需要源码和数据集请点赞关注收藏后评论区留言私信~~~

一、自然语言处理与智能

自然语言处理技术是智能客服应用的基础，在自然语言处理过程中，首先需要进行分词处理，这个过程通常基于统计学理论，分词的精细化可以提升智能客服的语言处理能力，统计分词和马尔可夫模型是常用的方法，但在非常用词汇的识别精度方面稍显逊色，而精度高低直接影响分词结果的准确性，多样性分词有助于发现形式上的不合理性

自然语言处理技术是智能客服中的重要的环节，也是决定智能客服应用质量好坏和问题处理效率高低的关键因素，创建智能客服通常系统先进行大量学习来充实语言知识库，并结合各种典型案例提升系统的处理能力。智能客服系统重点关注三部分：

1：知识库完善

2：服务满意度

3：处理未知场景的自我学习能力

与传统人工客服相比智能客服应用一般具有以下优势

可以提供24小时无间断在线服务。

具备持续自主学习能力。

处理速度快，处理效率高，

可以应对短时大容量服务请求。

成本优势。

从用户问题到答复输出涉及的流程基本框架如下图

二、智能应用开发库如下

Gensim

NLTK

SpaCy

TensorFlow TensorFlow是一个基于数据流编程（dataflow programming）的系统，被广泛应用于图形分类、音频处理、推荐系统和自然语言处理等场景的实现，提供基于Python语言的四种版本：CPU版本（tensorflow）、GPU加速版本（tensorflow-gpu）以及每日编译版本（tf-nightly、tf-nightly-gpu）。

Theano

Keras

三、充实智能客服的情感

智能客服系统既依赖于专业性数据，也与自然处理理解等人工智能技术紧密相关，在解决用户业务诉求的过程中，难免用到用户咨询以及无法解决的问题等状况，因此提升其情感分析能力，具备多维度服务能力，对提高客户整体满意度有十分重要的积极意义，智能客服，人工客服和用户之间的关系可以简要概括如下图

智能客服处理流程如下图

四、聊天客服机器人实战

开发环境简介：

我们将使用深度学习技术构建一个聊天机器人，在包含聊天意图类别、用户输入和客服响应的数据集上进行训练。基于循环神经网络（LSTM）模型来分类用户的输入消息所属类别，然后从响应列表中基于随机算法提供响应输出。该实例在执行环境Tensorflow(2.6.0)和Python（3.6.5）中运行成功，其他需要的库为NLTK和Keras。

数据集和模型简介：

所需数据和模型说明如下：

chatbot.json ：预定义消息分类、输入消息和客服响应的数据文件。

wordtoken.pkl ： pickle 文件，存储包含词汇列表的Python 对象。

category.pkl ：pickle 文件，包含消息类别列表。

model.h5 ：经过训练的模型，包含模型以及神经元权重相关信息。

数据结构

本实例数据基于JSON（JavaScript Object Notation），JSON是一种轻量级的数据交换格式，完全独立于语言，机器容易解析和生成。JSON 建立在两种结构上：

1）名称:值（name:value）的集合。在计算机语言中称为对象、记录、结构、字典、哈希表、键控列表或关联数组。

（2）值有序列表。通常实现方式为数组、向量、列表或序列，属于通用数据结构，可与通用编程语言互换。

效果展示

语料库如下

训练过程如下

用户在图形界面输入问题客服机器人会给出相应回答

当用户提出了语料库之外的问题客服便会显示以下回答

五、代码

项目结构如下

部分代码如下需要全部代码请点赞关注收藏后评论区留言私信~~~

test文件

#导入库
import nltk
import pickle as pk
import numpy as np
import json as js
import randomfrom tensorflow import keras
from tensorflow.python.keras.models import load_model
from nltk.stem import WordNetLemmatizer
wordlem = WordNetLemmatizer()
from tkinter import *
from tkinter import  Text
from tkinter import  Button
import tkinternltk.download('punkt')
nltk.download('wordnet')
#加载训练模型
load = load_model('data/model.h5')#加载数据和中间结果
chatbot = js.loads(open('data/chatbot.json').read())
wordlist = pk.load(open('data/wordlist.pkl','rb'))
category = pk.load(open('data/category.pkl','rb'))def tokenization(text):#分词word_tokens = nltk.word_tokenize(text)# 词形还原#for i in sw:word_tokens =  [wordlem.lemmatize(i.lower()) for i in word_tokens] return word_tokens#词袋模型
def bow(text, wordlist):#分词tokens = tokenization(text)bow = [0]*len(wordlist)  for token in tokens:for i,flag in enumerate(wordlist):if flag == token: #查找匹配成功则标识为1bow[i] = 1print ("词袋模型匹配结果: %s" % flag)return(np.array(bow))#预测结果
def predict(text, load):#设置阈值，过滤阈值以下内容err_level = 0.20outlist = []bow_outcome= bow(text,wordlist)result = load.predict(np.array([bow_outcome]))[0]#根据概率结果排序outcome = [[i,j] for i,j in enumerate(result) if j>err_level]outcome.sort(key=lambda x: x[1], reverse=True)for j in outcome:outlist.append({"k": category[j[0]], "probability": str(j[1])})return outlist#设置应答信息def getResponse(pred, intents_json):ptype = pred[0]['k']print("用户提问类型：",ptype)ctype = intents_json['chatbot']for type in  ctype:if(type['category']== ptype):result = random.choice(type['output'])print("提供给用户的响应信息：",result)breakreturn result    #预测消息响应
def chatbot_Response(query):pred = predict(query, load)outcome = getResponse(pred, chatbot)return outcome#设置用户和智能客服之间的消息交互
def chatbotInteract():query = txt.get("1.0",'end-1c').strip()txt.delete("0.0",END)chatwnd.tag_config('question', background="white", foreground="black")chatwnd.tag_config('answer', background="white", foreground="blue")chatwnd.config(state=NORMAL)chatwnd.insert(END, "用户问题：\n" + query + '\n\n','question')outcome = chatbot_Response(query)chatwnd.insert(END, "客服回答：\n" + outcome + '\n\n','answer')   chatwnd.config(state=NORMAL)chatwnd.yview(END)#设置智能客服应用界面风格
tk_window = tkinter.Tk(screenName=None, baseName=None)
tk_window.title("智能客服")
tk_window.geometry("500x600")
tk_window.resizable(False, False)#设置文本框
chatwnd = Text(tk_window, borderwidth=2, cursor=None,state=NORMAL, background="white", height="12", width="70", font="Arial",wrap=WORD)#设置滚动条
srb = Scrollbar(tk_window, command=chatwnd.yview, activebackground=None,background="white",borderwidth=2,highlightcolor="purple",cursor="arrow",
jump=0,orient=VERTICAL,width=16,elementborderwidth=1)
srb.pack( side = RIGHT, fill = Y )
chatwnd['yscrollcommand'] = srb.set#设置信息输入框风格
txt = Text(tk_window, borderwidth=0, cursor=None,background="white",width="25", height="8", font="Arial",wrap=WORD)#设置发送消息按钮风格
msgBtn = Button(tk_window, font=("kaiti",14), text="咨询", width=12, height=8,highlightcolor=None,image=None,justify=CENTER,state=ACTIVE,borderwidth=0, background="Blue", activebackground="#524e78",fg ='white',relief=RAISED,command= chatbotInteract )#显示组件内容srb.place(x=404,y=12, height=398)
chatwnd.place(relx=0.0, rely=0.35, relwidth=0.8, relheight=0.66, anchor='w')
msgBtn.place(bordermode=OUTSIDE,x=175, y=540, height=50)
txt.place(x=2, y=411, height=100, width=400)tk_window.mainloop()

