Создание чат-ботов с Dialogflow, Watson, ChatterBot и Rasa
Шрифт:
И webhook в нашем примере будет развернут с помощью облачной функциональности Cloud Functions for Firebase, которая позволяет автоматически запускать код в ответ на события, вызванные HTTP-запросами.
Ваш код хранится в облаке Google и работает в управляемой среде.
После того, как вы напишите и развернете код, серверы Google сразу же начнут управлять этой облачной функцией.
И для нашего чат-бота бесплатного плана Spark Firebase будет достаточно.
И здесь во встроенном редакторе, у нас также есть файл package.json, и нам нужно изменить его.
Нам
Поэтому мы добавим @google-cloud/datastore.
После этого нажмем кнопку Deploy развернуть.
В результате в наш проект будет добавлен облачный сервис Cloud Functions for Firebase, где будет развернут наш webhook.
Чтобы проверить развернут ли наш webhook, откроем страницу нашего Google проекта Dialogflow и нажмем Cloud Functions.
И здесь мы увидим нашу развернутую облачную функцию.
Теперь более подробно рассмотрим код webhook.
Здесь, у нас есть объявление о некоторых необходимых пакетах, которые нам нужно импортировать, и нам также необходимо импортировать пакет хранилища данных Datastore.
Поэтому здесь мы импортируем пакет Datastore.
И в строке 12 мы создадим новый экземпляр хранилища данных, привязав его к идентификатору нашего Google проекта.
Идентификатор проекта можно посмотреть в консоли проектов по адресу, указанному на слайде.
И здесь у нас есть основная функция dialogflowFirebaseFulfillment, где у нас есть функция для приветствия агента, и у нас есть функция для агента, который ничего не понимает.
Но у нас нет функции для заказа пиццы, и это то, что мы собираемся сюда добавить.
И далее, как только вы создали функцию, вам нужно сопоставить намерение с выполнением этой функции, с помощью добавления записи в карту намерений Map.
И если мы включим, например, Fulfillment в намерении приветствия, тогда если мы наберем в Try it – hello, чат-бот ответит не фразой намерения, а функцией приветствия агента, которая определена в вебхук.
Теперь, давайте создадим функцию для заказа пиццы.
Здесь у нас есть функция order pizza, которая определяет переменные для извлечения параметров из пользовательского запроса.
Она создает ключ для хранения в базе данных, а затем создает новую сущность.
Эта сущность будет содержать значения переменных.
Возврат этой функции – это действие сохранения содержимого созданной нами сущности в Datastore.
И в конце, мы должны добавить запись в карту намерений.
После этого развернем заново наш вебхук.
И
Теперь все готово к работе и в панели Try it наберем
Могу ли я получить пиццу.
Затем ответим на вопрос о начинке и на вопрос о размере.
В результате получим ответ от агента, что наш заказ размещен.
Нажав на кнопку Diagnostic info можно посмотреть запросы и ответы вебхука в формате Json.
Чтобы проверить, сохранился ли заказ, откроем Google проект и в боковой панели выберем Datastore – Entites.
И здесь мы увидим, что наш заказ успешно сохранился в облаке Google.
Google Dialogflow. Интеграция с Telegram
Dialogflow позволяет интегрировать вашего чат-бота с различными платформами.
Это такие популярные приложения как Google Assistant, Slack и Facebook Messenger и другие.
В качестве примера мы рассмотрим интеграцию нашего чат-бота с мессенджером Telegram.
Опция интеграция Telegram позволяет легко создавать ботов Telegram с пониманием естественного языка на основе технологии Dialogflow.
И для начала работы, откроем Telegram.
И здесь наберем @BotFather.
Далее нажмем кнопку Start.
Здесь нажмем ссылку /newbot и введем имя бота ex_bot.
И здесь мы должны скопировать сгенерированный токен доступа.
Вернемся в Dialogflow и включим интеграцию с Telegram.
В результате откроется диалоговое окно.
И здесь мы должны ввести сгенерированный токен доступа.
И нажать кнопку Start.
И здесь, нажав кнопку Start мы можем разговаривать с нашим чат-ботом.
ChatterBot
ChatterBot – это библиотека Python, которая позволяет легко генерировать автоматические ответы на вводимые пользователем данные.