1.问答机器人的组成
1.1 问答机器人的组成结构图
2. 问答机器人的组成-机器人的个人属性
所谓的机器人一般具备有个人的属性，这些属性固定，形成了机器人的个人偏好
在实现过程中，此处使用一个xml配置文件，配置了机器人的个人年龄、性别、职业等内容，同时包含常见有关于机器人属性的问答
服务初始化时，预加载这些属性作为准备；
线上推理时，一般会判断是否是有关于机器人属性的提问，从而进行回答 此处使用模板匹配，进行问题搜索，匹配成功则返回相关的答案
2.1 问答机器人代码实现
import xml.etree.ElementTree as et#python可读取xml工具
template = et.parse('data/robot_template.xml')#加载xmlclass template():def __init__(self):self.template = et.parse(TEMPLATE_PATH)self.robot_info = self.load_robot_info()#加载个人属性self.temp = self.template.findall('temp')#加载问答样式def load_robot_info(self):rebot_info = self.template.find('robot_info')rebot_info_dict = {}for info in rebot_info:rebot_info_dict[info.tag] = info.textreturn rebot_info_dictdef search_answer(self, question):match_temp = Noneflag = Nonefor temp in self.temps:qs = temp.find('question').findall('q')for q in qs:res = re.search(q.text,question)if res:match_temp = tempflag = Truebreakif flag:breakif flag:a_s = choice([i.text for i in match_temp.find('answer').findall('a')])answer = a_s.format(**self.robot_info)return answerelse:return None3. 问答机器人的组成-基于语料的回答
机器人的对话学习过程中，一般有一些现成的语料，这些语料来源于日常生活的对话
在此处，基于余弦相似度，对用户的提问和已有语料的提问进行匹配，若匹配成功，则表明用户提问与现有语料中有高度相似的提问，从而返回该提问对应的回答
通过这种余弦相似度的匹配，可以构建一个简易的对话系统，但并不准确，且当语料很庞大时，这样的计算是很可怕的，而且准确率很差
在后续的学习过程中会使用更多的语料，通过深度学习模型来生成或者快速检索合适的答案进行回答
3.1 问答机器人的组成-基于语料的回答（预处理）
s1：文本清洗+切词+生成q,a列表
def load_seq_qa():q_list,a_list = [],[]with open(CORPUS_PATH,'r',encoding = 'utf-8') as f:for ind, i in enumerate(f):i = jieba.lcut(i.strip())if ind % 2 == 0:q_list.append(i)else:a_list.append(i)return q_list,a_list
s2：将所得词index化（为后续生成式问答服务）
def build_vocab():q,_ = load_seq_qa()word_dict = set([j for i in q for j in i])word_dict = dict(zip(word_dict,range(len(word_dict))))return word_dict
s3：将所得词embeding化
def build_word_embeding():q,_ = load_seq_qa()word_dict = build_vocab()word_embeding = {}for w in word_dict.keys():word_embeding[w] = []for ind,qs in enumerate(q):for w in qs:word_embeding[w].append(ind)return word_embeding
3.2 问答机器人的组成-基于语料的回答（构建）
