ਸੰਚਾਰ ਖੇਤਰ ਵਿੱਚ ਟੈਕਸਟ ਅਤੇ ਵਿਜ਼ੁਅਲਸ ਦੇ ਪੱਖ ਵਿੱਚ ਵਾਇਸ ਕਾਲਾਂ ਨੂੰ ਪੜਾਅਵਾਰ ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਫੇਸਬੁੱਕ ਪੋਲ ਦੇ ਅਨੁਸਾਰ, ਅੱਧੇ ਤੋਂ ਵੱਧ ਖਰੀਦਦਾਰ ਉਸ ਕੰਪਨੀ ਤੋਂ ਖਰੀਦਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ ਜਿਸ ਨਾਲ ਉਹ ਗੱਲ ਕਰ ਸਕਦੇ ਹਨ। ਚੈਟਿੰਗ ਸੰਚਾਰ ਦਾ ਨਵਾਂ ਸਮਾਜਕ ਤੌਰ 'ਤੇ ਸਵੀਕਾਰਯੋਗ ਢੰਗ ਬਣ ਗਿਆ ਹੈ।
ਇਹ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਕਿਸੇ ਵੀ ਸਮੇਂ ਅਤੇ ਕਿਸੇ ਵੀ ਸਥਾਨ ਤੋਂ ਆਪਣੇ ਗਾਹਕਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਚੈਟਬੋਟਸ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਵਿੱਚ ਅਸਾਨੀ ਅਤੇ ਘੱਟ ਉਡੀਕ ਸਮੇਂ ਦੇ ਕਾਰਨ ਕੰਪਨੀਆਂ ਅਤੇ ਗਾਹਕਾਂ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਸਿੱਧੀ ਪ੍ਰਾਪਤ ਕਰ ਰਹੇ ਹਨ।
ਚੈਟਬੋਟਸ, ਜਾਂ ਸਵੈਚਲਿਤ ਗੱਲਬਾਤ ਪ੍ਰੋਗਰਾਮ, ਕਲਾਇੰਟਸ ਨੂੰ ਟੈਕਸਟ-ਅਧਾਰਿਤ ਇੰਟਰਫੇਸ ਦੁਆਰਾ ਸੇਵਾਵਾਂ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਲਈ ਇੱਕ ਵਧੇਰੇ ਅਨੁਕੂਲਿਤ ਵਿਧੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਨਵੀਨਤਮ AI-ਸੰਚਾਲਿਤ ਚੈਟਬੋਟਸ ਇੱਕ ਖਾਸ ਵਾਤਾਵਰਣ ਵਿੱਚ ਇੱਕ ਵਿਅਕਤੀ (ਜਾਂ ਕਿਸੇ ਹੋਰ ਬੋਟ, ਸ਼ੁਰੂਆਤ) ਦੁਆਰਾ ਕੀਤੀ ਪੁੱਛਗਿੱਛ (ਸਵਾਲ, ਆਦੇਸ਼, ਆਦੇਸ਼, ਆਦਿ) ਨੂੰ ਪਛਾਣ ਸਕਦੇ ਹਨ ਅਤੇ ਉਚਿਤ ਢੰਗ ਨਾਲ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹਨ (ਜਵਾਬ, ਕਾਰਵਾਈ, ਆਦਿ)।
ਇਸ ਪੋਸਟ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਚੈਟਬੋਟਸ ਕੀ ਹਨ, ਉਹਨਾਂ ਦੇ ਲਾਭ, ਵਰਤੋਂ ਦੇ ਕੇਸ, ਅਤੇ ਆਪਣੇ ਖੁਦ ਦੇ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ ਡੂੰਘੀ ਸਿੱਖਿਆ ਪਾਈਥਨ ਵਿੱਚ ਚੈਟਬੋਟ, ਹੋਰ ਚੀਜ਼ਾਂ ਦੇ ਨਾਲ.
ਆਓ ਸ਼ੁਰੂ ਕਰੀਏ.
ਤਾਂ, ਚੈਟਬੋਟਸ ਕੀ ਹਨ?
