今天扣丁学堂给大家介绍一下关于如何使用Python开发AIML搭建聊天机器人的方法，首先你可以在AIMLWikipediapage了解更多AIML的内容以及它能够做什么。借助Python的AIML包，我们很容易实现人工智能聊天机器人。
AIML全名为ArtificialIntelligenceMarkupLanguage（人工智能标记语言），是一种创建自然语言软件代理的XML语言，是由RichardS.Wallace博士和Alicebot开源软件组织于1995-2000年间发明创造的。AIML是一种为了匹配模式和确定响应而进行规则定义的XML格式。
1、安装Pythonaiml库
pipinstallaiml
2、获取alice资源
Pythonaiml安装完成后在Python安装目录下的Lib/site-packages/aiml下会有alice子目录，这个是系统自带的一个简单的语料库。
3、Python下加载alice
取得alice资源之后就可以直接利用Pythonaiml库加载alicebrain了。
#-*-coding:utf-8-*-
importaiml
importsys
importos
defget_module_dir(name):
path=getattr(sys.modules[name],'__file__',None)
ifnotpath:
raiseAttributeError('module%shasnotattribute__file__'%name)
returnos.path.dirname(os.path.abspath(path))
alice_path=get_module_dir('aiml')+'/alice'
#切换到语料库所在工作目录
os.chdir(alice_path)
alice=aiml.Kernel()
alice.learn("startup.xml")
alice.respond('LOADALICE')
whileTrue:
printalice.respond(raw_input("Enteryourmessage>>"))
上述流程非常的简单，接下来我们要自己从0开始创建自己的机器人。
创建标准启动文件
标准的做法是，创建一个名为std-startup.xml的启动文件，作为加载AIML文件的主入口点。在这个例子中，我们将创建一个基础的文件，它匹配一个模式，并且返回一个相应。我们想要匹配模式loadaimlb，然后让它加载我们的aiml大脑作为响应。我们将在一步内创建basic_chat.aiml文件。
LOADAIMLB
basic_chat.aiml
创建一个AIML文件
在上面，我们创建的AIML文件只能处理一个模式:loadaimlb。当我们向机器人输入那个命令时，它将会尝试加载basic_chat.aiml。除非我们真的创建了它，否则无效。下面是你可以写进basic_chat.aiml的内容。我们将匹配两个基本的模式和响应。
HELLO
Well,hello!
WHATAREYOU
I'mabot,silly!
随机响应
你也可以像下面这样添加随机响应。它将在接受到一个以”OnetimeI”开头的消息的时候随机响应。*是一个匹配任何东西的通配符。
ONETIMEI*
使用已存在的AIML文件
编写你自己的AIML文件是一个很有趣的事，但是它将花费很大的功夫。我觉得它需要大概10,000个模式才会开始变得真实起来。幸运的是，ALICE基金会提供了大量免费的AIML文件。在AliceBotwebsite上浏览AIML文件。
测试新建的机器人
目前为止，所有XML格式的AIML文件都准备好了。作为机器人大脑的组成部分，它们都很重要，不过目前它们只是信息（information）而已。机器人需要活过来。你可以借助任何语言定制AIML。这里还是使用Python。
#-*-coding:utf-8-*-
importaiml
importos
mybot_path='./mybot'
#切换到语料库所在工作目录
os.chdir(mybot_path)
mybot=aiml.Kernel()
mybot.learn("std-startup.xml")
mybot.respond('loadaimlb')
whileTrue:
printmybot.respond(raw_input("Enteryourmessage>>"))
这是我们可以开始的最简单的程序。它创建了一个aiml对象，学习启动文件，然后加载剩余的aiml文件。然后，它已经准备好聊天了，而我们进入了一个不断提示用户消息的无限循环。你将需要输入一个机器人认识的模式。这个模式取决于你加载了哪些AIML文件。我们将启动文件作为一个单独的实体创建，这样，我们之后可以向机器人添加更多的aiml文件，而不需要修改任何程序源码。我们可以在启动xml文件中添加更多的可供学习的文件。
加速Brain加载
