正文

chatbots翻譯（chatter翻譯）

發(fā)布時(shí)間：2023-03-12 12:42:43 稿源：創(chuàng)意嶺閱讀： 148 問(wèn)大家

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于chatbots翻譯的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

ChatGPT國(guó)內(nèi)免費(fèi)在線使用，能給你生成想要的原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

你只需要給出你的關(guān)鍵詞，它就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶(hù)端，官網(wǎng)：https://ai.de1919.com

本文目錄:

1、RNN基本應(yīng)用
2、如何利用深度學(xué)習(xí)技術(shù)訓(xùn)練聊天機(jī)器人語(yǔ)言模型
3、有哪些API接口可以用來(lái)做聊天機(jī)器人？
4、如何和自動(dòng)聊天機(jī)器人聊天？

chatbots翻譯（chatter翻譯）

一、RNN基本應(yīng)用

與人類(lèi)理解文字的道理差不多，看書(shū)都是一個(gè)字一個(gè)字，一句話一句話去理解的。語(yǔ)言本身作為一種符號(hào)并沒(méi)有意義，只不過(guò)是人類(lèi)對(duì)其賦予了意義。而這種意義體現(xiàn)在每個(gè)字（語(yǔ)義）以及字的順序（語(yǔ)義關(guān)系）上。RNN相當(dāng)于在通用神經(jīng)網(wǎng)絡(luò)上加入了人的先驗(yàn)知識(shí) ，將文本信息按照序列輸入的方式處理。

RNN對(duì)序列的基本思路是： 在序列任務(wù)中前面的數(shù)據(jù)會(huì)對(duì)當(dāng)前的計(jì)算產(chǎn)生影響。 所以前一個(gè)cell的激活值會(huì)輸入到后一個(gè)cell中。這樣就其實(shí)就是對(duì)序列數(shù)據(jù)的特點(diǎn)做了一定程度的設(shè)計(jì)。

但是隨著序列長(zhǎng)度變化，激活值不斷堆疊后就會(huì)損失一些信息，導(dǎo)致序列前面的信息對(duì)后面的影響變?nèi)?。要知道很多時(shí)候語(yǔ)言的頭部信息對(duì)后面的信息可能有很大的影響。所以目前應(yīng)用較廣泛的是LSTM模型，在RNN基礎(chǔ)結(jié)構(gòu)上增加了一條長(zhǎng)記憶線C，每個(gè)cell的X與A會(huì)使得C對(duì)信息進(jìn)行補(bǔ)充或者丟失，而具有序列重要信息的C會(huì)對(duì)A的激活值具有影響。就像是模型附帶了一個(gè)小本本，遇到新鮮事兒就記進(jìn)去，然后在后續(xù)判斷將小本本的信息加入，產(chǎn)出更有可信度的激活值。

在RNN應(yīng)用過(guò)程中，逐漸發(fā)現(xiàn)有時(shí)候當(dāng)前局部的計(jì)算不僅僅與前面的信息相關(guān)，也與后面的信息相關(guān)（特別是翻譯、語(yǔ)音識(shí)別等）。所以提出了 雙向RNN結(jié)構(gòu) ，將前面的信息與后面的信息綜合起來(lái)做判斷。

人在進(jìn)行信息判斷時(shí)，有時(shí)候不僅僅是綜合整個(gè)序列的信息，有時(shí)候更會(huì)抓住重點(diǎn)去分析以便快速得到更好的答案，在序列模型中每個(gè)輸入本身確實(shí)有重點(diǎn)，比如吃與食物相關(guān)，在分析吃的字詞時(shí)只需將注意力分配到與食物相關(guān)得詞上，其他的并不重要，因此提出了 注意力模型 。

如圖所示，經(jīng)過(guò)一個(gè)雙向RNN處理過(guò)的輸出值y，不同的y分配給不同的權(quán)重最終加和起來(lái)作為輸入，那么該輸入附帶的信息就會(huì)有偏向，從而模型會(huì)有更好的效果。

正如前文所說(shuō)，所有的模型都不完美，在擬合過(guò)程中就會(huì)出現(xiàn)信息丟失、梯度消失等現(xiàn)象，長(zhǎng)短時(shí)記憶、雙向計(jì)算、注意力機(jī)制都是典型的將人類(lèi)知識(shí)加入模型中，使得模型負(fù)擔(dān)減少，效果更好。

