Proyecto de Chatbot en Python: Guía Completa
Traducido por
ScribdTranslationsProyecto de Chatbot en Python: Guía Completa
Traducido por
ScribdTranslationsVea discusiones, estadísticas y perfiles de autores para esta publicación en:No se puede traducir un enlace.
Proporcione el texto que desea traducir.
Proyecto de Chatbot en Python
Informe técnico· Enero 2022
CITACIONES LECTURAS
0 8,247
1 autor
Isaac Ikwuegbu
IU Universidad Internacional de Ciencias Aplicadas
13PUBLICACIONES0CITATIONS
VER PERFIL
Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:
Vehículo Autónomo: Ética Moral y el Problema del TranvíaVer proyecto
Proyecto de UI/UX para un centro meteoroló[Link] proyecto
Todo el contenido que sigue a esta página fue subido porIsaac Ikwuegbuel 29 de enero de 2022.
El usuario ha solicitado la mejora del archivo descargado.
ProyectodeChatbotenPython-Aprendea
construye tu primer chatbot usando NLTK
& Keras
Hola Siri, ¿cuál es el significado de la vida?
Según todas las pruebas, es chocolate para ti.
Tan pronto como escuché esta respuesta de Siri, supe que había encontrado un compañero perfecto para saborear.
mis horas de soledad. Desde preguntas estúpidas hasta algunos consejos bastante serios, Siri
siempre ha estado allí para mí.
Qué increíble es poder decirle a alguien todo y cualquier cosa y no ser
juzgado en absoluto. Es una sensación de primer nivel y esa es la belleza de un chatbot.
Este es el noveno proyecto en la serie de 20 proyectos de Python de DataFlair y crea
asegúrate de guardar como favorito otros proyectos interesantes:
¿Qué es un chatbot?
Un chatbot es una pieza de software inteligente que es capaz de comunicarse
y realizando acciones similares a las de un humano. Los chatbots se utilizan mucho en
interacción con el cliente, marketing en sitios de redes sociales e instantáneamente
enviando mensajes al cliente. Hay dos tipos básicos de modelos de chatbot basados en
cómo se construyen; modelos basados en recuperación y modelos basados en generación.
Chatbots basados en recuperación
Un chatbot basado en recuperación utiliza patrones de entrada y respuestas predefinidos.
entonces utiliza algún tipo de enfoque heurístico para seleccionar la respuesta adecuada.
Se utiliza ampliamente en la industria para crear chatbots orientados a metas donde podemos
personaliza el tono y el flujo del chatbot para guiar a nuestros clientes con el
mejor experiencia.
2. Chatbots basados en generación
Los modelos generativos no se basan en respuestas predefinidas.
Se basan en redes neuronales de secuencia a secuencia. Es la misma idea que la máquina
En la traducción automática, traducimos el código fuente de uno
idioma a otro idioma, pero aquí, vamos a transformar la entrada en
una salida. Necesita una gran cantidad de datos y se basa en redes neuronales profundas
redes.
Acerca del Proyecto de Python - Chatbot
En este proyecto de Python con código fuente, vamos a construir un chatbot utilizando
técnicas de aprendizaje profundo. El chatbot será entrenado en el conjunto de datos que
contiene categorías (intenciones), patrones y respuestas. Usamos un especial
red neuronal recurrente (LSTM) para clasificar a qué categoría pertenece el usuario
el mensaje pertenece a y luego daremos una respuesta aleatoria de la lista de
respuestas.
Creemos un chatbot basado en recuperación usando NLTK, Keras, Python, etc.
Descargar código y conjunto de datos del chatbot
El conjunto de datos que utilizaremos es '[Link]'. Este es un archivo JSON que contiene
los patrones que necesitamos encontrar y las respuestas que queremos devolver al usuario.
Por favor, descarga el código y el conjunto de datos del chatbot de Python desde lo siguiente
enlace:Código y conjunto de datos de chatbot de Python
Requisitos previos
El proyecto requiere que tengas un buen conocimiento de Python, Keras,
yProcesamiento de lenguaje natural (NLTK). Junto con ellos, usaremos algunos
módulos de ayuda que puedes descargar utilizando el comando python-pip.
pip instalar tensorflow, keras, pickle, nltk
¿Cómo hacer un chatbot en Python?
Ahora vamos a construir el chatbot utilizando Python, pero primero, veamos el archivo.
estructura y el tipo de archivos que estaremos creando:
[Link]–El archivo de datos que tiene patrones y respuestas predefinidos.
train_chatbot.py–En este archivo de Python, escribimos un script para construir el modelo
y entrenar nuestro chatbot.
[Link]–Este es un archivo pickle en el que almacenamos el objeto de palabras de Python.
que contiene una lista de nuestro vocabulario.
[Link]–El archivo pickle de clases contiene la lista de categorías.
