Python中如何构建一个简单的Google Dialogflow聊天机器人 [下]

这部分内容主要包括实体的抽取和定义，意图识别和简单的多轮对话。

使用实体提取数据

此页面描述了如何从用户的查询中提取参数值（实体数据）。

添加参数到您的意图

参数是用户查询中提取的重要且相关的单词或短语，因此您的聊天机器人可以提供适当的响应。 您将使用语音和编程语言的参数创建一个新意图，以探索它们如何匹配特定意图并包含在您的响应中。

  • 通过单击左侧菜单中 Intents 旁边的加号来创建新意图。

  • 在意图页面的顶部命名意图“语言”。

  • 将以下内容添加为训练短语：

我懂英语 我说法语 我知道如何用德语写作

  • 单击“保存”。

extracting-entities-001.png

Dialogflow 自动检测训练短语中包含在系统实体中的参数。 系统实体是 DIalogflow 提供的实体集，用于覆盖位置，颜色和日期等最容易出现的值。

在“训练短语”部分下方，Dialogflow 会使用收集到的信息填写一些表格：

  • 该参数是可选的（不是必需的）。
  • 名称 language （自动为系统实体解析）。
  • 此条目对应的实体（在本例中为系统实体 @ sys.language。
  • $ language 的值（自动解决）。
  • 该参数不是列表。

在响应中使用参数数据

参数的值可以在您的回复中使用。 在这种情况下，您可以在回复中使用$ language，它将替换为查询中指定给您的聊天机器人的语言。

在“响应”部分中，添加以下响应，然后单击“保存”按钮：

Wow! I didn't know you knew $language

尝试一下

在右侧的模拟器中，使用“我知道俄语”查询您的聊天机器人。

您可以在模拟器输出的底部看到 Dialogflow 正确地从查询中使用值“ Russian ”提取语言参数。 在响应中，您可以看到在使用参数值的地方正确插入了“俄语”。 参数也可以在您的集成中处理。 稍后将在“将其他服务与实现集成”中进行介绍。

extracting-entities-003.png

创建你的实体

在大多数情况下，您将获得从用户收集的特定信息，这些信息不在 Dialogflow 的系统实体中。 开发人员实体是您提供的值集和同义词集。

要创建实体，请按照下列步骤操作：

  • 单击左侧菜单中“实体”旁边的加号。
  • 输入“ ProgrammingLanguage ”作为实体名称。
  • 单击左侧文本字段并添加以下条目：

JavaScript Java Python

  • 输入条目时，按 Tab 键会将光标移动到同义词字段中。 为每个条目添加以下同义词： WechatIMG2014.jpeg
  • 点击保存按钮

每个实体必须具备以下条件：

  • 用于定义类别的名称（ ProgrammingLanguage ）
  • 一个或多个条目（ JavaScript，Python ）
  • 一个或多个同义词（ js，ECMAScript，py ） Dialogflow 可以处理多项和大写等简单的事情，但请确保为您的条目添加所有可能的同义词。 添加的越多，聊天机器人就越能确定您的实体。

添加新实体

现在我们已经为编程语言定义了我们的实体，将训练短语添加到“语言”意图中：

  • 单击左侧菜单中的 Intents，然后单击“ Languages ”意图。

  • 将以下内容添加为培训短语：

I know javascript I know how to code in Java

应自动注释训练短语中的编程语言。 这会将 ProgrammingLanguage 参数添加到表中。

extracting-entities-006.png

  • 在 Responses 部分，添加 $Programming Language 很酷，然后单击 SAVE 按钮。

尝试一下

extracting-entities-008.png

现在，使用新实体查询您的聊天机器人。 在模拟器中，键入我知道如何在 py 中编码并按 Enter 键。

您可以看到 Dialogflow 正确提取了实体 py，将其标识为 Python 实体，并将值插入响应中。

上下文状态管理

  • 单击左侧菜单中 Intents 旁边的加号以创建新意图。

  • 将意图命名为“语言”。

  • 输入以下训练短语：

我懂英语 我说法语 我知道如何用德语写作

  • 在“响应”部分中，输入以下文本响应：

哇！ 我不知道你懂得 $language。 你知道 $language 多久了？

  • 单击“保存”按钮。

  • 单击左侧菜单中的 Intents。

  • 将鼠标悬停在“语言”意图上，然后点击添加后续意图： contexts-002.png

  • 单击显示列表中的“自定义”：

contexts-003.png

Dialogflow 自动命名后续意图“语言 - 自定义”，箭头表示意图之间的关系。

意图与后续意图匹配

后续意图仅在匹配父意图后匹配。 由于此意图仅在“语言”意图之后匹配，因此我们可以假设用户刚刚被问到“您知道多久语言？”这一问题。 您现在将添加训练短语，表明用户可能对该问题的答案。 单击左侧菜单中的 Intents，然后单击“ Languages - custom ”意图。