將語(yǔ)料庫(kù)通過(guò)RNN模型訓(xùn)練后，模型就學(xué)會(huì)了人話的規(guī)律，從而可以在給定條件下判斷下一個(gè)字是何字的概率，從而在多個(gè)場(chǎng)景有所應(yīng)用：

同樣的方式可以應(yīng)用在音樂(lè)上，如果將音樂(lè)也當(dāng)做一種序列去訓(xùn)練，最終我們也可以獲得某種音樂(lè)風(fēng)格的曲子，從而可以實(shí)現(xiàn)在文字上以及在音樂(lè)上的另類(lèi)創(chuàng)作。

將RNN模型對(duì)接一個(gè)softmax輸出，就可以對(duì)句子進(jìn)行分類(lèi)，通常用來(lái)判斷情感趨向。

除了可以通過(guò)分析句子得到情感判斷外，分析詞語(yǔ)也可以。目前詞的使用都是將符號(hào)向量映射（ Word2Vec 算法）到語(yǔ)義空間上，所以詞向量本身就具有語(yǔ)義含義，通過(guò)訓(xùn)練可以做情感分類(lèi)。

翻譯目前都是用如圖所示結(jié)構(gòu)，包含編碼器與解碼器。相當(dāng)于將語(yǔ)句A通過(guò)RNN編碼后灌入另一個(gè)模型去解碼為另一個(gè)語(yǔ)句B，類(lèi)似于卷積對(duì)圖片的編碼處理，序列模型在編碼解碼過(guò)程中也形成了一個(gè)表征語(yǔ)義的矩陣，該矩陣的語(yǔ)義表達(dá)與語(yǔ)言工具無(wú)關(guān)，作為兩個(gè)語(yǔ)言之間的橋梁實(shí)現(xiàn)翻譯功能。借鑒人類(lèi)翻譯過(guò)程中對(duì)前后文重點(diǎn)的讀取，翻譯模型會(huì)用到注意力機(jī)制以達(dá)到更好的模型效果

實(shí)際上前一陣子出現(xiàn)過(guò)AI換臉這種生成式的任務(wù)在社區(qū)火爆，特別是色情網(wǎng)站。其實(shí)這種生成任務(wù)很多時(shí)候也會(huì)用到這種編碼-解碼樣式的結(jié)構(gòu)

目前人機(jī)對(duì)話包含應(yīng)用場(chǎng)景：?jiǎn)柎鹦?、聊天型、任?wù)型。

問(wèn)答型 在很多客服領(lǐng)域應(yīng)用廣泛，解決了頭部高頻問(wèn)題。這類(lèi)任務(wù)更多屬于機(jī)器學(xué)習(xí)，對(duì)用戶(hù)的疑問(wèn)通過(guò)關(guān)鍵字檢測(cè)分類(lèi)至我們預(yù)先設(shè)好的問(wèn)題分類(lèi)中。

聊天型機(jī)器人 最典型的就是微軟小冰，要保持這種開(kāi)放性對(duì)話需要系統(tǒng)知識(shí)，不斷產(chǎn)生新的話題。這類(lèi)Chatbot的目標(biāo)是實(shí)現(xiàn)《her》中的情感陪伴，但是就目前發(fā)展來(lái)講，仍然不夠。

任務(wù)型機(jī)器人 目前看起來(lái)最具有商業(yè)潛力，市面上的智能音箱基本屬于這類(lèi)范疇。目標(biāo)是識(shí)別用戶(hù)意圖后在封閉的話題區(qū)間內(nèi)進(jìn)行對(duì)話直至滿(mǎn)足用戶(hù)需求。

在任務(wù)驅(qū)動(dòng)型的人機(jī)對(duì)話中，首先就是獲取人的意圖。意圖的識(shí)別屬于自然語(yǔ)言理解，屬于一種分類(lèi)任務(wù)。很多智能音箱平臺(tái)會(huì)推出一些技能，這些技能實(shí)際上就對(duì)應(yīng)意圖所對(duì)應(yīng)的領(lǐng)域。通過(guò)意圖識(shí)別后將業(yè)務(wù)處理邏輯落在這些技能上，技能與技能之間其實(shí)已經(jīng)沒(méi)有關(guān)聯(lián)，這樣的方式減輕了訓(xùn)練難度，使得機(jī)器人在特定任務(wù)上有更好的表現(xiàn)。

