def main():
user_id = 'test'
parser = argparse.ArgumentParser(description='Question answering machine')
parser.add_argument('--data_folder', type=str, default='../../data')
parser.add_argument('--w2v_folder', type=str, default='../../tmp')
parser.add_argument('--profile',
type=str,
default='../../data/profile_1.json',
help='path to profile file')
parser.add_argument('--models_folder',
type=str,
default='../../tmp',
help='path to folder with pretrained models')
parser.add_argument('--tmp_folder',
type=str,
default='../../tmp',
help='path to folder for logfile etc')
parser.add_argument('--debugging', action='store_true')
parser.add_argument('--input', type=str, help='Input file with phrases')
parser.add_argument('--output',
type=str,
help='Output file with bot replicas')
args = parser.parse_args()
profile_path = os.path.expanduser(args.profile)
models_folder = os.path.expanduser(args.models_folder)
data_folder = os.path.expanduser(args.data_folder)
w2v_folder = os.path.expanduser(args.w2v_folder)
tmp_folder = os.path.expanduser(args.tmp_folder)
init_trainer_logging(os.path.join(tmp_folder, 'console_chatbot.log'),
args.debugging)
logging.debug('Bot loading...')
# Создаем необходимое окружение для бота.
# NLP pileline: содержит инструменты для работы с текстом, включая морфологию и таблицы словоформ,
# part-of-speech tagger, NP chunker и прочее.
text_utils = TextUtils()
text_utils.load_embeddings(w2v_dir=w2v_folder, wc2v_dir=models_folder)
text_utils.load_dictionaries(data_folder, models_folder)
# Настроечные параметры аватара собраны в профиле - файле в json формате.
profile = BotProfile()
profile.load(profile_path, data_folder, models_folder)
# Инициализируем движок вопросно-ответной системы. Он может обслуживать несколько
# ботов с разными провилями (базами фактов и правил), хотя тут у нас будет работать только один.
machine = SimpleAnsweringMachine(text_utils=text_utils)
machine.load_models(data_folder, models_folder, profile.constants)
machine.trace_enabled = args.debugging
# Контейнер для правил
scripting = BotScripting(data_folder)
scripting.load_rules(profile.rules_path,
profile.smalltalk_generative_rules, profile.constants,
text_utils)
# Добавляем скрипты на питоне
scripting.add_scenario(Scenario_WhoAmI())
# Конкретная реализация хранилища фактов - плоские файлы в utf-8, с минимальным форматированием
profile_facts = ProfileFactsReader(text_utils=text_utils,
profile_path=profile.premises_path,
constants=profile.constants)
# Подключем простое файловое хранилище с FAQ-правилами бота.
# Движок бота сопоставляет вопрос пользователя с опорными вопросами в FAQ базе,
# и если нашел хорошее соответствие (синонимичность выше порога), то
# выдает ответную часть найденной записи.
faq_storage = PlainFileFaqStorage(profile.faq_path,
constants=profile.constants,
text_utils=text_utils)
# Инициализируем аватара
bot = BotPersonality(bot_id='test_bot',
engine=machine,
facts=profile_facts,
faq=faq_storage,
scripting=scripting,
profile=profile)
bot.on_process_order = on_order
# Выполняем привязку обработчиков
bot.add_event_handler(u'weather_forecast', on_weather_forecast)
bot.add_event_handler(u'check_emails', on_check_emails)
bot.add_event_handler(u'alarm_clock', on_alarm_clock)
bot.add_event_handler(u'buy_pizza', on_buy_pizza)
bot.start_conversation(user_id)
flush_logging()
print_tech_banner()
if args.input:
# Пакетный режим - читаем фразы собеседника из указанного текстового файла, прогоняем
# через бота, сохраняем ответные фразы бота в выходной файл.
with io.open(args.input, 'r', encoding='utf-8') as rdr,\
io.open(args.output, 'w', encoding='utf-8') as wrt:
# Получим стартовые реплики бота (обычно он здоровается)
while True:
answer = bot.pop_phrase(user_id)
if len(answer) == 0:
break
wrt.write('B: {}\n'.format(answer))
# Теперь читаем фразы из тестового набора и даем их боту на обработку
for line in rdr:
inline = line.strip()
if inline.startswith('#'):
# Может быть спец. команда
s = inline[1:].strip()
if s.startswith('!'):
cmd = s[1:]
if cmd == 'reset_running':
bot.cancel_all_running_items(user_id)
else:
# комментарии просто сохраняем в выходном файле для
# удобства визуальной организации
wrt.write('\n{}\n'.format(inline))
continue
if inline:
wrt.write('\nH: {}\n'.format(inline))
bot.push_phrase(user_id, line.strip())
while True:
answer = bot.pop_phrase(user_id)
if len(answer) == 0:
break
wrt.write('B: {}\n'.format(answer))
else:
# Консольный интерактивный режим
while True:
print('\n')
