TensorFlow와 JavaScript를 사용하여 기본 챗봇을 구축하는 방법-JS 튜토리얼-php.cn

TensorFlow와 JavaScript를 사용하여 기본 챗봇을 구축하는 방법

PHPz

풀어 주다： 2024-09-03 21:06:02

원래의

965명이 탐색했습니다.

우리 모두는 다양한 사이트를 방문할 때 챗봇을 접하게 되는데, 그 중 일부는 실제 인간 상호 작용을 기반으로 작동하고 다른 일부는 AI로 구동됩니다.

이 기사에서는 TensorFlow와 JavaScript를 사용하여 간단한 AI 기반 챗봇을 구축하는 방법을 살펴보겠습니다. 챗봇은 사용자 명령을 인식하고 미리 정의된 답변으로 응답합니다.

단계별 안내

프로젝트 설정
먼저 프로젝트를 위한 새 디렉토리를 생성하고 npm으로 초기화합니다. 이 단계를 시작하기 전에 시스템에 Node.js가 설치되어 있는지 확인하세요.

mkdir chatbot
cd chatbot
npm init -y

로그인 후 복사

필요한 패키지 설치

간단한 프로젝트에는 다음 npm 패키지를 사용합니다.

tensorflow/tfjs: 기계 학습을 위한 TensorFlow.js 라이브러리입니다.
tensorflow-models/universal-sentence-encoder: 의도 인식을 위해 사전 훈련된 Universal Sentence Encoder 모델입니다.

   npm install @tensorflow/tfjs @tensorflow-models/universal sentence-encoder

로그인 후 복사

인텐트 생성

intents.js라는 파일을 생성하여 인텐트/명령을 저장합니다. 이는 챗봇이 인식할 사용자 입력 카테고리(예: 인사말, 제품 문의, 주문 상태)입니다.

// intents.js
const intents = {
  greeting: ["hello", "hi", "hey", "good morning", "good evening", "howdy"],
  goodbye: ["bye", "goodbye", "see you later", "farewell", "catch you later"],
  thanks: ["thank you", "thanks", "much appreciated", "thank you very much"],
  product_inquiry: ["tell me about your products", "what do you sell?", "product information", "what can I buy?", "show me your products"],
  order_status: ["where is my order?", "order status", "track my order", "order tracking", "order update"],
  shipping_info: ["shipping information", "how do you ship?", "shipping methods", "delivery options", "how long does shipping take?"],
  return_policy: ["return policy", "how to return?", "return process", "can I return?", "returns"],
  payment_methods: ["payment options", "how can I pay?", "payment methods", "available payments"],
  support_contact: ["contact support", "how to contact support?", "customer support contact", "support info", "customer service contact"],
  business_hours: ["business hours", "working hours", "when are you open?", "opening hours", "store hours"]
};

module.exports = { intents }

로그인 후 복사

응답 만들기

response.js라는 이름의 다른 파일을 만들어 미리 정의된 응답을 저장하세요. 이는 인식된 의도에 따라 챗봇이 제공할 사전 정의된 응답입니다.

// responses.js
const responses = {
  greeting: "Hello! How can I help you today?",
  goodbye: "Goodbye! Have a great day!",
  thanks: "You're welcome! If you have any other questions, feel free to ask.",
  product_inquiry: "We offer a variety of products including electronics, books, clothing, and more. How can I assist you further?",
  order_status: "Please provide your order ID, and I will check the status for you.",
  shipping_info: "We offer various shipping methods including standard, express, and next-day delivery. Shipping times depend on the method chosen and your location.",
  return_policy: "Our return policy allows you to return products within 30 days of purchase. Please visit our returns page for detailed instructions.",
  payment_methods: "We accept multiple payment methods including credit/debit cards, PayPal, and bank transfers. Please choose the method that suits you best at checkout.",
  support_contact: "You can contact our support team via email at support@example.com or call us at 1-800-123-4567.",
  business_hours: "Our business hours are Monday to Friday, 9 AM to 5 PM. We are closed on weekends and public holidays."
};

module.exports = { responses };

로그인 후 복사

TensorFlow 및 문장 인코더 로드

chatbot.js라는 기본 스크립트 파일을 생성하고 필요한 라이브러리와 모델을 로드합니다. 범용 문장 인코더 모델을 비동기식으로 로드하고 모델이 로드되면 챗봇을 시작합니다.

