تحليل قاعدة المعرفة وروبوت الدردشة - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يمكن توسيع قاعدة المعرفة البسيطة لتشمل مستويات أكثر من الأسئلة والأجوبة، وتجعل روبوت الدردشة أكثر ذكاءً.

QA={ "Q1":"What type of courses are you interested in?", "A1":[["Courses in Computer Programming","2"], ["Courses in Engineering","3"], ["Courses in Marketing","4"]], "Q2":"What type of Programming Languages are you interested in?", "A2":[["Java",None],["Python",None]], "Q3":"What type of Engineering are you interested in?", "A3":[["Mechanical Engineering",None],["Electrical Engineering",None]], "Q4":"What type of Marketing are you interested in?", "A4":[["Social Media Marketing",None],["Search Engine Optimization",None]] }

دالة ()Chat

في النهاية، تُستخدم دالة ()Chat لمعالجة قاعدة المعرفة وتنفيذ روبوت الدردشة. بعد طرح السؤال، يقرأ روبوت الدردشة رد المستخدم. • إن كان الرد مشابهاً دلالياً لأحد خيارات الإجابات المقبولة لهذا السؤال، يُحدّد ذلك الخيار وينتقل روبوت الدردشة إلى السؤال التالي. • إن لم يتشابه الرد مع أي من الخيارات، يُطلب من المستخدم إعادة صياغة الرد. تُستخدم دالة تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) لتقييم مؤشر التشابه الدلالي بين الرد وكل الخيارات المرشحة. يُعد الخيار متشابهاً إذا كان المؤشر أعلى من مُتغيّر الحد الأدنى sim_lbound.

import numpy as np # used for processing numeric data def chat(QA:dict, # the Question-Answer script of the chatbot model_sbert, # a pre-trained SBERT model sim_lbound:float): # lower bound on the similarity between the user's response and the closest candidate answer qa_id = '1' # the QA id while True: # an infinite loop, will break in specific conditions print('>>',QA['Q'+qa_id]) # prints the question for this qa_id candidates=QA["A"+qa_id] # gets the candidate answers for this qa_id print(flush=True) # used only for formatting purposes response=input() # reads the user's response # embed the response response_embeddings = model_sbert.encode([response], convert_to_ tensor=True) # embed each candidate answer. x is the text, y is the qa_id. Only embed x.

وزارة التعليم Ministry of Education 183 2023 - 1447

يمكن توسيع قاعدة المعرفة البسيطة لتشمل مستويات أكثر من الأسئلة والأجوبة، وتجعل روبوت الدردشة أكثر ذكاءً.QA={ "Q1":"What type of courses are you interested in?", "A1":[["Courses in Computer Programming","2"], ["Courses in Engineering","3"], ["Courses in Marketing","4"]],"Q2":"What type of Programming Languages are you interested in?", "A2":[["Java",None],["Python",None]],"Q3":"What type of Engineering are you interested in?", "A3":[["Mechanical Engineering",None],["Electrical Engineering",None]],"Q4":"What type of Marketing are you interested in?", "A4":[["Social Media Marketing",None],["Search Engine Optimization",None]] }--- SECTION: دالة ()Chat --- دالة ()Chatفي النهاية، تُستخدم دالة ()Chat لمعالجة قاعدة المعرفة وتنفيذ روبوت الدردشة. بعد طرح السؤال، يقرأ روبوت الدردشة رد المستخدم. • إن كان الرد مشابهاً دلالياً لأحد خيارات الإجابات المقبولة لهذا السؤال، يُحدّد ذلك الخيار وينتقل روبوت الدردشة إلى السؤال التالي. • إن لم يتشابه الرد مع أي من الخيارات، يُطلب من المستخدم إعادة صياغة الرد. تُستخدم دالة تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) لتقييم مؤشر التشابه الدلالي بين الرد وكل الخيارات المرشحة. يُعد الخيار متشابهاً إذا كان المؤشر أعلى من مُتغيّر الحد الأدنى sim_lbound.import numpy as np # used for processing numeric data def chat(QA:dict, # the Question-Answer script of the chatbot model_sbert, # a pre-trained SBERT model sim_lbound:float): # lower bound on the similarity between the user's response and the closest candidate answer qa_id = '1' # the QA id while True: # an infinite loop, will break in specific conditions print('>>',QA['Q'+qa_id]) # prints the question for this qa_id candidates=QA["A"+qa_id] # gets the candidate answers for this qa_id print(flush=True) # used only for formatting purposes response=input() # reads the user's response# embed the response response_embeddings = model_sbert.encode([response], convert_to_ tensor=True) # embed each candidate answer. x is the text, y is the qa_id. Only embed x.2023 - 1447