Чкт-бот на python

15 мая 2025

Программирование

Условие:

Чкт-бот на python

Решение:

Лабораторная работа: Создание чат-бота на Python

Цель работы: Целью данной лабораторной работы является создание простого чат-бота на языке программирования Python. Чат-бот будет способен отвечать на заданные вопросы пользователя и предоставлять информацию на основе заранее заданных правил.

Используемые инструменты: Для создания чат-бота на Python мы будем использовать следующие инструменты:

Python 3.x
Библиотека Natural Language Toolkit (NLTK)

Шаги выполнения:

Шаг 1: Установка необходимых инструментов

Установите Python 3.x с официального сайта Python (https://www.python.org/downloads/).
Установите библиотеку NLTK, выполнив команду pip install nltk в командной строке.

Шаг 2: Подготовка данных

Создайте текстовый файл "intents.json", в котором будут содержаться правила для чат-бота.
В файле "intents.json" определите различные интенты (намерения) и их соответствующие ответы. Например:

{
  "intents": [
    {
      "tag": "приветствие",
      "patterns": ["Привет", "Здравствуйте", "Добрый день"],
      "responses": ["Привет!", "Здравствуйте!", "Добрый день!"]
    },
    {
      "tag": "погода",
      "patterns": ["Какая погода сегодня?", "Какая погода в Москве?"],
      "responses": ["Сегодня погода отличная!", "В Москве сейчас +20 градусов."]
    },
    ...
  ]
}

В файле "intents.json" можно добавить любое количество интентов и задать различные вопросы и ответы для каждого интента.

Шаг 3: Создание чат-бота

Создайте новый файл "chatbot.py" и импортируйте необходимые модули:

import nltk
import json
import random
from nltk.stem import WordNetLemmatizer
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation, Dropout
from tensorflow.keras.optimizers import SGD

Загрузите файл "intents.json" и преобразуйте его в структуру данных Python:

with open('intents.json') as file:
    data = json.load(file)

Создайте функцию для предварительной обработки текста:

def preprocess_text(text):
    # Разделение текста на отдельные слова
    words = nltk.word_tokenize(text)
    # Приведение слов к нормальной форме
    lemmatizer = WordNetLemmatizer()
    words = [lemmatizer.lemmatize(word.lower()) for word in words]
    return words

Создайте функцию для создания тренировочных данных:

def create_training_data():
    training_data = []
    for intent in data['intents']:
        for pattern in intent['patterns']:
            words = preprocess_text(pattern)
            training_data.append((words, intent['tag']))
    random.shuffle(training_data)
    return training_data

Создайте функцию для создания модели нейронной сети:

def create_model(input_shape, output_shape):
    model = Sequential()
    model.add(Dense(128, input_shape=input_shape, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(64, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(output_shape, activation='softmax'))
    return model

Создайте функцию для обучения модели:

def train_model():
    training_data = create_training_data()
    words = []
    tags = []
    for pattern, tag in training_data:
        words.extend(pattern)
        tags.append(tag)
    words = sorted(list(set(words)))
    tags = sorted(list(set(tags)))
    X_train = []
    y_train = []
    for pattern, tag in training_data:
        bag = [1 if word in pattern else 0 for word in words]
        X_train.append(bag)
        label = tags.index(tag)
        y_train.append(label)
    X_train = np.array(X_train)
    y_train = np.array(y_train)
    model = create_model((len(X_train[0]),), len(tags))
    sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
    model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
    history = model.fit(X_train, y_train, epochs=200, batch_size=5, verbose=1)
    model.save('chatbot_model.h5')
    print("Модель обучена и сохранена.")

Создайте функцию для получения ответа от чат-бота:

def get_response(text):
    model = load_model('chatbot_model.h5')
    words = preprocess_text(text)
    bag = [1 if word in words else 0 for word in words]
    bag = np.array(bag)
    bag = bag.reshape(1, len(bag))
    prediction = model.predict(bag)[0]
    threshold = 0.5
    result = [[i, p] for i, p in enumerate(prediction) if p > threshold]
    result.sort(key=lambda x: x[1], reverse=True)
    response = ""
    if result:
        tag = tags[result[0][0]]
        for intent in data['intents']:
            if intent['tag'] == tag:
                response = random.choice(intent['responses'])
    else:
        response = "Извините, я не понимаю ваш вопрос."
    return response

Добавьте код для обучения модели и сохранения ее в файл "chatbot_model.h5":

train_model()

Добавьте код для получения вопроса от пользователя и вывода ответа чат-бота:

while True:
    user_input = input("Вы: ")
    response = get_response(user_input)
    print("Чат-бот: " + response)

Шаг 4: Запуск чат-бота

Сохраните все изменения в файлах "chatbot.py" и "intents.json".
Запустите файл "chatbot.py" в командной строке.
Введите вопрос или фразу для чат-бота и наблюдайте его ответы.

Вывод: В результате выполнения данной лабораторной работы мы создали простого чат-бота на языке программирования Python. Чат-бот способен отвечать на заданные вопросы пользователя и предоставлять информацию на основе заранее заданных правил. Для создания чат-бота мы использовали библиотеку Natural Language Toolkit (NLTK) и модель нейронной сети.