和游戏里的人物人工智能对话

未来游戏发展的趋势：和游戏里的人物智能对话。

目前做了一个，展示一下。在兔山公寓设置了一个可智能对话的女仆机器人。

每隔一段时间，我就会更新游戏。

---

你可以教机器人知识，然后提问教过的知识，或机器人已知的知识。

也可以教机器人什么样的事情，应该怎样回答。

由于个人无力做庞大的知识库，所以知识库是空的，只能先教后问。

教和问不要一起发送，分两次写。一些用户把教和问写到一起了，导致机器人无法回答。

如果机器人还不能回答，可能因为句子里包含了词库没有的词语。毕竟我也无力收录所有词语，只收录了一些常用的词语。

---

对话时，由于之前输入网址时，输入法已切换为英文，请先把输入法切换回中文，再输入，否则英文会激发快捷键。

智能对话的快捷键：
M键：打开智能对话说明。点击翻页，鼠标右键返回。
N键：关闭智能对话的输入框
B键：查看机器人的状态

---

问答方法

提问动作执行者（主语）或动作对象（宾语）用：谁、什么、啥

教：猫吃鼠

问：猫吃什么

答：鼠

注意1：不要写“教：”直接写猫吃鼠。也不要写“问：”直接写猫吃什么。

注意2：问主语或宾语，用“谁”或“什么”，不要再加多余的字。例如问猫吃什么，不要问猫吃什么动物，多加“动物”两个字，就错了。

问：什么吃鼠

答：猫。

双宾语结构：谓语动词后面有两个名词。

教：猫给鼠苹果

问：猫给鼠什么

答：苹果

宾语补足语结构：宾语后面还有动词。

教：猫让鼠跳舞

问：猫让谁跳舞

答：鼠

提问动作（谓语动词）用：怎么

教：猫吃鼠

问：猫怎么鼠

答：吃

提问行为（动作及动作对象）用：干什么、做什么

提问主语的行为：

教：猫喜欢跑步

教：猫讨厌游泳

问：猫喜欢干什么

注意：不要问猫喜欢什么，提问动作（动词）要用“干什么”，提问名词才用“什么”

