caloriecounter下載 - caloriecounter原始碼下載

卡路里計數器聊天機器人

這是一個基於 Lex 的聊天機器人，它將計算前往不同快餐店所產生的卡路里。它是透過 FB Messenger 聊天機器人啟用的，可以透過 Facebook 頁面或手機上的 Messenger 應用程式存取該聊天機器人。

它如何使用 Lex 的 NLU 模型？
NLU 使用哪些自訂槽？
如何在一個意圖中使用多個插槽？
機器人呼叫的 lambda 函數是什麼？
它從哪裡獲取數據？
如何建立大型自訂插槽？
訊息如何在意圖之間共享？
如何建立供使用者點擊的按鈕？
部署模型是什麼樣的？
機器人有個性嗎？
網站代碼有什麼用？

使用 NLU 模型

該機器人使用 AWS Lex - 一種包含智慧的服務，能夠根據模型中提供的數據破解用戶請求並觸發意圖。然後，意圖呼叫包含特定於意圖的業務邏輯的 lambda 函數。

目前，NLU 流程可分為許多不同的意圖。這是機器人的「核心功能」。

FoodTypeOptions（範例話語 - 我的食物選擇是什麼？）
GetCalories（範例話語 - 一個巨無霸有多少卡路里？）
GetMexicanFoodCalories（範例話語 - 雞肉捲餅中有多少卡路里？）
GetNuggetsCalories（範例話語 - 20 個雞塊中有多少卡路里？）
GetPizzaCalories（範例話語 - Papa Johns 的 2 片義大利辣香腸披薩有多少卡路里？）
GetChineseCalories（範例話語 - 一份宮保雞丁有多少卡路里？）
GetChickenCalories（範例話語 - 一塊原味雞肉有多少卡路里？）

還有一些意圖可以補充核心功能。

MoreDetails（範例話語 - 更多詳細資訊。注意：只有在對話中發出先前請求後才能呼叫它，因為它正在從會話中讀取資料）。
DailyIntakeAnalysis（範例話語 - 分析我的膳食。與更多詳細資訊類似，這使用會話數據，因此必須遵循先前的請求之一。
WhatPizzaTypes（範例話語 - 披薩有哪些類型？）
WhichRestaurants（範例話語 - 餐廳清單。）
計算BMR（範例話語 - 我每日建議的卡路里攝取量是多少？）
GetCarbs（範例話語 - 其中有多少碳水化合物？）

然後是形成機器人「個性」的意圖。這些是根據真實用戶使用情況創建的，並防止使用通用錯誤訊息來回應。

EndConversation（內建意圖 - 使用 AWS 範例話語，例如 - 停止）
簡介（範例話語 - 你好、開始使用、發送訊息）
謝謝（範例話語 - 謝謝，再見，再見）
補語（範例話語 - 我愛你）
評論家（示例話語 - Uuck）
震驚（範例話語 - 哇，哎喲）
MyName（範例話語 - 你叫什麼名字）
HelpRequest（內建意圖 - 使用 AWS 範例話語，例如 - 說明）
NewRestaurant（範例話語 - 新餐廳。這會清除會話。）

