需要源码和数据集请点赞关注收藏后评论区留言私信~~~

一、问答智能客服简介

QA问答是Question-and-Answer的缩写，根据用户提出的问题检索答案，并用用户可以理解的自然语言回答用户，问答型客服注重一问一答处理，侧重知识的推理。

从应用领域视角，可将问答系统分为限定域问答系统和开放域问答系统。

根据支持问答系统产生答案的文档库、知识库，以及实现的技术分类，可分为自然语言的数据库问答系统、对话式问答系统、阅读理解系统、基于常用问题集的问答系统、基于知识库的问答系统等。

智能问答客服功能架构

典型的问答系统包含问题输入 问题理解 信息检索 信息抽取 答案排序 答案生成和结果输出等，首先由用户提出问题，检索操作通过在知识库中查询得到相关信息，并依据特定规则从提取到的信息中抽取相应的候选答案特征向量，最后筛选候选答案结果输出给用户 

 智能问答客服框架

1： 问题处理 问题处理流程识别问题中包含的信息，判断问题的主题信息和主题范畴归属，比如是属于一般类问题还是属于特定主题类问题，然后提取与主题相关的关键信息，比如人物信息、地点信息和时间信息等。

2 ：问题映射 根据用户咨询的问题，进行问题映射消除歧义。通过字符串相似度匹配和同义词表等解决映射问题，根据需要执行拆分和合并操作。

3 ：查询构建 通过对输入问题进行处理，将问题转化为计算机可以理解的查询语言，然后查询知识图谱或者数据库，通过检索获得相应备选答案。

4 ：知识推理 根据问题属性进行推理，问题基本属性如果属于知识图谱或者数据库中的已知定义信息，则可以从知识图谱或者数据库中查找，直接返回答案。如果问题属性是未定义类问题，则需要通过机器算法推理生成答案。

5： 消岐排序 根据知识图谱中查询返回的一个或者多个备选答案，结合问题属性进行消歧处理和优先级排序，输出最佳答案。

二、智能医疗客服问答实战

定制性智能客服程序一般需要实现选择语料库，去除噪声信息后 根据算法对预料进行训练，最后提供人机接口问答对话，基于互联网获得的医学语料库，并通过余弦相似度基本原理，设计并开发以下问答型智能医疗客服应用程序

项目结构如下 

效果展示 

下面是csv文件中定义的一些病例

预先定义好的欢迎语句 

运行chatrobot文件  弹出以下窗口 输出问题后点击提交咨询即可  

对于语料库中没有的问题会自动推断给出答案（通常不太准确） 

 三、代码

部分代码如下 全部代码和数据集请点赞关注收藏后评论区留言私信

# -*- coding:utf-8 -*-from fuzzywuzzy import fuzzimport sysimport jiebaimport csvimport pickleprint(sys.getdefaultencoding())import loggingfrom fuzzywuzzy import fuzzimport mathfrom scipy import sparsefrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction.text import TfidfTransformerfrom scipy.sparse import lil_matrixfrom sklearn.naive_bayes import MultinomialNBimport warningsfrom tkinter import *import timeimport difflibfrom collections import Counterimport numpy as npfilename = 'label.csv'def tokenization(filename): corpus = [] label = [] question = [] answer = [] with open(filename, 'r', encoding="utf-8") as f: data_corpus = csv.reader(f) next(data_corpus) for words in data_corpus: word = jieba.cut(words[1]) tmp = '' for x in word: tmp += x corpus.append(tmp) question.append(words[1]) label.append(words[0]) answer.append(words[2]) with open('corpus.h5','wb') as f: pickle.dump(corpus,f) with open('label.h5','wb') as f: pickle.dump(label,f) with open('question.h5', 'wb') as f: pickle.dump(question, f) with open('answer.h5', 'wb') as f: pickle.dump(answer, f) return corpus,label,question,answerdef train_model(): with open('corpus.h5','rb') as f_corpus: corpus = pickle.load(f_corpus) with open('label.h5','rb') as f_label: label = pickle.load(f_label,encoding='bytes') vectorizer = CountVectorizer(min_df=1) transformer = TfidfTransformer() tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus)) words_frequency = vectorizer.fit_transform(corpus) word = vectorizer.get_feature_names() saved = tfidf_calculate(vectorizer.vocabulary_,sparse.csc_matrix(words_frequency),len(corpus)) model = MultinomialNB() model.fit(tfidf,label) with open('model.h5','wb') as f_model: pickle.dump(model,f_model) with open('idf.h5','wb') as f_idf: pickle.dump(saved,f_idf) return model,tfidf,label class tfidf_calculate(object): def __init__(self,feature_index,frequency,docs): self.feature_index = feature_index self.frequency = frequency self.docs = docs self.len = len(feature_index) def key_count(self,input_words): keys = jieba.cut(input_words) count = {} for key in keys: num = count.get(key, 0) count[key] = num + 1 return count def getTfidf(self,input_words): count = self.key_count(input_words) result = lil_matrix((1, self.len)) frequency = sparse.csc_matrix(self.frequency) for x in count: word = self.feature_index.get(x) if word != None and word>=0: word_frequency = frequency.getcol(word) feature_docs = word_frequency.sum() tfidf = count.get(x) * (math.log((self.docs+1) / (feature_docs+1))+1) result[0, word] = tfidf return result if __name__=="__main__": tokenization(filename) train_model()

创作不易 觉得有帮助请点赞关注收藏~~~