PTT Chat Generator
本專案的目的在實作一個推文產生器，由使用者輸入一個隨機標題，即能回覆一個恰當的推文，目前仍在進行中 d(`･∀･)b
目前成果
MianBot: 您好，我是你的老朋友眠寶，讓我們來聊聊八卦吧 o_o
User: 為什麼李嚴要炸三隻蝦
MianBot: 一隻給小當家、一隻給及弟，另一隻給誰我不能說
User: 蘇美守得住街亭嗎
MianBot: 目前的戰力來看別說守街亭 都可以直接滅了曹魏
User: 起床第一件事要做什麼？
MianBot: 張開眼睛 給你參考
User: 初音只是個軟體嗎
MianBot: 初音是軟體 但是初音不只是個軟體
User: 有沒有鳳梨的八卦
MianBot: 聽說把鳳梨跟筆合在一起，就會變鳳梨筆
User: 肥宅要怎樣才有加分
MianBot: 減肥 先從脫離肥宅開始
User: 熊貓麻婆是怎麼贏豆腐三重奏的
MianBot: 小當家表示：張大人你好，我媽阿貝師傅，我爸李提督
User: obov現在還好嗎
MianBot: 你問的是前面還是後面？
User: 如果時間能重來，你想做什麼
MianBot: 珍惜身邊的人
類別說明
- PTT-Crawler: 用於爬取 PTT 頁面的原始文章
filter.py: 用於過濾 PTT-Crawler 爬取下來的文章，如濾除某些標籤或某些使用者的文章，或是濾除內容重覆的文章等article.py: 儲存 PTT 文章的結構，會將分段式的回覆合併起來corpus.py: 保存 Article 的結構，可遍歷文章的標題、內容match.py: 調用不同的 Matcher 實驗Matcher: 用於文本相似度的比對，將使用者的輸入與 Corpus 裡所有標題比較，回傳最相似的標題與索引FuzzyMatcher: 基於 Levenshtein Distance 比對短語相似度VectorMatcher: 基於 sentence2vec 比對短語相似度 TODO!KeywordMatcher: 基於 tf/idf 比對短語相似度bm25Matcher: 基於 Okapi BM25 (基於 snownlp)，目前默認採用該算法
ResponsesEvaluate: 從推文中挑選出最佳推文Evaluator: 基於推文的詞頻來選取最佳回應ClusteringEvaluator: 基於聚類來選取最佳回應 TODO !
套件需求
- jieba : 中文隱性馬可夫模型斷詞器
- gensim : 使用詞袋、tfidf、word2vec
- fuzzywuzzy : 模糊字串比對
- python-Levenshtein : 用於優化 fuzzywuzzy 計算速度的套件包
- sentence2vec (非必要)
Data 說明
- raw: 儲存PTT-Crawler爬取的原始資料
- processed: 儲存已經篩選過的文章（如濾除特定標籤、使用者）
- reply: 儲存文章回應，每 1000 筆為一個檔案（目前未上傳至 Github）
- processed_seged: 儲存文章或回應的斷詞結果
- stopwords: 儲存常用中文停用詞、PTT 停用詞、負面標籤
- User_info: 基於 raw 的使用者推噓文紀錄
- Titles.txt: 存放篩選後的文章標題
- SegTitles.txt: 存放已完成斷詞的篩選後文章標題
實驗簡述
- 使用 PTT-Crawler 爬取文章後放置於 "data/raw/"
- 使用 filter.py 從原始資料裡挑選出需要的資料
ArticleFilter.load_processed_corpus(): 用於載入先前處理好的語料(會載入 data/processed/ 中所有檔案)ArticleFilter.process_raw_data(): 對 "data/raw/" 中的原始資料進行處理(如去除特定tag，過濾敏感回應等)ArticleFilter.print_titles(): 輸出處理好的文章標題ArticleFilter.print_response(): 輸出處理好的文章回應- 為維持文章結構的一致性，使用
print_titles()建議也呼叫print_response()
- 使用 match.py 測試匹配結果
- 因為斷詞文件 (SegTitles.txt) 有些
matcher不會用到，所以更新 Corpus 後請記得刪除已斷詞文件並重新斷詞