2017搜索引擎优化规则(规范化输入表达同样的意思，可以有多种表示方法(组图) )

　　2017搜索引擎优化规则(规范化输入表达同样的意思，可以有多种表示方法(组图)

)

　　> 主题：商务（词汇课）

　　+ 你想现在开始上课吗？

　　-start_class

　　+ ~是的

　　% 你想现在开始上课吗

　　- 太好了，^redirectTo(/daily_lessons/vocabulary)

　　+ ~不

　　% 你想现在开始上课吗

　　-好吧。

　　因此，对话看起来像这样。

　　归一化输入

　　有很多方法可以表达相同的意思。

　　日历的颜色是什么

　　压延机的颜色是什么

　　日历的颜色是什么

　　在将输入语句传递给规则引擎之前，必须对其进行正则化。例如：

　　这需要结合很多工具库来实现：NLTK、Stanford CoreNLP、Jieba 分词、Wordnet、ConceptNet。

　　例如，使用斯坦福 CoreNLP，您可以有以*敏*感*词*释：

　　

　　归一化输入后，在规则引擎中，你可以依靠词性和函数来实现更智能的答案。

　　高效的规则引擎

　　Bot 可以有大量的话题，即使只有 100 个话题，每个话题 15 个对话，也就是 1500 条规则。如果只在单机上运行，​​至少要进行以下两个优化：

　　首先通过聊天记录和关键字对对话堆栈进行排序。

　　

　　排序思路大致是这样的：

　　1） 检查当前对话，看看是否还有更多文本。一个对话的文本可以对应多个规则。

　　如果有以下内容，请检查规则是否可以匹配输入。如果匹配，请回复。如果没有跟随，或者没有规则可以匹配，则输入次优匹配。

　　2） 次优匹配是使用TF-IDF算法对聊天话题的历史进行排序。

　　简单的说，就是用一个函数来计算用户聊天对应话题的频率。重视不同的聊天话题。在次优匹配中，处理用户谈论过的话题。

　　3） 在次优匹配中，如果没有命中，则输入其他匹配。

　　其他比赛包括以前没有讨论过的话题。

　　排序后，同时处理匹配操作，将命中规则的回复按排序顺序放入数组，然后从数组中取出第一个元素。这比按顺序一一检查要快得多。

　　例如，一些 Node.js 模块：async。

　　用户画像

　　在与用户聊天的过程中，获取的用户相关信息必须记录在数据库中。这实际上就是构建知识图谱的过程。

　　

　　知识图谱使用的数据库是具有三个字段的结构化数据：

　　{

　　"subject": "毛",

　　"predict": "主席",

　　“对象”：“中国”

　　}

　　这建立了一种关系：

　　

　　B 可以再次跳到 D。

　　目前有比较成熟的商业产品和开源解决方案。

　　谷歌知识图谱 API

　　凯莱图

　　在 Bot Engine 中，您可以获取相关用户的知识图谱。

　　this.user.memory.get(...)

　　this.bot.createUserFact( ...)

　　

　　使用知识图谱，除了完成实体之间的关系，还有一个原因就是搜索速度非常快，搜索功能强大。

　　上标

　　介绍了这么多，那么如何实现一个Bot Engine呢？经过多次比较，我认为基于SuperScript实现Bot Engine是可行的。主要有以下几点：

　　对话脚本

　　开始

　　var superscript = require("superscript");

　　新上标（{ ...}，功能（错误，机器人）{

　　bot.reply("userId", "hello", function(err, reply){

　　// 发挥你的魔法

　　})

　　})

　　结论

　　很多人预测，2017年，AI方向最有可能成功的领域是聊天机器人。那么，在这种情况下，聊天机器人的架构设计是一个热点问题。包括谷歌、Facebook 都有可能发布类似于微软的 Botframework 平台。Bot 引擎是一种处理对话的引擎，起着关键作用。在开源社区中，我还没有看到非常高调的实现。SuperScript，至少在 JavaScript 社区，是一个不错的选择。

　　在下一篇文章中，我将介绍深度学习技术的使用，依靠聊天语料来训练Bot Model。

　　阅读清单

　　NaturalNode- 节点的通用自然语言工具。

　　SuperScript - 对话式 UI 的对话系统和机器人引擎。

　　斯坦福 CoreNLP - 一套核心 NLP 工具

　　自然语言工具包 - NLTK 是构建 Python 程序以处理人类语言数据的领先平台。

　　- 基于LevelDB的知识图谱工具。

　　最后

　　欢迎联系我，尤其是业内人士，一起给我指正，一起优化。

　　文章 封面图片来自：中国智能制造网

　　雷锋网特稿，未经授权禁止转载。有关详细信息，请参阅重印说明。