// chatbot.js
const tf = require('@tensorflow/tfjs');
const use = require('@tensorflow-models/universal-sentence-encoder');
const { intents } = require('./intents');
const { responses } = require('./responses');
const readline = require('readline');

// Load the Universal Sentence Encoder model
let model;
use.load().then((loadedModel) => {
  model = loadedModel;
  console.log("Model loaded");
  startChatbot();
});

로그인 후 복사

의도 인식 구현

사용자 입력 의도를 인식하는 기능을 추가하고, 범용 인코더를 사용하여 사용자 입력을 고차원 벡터에 삽입한 다음 의도를 기반으로 가장 높은 유사도 점수를 추적합니다.

async function recognizeIntent(userInput) {
  const userInputEmb = await model.embed([userInput]);
  let maxScore = -1;
  let recognizedIntent = null;

  for (const [intent, examples] of Object.entries(intents)) {
    // Embedding the example phrases for each intent & Calculating similarity scores between the user input embedding and the example embeddings
    const examplesEmb = await model.embed(examples);
    const scores = await tf.matMul(userInputEmb, examplesEmb, false, true).data();
    const maxExampleScore = Math.max(...scores);
    if (maxExampleScore > maxScore) {
      maxScore = maxExampleScore;
      recognizedIntent = intent;
    }
  }
  return recognizedIntent;
}

로그인 후 복사

응답 생성

인식된 의도를 기반으로 응답을 생성하는 기능을 추가합니다.

async function generateResponse(userInput) {
  const intent = await recognizeIntent(userInput);
  if (intent && responses[intent]) {
    return responses[intent];
  } else {
    return "I'm sorry, I don't understand that. Can you please rephrase?";
  }
}

로그인 후 복사

챗봇 상호작용 구현

마지막으로 명령줄에서 사용자 입력을 읽고 사용자에게 입력을 요청하고 그에 따라 응답을 생성하기 위한 인터페이스를 설정하여 챗봇과의 상호 작용 루프를 구현합니다.

function startChatbot() {
  const rl = readline.createInterface({
    input: process.stdin,
    output: process.stdout
  });

  console.log("Welcome to the customer service chatbot! Type 'quit' to exit.");
  rl.prompt();

  rl.on('line', async (line) => {
    const userInput = line.trim();
    if (userInput.toLowerCase() === 'quit') {
      console.log("Chatbot: Goodbye!");
      rl.close();
      return;
    }

    const response = await generateResponse(userInput);
    console.log(`Chatbot: ${response}`);
    rl.prompt();
  });
}

로그인 후 복사

chatbot.js의 완성된 코드는 다음과 같습니다.

// chatbot.js

const tf = require('@tensorflow/tfjs');
const use = require('@tensorflow-models/universal-sentence-encoder');
const { intents } = require('./intents');
const { responses } = require('./responses');
const readline = require('readline');

// Load the Universal Sentence Encoder model
let model;
use.load().then((loadedModel) => {
  model = loadedModel;
  console.log("Model loaded");
  startChatbot();
});

async function recognizeIntent(userInput) {
  const userInputEmb = await model.embed([userInput]);
  let maxScore = -1;
  let recognizedIntent = null;

  for (const [intent, examples] of Object.entries(intents)) {
    const examplesEmb = await model.embed(examples);
    const scores = await tf.matMul(userInputEmb, examplesEmb, false, true).data();
    const maxExampleScore = Math.max(...scores);
    if (maxExampleScore > maxScore) {
      maxScore = maxExampleScore;
      recognizedIntent = intent;
    }
  }

  return recognizedIntent;
}

async function generateResponse(userInput) {
  const intent = await recognizeIntent(userInput);
  if (intent && responses[intent]) {
    return responses[intent];
  } else {
    return "I'm sorry, I don't understand that. Can you please rephrase?";
  }
}

function startChatbot() {
  const rl = readline.createInterface({
    input: process.stdin,
    output: process.stdout
  });

  console.log("Welcome to the customer service chatbot! Type 'quit' to exit.");
  rl.prompt();

  rl.on('line', async (line) => {
    const userInput = line.trim();
    if (userInput.toLowerCase() === 'quit') {
      console.log("Chatbot: Goodbye!");
      rl.close();
      return;
    }

    const response = await generateResponse(userInput);
    console.log(`Chatbot: ${response}`);
    rl.prompt();
  });
}

로그인 후 복사

챗봇을 실행하려면 chatbot.js 파일을 실행하세요:
```
node chatbot.js
```
로그인 후 복사

짜잔! 명령 출력에는 챗봇이 실행되어야 합니다.

How to Build a Basic Chatbot Using TensorFlow and JavaScript

결론

이 기사에서는 TensorFlow와 JavaScript를 사용하여 간단한 고객 서비스 챗봇을 구축했습니다. 이 구현은 기본적이지만 보다 정교한 챗봇을 구축하기 위한 견고한 기반을 제공합니다. AXIOS를 사용하여 API를 통합하거나 더 많은 인텐트와 응답을 추가하거나 웹 플랫폼에 배포하여 이 프로젝트를 확장할 수 있습니다.

즐거운 코딩하세요!

?? 나에 대해 자세히 알아보세요

?? LinkedIn에 연결

?? 내 블로그 구독

위 내용은 TensorFlow와 JavaScript를 사용하여 기본 챗봇을 구축하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!