ਇੱਕ ਚੈਟਬੋਟ ਨੂੰ ਅਕਸਰ ਮਨੁੱਖੀ-ਮਸ਼ੀਨ ਆਪਸੀ ਤਾਲਮੇਲ ਦੇ ਸਭ ਤੋਂ ਉੱਨਤ ਅਤੇ ਹੋਨਹਾਰ ਰੂਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਡਿਜੀਟਲ ਅਸਿਸਟੈਂਟ ਲੋਕਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਵਿਚਕਾਰ ਆਪਸੀ ਤਾਲਮੇਲ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾ ਕੇ ਗਾਹਕ ਅਨੁਭਵ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦੇ ਹਨ।
ਇਸਦੇ ਨਾਲ ਹੀ, ਉਹ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਲਈ ਗਾਹਕ ਸੰਪਰਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਨਵੇਂ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ ਰਵਾਇਤੀ ਸਹਾਇਤਾ ਖਰਚਿਆਂ ਨੂੰ ਕੱਟ ਸਕਦਾ ਹੈ।
ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ, ਇਹ AI-ਅਧਾਰਿਤ ਸੌਫਟਵੇਅਰ ਹੈ ਜੋ ਮਨੁੱਖਾਂ ਨਾਲ ਉਹਨਾਂ ਦੀਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਸੰਚਾਰ ਕਰਨ ਲਈ ਹੈ। ਇਹ ਚੈਟਬੋਟਸ ਅਕਸਰ ਆਡੀਓ ਜਾਂ ਲਿਖਤੀ ਤਕਨੀਕਾਂ ਰਾਹੀਂ ਗੱਲਬਾਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਹ ਮਨੁੱਖਾਂ ਨਾਲ ਮਨੁੱਖਾਂ ਨਾਲ ਜੁੜਨ ਲਈ ਆਸਾਨੀ ਨਾਲ ਮਨੁੱਖੀ ਭਾਸ਼ਾਵਾਂ ਦੀ ਨਕਲ ਕਰ ਸਕਦੇ ਹਨ।
ਚੈਟਬੋਟਸ ਉਪਭੋਗਤਾਵਾਂ ਨਾਲ ਉਹਨਾਂ ਦੇ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਤੋਂ ਸਿੱਖਦੇ ਹਨ, ਸਮੇਂ ਦੇ ਨਾਲ ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ ਅਤੇ ਕੁਸ਼ਲ ਬਣਦੇ ਹਨ. ਉਹ ਵਪਾਰਕ ਗਤੀਵਿਧੀਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਸੰਭਾਲ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਖਰਚ ਨੂੰ ਅਧਿਕਾਰਤ ਕਰਨਾ, ਉਪਭੋਗਤਾਵਾਂ ਨਾਲ ਔਨਲਾਈਨ ਜੁੜਣਾ, ਅਤੇ ਲੀਡ ਪੈਦਾ ਕਰਨਾ।
ਪਾਈਥਨ ਨਾਲ ਆਪਣਾ ਡੂੰਘੀ ਸਿਖਲਾਈ ਚੈਟਬੋਟ ਬਣਾਉਣਾ
ਦੇ ਖੇਤਰ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਵੱਖਰੀਆਂ ਕਿਸਮਾਂ ਦੇ ਚੈਟਬੋਟਸ ਹਨ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਏ.ਆਈ. ਕੁਝ ਚੈਟਬੋਟਸ ਵਰਚੁਅਲ ਅਸਿਸਟੈਂਟ ਹੁੰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਦੂਸਰੇ ਸਿਰਫ ਗੱਲਬਾਤ ਕਰਨ ਲਈ ਹੁੰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਦੂਸਰੇ ਗਾਹਕ ਸੇਵਾ ਏਜੰਟ ਹੁੰਦੇ ਹਨ।
ਤੁਸੀਂ ਸ਼ਾਇਦ ਪੁੱਛ-ਗਿੱਛ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਕਾਰੋਬਾਰਾਂ ਦੁਆਰਾ ਨਿਯੁਕਤ ਕੀਤੇ ਗਏ ਕੁਝ ਲੋਕਾਂ ਨੂੰ ਦੇਖਿਆ ਹੋਵੇਗਾ। ਅਸੀਂ ਅਕਸਰ ਬੇਨਤੀ ਕੀਤੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਇਸ ਟਿਊਟੋਰਿਅਲ ਵਿੱਚ ਇੱਕ ਛੋਟਾ ਚੈਟਬੋਟ ਬਣਾਵਾਂਗੇ।
1. ਪੈਕੇਜ ਇੰਸਟਾਲ ਕਰਨਾ
ਸਾਡਾ ਪਹਿਲਾ ਕਦਮ ਹੇਠਾਂ ਦਿੱਤੇ ਪੈਕੇਜਾਂ ਨੂੰ ਸਥਾਪਿਤ ਕਰਨਾ ਹੈ।
2. ਸਿਖਲਾਈ ਡੇਟਾ
