用机器学习打造聊天机器人(七) 总结篇

标签：word   产品   词汇   相关性   实体   厂商   文本   向量   问题   

本文是用机器学习打造聊天机器人系列的最后一篇啦，请耐心看完吧。

本系列文章展示了一个聊天机器人的打造过程，现阶段更高级的聊天机器人会加入更多语料，更多意图模式，用更好的算法，以及其他更多的小技巧，比如：

• 我们可以结合上一个系列《手把手教你做命名实体识别》中介绍的bert模型，来代替这里的词向量模型，让句向量更好的表示出原句子中各词汇之间的相关性，比如“我喜欢苹果”和"我喜欢苹果笔记本"，对于采用word2vec的方式来构建向量特征来说，对"苹果"的向量表示都是一样的，而对于bert来说，是会考虑到上下文信息来给出"苹果”的向量表示的，这会直接影响到句子应该被分到电子产品类还是蔬菜水果类。
• 我们可以训练一个文本情感分类的模型，判断用户的语言情绪，然后对应的给回复做一些修饰，让回复听起来更贴心。
• 我们可以给机器人预设一些口头禅，随机加入回复中，让机器人看起来更灵动。
• 可以加入第三方云厂商的语音转文本或文本转语音功能，和机器人直接语音聊天。

ok，本系列文章到此就告一段落了，陆陆续续也写了7篇了，相信你已经有信心打造一款自己的聊天机器人了，有任何相关问题，欢迎和作者联系交流。

本篇就这么多内容啦~，感谢阅读O(∩_∩)O。

用机器学习打造聊天机器人(七) 总结篇

标签：word   产品   词汇   相关性   实体   厂商   文本   向量   问题   

原文地址：https://www.cnblogs.com/anai/p/12074381.html