使用TensorFlow实现的Sequence to Sequence的聊天机器人模型
这个repo诞生比较早，那个时候tensorflow还没到1.0版本，
所以这个模型当时用的tf.contrib.seq2seq库，现在已经是tf.contrib.legacy_seq2seq了，
我想大家明白legacy的意思。
这个repo的本身目的是学习与实现seq2seq的相关内容，
并不是一个完整的software，所以它除了学习和别人参考来说，就有各种各样的问题。
有一些同学问我的一些问题，反而是一些常见的python编码问题，
还有一些是有些童鞋想在windows上调试整个模型，
这个我真的没用windows弄过，
鉴于这个repo的性质并不是一个完整软件，我也没有想过要做的太完美，很抱歉。
在我看来，bot，特指会与人产生互动的bot，是人机协作（互动）的一部分。
而关于自然语言的bot，又是它的一个子集。而chatbot本身，又是这种bot的一种子集。
以大家熟知的个人助理为例（siri，cortana，echo），
它包含了如dialogue system，各种qa system，当然也包含了chatbot。
而单看chatbot的实现，截止到今天，主要可实际落地的还是retrieval based的chatbot。
不过seq2seq模型，作为一个关于deeplearning的前沿，依然不断地奋斗在NLG，QA，chatbot等领域。
关于seq2seq的实现有很多，我后来觉得这个repo实际上有点对不起大家的stars，
但是这个repo本身因为那个legacy_seq2seq的问题，确实也没什么好“更新”的了，因为更新就是重写。
一部分是为了自己学习吧，我就重写了另一个repo（我是不是很表脸）
https://github.com/qhduan/just_another_seq2seq
这个repo主要是：
简单的来说如果有同学只是想抄个大作业的话，这个repo更有效……
我认为现在研究关于语言交互的bot有三个主要方面，
一方面人在主攻对话系统，我觉得微软的paper比较多，例如这篇 Xiujun Li, End-to-End Task-Completion Neural Dialogue Systems, 2017
另一拨人主要在做QA，或者QA相关的集成，这部分亚马逊相关的比较多，alexa prize相关的很多文章
都有这样的感觉，
例如这篇 Huiting Liu, RubyStar: A Non-Task-Oriented Mixture Model Dialog System, 2017
还有一拨人主要在做chatbot之类的，例如本repo和上面我提到我的repo相关的，例如这篇 Jiwei Li, Adversarial Learning for Neural Dialogue Generation, 2017
（诶？怎么感觉都是华裔？）
上面那三篇都是17年下半年的，现在才18年2月，其实每个方向现在都很前沿。
因为，本身一个QA的子课题，就已经是比较前沿的了，
把所有这些整合大系统的技术，应该主要握在大佬手里，这里重点指国外大佬手里，
国内我看不出哪个大佬有，大概都比较内敛，当然也是因为这方面研究并不是很有用。
（单说能看到的国内的，很可能有错：图灵是一个数据不少的retrieval模型；
一个ai（世纪佳缘的）还有阿里的ruyi是一个简化后的dialogue system模型，
他们是“中国版”的api.ai）
如果要对bot即相关技术有粗略了解的，推荐看看斯坦福正在写的这本
Speech and Language Processing 3rd
地址这里
看第28~30章
GitHub上实际上有些实现，不过最出名的那个是torch实现的，DeepQA这个项目到是实现的不错，不过是针对英文的。
这个是用TensorFlow实现的sequence to sequence生成模型，代码参考的TensorFlow官方的
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/models/rnn/translate
这个项目，还有就是DeepQA
https://github.com/Conchylicultor/DeepQA
语料文件是db/dgk_shooter_min.conv，来自于 https://github.com/rustch3n/dgk_lost_conv
参考论文：
Sequence to Sequence Learning with Neural Networks
A Neural Conversational Model
python3 是的这份代码应该不兼容python2吧
numpy 科学运算
sklearn 科学运算
tqdm 进度条
tensorflow 深度学习
大概也就依赖这些，如果只是测试，装一个cpu版本的TensorFlow就行了，也很快。
如果要训练还是要用CUDA，否则肯定超级慢超级慢～～
本包大体上是用上面提到的官方的translate的demo改的，官方那个是英文到法文的翻译模型
下面的步骤看似很复杂……其实很简单
输入：首先从这里下载一份dgk_shooter_min.conv.zip
输出：然后解压出来dgk_shooter_min.conv文件
在项目录下执行decode_conv.py脚本
输入：python3 decode_conv.py
输出：会生成一个sqlite3格式的数据库文件在db/conversation.db
在项目录下执行data_utils.py脚本
输入：python3 data_utils.py
输出：会生成一个bucket_dbs目录，里面包含了多个sqlite3格式的数据库，这是将数据按照大小分到不同的buckets里面
例如问题ask的长度小于等于5，并且，输出答案answer长度小于15，就会被放到bucket_5_15_db里面
下面的参数仅仅为了测试，训练次数不多，不会训练出一个好的模型
size: 每层LSTM神经元数量
num_layers: 层数
num_epoch: 训练多少轮（回合）
num_per_epoch: 每轮（回合）训练多少样本
具体参数含义可以参考train.py
输入：
./train_model.sh
上面这个脚本内容相当于运行：
python3 s2s.py \--size 1024 \--num_layers 2 \--num_epoch 5 \--batch_size 64 \--num_per_epoch 500000 \--model_dir ./model/model1
输出：在 model/model1 目录会输出模型文件，上面的参数大概会生成700MB的模型
如果是GPU训练，尤其用的是<=4GB显存的显卡，很可能OOM(Out Of Memory)，
这个时候就只能调小size，num_layers和batch_size
下面的测试参数应该和上面的训练参数一样，只是最后加了—test true 进入测试模式
输入：
./train_model.sh test
上面这个脚本命令相当于运行：
python3 s2s.py \--size 1024 \--num_layers 2 \--num_epoch 5 \--batch_size 64 \--num_per_epoch 500000 \--model_dir ./model/model1 \--test true
输出：在命令行输入问题，机器人就会回答哦！但是上面这个模型会回答的不是很好……当然可能怎么训练都不是很好，不要太期待～～
db/chinese.txt 小学生必须掌握的2500个汉字
db/gb2312_level1.txt GB2312编码内的一级字库
db/gb2312_level2.txt GB2312编码内的二级字库
上面几个汉字文件主要是生成字典用的，我知道一般的办法可能是跑一遍数据库，然后生成词频（字频）之类的，然后自动生成一个词典，不过我就是不想那么做……总觉得那么做感觉不纯洁～～
db/dictionary.json 字典
不同的参数和数据集，结果都可能变化很大，仅供参考
下面训练结果是用train_model.sh的参数训练的
你好
你好你好呀
你好你是谁
我是说，我们都是朋友你从哪里来
我不知道你到哪里去
你不是说你不是我的你喜欢我吗？
我喜欢你你吃了吗？
我还没吃饭呢你喜欢喝酒吗？
我不知道你讨厌我吗？
我不想让你失去我的家人你喜欢电影吗？
我喜欢陪我聊天吧
好啊千山万水总是情
你不是说你不是我的错你说话没有逻辑啊
没有一枝红杏出墙来
你知道的
很多论文进行 bleu 测试，这个本来是测试翻译模型的，其实对于对话没什么太大意义
不过如果想要，可以加 bleu 参数进行测试，例如
./train_model.sh bleu 1000
具体可以参考 s2s.py 里面的 test_bleu 函数
最后，这个跟现在的机器人平台，和他们所用的技术其实没啥关系，
如果对于机器人(平台)感兴趣，可以看看这里
更多问题欢迎与我交流