在計(jì)算機(jī)處理人類(lèi)請(qǐng)求后，不僅要判斷用戶(hù)的意圖分類(lèi)，還要對(duì)請(qǐng)求語(yǔ)進(jìn)行序列標(biāo)注（實(shí)體識(shí)別、實(shí)體關(guān)系抽取等），分析出該意圖下哪些必要信息已經(jīng)獲得，哪些信息沒(méi)有獲得，這些就是填槽的過(guò)程。

用戶(hù)的請(qǐng)求往往是含糊不清的，多輪對(duì)話就是為了獲取在該意圖下所有的必要信息。整個(gè)過(guò)程需要對(duì)話管理的支持，對(duì)話管理實(shí)際一個(gè)決策過(guò)程（策略樹(shù)），系統(tǒng)在對(duì)話過(guò)程中不斷根據(jù)當(dāng)前狀態(tài)決定下一步應(yīng)該采取的最優(yōu)動(dòng)作（如：提供結(jié)果，詢(xún)問(wèn)特定限制條件，澄清或確認(rèn)需求…）從而最有效的輔助用戶(hù)完成信息或服務(wù)獲取的任務(wù)。對(duì)話管理的構(gòu)建更需要人工設(shè)計(jì)，但似乎通過(guò)強(qiáng)化學(xué)習(xí)也能得到最佳路徑。

DM對(duì)話管理過(guò)程中可能需要和用戶(hù)交互，就會(huì)用到自然語(yǔ)言生成，將系統(tǒng)語(yǔ)義轉(zhuǎn)化為人類(lèi)語(yǔ)言。這是個(gè)有限集，用模板是一種選擇，同樣也可以用語(yǔ)言模型、類(lèi)似翻譯的編碼解碼模型。

二、如何利用深度學(xué)習(xí)技術(shù)訓(xùn)練聊天機(jī)器人語(yǔ)言模型

數(shù)據(jù)預(yù)處理

模型能聊的內(nèi)容也取決于選取的語(yǔ)料。如果已經(jīng)具備了原始聊天數(shù)據(jù)，可以用SQL通過(guò)關(guān)鍵字查詢(xún)一些對(duì)話，也就是從大庫(kù)里選取出一個(gè)小庫(kù)來(lái)訓(xùn)練。從一些論文上，很多算法都是在數(shù)據(jù)預(yù)處理層面的，比如Mechanism-Aware Neural Machine for Dialogue Response Generation就介紹了，從大庫(kù)中抽取小庫(kù)，然后再進(jìn)行融合，訓(xùn)練出有特色的對(duì)話來(lái)。

對(duì)于英語(yǔ)，需要了解NLTK，NLTK提供了加載語(yǔ)料，語(yǔ)料標(biāo)準(zhǔn)化，語(yǔ)料分類(lèi)，PoS詞性標(biāo)注，語(yǔ)意抽取等功能。

另一個(gè)功能強(qiáng)大的工具庫(kù)是CoreNLP，作為 Stanford開(kāi)源出來(lái)的工具，特色是實(shí)體標(biāo)注，語(yǔ)意抽取，支持多種語(yǔ)言。

下面主要介紹兩個(gè)內(nèi)容：

中文分詞

現(xiàn)在有很多中文分詞的SDK，分詞的算法也比較多，也有很多文章對(duì)不同SDK的性能做比較。做中文分詞的示例代碼如下。

# coding:utf8

'''

Segmenter with Chinese

'''

import jieba

import langid

def segment_chinese_sentence(sentence):

'''

Return segmented sentence.

'''

seg_list = jieba.cut(sentence, cut_all=False)

seg_sentence = u" ".join(seg_list)

return seg_sentence.strip().encode('utf8')

def process_sentence(sentence):

'''

Only process Chinese Sentence.

'''

if langid.classify(sentence)[0] == 'zh':

return segment_chinese_sentence(sentence)

return sentence

if __name__ == "__main__":

print(process_sentence('飛雪連天射白鹿'))

print(process_sentence('I have a pen.'))

