ChatterBot

当机器人训练师加载了一段数据，它会根据加载的数据构建会话机器人的知识图谱，过程如下：

1. 训练师类

• 使用列表数据训练

  chatterbot.trainers.ListTrainer (storage, ***kwargs*)

  示例1：

  from chatterbot.trainers import ListTrainer

  chatterbot = ChatBot("Training Example")
  chatterbot.set_trainer(ListTrainer)

  chatterbot.train([
      "Hi there!",
      "Hello",
  ])

  chatterbot.train([
      "Greetings!",
      "Hello",
  ])

示例2：

  chatterbot.train([
      "How are you?",
      "I am good.",
      "That is good to hear.",
      "Thank you",
      "You are welcome.",
  ])

示例1和示例2的区别在于，示例1有两个入口，而示例2有四个入口，也就是说，训练完成之后，当对示例1的机器人说『Hi there!』或者『Greetings!』均会返回『hello』，对示例2的机器人说列表中的前四句中的任意一句话，机器人都会返回相应的下一句。

• 使用语料库数据训练

  chatterbot.trainers.ChatterBotCorpusTrainer (storage, ***kwargs*)

  • 训练ChatterBot内嵌英文语料库

  from chatterbot.trainers import ChatterBotCorpusTrainer

  chatterbot = ChatBot("Training Example")
  chatterbot.set_trainer(ChatterBotCorpusTrainer)

  chatterbot.train(
      "chatterbot.corpus.english"
  )

• 训练ChatterBot内嵌部分语料库

  chatterbot.train(
      "chatterbot.corpus.english.greetings",
      "chatterbot.corpus.english.conversations"
  )

• 训练指定路径的语料库文件或者指定路径文件夹内的语料库

  chatterbot.train(
      "./data/greetings_corpus/custom.corpus.json",
      "./data/my_corpus/"
  )

• 使用Twitter的API接口训练

  chatterbot.trainers.TwitterTrainer (storage, ***kwargs*)

  参数：

  • random_seed_word - 首次查询使用的关键字，默认：random
  • twitter_consumer_key - 用户KEY
  • twitter_consumer_secret - 用户密钥
  • twitter_access_token_key - 访问token
  • twitter_access_token_secret - 访问密钥

  示例

  # -*- coding: utf-8 -*-
  from chatterbot import ChatBot
  from settings import TWITTER
  import logging


  '''
  This example demonstrates how you can train your chat bot
  using data from Twitter.

  To use this example, create a new file called settings.py.
  In settings.py define the following:

  TWITTER = {
      "CONSUMER_KEY": "my-twitter-consumer-key",
      "CONSUMER_SECRET": "my-twitter-consumer-secret",
      "ACCESS_TOKEN": "my-access-token",
      "ACCESS_TOKEN_SECRET": "my-access-token-secret"
  }
  '''

  # Comment out the following line to disable verbose logging
  logging.basicConfig(level=logging.INFO)

  chatbot = ChatBot(
      "TwitterBot",
      logic_adapters=[
          "chatterbot.logic.BestMatch"
      ],
      input_adapter="chatterbot.input.TerminalAdapter",
      output_adapter="chatterbot.output.TerminalAdapter",
      database="./twitter-database.db",
      twitter_consumer_key=TWITTER["CONSUMER_KEY"],
      twitter_consumer_secret=TWITTER["CONSUMER_SECRET"],
      twitter_access_token_key=TWITTER["ACCESS_TOKEN"],
      twitter_access_token_secret=TWITTER["ACCESS_TOKEN_SECRET"],
      trainer="chatterbot.trainers.TwitterTrainer"
  )

  chatbot.train()

  chatbot.logger.info('Trained database generated successfully!')

• 使用Ubuntu对话语料库训练

  chatterbot.trainers.UbuntuCorpusTrainer (storage, ***kwargs*)

  该训练师类会自动下载、解压语料库，如果已经存在下载文件，则不会重新下载，如果存在解压后的文件，也不会再次进行解压操作，由于Ubuntu的语料库文件较大，所以下载、解压、训练的过程会花费较长时间。

2. 创建自定义训练师类

现有的训练师不能正确识别数据源格式时，需要自己构建训练师类。自己构建的训练师类需要继承 chatterbot.trainers.Trainer类，并且需要实现train方法，参数可以自行定义。