【自然语言处理】实验三：新冠病毒的FAQ问答系统

目录

前言

1.新建data_process.py

1.1导入包并定义功能模块1用来读取问题和答案FAQ的文件

1.2功能模块2：进行问题/问题列表处理（正则化，分词）

1.3功能模块3：处理输入的问题

1.4功能模块4：计算输入问题与问题列表之间的余弦相似度，选出相似度最大的问题的索引

2.新建faq_test.py

2.1获取问题列表和答案列表并对问题列表进行预处理

2.2进行FAQ问答系统测试

2.3结果展示

总结

---

🌈嗨！我是Filotimo__🌈。很高兴与大家相识，希望我的博客能对你有所帮助。

💡本文由Filotimo__✍️原创，首发于CSDN📚。

📣如需转载，请事先与我联系以获得授权⚠️。

🎁欢迎大家给我点赞👍、收藏⭐️，并在留言区📝与我互动，这些都是我前进的动力！

🌟我的格言：森林草木都有自己认为对的角度🌟。

前言

在信息时代，智能问答系统的应用越来越广泛，尤其是在疫情信息传播中，这类系统的作用尤为重要。

---

实验步骤：（新冠病毒的FAQ问答系统源码以及配套文件资源已上传）

1.新建data_process.py

1.1导入包并定义功能模块1用来读取问题和答案FAQ的文件

import re
import jieba
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

def read_corpus(file):
    with open(file, encoding='utf-8') as f:
        list = []
        lines = f.readlines()
        for i in lines:
            list.append(i)
    return list

`read_corpus` 函数负责从指定的文件中读取问题或答案。我们利用 `open` 函数打开文件，并逐行读取内容。每行内容被添加到列表中并最终返回。这一模块的功能比较简单，但它为后续的数据处理奠定了基础。

1.2功能模块2：进行问题/问题列表处理（正则化，分词）

def get_question_list(questions):
    if len(questions) == 1:  
        new_sent = re.sub(r'[^\w]', '', questions[0])
        new_sent = ''.join(e for e in new_sent if e.isalnum())
        new_sent = ' '.join(jieba.lcut(new_sent))
        return new_sent
    else:
        question_list = []
        for sentence in questions:  
            new_sent = re.sub(r'[^\w]', '', sentence)
            new_sent = ''.join(e for e in new_sent if e.isalnum())
            seg_list = ' '.join(jieba.lcut(new_sent))
            question_list.append(seg_list)
        return question_list

`get_question_list` 函数负责对问题进行正则化和分词处理。正则化过程主要是去除标点符号和非字母数字字符。分词则是将连续的文本拆分成有意义的词汇，这里使用了 `jieba` 库进行中文分词处理。根据输入的参数，函数可以处理单个问题或多个问题列表。

1.3功能模块3：处理输入的问题

def input_question_process(questions_list, input_ques):
    questions_list_use = questions_list.copy()
    input_ques = [input_ques]
    input_question = get_question_list(input_ques)
    questions_list_use.append(input_question)
    vectorizer = TfidfVectorizer()
    vectorizer_related_ques = vectorizer.fit_transform(questions_list_use)
    return vectorizer_related_ques

在 `input_question_process` 函数中，我们首先将用户输入的问题与已有的问题列表进行整合。然后使用 `TfidfVectorizer` 将文本转化为 TF-IDF 向量表示。TF-IDF（Term Frequency-Inverse Document Frequency）是一种常用的文本特征提取方法，它可以反映词汇在文档中的重要性。

1.4功能模块4：计算输入问题与问题列表之间的余弦相似度，选出相似度最大的问题的索引

def ques_idx_cosine_sim(input_ques, questions):
    score = []
    input_ques = (input_ques.toarray())[0]
    for question in questions:
        question = question.toarray()
        num = float(np.matmul(question, input_ques))
        denom = np.linalg.norm(question) * np.linalg.norm(input_ques)
        cos = num / (denom + 1e-3)
        score.append(cos)
    if max(score) < 0.1:
        print('对不起，本FAQ库中暂时没有与您的提问相关的内容，我们将努力改进！')
    else:
        best_idx = score.index(max(score))
        return best_idx

`ques_idx_cosine_sim` 函数计算用户输入的问题与问题列表中所有问题之间的余弦相似度。余弦相似度是衡量两个向量相似度的一种方法，它值域在 [-1, 1] 之间，值越大表示相似度越高。我们使用 `numpy` 库中的线性代数操作计算相似度，并从中选择最相似的问题索引。

2.新建faq_test.py

在faq_test.py部分，会将前面的功能模块整合，完成了一个简单的 FAQ 问答系统。系统的运行步骤如下：

1. 从文件中读取问题和答案。
2. 对问题进行预处理，得到处理后的问题列表。
3. 循环接收用户输入的问题，对输入问题进行处理，并计算其与 FAQ 问题的相似度。
4. 根据相似度选择最匹配的问题，并输出对应的答案。

2.1获取问题列表和答案列表并对问题列表进行预处理

questions = read_corpus('./data/questions.txt')
answers = read_corpus('./data/answers.txt')

questions_list = get_question_list(questions)

2.2进行FAQ问答系统测试

print('欢迎您使用FAQ问答系统...')
while True:
   
    input_ques = input('请输入您需要了解的新冠病毒问题(输入q退出系统)：\n')
    if input_ques == 'q':
        print('谢谢您的关注！')
        break
    else:
        
        ques_process = input_question_process(questions_list, input_ques)

        print('正在FAQ库中寻找答案，请稍等...')
        answer_idx = ques_idx_cosine_sim(ques_process[-1], ques_process[0:-1])
        if answer_idx is not None:
            print('亲，我们给您找到的答案如下: \n', answers[answer_idx])
            print('FAQ库中相似的问题：', questions[answer_idx])

2.3结果展示

---

总结

通过此次实验，我们成功构建了一个基于 Python 的新冠病毒 FAQ 问答系统。该系统实现了文本预处理、向量化、相似度计算等核心功能，能够有效地为用户提供相关的答案。