ਹੁਣ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦਾ ਸਮਾਂ ਹੈ ਕਿ ਸਾਨੂੰ ਆਪਣੇ ਚੈਟਬੋਟ ਨੂੰ ਦੇਣ ਲਈ ਕਿਸ ਕਿਸਮ ਦੀ ਜਾਣਕਾਰੀ ਦੀ ਲੋੜ ਪਵੇਗੀ। ਸਾਨੂੰ ਕੋਈ ਵੀ ਵੱਡਾ ਡਾਟਾਸੈੱਟ ਡਾਊਨਲੋਡ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਸਧਾਰਨ ਚੈਟਬੋਟ ਹੈ।
ਅਸੀਂ ਸਿਰਫ਼ ਉਸ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ ਜੋ ਅਸੀਂ ਖੁਦ ਬਣਾਈ ਹੈ। ਪਾਠ ਦੇ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪਾਲਣਾ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦੇਖੇ ਗਏ ਫਾਰਮੈਟ ਦੇ ਨਾਲ ਇੱਕ .JSON ਫਾਈਲ ਬਣਾਉਣ ਦੀ ਲੋੜ ਪਵੇਗੀ। ਮੇਰੀ ਫਾਈਲ ਦਾ ਨਾਮ "intents.json" ਹੈ।
JSON ਫਾਈਲ ਦੀ ਵਰਤੋਂ ਸੁਨੇਹਿਆਂ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਸੰਭਾਵਿਤ ਜਵਾਬਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਇਨਪੁਟ ਅਤੇ ਮੈਪ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਫਾਈਲ ਵਿੱਚ ਹਰੇਕ ਡਿਕਸ਼ਨਰੀ ਵਿੱਚ ਇੱਕ ਟੈਗ ਹੁੰਦਾ ਹੈ ਜੋ ਇਹ ਪਛਾਣਦਾ ਹੈ ਕਿ ਹਰੇਕ ਸੁਨੇਹਾ ਕਿਸ ਸਮੂਹ ਨਾਲ ਸਬੰਧਤ ਹੈ।
ਅਸੀਂ ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤਾਂਗੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਸਾਡੀ ਫਾਈਲ ਵਿੱਚ ਇੱਕ ਟੈਗ ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੇ ਇੱਕ ਵਾਕਾਂਸ਼ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ।
ਅਸੀਂ ਫਿਰ ਉਹਨਾਂ ਸਮੂਹਾਂ ਤੋਂ ਜਵਾਬ ਲੈ ਸਕਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਉਪਭੋਗਤਾ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਾਂ। ਜੇਕਰ ਤੁਸੀਂ ਇਸਨੂੰ ਵਾਧੂ ਟੈਗਸ, ਜਵਾਬਾਂ ਅਤੇ ਪੈਟਰਨਾਂ ਨਾਲ ਪੇਸ਼ ਕਰਦੇ ਹੋ ਤਾਂ ਚੈਟਬੋਟ ਬਿਹਤਰ ਅਤੇ ਗੁੰਝਲਦਾਰ ਹੋਵੇਗਾ।
3. JSON ਡਾਟਾ ਲੋਡਿੰਗ
ਅਸੀਂ ਆਪਣੇ .json ਡੇਟਾ ਵਿੱਚ ਲੋਡ ਕਰਕੇ ਅਤੇ ਕੁਝ ਮੋਡੀਊਲ ਆਯਾਤ ਕਰਕੇ ਸ਼ੁਰੂਆਤ ਕਰਾਂਗੇ। your.json ਫਾਈਲ ਨੂੰ ਉਸੇ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ ਅਸੈਂਬਲ ਕਰੋ ਜਿਵੇਂ ਕਿ ਤੁਹਾਡੀ ਪਾਈਥਨ ਸਕ੍ਰਿਪਟ. ਸਾਡਾ .json ਡੇਟਾ ਹੁਣ ਡੇਟਾ ਵੇਰੀਏਬਲ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਵੇਗਾ।
4. ਡੇਟਾ ਐਕਸਟਰੈਕਸ਼ਨ
ਹੁਣ ਸਾਡੀ JSON ਫਾਈਲ ਤੋਂ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਦਾ ਸਮਾਂ ਆ ਗਿਆ ਹੈ। ਸਾਰੇ ਪੈਟਰਨ, ਅਤੇ ਨਾਲ ਹੀ ਉਹ ਕਲਾਸ/ਟੈਗ ਜਿਸ ਨਾਲ ਉਹ ਸਬੰਧਤ ਹਨ, ਦੀ ਲੋੜ ਹੈ।
ਸਾਨੂੰ ਸਾਡੇ ਪੈਟਰਨਾਂ ਵਿੱਚ ਸਾਰੇ ਵਿਲੱਖਣ ਸ਼ਬਦਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਦੀ ਵੀ ਲੋੜ ਪਵੇਗੀ (ਕਾਰਨ ਅਸੀਂ ਬਾਅਦ ਵਿੱਚ ਦੱਸਾਂਗੇ), ਇਸ ਲਈ ਆਓ ਇਹਨਾਂ ਮੁੱਲਾਂ 'ਤੇ ਨਜ਼ਰ ਰੱਖਣ ਲਈ ਕੁਝ ਖਾਲੀ ਸੂਚੀਆਂ ਬਣਾਈਏ।
ਹੁਣ ਅਸੀਂ ਆਪਣੇ JSON ਡੇਟਾ ਨੂੰ ਲੂਪ ਕਰਾਂਗੇ ਅਤੇ ਸਾਨੂੰ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ। ਉਹਨਾਂ ਨੂੰ ਸਤਰ ਦੇ ਰੂਪ ਵਿੱਚ ਰੱਖਣ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਹਰੇਕ ਪੈਟਰਨ ਨੂੰ ਸ਼ਬਦਾਂ ਦੀ ਸੂਚੀ ਵਿੱਚ ਬਦਲਣ ਲਈ nltk.word ਟੋਕਨਾਈਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ।
