最后一个聊天机器人受到了很多关注，阅读量破万（不到20行代码，用Python做了一个智能聊天机器人），A通过简单的代码就可以实现简单的聊天机器人。今天小编就带领大家利用自然语言处理技术和聊天机器人的结合，制作一个自动作诗的聊天机器人。1.原理介绍首先，要让机器自动写诗，就需要借助自然语言处理的手段，让机器学会理解“诗”，进而做出我们需要的诗。如何让机器“读懂”这首诗？我们在深度学习中使用了长短期记忆网络(LSTM)。有点晕，别着急，后面我们会用白话来解释。LSTM是循环神经网络(RNN)的变体。RNN可以很好地解决自然语言处理任务，但对于长依赖句表现不佳。例如：在上面的例子中，使用“was”还是“Were”取决于前面的单复数形式，但是由于“was”和“dog”之间的距离太远，RNN无法很好地解决这个问题。为了解决上述问题，引入了LSTM。为了更直观的说明，我在这里介绍一个不恰当的例子：比如我们在看电影，我们可以通过镜头的切换来了解故事的进展。而且随着故事的发展，我们会知道某些主角的性格、年龄、喜好等，这些不会随着镜头的切换立刻遗忘，这些都是长期记忆，当故事发生的时候在一个特定的场景中，比如下面这张喜气洋洋的图片：通过我们对这个动画的长时记忆，我们知道这是喜气洋洋的思维，而在这个镜头中，我们利用了“喜悦”的长时记忆思维动作”记忆，在这个镜头下需要用到的长期记忆称为“工作记忆”。2.大白话解释LSTM那么LSTM是如何工作的呢？1).首先，让LSTM学会遗忘。例如，当一个镜头结束时，LSTM应该忘记镜头的位置、时间或所有信息。但是如果恰好一个演员收到了饭盒，那么LSTM应该记住这个人已经收到过饭盒了。这和我们看电影的时候是一样的。我们会选择忘记一些记忆，保留我们需要的记忆。所以LSTM应该能够知道在有新的镜头输入时要记住什么和忘记什么。2).二是增加留存机制。当LSTM输入新的镜头信息时，LSTM应该学习什么样的信息值得使用和保存。然后根据前两者，当输入一个新的镜头时，LSTM会忘记那些不需要的长期记忆，然后学习输入的镜头中哪些是值得使用的，并将这些保存在长期记忆中。3).***有必要立即知道长时记忆的哪些点要被使用。比如我们在电影里看到一个人在写东西，那么我们可能会调用年龄的长时记忆（小学生可能在做作业，而大人可能会再写文案），但年龄信息可能不是与当前场景相关。4).所以LSTM只学习它需要注意的部分，而不是一次性使用所有的记忆。因此，LSTM可以很好地解决上述问题。下图是对LSTM非常形象的展示：3.实战机器人下面是实战环节。虽然LSTM效果很好，但是还是需要对数据进行预处理。LSTM需要把每一节经文处理成一样的长度，需要把汉字转成数字形式。那么如何预处理呢，主要分为3步：读入数据，我们搜集了很多诗歌数据，统计每个词出现的次数，将出现的次数作为每个汉字的id.在生成批量数据时，我们需要将每一节的长度统一为相同的长度。因此，对于不够长的句子，我们会用“*”来填充。所以在显示***效果时，可能会在诗句中出现“*”字样。数据预处理的部分代码如下图所示：上述代码主要完成以下步骤：1).首先读入数据，将大于100的句子长度缩短，删除100个字符后的部分。2).然后在每句的首尾加上'^'和'$'作为句子的符号。句长小于MIN_LENGTH的，直接删掉3).***统计处理后的诗的词数，统计每个词出现的次数，将出现的次数作为每个汉字的id.对于数据预处理部分的代码，我做了注释，方便大家理解，对我们理解数据处理和python语句有很大的帮助。对于模型训练，需要保证电脑中已经配置好tensorflow和numpy库。当模型训练完成后，我们就可以直接调用模型嵌入到我们的聊天机器人程序中，实现我们的聊天机器人（聊天机器人的介绍可以参考文末历史文章）。以下是部分代码展示：4.效果展示说了这么多，我们来看一些训练好的机器人写诗的效果。图A是造诗机器人的效果，机器人输出“请输入藏头诗提示：”，当我们输入藏头诗提示时，机器人就会造出符合我们要求的藏头诗。图B显示了“*”字符的存在。当然，由于中华文化博大精深，也受到训练数据的限制。当我们的藏杂音提示中有没有出现在训练数据中的字符时，机器人就会提示该字符不在字典中。图C中红色标出的部分，会处理异常情况，提示不在字典中！