答：跑步

问：猫讨厌干什么

答：游泳

提问宾语的行为：

教：猫让鼠跳舞

问：猫让鼠干什么

答：跳舞

提问主语的身份、性质、状态（表语）用：是什么

教：猫是动物

问：猫是什么

答：动物

提问形容词用：什么样的

教：猫吃黑色的鼠

问：猫吃什么样的鼠

答：黑色的

提问数词用：多少、几

教：猫吃两只鼠

问：猫吃多少鼠

答：2只

提问所属（名词所有格）用：谁的、什么的

教：阿哲的猫吃鼠

问：谁的猫吃鼠

答：阿哲的

提问动作方式（副词）用：怎么的

教：猫经常吃鼠

问：猫怎么的吃鼠

答：经常

提问时间用：什么时候，什么时间

教：昨天猫吃鼠

问：什么时候猫吃鼠

答：（显示昨天的年月日）

提问地点用：在哪里、什么地方

教：猫在花园吃鼠

问：猫在哪里吃鼠

答：花园

“吗”字句：

教：猫咬鼠

问：猫咬鼠吗

答：是的

问：猫咬蛇吗

答：没听说过

已知句（教过的句子，再教）：

教：猫咬鼠

答：这个我知道

原因结果连接词：所以、因为

教：猫饿了，所以猫吃鼠

或者教：因为猫饿了，猫吃鼠

或者教：猫吃鼠，因为猫饿了

提问因果关系：为什么、所以怎样、结果怎样

问：为什么猫吃鼠

答：猫饿了

问：猫饿了，所以怎样

答：猫吃鼠

其实输入原因（猫饿了），直接就会回答结果（猫吃鼠）

输入结果（猫吃鼠），直接就会回答原因（猫饿了）

先后顺序连接词：然后

教：猫吃饭，然后睡觉

提问先后顺序：然后怎样，然后干什么，之前怎样

问：猫吃饭，然后怎样

答：猫睡觉

目的连接词：为了、目的是

教：猫吃饭，为了生存

或者教：猫吃饭，目的是生存

提问目的：为了什么，目的是什么

问：猫吃饭，为了什么

答：猫生存

设置回答

如果我教“张三欺负李四，所以李四抱怨张三。”我又要教“小帅欺负小美，所以小美抱怨小帅。”人名无限多，我永远教不完。

那就要想一种一劳永逸的方法，教：甲欺负乙#乙抱怨甲。#号左边是用户提问，#号右边是电脑回答。

这样的话，以后问：张三欺负李四。电脑就会回答：李四抱怨张三。问：小帅欺负小美，电脑就会回答：小美抱怨小帅。

当然句子中，也可以只有甲，没有乙。

例如教：甲撞墙#甲受伤。

问：张三撞墙。

电脑回答：张三受伤。

问：李四撞墙。

电脑回答：李四受伤。

当然，也可以直接设置具体内容。教：王五打小强#小强哭了。

问：王五打小强。

电脑回答：小强哭了。

建议句型

五种基本句型：

主谓句型：动作执行者 - 动作

例如：猫玩耍

主谓宾句型：动作执行者 - 动作 - 动作对象

例如：猫吃鼠

双宾语句型：动作执行者 - 动作 - 间接宾语 - 直接宾语

例如：猫给鼠苹果

双宾语句型的常见动词：给、给予、交给、供给、提供、供应、赠、赠送、送、送给、捐给、捐赠、捐献、献给、资助、赞助、授予、交付、花费、递给、递来、借、借给、租借、还、归还。

宾语补足语句型：动作执行者 - 动作 - 动作对象 - 动作对象的行为

例如：猫让鼠跳舞

宾语补足语句型的常见动词：把、使、让。

定语（形容词、数词、名词所有格）修饰名词。

例如：白色的猫、两只猫、阿哲的猫

副词修饰动词。

例如：轻轻的、快速的、不断的。

抽象思维

我不可能教机器人所有的具体知识，只要教抽象知识，就等于教了很多具体知识。

第一步教导抽象知识，第二步说清归属关系：用“属于”或“是”，第三步提问。

如果教过具体知识，优先按具体知识回答。如果没有具体知识，才开始抽象思维回答。

单句的抽象问答：

（1）抽象回答：

例如：没有教过狼吃羊，但是教过动物吃肉，且教过狼属于动物。那么问狼吃什么，虽然无法回答羊，但是电脑把“狼吃什么”抽象成“动物吃什么”之后，就会回答肉。

（2）抽象到具体的回答：

例如：教：哺乳动物吃鱼。教：熊属于哺乳动物，鲤鱼属于鱼。问：熊吃什么。答：鲤鱼。而不是答鱼，就是由抽象到具体了。

双句的抽象问答：

（1）关联句的回答：

例如教：人吃动物，所以动物怕人

再教：我属于人，牛属于动物

问：我吃牛

电脑把“我吃牛”抽象化为“人吃动物”（全抽象化）、“人吃牛”（主语抽象化）、“我吃动物”（宾语抽象化）

其中“人吃动物”这一条知识是教过的，所以就能回答

答：牛怕你

注意：双句关系要写连接词（例如所以、然后），不能写“人吃动物，动物怕人”（不能省略“所以”）

再例如教：老师爱护学生，所以学生尊敬老师

再教：张三是老师，李四是学生

问：张三爱护李四。或者问张三爱护李四，所以怎样

答：李四尊敬张三

词句决定回答

只要句子中包含指定的词句，就会产生指定的回答。

书写规范：冒号左边是词句，冒号右边是回答。多个词句（条件）用逗号隔开。要有一个含动词的词句。

例如教：看见熊：很惊讶

问：我出去玩时看见熊了

答：很惊讶

问：我在河边竟然看见熊游泳

答：很惊讶

也就是说，只要句子中包含词句“看见熊”电脑就会回答“很惊讶”