在每個意圖中，提供了建構使用者可以提供的潛在句子的範例話語。槽的值（即 Large Fry）會作為唯一屬性傳遞給 lambda 函數。

您可以執行以下命令從 AWS CLI 取得摘要資訊。

aws lex-models get-bot --name FastFoodChecker --version-or-alias PROD

自訂插槽

它是樣本話語和槽的組合，決定 NLU 模型將呼叫哪個意圖。這些在 Lex 中維護，並用於訓練模型。

目前，以下是意圖使用的自訂插槽。

FoodOptions（範例值：Big Mac、Smokehouse Brisket Sandwich 等。這有數百個條目，是從foods.json 資料物件產生的）。
DrinkOptions（範例值：水、冰茶、大份檸檬水等。這有很多條目，是從 Drinks.json 資料物件產生的）。
快餐餐廳（範例值：Chick-fil-A、麥當勞、Wendy's）
FoodType（範例值：漢堡、沙拉、雞肉）
ExtraItems（範例值：大份油炸食品、糖餅乾、配菜沙拉）
MexicanFoodTypes（範例值：Burrito、Gordita、Soft Taco）
準備（範例值：烤、炸、烘焙）
蛋白質（樣本值：牛排、雞肉、黑豆）
PizzaRestaurants（範例值：Dominos、Papa John's、Little Caesars）
PizzaSize（樣本值：小、中、大）
PizzaType（範例值：香腸、義大利辣香腸、檀香山夏威夷菜）
ChineseEntree（樣本值：橘子雞、宮保雞丁）
ChineseSide（樣本值：炒飯、什錦蔬菜）
中式開胃菜（範例值：蛋捲、春捲）
食物調整（範例值：添加酪梨醬，不添加起司）
DressingOptions（範例值：義大利、香醋）
DippingSauce（範例值：蜂蜜芥末、糖醋）
ChickenPart（樣本值：雞腿、胸肉、雞翅）
ChickenStyle（範例值：原味配方、特脆）
ChickenSides（範例值：馬鈴薯泥、烤豆）

不需要在槽中指定項，NLU 即可將值放入其中。但是，如果資料稀疏，則可能會降低 NLU 解釋使用者請求的方式。

單一意圖中的多個插槽

聊天機器人的可用性需要與使用者進行自然互動。一個關鍵概念是如何將多個插槽合併到一個意圖。例如，用戶可以詢問“巨無霸、薯條和可樂中有多少卡路里？”這是三個不同的項目，每個項目都需要解析出來。在這個聊天機器人中，主要處理有許多不同的槽映射到意圖。例如，以下是映射到 GetCalories 意圖的插槽。

其中有幾點要注意。

在上面的範例請求中，NLU 模型會將話語中的資料解析為三個不同的槽（食物、額外和飲料）。
槽順序對於解析並不重要，但它確實會影響下一個回應（槽 1 - 您在哪家餐廳？）
此意圖中不需要兩個槽 - Ketchup 和 PacketsKetchup。如果需要薯條作為配菜，則需要提供此可選資訊。這是由驗證程式碼掛鉤中呼叫的 Lambda 函數中的程式碼所驅動的。

lambda 中的規則邏輯

制定對不同意圖的反應的所有邏輯都是在一系列 lambda 函數中處理的。要呼叫哪個 lambda 函數在 Lex 中管理，並在意圖層級設定。這使得能夠在應用程式中建立模組化，從而保持功能的輕量級。

Lex 中有兩個不同的位置可以呼叫 lambda 函數。第一種是透過基本驗證，標識它的屬性名稱稱為 invokingSource。有兩個潛在值 - DialogCodeHook 和 FulfillmentCodeHook。以下是 Lex Bot 中指定這些 Lambda 函數的位置。

第一個下拉清單是“驗證”，每次呼叫機器人時都會呼叫 lambda 函數。它傳遞的屬性稱為 DialogCodeHook。第二個下拉清單是“履行”，只有在完成強制槽並且初始呼叫的驗證完成後才會呼叫。這允許功能不同，從而在構建機器人時實現更好的可擴展性。

以下是目前編寫的每個函數的概述。

lambda.js - 處理查詢的基本驗證的主函數，僅在 DialogCodeHook 模式下取得。
calculate.js - 計算飲食中實際卡路里的反應由函數處理，並由 FulfillmentCodeHook 提供。
Pizza.js - 處理計算披薩卡路里的意圖，包括意圖 - WhatPizzaTypes。
Misc.js - 處理簡單的意圖，例如幫助、介紹和有關膳食的更多細節。
chinese.js - 處理中餐的意圖，並將不同的槽耦合在一起形成一頓飯。

資料查找表

機器人的核心功能是能夠回答不同餐點中含有多少卡路里的查詢。雖然 Lex 使用的槽有助於訓練 NLU 模型，但它們無法用作查找文件。這就是儲存在 /src/data/ 資料夾中的 json 物件的來源。