# В самом начале диалога, когда еще не было ни одной реплики,
# бот может сгенерировать некое приветствие или вопрос для
# завязывания беседы. Поэтому сразу извлечем сгенерированные фразы из
# буфера и покажем их.
while True:
answer = bot.pop_phrase(user_id)
if len(answer) == 0:
break
print_answer(u'B:>', answer)
question = input_kbd('H:>')
if len(question) > 0:
if question.lower() in ('r\exit', r'\q', r'\quit', '/stop'):
break
bot.push_phrase(user_id, question)
def main():
user_id = 'test'
parser = argparse.ArgumentParser(description='Question answering machine')
parser.add_argument('--data_folder', type=str, default='../../data')
parser.add_argument('--w2v_folder', type=str, default='../../tmp')
parser.add_argument('--profile',
type=str,
default='../../data/profile_1.json',
help='path to profile file')
parser.add_argument('--models_folder',
type=str,
default='../../tmp',
help='path to folder with pretrained models')
parser.add_argument('--tmp_folder',
type=str,
default='../../tmp',
help='path to folder for logfile etc')
parser.add_argument('--debugging', action='store_true')
args = parser.parse_args()
profile_path = os.path.expanduser(args.profile)
models_folder = os.path.expanduser(args.models_folder)
data_folder = os.path.expanduser(args.data_folder)
w2v_folder = os.path.expanduser(args.w2v_folder)
tmp_folder = os.path.expanduser(args.tmp_folder)
init_trainer_logging(os.path.join(tmp_folder, 'console_chatbot.log'),
args.debugging)
logging.debug('Bot loading...')
# Создаем необходимое окружение для бота.
# NLP pileline: содержит инструменты для работы с текстом, включая морфологию и таблицы словоформ,
# part-of-speech tagger, NP chunker и прочее.
text_utils = TextUtils()
text_utils.load_embeddings(w2v_dir=w2v_folder, wc2v_dir=models_folder)
text_utils.load_dictionaries(data_folder, models_folder)
# Настроечные параметры аватара собраны в профиле - файле в json формате.
profile = BotProfile()
profile.load(profile_path, data_folder, models_folder)
# Инициализируем движок вопросно-ответной системы. Он может обслуживать несколько
# ботов с разными провилями (базами фактов и правил), хотя тут у нас будет работать только один.
machine = SimpleAnsweringMachine(text_utils=text_utils)
machine.load_models(data_folder, models_folder, profile.constants)
machine.trace_enabled = args.debugging
# Контейнер для правил
scripting = BotScripting(data_folder)
scripting.load_rules(profile.rules_path,
profile.smalltalk_generative_rules, profile.constants,
text_utils)
# Конкретная реализация хранилища фактов - плоские файлы в utf-8, с минимальным форматированием
profile_facts = ProfileFactsReader(text_utils=text_utils,
profile_path=profile.premises_path,
constants=profile.constants)
# Подключем простое файловое хранилище с FAQ-правилами бота.
# Движок бота сопоставляет вопрос пользователя с опорными вопросами в FAQ базе,
# и если нашел хорошее соответствие (синонимичность выше порога), то
# выдает ответную часть найденной записи.
faq_storage = PlainFileFaqStorage(profile.faq_path,
constants=profile.constants,
text_utils=text_utils)
# Инициализируем аватара
bot = BotPersonality(bot_id='test_bot',
engine=machine,
facts=profile_facts,
faq=faq_storage,
scripting=scripting,
profile=profile)
bot.on_process_order = on_order
# Выполняем привязку обработчиков
bot.add_event_handler(u'weather_forecast', on_weather_forecast)
bot.add_event_handler(u'check_emails', on_check_emails)
bot.add_event_handler(u'alarm_clock', on_alarm_clock)
bot.add_event_handler(u'buy_pizza', on_buy_pizza)
bot.start_conversation(user_id)
flush_logging()
print_tech_banner()
while True:
print('\n')
# В самом начале диалога, когда еще не было ни одной реплики,
# бот может сгенерировать некое приветствие или вопрос для
# завязывания беседы. Поэтому сразу извлечем сгенерированные фразы из
# буфера и покажем их.
while True:
answer = bot.pop_phrase(user_id)
if len(answer) == 0:
break
print_answer(u'B:>', answer)
question = input_kbd('H:>')
if len(question) > 0:
if question.lower() in ('r\exit', r'\q', r'\quit', '/stop'):
break
bot.push_phrase(user_id, question)
logging.debug('Bot loading...')
bot = create_chatbot(profile_path, models_folder, w2v_folder, data_folder, args.debugging, chitchat_config=rugpt_chitchat_config)
# Выполняем привязку обработчиков
bot.on_process_order = on_order
bot.add_event_handler(u'weather_forecast', on_weather_forecast)
bot.add_event_handler(u'check_emails', on_check_emails)
bot.add_event_handler(u'alarm_clock', on_alarm_clock)
bot.add_event_handler(u'buy_pizza', on_buy_pizza)
if args.greeting:
bot.start_conversation(user_id)
flush_logging()
print_tech_banner()
while True:
print('\n')
# В самом начале диалога, когда еще не было ни одной реплики,
# бот может сгенерировать некое приветствие или вопрос для
# завязывания беседы. Поэтому сразу извлечем сгенерированные фразы из
# буфера и покажем их.
while True:
answer = bot.pop_phrase(user_id)
if len(answer) == 0:
break
print_answer(u'B:>', answer)