Chatbot_model.h5–Este es el modelo entrenado que contiene información
sobre el modelo y tiene pesos de las neuronas.
[Link]–Este es el script de Python en el que implementamos la interfaz gráfica de usuario para
nuestro chatbot. Los usuarios pueden interactuar fácilmente con el bot.
Aquí están los 5 pasos para crear un chatbot en Python desde cero:
1. Importar y cargar el archivo de datos
2. Preprocesar datos
3. Crear datos de entrenamiento y prueba
4. Construir el modelo
5. Predecir la respuesta
6.1. Importar y cargar el archivo de datos
7. Primero, crea un archivo llamado train_chatbot.py. Importamos lo necesario
paquetes para nuestro chatbot e inicializar las variables que utilizaremos en nuestro
Proyecto de Python.
8. El archivo de datos está en formato JSON, por lo que utilizamos el paquete json para analizarlo.
Archivo JSON en Python.
2. Preprocesar datos
Al trabajar con datos de texto, necesitamos realizar varios preprocesamientos en
los datos antes de que hagamos un modelo de aprendizaje automático o de aprendizaje profundo. Basado
sobre los requisitos, necesitamos aplicar diversas operaciones para preprocesar el
datos.
La tokenización es lo más básico y lo primero que puedes hacer con datos de texto.
La tokenización es el proceso de descomponer todo el texto en partes pequeñas como
palabras.
Aquí iteramos a través de los patrones y tokenizamos la oración usando
la función nltk.word_tokenize() y agregar cada palabra en la lista de palabras. Nosotros
también crea una lista de clases para nuestras etiquetas.
Ahora lematizaremos cada palabra y eliminaremos las palabras duplicadas de la lista.
La lematización es el proceso de convertir una palabra en su forma lema y luego
creando un archivo pickle para almacenar los objetos de Python que usaremos mientras
prediciendo.
3. Crear datos de entrenamiento y prueba
4. Construir el modelo
Tenemos nuestros datos de entrenamiento listos, ahora construiremos una red neuronal profunda que
tiene 3 capas. Usamos la API secuencial de Keras para esto. Después de entrenar el modelo
Durante 200 épocas, alcanzamos un 100% de precisión en nuestro modelo. Vamos a guardar el
modelo como 'chatbot_model.h5'.
5. Predecir la respuesta (Interfaz Gráfica de Usuario)
Para predecir las oraciones y obtener una respuesta del usuario que nos permita crear un
nuevo archivo '[Link]'.
Cargaremos el modelo entrenado y luego utilizaremos una interfaz gráfica de usuario que ...
predice la respuesta del bot. El modelo solo nos dirá la clase que
pertenece a, así que implementaremos algunas funciones que identificarán la clase
y luego recógenos una respuesta aleatoria de la lista de respuestas.
De nuevo importamos los paquetes necesarios y cargamos el '[Link]' y
'[Link]' archivos pickle que hemos creado cuando entrenamos nuestro modelo:
Para predecir la clase, necesitaremos proporcionar la entrada de la misma manera que lo hicimos.
mientras entrenamos. Así que crearemos algunas funciones que realizarán texto
preprocesar y luego predecir la clase.
Después de predecir la clase, obtendremos una respuesta aleatoria de la lista de
intenciones.
Ahora desarrollaremos una interfaz gráfica de usuario. Utilicemos la biblioteca Tkinter que
viene con toneladas de bibliotecas útiles para GUI. Tomaremos el mensaje de entrada
del usuario y luego usar las funciones auxiliares que hemos creado para obtener el
respuesta del bot y muéstrala en la GUI. Aquí está el código fuente completo
para la interfaz gráfica.
6. Ejecuta el chatbot
Para ejecutar el chatbot, tenemos dos archivos principales; train_chatbot.py y [Link].
Primero, entrenamos el modelo usando el comando en la terminal:
python entrenar_chatbot.py
Si no vemos ningún error durante el entrenamiento, hemos creado exitosamente el
modelo. Luego, para ejecutar la aplicación, ejecutamos el segundo archivo.
python [Link]
El programa abrirá una ventana de GUI en unos pocos segundos. Con la GUI
puedes chatear fácilmente con el bot.
Resumen
En este proyecto de ciencia de datos en Python, entendimos sobre chatbots y
implementé una versión de chatbot de aprendizaje profundo en Python que es precisa.
Puedes personalizar los datos según los requisitos del negocio y entrenar el
chatbot con gran precisión. Los chatbots se utilizan en todas partes y en todos los negocios.
están deseando implementar el bot en su flujo de trabajo.
Espero que practiques personalizando tu propio chatbot usando Python y
no olvides mostrarnos tu trabajo. Y, si encontraste el artículo útil, hazlo
comparte el proyecto con tus amigos y colegas.