ਫਿਰ, ਸਾਡੀ docs_x ਸੂਚੀ ਵਿੱਚ, ਅਸੀਂ ਹਰੇਕ ਪੈਟਰਨ ਨੂੰ, ਇਸਦੇ ਸੰਬੰਧਿਤ ਟੈਗ ਦੇ ਨਾਲ, docs_y ਸੂਚੀ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਾਂਗੇ।
5. ਸ਼ਬਦ ਸਟੈਮਿੰਗ
ਕਿਸੇ ਸ਼ਬਦ ਦੀ ਜੜ੍ਹ ਲੱਭਣ ਨੂੰ ਸਟੈਮਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਸ਼ਬਦ "thats" ਸਟੈਮ ਦਾ ਸਟੈਮ "ਉਹ" ਹੋ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ "ਹੋ ਰਿਹਾ" ਸ਼ਬਦ ਦਾ ਸਟੈਮ "ਹੋਣਾ" ਹੋ ਸਕਦਾ ਹੈ।
ਅਸੀਂ ਆਪਣੇ ਮਾਡਲ ਦੀ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਘਟਾਉਣ ਲਈ ਇਸ ਸਟੈਮਿੰਗ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ ਅਤੇ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ ਕਿ ਆਮ ਤੌਰ 'ਤੇ ਕਿਹੜੇ ਵਾਕਾਂ ਦਾ ਅਰਥ ਹੈ। ਇਹ ਕੋਡ ਸਿਰਫ਼ ਸਟੈਮਡ ਸ਼ਬਦਾਂ ਦੀ ਇੱਕ ਵਿਲੱਖਣ ਸੂਚੀ ਤਿਆਰ ਕਰੇਗਾ ਜੋ ਸਾਡੇ ਡੇਟਾ ਦੀ ਤਿਆਰੀ ਦੇ ਅਗਲੇ ਪੜਾਅ ਵਿੱਚ ਵਰਤੇ ਜਾਣਗੇ।
6. ਸ਼ਬਦਾਂ ਦਾ ਬੈਗ
ਹੁਣ ਸ਼ਬਦਾਂ ਦੇ ਬੈਗ ਬਾਰੇ ਗੱਲ ਕਰਨ ਦਾ ਸਮਾਂ ਆ ਗਿਆ ਹੈ ਜਦੋਂ ਅਸੀਂ ਆਪਣਾ ਡੇਟਾ ਆਯਾਤ ਕੀਤਾ ਹੈ ਅਤੇ ਇੱਕ ਸਟੈਮਡ ਸ਼ਬਦਾਵਲੀ ਤਿਆਰ ਕੀਤੀ ਹੈ। ਨਿਊਰਲ ਨੈਟਵਰਕ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਸਾਰੇ ਜਾਣਦੇ ਹਾਂ, ਨੂੰ ਸੰਖਿਆਤਮਕ ਇਨਪੁਟ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ ਸਾਡੀ ਸਤਰ ਸੂਚੀ ਇਸ ਨੂੰ ਕੱਟਣ ਵਾਲੀ ਨਹੀਂ ਹੈ। ਸਾਨੂੰ ਆਪਣੇ ਵਾਕਾਂ ਵਿੱਚ ਸੰਖਿਆਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਵਿਧੀ ਦੀ ਲੋੜ ਹੈ, ਜਿੱਥੇ ਸ਼ਬਦਾਂ ਦਾ ਇੱਕ ਬੈਗ ਆਉਂਦਾ ਹੈ।
ਹਰੇਕ ਵਾਕਾਂਸ਼ ਨੂੰ ਸਾਡੇ ਮਾਡਲ ਦੀ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੀ ਸੰਖਿਆ ਦੀ ਲੰਬਾਈ ਦੀ ਸੂਚੀ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ। ਸਾਡੀ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ ਹਰੇਕ ਸ਼ਬਦ ਨੂੰ ਸੂਚੀ ਵਿੱਚ ਇੱਕ ਸਥਾਨ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ। ਜੇਕਰ ਸੂਚੀ ਵਿੱਚ ਸਥਿਤੀ 1 ਹੈ, ਤਾਂ ਸ਼ਬਦ ਸਾਡੇ ਬਿਆਨ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ; ਜੇਕਰ ਇਹ 0 ਹੈ, ਤਾਂ ਇਹ ਸ਼ਬਦ ਸਾਡੇ ਵਾਕ ਵਿੱਚ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ।
ਅਸੀਂ ਇਸਨੂੰ ਸ਼ਬਦਾਂ ਦਾ ਇੱਕ ਥੈਲਾ ਕਹਿੰਦੇ ਹਾਂ ਕਿਉਂਕਿ ਅਸੀਂ ਨਹੀਂ ਜਾਣਦੇ ਕਿ ਵਾਕਾਂਸ਼ ਵਿੱਚ ਸ਼ਬਦ ਕਿਸ ਕ੍ਰਮ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦੇ ਹਨ; ਅਸੀਂ ਸਿਰਫ ਇਹ ਜਾਣਦੇ ਹਾਂ ਕਿ ਉਹ ਸਾਡੇ ਮਾਡਲ ਦੀ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ ਮੌਜੂਦ ਹਨ।