当你开始拥有很多AIML文件时，它将花费很长的时间来学习。这就是brain文件从何而来。在机器人学习所有的AIML文件后，它可以直接将它的大脑保存到一个文件中，这个文件将会在后续的运行中动态加速加载时间。
#-*-coding:utf-8-*-
importaiml
importos
mybot_path='./mybot'
#切换到语料库所在工作目录
os.chdir(mybot_path)
mybot=aiml.Kernel()
ifos.path.isfile("mybot_brain.brn"):
mybot.bootstrap(brainFile="mybot_brain.brn")
else:
mybot.bootstrap(learnFiles="std-startup.xml",commands="loadaimlb")
mybot.saveBrain("mybot_brain.brn")
whileTrue:
printmybot.respond(raw_input("Enteryourmessage>>"))
记住，如果你使用了上面写的brain方法，在运行的时候加载并不会将新增改变保存到brain中。你将需要删除brain文件以便于它在下一次启动的时候重建，或者需要修改代码，使得它在重新加载后的某个时间点保存brain。
增加Python命令
如果你想要为你的机器人提供一些特殊的运行Python函数的命令，那么，你应该为机器人捕获输入消息，然后在将它发送给mybot.respond()之前处理它。在上面的例子中，我们从raw_input中获得了用户的输入。然而，我们可以从任何地方获取输入。可能是一个TCPsocket，或者是一个语音识别源码。在它进入到AIML之前处理这个消息。你可能想要在某些特定的消息上跳过AIML处理。
whileTrue:
message=raw_input("Enteryourmessage>>")
ifmessage=="quit":
exit()
elifmessage=="save":
mybot.saveBrain("bot_brain.brn")
else:
bot_response=mybot.respond(message)
#Dosomethingwithbot_response
会话与断言
通过指定一个会话，AIML可以为不同的人剪裁不同的会话。例如，如果某个人告诉机器人，他的名字是Alice，而另一个人告诉机器人他的名字是Bob，机器人可以区分不同的人。为了指定你所使用的会话，将其作为第二个参数传给respond()
sessionId=12345
mybot.respond(raw_input(">>>"),sessionId)
这对于为每一个客户端定制个性化的对话是很有帮助的。你将必须以某种形式生成自己的会话ID，并且跟踪它。注意，保存brain文件不会保存所有的会话值。
sessionId=12345
#会话信息作为字典获取.包含输入输出历史，
#以及任何已知断言
sessionData=mybot.getSessionData(sessionId)
#每一个会话ID需要时一个唯一值。
#断言名是机器人在与你的会话中了解到的某些/某个名字
#机器人可能知道，你是"Billy"，而你的狗的名字是"Brandy"
mybot.setPredicate("dog","Brandy",sessionId)
clients_dogs_name=mybot.getPredicate("dog",sessionId)
mybot.setBotPredicate("hometown","127.0.0.1")
bot_hometown=mybot.getBotPredicate("hometown")
在AIML中，我们可以使用模板中的set响应来设置断言
MYDOGSNAMEIS*
Thatisinterestingthatyouhaveadognamed
WHATISMYDOGSNAME
Yourdog'snameis.
使用上面的AIML，你可以告诉机器人：
MydogsnameisMax
而机器人会回答你：
ThatisinterestingthatyouhaveadognamedMax
然后，如果你问机器人：
Whatismydogsname?
机器人将会回答：
Yourdog'snameisMax.
aiml可以用来实现对话机器人，但是用于中文有以下问题：
中文规则库较少。规则库相当于对话机器人的“大脑”，一般来说，规则库越丰富，对话机器人的应对就更像人。目前英文的规则库已经很丰富，涵盖面很广，而且是公开可获取的。但公开的中文规则库就基本没有。
AIML解释器对中文支持不好。实际上，Python下的Pyaiml模块（解析器）已经能比较好的支持中文，但是也存在以下问题：英文单词间一般都有空格或标点区分，因此具备一种“自然分词”特性，由于中文输入没有以空格分隔的习惯，以上会在实践中造成一些不便。比如要实现有/无空格的输入匹配，就需要在规则库中同时包含这两种模式。
解决方案：
自己搭建语料库（比如从字幕文件中获取训练）
自己中文分词工具(如jieba)
网友评论