這是格式範例。

[
    {
        " restaurant " : " Chipotle " ,
        " foodItems " :[
            { " foodName " : " Chicken Burrito " , " foodType " : " Burrito " , " protein " : " chicken " , " calories " :975},
            { " foodName " : " Steak Burrito " , " foodType " : " Burrito " , " protein " : " steak " , " calories " :945},
            { " foodName " : " Carnitas Burrito " , " foodType " : " Burrito " , " protein " : " carnitas " , " calories " :1005},

lambda 函數引用這些物件來回應不同的查詢，並計算使用者的卡路里消耗。

每個食物項目可以針對用於檢索的不同拼字和短語進行重複。例如。

	    { " foodName " : " Fries " , " calories " :340},
            { " foodName " : " Fry " , " calories " :340},
            { " foodName " : " Frys " , " calories " :340},
	    { " foodName " : " French Fries " , " calories " :340},
            { " foodName " : " French Fry " , " calories " :340},
	    { " foodName " : " Medium Fries " , " calories " :340},
            { " foodName " : " Medium Fry " , " calories " :340},

還有關於醬汁、調味料和個別項目調整的查找表。例如。

[
    {
        " dressingName " : " Ranch " ,
        " calories " :200,
        " carbs " :11,
        " restaurantNames " :[ " McDonalds " ]
    },
    {
        " dressingName " : " French " ,
        " calories " :300,
        " carbs " :22,
        " restaurantNames " :[ " McDonalds " ]
    },

鑑於 NLU 模型不會修正使用者提供的拼寫，因此由 Lambda 函數來處理這部分邏輯。

大型客製化老虎機

管理大型自訂槽可能很困難，尤其是在資料是動態的情況下。主要的食物查找有數百個獨特的值，並且根據用戶的使用情況不斷增長。建立此槽的過程已自動化，且自訂槽的資料取自foods.json 資料物件。這是透過 AWS CLI 完成的，AWS CLI 可以直接從命令列載入這些內容。所有文件都包含在 [slots}(https://github.com/terrenjpeterson/caloriecounter/tree/master/src/slots) 目錄中以供參考。以下是用於建立的步驟。

food.json 資料物件傳遞給名為convertFoodsObjForSlot 的lambda 函數。
此函數對資料進行排序，消除重複項，然後將資料格式化為僅包含主菜名稱的簡單陣列。
該陣列將會被傳回，然後使用 put-slot-type 指令傳遞到 AWS CLI。
然後透過控制台手動重建模型並像任何其他訓練活動一樣進行部署。

語法看起來像這樣。

 # foods.json is the data object that will be passed to the lambda function
request= $( < foods.json )

# invoke the lambda function from the command line and write the output to output.json
aws lambda invoke --function-name convertFoodsObjForSlot --payload " $request " output.json

data= $( < output.json )

# invoke lex to create a new version of the FoodEntreeNames custom slot using the data from output.json
aws lex-models put-slot-type --name FoodEntreeNames --checksum < enter latest checksum here > --enumeration-values " $data " >> sysout.txt

此外，校驗和值來自自訂插槽的先前部署。您可以透過 get-slot-type 指令找到插槽的目前校驗和。

 # find the latest information about a custom slot
aws lex-models get-slot-type --name FoodOptions --slot-type-version ' $LATEST '

在意圖之間共享會話數據

使用者和機器人之間有效的長期對話的關鍵是管理對話上下文。例如，對話可能會持續幾分鐘，並調用許多意圖。

促進這一點的一部分是設計對話流程。錯誤訊息不應太突然，並應引導使用者進行替代查詢。意圖也應該在彼此之間傳遞資料。這可以透過在完成意圖時保存會話資料來實現。這允許下一個意圖檢索訊息，而不需要使用者對每個請求重複它。

在上面的範例中，對話從使用者指示他們正在哪家餐廳吃飯開始。這透過 FoodTypeOptions 意圖保留在會話中。對話框切換到膳食的詳細信息，但餐廳名稱被保存。此外，關於卡路里計數的初始回應很簡短，但如果用戶說“更多詳細資訊”，則會提供更詳細的解釋。資料再次儲存在會話資料中，並作為 Lex 框架的一部分傳回。這是其中一個物件的範例。