ਸਾਡੇ ਇਨਪੁਟ ਨੂੰ ਢਾਂਚਾ ਬਣਾਉਣ ਦੇ ਨਾਲ-ਨਾਲ, ਸਾਨੂੰ ਆਪਣੇ ਆਉਟਪੁੱਟ ਨੂੰ ਵੀ ਫਾਰਮੈਟ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਜੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਇਸਨੂੰ ਸਮਝ ਸਕੇ। ਅਸੀਂ ਆਉਟਪੁੱਟ ਸੂਚੀਆਂ ਬਣਾਵਾਂਗੇ ਜੋ ਸਾਡੇ ਡੇਟਾਸੈਟ ਵਿੱਚ ਲੇਬਲਾਂ/ਟੈਗਾਂ ਦੀ ਸੰਖਿਆ ਦੀ ਲੰਬਾਈ ਹੈ, ਸ਼ਬਦਾਂ ਦੇ ਬੈਗ ਦੇ ਸਮਾਨ। ਸੂਚੀ ਵਿੱਚ ਹਰੇਕ ਸਥਾਨ ਇੱਕ ਵਿਲੱਖਣ ਲੇਬਲ/ਟੈਗ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਵੀ ਸਥਾਨ ਵਿੱਚ ਇੱਕ 1 ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਲੇਬਲ/ਟੈਗ ਦਰਸਾਇਆ ਜਾ ਰਿਹਾ ਹੈ।
ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਆਪਣੇ ਸਿਖਲਾਈ ਡੇਟਾ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸਟੋਰ ਕਰਨ ਲਈ NumPy ਐਰੇ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ।
7. ਮਾਡਲ ਵਿਕਾਸ
ਅਸੀਂ ਹੁਣ ਇੱਕ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਤਿਆਰ ਹਾਂ ਜਦੋਂ ਅਸੀਂ ਆਪਣੇ ਸਾਰੇ ਡੇਟਾ ਨੂੰ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸ ਕਰ ਲਿਆ ਹੈ। ਅਸੀਂ ਆਪਣੇ ਉਦੇਸ਼ਾਂ ਲਈ ਦੋ ਲੁਕਵੇਂ ਲੇਅਰਾਂ ਦੇ ਨਾਲ ਇੱਕ ਬਹੁਤ ਹੀ ਬੁਨਿਆਦੀ ਫੀਡ-ਫਾਰਵਰਡ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ।
ਸਾਡੇ ਨੈੱਟਵਰਕ ਦਾ ਉਦੇਸ਼ ਸ਼ਬਦਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਨੂੰ ਦੇਖਣਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਕਲਾਸ (JSON ਫਾਈਲ ਤੋਂ ਸਾਡੇ ਟੈਗਸ ਵਿੱਚੋਂ ਇੱਕ) ਨੂੰ ਸੌਂਪਣਾ ਹੋਵੇਗਾ। ਅਸੀਂ ਆਪਣੇ ਮਾਡਲ ਦੇ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਸਥਾਪਿਤ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰਾਂਗੇ। ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਤੁਸੀਂ ਇੱਕ ਬਿਹਤਰ ਮਾਡਲ ਦੇ ਨਾਲ ਆਉਣ ਲਈ ਕੁਝ ਨੰਬਰਾਂ ਨਾਲ ਖੇਡ ਸਕਦੇ ਹੋ! ਮਸ਼ੀਨ ਸਿੱਖਣ ਜ਼ਿਆਦਾਤਰ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ 'ਤੇ ਅਧਾਰਤ ਹੈ।
8. ਮਾਡਲ ਸਿਖਲਾਈ ਅਤੇ ਬੱਚਤ
ਇਹ ਸਾਡੇ ਮਾਡਲ ਨੂੰ ਸਾਡੇ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣ ਦਾ ਸਮਾਂ ਹੈ ਜਦੋਂ ਅਸੀਂ ਇਸਨੂੰ ਸੈਟ ਅਪ ਕਰ ਲਿਆ ਹੈ! ਅਸੀਂ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਫਿੱਟ ਕਰਕੇ ਇਸ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ। ਸਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਯੁੱਗਾਂ ਦੀ ਸੰਖਿਆ ਇਹ ਹੈ ਕਿ ਸਿਖਲਾਈ ਦੌਰਾਨ ਮਾਡਲ ਨੂੰ ਉਸੇ ਡੇਟਾ ਦੇ ਸਾਹਮਣੇ ਆਉਣ ਦੀ ਗਿਣਤੀ ਕਿੰਨੀ ਵਾਰ ਹੋਵੇਗੀ।
ਜਦੋਂ ਅਸੀਂ ਇਸਦੀ ਸਿਖਲਾਈ ਪੂਰੀ ਕਰ ਲੈਂਦੇ ਹਾਂ ਤਾਂ ਅਸੀਂ ਮਾਡਲ ਨੂੰ ਫਾਈਲ ਮਾਡਲ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰ ਸਕਦੇ ਹਾਂ। tflearn ਇੱਕ ਸਕ੍ਰਿਪਟ ਹੈ ਜੋ ਹੋਰ ਸਕ੍ਰਿਪਟਾਂ ਵਿੱਚ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
