str +=word+" "
    text_list = text_str.split('n')#空格分隔，换行符添加
    text_apply = []
    for file in text_list:
        for word in file:
            if word in stpwrd_content:
                file = file.replace(word,'')#停用词替换
            else:
                continue
        text_apply.append(file)
    return [text_list,text_apply]

4.朴素贝叶斯

（1）朴素贝叶斯技术分析：

（2）朴素贝叶斯代码实现：

代码实现：

#贝叶斯模型训练
def bayes_model(dataset,label):
    '''
    :param dataset:训练样本 
    :param label: 样本标签
    :return: 训练好的model样本
    '''
    model = MultinomialNB()
    model.fit(dataset, label)
    return model

5.网络爬虫

（1）网络爬虫技术分析：

（2）网络爬虫代码实现：

import requests
from bs4 import BeautifulSoup
from lxml import etree
import csv

header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36 Edg/91.0.864.41"}
#设置网站代理，反爬虫操作

f = open('C:pycharmchatting_Robot(python_class_design)dataset.csv','w',encoding = "utf-8",newline = ''"")
#内容写入，避免空格出现
csv_writer = csv.writer(f)
csv_writer.writerow(["名称","网址"])

for i in range(1,108):
    url_1 = 'http://college.gaokao.com/schlist/p'
    url = url_1 + str(i) + '/'#更新网站，实现翻页操作
    response = requests.get(url,headers = header)
    soup = BeautifulSoup(response.text, 'lxml')

    grid = soup.find_all(name="strong", attrs={"class": "blue"})
    for word in grid:
        lst = word.find(name="a")#解析网页信息，查询定位信息
        csv_writer.writerow([lst.string,lst['href']])
        print(lst.string)
        print(lst['href'])

总结

最后

以上就是苗条泥猴桃为你收集整理的基于“机器学习”的智能聊天机器人---python实现（1）前言一、智能聊天机器人的框架二、关键技术分析及代码实现总结的全部内容，希望文章能够帮你解决基于“机器学习”的智能聊天机器人---python实现（1）前言一、智能聊天机器人的框架二、关键技术分析及代码实现总结所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。