智能客服系统实现过程-指南

最新推荐文章于 2024-06-29 16:54:14 发布
最新推荐文章于 2024-06-29 16:54:14 发布
阅读量795 收藏 10
点赞数 34
文章标签： python flask oneapi 算法 人工智能 机器学习 交互
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44067082/article/details/140015847
版权

智能客服系统实现步骤

  1. 初始化项目：

    • 创建项目目录和必要的文件。
    • 安装所需的 Python 包：Flask、sqlite3、openai、redis、numpy、scikit-learn、python-dotenv 等。

  2. 配置数据库和缓存：

    • 使用 SQLite 作为数据库存储问答对和用户问题。
    • 使用 Redis 作为缓存，提升查询效率。

  3. 定义 Flask 应用：

    • 创建 Flask 应用并配置路由。
    • 实现处理用户问题的 API 端点。

  4. 实现核心功能：

    • 编码用户问题。
    • 查找相似问题。
    • 保存用户问题。
    • 动态添加新的问答对。
    • 提供热门词汇查询。

代码实现

1. 初始化项目

创建 app.py 文件并安装相关包：

pip install Flask sqlite3 openai redis numpy scikit-learn python-dotenv
2. 配置数据库和缓存

在项目根目录创建 .env 文件，并在其中添加 OpenAI API 密钥：

OPENAI_API_KEY=your_openai_api_key

创建初始化数据库的脚本 init_db.py：

import sqlite3

conn = sqlite3.connect('qa_corpus.db')
cursor = conn.cursor()

# 创建QA语料库表
cursor.execute('''
CREATE TABLE IF NOT EXISTS qa_corpus (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    question TEXT NOT NULL,
    answer TEXT NOT NULL
)
''')

# 创建用户问题表
cursor.execute('''
CREATE TABLE IF NOT EXISTS user_questions (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    question TEXT NOT NULL,
    resolved BOOLEAN NOT NULL
)
''')

conn.commit()
conn.close()

运行 init_db.py 初始化数据库：

python init_db.py
3. 定义 Flask 应用

在 app.py 中定义 Flask 应用和路由：

from flask import Flask, request, jsonify
import sqlite3
import redis
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import os
from dotenv import load_dotenv
import openai

# 加载环境变量
load_dotenv()

# 配置 Flask 应用
app = Flask(__name__)

# 配置 Redis 连接
redis_client = redis.Redis(host='localhost', port=6379, db=0)

# 配置 OpenAI API 密钥
openai.api_key = os.getenv("OPENAI_API_KEY")

# 配置 SQLite 数据库连接
DATABASE = 'qa_corpus.db'

# 获取数据库连接
def get_db_connection():
    conn = sqlite3.connect(DATABASE)
    conn.row_factory = sqlite3.Row
    return conn

# 缓存语料库
def cache_corpus():
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('SELECT * FROM qa_corpus')
    corpus = cursor.fetchall()
    conn.close()
    
    corpus_dict = {row['id']: {'question': row['question'], 'answer': row['answer']} for row in corpus}
    
    # 将语料库缓存到 Redis
    redis_client.set('qa_corpus', corpus_dict)

# 获取缓存的语料库
def get_cached_corpus():
    corpus = redis_client.get('qa_corpus')
    if corpus:
        return corpus
    else:
        cache_corpus()
        return redis_client.get('qa_corpus')
4. 实现核心功能
编码用户问题

# 编码用户问题
def encode_question(question):
    # 使用 OpenAI 模型对问题进行编码
    response = openai.Embedding.create(input=[question], model="text-embedding-ada-002")
    embedding = response['data'][0]['embedding']
    return np.array(embedding)
查找相似问题

# 查找相似问题
def find_similar_question(encoded_question, corpus):
    questions = [qa['question'] for qa in corpus.values()]
    
    # 使用Tf-idf进行特征编码
    vectorizer = TfidfVectorizer().fit_transform(questions)
    vectors = vectorizer.toarray()
    
    # 计算相似度
    similarities = cosine_similarity([encoded_question], vectors)
    most_similar_index = np.argmax(similarities)
    most_similar_id = list(corpus.keys())[most_similar_index]
    similarity = similarities[0][most_similar_index]
    
    return most_similar_id, similarity
保存用户问题
# 保存用户问题到数据库
def save_user_question(question, resolved):
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('INSERT INTO user_questions (question, resolved) VALUES (?, ?)', (question, resolved))
    conn.commit()
    conn.close()
处理用户问题的 API 端点

