s434788/System_Dialogowy_Janet
1
0
Fork 0
Code Issues Pull Requests Releases Wiki Activity

Compare commits

base: s434788:master
Branches Tags
s434788:master
s434788:WIP
s434788:dummy
s434788:chatbot
..
compare: s434788:dummy
Branches Tags
s434788:master
s434788:WIP
s434788:dummy
s434788:chatbot

No commits in common. "master" and "dummy" have entirely different histories.
master ... dummy

21 changed files with 710 additions and 1878 deletions
Show Stats Expand all files Collapse all files

5
.gitignore vendored
View File

@ -1,5 +0,0 @@
*frame-model*
*slot-model*
.venv*
env*
*__pycache__*

583
.ipynb_checkpoints/DL_Chatbot_ver_1_0-checkpoint.ipynb Normal file
View File

@ -0,0 +1,583 @@
{
"cells": [
{
"cell_type": "markdown",
"metadata": {
"id": "HxtCFj1hfXw6"
},
"source": [
"# 0. Instalacja i importowanie modułów"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "enDE5aTIgN-v"
},
"source": [
"##### 0.1. Ogólne"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "D7_8XDfpfH-X"
},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Collecting tflearn==0.5 (from -r requirements.txt (line 1))\n",
"\u001b[?25l Downloading https://files.pythonhosted.org/packages/e7/3c/0b156d08ef3d4e2a8009ecab2af1ad2e304f6fb99562b6271c68a74a4397/tflearn-0.5.0.tar.gz (107kB)\n",
"\u001b[K |████████████████████████████████| 112kB 1.7MB/s eta 0:00:01\n",
"\u001b[?25hCollecting tensorflow (from -r requirements.txt (line 2))\n",
"\u001b[?25l Downloading https://files.pythonhosted.org/packages/70/dc/e8c5e7983866fa4ef3fd619faa35f660b95b01a2ab62b3884f038ccab542/tensorflow-2.4.1-cp37-cp37m-manylinux2010_x86_64.whl (394.3MB)\n",
"\u001b[K |█████████████████████▍ | 263.6MB 2.0MB/s eta 0:01:06 |▉ | 10.3MB 2.0MB/s eta 0:03:11 |██ | 24.7MB 2.3MB/s eta 0:02:38 |██▏ | 26.4MB 2.1MB/s eta 0:02:59 |███▍ | 42.2MB 1.8MB/s eta 0:03:14 |█████████▊ | 120.4MB 2.7MB/s eta 0:01:42 |██████████▉ | 133.4MB 2.4MB/s eta 0:01:49 |███████████████▍ | 190.0MB 3.0MB/s eta 0:01:08 |█████████████████ | 209.0MB 2.5MB/s eta 0:01:15 |██████████████████▌ | 227.7MB 2.8MB/s eta 0:01:00 |██████████████████▉ | 232.4MB 2.6MB/s eta 0:01:03 |███████████████████▊ | 242.5MB 3.2MB/s eta 0:00:47 |███████████████████▊ | 242.9MB 3.2MB/s eta 0:00:47"
]
}
],
"source": [
"!pip install -r requirements.txt --user\n",
"!pip list"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "GOGs4hL6fwwK"
},
"outputs": [],
"source": [
"import numpy as np\n",
"import tflearn\n",
"import tensorflow\n",
"import random\n",
"import json"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "Mr0ZD1L2gCWw"
},
"source": [
"##### 0.2. Angielski Stemmer: https://www.nltk.org/_modules/nltk/stem/lancaster.html"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "jy4-9guXgBY3"
},
"outputs": [],
"source": [
"import nltk\n",
"\n",
"nltk.download('punkt')\n",
"from nltk.stem.lancaster import LancasterStemmer\n",
"stemmer_en = LancasterStemmer()"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "uPpcNQa_ggUl"
},
"source": [
"##### 0.3. Polski Stemmer **(Docelowy)**: https://pypi.org/project/pystempel/"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "XBpvJXn1gBDi"
},
"outputs": [],
"source": [
"from stempel import StempelStemmer\n",
"\n",
"stemmer_pl = StempelStemmer.default() #może wersja \".polimorf()\" jest lepsza?"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "Lg_3MO_3hQV_"
},
"source": [
"# 1. Załadowanie plików **.json** z bazą słów"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "BzBo1657hn3w"
},
"source": [
"##### 1.1. Docelowa baza słów polskich do nauki modelu (10 rodzajów odp - PL)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "jKsIW7hHhepB",
"outputId": "09ba1cb1-bb0e-44ee-9d28-017209902934"
},
"outputs": [],
"source": [
"with open(\"intents_pl.json\", encoding='utf-8') as file:\n",
" data_pl = json.load(file)\n",
"\n",
"print(data_pl)"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "g94eHpqshoat"
},
"source": [
"##### 1.2. Skrócona baza słów (4 rodzaje odp - PL)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "gJbm_CtRhNOK",
"outputId": "157196fc-6a25-4a70-aca3-9d886c743f6c"
},
"outputs": [],
"source": [
"with open(\"intents_pl_short.json\", encoding='utf-8') as file:\n",
" data_pl_short = json.load(file)\n",
"\n",
"print(data_pl_short)"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "HjkIUMy2ho6C"
},
"source": [
"##### 1.3. Testowa baza słów angielskich (6 rodzajów odp - EN)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "vW5FyoRqhfIc",
"outputId": "378d8894-9c9c-46be-ade1-b6491f095179"
},
"outputs": [],
"source": [
"with open(\"intents_en.json\", encoding='utf-8') as file:\n",
" data_en = json.load(file)\n",
"\n",
"print(data_en)"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "4BnsOkqqjBlr"
},
"source": [
"# 2. Przygotowanie danych do nauki modelu"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "gy6p55-DjLyY"
},
"outputs": [],
"source": [
"words = []\n",
"labels = []\n",
"docs_x = []\n",
"docs_y = []"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "XxZX-JQA5zjL"
},
"source": [
"##### 2.1 Stworzenie tablicy ze wszystkimi możliwymi inputami użytkownika (+ labele)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "nBUKwSr_kVSd"
},
"outputs": [],
"source": [
"for intent in data_pl_short[\"intents\"]: #Loop przez cały json\n",
" for pattern in intent[\"patterns\"]: #loop przez wszystkie możliwe rodzaje przykładowego inputu użytkownika\n",
" wrds = nltk.word_tokenize(pattern) #Tokenizing every word\n",
" words.extend(wrds) #Add every single tokenized word\n",
" docs_x.append(wrds) #Add the whole tokenized sentence\n",
" docs_y.append(intent[\"tag\"]) #Pattern x coresponds to the tag y. Potrzebne do ustalenia relacji słowa z odpowiedzią\n",
"\n",
" if intent[\"tag\"] not in labels:\n",
" labels.append(intent[\"tag\"]) #Add the tag"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "wOyP5lbikV1e"
},
"outputs": [],
"source": [
"words = [stemmer_pl.stem(w.lower()) for w in words if w not in \"?\"] #stemming -> take each word and bring it to the \"root\" form. Only the stemmed version of the word is important to us\n",
"words = sorted(list(set(words))) #Sorting\n",
"\n",
"labels = sorted(labels) #sorting\n",
"\n",
"training = []\n",
"output = []\n",
"\n",
"out_empty = [0 for _ in range(len(labels))]"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"#Podgląd zmiennych\n",
"print(f\"Words:\\n{words}\")\n",
"print(f\"labels:\\n{labels}\")\n",
"print(f\"docs_y:\\n{docs_y}\")\n",
"print(f\"docs_x:\\n{docs_x}\")"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "WewUeunf5_Za"
},
"source": [
"##### 3.2. Przypisywanie słów do danej kategorii (ie. \"Cześć\" do Greetings)"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "1Q43_qtZ6KNP"
},
"source": [
"W przypadku data_pl_short są tylko 4 rodzaje odpowiedzi. \"Cześć\" które zostane przypisane do labela \"greeting\" będzie miało formę końcowego outputu \"1000\" jeżeli label \"greetings\" jest pierwszy do wyboru."
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "doFER5OS7CC_"
},
"source": [
"Warto też dodać, że sieć neuronowa nie przyjmuje teksu. To jest główny powód czemu przypisujemy słowa do kategorii"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "8FDKrjpjkYsE"
},
"outputs": [],
"source": [
"for x, doc in enumerate(docs_x): #Przejście przez wszystkie słowa\n",
" bag =[]\n",
"\n",
" wrds = [stemmer_pl.stem(w) for w in doc] #podział wszystkich słów w danym zdaniu\n",
"\n",
" for w in words:\n",
" if w in wrds:\n",
" bag.append(1) #this word exist\n",
" else:\n",
" bag.append(0) #do not exist\n",
" \n",
" output_row = out_empty[:] #kopia\n",
" output_row[labels.index(docs_y[x])] = 1\n",
"\n",
" training.append(bag) #dodajemy nowe wyrażenie zamienione na ciąg binarny\n",
" output.append(output_row)\n",
"\n",
"training = np.array(training) #Zbiór treningowy\n",
"output = np.array(output) #Zbiór outputów"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "cJKUjbkC72-f",
"outputId": "7e2bff96-78ce-49ff-b27b-eee77752228d"
},
"outputs": [],
"source": [
"len(training) #dla pl_short mamy 44 słowa"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "Kx43VDgS7-yN",
"outputId": "4fa6f6fe-dc58-4e76-bb26-38c1784ab79c"
},
"outputs": [],
"source": [
"len(output[0]) #Które można przypisać do 4 kategorii"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"print(training)\n",
"print(output)"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "yCFKTbjZ12wh"
},
"source": [
"# 3. Model i jego ćwiczenie"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "MDA435sI1-Xl"
},
"outputs": [],
"source": [
"training = np.array(training) #zamiana typu dla sieci neuronowej\n",
"output = np.array(output) #zamiana typu dla sieci neuronowej"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "SvBURQCc3PBj"
},
"source": [
"##### 3.1. Stworzenie DLN i inicjacja modelu"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "XaQJh1aG2hbj",
"outputId": "80420df0-3a78-4583-9563-2165e968713d"
},
"outputs": [],
"source": [
"tensorflow.compat.v1.reset_default_graph() #Reset na wszelki wypadek (w sumie nie wiem czy to jakaś super ważna linijka kodu)\n",
"\n",
"net = tflearn.input_data(shape=[None, len(training[0])]) #Input layer\n",
"net = tflearn.fully_connected(net, 8) #8 neurons for hidden layer\n",
"net = tflearn.fully_connected(net, 8) #8 neurons for hidden layer\n",
"#net = tflearn.fully_connected(net, 8) #8 neurons for hidden layer\n",
"net = tflearn.fully_connected(net, len(output[0]), activation=\"softmax\") #len(output) neurons for output layer + Softmax jako najlepsze wyjście dla tego typu danych\n",
"net = tflearn.regression(net)\n",
"\n",
"model = tflearn.DNN(net)\n",
"\n"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "Ktd1OcBa3PmQ"
},
"source": [
"##### 3.2. Trening Modelu"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "REzkJL_r2hwl",
"outputId": "7ab2b0c5-944f-4e22-d478-1e35b41f87db"
},
"outputs": [],
"source": [
"model.fit(training, output, n_epoch=1000, batch_size=8, show_metric=True)\n",
"\n",
"#Zapis Modelu\n",
"#model.save(\"model.tflearn\")"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "G-L6TV_63iYs"
},
"source": [
"# 4. Input Użytkownika"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "c6UvIrWu-a38"
},
"source": [
"##### 4.1 Funkcja **\"bag_of_words(s, words)\"** do stemmowania twojego zdania, i przypisania mu formy binarnej"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "1IQyV1v33lC7"
},
"outputs": [],
"source": [
"def bag_of_words(s, words):\n",
" bag = [0 for _ in range(len(words))]\n",
"\n",
" s_words = nltk.word_tokenize(s)\n",
" s_words = [stemmer_pl.stem(word.lower()) for word in s_words]\n",
"\n",
" for se in s_words:\n",
" for i, w in enumerate(words):\n",
" if w == se:\n",
" bag[i] = 1\n",
" return np.array(bag)"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "rXq-wj-F-5DE"
},
"source": [
"##### 4.2 Funkcja **\"chat()\"** do rozmowy z botem"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"id": "Je6OSZ679-KL"
},
"outputs": [],
"source": [
"def chat():\n",
" print(\"Możesz rozpocząć rozmowę z Botem! (type quit to stop)\")\n",
" while True: #Ciągła rozmowa\n",
" inp = input(\"Ty: \")\n",
" if inp.lower() == \"quit\": #Quit by wyjść z loopa\n",
" break\n",
"\n",
" result = model.predict([bag_of_words(inp,words)]) #Predictowanie przy pomocy wyćwiczonego modelu\n",
" result_index = np.argmax(result)\n",
" tag = labels[result_index]\n",
" \n",
" for tg in data_pl_short[\"intents\"]: #znalezienie poprawnego tagu do zdania\n",
" if tg['tag'] == tag:\n",
" responses = tg['responses']\n",
" \n",
" print(random.choice(responses)) #Wyprintuj losową odpowiedz z danego zbioru odpowiedzi"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "ifvjglbO_SEA"
},
"source": [
"# 5. Rozmowa z botem!"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "VZf_aCUM-Amm",
"outputId": "9e3fcf7b-b9b3-47b0-acb5-48214f07f363"
},
"outputs": [],
"source": [
"chat()"
]
}
],
"metadata": {
"colab": {
"name": "DL_Chatbot_ver_1_0.ipynb",
"provenance": [],
"toc_visible": true
},
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.7.3"
}
},
"nbformat": 4,
"nbformat_minor": 1
}

