Restaurant chatbot

Restaurant-Chatbot

Architekturübersicht:

Eine ausführliche Erläuterung des Projekts finden Sie in meinem Tech-Blog hier: https://medium.com/@barua.aindriya/building-a-nlp-chatbot-for-a-restaurant-with-flask-b978337049f2

Wie richte ich das Projekt ein und führe es aus?

1. Installationsvoraussetzungen Meine Python-Version ist 3.6.13. Um alle erforderlichen Bibliotheken zu installieren, laden/klonen Sie mein GitHub-Repo, öffnen CMD im Ordner und geben Folgendes ein:

pip install -r Anforderungen.txt

2. Laden Sie das vorab trainierte englische FastText-Modell herunter. Laden Sie cc.en.300.bin.gz von https://fasttext.cc/docs/en/crawl-vectors.html herunter. Entpacken Sie es, um cc.en.300.bin herunterzuladen, der Code dafür ist Hilfsskripte in meinem Github-Repo.
3. Bereiten Sie den Datensatz vor. Führen Sie data_embedder.py aus. Dadurch wird die Datei dataset.json übernommen und alle Sätze in FastText-Vektoren konvertiert.

python data_embedder.py

4. Richten Sie Mongo Db auf localhost ein. Installieren Sie MongoDb Compass. Erstellen Sie drei Sammlungen: Menü, Buchungen, Feedback. Das Menü muss fest codiert werden und umfasst Artikel, Kosten, Vegan, Gemüse, Info und Angebot.

Feedback-Dokumente werden eingefügt, wenn ein Benutzer ein Feedback gibt, damit die Restaurantbehörde sie lesen und die erforderlichen Maßnahmen ergreifen kann.

Der Verfasser der Buchungserfassung erhält die eindeutige Buchungs-ID und den Zeitstempel der Buchung, sodass die Buchung überprüft werden kann, wenn der Kunde kommt und die ID an der Rezeption vorzeigt.

5. Führen Sie Flask aus. Dadurch wird die Web-App auf localhost gestartet

export FLASK_APP=app
export FLASK_ENV=Entwicklung
Kolbenlauf