9. ਇੱਕ ਚੈਟਬੋਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ
ਹੁਣ ਤੁਸੀਂ ਆਪਣੇ ਬੋਟ ਨਾਲ ਚੈਟਿੰਗ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ।
ਚੈਟਬੋਟ ਦੇ ਲਾਭ
- ਜਿਵੇਂ ਕਿ ਬੋਟਾਂ ਤੋਂ ਸਾਲ ਵਿੱਚ 365 ਦਿਨ, ਦਿਨ ਵਿੱਚ 24 ਘੰਟੇ, ਬਿਨਾਂ ਤਨਖਾਹ, ਉਪਲਬਧਤਾ ਅਤੇ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੀ ਗਤੀ ਵਧਾਉਣ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਇਹ ਬੋਟ ਵੱਡੇ ਡੇਟਾ ਦੇ ਤਿੰਨ ਮੁੱਖ ਬਨਾਮ: ਵੌਲਯੂਮ, ਵੇਗ ਅਤੇ ਵਿਭਿੰਨਤਾ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਸੰਪੂਰਨ ਸਾਧਨ ਹਨ।
- ਚੈਟਬੋਟਸ ਉਹ ਸਾਫਟਵੇਅਰ ਹਨ ਜੋ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਖਪਤਕਾਰਾਂ ਬਾਰੇ ਜਾਣਨ ਅਤੇ ਸਮਝਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।
- ਇਸ ਵਿੱਚ ਉੱਚਤਮ ਸ਼ਕਤੀ ਹੈ ਕਿ ਚੋਟੀ ਦੇ ਲਾਭ ਹੋਣ ਤੋਂ ਬਾਅਦ ਇਸਦੀ ਸਸਤੀ ਰੱਖ-ਰਖਾਅ ਦੀ ਲਾਗਤ ਹੈ।
- ਚੈਟਬੋਟ ਐਪਲੀਕੇਸ਼ਨ ਡਾਟਾ ਬਣਾਉਂਦੀਆਂ ਹਨ ਜਿਸ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨਾਂ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਯੂਜ਼ਕੇਸ
- ਗਾਹਕਾਂ ਦੇ ਸਵਾਲਾਂ ਨੂੰ ਹੱਲ ਕਰਨਾ
- ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲਾਂ ਦਾ ਜਵਾਬ ਦੇਣਾ
- ਸਹਾਇਤਾ ਟੀਮ ਲਈ ਗਾਹਕਾਂ ਨੂੰ ਸੌਂਪਣਾ
- ਗਾਹਕ ਫੀਡਬੈਕ ਇਕੱਠਾ ਕਰਨਾ
- ਨਵੀਆਂ ਪੇਸ਼ਕਸ਼ਾਂ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰ ਰਿਹਾ ਹੈ
- ਗੱਲਬਾਤ ਦੇ ਵਪਾਰ ਨਾਲ ਖਰੀਦਦਾਰੀ ਕਰੋ
- ਆਈਟੀ ਹੈਲਪਡੈਸਕ
- ਬੁਕਿੰਗ ਰਿਹਾਇਸ਼
- ਪੈਸੇ ਦਾ ਤਬਾਦਲਾ
ਸਿੱਟਾ
ਚੈਟਬੋਟਸ, ਹੋਰ AI ਤਕਨਾਲੋਜੀਆਂ ਵਾਂਗ, ਮਨੁੱਖੀ ਹੁਨਰਾਂ ਨੂੰ ਵਧਾਉਣ ਅਤੇ ਮਨੁੱਖਾਂ ਨੂੰ ਰਣਨੀਤਕ ਕੰਮਾਂ ਦੀ ਬਜਾਏ ਰਣਨੀਤਕ 'ਤੇ ਵਧੇਰੇ ਸਮਾਂ ਬਿਤਾਉਣ ਦੀ ਆਗਿਆ ਦੇ ਕੇ ਵਧੇਰੇ ਰਚਨਾਤਮਕ ਅਤੇ ਕਲਪਨਾਸ਼ੀਲ ਬਣਨ ਲਈ ਵਰਤਿਆ ਜਾਵੇਗਾ।
ਕਾਰੋਬਾਰਾਂ, ਕਰਮਚਾਰੀਆਂ ਅਤੇ ਖਪਤਕਾਰਾਂ ਨੂੰ ਵਧੀਆਂ ਚੈਟਬੋਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਿਵੇਂ ਕਿ ਤੇਜ਼ ਸਿਫ਼ਾਰਸ਼ਾਂ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਗੱਲਬਾਤ ਦੇ ਅੰਦਰੋਂ ਉੱਚ-ਪਰਿਭਾਸ਼ਾ ਵਾਲੀ ਵੀਡੀਓ ਕਾਨਫਰੰਸਿੰਗ ਤੱਕ ਆਸਾਨ ਪਹੁੰਚ ਤੋਂ ਲਾਭ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਨੇੜ ਭਵਿੱਖ ਵਿੱਚ, ਜਦੋਂ ਏ.ਆਈ. ਦੇ ਵਿਕਾਸ ਨਾਲ ਜੋੜਿਆ ਜਾਵੇਗਾ। 5ਜੀ ਤਕਨਾਲੋਜੀ।
ਇਹਨਾਂ ਅਤੇ ਹੋਰ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਅਜੇ ਵੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ, ਪਰ ਇੰਟਰਨੈਟ ਕਨੈਕਟੀਵਿਟੀ, AI, NLP, ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਪ੍ਰਗਤੀ ਦੇ ਰੂਪ ਵਿੱਚ, ਇਹ ਵਧੇਰੇ ਪ੍ਰਚਲਿਤ ਹੋ ਜਾਣਗੀਆਂ।
ਚਵੂ
ਸਤ ਸ੍ਰੀ ਅਕਾਲ,
ਇਸ ਪ੍ਰੋਗਰਾਮ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ।
ਮੇਰੇ ਕੋਲ ਇੱਕ ਸਵਾਲ ਹੈ.