以上使用了langid先判斷語(yǔ)句是否是中文，然后使用jieba進(jìn)行分詞。

在功能上，jieba分詞支持全切分模式，精確模式和搜索引擎模式。

全切分：輸出所有分詞。

精確：概率上的最佳分詞。

所有引擎模式：對(duì)精確切分后的長(zhǎng)句再進(jìn)行分詞。

jieba分詞的實(shí)現(xiàn)

主要是分成下面三步：

1、加載字典，在內(nèi)存中建立字典空間。

字典的構(gòu)造是每行一個(gè)詞，空格，詞頻，空格，詞性。

上訴書(shū) 3 n

上訴人 3 n

上訴期 3 b

上訴狀 4 n

上課 650 v

建立字典空間的是使用python的dict，采用前綴數(shù)組的方式。

使用前綴數(shù)組的原因是樹(shù)結(jié)構(gòu)只有一層 - word:freq，效率高，節(jié)省空間。比如單詞"dog", 字典中將這樣存儲(chǔ)：

{

"d": 0,

"do": 0,

"dog": 1 # value為詞頻

}

字典空間的主要用途是對(duì)輸入句子建立有向無(wú)環(huán)圖，然后根據(jù)算法進(jìn)行切分。算法的取舍主要是根據(jù)模式 - 全切，精確還是搜索。

2、對(duì)輸入的語(yǔ)句分詞，首先是建立一個(gè)有向無(wú)環(huán)圖。

有向無(wú)環(huán)圖, Directed acyclic graph (音 /ˈdæɡ/)。

【圖 3-2】 DAG

DAG對(duì)于后面計(jì)算最大概率路徑和使用HNN模型識(shí)別新詞有直接關(guān)系。

3、按照模式，對(duì)有向無(wú)環(huán)圖進(jìn)行遍歷，比如，在精確模式下，便利就是求最大權(quán)重和的路徑，權(quán)重來(lái)自于在字典中定義的詞頻。對(duì)于沒(méi)有出現(xiàn)在詞典中的詞，連續(xù)的單個(gè)字符也許會(huì)構(gòu)成新詞。然后用HMM模型和Viterbi算法識(shí)別新詞。

精確模型切詞：使用動(dòng)態(tài)規(guī)劃對(duì)最大概率路徑進(jìn)行求解。

最大概率路徑：求route = (w1, w2, w3 ,.., wn)，使得Σweight(wi)最大。Wi為該詞的詞頻。

更多的細(xì)節(jié)還需要讀一下jieba的源碼。

自定義字典

jieba分詞默認(rèn)的字典是:1998人民日?qǐng)?bào)的切分語(yǔ)料還有一個(gè)msr的切分語(yǔ)料和一些txt小說(shuō)。開(kāi)發(fā)者可以自行添加字典，只要符合字典構(gòu)建的格式就行。

jieba分詞同時(shí)提供接口添加詞匯。

Word embedding

使用機(jī)器學(xué)習(xí)訓(xùn)練的語(yǔ)言模型，網(wǎng)絡(luò)算法是使用數(shù)字進(jìn)行計(jì)算，在輸入進(jìn)行編碼，在輸出進(jìn)行解碼。word embedding就是編解碼的手段。

【圖 3-3】 word embedding, Ref. #7

word embedding是文本的數(shù)值化表示方法。表示法包括one-hot，bag of words，N-gram，分布式表示，共現(xiàn)矩陣等。

Word2vec

近年來(lái)，word2vec被廣泛采用。Word2vec輸入文章或者其他語(yǔ)料，輸出語(yǔ)料中詞匯建設(shè)的詞向量空間。詳細(xì)可參考word2vec數(shù)學(xué)原理解析。

使用word2vec

安裝完成后，得到word2vec命令行工具。

word2vec -train "data/review.txt"

-output "data/review.model"

-cbow 1

-size 100

-window 8

-negative 25

-hs 0

-sample 1e-4

-threads 20

-binary 1

-iter 15

-train "data/review.txt" 表示在指定的語(yǔ)料庫(kù)上訓(xùn)練模型

-cbow 1 表示用cbow模型，設(shè)成0表示用skip-gram模型

-size 100 詞向量的維度為100

-window 8 訓(xùn)練窗口的大小為8 即考慮一個(gè)單詞的前八個(gè)和后八個(gè)單詞

-negative 25 -hs 0 是使用negative sample還是HS算法

-sample 1e-4 采用閾值

-threads 20 線程數(shù)

