需要源码和数据集请点赞关注收藏后评论区留言私信~~~

一、自然语言处理与智能

自然语言处理技术是智能客服应用的基础，在自然语言处理过程中，首先需要进行分词处理，这个过程通常基于统计学理论，分词的精细化可以提升智能客服的语言处理能力，统计分词和马尔可夫模型是常用的方法，但在非常用词汇的识别精度方面稍显逊色，而精度高低直接影响分词结果的准确性，多样性分词有助于发现形式上的不合理性

【资料图】

自然语言处理技术是智能客服中的重要的环节，也是决定智能客服应用质量好坏和问题处理效率高低的关键因素，创建智能客服通常系统先进行大量学习来充实语言知识库，并结合各种典型案例提升系统的处理能力。智能客服系统重点关注三部分：

1：知识库完善

2：服务满意度

3：处理未知场景的自我学习能力

与传统人工客服相比 智能客服应用一般具有以下优势

可以提供24小时无间断在线服务。

具备持续自主学习能力 。

处理速度快，处理效率高，

可以应对短时大容量服务请求。

成本优势。

从用户问题到答复输出涉及的流程基本框架如下图

二、智能应用开发库如下

Gensim

NLTK

SpaCy

TensorFlow TensorFlow是一个基于数据流编程（dataflow programming）的系统，被广泛应用于图形分类、音频处理、推荐系统和自然语言处理等场景的实现，提供基于Python语言的四种版本：CPU版本（tensorflow）、GPU加速版本（tensorflow-gpu）以及每日编译版本（tf-nightly、tf-nightly-gpu）

Theano

Keras

三、充实智能客服的情感

智能客服系统既依赖于专业性数据，也与自然处理理解等人工智能技术紧密相关，在解决用户业务诉求的过程中，难免用到用户咨询以及无法解决的问题等状况，因此提升其情感分析能力，具备多维度服务能力，对提高客户整体满意度有十分重要的积极意义，智能客服，人工客服和用户之间的关系可以简要概括如下图

智能客服处理流程如下图

四、聊天客服机器人实战

开发环境简介：

我们将使用深度学习技术构建一个聊天机器人，在包含聊天意图类别、用户输入和客服响应的数据集上进行训练。基于循环神经网络（LSTM）模型来分类用户的输入消息所属类别，然后从响应列表中基于随机算法提供响应输出。该实例在执行环境Tensorflow(2.6.0)和Python（3.6.5）中运行成功，其他需要的库为NLTK和Keras。

数据集和模型简介：

所需数据和模型说明如下：

chatbot.json ：预定义消息分类、输入消息和客服响应的数据文件。

wordtoken.pkl ： pickle 文件，存储包含词汇列表的Python 对象。

category.pkl ：pickle 文件，包含消息类别列表。

model.h5 ：经过训练的模型，包含模型以及神经元权重相关信息。

数据结构

本实例数据基于JSON（JavaScript Object Notation），JSON是一种轻量级的数据交换格式，完全独立于语言，机器容易解析和生成。JSON 建立在两种结构上：