"ਬੈਗ_ਆਫ਼_ਸ਼ਬਦਾਂ" ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ। ਮੈਂ ਇਸ ਗਲਤੀ ਨੂੰ ਨਹੀਂ ਸਮਝ ਸਕਦਾ।
ਕੀ ਤੁਸੀਂ ਮੈਨੂੰ ਦੱਸ ਸਕਦੇ ਹੋ ਕਿ ਮੈਂ ਇਸ ਗਲਤੀ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕਰ ਸਕਦਾ ਹਾਂ ??
ਇਸ ਪ੍ਰੋਗਰਾਮ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ !! ਤੁਹਾਡਾ ਦਿਨ ਚੰਗਾ ਬੀਤੇ
Jay
ਕਿਰਪਾ ਕਰਕੇ ਚੈਟਬੋਟ ਸੈਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਫੰਕਸ਼ਨ ਸ਼ਾਮਲ ਕਰੋ:
//////////////////////////////////////// ///////////////////////
def bag_of_words(s, ਸ਼ਬਦ):
ਬੈਗ = [0 ਲਈ _ ਸੀਮਾ ਵਿੱਚ (ਲੈਨ(ਸ਼ਬਦ))]
s_words = nltk.word_tokenize(s)
s_words = [stemmer.stem(word.lower()) s_words ਵਿੱਚ ਸ਼ਬਦ ਲਈ]
s_words ਵਿੱਚ se ਲਈ:
ਗਣਨਾ (ਸ਼ਬਦਾਂ) ਵਿੱਚ i, w ਲਈ:
ਜੇਕਰ w == se:
ਬੈਗ[i] = 1
numpy.array (ਬੈਗ) ਵਾਪਸ ਕਰੋ
// ਇਹ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਮੁੱਦੇ ਨੂੰ ਹੱਲ ਕਰੇਗਾ. //
//////////////////////////////////////// //////////////////////
ਮੈਂ ਤੁਹਾਡੇ ਨਾਲ ਪੂਰਾ ਕੋਡ ਸਾਂਝਾ ਕਰ ਰਿਹਾ ਹਾਂ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਇਸਦੀ ਸਪਸ਼ਟ ਤਸਵੀਰ ਮਿਲ ਜਾਵੇਗੀ।
//////////////////////////////////////// ////////
ਆਯਾਤ
nltk.stem.lancaster ਤੋਂ LancasterStemmer ਆਯਾਤ ਕਰੋ
ਸਟੈਮਰ = ਲੈਂਕੈਸਟਰ ਸਟੈਮਰ ()
numpy ਆਯਾਤ ਕਰੋ
tflearn ਨੂੰ ਆਯਾਤ ਕਰੋ
ਟੈਂਸਰਫਲੋ ਆਯਾਤ ਕਰੋ
ਨਿਰਯਾਤ ਇੰਪੋਰਟ
ਆਯਾਤ ਜੇਸਨ
ਅਚਾਰ ਆਯਾਤ ਕਰੋ
ਓਪਨ (“intents.json”) ਦੇ ਨਾਲ ਫਾਈਲ ਦੇ ਰੂਪ ਵਿੱਚ:
ਡੇਟਾ = json.load(ਫਾਇਲ)
ਕੋਸ਼ਿਸ਼ ਕਰੋ:
f ਦੇ ਰੂਪ ਵਿੱਚ open(“data.pickle”, “rb”) ਦੇ ਨਾਲ:
ਸ਼ਬਦ, ਲੇਬਲ, ਸਿਖਲਾਈ, ਆਉਟਪੁੱਟ = pickle.load(f)
ਸਿਵਾਏ:
ਸ਼ਬਦ = []
ਲੇਬਲ = []
docs_x = []
docs_y = []
ਡੇਟਾ ਵਿੱਚ ਇਰਾਦੇ ਲਈ [“ਇਰਾਦੇ”]:
ਇਰਾਦੇ ਵਿੱਚ ਪੈਟਰਨ ਲਈ [“ਪੈਟਰਨ”]:
wrds = nltk.word_tokenize(ਪੈਟਰਨ)
words.extend(wrds)
docs_x.append(wrds)
docs_y.append(ਇਰਾਦਾ[“ਟੈਗ”])
ਜੇਕਰ ਇਰਾਦਾ[“ਟੈਗ”] ਲੇਬਲਾਂ ਵਿੱਚ ਨਹੀਂ ਹੈ:
labels.append(ਇਰਾਦਾ[“ਟੈਗ”])
ਸ਼ਬਦ = [stemmer.stem(w.lower()) ਸ਼ਬਦਾਂ ਵਿਚ w ਲਈ if w != “?”]