29
Code/Create_lists.py
View File

@ -1,29 +0,0 @@
import pandas as pd
import numpy as np
file1 = open('Janet.conllu', 'r')
Lines = file1.readlines()
texts = []
intents = []
count = 0
# Strips the newline character
for line in Lines:
count += 1
if(line.startswith('# text')):
p_line = line.strip()
print("Line{}: {}".format(count, p_line[8:]))
texts.append(p_line[8:])
if(line.startswith('# intent')):
x_line = line.strip()
print("Line{}: {}".format(count, x_line[10:]))
intents.append(x_line[10:])
data = {'Text':texts, 'Intent':intents}
df = pd.DataFrame(data)
print(df.head(5))
df.to_csv(r'data.tsv',index=False, sep='\t')

43
Code/Janet.py
View File

@ -1,43 +0,0 @@
#import jsgf
from Modules.NLG_module import NLG
from Modules.DP_module import DP
from Modules.DST_module import Rules_DST
# from Modules.Book_NLU_module import Book_NLU
from Modules.ML_NLU_module import ML_NLU
import random
import torch
random.seed(42)
torch.manual_seed(42)
if torch.cuda.is_available():
torch.cuda.manual_seed(0)
torch.cuda.manual_seed_all(0)
torch.backends.cudnn.enabled = False
torch.backends.cudnn.benchmark = False
torch.backends.cudnn.deterministic = True
class Janet:
def __init__(self):
self.nlg = NLG()
self.dp = DP()
self.dst = Rules_DST()
#self.nlu = Book_NLU(jsgf.parse_grammar_file('book.jsgf'))
self.nlu_v2 = ML_NLU()
def process(self, command):
act = self.nlu_v2.test_nlu(command)
system_acts = self.dp.predict(self.dst.update_user(act))
return self.nlg.change_to_text(system_acts)
def main():
janet = Janet()
while(1):
print('\n')
text = input("Wpisz tekst: ")
print(janet.process(text))
if __name__ == "__main__":
main()

51
Code/Modules/Book_NLU_module.py
View File

@ -1,51 +0,0 @@
import jsgf
class Book_NLU: #Natural Language Understanding
"""
Moduł odpowiedzialny za analizę tekstu. W wyniku jego działania tekstowa reprezentacja wypowiedzi użytkownika zostaje zamieniona na jej reprezentację semantyczną, najczęściej w postaci ramy.
Wejście: Tekst
Wyjście: Akt użytkownika (rama)
"""
def __init__(self, book_grammar):
self.book_grammar = book_grammar
def get_dialog_act(self, rule):
slots = []
self.get_slots(rule.expansion, slots)
return {'act': rule.grammar.name, 'slots': slots}
def get_slots(self, expansion, slots):
if expansion.tag != '':
slots.append((expansion.tag, expansion.current_match))
return
for child in expansion.children:
self.get_slots(child, slots)
if not expansion.children and isinstance(expansion, jsgf.NamedRuleRef):
self.get_slots(expansion.referenced_rule.expansion, slots)
def analyze(self, text):
"""
Analiza Tekstu wprowadzonego przez użytkownika i zamiana na akt (rama)
"""
print("Analiza Tekstu: " + text)
act = "(greetings()&request(name))"
print("Akt to: " + act)
#przerobienie na wektor
act_vector = [[0],[1,0]] #1 wektor to greetings, a 2 wektor to request z argumentem "name"
print("Zamiana na: ")
print(act_vector)
return act_vector
def test_nlu(self, utterance):
matched = self.book_grammar.find_matching_rules(utterance)
print(matched)
if matched:
return self.get_dialog_act(matched[0])
else:
return {'act': 'null', 'slots': []}

122
Code/Modules/DP_module.py
View File

@ -1,122 +0,0 @@
from collections import defaultdict
class DP():
"""
Moduł decydujący o wyborze kolejnego aktu, który ma podjąć system prowadząc rozmowę.
Wejście: Reprezentacja stanu dialogu (rama)
Wyjście: Akt systemu (rama)
"""
def predict(self, state):
self.results = []
system_action = defaultdict(dict)
user_action = defaultdict(list)
system_acts = []
while len(state['user_action']) > 0:
intent, domain, slot, value = state['user_action'].pop(0)
user_action[(domain, intent)].append((slot, value))
for user_act in user_action:
system_acts.append(self.update_system_action(user_act, user_action, state, system_action))
state['system_action'] = system_acts
print(state)
print("\n")
return system_acts
# # Reguła 3
# if any(True for slots in user_action.values() for (slot, _) in slots if slot in ['Stay', 'Day', 'People']):
# if self.results:
# system_action = {('Booking', 'Book'): [["Ref", self.results[0].get('Ref', 'N/A')]]}
# system_acts = [[intent, domain, slot, value] for (domain, intent), slots in system_action.items() for slot, value in slots]
# state['system_action'] = system_acts
# return system_acts
def update_system_action(self, user_act, user_action, state, system_action):
domain, intent = user_act
# Reguła 1
if domain == 'appointment':
constraints = [(slot, value) for slot, value in state['belief_state'][domain.lower()].items() if value != '']
if len(constraints) == 0:
system_action[(domain, 'NoOffer')] = []
elif intent == 'appointment/create_appointment':
for x in constraints:
if(x[0] == 'doctor'):
system_action[(domain, 'book_appointent')][x[0]] = x[1]
for y in constraints:
if(y[0] == 'datetime'):
system_action[(domain, 'book_appointent')][y[0]] = y[1]
elif intent == 'appointment/set_date':
for y in constraints:
if(y[0] == 'datetime'):
system_action[(domain, 'set_appointment_date')][y[0]] = y[1]
#################################################################################################
# Reguła 2
if domain == 'request_information':
constraints_v2 = [(slot, value) for slot, value in state['request_state'][domain.lower()].items() if value != '']
if intent == 'request_information/available_dates':
for x in constraints_v2:
if(x[0] == 'doctor'):
system_action[(domain, 'date_info')][x[0]] = x[1]
for y in constraints_v2:
if(y[0] == 'datetime'):
system_action[(domain, 'date_info')][y[0]] = y[1]
elif intent == 'request_information/doctors':
system_action[("inform", 'Doctors_list')] = {"doctors": "dr. Kolano - okulista, dr. Kowalski - internista, dr. Kaszak - ginekolog"}
elif intent == 'request_information/location':
system_action[("inform", 'Location')] = {"street": "Marszałkowska", "number": "45", "city": "Poznań"}
elif intent == 'request_information/cost':
system_action[("inform", 'Cost')] = {"cost": "100 zł"}
elif intent == 'request_information/opening_hours':
system_action[("inform", 'Opening_Hours')] = {"hours": "'8:00 - 16:00"}
elif intent == 'request_information/medical_services':
system_action[("inform", 'Medical_services')] = {"services": "Okulista, Internista, Ginekolog"}
elif len(constraints) == 0:
system_action[("inform", 'NoOffer')] = {'0': '0'}
#################################################################################################
# Reguła 3
if domain == 'end_conversation':
system_action[(domain, 'End_Conversation')] = {'0': '0'}
#################################################################################################
# Reguła 4
if domain == 'greeting':
system_action[(domain, 'Greeting')] = {'0': '0'}
#################################################################################################
# Reguła 5
if domain == 'prescription':
constraints_v2 = [(slot, value) for slot, value in state['request_state'][domain.lower()].items() if value != '']
if intent == 'prescription/request':
for x in constraints_v2:
if(x[0] == 'prescription/type'):
system_action[(domain, 'create_prescription')][x[0]] = x[1]
for y in constraints_v2:
if(y[0] == 'prescription/medicine'):
system_action[(domain, 'create_prescription')][y[0]] = y[1]
elif intent == 'prescription/collect':
for x in constraints_v2:
if(x[0] == 'prescription/type'):
system_action[(domain, 'collect_prescription')][x[0]] = x[1]
elif intent == 'prescription/type':
for x in constraints_v2:
if(x[0] == 'prescription/type_info'):
system_action[(domain, 'prescription type')][x[0]] = x[1]
if len(constraints_v2) == 0:
system_action[(domain, 'NoOffer')] = []
return system_action
## Brakuje: Rejestracja, Login, Hasło, affirm, deny

