本项目使用TensorFlow实现了一个简易的聊天机器人

项目结构

• corpus：存放语料数据
• data：存放经过预处理的训练数据
• doc：存放资料文档
• hparams：存放预定义的超参数json文件
• models：
  • basic_model.py：定义了seq2seq model基础架构，包含Base和BasicModel两个类，BasicModel继承Base实现了build_encoder和_create_decoder_cell两个抽象方法
  • attention_model.py：继承basic_model，重写了_create_decoder_cell方法，加入AttentionMechanism。
  • model_helper.py：model创建所需的基础方法封装。
• utils：
  • eval_utils.py：模型评估计算方法封装
  • iterator.py：数据迭代器封装，作为model的参数传入。
  • misc_utils.py：各种各样的杂项操作封装
  • param_utils.py：Python参数解析操作封装
  • preprocess_util.py：数据预处理封装
  • train_utils.py：训练所需的辅助方法封装
  • vocabulary.py：词汇表封装，作为model的参数传入
• chatbot.py：封装了模型训练、推断、对话的总体流程

使用

corpus和data文件夹已经预置了一些语料数据，shell进入项目顶级目录，运行命令：

训练

python chatbot.py --mode train

推断，结果存放在outputs/infer_output.txt文件中

python chatbot.py --mode infer

聊天交互

python chatbot.py --mode chat 

如果想要训练其他数据集，需要按照corpus文件夹下的语料数据格式存放，使用utils/preprocess.py进行语聊数据预处理，然后进行训练

网络架构

Seq2seq网络架构如下：

如图所示，模型接受一个序列输入“ABC”，编码-解码操作产生一个序列输出“WXYZ”。<EOS>（End Of Sequence）用作模型预测的定界符，是用户指定的特殊字符，不包含在所要训练的数据词汇表中。当模型解码遇到<EOS>就不再继续进行预测。编码器输入是未经Padding的原始串‘ABC’。在训练阶段，target input被Padding为“WXYZ”作为每个时间步Decoder的输入, target output被Padding为“WXYZ”作为优化目标输出（Label）。在用已有的模型进行推断时，<EOS>是做为整个解码操作的初始输入，加上Encoder的final_state一同作为Decoder Cell的初始输入进行解码操作，所以如果把Encoder的finalstate记为Decoder的state_0，第一次解码输出记做output_0，第一次解码状态记做state_1，以此类推，那么整个解码流程的输入序列是(<EOS>，state_0)->(output0, state_1)->(output_1，state_2)->……直到output_n为<EOS>。

Seq2seq的工作流程分为编码阶段和解码阶段。在编码阶段，处于编码结构的LSTM通过计算得到一个固定维度大小的特征表示v（LSTM的最终状态或由注意力机制引入的所有状态的加权平均,维数为指定的RNN隐层单元个数）。在解码阶段，处于解码器结构中的LSTM以v作为初始状态，对下一时刻的序列元素进行预测，每个时刻可能出现的概率最大的元素将被选择(此处也可以引入BeamSearch)。

详细文档

详细的资料整理在doc目录下的文档中.