多个词句（条件），就可以灵活决定回答。多个词句之间，用逗号隔开。

例如教：森林，看见熊：逃跑

再教：动物园，看见熊：观赏

问：我在森林看见熊了

答：逃跑

问：我在动物园看见熊了

答：观赏

最多可以由4个词句（条件）决定一个回答。

当提问满足多种回答时，优先选择满足词句（条件）最多的回答。

例如前面教过看见熊：很惊讶，后面又教过森林，看见熊：逃跑。那么问我在森林看见熊，应该回答很惊讶，还是回答逃跑？会选择符合词句多的回答，所以回答逃跑。

状态判断

一、文字形式的状态：

（1）具体的句子：

我饿了，所以吃饭。这样说话太抽象，应该具体问题具体分析：

教：如果我在家，我饿了，所以自己做饭

教：如果我在外面，我饿了，所以餐馆吃饭

如果句就是条件。对于同样的提问（我饿了），条件不同（在家或在外面），回答就不同。

教：我在家

问：我饿了

答：自己做饭。

有了“我在家”这个条件约束，就会回答“自己做饭”，而不是回答餐馆吃饭，否则默认回答餐馆吃饭。

注意1：带“如果”二字的句子，只表示假设，不表示事实条件。例如前面教了“如果我在家”，还需要另外单独再教“我在家”。也就是说，不带“如果”二字，才算满足“我在家”这个事实条件。

注意2：人们一般的说话习惯“如果我在家，我饿了，自己做饭。”此句中少了连接词“所以”，提问就无法回答。

（2）抽象的句子：

教：如果食肉动物饿了，食肉动物看见食草动物，所以食肉动物吃食草动物

教：狼是食肉动物，羊是食草动物

教：狼饿了

问：狼看见羊

答：狼吃羊

既然告诉了电脑狼是食肉动物，那么教狼饿了，在狼与羊的关系句中，就等于教了“食肉动物饿了”这个条件，也就表示满足此条件，从而能回答。

二、数字形式的状态：

每个对象（事物）都有多个属性（对象的状态、对象拥有的物品数量）。

属性的三种操作：前提条件，后果影响，自动触发。

（1）前提条件：

输入：心情大于60，体力大于40，去公园

下次再输入去公园，如果心情小于60，或体力小于40，那么“去公园”这件事就无法执行，电脑会回答不满足条件。

要知道心情是多少，在对象分析栏目下可以查看。

（2）后果影响

输入：写作业，心情减20

现在心情已经减了20，以后每次输入写作业，心情都会减20

那么现在再输入去公园，就无法执行了，因为心情减20后，心情不足60了，不符合去公园的前提条件。

输入：玩游戏，心情加30

以后每次输入“玩游戏”，心情都会加30。现在心情恢复到60以上了，再输入去公园，又可以执行了（电脑回答这个我知道，而不是回答不满足条件）。

（3）自动触发

输入：心情小于10，自动触发睡觉

注意：在事件前写“自动触发”四个字，才算是自动触发。

以后只要心情发生变化，且变化到10以下，就会自动执行事件“睡觉”。也就是说，只有刚刚改变了的属性，才会自动判断是否自动触发事件。否则即便满足自动触发的条件，也不会触发事件，这是为了避免频繁的自动触发。

由于现在心情还大于10，不能自动触发“睡觉”。那么反复输入写作业，每输入一次，心情就减20。直到心情减到10以下时，就会自动执行“睡觉”。

说明1：心情、体力等就是对象的属性。用户可以自定义属性：用户输入的话语中，如果出现了表中没有的属性，就会自动添加为新属性。那么新创建的属性的初始值是多少？最初话语里属性后面的数字就作为初始值。

说明2：前面输入的话语（心情大于60）里，并没有对象。其实省略对象，默认就是指电脑智美。

要指定对象应该这样写：猫的心情大于60，猫的心情加20。就是说明对象的属性。

说明3：可以一次写多个前提条件，或多个后果影响。

如果写了多个前提条件（逗号隔开），就必须全部满足，才算满足条件。

如果写了多个后果影响（逗号隔开），每个影响都会执行。

说明4：前提条件操作符：大于、小于、等于、为。例如心情大于50。

后果影响操作符：加、减、为。例如心情减10。

说明5：如果一个数值，上限是100，应在数值后面加星号*，例如心情大于30*，表示心情的最大上限是100。如果超过100，按100算。再例如体力加40*，表示属性体力的最大上限为100。如果不加星号，则不设上限。属性的最小值低于0时，按0算。