-binary 1 輸出model保存成2進(jìn)制

-iter 15 迭代次數(shù)

在訓(xùn)練完成后，就得到一個(gè)model，用該model可以查詢(xún)每個(gè)詞的詞向量，在詞和詞之間求距離，將不同詞放在數(shù)學(xué)公式中計(jì)算輸出相關(guān)性的詞。比如：

vector("法國(guó)") - vector("巴黎) + vector("英國(guó)") = vector("倫敦")"

對(duì)于訓(xùn)練不同的語(yǔ)料庫(kù)，可以單獨(dú)的訓(xùn)練詞向量模型，可以利用已經(jīng)訓(xùn)練好的模型。

其它訓(xùn)練詞向量空間工具推薦：Glove。

Seq2Seq

2014年，Sequence to Sequence Learning with Neural Networks提出了使用深度學(xué)習(xí)技術(shù)，基于RNN和LSTM網(wǎng)絡(luò)訓(xùn)練翻譯系統(tǒng)，取得了突破，這一方法便應(yīng)用在更廣泛的領(lǐng)域，比如問(wèn)答系統(tǒng)，圖像字幕，語(yǔ)音識(shí)別，撰寫(xiě)詩(shī)詞等。Seq2Seq完成了【encoder + decoder -> target】的映射，在上面的論文中，清晰的介紹了實(shí)現(xiàn)方式。

【圖 3-4】 Seq2Seq, Ref. #1

也有很多文章解讀它的原理。在使用Seq2Seq的過(guò)程中，雖然也研究了它的結(jié)構(gòu)，但我還不認(rèn)為能理解和解釋它。下面談兩點(diǎn)感受：

a. RNN保存了語(yǔ)言順序的特點(diǎn)，這和CNN在處理帶有形狀的模型時(shí)如出一轍，就是數(shù)學(xué)模型的設(shè)計(jì)符合物理模型。

【圖 3-5】 RNN, Ref. #6

b. LSTM Cell的復(fù)雜度對(duì)應(yīng)了自然語(yǔ)言處理的復(fù)雜度。

【圖 3-6】 LSTM, Ref. #6

理由是，有人將LSTM Cell嘗試了多種其它方案?jìng)鬟f狀態(tài)，結(jié)果也很好。

【圖 3-7】 GRU, Ref. #6

LSTM的一個(gè)替代方案：GRU。只要RNN的Cell足夠復(fù)雜，它就能工作的很好。

使用DeepQA2訓(xùn)練語(yǔ)言模型

準(zhǔn)備工作，下載項(xiàng)目：

git clone https://github.com/Samurais/DeepQA2.git

cd DeepQA2

open README.md # 根據(jù)README.md安裝依賴(lài)包

DeepQA2將工作分成三個(gè)過(guò)程：

數(shù)據(jù)預(yù)處理：從語(yǔ)料庫(kù)到數(shù)據(jù)字典。

訓(xùn)練模型：從數(shù)據(jù)字典到語(yǔ)言模型。

提供服務(wù)：從語(yǔ)言模型到RESt API。

預(yù)處理

DeepQA2使用Cornell Movie Dialogs Corpus作為demo語(yǔ)料庫(kù)。

原始數(shù)據(jù)就是movie_lines.txt 和movie_conversations.txt。這兩個(gè)文件的組織形式參考README.txt

deepqa2/dataset/preprocesser.py是將這兩個(gè)文件處理成數(shù)據(jù)字典的模塊。

train_max_length_enco就是問(wèn)題的長(zhǎng)度，train_max_length_deco就是答案的長(zhǎng)度。在語(yǔ)料庫(kù)中，大于該長(zhǎng)度的部分會(huì)被截?cái)唷?/p>

程序運(yùn)行后，會(huì)生成dataset-cornell-20.pkl文件，它加載到python中是一個(gè)字典：

word2id存儲(chǔ)了{(lán)word: id}，其中word是一個(gè)單詞，id是int數(shù)字，代表這個(gè)單詞的id。

id2word存儲(chǔ)了{(lán)id: word}。

trainingSamples存儲(chǔ)了問(wèn)答的對(duì)話對(duì)。

比如 [[[1,2,3],[4,5,6]], [[7,8,9], [10, 11, 12]]]