ਸ਼ਬਦ = ਕ੍ਰਮਬੱਧ (ਸੂਚੀ(ਸੈੱਟ(ਸ਼ਬਦ)))
ਲੇਬਲ = ਕ੍ਰਮਬੱਧ (ਲੇਬਲ)
ਸਿਖਲਾਈ = []
ਆਉਟਪੁੱਟ = []
ਬਾਹਰ_ਖਾਲੀ = [0 ਲਈ _ ਸੀਮਾ ਵਿੱਚ (len(ਲੇਬਲ))]
x ਲਈ, enumerate ਵਿੱਚ doc (docs_x):
ਬੈਗ = []
wrds = [doc ਵਿੱਚ w ਲਈ stemmer.stem(w.lower())]
ਸ਼ਬਦਾਂ ਵਿੱਚ w ਲਈ:
ਜੇਕਰ ਸ਼ਬਦਾਂ ਵਿੱਚ w:
bag.append(1)
ਹੋਰ:
bag.append(0)
output_row = ਬਾਹਰ_ਖਾਲੀ[:]
output_row[labels.index(docs_y[x])] = 1
training.append(ਬੈਗ)
output.append(output_row)
ਸਿਖਲਾਈ = numpy.array(ਸਿਖਲਾਈ)
ਆਉਟਪੁੱਟ = numpy.array (ਆਉਟਪੁੱਟ)
f ਦੇ ਰੂਪ ਵਿੱਚ open(“data.pickle”, “wb”) ਦੇ ਨਾਲ:
pickle.dump((ਸ਼ਬਦ, ਲੇਬਲ, ਸਿਖਲਾਈ, ਆਉਟਪੁੱਟ), f)
tensorflow.reset_default_graph()
net = tflearn.input_data(shape=[ਕੋਈ ਨਹੀਂ, len(ਟ੍ਰੇਨਿੰਗ[0])])
net = tflearn.fully_connected(net, 8)
net = tflearn.fully_connected(net, 8)
net = tflearn.fully_connected(net, len(output[0]), activation="softmax")
net = tflearn.regression(net)
ਮਾਡਲ = tflearn.DNN(ਨੈੱਟ)
ਕੋਸ਼ਿਸ਼ ਕਰੋ:
model.load(“model.tflearn”)
ਸਿਵਾਏ:
model.fit(ਸਿਖਲਾਈ, ਆਉਟਪੁੱਟ, n_epoch=1500, batch_size=8, show_metric=True)
model.save(“model.tflearn”)
def bag_of_words(s, ਸ਼ਬਦ):
ਬੈਗ = [0 ਲਈ _ ਸੀਮਾ ਵਿੱਚ (ਲੈਨ(ਸ਼ਬਦ))]
s_words = nltk.word_tokenize(s)
s_words = [stemmer.stem(word.lower()) s_words ਵਿੱਚ ਸ਼ਬਦ ਲਈ]
s_words ਵਿੱਚ se ਲਈ:
ਗਣਨਾ (ਸ਼ਬਦਾਂ) ਵਿੱਚ i, w ਲਈ:
ਜੇਕਰ w == se:
ਬੈਗ[i] = 1
numpy.array (ਬੈਗ) ਵਾਪਸ ਕਰੋ
def ਚੈਟ():
ਪ੍ਰਿੰਟ ("ਬੋਟ ਨਾਲ ਗੱਲ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰੋ (ਸਟਾਪ ਕਰਨ ਲਈ ਛੱਡੋ ਟਾਈਪ ਕਰੋ)!")
ਜਦ ਕਿ ਸੱਚ:
inp = ਇਨਪੁਟ ("ਤੁਸੀਂ: ")
ਜੇਕਰ inp.lower() == "ਛੱਡੋ":
ਬ੍ਰੇਕ
ਨਤੀਜੇ = ਮਾਡਲ। ਅਨੁਮਾਨ([bag_of_words(inp, ਸ਼ਬਦ)])
results_index = numpy.argmax(ਨਤੀਜੇ)
ਟੈਗ = ਲੇਬਲ[ਨਤੀਜੇ_ਸੂਚਕ]
ਡਾਟਾ ਵਿੱਚ tg ਲਈ[“ਇਰਾਦੇ”]:
ਜੇਕਰ tg['tag'] == ਟੈਗ:
ਜਵਾਬ = tg['ਜਵਾਬ']
ਪ੍ਰਿੰਟ(random.choice(ਜਵਾਬ))
ਗੱਲਬਾਤ()
//////////////////////////////////////// ////////////
ਤੁਹਾਡਾ ਧੰਨਵਾਦ,
ਹੈਪੀ ਕੋਡਿੰਗ!
Lu
ਸਤ ਸ੍ਰੀ ਅਕਾਲ,
ਕੀ ਤੁਸੀਂ ਮੈਨੂੰ python ਵਿੱਚ ਇੱਕ ਚੈਟਬੋਟ ਬਣਾਉਣ ਦੀ ਇੱਛਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਕੀਤੀ ਜਾਣ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਇੱਕ ਵਿਚਾਰ ਦੇ ਸਕਦੇ ਹੋ, ਪਰ ਜਾਣਕਾਰੀ ਐਕਸਲ ਵਿੱਚ ਇੱਕ ਸਰਵੇਖਣ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਹੈ। ਤੁਹਾਡਾ ਧੰਨਵਾਦ!