想聊天？自己搭建个聊天机器人吧！

1、聊天机器人的“前世今生”

在 1964 年至 1966 年间，麻省理工学院人工智能实验室的德裔美国计算机科学家约瑟夫·维森鲍姆（Joseph Weizenbaum）开发了历史上第一个聊天机器人 —— Eliza。

Eliza 的名字源于爱尔兰剧作家萧伯纳的戏剧作品《卖花女》中的角色，剧中出身贫寒的卖花女 Eliza 通过学习与上流社会沟通的方式，变成大使馆舞会上人人艳羡的“匈牙利王家公主”。作为世界上第一个聊天机器人，Eliza 被其作者赋予了充满戏剧性的内涵。

尽管在当时已经存在一些基本的数字语言生成器（可以输出一些连贯文本的程序），但 Eliza 是第一个明确设计用于与人互动的程序。用户可以使用打字机输入人类的自然语言，获得来自机器的响应。正如维森鲍姆解释的那样，Eliza 使“人与计算机之间的对话成为可能 ”。 

随着深度学习技术的不断发展，聊天机器人变得越来越智能。我们可以通过机器人来完成一些机械性的问答工作，也可以在闲暇时和智能机器人进行对话，他们的出现让生活变得更丰富多彩。如今通过飞桨与 Wechaty 的结合就可实现一个简单的聊天机器人。

如下图就是基于 PaddleHub + Wechaty 的微信闲聊机器人 demo。通过 Wechaty 获取微信接收的消息，然后使用PaddleHub的 plato-mini 模型根据对话的上下文生成新的对话文本，最终以微信消息的形式发送，实现闲聊的交互。

下图是基于 PaddleNLP + Wechaty 的微信情感识别机器人 demo。通过 Wechaty 获取微信接收的消息，然后使用PaddleNLP 的 TextCNN 模型对输入的文本进行情感判断，最终以微信消息的形式返回，实现对文本情感的识别。

感兴趣的同学可参照此 demo 在自己微信上实现一个情感识别机器人哦～

Demo 链接：

https://github.com/mawenjie8731/paddlenlp-wechaty-demo

今天我们要带大家使用飞桨PaddleNLP 实现诗歌的对答和一个简单的闲聊机器人，一起来吧！

2、快速实践

PaddleNLP 针对生成式任务提供了 generate()函数，内嵌于PaddleNLP 所有的生成式模型。支持 Greedy Search、Beam Search 和 Sampling 解码策略，用户只需指定解码策略以及相应的参数即可完成预测解码，得到生成的 sequence 的 token ids 以及概率得分。

GPT 模型使用生成 API 的小示例

1.加载 paddlenlp.transformers.GPTChineseTokenizer 用于数据处理

文本数据在输入预训练模型之前，需要经过数据处理转化为 Feature。这一过程通常包括分词，token to id，add special token 等步骤。

PaddleNLP 对于各种预训练模型已经内置了相应的 tokenizer，指定想要使用的模型名字即可加载对应的 tokenizer。

调用 GPTChineseTokenizer 的__call__方法即可将我们说的话转为模型可接受的输入。

from paddlenlp.transformers import GPTChineseTokenizer# 设置想要使用模型的名称model_name = 'gpt-cpm-small-cn-distill'tokenizer = GPTChineseTokenizer.from_pretrained(model_name)

import paddleuser_input = "花间一壶酒，独酌无相亲。举杯邀明月，"# 将文本转为idsinput_ids = tokenizer(user_input)['input_ids']print(input_ids)# 将转换好的id转为tensorinput_ids = paddle.to_tensor(input_ids, dtype='int64').unsqueeze(0)

2.使用PaddleNLP 一键加载预训练模型

PaddleNLP 提供了 GPT,UnifiedTransformer 等中文预训练模型，可以通过预训练模型名称完成一键加载。

GPT 以 Transformer Decoder 的编码器为网络基本组件，采用单向注意力机制，适用于长文本生成任务。

PaddleNLP 目前提供多种中英文 GPT 预训练模型，我们这次用的是一个小的中文 GPT 预训练模型。

from paddlenlp.transformers import GPTLMHeadModel# 一键加载中文GPT模型model = GPTLMHeadModel.from_pretrained(model_name)