查找对象的属性和对象的事件：

对象分析栏目下，有查找对象，输入对象名称。

如果之前教过：猫的心情大于90，猫玩耍。而且前面已经教过关于猫的事件（例如猫吃鼠），那么查找对象猫，就会显示猫的属性和事件。

链式思维

教：张三摔倒，所以张三受伤。

再教：张三受伤，所以张三去医院。

再教：张三去医院，然后张三治疗。

再教：张三治疗，然后张三出院。

也可以不按先后顺序，或中间间隔其它教导，反正只要教完这四条就可以。

形成链式关系：张三摔倒-张三受伤-张三去医院-张三治疗-张三出院。

也可以直接一次教：张三摔倒，所以受伤。张三受伤，所以去医院。张三去医院，所以治疗。张三治疗，所以出院。

如果省略主语，就自动用上一句话的主语。

电脑进行正向推理和逆向推理。

问：张三摔倒

提问的内容在链的开头，所以只有正向推理。

电脑回答：张三摔倒，所以张三受伤。张三受伤，所以张三去医院。张三去医院，所以张三治疗。张三治疗，所以张三出院。

问：张三去医院

提问的内容在链的中间，所以既有正向推理，也有逆向推理。

电脑回答：正向推理：张三去医院，然后张三治疗。张三治疗，然后张三出院。逆向推理：张三受伤，所以张三去医院。张三摔倒，所以张三受伤。

如果提问的内容在链的末尾，只有逆向推理。

注意1：句子之间的关联，要用所以、然后等词，否则不作为关联。

注意2：如果有提问词，例如问：张三受伤，所以怎样。电脑只回答去医院，不会继续关联下去。

其它

教：爬山-所以-累

这种把句子之间连接起来的教法，是有两个横杠的，而且中间连接词是所以、因此、然后等词。

再教：我下午爬山，回到家，我累了

电脑分析：由于教过“爬山”和“累”是因果关系，所以含有“爬山”二字的句子“我下午爬山”和含有“累”字的句子“我累了”，也是因果关系。

构成因果关系，就可以问答了。

提问：为什么我累了

电脑分析：提问结果，回答原因。

电脑回答：你下午爬山

提问：我下午爬山，所以怎样

电脑回答：你累了

如果“我下午爬山”和“我累了”中间相隔100句话，那么这两句话之间就不该有关联了，按照经验，相隔不要超过两句话。

优先级

张三打李四#李四恨张三

张三打李四：李四抱怨张三

第一句表示用户提问“张三打李四”时，电脑回答“李四恨张三”。第二句表示当句子里包含“张三打李四”时，电脑回答“李四抱怨张三”。

那么用户问张三打李四，电脑该回答李四恨张三，还是回答李四抱怨张三？

电脑优先回答#号的句式，而冒号的句式，优先级低，

用户教了：李四踢张三#张三恨李四。

后来用户又教了：李四踢张三#张三抱怨李四。

用户问李四踢张三，电脑该回答张三恨李四，还是张三抱怨李四？

电脑回答最新学到的知识：张三抱怨李四。

---

设计理念

（一）

人工智能有两种开发方法：一种是手动设置信息之间的关联。基本的方法是在对话中，收集条件状态，再根据不同的条件状态组合，来决定回答。例如张三饿了，来到餐馆，接下来干什么？对话中收集到“饿了”和“来到餐馆”这两个条件，根据程序设定（什么样的条件状态组合，该产生什么样的回答），电脑回答吃饭。这种设定是人工设定信息之间的关联，缺点是无法考虑到所有情况（所有可能的条件状态和条件状态的所有组合）。例如张三饿了，来到餐馆，但是张三的妻子在家已经给张三做好了饭，张三就不能在餐馆吃饭。或者张三饿了，来到餐馆，但是张三还有其它急事要办，就不能在餐馆吃饭。这种情况无限多，人不可能把所有情况都考虑到。所以人们觉得这种方法不行，于是人们提出一种新方法：机器人自动阅读上亿条语句，通过神经网络算法，总结词语、句子、段落之间的关系和规律，从而形成知识。这两种设计方法，会产生两种不同原理和风格的人工智能机器人。