添加以下训练短语：

3 years about 4 days for 5 years

contexts-005.png

尝试一下

在右侧的 Dialogflow 模拟器中尝试此操作。 首先，通过输入我知道法语的查询来匹配“语言”意图。 然后，回答问题您已知的 $language 有多长？ 约 2 周。

contexts-006.png

尽管第二个查询没有响应（“大约 2 周”），但我们可以看到我们的查询与正确的意图（“语言 - 自定义”）匹配，并且持续时间参数被正确解析（“ 2 周”）。

意图和上下文

现在您的后续意图正确匹配，您需要添加响应。在“语言 - 自定义”中，您只询问用户已知语言的持续时间，而不是引用语言本身。

要使用从“语言”意图收集的参数进行响应，您需要了解后续意图的工作方式。后续意图使用上下文来跟踪是否已触发父意图。如果您检查“语言”意图，您将看到“语言 - 后续”列为输出上下文，以数字 2 开头：

contexts-007.png

在匹配 “ Languages ” 意图后，将对话语 “ Languages-followup ” 附加到在匹配“语言”意图后，将对话语“语言跟随”附加到对话两轮。因此，当用户回答问题“你知道$ language 语言多长时间？”时，上下文“语言跟随”是活动的。当 Dialogflow 匹配意图时，任何具有相同输入上下文的意图都非常受欢迎的。

单击左侧导航中的 Intents，然后单击“ Languages - custom ”意图。

contexts-007.png

您可以看到 intent 具有与“ Languages ”的输出上下文相同的输入上下文（“ Languages-followup ”）。因此，在“语言”意图匹配后，“语言 - 自定义”更有可能匹配对话。因此，当用户回答问题“你知道$ language 语言多长时间？”时，上下文“语言跟随”是活动的。当 Dialogflow 匹配意图时，任何具有相同输入上下文的意图都非常受欢迎。

单击左侧导航中的 Intents，然后单击“ Languages - custom ”意图。

您可以看到 intent 具有与“ Languages ”的输出上下文相同的输入上下文（“ Languages-followup ”）。因此，在“语言”意图匹配后，“语言 - 自定义”更有可能匹配。

contexts-007.png

上下文和参数

上下文存储参数值，这意味着您可以在“语言 - 自定义”等其他意图中访问“语言”意图中定义的参数值。

将以下响应添加到“语言 - 自定义”意图中，然后单击“保存”按钮：

我不敢相信你已经知道 #languages-followup.language $duration 了！ 现在，您可以再次查询聊天机器人并获得正确的响应。首先输入“我知道法语”，然后用“ 1 个月”回答问题。

您应该看到从上下文中检索语言参数值。contexts-010.png

英文原文：https://dialogflow.com/docs/getting-started/

磐创 AI： http://www.panchuangai.com

智能客服，聊天机器人： http://www.panchuangai.com

TensorFlow 教程： http://panchuang.net


Python中如何构建一个简单的Google Dialogflow聊天机器人 [下]

3 回复

要构建一个简单的Dialogflow聊天机器人，首先得用dialogflow库。你得先装好它：pip install dialogflow。

核心步骤就这几步：

  1. 认证：用服务账号的JSON密钥文件连上Dialogflow API。
  2. 创建会话：每个用户对话都需要一个独立的会话。
  3. 检测意图：把用户说的话发给Dialogflow，让它分析并返回匹配的意图和回复。

下面是个能直接跑的完整例子，把YOUR_PROJECT_ID和YOUR_CREDENTIALS_JSON_PATH换成你自己的就行：

import dialogflow
from google.oauth2 import service_account

# 1. 设置认证和项目
credentials = service_account.Credentials.from_service_account_file('YOUR_CREDENTIALS_JSON_PATH')
session_client = dialogflow.SessionsClient(credentials=credentials)
project_id = 'YOUR_PROJECT_ID'
session_id = 'some-unique-session-id'  # 每个用户或对话线程一个唯一ID

# 2. 创建会话路径
session = session_client.session_path(project_id, session_id)

# 3. 准备查询
text_input = dialogflow.TextInput(text="你好", language_code="zh-CN")
query_input = dialogflow.QueryInput(text=text_input)

# 4. 发送请求获取响应
response = session_client.detect_intent(session=session, query_input=query_input)

# 5. 处理响应
print("Query text:", response.query_result.query_text)
print("Detected intent:", response.query_result.intent.display_name)
print("Response text:", response.query_result.fulfillment_text)

简单说就是：配好密钥、建会话、发文本、拿回复。 你先在Dialogflow控制台把意图和训练短语设置好，这段代码就能让机器人跟你对话了。


图片裂了

凉，图片果然是跨站会凉凉。

回到顶部