# 调用生成API升成文本ids, scores = model.generate(                input_ids=input_ids,                max_length=16,                min_length=1,                decode_strategy='greedy_search')

generated_ids = ids[0].numpy().tolist()#使用tokenizer将生成的id转为文本generated_text = tokenizer.convert_ids_to_string(generated_ids)print(generated_text)对影成三人。

可以看到生成的效果还不错，生成式 API 的用法也是非常的简便。

UnifiedTransformer  模型和生成式 API 完成闲聊对话

1.加载paddlenlp.transformers.UnifiedTransformerTokenizer 用于数据处理

UnifiedTransformerTokenizer 的调用方式与 GPT 相同，但数据处理的 API 略有不同。

调用 UnifiedTransformerTokenizer 的 dialogue_encode 方法即可将我们说的话转为模型可接受的输入。

from paddlenlp.transformers import UnifiedTransformerTokenizer# 设置想要使用模型的名称model_name = 'plato-mini'tokenizer = UnifiedTransformerTokenizer.from_pretrained(model_name)

user_input = ['你好啊，你今年多大了']# 调用dialogue_encode方法生成输入encoded_input = tokenizer.dialogue_encode(                    user_input,                    add_start_token_as_response=True,                    return_tensors=True,                    is_split_into_words=False)

2.使用PaddleNLP 一键加载预训练模型

与 GPT 相同，我们可以一键调用 UnifiedTransformer 预训练模型。

UnifiedTransformer 以 Transformer 的编码器为网络基本组件，采用灵活的注意力机制，并在模型输入中加入了标识不同对话技能的 special token，使得模型能同时支持闲聊对话、推荐对话和知识对话。

PaddleNLP 目前为 UnifiedTransformer 提供了三个中文预训练模型：

• unified_transformer-12L-cn 该预训练模型是在大规模中文会话数据集上训练得到的。

• unified_transformer-12L-cn-luge 该预训练模型是 unified_transformer-12L-cn 在千言对话数据集上进行微调得到的。

• plato-mini 该模型使用了十亿级别的中文闲聊对话数据进行预训练。

from paddlenlp.transformers import UnifiedTransformerLMHeadModelmodel = UnifiedTransformerLMHeadModel.from_pretrained(model_name)

下一步我们将处理好的输入传入 generate 函数，并配置解码策略。

这里我们使用的是 TopK 加 sampling 的解码策略。即从概率最大的 k 个结果中按概率进行采样。

ids, scores = model.generate(                input_ids=encoded_input['input_ids'],                token_type_ids=encoded_input['token_type_ids'],                position_ids=encoded_input['position_ids'],                attention_mask=encoded_input['attention_mask'],                max_length=64,                min_length=1,                decode_strategy='sampling',                top_k=5,                num_return_sequences=20)

from utils import select_response

简单根据概率选取最佳回复

result = select_response(ids, scores, tokenizer, keep_space=False, num_return_sequences=20)print(result)['你好啊,我今年23岁了']

PaddleNLP 的 example 中提供了搭建完整对话系统的代码（人机交互），感兴趣可以去终端里尝试一下哦～

人机交互地址：

https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/dialogue/unified_transformer#%E4%BA%BA%E6%9C%BA%E4%BA%A4%E4%BA%92

3、动手试一试

是不是觉得很有趣呀。小编强烈建议初学者参考上面的代码亲手敲一遍，因为只有这样，才能加深你对代码的理解呦。

本次项目对应的代码：

https://aistudio.baidu.com/aistudio/projectdetail/2017173

更多PaddleNLP 信息，欢迎访问 GitHub 点 star 收藏后体验：

https://github.com/PaddlePaddle/PaddleNLP

推荐阅读：

百度AI原生云实践: 基于容器云打造 AI 开发基础设施

5届奥运会照片表情分析显示，运动员拿铜牌比拿银牌更可能在领奖台上微笑

【有奖提问】开发者中心问答 邀你出题！