（二）

手动设置信息之间关联的典型示例：

小美喜欢张三，张三搂抱小丽，小美会怎么样？

即便设置了这个具体问题该怎样处理，下次换成小欣喜欢李四，李四搂抱小娜，又要重新设置该怎样处理。人名无限多，不可能全部都设置，所以只能用抽象概括的规则来处理。

因此设置：人1喜欢人2，人2搂抱人3，人1会生气和嫉妒。（目前我用甲乙来表示）

但是如果人2搂抱的是他父亲，或同性别的朋友，那么人1就不该生气和嫉妒。

所以不得出现的条件状态：人2和人3是亲属，人2和人3是同性别。

因此最终的规则设定是这样的：出现的条件状态：人1喜欢人2，人2搂抱人3。不得出现的条件状态：人2和人3是亲属，人2和人3是同性别。电脑的回答：人1会生气和嫉妒。

不仅是电脑的回答，还有电脑的回答意味着什么：人1不再喜欢人2，人1讨厌人3。

而神经网络方式，是在大量的训练语句中，自动总结出这些规则，而不是手动去设定的。

（三）

手动设置信息之间关联的缺点：

第一，手动设置信息之间关联的机器人，设计者不可能考虑到所有情况（所有条件状态和条件状态的所有组合），只能考虑到通常情况，所以机器人比较单纯、朴素、一根筋，只会考虑通常情况、一般情况。

第二，手动设置信息之间关联的机器人，不善于做出选择。例如苹果便宜，但有点老了，梨很贵，但很新鲜。该买苹果，还是买梨？作为一根筋的单纯机器人，选择事物只能有一种标准，不能有两种标准。在同一种标准中，按优先级优先选择。

手动设置信息之间关联的优点：

第一，手动设置信息之间的关联，信息组织的清楚、条理。而神经网络方式的人工智能，信息之间的关系是杂乱的网状，不利于阅读、整理、修改，而且不能充分按照人的情感意愿去设计信息之间的关联和流程。

第二，情感沟通是互动的，机器人绝不能被动的问一句、答一句。而手动设定机器人的回答，可以设置：当满足什么样的条件状态时，或满足什么样的条件状态组合时，机器人就主动说什么话，而不是被动的等着用户提问后才说。还有，判断一件事，当所需的条件状态（判断依据）不足时，机器人还可以主动反问用户，让用户来补充条件状态。例如张三和李四游泳时，李四溺水了，张三应该怎么办？这时条件状态（判断依据）不足，机器人还没法判断。机器人可以主动反问用户：张三会游泳吗？如果张三会游泳，就跳下水救李四。如果张三不会游泳，就叫附近的人救李四。而不是在判断依据还不足的情况下，就强行回答。

第三，有时电脑的回答不是一句话，而是触发一个计划任务，并设定任务的每一步骤。例如张三在菜场买了水果，回家发现水果里有虫，电脑的回答就是触发一个计划任务：第一步：张三返回菜场，第二步：张三退掉水果，第三步：张三去其它水果摊重新买水果。

（四）

手动设置信息之间关联，什么样的条件状态组合，该生成什么样的回答。这个关系的设计，既包含情感思维，也包含因果逻辑等理性思维。例如走到餐馆门口时，感觉饿了，按照原因产生结果的因果关系，应该去吃饭。但是如果心情不好，就没心情吃饭。所以人的思维是情感思维和理性思维融合为一体的思维。然后把这种思维，灌输给机器人。

结构三部分：之前语句中收集的条件状态，当前语句中的条件状态，该产生的回答。

就是以当前语句中的条件状态为中心，搭配之前语句中收集的条件状态，来决定回答。例如之前语句中收集的条件状态是A、B、C，当前语句中的条件状态是D，程序设定了B和D组合时，就产生回答E，那么B和D能组合起来，并产生回答。

产生一个回答，需要具备哪些条件状态，且哪些条件状态不得出现时才行。例如想去公园，需要具备的条件状态是周末放假，不得出现的条件状态是下雨。

并不是产生一个回答就完了，还要考虑这个回答（结果）意味着什么。意味着的事情也将作为接下来用到的条件状态。例如张三摔碎李四的杯子，这个结果意味着杯子减少了一个，地面有玻璃渣子，还意味着张三和李四的友谊度下降，并不只是摔杯子这样一个事情。