57
Code/Modules/DST_module.py
View File

@ -1,57 +0,0 @@
import json
class Rules_DST(): #Dialogue State Tracker
"""
Moduł odpowiedzialny za śledzenie stanu dialogu. Przechowuje informacje o tym jakie dane zostały uzyskane od użytkownika w toku prowadzonej konwersacji.
Wejście: Akt użytkownika (rama)
Wyjście: Reprezentacja stanu dialogu (rama)
"""
def __init__(self):
self.state = json.load(open('default_state.json'))
def update_user(self, user_acts=None):
for intent, domain, slot, value in user_acts:
self.state["user_action"].append([intent, domain, slot, value])
if domain in ['password', 'name', 'email', 'enter_email', 'enter_name']:
return
if 'appointment' in intent:
if (slot == 'appointment'):
continue
if(domain in slot):
slot.replace(domain + "/", '')
domain_dic = self.state['belief_state'][domain]
if slot in domain_dic:
self.state['belief_state'][domain][slot] = value
if 'prescription' in intent:
if (slot == 'prescription'):
continue
if(domain in slot):
slot.replace(domain + "/", '')
if domain not in self.state['request_state']:
self.state['request_state'][domain] = {}
if slot not in self.state['request_state'][domain]:
self.state['request_state'][domain][slot] = value
if 'request_information' in intent:
if (slot == 'request_information'):
continue
if(domain in slot):
slot.replace(domain + "/", '')
if domain not in self.state['request_state']:
self.state['request_state'][domain] = {}
if slot not in self.state['request_state'][domain]:
self.state['request_state'][domain][slot] = value
elif intent == 'end_conversation':
self.state = json.load(open('default_state.json'))
return self.state

75
Code/Modules/ML_NLU_module.py
View File

@ -1,75 +0,0 @@
from flair.data import Sentence, Token
from flair.datasets import SentenceDataset
from flair.models import SequenceTagger
class ML_NLU:
def __init__(self):
self.slot_model, self.frame_model = self.setup()
def nolabel2o(self, line, i):
return 'O' if line[i] == 'NoLabel' else line[i]
def conllu2flair(self, sentences, label=None):
fsentences = []
for sentence in sentences:
fsentence = Sentence()
for token in sentence:
ftoken = Token(token['form'])
if label:
ftoken.add_tag(label, token[label])
fsentence.add_token(ftoken)
fsentences.append(fsentence)
return SentenceDataset(fsentences)
def predict(self, sentence):
csentence = [{'form': word} for word in sentence]
fsentence = self.conllu2flair([csentence])[0]
self.slot_model.predict(fsentence)
self.frame_model.predict(fsentence)
possible_intents = {}
for token in fsentence:
for intent in token.annotation_layers["frame"]:
if(intent.value in possible_intents):
possible_intents[intent.value] += intent.score
else:
possible_intents[intent.value] = intent.score
return [(token, ftoken.get_tag('slot').value) for token, ftoken in zip(sentence, fsentence)], max(possible_intents)
def setup(self):
slot_model = SequenceTagger.load('slot-model/final-model.pt')
frame_model = SequenceTagger.load('frame-model/final-model.pt')
return slot_model, frame_model
def test_nlu(self, utterance):
if utterance:
slots, act = self.predict(utterance.split())
slots = [x for x in slots if x[1] != 'O']
arguments = self.convert_slot_to_argument(slots)
return self.convert_act_to_list(act, arguments)
else:
return 'Critical Error'
def convert_slot_to_argument(self, slots):
arguments = []
candidate = None
for slot in slots:
if slot[1].startswith("B-"):
if(candidate != None):
arguments.append(candidate)
candidate = [slot[1].replace("B-", ""), slot[0]]
if slot[1].startswith("I-") and candidate != None and slot[1].endswith(candidate[0]):
candidate[1] += " " + slot[0]
if(candidate != None):
arguments.append(candidate)
return [(x[0], x[1]) for x in arguments]
def convert_act_to_list(self, act, slots):
result = []
for i in range(len(slots)):
intent = act
domain = act.split('/')[0]
slot = slots[i][0]
value = slots[i][1]
result.append([intent, domain, slot, value])
return result

76
Code/Modules/NLG_module.py
View File

@ -1,76 +0,0 @@
import random
import uuid
class NLG:
"""
Moduł, który tworzy reprezentację tekstową aktu systemowego wybranego przez taktykę dialogu.
Wejście: Akt systemu (rama)
Wyjście: Tekst
"""
def __init__(self):
pass
def change_to_text(self, system_acts):
"""
Funkcja zamieniająca akt systemu na tekst rozumiany przez użytkownika.
"""
if(len(system_acts) == 0):
return "Nie mam już nic do powiedzenia :("
act = system_acts.pop(0)
if(len(act) == 0):
return "Nie mam już nic do powiedzenia :("
for action in act:
domain, intent = action
if(domain == "greeting"):
return random.choice(["Cześć, mam na imię Janet", "Hej, jestem Janet. W czym mogę pomóc?", "Dzień dobry, nazywam się Janet"])
if(domain == "end_conversation"):
return random.choice(["Dziękujemy za skorzystanie z naszych usług!", "Do widzenia!", "Do zobaczenia!"])
if(domain == "appointment"):
if (intent == "NoOffer"):
return "Proszę sprecyzować zapis na wizytę (lekarz, godzina)"
if (intent == "book_appointent"):
answer = "Zarezerwowano wizytę"
for key in act[action]:
value = act[action][key]
if(key == "doctor"):
answer += f" do lekarza {value}"
if(key== "datetime"):
answer += f" umówiona na: {value}"
return answer
if (intent == "set_appointment_date"):
value = act[action]["datetime"]
return f"Ustawiono datę wizyty na {value}"
if(domain == "inform"):
if (intent == "Doctors_list"):
value = act[action]["doctors"]
return f"Lista doktorów w naszej placówce: \n{value}"
if (intent == "Medical_services"):
value = act[action]["services"]
return f"Lista usług oferowanych w naszej placówce: \n{value}"
if (intent == "Location"):
city = act[action]["city"]
street = act[action]["street"]
number = act[action]["number"]
return f"Placówka znajduje się w {city}, {street} {number}"
if (intent == "Opening_Hours"):
value = act[action]["hours"]
return f"Placówka jest otwarta w godzinach {value}"
if (intent == "NoOffer"):
return f"Nie posiadam takiej wiedzy, żeby odpowiedzieć na to pytanie :("
if(domain == "prescription"):
if(intent == "create_prescription" or intent == "collect_prescription"):
answer = f"Odebrano receptę {uuid.uuid4().hex}"
return answer
if(intent == "prescription type"):
return "Wszystkie recepty w naszej placówce są elektroniczne"
if (intent == "NoOffer"):
return f"Nie rozumiem :("

36
Code/Test_nlu.py
View File

@ -1,36 +0,0 @@
import jsgf
book_grammar = jsgf.parse_grammar_file('test_book.jsgf')
book_grammar
utterance = 'chciałbym zarezerwować stolik na jutro na godzinę dwunastą trzydzieści na cztery osoby'
matched = book_grammar.find_matching_rules(utterance)
matched
def get_dialog_act(rule):
slots = []
get_slots(rule.expansion, slots)
return {'act': rule.grammar.name, 'slots': slots}
def get_slots(expansion, slots):
if expansion.tag != '':
slots.append((expansion.tag, expansion.current_match))
return
for child in expansion.children:
get_slots(child, slots)
if not expansion.children and isinstance(expansion, jsgf.NamedRuleRef):
get_slots(expansion.referenced_rule.expansion, slots)
get_dialog_act(matched[0])
def nlu(utterance):
matched = book_grammar.find_matching_rules(utterance)
if matched:
return get_dialog_act(matched[0])
else:
return {'act': 'null', 'slots': []}
print(nlu('chciałbym zarezerwować stolik na jutro na godzinę dziesiątą dla trzech osób'))

48
Code/eval.py
View File

@ -1,48 +0,0 @@
import pandas as pd
from tabulate import tabulate
from flair.data import Sentence, Token
from flair.datasets import SentenceDataset
from flair.models import SequenceTagger
def conllu2flair(sentences, label=None):
fsentences = []
for sentence in sentences:
fsentence = Sentence()
for token in sentence:
ftoken = Token(token['form'])
if label:
ftoken.add_tag(label, token[label])
fsentence.add_token(ftoken)
fsentences.append(fsentence)
return SentenceDataset(fsentences)
def predict(frame_model, sentence):
csentence = [{'form': word} for word in sentence]
fsentence = conllu2flair([csentence])[0]
frame_model.predict(fsentence)
possible_intents = {}
for token in fsentence:
for intent in token.annotation_layers["frame"]:
if(intent.value in possible_intents):
possible_intents[intent.value] += intent.score
else:
possible_intents[intent.value] = intent.score
return max(possible_intents)
frame_model = SequenceTagger.load('frame-model/final-model.pt')
data = []
with open('data.tsv') as f:
lines = f.readlines()
for line in lines[1:]:
data.append((line.split("\t")[0], line.split("\t")[1]))
correct = 0
for sentence in data:
predicted_intent = predict(frame_model, sentence[0].split())
if predicted_intent == sentence[1].replace('\n',''):
correct+=1
else:
print(predicted_intent + " != " + sentence[1].replace('\n',''))
print(f"{correct/len(data)} {correct}/{len(data)}")