{
    " messageVersion " : " 1.0 " ,
    " invocationSource " : " FulfillmentCodeHook " ,
    " userId " : " 1712299768809980 " ,
    " sessionAttributes " : {
        " restaurantName " : " Burger King " ,
        " foodName " : " Whopper " ,
        " foodCalories " : " 660 " ,
        " extraName " : " Onion Rings " ,
        " extraCalories " : " 410 " ,
        " drinkCalories " : " 310 " ,
        " drinkName " : " 32 oz. Large Coke " ,
        " totalCalories " : " 1380 "
    },
    " bot " : {
        " name " : " FastFoodChecker " ,
        " alias " : " PROD " ,
        " version " : " 42 "
    },
    " outputDialogMode " : " Text " ,
    " currentIntent " : {
        " name " : " DailyIntakeAnalysis " ,
        " slots " : {},
        " slotDetails " : {},
        " confirmationStatus " : " None "
    },
    " inputTranscript " : " Analyze my meal "
}

該機器人中的 lambda 函數是完全無狀態的，因此先前呼叫的任何資料都必須透過請求物件。

在使用者介面中建立按鈕

主要聊天機器人使用者介面（Messenger、Slack 等）的功能之一是按鈕。透過提供一系列這樣的選項，減少了用戶的工作量。

每個訊息傳遞平台都有自己的此模式實現，以下是 Messenger 使用的實現。 Lex 處理翻譯以將按鈕轉換為正確的格式，並且在 Lex 中，需要向 responseCard 屬性提供按鈕詳細資訊的詳細資訊。

部署管道

修改 Lex 完全透過控制台完成。為業務邏輯提供服務的 lambda 函數託管在 AWS lambda 中，並從 EC2 主機部署。

完整的部署腳本是 /src/build.sh，但可以在以下說明中找到快速概述。

 # this creates the build package as a zip file containing the code and relevant data objects
zip -r foodbot.zip lambda.js data/restaurants.json data/foods.json data/drinks.json

# this CLI command copies the build package to an s3 bucket for staging
aws s3 cp foodbot.zip s3://fastfoodchatbot/binaries/

# this CLI command takes the package from the s3 bucket, and overlays the lambda function 'myCalorieCounterGreen'
aws lambda update-function-code --function-name myCalorieCounterGreen --s3-bucket fastfoodchatbot --s3-key binaries/foodbot.zip

# this CLI command invokes the lambda function with the data object  read into request, and writes out a response to the testOutput data object.
aws lambda invoke --function-name myCalorieCalculatorGreen --payload " $request " testOutput.json

在充當建置伺服器的主機上建立一個 zip 檔案。它來自構建伺服器，在其中操作原始程式碼和資料檔案。然後在本地讀取資料文件，每當它們發生更改時，就會建立一個新的部署。
使用正確的 AWS CLI 指令將 zip 檔案上傳到 s3 儲存桶。
使用新套件更新現有 lambda 函數，並使用 AWS CLI 命令提供包含建置包的 zip 檔案的位置。
使用有效的範例資料直接執行 lambda 函數的測試。傳回回應物件並將其寫入控制台以及本機檔案。

對於 Lex 呼叫的每個 lambda 函數都會重複此過程。這包括為每個 lambda 函數至少設定一個測試條件，以確保部署正確完成。

為機器人添加個性

機器人設計的主題之一是擁有個性。設計意圖時需要考慮的是使用者可能會問的所有問題是什麼。這應該包括離題的問題，例如“你叫什麼名字”或情緒反應，例如“哦不”或“你很糟糕”。這些很容易編碼 - 通常只是一個簡單的請求回應，不涉及槽，並且確實會使對話框更加自然。

例如，以下是在 Misc.js 函數中編碼的簡短回應，如果有人詢問機器人名稱是什麼，該回應會做出回應。在模型中，說出「你叫什麼名字」就解決了這個意圖。

 if (intentName === ' MyName ' ) {
    console.log( " user requested bot name " ) ;
    return getBotName(intentRequest, callback) ;
}
...
function getBotName(intentRequest, callback) {
    const sessionAttributes = intentRequest.sessionAttributes || {} ;

    var botResponse = " My name is Chuck. I'm a chatbot that helps people sort out " +
	" fast food options. Talking about food all day makes me hungry!!! " ;

    callback(close(sessionAttributes, ' Fulfilled ' ,
        { contentType: ' PlainText ' , content: botResponse })) ;
}