1）名称:值（name:value）的集合。在计算机语言中称为对象、记录、结构、字典、哈希表、键控列表或关联数组。

（2）值有序列表。通常实现方式为数组、向量、列表或序列，属于通用数据结构，可与通用编程语言互换。

效果展示

语料库如下

训练过程如下

用户在图形界面输入问题 客服机器人会给出相应回答

当用户提出了语料库之外的问题 客服便会显示以下回答

五、代码

项目结构如下

部分代码如下 需要全部代码请点赞关注收藏后评论区留言私信~~~

test文件

#导入库import nltkimport pickle as pkimport numpy as npimport json as jsimport random from tensorflow import kerasfrom tensorflow.python.keras.models import load_modelfrom nltk.stem import WordNetLemmatizerwordlem = WordNetLemmatizer()from tkinter import * from tkinter import  Text  from tkinter import  Button  import tkinter nltk.download("punkt")nltk.download("wordnet")#加载训练模型load = load_model("data/model.h5") #加载数据和中间结果chatbot = js.loads(open("data/chatbot.json").read())wordlist = pk.load(open("data/wordlist.pkl","rb"))category = pk.load(open("data/category.pkl","rb"))  def tokenization(text):    #分词    word_tokens = nltk.word_tokenize(text)    # 词形还原    #for i in sw:    word_tokens =  [wordlem.lemmatize(i.lower()) for i in word_tokens]     return word_tokens #词袋模型def bow(text, wordlist):    #分词    tokens = tokenization(text)    bow = [0]*len(wordlist)      for token in tokens:        for i,flag in enumerate(wordlist):            if flag == token:                 #查找匹配成功则标识为1                bow[i] = 1                print (\"词袋模型匹配结果: %s\" % flag)    return(np.array(bow)) #预测结果def predict(text, load):    #设置阈值，过滤阈值以下内容    err_level = 0.20    outlist = []    bow_outcome= bow(text,wordlist)    result = load.predict(np.array([bow_outcome]))[0]     #根据概率结果排序    outcome = [[i,j] for i,j in enumerate(result) if j>err_level]    outcome.sort(key=lambda x: x[1], reverse=True)    for j in outcome:        outlist.append({\"k\": category[j[0]], \"probability\": str(j[1])})    return outlist #设置应答信息    def getResponse(pred, intents_json):    ptype = pred[0]["k"]    print(\"用户提问类型：\",ptype)    ctype = intents_json["chatbot"]    for type in  ctype:        if(type["category"]== ptype):            result = random.choice(type["output"])            print(\"提供给用户的响应信息：\",result)            break    return result      #预测消息响应def chatbot_Response(query):    pred = predict(query, load)    outcome = getResponse(pred, chatbot)    return outcome    #设置用户和智能客服之间的消息交互def chatbotInteract():    query = txt.get(\"1.0\","end-1c").strip()    txt.delete(\"0.0\",END)      chatwnd.tag_config("question", background=\"white\", foreground=\"black\")    chatwnd.tag_config("answer", background=\"white\", foreground=\"blue\")    chatwnd.config(state=NORMAL)    chatwnd.insert(END, \"用户问题：
\" + query + "

","question")     outcome = chatbot_Response(query)    chatwnd.insert(END, \"客服回答：
\" + outcome + "

","answer")               chatwnd.config(state=NORMAL)    chatwnd.yview(END)   #设置智能客服应用界面风格tk_window = tkinter.Tk(screenName=None, baseName=None)tk_window.title(\"智能客服\")tk_window.geometry(\"500x600\")tk_window.resizable(False, False) #设置文本框chatwnd = Text(tk_window, borderwidth=2, cursor=None,state=NORMAL, background=\"white\", height=\"12\", width=\"70\", font=\"Arial\",wrap=WORD) #设置滚动条srb = Scrollbar(tk_window, command=chatwnd.yview, activebackground=None,background=\"white\",borderwidth=2,highlightcolor=\"purple\",cursor=\"arrow\",jump=0,orient=VERTICAL,width=16,elementborderwidth=1)srb.pack( side = RIGHT, fill = Y )chatwnd["yscrollcommand"] = srb.set  #设置信息输入框风格txt = Text(tk_window, borderwidth=0, cursor=None,background=\"white\",width=\"25\", height=\"8\", font=\"Arial\",wrap=WORD) #设置发送消息按钮风格msgBtn = Button(tk_window, font=(\"kaiti\",14), text=\"咨询\", width=12, height=8,highlightcolor=None,image=None,justify=CENTER,state=ACTIVE,                    borderwidth=0, background=\"Blue\", activebackground=\"#524e78\",fg ="white",relief=RAISED,                    command= chatbotInteract )    #显示组件内容 srb.place(x=404,y=12, height=398)chatwnd.place(relx=0.0, rely=0.35, relwidth=0.8, relheight=0.66, anchor="w")msgBtn.place(bordermode=OUTSIDE,x=175, y=540, height=50)txt.place(x=2, y=411, height=100, width=400)  tk_window.mainloop()

标签：