有些条件状态是文字形式，例如饿了。有些条件状态是数值形式，例如张三和李四的友谊度是85。一件事上，李四是否会帮张三，就需要判断张三和李四的友谊度。

（五）

手动设置信息之间的关联，人无法考虑到所有情况（条件状态），以下方法可以缓解这个问题。

第一，只考虑通常的情况、一般的情况，机器人就是单纯一些而已。

第二，抽象概括的方法。张三受伤，去医院。李四受伤，去医院。王五受伤，去医院。名字是无限多的，只能用抽象概括的方法来处理：人受伤了，去医院。再例如：桔子补充维生素C，葡萄补充维生素C，苹果补充维生素C，这样要教的具体知识就太多了，人教不完。概括归纳的方法，可以适用于很多具体情况。水果补充维生素C，桔子、葡萄、苹果属于水果。

开发传统人工智能，最头疼的问题就是条件状态的无限组合：张三去学校路上，肚子疼怎么办？张三去菜场路上，肚子疼怎么办？张三可去的地方有无限种可能，为每种可能都设置回答，是不可能的，因为根本想不完，也写不完。只能用抽象概括的方法来处理：张三无论是去学校的路上，还是去菜场的路上，都意味着在外面。那么这个问题就该抽象概括为：在外面的时候，肚子疼怎么办？具体实现：去学校路上这句话，就意味着条件状态“在外面”，然后只是处理“在外面”和“肚子疼”这两个条件状态的组合，来决定回答，根本不理会“去学校路上”这个条件状态。

第三，限定环境。给机器人设计一个虚拟的生活环境，虚拟环境让条件状态（尤其是时间、位置、周围的人、周围的事物）变得清楚，从而使机器人有充分的判断依据。

例如对话场景直接标注：人物：机器人和用户。时间：早上8点。位置：面包屋。周围的人：店主李四。周围的事物：面包。这些都是条件状态。

然后，用户说要去公园，到了公园后，根据虚拟世界地图上面包屋和公园的距离，来改变时间。到了公园后，时间变为早上9点，就是走了一个小时的路程。

到了公园后。位置：公园。周围的事物：草坪、湖畔、长凳。还可以随机增加条件状态，例如让王五出现在公园。

用户说话往往很粗略，很多条件状态都不说。而虚拟环境提供的条件状态，就可以补充用户未说的条件状态。虚拟环境越具体，虚拟环境的条件状态越多，收集的条件状态就越多，判断依据就越充分。如果没有虚拟环境，只有文字对话，机器人就等于成了盲人，无法判明周围的情况，所以无法好好思维和判断。

在对话程序旁边，应有一个列表，显示当前所处的虚拟环境的各种条件状态。

第四，限定人物，可以避免用户所说的人物出了机器人的认知范围。限定的人物都已经设定好各种条件状态，机器人都是知道的。所以用户说这些人物时，机器人已经把握了这些人物的条件状态，从而便于思考和分析。

第五，同义词转化。例如喝饮料可以解暑，喝汽水可以解暑。“汽水”这个词转化为“饮料”这个词。

（六）

计划任务：例如说了明天早上8点去公园。等虚拟环境变为明天早上8点时，就自动触发计划任务：去公园。

计划任务就需要知道现在的时间和位置，因为任何计划任务都设定在特定的时间和位置，才能完成。可是用户说话往往很粗略，不说时间或位置，所以提供时间和位置的虚拟环境就很重要。

在对话程序旁边，还应有一个计划任务列表，就像行程备忘录。

计划任务也会使机器人主动产生回答。例如到了中午，机器人回答“该吃饭了。”

完成一件事情，往往需要分为多个阶段，前一阶段是后一阶段的前提和基础。例如上学分为小学、中学、大学。

有时候，前一阶段完成后，下一阶段有多种可能。根据情况，来决定下一阶段。

（五）

优先级：例如张三准备炒菜时，妻子在家滑倒受伤了。那么炒菜和照看妻子，张三应该优先选择照看妻子。

计划任务要做一件事，但是遇到其它事件，而且更重要，优先级更高，那就先做其它事件，而不按之前的计划任务。把优先级高的事情做完，再回到之前的计划任务，接着完成计划任务。优先级更高的事情做完，也可能无法再完成计划任务了。