81
Code/train.py
View File

@ -1,81 +0,0 @@
from conllu import parse_incr
from tabulate import tabulate
from flair.data import Corpus, Sentence, Token
from flair.datasets import SentenceDataset
from flair.embeddings import StackedEmbeddings
from flair.embeddings import WordEmbeddings
from flair.embeddings import CharacterEmbeddings
from flair.embeddings import FlairEmbeddings
from flair.models import SequenceTagger
from flair.trainers import ModelTrainer
def nolabel2o(line, i):
return 'O' if line[i] == 'NoLabel' else line[i]
def conllu2flair(sentences, label=None):
fsentences = []
for sentence in sentences:
fsentence = Sentence()
for token in sentence:
ftoken = Token(token['form'])
if label:
ftoken.add_tag(label, token[label])
fsentence.add_token(ftoken)
fsentences.append(fsentence)
return SentenceDataset(fsentences)
fields = ['id', 'form', 'frame', 'slot']
with open('Janet.conllu', encoding='utf-8') as trainfile:
slot_trainset = list(parse_incr(trainfile, fields=fields, field_parsers={'slot': nolabel2o}))
with open('Janet.conllu', encoding='utf-8') as trainfile:
frame_trainset = list(parse_incr(trainfile, fields=fields, field_parsers={'frame': nolabel2o}))
tabulate(slot_trainset[0], tablefmt='html')
slot_corpus = Corpus(train=conllu2flair(slot_trainset, 'slot'), test=conllu2flair(slot_trainset, 'slot'))
frame_corpus = Corpus(train=conllu2flair(frame_trainset, 'frame'), test=conllu2flair(frame_trainset, 'frame'))
slot_tag_dictionary = slot_corpus.make_tag_dictionary(tag_type='slot')
frame_tag_dictionary = frame_corpus.make_tag_dictionary(tag_type='frame')
print(slot_tag_dictionary)
print(frame_tag_dictionary)
embedding_types = [
WordEmbeddings('pl'),
FlairEmbeddings('pl-forward'),
FlairEmbeddings('pl-backward'),
CharacterEmbeddings(),
]
embeddings = StackedEmbeddings(embeddings=embedding_types)
slot_tagger = SequenceTagger(hidden_size=256, embeddings=embeddings,
tag_dictionary=slot_tag_dictionary,
tag_type='slot', use_crf=True)
frame_tagger = SequenceTagger(hidden_size=256, embeddings=embeddings,
tag_dictionary=frame_tag_dictionary,
tag_type='frame', use_crf=True)
slot_trainer = ModelTrainer(slot_tagger, slot_corpus)
slot_trainer.train('slot-model',
learning_rate=0.1,
mini_batch_size=32,
max_epochs=30,
train_with_dev=False)
frame_trainer = ModelTrainer(frame_tagger, frame_corpus)
frame_trainer.train('frame-model',
learning_rate=0.1,
mini_batch_size=32,
max_epochs=30,
train_with_dev=False)

7
IOB_Zasady.txt
View File

@ -1,7 +0,0 @@
B-greeting
B-doctor
I-doctor
B-datetime
I-datetime
B-id
B-password

