{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
    "<div class=\"alert alert-block alert-info\">\n",
    "<h1> Systemy Dialogowe </h1>\n",
    "<h2> 11. <i>Generowanie odpowiedzi</i>  [laboratoria]</h2> \n",
    "<h3> Marek Kubis (2021)</h3>\n",
    "</div>\n",
    "\n",
    "![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Generowanie odpowiedzi\n",
    "======================\n",
    "\n",
    "W systemie dialogowym taktyka prowadzenia dialogu odpowiada za wyznaczanie aktów systemowych, czyli wskazanie tego **co ma zostać przez system wypowiedziane** i/lub wykonane.\n",
    "Zadaniem modułu generowania odpowiedzi jest zamiana aktów dialogowych na wypowiedzi w języku\n",
    "naturalnym, czyli wskazanie tego **w jaki sposób** ma zostać wypowiedziane to co ma zostać\n",
    "wypowiedziane.\n",
    "\n",
    "Generowanie odpowiedzi przy użyciu szablonów\n",
    "--------------------------------------------\n",
    "Podstawowe narzędzie wykorzystywane w modułach generowania odpowiedzi stanowią szablony tekstowe\n",
    "interpolujące zmienne. W Pythonie mechanizm ten jest dostępny za pośrednictwem\n",
    "[f-stringów](https://docs.python.org/3/reference/lexical_analysis.html#f-strings), metody\n",
    "[format](https://docs.python.org/3/library/string.html#formatstrings) oraz zewnętrznych bibliotek takich, jak [Jinja2](https://jinja.palletsprojects.com/).\n",
    "\n",
    "O ile podejście wykorzystujące wbudowane mechanizmy języka Python sprawdza się w prostych\n",
    "przypadkach..."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "def nlg(system_act):\n",
    "    domain, intent, slot, value = system_act\n",
    "\n",
    "    if intent == 'Inform' and slot == 'Phone':\n",
    "        return f'Numer telefonu to {value}'"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "nlg(['Hotel', 'Inform', 'Phone', '1234567890'])"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {
    "lines_to_next_cell": 0
   },
   "source": [
    "... to trzeba mieć świadomość, że w toku prac nad agentem dialogowym może być konieczne\n",
    "uwzględnienie m.in.:\n",
    "\n",
    " 1. szablonów zależnych od wartości slotów"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "def nlg(system_act):\n",
    "    domain, intent, slot, value = system_act\n",
    "\n",
    "    if domain == 'Restaurant' and intent == 'Inform' and slot == 'Count':\n",
    "        if value == 0:\n",
    "            return f'Nie znalazłem restauracji spełniających podane kryteria.'\n",
    "        elif value == 1:\n",
    "            return f'Znalazłem jedną restaurację spełniającą podane kryteria.'\n",
    "        elif value <= 4:\n",
    "            return f'Znalazłem {value} restauracje spełniające podane kryteria.'\n",
    "        elif value <= 9:\n",
    "            return f'Znalazłem {value} restauracji spełniających podane kryteria.'\n",
    "        else:\n",
    "            return f'Znalazłem wiele restauracji spełniających podane kryteria.'"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "nlg(['Restaurant', 'Inform', 'Count', 0])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "nlg(['Restaurant', 'Inform', 'Count', 1])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "nlg(['Restaurant', 'Inform', 'Count', 2])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "nlg(['Restaurant', 'Inform', 'Count', 6])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "nlg(['Restaurant', 'Inform', 'Count', 100])"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {
    "lines_to_next_cell": 0
   },
   "source": [
    " 2. wielu wariantów tej samej wypowiedzi"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "import random\n",
    "\n",
    "def nlg(system_act):\n",
    "    domain, intent, slot, value = system_act\n",
    "\n",
    "    if intent == 'Affirm':\n",
    "        r = random.randint(1, 3)\n",
    "\n",
    "        if r == 1:\n",
    "            return 'Tak'\n",
    "        elif r == 2:\n",
    "            return 'Zgadza się'\n",
    "        else:\n",
    "            return 'Potwierdzam'\n",
    "\n",
    "nlg(['Hotel', 'Affirm', '', ''])"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {
    "lines_to_next_cell": 0
   },
   "source": [
    " 3. wielojęzycznego interfejsu użytkownika"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "lines_to_next_cell": 0
   },
   "outputs": [],
   "source": [
    "def nlg_en(system_act):\n",
    "    domain, intent, slot, value = system_act\n",
    "\n",
    "    if domain == 'Hotel' and intent == 'Request' and slot == 'CreditCardNo':\n",
