锦中人工智能助手

import spacy

nlp = spacy.load("zh_core_web_sm") # 加载中文模型

text = "明天的数学课在301教室"

doc = nlp(text)

print("实体提取结果：")

for ent in doc.ents:

print(ent.text, ent.label_)

print("\n意图识别：")

# 这里可以加入更复杂的逻辑来判断意图

if "数学" in text and "教室" in text:

print("意图：查询课程安排")

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.naive_bayes import MultinomialNB

from sklearn.pipeline import Pipeline

# 示例数据

X_train = [

"明天的数学课在哪个教室？",

"帮我查一下图书馆开放时间。",

"请问下个月的考试安排是什么时候？"

]

y_train = ["课程安排", "图书馆信息", "考试时间"]

# 构建管道

model = Pipeline([

('vectorizer', CountVectorizer()),

('classifier', MultinomialNB())

])

# 训练模型

model.fit(X_train, y_train)

# 预测新句子

new_text = "下周的英语考试在哪里举行？"

prediction = model.predict([new_text])

print(f"预测意图：{prediction[0]}")

# domain.yml

intents:

- 咨询课程安排

- 查询图书馆信息

- 查询考试时间

entities:

- 课程名称

- 时间

- 地点

responses:

utter_greet:

- text: "你好！有什么可以帮助你的吗？"

actions:

- action_default_fallback

# stories.md

## 咨询课程安排

* 咨询课程安排

- action_greet

* 咨询课程安排{"课程名称": "数学", "时间": "明天"}

- utter_course_info

* 咨询课程安排{"课程名称": "英语", "时间": "下周"}

- utter_course_info

# actions.py

from rasa_sdk import Action

from rasa_sdk.events import SlotSet

class ActionCourseInfo(Action):

def name(self):

return "action_course_info"

async def run(self, dispatcher, tracker, domain):

course_name = tracker.get_slot("课程名称")

time = tracker.get_slot("时间")

response = f"关于{course_name}课程，在{time}的时间安排是..."

dispatcher.utter_message(response)

return []