1，2，3 ... 12 都是word id。

[1,2,3] 和 [4,5,6] 構(gòu)成一個(gè)問(wèn)答。 [7,8,9] 和 [10, 11, 12] 構(gòu)成一個(gè)問(wèn)答。

開(kāi)始訓(xùn)練

cp config.sample.ini config.ini # modify keys

python deepqa2/train.py

config.ini是配置文件, 根據(jù)config.sample.ini進(jìn)行修改。訓(xùn)練的時(shí)間由epoch，learning rate, maxlength和對(duì)話對(duì)的數(shù)量而定。

deepqa2/train.py大約100行，完成數(shù)據(jù)字典加載、初始化tensorflow的session，saver，writer、初始化神經(jīng)元模型、根據(jù)epoch進(jìn)行迭代，保存模型到磁盤(pán)。

session是網(wǎng)絡(luò)圖，由placeholder, variable, cell, layer, output 組成。

saver是保存model的，也可以用來(lái)恢復(fù)model。model就是實(shí)例化variable的session。

writer是查看loss fn或者其他開(kāi)發(fā)者感興趣的數(shù)據(jù)的收集器。writer的結(jié)果會(huì)被saver保存，然后使用tensorboard查看。

Model

Model的構(gòu)建要考慮輸入，狀態(tài)，softmax，輸出。

定義損耗函數(shù)，使用AdamOptimizer進(jìn)行迭代。

最后，參考一下訓(xùn)練的loop部分。

每次訓(xùn)練，model會(huì)被存儲(chǔ)在 save路徑下，文件夾的命名根據(jù)機(jī)器的hostname，時(shí)間戳生成。

提供服務(wù)

在TensorFlow中，提供了標(biāo)準(zhǔn)的serving模塊 - tensorflow serving。但研究了很久，還專(zhuān)門(mén)看了一遍《C++ Essentials》，還沒(méi)有將它搞定，社區(qū)也普遍抱怨tensorflow serving不好學(xué)，不好用。訓(xùn)練結(jié)束后，使用下面的腳本啟動(dòng)服務(wù)，DeepQA2的serve部分還是調(diào)用TensorFlow的python api。

cd DeepQA2/save/deeplearning.cobra.vulcan.20170127.175256/deepqa2/serve

cp db.sample.sqlite3 db.sqlite3

python manage.py runserver 0.0.0.0:8000

測(cè)試

POST /api/v1/question HTTP/1.1

Host: 127.0.0.1:8000

Content-Type: application/json

Authorization: Basic YWRtaW46cGFzc3dvcmQxMjM=

Cache-Control: no-cache

{"message": "good to know"}

response

{

"rc": 0,

"msg": "hello"

}

serve的核心代碼在serve/api/chatbotmanager.py中。

使用腳本

scripts/start_training.sh 啟動(dòng)訓(xùn)練

scripts/start_tensorboard.sh 啟動(dòng)Tensorboard

scripts/start_serving.sh 啟動(dòng)服務(wù)

對(duì)模型的評(píng)價(jià)

目前代碼具有很高的維護(hù)性，這也是從DeepQA項(xiàng)目進(jìn)行重構(gòu)的原因，更清晰的數(shù)據(jù)預(yù)處理、訓(xùn)練和服務(wù)。有新的變更可以添加到deepqa2/models中，然后在train.py和chatbotmanager.py變更一下。

有待改進(jìn)的地方

a. 新建models/rnn2.py, 使用dropout。目前DeepQA中已經(jīng)使用了Drop.

b. tensorflow rc0.12.x中已經(jīng)提供了seq2seq network，可以更新成tf版本.

c. 融合訓(xùn)練，目前model只有一個(gè)庫(kù)，應(yīng)該是設(shè)計(jì)一個(gè)新的模型，支持一個(gè)大庫(kù)和小庫(kù)，不同權(quán)重進(jìn)行，就如Mechanism-Aware Neural Machine for Dialogue Response Generation的介紹。

d. 代碼支持多機(jī)多GPU運(yùn)行。

e. 目前訓(xùn)練的結(jié)果都是QA對(duì)，對(duì)于一個(gè)問(wèn)題，可以有多個(gè)答案。

f. 目前沒(méi)有一個(gè)方法進(jìn)行accuracy測(cè)試，一個(gè)思路是在訓(xùn)練中就提供干擾項(xiàng)，因?yàn)楫?dāng)前只有正確的答案，如果提供錯(cuò)誤的答案（而且越多越好），就可以使用recall_at_k方法進(jìn)行測(cè)試。