再举个例子：张三和机器人约定在电影院门口见面，去看电影。张三迟到了一个小时，张三见到机器人后，说“抱歉，我迟到了。”机器人就应该主动反问：为什么要迟到？张三说路上救人，耽搁了时间。机器人就要对比看电影和救人的重要性，也就要给各种事情设置重要性级别。由于救人的重要性更高，所以机器人原谅张三。

权衡利弊：有时虽然优先级高，但是也会因此损失高，所以要权衡利弊，做出综合效果最好的选择。

随机选择：如果每次相同的情况，都产生相同的回答，就觉得枯燥。一件事可以设置多种回答，随机选择其中一个。

（七）

凡是人工智能对话程序，第一步都是先做自然语言处理。

先说个最简单的主谓宾句型：主语（动作执行者，名词）、谓语（动作，动词）、宾语（动作对象，名词）。

找出句子中的名词：用数据库游标，从名词表里每次读取一个名词。名词表的每一行，只有一个单元格，一个单元格里只有一个名词。再用包含函数判断从名词表里读取出的名词是否包含在句子中。如果包含，就说明该名词是句子中的名词，也就找到名词了。

那么问题来了：从句子中找出的名词，是主语名词还是宾语名词呢？这就需要先以谓语动词为句子分割符号，把句子分割成两段，一段是谓语动词左边部分，另一段是谓语动词右边部分。从谓语动词左边部分找出的名词，就是主语名词。从谓语动词右边部分找出的名词，就是宾语名词。

所以不是先找名词，而是先找动词。找动词的方法和找名词相似，就是用游标从动词表里逐一读取动词，在用包含函数判断读取的动词是否包含在句子中，如果包含，就说明这个动词是句子的谓语动词。

至于按指定字符（例如动词）来分割字符串（句子），是最基本的编程能力。无论哪种编程语言，都有字符串分割相关的函数，而且有很多种。也都有包含函数，用于判断词语是否包含在字符串里。

“喜欢熊猫”这句话，你以为找出的名词是熊猫，其实找出的名词是熊、猫、熊猫，这三个名词。因此要长词覆盖短词，有熊猫这个长词，就要覆盖熊和猫这两个短词，从而确保只有“熊猫”这一个名词。

“学校”这个词是名词，但是游标找动词时，会把“学”字当成动词。所以要词性辨析，如果“学”字右边第一个字符是“校”字，“学”字就不做动词。因此找到动词时，先做词性辨析，如果没问题，才能确定为动词。

你以为自然语言处理的第一步是找动词，然后按动词分割句子。其实第一步是找标点符号，按标点符号分割段落，形成一个个的单句。然后再从单句中找动词，以动词来分割单句。

在名词左边，还有找定语。定语分为形容词、数词、名词所有格。

形容词最好找，用游标从形容词表中逐一读取形容词，再看是否包含在句子中。

找数词的基本方法：先找到数词单位，例如个、只。然后从这个数词单位左边第一个字符开始，一直往左逐一判断是否是数字字符，直到不是数字字符的那个字符，才停下。每次已找到的数字字符，和新找到的数字字符，连接在一起，最终形成句子中的数字。字符串中找数字，还有很多方法。

名词所有格都有一个特点，都以“的”字结尾，且“的”字左边是名词。例如张三的猫，其中“猫”是名词，“张三的”是名词所有格。

副词修饰动词，副词也可以用游标找副词表的副词。

时间词语往往有时间单位，时间单位左边就是时间，或直接是上午、下午等时间词语。地点词语往往有在、到、去等词开头，这些词的右边就是地点词。

句式不仅是主谓宾，还有其它句式，怎么判断？用标志字。例如谓语动词是“给”字，后面肯定是双宾语，我给张三（间接宾语）苹果（直接宾语）。再例如谓语动词是“把”字，后面肯定有宾语补足语，我把教室（宾语）扫（宾语补足语）了。还有“是”字来判定句型。主谓句型判定方法是按谓语动词分割后，谓语动词右边没有内容。

做词库比较漫长和枯燥。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！