    "        return 'What is your credit card number?'"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "nlg_en(['Hotel', 'Request', 'CreditCardNo', '?'])"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {
    "lines_to_next_cell": 0
   },
   "source": [
    "Generowanie odpowiedzi z wykorzystaniem uczenia maszynowego\n",
    "-----------------------------------------------------------\n",
    "Obok mechanizmu szablonów do generowania odpowiedzi można również\n",
    "stosować techniki uczenia maszynowego.\n",
    "Zagadnienie to stanowiło\n",
    "przedmiot konkursu [E2E NLG Challenge](http://www.macs.hw.ac.uk/InteractionLab/E2E/) (Novikova i in., 2017).\n",
    "Przyjrzyjmy się danym, jakie udostępnili organizatorzy."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "!mkdir -p l10\n",
    "!curl -L -C - https://github.com/tuetschek/e2e-dataset/releases/download/v1.0.0/e2e-dataset.zip -o l10/e2e-dataset.zip\n",
    "!unzip l10/e2e-dataset.zip -d l10"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import pandas as pd\n",
    "\n",
    "trainset = pd.read_csv('l10/e2e-dataset/trainset.csv')\n",
    "trainset"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Zadanie\n",
    "-------\n",
    "Zaimplementować moduł generowania odpowiedzi obejmujący akty systemowe występujące w zgromadzonym korpusie.\n",
    "\n",
    "Termin: 1.06.2022, godz. 23:59.\n",
    "\n",
    "Literatura\n",
    "----------\n",
    " 1.  Jekaterina Novikova, Ondřej Dušek, Verena Rieser, The E2E Dataset: New Challenges For End-to-End Generation, Proceedings of the SIGDIAL 2017 Conference, pages 201-206, Saarbrücken, Germany https://arxiv.org/pdf/1706.09254.pdf"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [],
   "source": [
    "import pandas as pd\n",
    "df = pd.read_csv('../data/dialog-17-04-03.tsv', sep='\\t', header=None)\n",
    "df.columns = ['user','text','data']\n",
    "df= df[df.user=='system']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {},
   "outputs": [],
   "source": [
    "df.drop(axis=1, labels=['user'], inplace=True)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>user</th>\n",
       "      <th>text</th>\n",
       "      <th>data</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>system</td>\n",
       "      <td>Witamy w internetowym systemie rezerwacji Nach...</td>\n",
       "      <td>welcomemsg()</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>system</td>\n",
       "      <td>System Nachos obsługuje następujące kina: Mult...</td>\n",
       "      <td>select(location)</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "     user                                               text              data\n",
       "1  system  Witamy w internetowym systemie rezerwacji Nach...      welcomemsg()\n",
       "3  system  System Nachos obsługuje następujące kina: Mult...  select(location)"
      ]
     },
     "execution_count": 12,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "def nlg(system_act):\n",
    "    intent, slot, value = system_act\n",
    "\n",
    "    if intent=='welcomemsg':\n",
    "        return 'Witamy w internetowym systemie rezerwacji Nachos, w czym mogę pomóc?'\n",
    "    elif intent=='inform':\n",
    "        \n",
    "        \n",
    "    \n",
    "    \n",
    "    \n",
    "    \n",
    "    \n",
    "    if domain == 'Restaurant' and intent == 'Inform' and slot == 'Count':\n",
    "        if value == 0:\n",
    "            return f'Nie znalazłem restauracji spełniających podane kryteria.'\n",
    "        elif value == 1:\n",
    "            return f'Znalazłem jedną restaurację spełniającą podane kryteria.'\n",
    "        elif value <= 4:\n",
    "            return f'Znalazłem {value} restauracje spełniające podane kryteria.'\n",
    "        elif value <= 9:\n",
    "            return f'Znalazłem {value} restauracji spełniających podane kryteria.'\n",
    "        else:\n",
    "            return f'Znalazłem wiele restauracji spełniających podane kryteria.'"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "inform(quantity=2) AND inform(time=12:00)\n",
    "['inform','quantity','2']"
   ]
  }
 ],
 "metadata": {
  "author": "Marek Kubis",
  "email": "mkubis@amu.edu.pl",
  "jupytext": {
   "cell_metadata_filter": "-all",
   "main_language": "python",
   "notebook_metadata_filter": "-all"
  },
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "lang": "pl",
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.10"
  },
  "subtitle": "11.Generowanie odpowiedzi[laboratoria]",
  "title": "Systemy Dialogowe",
  "year": "2021"
 },
 "nbformat": 4,
 "nbformat_minor": 4
}