922
Janet.conllu
View File

@ -1,922 +0,0 @@
# text: Chciałem prosić o wypisanie kolejnej recepty na lek X
# intent: prescription/request
# slots:
1 chciałem prescription/request NoLabel
2 prosić prescription/request NoLabel
3 o prescription/request NoLabel
4 wypisanie prescription/request NoLabel
5 kolejnej prescription/request NoLabel
6 recepty prescription/request B-prescription/type
7 na prescription/request NoLabel
8 lek prescription/request B-prescription/medicine
9 x prescription/request I-prescription/medicine
# text: proszę o E-receptę
# intent: prescription/request
# slots:
1 proszę prescription/request NoLabel
2 o prescription/request NoLabel
3 ereceptę prescription/request B-prescription/type
# text: dziękuję
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
# text: Nie to wszystko Dziękuję za rozmowę
# intent: end_conversation
# slots:
1 nie end_conversation B-deny
2 to end_conversation B-end_conversation
3 wszystko end_conversation I-end_conversation
4 dziękuję end_conversation I-end_conversation
5 za end_conversation I-end_conversation
6 rozmowę end_conversation I-end_conversation
# text: Dzień dobry!
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: dzień dobry chciałbym umówić się na wizytę u lekarza internisty
# intent: appointment/create_appointment
# slots:
1 dzień appointment/create_appointment B-greeting
2 dobry appointment/create_appointment I-greeting
3 chciałbym appointment/create_appointment NoLabel
4 umówić appointment/create_appointment NoLabel
5 się appointment/create_appointment NoLabel
6 na appointment/create_appointment NoLabel
7 wizytę appointment/create_appointment B-appointment
8 u appointment/create_appointment NoLabel
9 lekarza appointment/create_appointment B-doctor
10 internisty appointment/create_appointment I-doctor
# text: Nie mam swojego identyfikatora nie pamiętam
# intent: login/forgot_id
# slots:
1 nie login/forgot_id NoLabel
2 mam login/forgot_id NoLabel
3 swojego login/forgot_id NoLabel
4 identyfikatora login/forgot_id NoLabel
5 nie login/forgot_id NoLabel
6 pamiętam login/forgot_id NoLabel
# text: mój identyfikator to: <identyfikator>
# intent: login/enter_id
# slots:
1 mój login/enter_id NoLabel
2 identyfikator login/enter_id NoLabel
3 to login/enter_id NoLabel
4 <identyfikator> login/enter_id NoLabel
# text: czy są dostępne jakieś wizyty w terminie 20.04.2021 u dr Adam Skrzypczak?
# intent: request_information/available_dates
# slots:
1 czy request_information/available_dates NoLabel
2 są request_information/available_dates NoLabel
3 dostępne request_information/available_dates NoLabel
4 jakieś request_information/available_dates NoLabel
5 wizyty request_information/available_dates B-appointment
6 w request_information/available_dates NoLabel
7 terminie request_information/available_dates NoLabel
8 20.04.2021 request_information/available_dates B-datetime
9 u request_information/available_dates NoLabel
10 dr request_information/available_dates B-doctor
11 adam request_information/available_dates I-doctor
12 skrzypczak request_information/available_dates I-doctor
# text: tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: jakie są dostępne terminy wizyt na 20.04.2021 u dowolnego internisty?
# intent: request_information/available_dates
# slots:
1 jakie request_information/available_dates NoLabel
2 są request_information/available_dates NoLabel
3 dostępne request_information/available_dates NoLabel
4 terminy request_information/available_dates NoLabel
5 wizyt request_information/available_dates B-appointment
6 na request_information/available_dates NoLabel
7 20.04.2021 request_information/available_dates B-datetime
8 u request_information/available_dates NoLabel
9 dowolnego request_information/available_dates NoLabel
10 internisty request_information/available_dates B-doctor
# text: prosze o rejestrację do mrożego na 12:00 dziękuję to wszystko
# intent: appointment/create_appointment
# slots:
1 prosze appointment/create_appointment NoLabel
2 o appointment/create_appointment NoLabel
3 rejestrację appointment/create_appointment NoLabel
4 do appointment/create_appointment NoLabel
5 mrożego appointment/create_appointment B-doctor
6 na appointment/create_appointment NoLabel
7 12:00 appointment/create_appointment B-datetime
8 dziękuję appointment/create_appointment B-end_conversation
9 to appointment/create_appointment I-end_conversation
10 wszystko appointment/create_appointment I-end_conversation
# text: Witam Chciałbym zarezerwować wizytę u lekarza
# intent: appointment/create_appointment
# slots:
1 witam appointment/create_appointment B-greeting
2 chciałbym appointment/create_appointment NoLabel
3 zarezerwować appointment/create_appointment NoLabel
4 wizytę appointment/create_appointment B-appointment
5 u appointment/create_appointment NoLabel
6 lekarza appointment/create_appointment B-doctor
# text: 15.04.2021 12:00
# intent: appointment/set_date
# slots:
1 15.04.2021 appointment/set_date B-datetime
2 12:00 appointment/set_date I-datetime
# text: Ok dziękuję
# intent: affirm
# slots:
1 ok affirm B-affirm
2 dziękuję affirm B-end_conversation
# text: Dzień dobry
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Chciałbym umówić się na wizytę u specjalisty
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 umówić appointment/create_appointment NoLabel
3 się appointment/create_appointment NoLabel
4 na appointment/create_appointment NoLabel
5 wizytę appointment/create_appointment B-appointment
6 u appointment/create_appointment NoLabel
7 specjalisty appointment/create_appointment B-doctor
# text: Proszę podać listę specjalistów
# intent: request_information/doctors
# slots:
1 proszę request_information/doctors NoLabel
2 podać request_information/doctors NoLabel
3 listę request_information/doctors NoLabel
4 specjalistów request_information/doctors NoLabel
# text: Chciałbym wizytę u Internista Andrzej Mroży
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 wizytę appointment/create_appointment NoLabel
3 u appointment/create_appointment NoLabel
4 internista appointment/create_appointment B-doctor
5 andrzej appointment/create_appointment I-doctor
6 mroży appointment/create_appointment I-doctor
# text: wybieram termin 15.04.2021 o 14:30
# intent: appointment/set_date appointment/set_time
# slots:
1 wybieram appointment/set_date NoLabel
2 termin appointment/set_date NoLabel
3 15.04.2021 appointment/set_date B-datetime
4 o appointment/set_time NoLabel
5 14:30 appointment/set_time B-datetime
# text: dziękuję
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
# text: Dzień dobry
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Chciałabym odwołać wizytę
# intent: appointment/cancel
# slots:
1 chciałabym appointment/cancel NoLabel
2 odwołać appointment/cancel NoLabel
3 wizytę appointment/cancel B-appointment
# text: owszem
# intent: affirm
# slots:
1 owszem affirm B-affirm
# text: ok dzięki gdzie mam wizytę u dentysty Anny
# intent: appointment/where
# slots:
1 ok appointment/where B-affirm
2 dzięki appointment/where NoLabel
3 gdzie appointment/where NoLabel
4 mam appointment/where NoLabel
5 wizytę appointment/where B-appointment
6 u appointment/where NoLabel
7 dentysty appointment/where B-doctor
8 anny appointment/where I-doctor
# text: a jaki adres
# intent: request_information/location
# slots:
1 a request_information/location NoLabel
2 jaki request_information/location NoLabel
3 adres request_information/location NoLabel
# text: Dzień dobry!
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Chciałbym zarezerować wizytę u lekarza
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 zarezerować appointment/create_appointment NoLabel
3 wizytę appointment/create_appointment B-appointment
4 u appointment/create_appointment NoLabel
5 lekarza appointment/create_appointment B-doctor
# text: Chciałbym umówić wyzytę z dermatologiem
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 umówić appointment/create_appointment NoLabel
3 wyzytę appointment/create_appointment B-appointment
4 z appointment/create_appointment B-doctor
5 dermatologiem appointment/create_appointment I-doctor
# text: Który ma wcześniejszy termin?
# intent: appointment/compare_dates
# slots:
1 który appointment/compare_dates NoLabel
2 ma appointment/compare_dates NoLabel
3 wcześniejszy appointment/compare_dates NoLabel
4 termin appointment/compare_dates NoLabel
# text: To chciałbym zapisać się do Jana Kowalskiego
# intent: appointment/create_appointment
# slots:
1 to appointment/create_appointment NoLabel
2 chciałbym appointment/create_appointment NoLabel
3 zapisać appointment/create_appointment NoLabel
4 się appointment/create_appointment NoLabel
5 do appointment/create_appointment NoLabel
6 jana appointment/create_appointment B-doctor
7 kowalskiego appointment/create_appointment I-doctor
# text: 15.04 o 14:30
# intent: appointment/set_date_and_time
# slots:
1 15.04 appointment/set_date_and_time B-datetime
2 o appointment/set_date_and_time I-datetime
3 14:30 appointment/set_date_and_time I-datetime
# text: Ile będzie kosztowała?
# intent: request_information/cost
# slots:
1 ile request_information/cost NoLabel
2 będzie request_information/cost NoLabel
3 kosztowała request_information/cost NoLabel
# text: W jakim gabinecie została umówiona wizyta?
# intent: appointment/location
# slots:
1 w appointment/location NoLabel
2 jakim appointment/location NoLabel
3 gabinecie appointment/location B-appointment/office
4 została appointment/location NoLabel
5 umówiona appointment/location NoLabel
6 wizyta appointment/location B-appointment
# text: Dziękuję to by było wszystko
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
2 to end_conversation I-end_conversation
3 by end_conversation I-end_conversation
4 było end_conversation I-end_conversation
5 wszystko end_conversation I-end_conversation
# text: Dzień dobry!
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Chciałbym zarezerwać wizytę
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 zarezerwać appointment/create_appointment NoLabel
3 wizytę appointment/create_appointment B-appointment
# text: Jan kowalski
# intent: appointment/select_doctor
# slots:
1 jan appointment/select_doctor B-doctor
2 kowalski appointment/select_doctor I-doctor
# text: proszę o termin 14.04.2021 - 14:30
# intent: appointment/set_date_time
# slots:
1 proszę appointment/set_date_time NoLabel
2 o appointment/set_date_time NoLabel
3 termin appointment/set_date_time NoLabel
4 14.04.2021 appointment/set_date_time B-datetime
6 14:30 appointment/set_date_time I-datetime
# text: Dziękuję
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
# text: Dzień dobry
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Chciałabym odebrać receptę
# intent: prescription/collect
# slots:
1 chciałabym prescription/collect NoLabel
2 odebrać prescription/collect NoLabel
3 receptę prescription/collect B-prescription/type
# text: Chciałabym zamówić receptę
# intent: prescription/request
# slots:
1 chciałabym prescription/request NoLabel
2 zamówić prescription/request NoLabel
3 receptę prescription/request B-prescription/type
# text: Tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: Dr Anna Kowalska
# intent: appointment/select_doctor
# slots:
1 dr appointment/select_doctor B-doctor
2 anna appointment/select_doctor I-doctor
3 kowalska appointment/select_doctor I-doctor
# text: Proszę zapisać mnie na termin 14.04.2021 13:30
# intent: appointment/create_appointment
# slots:
1 proszę appointment/create_appointment NoLabel
2 zapisać appointment/create_appointment NoLabel
3 mnie appointment/create_appointment NoLabel
4 na appointment/create_appointment NoLabel
5 termin appointment/create_appointment NoLabel
6 14.04.2021 appointment/create_appointment B-datetime
7 13:30 appointment/create_appointment I-B-datetime
# text: Dziękuje
# intent: end_conversation
# slots:
1 dziękuje end_conversation B-end_conversation
# text: Dzień dobry!
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Dzień dobry Chciałabym sprawdzić wyniki swoich ostatnich badań
# intent: appointment/results
# slots:
1 dzień appointment/results B-greeting
2 dobry appointment/results I-greeting
3 chciałabym appointment/results NoLabel
4 sprawdzić appointment/results NoLabel
5 wyniki appointment/results B-results
6 swoich appointment/results NoLabel
7 ostatnich appointment/results NoLabel
8 badań appointment/results NoLabel
# text: Widzę wyniki badania okulistycznego Czy w pliku powinny znajdować się też dot badań cytologicznych?
# intent: affirm, appointment/results
# slots:
1 widzę affirm NoLabel
2 wyniki affirm B-results
3 badania affirm B-appointment/type
4 okulistycznego affirm I-appointment/type
5 czy appointment/results NoLabel
6 w appointment/results NoLabel
7 pliku appointment/results NoLabel
8 powinny appointment/results NoLabel
9 znajdować appointment/results NoLabel
10 się appointment/results NoLabel
11 też appointment/results NoLabel
12 dot appointment/results NoLabel
13 badań appointment/results B-appointment/type
14 cytologicznych appointment/results I-appointment/type
# text: Teraz chyba widzę wszystko czego potrzebuję Czy możesz mi powiedzieć na kiedy mam umówione następne wizyty?
# intent: affirm appointment/when
# slots:
1 teraz affirm NoLabel
2 chyba affirm NoLabel
3 widzę affirm NoLabel
4 wszystko affirm NoLabel
5 czego affirm NoLabel
6 potrzebuję affirm NoLabel
7 czy appointment/when NoLabel
8 możesz appointment/when NoLabel
9 mi appointment/when NoLabel
10 powiedzieć appointment/when NoLabel
11 na appointment/when NoLabel
12 kiedy appointment/when NoLabel
13 mam appointment/when NoLabel
14 umówione appointment/when NoLabel
15 następne appointment/when NoLabel
16 wizyty appointment/when B-appointment
# text: A o której mam dentystę?
# intent: appointment/when
# slots:
1 a appointment/when NoLabel
2 o appointment/when NoLabel
3 której appointment/when NoLabel
4 mam appointment/when NoLabel
5 dentystę appointment/when B-doctor
# text: Ok Wszystko wiem dzięki!
# intent: end_conversation
# slots:
1 ok end_conversation B-end_conversation
2 wszystko end_conversation I-end_conversation
3 wiem end_conversation I-end_conversation