@app.route('/ask', methods=['POST'])
def ask_question():
    user_question = request.json.get('question')
    
    # 对用户问题进行编码
    encoded_question = encode_question(user_question)
    corpus = get_cached_corpus()
    similar_question_id, similarity = find_similar_question(encoded_question, corpus)
    
    # 返回相似问题的答案或默认回复
    if similarity >= 0.8:
        answer = corpus[similar_question_id]['answer']
        response = {'answer': answer, 'similarity': similarity}
    else:
        response = {'answer': '对不起，我无法理解您的问题。', 'similarity': similarity}
    
    # 保存用户问题到数据库
    save_user_question(user_question, similarity >= 0.8)
    
    return jsonify(response)
动态添加新的问答对的 API 端点

@app.route('/add_question', methods=['POST'])
def add_question():
    question = request.json.get('question')
    answer = request.json.get('answer')
    
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('INSERT INTO qa_corpus (question, answer) VALUES (?, ?)', (question, answer))
    conn.commit()
    conn.close()
    
    # 更新缓存
    cache_corpus()
    
    return jsonify({'status': 'success', 'message': '问题已成功添加到语料库中。'})
获取热门词汇的 API 端点

@app.route('/hot_words', methods=['GET'])
def hot_words():
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('SELECT question FROM user_questions')
    questions = cursor.fetchall()
    conn.close()
    
    # 分词和统计词频
    all_words = ' '.join([q['question'] for q in questions]).split()
    word_freq = {word: all_words.count(word) for word in set(all_words)}
    sorted_word_freq = sorted(word_freq.items(), key=lambda item: item[1], reverse=True)
    
    return jsonify({'hot_words': sorted_word_freq[:10]})

运行 Flask 应用

确保在启动应用之前，已经正确配置了 Redis，并且已经初始化了 SQLite 数据库。

if __name__ == '__main__':
    # 首次启动时缓存语料库
    cache_corpus()
    app.run(host='0.0.0.0', port=5000)

部署和测试

部署
  1. 确保安装并配置 Redis。
  2. 初始化 SQLite 数据库（运行 init_db.py）。
  3. 设置 OpenAI API 密钥（在 .env 文件中或环境变量中）。
  4. 运行 Flask 应用：python app.py。
测试

可以使用 curl 或 Postman 来测试 API 端点

  • curl -X POST http://localhost:5000/ask -H "Content-Type: application/json" -d '{"question": "你们的营业时间是？"}'

  • curl -X POST http://localhost:5000/add_question -H "Content-Type: application/json" -d '{"question": "你们的营业时间是？", "answer": "我们每天早上9点到晚上9点营业。"}'

  • curl http://localhost:5000/hot_words

代码详解

获取数据库连接

def get_db_connection():
    # 创建并返回一个 SQLite 数据库连接
    conn = sqlite3.connect(DATABASE)
    conn.row_factory = sqlite3.Row  # 使查询结果以字典形式返回
    return conn
缓存语料库

def cache_corpus():
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('SELECT * FROM qa_corpus')
    corpus = cursor.fetchall()
    conn.close()
    
    # 将语料库转换为字典形式
    corpus_dict = {row['id']: {'question': row['question'], 'answer': row['answer']} for row in corpus}
    
    # 将语料库缓存到 Redis
    redis_client.set('qa_corpus', corpus_dict)

获取缓存的语料库

def get_cached_corpus():
    # 从 Redis 获取缓存的语料库
    corpus = redis_client.get('qa_corpus')
    if corpus:
        return corpus
    else:
        # 如果缓存不存在，重新缓存语料库
        cache_corpus()
        return redis_client.get('qa_corpus')
编码用户问题

def encode_question(question):
    # 使用 OpenAI 模型对问题进行编码
    response = openai.Embedding.create(input=[question], model="text-embedding-ada-002")
    embedding = response['data'][0]['embedding']
    return np.array(embedding)
查找相似问题

def find_similar_question(encoded_question, corpus):
    # 从语料库中提取所有问题
    questions = [qa['question'] for qa in corpus.values()]
    
    # 使用Tf-idf进行特征编码
    vectorizer = TfidfVectorizer().fit_transform(questions)
    vectors = vectorizer.toarray()
    
    # 计算用户问题与语料库中问题的相似度
    similarities = cosine_similarity([encoded_question], vectors)
    most_similar_index = np.argmax(similarities)
    most_similar_id = list(corpus.keys())[most_similar_index]
    similarity = similarities[0][most_similar_index]
    
    return most_similar_id, similarity
保存用户问题

def save_user_question(question, resolved):
    # 将用户问题保存到数据库
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('INSERT INTO user_questions (question, resolved) VALUES (?, ?)', (question, resolved))
    conn.commit()
    conn.close()