创作不易觉得有帮助请点赞关注收藏~~~

【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示超详细）相关推荐

h5 客服系统源码_Bos:做在线客服系统项目(附源码)
题记:看过我的头条的都知道,我写文章,相比其他人而言,在格式和语言上,比较规范化,因为我认为,写头条文章不仅仅是为了个人,它更多是传播知识,因此也希望更多朋友给与我鼓励和支持,关注+转发自己有用的知识 ...
手把手快速搭建智能语音客服——保险问答实践
零基础快速搭建全流程智能语音客服系统--保险问答实践 1. 背景介绍智能语音客服是智能客服的重要组成部分,在语音相关的人机交互场景中都有所应用,如智能外呼机器人,智能呼入机器人,虚拟人客服,数字员工 ...
AI智能语音客服机器人功能介绍
AI智能语音客服机器人的出现是这一时代发展的必然趋势.企业选择的AI智能语音客服机器人与人工坐席电话销售人员相比,节省了50%以上的成本,其工作效率可达到人工坐席电话销售的4~5倍.提高了通信效率和质 ...
AI智能语音客服机器人方案介绍/优点/核心
介绍智能语音电话系统,在语音电话交流中自动理解客户意向,并做出最恰当的回应,智能代替人工的基本原理如下:即在呼入/呼出过程中,利用ASR+NLP技术引导用户说出需求,通过真人录制的声音模仿与客户进行 ...
多商户无限座席在线客服在线对话聊天系统源码,防黑防丢,完美商用支持app公众号网页H5
源码介绍外面的现在这个内核的基本都是有一个gif图片木马后门的,这个请一定注意一定小心,别贪便宜吃了大亏!!!! 几天给大家放送一套非常不错的源码!锦尚中国自用的在线客服系统,诸多的客户搭建网站的同 ...
基于JAVA客服管理系统计算机毕业设计源码+数据库+lw文档+系统+部署
基于JAVA客服管理系统计算机毕业设计源码+数据库+lw文档+系统+部署基于JAVA客服管理系统计算机毕业设计源码+数据库+lw文档+系统+部署本源码技术栈: 项目架构:B/S架构开发语言:Ja ...
Java毕设项目智能快递分拣系统计算机（附源码+系统+数据库+LW）
Java毕设项目智能快递分拣系统计算机(附源码+系统+数据库+LW) 项目运行环境配置: Jdk1.8 + Tomcat8.5 + Mysql + HBuilderX(Webstorm也行)+ Ec ...
【C#+SQL Server】实现模仿QQ的交友软件五：聊天窗体设计讲解（附源码和资源）
需要源码和资源请点赞关注收藏后评论区留言私信~~~ 其他几个部分文章链接如下 [C#+SQL Server]实现模仿QQ的交友软件一:系统简介.功能展示与数据库设计(附源码和资源) [C#+SQL ...
基于Node.js自我展示博客网站-计算机毕设附源码231547
自我展示博客网站的设计与实现摘要个人博客网站是当今网络的热点,个人博客技术的出现使得每个人可以零成本.零维护地创建自己的网络媒体,Blog站点所形成的网状结构促成了不同于以往社区的Blog文化, ...

【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示超详细）

一、自然语言处理与智能

二、智能应用开发库如下

三、充实智能客服的情感

四、聊天客服机器人实战

开发环境简介：

数据集和模型简介：

数据结构

效果展示

五、代码

【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示超详细）相关推荐

最新文章

热门文章

【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示 超详细）

一、自然语言处理与智能

二、智能应用开发库如下

三、充实智能客服的情感

四、聊天客服机器人实战

开发环境简介：

数据集和模型简介：

数据结构

效果展示

五、代码

【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示 超详细）相关推荐

最新文章

热门文章

【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示超详细）

【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战（附源码、数据集和演示超详细）相关推荐