4 dzięki end_conversation I-end_conversation
# text: Hej
# intent: greeting
# slots:
1 hej greeting B-greeting
# text: Dzień dobry chciałbym umówić się na USG tarczycy
# intent: appointment/create_appointment
# slots:
1 dzień appointment/create_appointment B-greeting
2 dobry appointment/create_appointment I-greeting
3 chciałbym appointment/create_appointment NoLabel
4 umówić appointment/create_appointment NoLabel
5 się appointment/create_appointment NoLabel
6 na appointment/create_appointment NoLabel
7 usg appointment/create_appointment B-appointment/type
8 tarczycy appointment/create_appointment I-appointment/type
# text: Dzień dobry
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Chcialbym odebrać wyniki badań gastroskopii
# intent: result/collect
# slots:
1 chcialbym result/collect NoLabel
2 odebrać result/collect NoLabel
3 wyniki result/collect B-results
4 badań result/collect B-appointment/type
5 gastroskopii result/collect I-appointment/type
# text: Jakie mam zaplanowane wizyty?
# intent: appointment/check_appointments
# slots:
1 jakie appointment/check_appointments NoLabel
2 mam appointment/check_appointments NoLabel
3 zaplanowane appointment/check_appointments NoLabel
4 wizyty? appointment/check_appointments NoLabel
# text: Chciałbym przenieść tą wizyte na 21.04.2021
# intent: appointment/set_date
# slots:
1 chciałbym appointment/set_date NoLabel
2 przenieść appointment/set_date NoLabel
3 tą appointment/set_date NoLabel
4 wizyte appointment/set_date B-appointment
5 na appointment/set_date NoLabel
6 21.04.2021 appointment/set_date B-datetime
# text: 17:15
# intent: appointment/set_time
# slots:
1 17:15 appointment/set_time B-datetime
# text: Dziękuję bardzo
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
2 bardzo end_conversation I-end_conversation
# text: Cześć
# intent: greeting
# slots:
1 cześć greeting B-greeting
# text: Dziękuję to wszystko
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
2 to end_conversation I-end_conversation
3 wszystko end_conversation I-end_conversation
# text: Chciałbym się zapisać na wizytę do okulisty Jakie są dostępne terminy?
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 się appointment/create_appointment NoLabel
3 zapisać appointment/create_appointment NoLabel
4 na appointment/create_appointment NoLabel
5 wizytę appointment/create_appointment B-appointment
6 do appointment/create_appointment NoLabel
7 okulisty appointment/create_appointment B-doctor
8 jakie appointment/create_appointment NoLabel
9 są appointment/create_appointment NoLabel
10 dostępne appointment/create_appointment NoLabel
11 terminy? appointment/create_appointment NoLabel
# text: Chciałbym się zapisać na 14-ego jakie są dostępne godziny?
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 się appointment/create_appointment NoLabel
3 zapisać appointment/create_appointment NoLabel
4 na appointment/create_appointment NoLabel
5 14-ego appointment/create_appointment B-datetime
6 jakie appointment/create_appointment NoLabel
7 są appointment/create_appointment NoLabel
8 dostępne appointment/create_appointment NoLabel
9 godziny? appointment/create_appointment NoLabel
# text: Chciałbym tą 14:15
# intent: appointment/set_time
# slots:
1 chciałbym appointment/set_time NoLabel
2 tą appointment/set_time NoLabel
3 14:15 appointment/set_time B-datetime
# text: Nie posiadam identyfikatora
# intent: deny
# slots:
1 nie deny B-deny
2 posiadam deny NoLabel
3 identyfikatora deny NoLabel
# text: TAK
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: Jan Kowalski
# intent: register/enter_name
# slots:
1 jan register/enter_name B-register/name
2 kowalski register/enter_name I-register/name
# text: jankowalski@gmailcom
# intent: register/enter_email
# slots:
1 jankowalski@gmailcom register/enter_email B-register/email
# text: Dziękuję za pomoc i miłego dnia
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
2 za end_conversation I-end_conversation
3 pomoc end_conversation I-end_conversation
4 i end_conversation NoLabel
5 miłego end_conversation NoLabel
6 dnia end_conversation NoLabel
# text: Cześć
# intent: greeting
# slots:
1 cześć greeting B-greeting
# text: Chciałem zapisać się na spotkanie na jutrzejszy dzień na godziny poranne
# intent: appointment/create_appointment
# slots:
1 chciałem appointment/create_appointment NoLabel
2 zapisać appointment/create_appointment NoLabel
3 się appointment/create_appointment NoLabel
4 na appointment/create_appointment NoLabel
5 spotkanie appointment/create_appointment B-appointment
6 na appointment/create_appointment NoLabel
7 jutrzejszy appointment/create_appointment B-datetime
8 dzień appointment/create_appointment I-datetime
9 na appointment/create_appointment I-datetime
10 godziny appointment/create_appointment I-datetime
11 poranne appointment/create_appointment I-datetime
# text: Pani doktor Kowalskiej
# intent: appointment/select_doctor
# slots:
1 pani appointment/select_doctor NoLabel
2 doktor appointment/select_doctor NoLabel
3 kowalskiej appointment/select_doctor B-doctor
# text: na 11
# intent: appointment/set_time
# slots:
1 na appointment/set_time NoLabel
2 11 appointment/set_time B-datetime
# text: Dobrze dziękuję za rozmowę
# intent: end_conversation
# slots:
1 dobrze end_conversation B-end_conversation
2 dziękuję end_conversation I-end_conversation
3 za end_conversation I-end_conversation
4 rozmowę end_conversation I-end_conversation
# text: Hej
# intent: greeting
# slots:
1 hej greeting B-greeting
# text: Dzień dobry chciałbym umówić się na wizytę do lekarza rodzinnego Najlepiej dzisiaj w godzinach popołudniowych
# intent: appointment/create_appointment
# slots:
1 dzień appointment/create_appointment B-greeting
2 dobry appointment/create_appointment B-greeting
3 chciałbym appointment/create_appointment NoLabel
4 umówić appointment/create_appointment NoLabel
5 się appointment/create_appointment NoLabel
6 na appointment/create_appointment NoLabel
7 wizytę appointment/create_appointment B-appointment
8 do appointment/create_appointment NoLabel
9 lekarza appointment/create_appointment B-doctor
10 rodzinnego appointment/create_appointment I-doctor
11 najlepiej appointment/create_appointment NoLabel
12 dzisiaj appointment/create_appointment B-datetime
13 w appointment/create_appointment I-datetime
14 godzinach appointment/create_appointment I-datetime
15 popołudniowych appointment/create_appointment I-datetime
# text: A czy mogę zapisać się do Pani doktor Zofii Wątroby?
# intent: appointment/create_appointment
# slots:
1 a appointment/create_appointment NoLabel
2 czy appointment/create_appointment NoLabel
3 mogę appointment/create_appointment NoLabel
4 zapisać appointment/create_appointment NoLabel
5 się appointment/create_appointment NoLabel
6 do appointment/create_appointment NoLabel
7 pani appointment/create_appointment B-doctor
8 doktor appointment/create_appointment I-doctor
9 zofii appointment/create_appointment I-doctor
10 wątroby appointment/create_appointment I-doctor
# text: Ten termin mi odpowiada!
# intent: appointment/confirm
# slots:
1 ten appointment/confirm B-affirm
2 termin appointment/confirm I-affirm
3 mi appointment/confirm I-affirm
4 odpowiada appointment/confirm I-affirm
# text: Tak bardzo dziękuję
# intent: affirm
# slots:
1 tak affirm B-affirm
2 bardzo affirm I-end_conversation
3 dziękuję affirm I-end_conversation
# text: Chciałbym też od razu zrobić badania morfologii krwi Kiedy mogę przyjść na pobranie krwi?
# intent: appointment/create_appointment request_information/opening_hours
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 też appointment/create_appointment NoLabel
3 od appointment/create_appointment NoLabel
4 razu appointment/create_appointment NoLabel
5 zrobić appointment/create_appointment NoLabel
6 badania appointment/create_appointment B-appointment/type
7 morfologii appointment/create_appointment I-appointment/type
8 krwi appointment/create_appointment I-appointment/type
9 kiedy request_information/opening_hours NoLabel
10 mogę request_information/opening_hours NoLabel
11 przyjść request_information/opening_hours NoLabel
12 na request_information/opening_hours NoLabel
13 pobranie request_information/opening_hours B-appointment/type
14 krwi request_information/opening_hours I-appointment/type
# text: Dziękuję bardzo za informację W takim przypadku to wszystko
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
2 bardzo end_conversation I-end_conversation
3 za end_conversation I-end_conversation
4 informację end_conversation I-end_conversation
5 w end_conversation NoLabel
6 takim end_conversation NoLabel
7 przypadku end_conversation NoLabel
8 to end_conversation NoLabel
9 wszystko end_conversation NoLabel
# text: Dzień dobry
# intent: greeting
# slots:
1 dzień greeting B-greeting
2 dobry greeting I-greeting
# text: Chcialbym odebrac receptę
# intent: prescription/collect
# slots:
1 chcialbym prescription/collect NoLabel
2 odebrac prescription/collect NoLabel
3 receptę prescription/collect B-prescription/type
# text: e-receptę
# intent: prescription/type_info
# slots:
1 e-receptę prescription/type_info B-prescription/type
# text: Tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: Chciałbym również umówić spotkanie z lekarzem internistą
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 również appointment/create_appointment NoLabel
3 umówić appointment/create_appointment NoLabel
4 spotkanie appointment/create_appointment B-appointment
5 z appointment/create_appointment NoLabel
6 lekarzem appointment/create_appointment B-doctor
7 internistą appointment/create_appointment I-doctor
# text: Tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: 12.04.2021
# intent: appointment/set_date
# slots:
1 12.04.2021 appointment/set_date B-datetime
# text: 13:00
# intent: appointment/set_time
# slots:
1 13:00 appointment/set_time B-datetime
# text: Tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: Gdzie obędzie się wizyta?
# intent: appointment/where
# slots:
1 gdzie appointment/where NoLabel
2 obędzie appointment/where NoLabel
3 się appointment/where NoLabel
4 wizyta? appointment/where B-appointment
# text: Dziękuję za pomoc
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
2 za end_conversation I-end_conversation
3 pomoc end_conversation I-end_conversation
# text: Cześć
# intent: greeting
# slots:
1 cześć greeting B-greeting
# text: Chciałbym się dowiedzieć czy mam umówione jakieś wizyty
# intent: appointment/check_appointments
# slots:
1 chciałbym appointment/check_appointments NoLabel
2 się appointment/check_appointments NoLabel
3 dowiedzieć appointment/check_appointments NoLabel
4 czy appointment/check_appointments NoLabel
5 mam appointment/check_appointments NoLabel
6 umówione appointment/check_appointments NoLabel
7 jakieś appointment/check_appointments NoLabel
8 wizyty appointment/check_appointments B-appointment
# text: Chciałbym odwołać wizytę u internisty
# intent: appointment/cancel
# slots:
1 chciałbym appointment/cancel NoLabel
2 odwołać appointment/cancel NoLabel
3 wizytę appointment/cancel B-appointment
4 u appointment/cancel NoLabel
5 internisty appointment/cancel B-doctor
# text: Tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: Jacy lekarze specjaliści przyjmują w państwa przychodni?
# intent: request_information/doctors
# slots:
1 jacy request_information/doctors NoLabel
2 lekarze request_information/doctors B-doctor
3 specjaliści request_information/doctors B-doctor
4 przyjmują request_information/doctors NoLabel
5 w request_information/doctors NoLabel
6 państwa request_information/doctors NoLabel
7 przychodni? request_information/doctors NoLabel
# text: Chciałbym umówić wizytę do doktora Kolano
# intent: appointment/create_appointment
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 umówić appointment/create_appointment NoLabel
3 wizytę appointment/create_appointment B-appointment
4 do appointment/create_appointment NoLabel
5 doktora appointment/create_appointment B-doctor
6 kolano appointment/create_appointment I-doctor
# text: Ten termin mi odpowiada
# intent: appointment/confirm
# slots:
1 ten appointment/confirm NoLabel
2 termin appointment/confirm NoLabel
3 mi appointment/confirm NoLabel
4 odpowiada appointment/confirm NoLabel
# text: tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: Nie to wszystko Do widzenia
# intent: end_conversation
# slots:
1 nie end_conversation B-deny
2 to end_conversation B-end_conversation
3 wszystko end_conversation I-end_conversation
4 do end_conversation I-end_conversation
5 widzenia end_conversation I-end_conversation
# text: Cześć
# intent: greeting
# slots:
1 cześć greeting B-end_conversation
# text: Jakie usługi medyczne są dostępne?
# intent: request_information/medical_services
# slots:
1 jakie request_information/medical_services NoLabel
2 usługi request_information/medical_services NoLabel
3 medyczne request_information/medical_services NoLabel
4 są request_information/medical_services NoLabel
5 dostępne request_information/medical_services NoLabel
# text: Chciałbym zapisać się do okulisty Ile kosztuje wizyta?
# intent: appointment/create_appointment request_information/cost
# slots:
1 chciałbym appointment/create_appointment NoLabel
2 zapisać appointment/create_appointment NoLabel
3 się appointment/create_appointment NoLabel
4 do appointment/create_appointment NoLabel
5 okulisty appointment/create_appointment B-doctor
6 ile request_information/cost NoLabel
7 kosztuje request_information/cost NoLabel
8 wizyta request_information/cost B-appointment
# text: Nie ten jest idealny
# intent: deny
# slots:
1 nie affirm B-deny
2 ten affirm NoLabel
3 jest affirm NoLabel
4 idealny affirm NoLabel
# text: Tak
# intent: affirm
# slots:
1 tak affirm B-affirm
# text: Dziękuję za informację
# intent: end_conversation
# slots:
1 dziękuję end_conversation B-end_conversation
2 za end_conversation I-end_conversation
3 informację end_conversation I-end_conversation
# text: Nie dziękuję to wszystko
# intent: end_conversation
# slots:
1 nie end_conversation B-end_conversation
2 dziękuję end_conversation I-end_conversation
4 to end_conversation I-end_conversation
5 wszystko end_conversation I-end_conversation