API 端点实现

处理用户问题的 API 端点

@app.route('/ask', methods=['POST'])
def ask_question():
    user_question = request.json.get('question')
    
    # 对用户问题进行编码
    encoded_question = encode_question(user_question)
    corpus = get_cached_corpus()
    similar_question_id, similarity = find_similar_question(encoded_question, corpus)
    
    # 返回相似问题的答案或默认回复
    if similarity >= 0.8:
        answer = corpus[similar_question_id]['answer']
        response = {'answer': answer, 'similarity': similarity}
    else:
        response = {'answer': '对不起，我无法理解您的问题。', 'similarity': similarity}
    
    # 保存用户问题到数据库
    save_user_question(user_question, similarity >= 0.8)
    
    return jsonify(response)
动态添加新的问答对的 API 端点

@app.route('/add_question', methods=['POST'])
def add_question():
    question = request.json.get('question')
    answer = request.json.get('answer')
    
    # 将新的问答对插入到数据库
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('INSERT INTO qa_corpus (question, answer) VALUES (?, ?)', (question, answer))
    conn.commit()
    conn.close()
    
    # 更新缓存
    cache_corpus()
    
    return jsonify({'status': 'success', 'message': '问题已成功添加到语料库中。'})
获取热门词汇的 API 端点

@app.route('/hot_words', methods=['GET'])
def hot_words():
    conn = get_db_connection()
    cursor = conn.cursor()
    cursor.execute('SELECT question FROM user_questions')
    questions = cursor.fetchall()
    conn.close()
    
    # 分词和统计词频
    all_words = ' '.join([q['question'] for q in questions]).split()
    word_freq = {word: all_words.count(word) for word in set(all_words)}
    sorted_word_freq = sorted(word_freq.items(), key=lambda item: item[1], reverse=True)
    
    return jsonify({'hot_words': sorted_word_freq[:10]})

运行 Flask 应用

确保在启动应用之前，已经正确配置了 Redis，并且已经初始化了 SQLite 数据库。

if __name__ == '__main__':
    # 首次启动时缓存语料库
    cache_corpus()
    app.run(host='0.0.0.0', port=5000)

部署和测试

部署

  1. 安装 Redis：

    • 在本地或服务器上安装并启动 Redis 服务。可以参考 Redis 官方文档进行安装：Redis 安装指南
  2. python init_db.py

  3. 设置 OpenAI API 密钥：

    • 在项目根目录创建 .env 文件，并添加你的 OpenAI API 密钥。

    OPENAI_API_KEY=your_openai_api_key

  4. python app.py
测试

可以使用 curl 或 Postman 来测试 API 端点

  • curl -X POST http://localhost:5000/ask -H "Content-Type: application/json" -d '{"question": "你们的营业时间是？"}'

    响应示例：

    json

    {
    "answer": "我们每天早上9点到晚上9点营业。",
    "similarity": 0.95
}

  • curl -X POST http://localhost:5000/add_question -H "Content-Type: application/json" -d '{"question": "你们的营业时间是？", "answer": "我们每天早上9点到晚上9点营业。"}'

    响应示例：

    json

    {
    "status": "success",
    "message": "问题已成功添加到语料库中。"
}

  • curl http://localhost:5000/hot_words

    响应示例：

    json

      
    {
    "hot_words": [
        ["营业时间", 5],
        ["你们", 4],
        ["是", 3],
        ["什么", 2],
        ["时间", 2],
        ["几点", 1],
        ["到", 1],
        ["晚上", 1],
        ["早上", 1],
        ["我们", 1]
    ]
}

代码模块的作用及其好处

  1. 数据库模块：

    • 作用：存储和管理问答对及用户问题。
    • 好处：持久化存储数据，确保数据的可靠性和一致性。

  2. 缓存模块：

    • 作用：使用 Redis 缓存问答对，提升查询效率。
    • 好处：减少数据库查询次数，提高系统响应速度。

  3. 编码模块：

    • 作用：使用 OpenAI 模型对用户问题进行编码。
    • 好处：将自然语言转化为向量表示，便于相似度计算。

  4. 相似度计算模块：

    • 作用：计算用户问题与语料库中问题的相似度。
    • 好处：找到最相似的问题，提供相关答案，提高用户满意度。

  5. API 模块：

    • 作用：提供处理用户问题、添加新问答对、获取热门词汇的 API 接口。
    • 好处：通过标准接口与前端或其他系统集成，提升系统的可扩展性和易用性。

小结

通过上述步骤，我们构建了一个简单的智能客服系统。该系统能够处理用户提问、添加新的问答对，并提供热门词汇查询功能。每个模块的实现都经过详细的解释，确保代码易于理解和维护。希望这些内容对你有所帮助！

