NLG를 활용한 ChatBot을 개발함
| Title | Contents | Other |
|---|---|---|
| 데이터 이름 | Chatbot data | |
| 데이터 용도 | 한국어 챗봇 학습을 목적으로 사용한다. | |
| 데이터 권한 | MIT 라이센스 | |
| 데이터 출처 | https://github.com/songys/Chatbot_data (송영숙님) |
Python 3.6.6
tensorflow 1.11
konlpy
pandas
sklearn
.
├── data_in # 데이터가 존재하는 영역
├── ChatBotData.csv # 전체 데이터
├── ChatBotData.csv_short # 축소된 데이터 (테스트 용도)
├── README.md # 데이터 저자 READMD 파일
├── data_out # 출력 되는 모든 데이터가 모이는 영역
├── vocabularyData.voc # 사전 파일
├── check_point # check_point 저장 공간
├── configs.py # 모델 설정에 관한 소스
├── data.py # data 전처리 및 모델에 주입되는 data set 만드는 소스
├── main.py # 전체적인 프로그램이 시작되는 소스
├── model.py # 모델이 들어 있는 소스
└── predict.py # 학습된 모델로 실행 해보는 소스
tf.app.flags.DEFINE_integer('batchSize', 100, 'batch size') # 배치 크기
tf.app.flags.DEFINE_integer('trainSteps', 10000, 'train steps') # 학습 에포크
tf.app.flags.DEFINE_float('dropoutWidth', 0.5, 'dropout width') # 드롭아웃 크기
tf.app.flags.DEFINE_integer('layerSize', 3, 'layer size') # 멀티 레이어 크기 (multi rnn)
tf.app.flags.DEFINE_integer('hiddenSize', 128, 'weights size') # 가중치 크기
tf.app.flags.DEFINE_float('learningRate', 1e-3, 'learning rate') # 학습률
tf.app.flags.DEFINE_string('dataPath', './data/ChatBotData.csv', 'data path') # 데이터 위치
tf.app.flags.DEFINE_string('vocabularyPath', './data/vocabularyData.voc', 'vocabulary path') # 사전 위치
tf.app.flags.DEFINE_string('checkPointPath', './checkPoint', 'check point path') # 체크 포인트 위치
tf.app.flags.DEFINE_integer('shuffleSeek', 1000, 'shuffle random seek') # 셔플 시드값
tf.app.flags.DEFINE_integer('maxSequenceLength', 25, 'max sequence length') # 시퀀스 길이
tf.app.flags.DEFINE_integer('embeddingSize', 128, 'embedding size') # 임베딩 크기
tf.app.flags.DEFINE_boolean('tokenizeAsMorph', True, 'set morph tokenize') # 형태소에 따른 토크나이징 사용 유무
tf.app.flags.DEFINE_boolean('embedding', True, 'Use Embedding flag') # 임베딩 유무 설정
tf.app.flags.DEFINE_boolean('multilayer', True, 'Use Multi RNN Cell') # 멀티 RNN 유무
python main.py
python predict.py 남자친구가 너무 잘 생겼어