127
Makiety.py Normal file
View File

@ -0,0 +1,127 @@
"""
Przykład
user: Cześć, jak masz na imię?
system: Witaj, nazywam się Dia.
"""
class NLU: #Natural Language Understanding
"""
Moduł odpowiedzialny za analizę tekstu. W wyniku jego działania tekstowa reprezentacja wypowiedzi użytkownika zostaje zamieniona na jej reprezentację semantyczną, najczęściej w postaci ramy.
Wejście: Tekst
Wyjście: Akt użytkownika (rama)
"""
def __init__(self, acts, arguments):
self.acts = acts
self.arguments = arguments
def analyze(self, text):
"""
Analiza Tekstu wprowadzonego przez użytkownika i zamiana na akt (rama)
"""
print("Analiza Tekstu: " + text)
act = "(greetings()&request(name))"
print("Akt to: " + act)
#przerobienie na wektor
act_vector = [[0],[1,0]] #1 wektor to greetings, a 2 wektor to request z argumentem "name"
print("Zamiana na: ")
print(act_vector)
return act_vector
class DST: #Dialogue State Tracker
"""
Moduł odpowiedzialny za śledzenie stanu dialogu. Przechowuje informacje o tym jakie dane zostały uzyskane od użytkownika w toku prowadzonej konwersacji.
Wejście: Akt użytkownika (rama)
Wyjście: Reprezentacja stanu dialogu (rama)
"""
def __init__(self, acts, arguments):
self.acts = acts
self.arguments = arguments
self.frame_list= []
def store(self, rama):
"""
Dodanie nowego aktu do listy
"""
print("\nDodanie do listy nowej ramy: ")
print(rama)
self.frame_list.append(rama)
def transfer(self):
print("Przekazanie dalej listy ram: ")
print(self.frame_list)
return self.frame_list
class DP:
"""
Moduł decydujący o wyborze kolejnego aktu, który ma podjąć system prowadząc rozmowę.
Wejście: Reprezentacja stanu dialogu (rama)
Wyjście: Akt systemu (rama)
"""
def __init__(self, acts, arguments):
self.acts = acts
self.arguments = arguments
def choose_tactic(self, frame_list):
"""
Obieranie taktyki na podstawie aktów usera. Bardzo ważna jest kolejność dodawanych do frame_list wartości.
"""
act_vector = [0, 0]
return act_vector
class NLG:
"""
Moduł, który tworzy reprezentację tekstową aktu systemowego wybranego przez taktykę dialogu.
Wejście: Akt systemu (rama)
Wyjście: Tekst
"""
def __init__(self, acts, arguments):
self.acts = acts
self.arguments = arguments
def change_to_text(self, act_vector):
"""
Funkcja zamieniająca akt systemu na tekst rozumiany przez użytkownika.
"""
if(act_vector == [0, 0]):
return "Cześć, mam na imię Janet"
return "Nie rozumiem"
class Janet:
def __init__(self):
self.acts={
0: "greetings",
1: "request",
}
self.arguments={
0: "name"
}
self.nlg = NLG(self.acts, self.arguments)
self.dp = DP(self.acts, self.arguments)
self.dst = DST(self.acts, self.arguments)
self.nlu = NLU(self.acts, self.arguments)
def process(self, command):
act = self.nlu.analyze(command)
self.dst.store(act)
dest_act = self.dp.choose_tactic(self.dst.transfer())
return self.nlg.change_to_text(dest_act)
janet = Janet()
while(1):
text = input("Wpisz tekst: ")
print(janet.process(text))

17
book.jsgf
View File

@ -1,17 +0,0 @@
#JSGF V1.0 UTF-8 pl;
grammar book;
public <greeting> = hej | cześć | elo | dzień dobry | witam | siemanko | siemanko witam w mojej kuchni | gitara siema;
public <appointment> = chciałbym się umówić na wizytę <doctor> <dzien_rezerwacji>;
public <appointment_test> = chciałbym się umówić na wizytę <dzien_rezerwacji>;
<doctor> = do <imie_lekarza> {doctor_name};
<imie_lekarza> = Jana Kolano | Tomasza Łokieto | Piotra Pająka;
<dzien_rezerwacji> = na <dzien> {day};
<dzien> = dzisiaj | jutro | poniedziałek | wtorek | środę | czwartek | piątek | sobotę | niedzielę;

111
data.tsv
View File

@ -1,111 +0,0 @@
Text Intent
Chciałem prosić o wypisanie kolejnej recepty na lek X appointment/request_prescription
proszę o E-receptę appointment/request_prescription
dziękuję end_conversation
Nie to wszystko Dziękuję za rozmowę end_conversation
Dzień dobry! greeting
dzień dobry chciałbym umówić się na wizytę u lekarza internisty appointment/create_appointment
Nie mam swojego identyfikatora nie pamiętam login/forgot_id
mój identyfikator to: <identyfikator> login/enter_id
czy są dostępne jakieś wizyty w terminie 20.04.2021 u dr Adam Skrzypczak? request_information/available_dates
tak affirm
jakie są dostępne terminy wizyt na 20.04.2021 u dowolnego internisty? request_information/available_dates
prosze o rejestrację do mrożego na 12:00 dziękuję to wszystko appointment/create_appointment
Witam Chciałbym zarezerwować wizytę u lekarza appointment/create_appointment
15.04.2021 12:00 appointment/set_date
Ok dziękuję affirm
Dzień dobry greeting
Chciałbym umówić się na wizytę u specjalisty appointment/create_appointment
Proszę podać listę specjalistów request_information/doctors
Chciałbym wizytę u Internista Andrzej Mroży appointment/create_appointment
wybieram termin 15.04.2021 o 14:30 appointment/set_date appointment/set_time
dziękuję end_conversation
Dzień dobry greeting
Chciałabym odwołać wizytę appointment/cancel
owszem affirm
ok dzięki gdzie mam wizytę u dentysty Anny appointment/where
a jaki adres request_information/location
Dzień dobry! greeting
Chciałbym zarezerować wizytę u lekarza appointment/create_appointment
Chciałbym umówić wyzytę z dermatologiem appointment/create_appointment
Który ma wcześniejszy termin? appointment/compare_dates
To chciałbym zapisać się do Jana Kowalskiego appointment/create_appointment
15.04 o 14:30 appointment/set_date_and_time
Ile będzie kosztowała? request_information/cost
W jakim gabinecie została umówiona wizyta? appointment/location
Dziękuję to by było wszystko end_conversation
Dzień dobry! greeting
Chciałbym zarezerwać wizytę appointment/create_appointment
Jan kowalski appointment/select_doctor
proszę o termin 14.04.2021 - 14:30 appointment/set_date_time
Dziękuję end_conversation
Dzień dobry greeting
Chciałabym odebrać receptę prescription/collect
Chciałabym zamówić receptę prescription/request
Tak affirm
Dr Anna Kowalska appointment/select_doctor
Proszę zapisać mnie na termin 14.04.2021 13:30 appointment/create_appointment
Dziękuje end_conversation
Dzień dobry! greeting
Dzień dobry Chciałabym sprawdzić wyniki swoich ostatnich badań appointment/results
Widzę wyniki badania okulistycznego Czy w pliku powinny znajdować się też dot badań cytologicznych? affirm, appointment/results
Teraz chyba widzę wszystko czego potrzebuję Czy możesz mi powiedzieć na kiedy mam umówione następne wizyty? affirm appointment/when
A o której mam dentystę? appointment/when
Ok Wszystko wiem dzięki! end_conversation
Hej greeting
Dzień dobry chciałbym umówić się na USG tarczycy appointment/create_appointment
Dzień dobry greeting
Chcialbym odebrać wyniki badań gastroskopii result/collect
Jakie mam zaplanowane wizyty? appointment/check_appointments
Chciałbym przenieść tą wizyte na 21.04.2021 appointment/set_date
17:15 appointment/set_time
Dziękuję bardzo end_conversation
Cześć greeting
Dziękuję to wszystko end_conversation
Chciałbym się zapisać na wizytę do okulisty Jakie są dostępne terminy? appointment/create_appointment
Chciałbym się zapisać na 14-ego jakie są dostępne godziny? appointment/create_appointment
Chciałbym tą 14:15 appointment/set_time
Nie posiadam identyfikatora deny
TAK affirm
Jan Kowalski register/enter_name
jankowalski@gmailcom register/enter_email
Dziękuję za pomoc i miłego dnia end_conversation
Cześć greeting
Chciałem zapisać się na spotkanie na jutrzejszy dzień na godziny poranne appointment/create_appointment
Pani doktor Kowalskiej appointment/select_doctor
na 11 appointment/set_time
Dobrze dziękuję za rozmowę end_conversation
Hej greeting
Dzień dobry chciałbym umówić się na wizytę do lekarza rodzinnego Najlepiej dzisiaj w godzinach popołudniowych appointment/create_appointment
A czy mogę zapisać się do Pani doktor Zofii Wątroby? appointment/create_appointment
Ten termin mi odpowiada! appointment/confirm
Tak bardzo dziękuję affirm
Chciałbym też od razu zrobić badania morfologii krwi Kiedy mogę przyjść na pobranie krwi? appointment/create_appointment request_information/opening_hours
Dziękuję bardzo za informację W takim przypadku to wszystko end_conversation
Dzień dobry greeting
Chcialbym odebrac receptę prescription/collect
e-receptę prescription/type
Tak affirm
Chciałbym również umówić spotkanie z lekarzem internistą appointment/create_appointment
Tak affirm
12.04.2021 appointment/set_date
13:00 appointment/set_time
Tak affirm
Gdzie obędzie się wizyta? appointment/where
Dziękuję za pomoc end_conversation
Cześć greeting
Chciałbym się dowiedzieć czy mam umówione jakieś wizyty appointment/check_appointments
Chciałbym odwołać wizytę u internisty appointment/cancel
Tak affirm
Jacy lekarze specjaliści przyjmują w państwa przychodni? request_information/doctors
Chciałbym umówić wizytę do doktora Kolano appointment/create_appointment
Ten termin mi odpowiada appointment/confirm
tak affirm
Nie to wszystko Do widzenia end_conversation
Cześć greeting
Jakie usługi medyczne są dostępne? request_information/medical_services
Chciałbym zapisać się do okulisty Ile kosztuje wizyta? appointment/create_appointment request_information/cost
Nie ten jest idealny deny
Tak affirm
Dziękuję za informację end_conversation
Nie dziękuję to wszystko end_conversation
1 Text Intent
2 Chciałem prosić o wypisanie kolejnej recepty na lek X appointment/request_prescription
3 proszę o E-receptę appointment/request_prescription
4 dziękuję end_conversation
5 Nie to wszystko Dziękuję za rozmowę end_conversation
6 Dzień dobry! greeting
7 dzień dobry chciałbym umówić się na wizytę u lekarza internisty appointment/create_appointment
8 Nie mam swojego identyfikatora nie pamiętam login/forgot_id
9 mój identyfikator to: <identyfikator> login/enter_id
10 czy są dostępne jakieś wizyty w terminie 20.04.2021 u dr Adam Skrzypczak? request_information/available_dates
11 tak affirm
12 jakie są dostępne terminy wizyt na 20.04.2021 u dowolnego internisty? request_information/available_dates
13 prosze o rejestrację do mrożego na 12:00 dziękuję to wszystko appointment/create_appointment
14 Witam Chciałbym zarezerwować wizytę u lekarza appointment/create_appointment
15 15.04.2021 12:00 appointment/set_date
16 Ok dziękuję affirm
17 Dzień dobry greeting
18 Chciałbym umówić się na wizytę u specjalisty appointment/create_appointment
19 Proszę podać listę specjalistów request_information/doctors
20 Chciałbym wizytę u Internista Andrzej Mroży appointment/create_appointment
21 wybieram termin 15.04.2021 o 14:30 appointment/set_date appointment/set_time
22 dziękuję end_conversation
23 Dzień dobry greeting
24 Chciałabym odwołać wizytę appointment/cancel
25 owszem affirm
26 ok dzięki gdzie mam wizytę u dentysty Anny appointment/where
27 a jaki adres request_information/location
28 Dzień dobry! greeting
29 Chciałbym zarezerować wizytę u lekarza appointment/create_appointment
30 Chciałbym umówić wyzytę z dermatologiem appointment/create_appointment
31 Który ma wcześniejszy termin? appointment/compare_dates
32 To chciałbym zapisać się do Jana Kowalskiego appointment/create_appointment
33 15.04 o 14:30 appointment/set_date_and_time
34 Ile będzie kosztowała? request_information/cost
35 W jakim gabinecie została umówiona wizyta? appointment/location
36 Dziękuję to by było wszystko end_conversation
37 Dzień dobry! greeting
38 Chciałbym zarezerwać wizytę appointment/create_appointment
39 Jan kowalski appointment/select_doctor
40 proszę o termin 14.04.2021 - 14:30 appointment/set_date_time
41 Dziękuję end_conversation
42 Dzień dobry greeting
43 Chciałabym odebrać receptę prescription/collect
44 Chciałabym zamówić receptę prescription/request
45 Tak affirm
46 Dr Anna Kowalska appointment/select_doctor
47 Proszę zapisać mnie na termin 14.04.2021 13:30 appointment/create_appointment
48 Dziękuje end_conversation
49 Dzień dobry! greeting
50 Dzień dobry Chciałabym sprawdzić wyniki swoich ostatnich badań appointment/results
51 Widzę wyniki badania okulistycznego Czy w pliku powinny znajdować się też dot badań cytologicznych? affirm, appointment/results
52 Teraz chyba widzę wszystko czego potrzebuję Czy możesz mi powiedzieć na kiedy mam umówione następne wizyty? affirm appointment/when
53 A o której mam dentystę? appointment/when
54 Ok Wszystko wiem dzięki! end_conversation
55 Hej greeting
56 Dzień dobry chciałbym umówić się na USG tarczycy appointment/create_appointment
57 Dzień dobry greeting
58 Chcialbym odebrać wyniki badań gastroskopii result/collect
59 Jakie mam zaplanowane wizyty? appointment/check_appointments
60 Chciałbym przenieść tą wizyte na 21.04.2021 appointment/set_date
61 17:15 appointment/set_time
62 Dziękuję bardzo end_conversation
63 Cześć greeting
64 Dziękuję to wszystko end_conversation
65 Chciałbym się zapisać na wizytę do okulisty Jakie są dostępne terminy? appointment/create_appointment
66 Chciałbym się zapisać na 14-ego jakie są dostępne godziny? appointment/create_appointment
67 Chciałbym tą 14:15 appointment/set_time
68 Nie posiadam identyfikatora deny
69 TAK affirm
70 Jan Kowalski register/enter_name
71 jankowalski@gmailcom register/enter_email
72 Dziękuję za pomoc i miłego dnia end_conversation
73 Cześć greeting
74 Chciałem zapisać się na spotkanie na jutrzejszy dzień na godziny poranne appointment/create_appointment
75 Pani doktor Kowalskiej appointment/select_doctor
76 na 11 appointment/set_time
77 Dobrze dziękuję za rozmowę end_conversation
78 Hej greeting
79 Dzień dobry chciałbym umówić się na wizytę do lekarza rodzinnego Najlepiej dzisiaj w godzinach popołudniowych appointment/create_appointment
80 A czy mogę zapisać się do Pani doktor Zofii Wątroby? appointment/create_appointment
81 Ten termin mi odpowiada! appointment/confirm
82 Tak bardzo dziękuję affirm
83 Chciałbym też od razu zrobić badania morfologii krwi Kiedy mogę przyjść na pobranie krwi? appointment/create_appointment request_information/opening_hours
84 Dziękuję bardzo za informację W takim przypadku to wszystko end_conversation
85 Dzień dobry greeting
86 Chcialbym odebrac receptę prescription/collect
87 e-receptę prescription/type
88 Tak affirm
89 Chciałbym również umówić spotkanie z lekarzem internistą appointment/create_appointment
90 Tak affirm
91 12.04.2021 appointment/set_date
92 13:00 appointment/set_time
93 Tak affirm
94 Gdzie obędzie się wizyta? appointment/where
95 Dziękuję za pomoc end_conversation
96 Cześć greeting
97 Chciałbym się dowiedzieć czy mam umówione jakieś wizyty appointment/check_appointments
98 Chciałbym odwołać wizytę u internisty appointment/cancel
99 Tak affirm
100 Jacy lekarze specjaliści przyjmują w państwa przychodni? request_information/doctors
101 Chciałbym umówić wizytę do doktora Kolano appointment/create_appointment
102 Ten termin mi odpowiada appointment/confirm
103 tak affirm
104 Nie to wszystko Do widzenia end_conversation
105 Cześć greeting
106 Jakie usługi medyczne są dostępne? request_information/medical_services
107 Chciałbym zapisać się do okulisty Ile kosztuje wizyta? appointment/create_appointment request_information/cost
108 Nie ten jest idealny deny
109 Tak affirm
110 Dziękuję za informację end_conversation
111 Nie dziękuję to wszystko end_conversation