gpt4简单就能用
关注
python 智能客服_智能客服 对话实现--python aiml包
weixin_39610366的博客
12-04 1281
利用了python的aiml包进行应答什么是AIML？AIML是Richard Wallace开发的。 他开发了一个叫A.L.I.C.E(Artificial Linguistics Internet Computer Entity)的机器人并且赢了几个人工智能的奖项。 有趣的是， 其中一个图灵测试是让一个人在文本界面跟一个机器人聊几分钟，看看人们是否认为它是个人类。 AIML是一种定义了匹配模式...
Ai智能客服系统在线客服源码 多语言 支持20国语言ai智能客服PHP源码
08-23
总的来说，这款AI智能客服系统在线客服源码提供了一个强大且灵活的平台，帮助企业快速构建起智能化的客户服务系统。通过深度利用其多语言特性，结合独立部署的优势，企业不仅可以提高服务质量，还能进一步优化运营...
AI场景落地之：快速搭建企业智能客服
最新发布
python1222_的博客
06-29 1444
企业智能客服可以大大简化企业的客服成本，也是企业AI应用落地的一个主要场景，本篇内容我们围绕智能客服相关的几个需求来进行阐述如何通过ThinkBot启智来快速搭建一个实用的企业智能客服。启智2.0是一个基于大模型的AI应用构建引擎，提供企业 应用解决方案，可以连接业务系统快速构建企业AI智能体应用，无需开发即可轻松部署上线，并提供私有化部署方案。智能客服属于企业AI智能体的一个典型和成熟应用场景之一，对于这个场景企业通常比较关心的问题主要包含：下面我们就来分别对以上问题进行一些阐述。要提供企业的智能客服服
如何用Python实现智能客服问答系统
2401_83470102的博客
04-26 750
随着人工智能技术的不断进步，相信智能客服问答系统将在未来发挥越来越重要的作用，为企业和用户带来更加便捷和高效的服务体验。Python作为一种功能强大且易于上手的编程语言，在智能客服问答系统的实现中扮演着重要的角色。-机器学习库：Python的Scikit-learn库提供了多种机器学习算法的实现，如朴素贝叶斯、支持向量机等，可以用于构建问题分类模型。-文本处理库：Python的开源库如NLTK、spaCy等提供了丰富的文本处理功能，可以帮助用户进行文本清洗、分词、词性标注等操作。
智能电话客服机器人的交互流程
AI_wx_3307623172的博客
04-12 2869
就目前来说语音对话形式的智能客服机器人已经越来越多。人们想要处理什么事情，电话打到客服中心大多数的第一站是智能客服机器人，实在复杂的才有可能会交给人工客服处理。那么你知道智能电话客服机器人是怎么交互的吗？ 从交互形式来划分，智能客服包括纯语音（如联信志诚智能客服机器人），纯文本（如小冰），纯可视化界面（如一些电商的客服，完全通过界面交互来完成对话）。交互形式没有好坏，这一点同非AI产品一样，根据用户使用场景选择最合适的形式即可。 从产品定义出发，智能客服类产品，最根本的价值在于以低成本取代人工客服工作中大
智能客服系统
superzhaoyy的博客
09-19 3034
智能客服系统 https://sandboxbot.4paradigm.com/admin/login
小白入手实现AI客服机器人demo
baiyang_ywz的专栏
06-17 776
【代码】小白入手实现AI客服机器人demo。
零成本、零代码搭建一个智能微信客服，保姆级教程
qq_31857297的博客
04-22 1913
原创 皇子 [皇子谈技术] 大家好，我是皇子。本次分享的主题是《零成本零代码搭建一个智能微信客服》
计算机毕业设计-Python语言开发的智能旅游推荐系统--论文-毕设源代码+说明文档.rar
03-09
**Python语言开发的智能旅游推荐系统：论文与源代码（含说明文档）.rar** **一、资源概述** ...总之，本资源为智能旅游推荐系统的设计和实现提供了一个完整的参考框架和实践指南，具有很高的实用价值和参考价值。
PMFWS-400精细化多功能智能焊接系统-可实现八种焊接方式 深圳华意隆电气股份有限公司.pdf
09-13