機(jī)器人家上了解到的，希望對(duì)你有用

三、有哪些API接口可以用來(lái)做聊天機(jī)器人？

1.海知智能：

1. 海知智能第三方技能插件開(kāi)放平臺(tái)概述 · ruyi.ai開(kāi)發(fā)者文檔 · 看云docs.ruyi.ai

不光能聊天，還可以在網(wǎng)站里內(nèi)置技能，實(shí)現(xiàn)(翻譯，成語(yǔ)接龍等)數(shù)十項(xiàng)功能

2.天行機(jī)器人：

白嫖用戶(hù)綁定微信后有40000次永久額度，之后1元10000次

3.思知機(jī)器人：

AI機(jī)器人開(kāi)放平臺(tái) - 思知（OwnThink）www.ownthink.com

4.青云客智能機(jī)器人：

青云客智能聊天機(jī)器人APIapi.qingyunke.com

5.圖靈機(jī)器人：

圖靈機(jī)器人-智能好用的聊天機(jī)器人www.turingapi.com

圖靈的官網(wǎng)如果不充值好像每日請(qǐng)求次數(shù)很低很低，但好在可以通過(guò)其他api網(wǎng)站進(jìn)行調(diào)取

6.小i機(jī)器人：

模版展示頁(yè)面nlp.xiaoi.com

但小i機(jī)器人沒(méi)有api使用文檔，想要使用就只能自己分析

import urllib.request

import re

message = “”

msg = urllib.parse.quote(message)

link=urllib.request.urlopen("http://nlp.xiaoi.com/robot/webrobot&callback=__webrobot_processMsg&data=%7B%22sessionId%22%3A%22ff725c236e5245a3ac825b2dd88a7501%22%2C%22robotId%22%3A%22webbot%22%2C%22userId%22%3A%227cd29df3450745fbbdcf1a462e6c58e6%22%2C%22body%22%3A%7B%22content%22%3A%22"+msg+"%22%7D%2C%22type%22%3A%22txt%22%7D")

html_doc = link.read().decode()

reply = re.findall(r'"content":"(.+?)\r\n"', html_doc)

print(reply)

可以通過(guò)這段python代碼進(jìn)行輸入并取得輸出

四、如何和自動(dòng)聊天機(jī)器人聊天？

找到自動(dòng)聊天機(jī)器人app，與它進(jìn)行對(duì)話就好。

可以與它智能對(duì)話，及時(shí)問(wèn)答，百科信息，天氣，生活小知識(shí)，聊天調(diào)侃。

世界上最早的聊天機(jī)器人誕生于20世紀(jì)80年代，名為“阿爾貝特”，用BASIC語(yǔ)言編寫(xiě)而成。今天的互聯(lián)網(wǎng)上，已出現(xiàn)“比利”、“艾麗斯”等聊天機(jī)器人等，中文的如“白絲魔理沙”、“烏賊娘”等由網(wǎng)友制作的聊天機(jī)器人。據(jù)悉，還有一個(gè)“約翰·列儂人工智能計(jì)劃”，以再現(xiàn)當(dāng)年“披頭士”樂(lè)隊(duì)主唱的風(fēng)采為目標(biāo)。

人工智能（AI）和神經(jīng)網(wǎng)絡(luò)語(yǔ)言處理（NLP）技術(shù)得到了空前的發(fā)展，這意味著與機(jī)器人交談越來(lái)越接近于與真人發(fā)生交談。現(xiàn)如今，開(kāi)發(fā)人員可以很容易地找到各種提供了AI和NLP服務(wù)的API，他們甚至不需要了解AI和NLP的工作原理。部分提供這類(lèi)服務(wù)的網(wǎng)站如下：Crunchable.io、Chatbots.io、Luis.ai、API.ai和Wit.ai。

以上就是關(guān)于chatbots翻譯相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。