29
default_state.json
View File

@ -1,29 +0,0 @@
{
"user_action": [],
"system_action": [],
"belief_state": {
"appointment": {
"name": "",
"location": "",
"doctor": "",
"url": "",
"type": "",
"datetime": ""
},
"register": {
"name": "",
"secondname": "",
"username": "",
"password": ""
},
"request_information":{
"doctor": "",
"datetime": "",
"appointment": "",
"appointment/type": ""
}
},
"request_state": {},
"terminated": false,
"history": []
}

38
evaluation.md
View File

@ -1,38 +0,0 @@
# Evaluacja Systemu Dialogowego Janet
- Średnia ocena systemu: 6,65/10
- Zamiar rozmowy został rozpoznany w 88% przypadków
- Cel został zrealizowany w 76% przypadków
## Czy system zrozumiał wszystko co mówiłeś?
- Tak - 2 odpowiedź
- Prawie wszystko - 4 odpowiedzi
- 50/50 - 8 odpowiedzi
- Bardzo mało - 3 odpowiedzi
- Nic - 0 odpowiedzi
## Czy wiedziałeś co powiedzieć na każdym etapie dialogu?
- Tak - 4 odpowiedzi
- Raczej tak - 7 odpowiedzi
- Nie wiem - 3 odpowiedzi
- Raczej nie - 3 odpowiedzi
- Nie - 0 odpowiedzi
## Czy odpowiedzi systemu były zrozumiałe?
- Tak - 2 odpowiedź
- Raczej tak - 8 odpowiedzi
- Nie wiem - 3 odpowiedzi
- Raczej nie - 4 odpowiedzi
- Nie - 0 odpowiedzi
## Czego brakowało w systemie?
- Większego zrozumienia dat i godzin
- Obsługi większej ilości scenariuszy
- Bardziej rozbudowanego wywiadu podczas umawiania wizyty

21
test_book.jsgf
View File

@ -1,21 +0,0 @@
#JSGF V1.0 UTF-8 pl;
grammar book;
public <rezerwuj> = chciałbym zarezerwować stolik <dzien_rezerwacji> <godzina_rezerwacji> <liczba_osob> ;
<dzien_rezerwacji> = na <dzien> {day};
<dzien> = dzisiaj | jutro | poniedziałek | wtorek | środę | czwartek | piątek | sobotę | niedzielę;
<godzina_rezerwacji> = na [godzinę] <godzina_z_minutami> {hour};
<godzina_z_minutami> = <godzina> [<minuty>];
<godzina> = dziewiątą | dziesiątą | jedenastą | dwunastą;
<minuty> = pietnaście | trzydzieści;
<liczba_osob> = (na | dla) <liczba> {size} (osób | osoby);
<liczba> = dwie | dwóch | trzy | trzech | cztery | czterech | pięć | pieciu;

110
value_dict.json
View File

@ -1,110 +0,0 @@
{
"appointment": {
"hour": [
"08:00",
"08:15",
"08:30",
"08:45",
"09:00",
"09:15",
"09:30",
"09:45",
"10:00",
"10:15",
"10:30",
"10:45",
"11:00",
"11:15",
"11:30",
"11:45",
"12:00",
"12:15",
"12:30",
"12:45",
"13:00",
"13:15",
"13:30",
"13:45",
"14:00",
"14:15",
"14:30",
"14:45",
"15:00",
"15:15",
"15:30",
"15:45",
"16:00",
"16:15",
"16:30",
"16:45",
"17:00",
"17:15",
"17:30",
"17:45",
"18:00",
"18:15",
"18:30",
"18:45",
"19:00",
"19:15",
"19:30",
"19:45"
],
"date": [
"poniedziałek",
"wtorek",
"środa",
"środę",
"czwartek",
"piątek",
"sobota",
"sobotę",
"niedziela",
"niedzielę",
"01.05.2021",
"02.05.2021",
"03.05.2021",
"04.05.2021",
"05.05.2021",
"06.05.2021",
"07.05.2021",
"08.05.2021",
"09.05.2021",
"10.05.2021",
"11.05.2021",
"12.05.2021",
"13.05.2021",
"14.05.2021",
"15.05.2021",
"16.05.2021",
"17.05.2021",
"18.05.2021",
"19.05.2021",
"20.05.2021",
"21.05.2021",
"22.05.2021",
"23.05.2021",
"24.05.2021",
"25.05.2021",
"26.05.2021",
"27.05.2021",
"28.05.2021",
"29.05.2021",
"20.05.2021"
],
"doctor": [
"internista",
"okulista",
"rodzinny",
"ginekolog",
"dr. Kolano",
"dr. Kowalska"
]
},
"prescritpion": {
"type": [
"recepta",
"e-recepta"
]
}
}