综上所述，PMFWS-400精细化多功能智能焊接系统展示了现代制造业对技术创新的追求，它不仅实现了八种焊接方式，满足多元化需求，而且通过智能系统和人工智能技术，提升了焊接工艺的智能化水平，降低了生产成本，增强...
WeLive免费开源智能在线客服系统 v5.3.0
10-22
WeLive5是一个企业级的在线客服系统, 程序小巧使用简单, 主要特点：1. PHP开发, 基于WebSocket通讯技术, 具有请求与推送全双工功效, 极速高效;2. 访客窗口多达5种配色方案，同时支持移动和PC端, 中英文双语自由切换, 对外贸易业务更方便;3. 智能机器人自动回复功能, 即可设置客服系统为无人值守状态;4. 客服人员使用电脑或移动设备浏览器均可登录提供服务;5. 客服人员授权访客后可上传图片, 也可设置无需授权直接上传;6. 客服人员具有群聊功能, 管理员有特殊指令查看系统实时工作状态;7. 根据客服的挂起状态及其客人数自动分配客人;8. 客服操作窗口具有记录客人信息功能, 如1. PHP5.0或以上.2. MySQL5.0或以上.3. PHP Socket扩展(模块)已加载. 注: WeLive5是一个企业级的客服系统, 由于服务器配置, 防火墙设置等因素, 可能法正常连接, 但均可以调试成功安装和正常使用。推荐本地电脑安装Wamp Server集成PHP开发环境，测试使用WeLive，非常方便。WeLive5.3.0主要更新如下：1. 支持在新窗口打开WeL
WeLive免费开源智能在线客服系统 v5.4.0
08-19
WeLive5是一个企业级的在线客服系统, 程序小巧使用简单, 主要特点： 1. PHP开发, 基于WebSocket通讯技术, 具有请求与推送全双工功效, 极速高效; 2. 访客窗口多达5种配色方案，同时支持移动
源码-开源版在线客服管理系统.zip
05-28
[源码]-开源版在线客服管理系统.zip
Python人工智能项目开发实战_提供客户服务的AI聊天机器人_优秀案例实例源代码源码.zip
06-23
由于能很好地提高用户体验,提供客户服务的智能聊天机器人近年来名声大噪。聊天机器人简化了线上表单填写和信息收集等烦琐任务,在现实应用中被广泛认可,已经在商业活动的各种交易场景中被频繁使用。聊天机器人的一个令人满意的特征是,能在当前对话语境中正确地响应用户的请求。
基于机智云的智能家居系统设计与实现.pdf
07-15
描述中提到的知识点涉及了智能家居系统设计与实现过程中的具体实施内容，包括系统核心控制芯片的选择、通信模块的集成、环境监测模块的设计、移动控制终端的软件设计等方面。 标签中所提及的行业数据、数据分析、...
智能队列监控系统-Intel-DevOp：英特尔-Udacity学历
02-11
这个系统旨在实时监控和分析队列服务，以识别潜在问题并采取相应措施，确保服务质量和客户满意度。 首先，我们需要理解DevOps的基本概念。DevOps是一种文化、实践和工具的集合，旨在加强开发（Development）和运维...
java 开源客服系统_一个开源的智能客服系统
weixin_35476730的博客
02-24 3714
原标题：一个开源的智能客服系统从7月21日的多轮对话设计器和智能问答引擎发布至今，Chatopera忙于升级全渠道智能客服系统：一个更适合中小型企业客户的客服系统，一个能更方便接入聊天机器人的客服系统，一个能支持语音渠道，完成呼叫中心业务的客服系统。在和客户一起打磨产品的过程中，我们相信开源是走向市场的一种方式，我们的产品是一条小鱼，它长不大是因为鱼缸太小，我们现在想把它投放到大海之中。智能客服系...
智能客服客户端程序开发
icenic的专栏
10-12 845
这个国庆节作死，答应别人在七天内做2个项目。智能客服项目是其中一个，当时是答应给隔壁兄弟团队做的。他们说实在搞不定了，节后要上线，我就因为随口说了一句：“这有什么难的”，结果祸从口出，这事情就落我头上了。 录音识别是智能客服大项目计划里面的一部分，简单说就是客户在跟用户聊天的时候，实时从声卡上抓取音频数据，然后发送给阿里云-智能语音交互识别成句子文本后，再发送给我们的智能客服助手服务器，生成提示...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值