Создание чат-ботов с Dialogflow, Watson, ChatterBot и Rasa

Теперь все готово к работе и в панели Try it наберем

Могу ли я получить пиццу.

Затем ответим на вопрос о начинке и на вопрос о размере.

В результате получим ответ от агента, что наш заказ размещен.

Нажав на кнопку Diagnostic info можно посмотреть запросы и ответы вебхука в формате Json.

Чтобы проверить, сохранился ли заказ, откроем Google проект и в боковой панели выберем Datastore – Entites.

И здесь мы увидим, что наш заказ успешно сохранился в облаке Google.

Google Dialogflow. Интеграция с Telegram

Dialogflow позволяет интегрировать вашего чат-бота с различными платформами.

Это такие популярные приложения как Google Assistant, Slack и Facebook Messenger и другие.

В качестве примера мы рассмотрим интеграцию нашего чат-бота с мессенджером Telegram.

Опция интеграция Telegram позволяет легко создавать ботов Telegram с пониманием естественного языка на основе технологии Dialogflow.

И для начала работы, откроем Telegram.

И здесь наберем @BotFather.

Далее нажмем кнопку Start.

Здесь нажмем ссылку /newbot и введем имя бота ex_bot.

И здесь мы должны скопировать сгенерированный токен доступа.

Вернемся в Dialogflow и включим интеграцию с Telegram.

В результате откроется диалоговое окно.

И здесь мы должны ввести сгенерированный токен доступа.

И нажать кнопку Start.

Вернемся в Telegram и откроем бота по его ссылке.

И здесь, нажав кнопку Start мы можем разговаривать с нашим чат-ботом.

ChatterBot

ChatterBot – это библиотека Python, которая позволяет легко генерировать автоматические ответы на вводимые пользователем данные.

И ChatterBot использует набор алгоритмов машинного обучения для получения различных типов ответов.

И ChatterBot является независимой от языка библиотекой, что позволяет обучать чат-бота говорить на любом языке.

Кроме того, машинное обучение ChatterBot позволяет экземпляру агента улучшить свои знания о возможных ответах при дальнейшем взаимодействии с людьми и другими источниками данных.

Изначально, необученный экземпляр ChatterBot запускается без знания того, как общаться.

Каждый раз, когда пользователь вводит фразу, библиотека сохраняет введенный текст и текст ответа.

По мере того, как ChatterBot получает больше входных данных, количество ответов, которыми он может ответить, и точность каждого ответа по отношению к вводу пользователя увеличивается.

Программа выбирает наиболее подходящий ответ, выполняя поиск наиболее подходящего ответа, который соответствует вводу.

Для начала работы с ChatterBot, необходимо установить библиотеку с помощью инструмента pip.

И у вас должен быть установлен питон 64 битный, а не 32 битный.

NewSlide

Прежде всего, ChatterBot должен быть импортирован.

И здесь мы импортируем класс ChatBot из библиотеки chatterbot.

И мы создаем новый экземпляр класса ChatBot.

Библиотека ChatterBot поставляется со встроенными классами адаптеров, которые позволяют подключаться к различным типам баз данных.

И класс адаптера, и путь к базе данных указываются как параметры конструктора класса ChatBot.

Класс SQLStorageAdapter является адаптером ChatterBot по умолчанию.

Если вы не укажете адаптер в конструкторе, адаптер SQLStorageAdapter будет использоваться автоматически.

И класс SQLStorageAdapter позволяет чат-боту подключаться к базам данных SQL.

По умолчанию этот адаптер создает базу данных SQLite.

Библиотека ChatterBot включает в себя инструменты, которые помогают упростить процесс обучения экземпляра чат-бота.

Обучение ChatterBot включает загрузку примера диалога в базу данных чат-бота.

При этом строится граф, который представляет наборы известных вводов и ответов.

Когда тренеру чат-бота предоставляется набор данных, он создает необходимые записи в графе знаний чат-бота.

И библиотека ChatterBot поставляется со встроенными классами тренеров, или вы можете создать свой собственный класс тренера, если это необходимо.

Чтобы использовать класс тренера, вы вызываете метод train для экземпляра тренера, который был инициализирован вашим чат-ботом.