人工智能对话机器人系统文档说明（中）

网页游戏：心有一玉

开发工具：RPG maker（mv版本）

类型：网页剧情游戏，角色扮演游戏（RPG），开源源码

使用RPG maker打开文件夹yu下的game.project即可编辑和开发游戏。

运行游戏：打开文件夹yu下的index.html

RPG maker有mv和mz等多个版本，虽然用了mz版本的图片，但是要用mv版本才能打开和正常使用。

技术原理：

我的人工智能程序是MySQL语言的存储过程，存放于数据库中，方便直接操作数据表，作为后台。而网页是html、JavaScript（含ajax）、php语言写的，作为前台，用于显示数据。

数据传输过程：index.html（主页）→ ajax技术 → connect.php → MySQL数据库。

html一般是静态网页，但是用了ajax技术（异步JavaScript），html格式的网页就可以连接数据库了，但还要写php程序（connect.php）用于连接数据库。

ajax的好处在于更新数据时不用刷新整个网页，尤其是这种频繁更新数据的网页，如果用户每点一次发送按钮，就要刷新一次网页，那就不好了。

目前人工智能，其实就是模式匹配：如果用户输入的话语和提问，能匹配上已经设定好的模式（规则），机器人就能回答，否则就回答不了。

MySQL存储过程：

一、处理流程

enter：进入程序，网页与此连接。

先调用存储过程correct，纠正不规范输入。

如果是可直接处理的句子，调用存储过程direct，快速处理，不用做逐句分解和语义理解。

如果无法直接处理，则调用存储过程SplitSS，逐句分解，作为一个个的单句处理。

如果最终都没有结果，就回答我不知道，或不知道啦。

correct：纠正不规范输入

英文标点符号变为中文标点符号。

纠正连接词前没写逗号。例如“因为饿了所以吃饭”变为“因为饿了，所以吃饭”

标注连接词语序颠倒，之后处理。例如该先说原因后说结果，但是用户先说结果后说原因，程序需要标注这种颠倒的连接词语序。

direct：可直接处理的信息

判断用户输入的话语，是否包含禁止使用的词语。

电脑可以直接回答的话语，不用分析语法。例如用户输入“你是谁”电脑回答“我是人工智能妹阿玉”。还有处理回家、去学校、去商店等转移位置的话语。

判断是否为教导方法。

判断是否为设定自动触发。如果是设定自动触发，调用存储过程TriggerInsert，向表中添加信息。

判断是否为设定“前提条件-事件-后果影响”，如果是，调用存储过程AttributeInsert，向表中添加信息。

虚拟商店系统，人工智能的虚拟人可以在商店买物品。

SplitSS：思维主框架，并且把输入的多句，分割成一个个单句进行处理

Split的意思是分割，S表示sentence，SS表示多句话。

第一阶段：先判断有没有提问词，也就是判断是不是提问句。

提问词分为两类，一类是双句（例如因果句，先后顺序句）关系的提问词（例如：为什么、然后怎样），另一类是单句的提问词（例如单句“猫吃什么”中的“什么”）。

第二阶段：

判断标点符号的数量，输入了多少句话。

把输入的多句，按标点符号，分割成一个个的单句进行处理。

第三阶段：单句的处理。

先调用AttributeControl：在“前提条件--事件-后果影响”的句型中，看是否满足前提条件，以及对属性的改变操作。

判断当前单句，是不是双句关系的提问句，是不是单句的提问句。

如果不是提问句，只是教导知识的陈述句。判断教导的知识，是否已经教过。如果没有教过，就存入sentence表，作为新知识。如果是“吗”字句（事件加“吗”字结尾，就是问事件是否存在），就要判断事件是否已经存在。

如果当前单句和上一句话是因果关系、先后顺序关系等，就要调用存储过程InsertSS，把这两句话一起存入知识表2。

调用存储过程single，执行单句的自然语言处理。

如果当前句和之前句是关联的双句，但没有提问词，就调用存储过程AnswerSS，问当前句，回答之前句，问之前句，回答当前句。如果回答不了，用抽象句、甲乙句再试。

如果是关联句，且有双句关系的提问词，也调用AnswerSS回答双句关系。和之前调用AnswerSS不一样，这次是带双句关系提问词的提问。如果回答不了，也用抽象句和甲乙句再试。

single：作用：单句的处理

（1）为单句的语义理解（mean）做准备，就是割掉句头词（例如所以）和句尾词（例如吗）等，到时候语义理解就干净方便了

（2）调用单句的问答（AnswerSingle）

（3）单句的抽象化

（4）如果当前单句和前面的句子构成关系句，例如因果关系句，就插入双句关系表

二、问答

AnswerSingle：单句的回答，以及单句存入知识表

动态SQL：根据情况，智能拼接成查询指令。

疑问词决定select的选择对象，句子中其它成分作为where查询条件。例如教导“猫吃鼠。”语义理解：主语：猫，谓语动词：吃，宾语：鼠，然后存入知识表know。随后用户问“猫吃什么”提问词“什么”出现在宾语位置，说明提问宾语，那么select对象就是宾语。而where查询条件就是主语“猫”和谓语动词“吃”，这样就构成了一条SQL指令，查询结果就是“鼠”。

如果是陈述句，插入到知识表know中（不是sentence），作为电脑的新知识。

AnswerSS：双句关系的回答

双句回答：双句中（例如猫饿了，所以猫吃鼠），如果有提问词（例如为什么猫吃鼠），则以已知句（例如猫吃鼠）作为搜索条件（where），提问词（例如为什么）对应回答句（select）。回答猫饿了。

如果没有提问词，问关联双句中的一句，则回答剩下的另一句。例如输入猫饿了，回答猫吃鼠。这话里没有提问词。

三、抽象与具体

abstract：抽象化

把各个名词抽象化，并组装成抽象句。

例如：猫吃鼠，猫属于动物，鼠属于动物，猫吃鼠变为动物吃动物（全抽象）、动物吃鼠（主语抽象）、猫吃动物（宾语抽象）。

简化：抽象句里，定语（形容词、数词、名词所有格）、副词、时间、地点都不要。

AnswerAbstract：双句关系的抽象句的回答

如果具体句子的方式无法问答，把具体的已知条件句，抽象成三种抽象句：全抽象句、主语抽象句、宾语抽象句，再尝试问答。

concrete：具体化，把抽象的回答变为具体的回答

AnswerSS2：和AnswerSS相似，但处理的是抽象句，而不是具体句

四、属性操作：前提条件、后果影响、自动触发

AbstractAnswer：具体句变为抽象句，再用抽象句问答。比AnswerAbstract要全面。

ExistCondition：判断是否有条件限定。

JudgeCondition：判断是否满足条件。

AttributeInsert：把前提条件、后果影响的信息，插入到表中。

AttributeControl：判断是否符合前提条件，以及对属性值的变化操作。

TriggerInsert：把自动触发的信息，插入到表中。

TriggerControl：按照自动触发的设定，改变属性值，并产生自动触发的事件。

shop：在虚拟世界的商店，阿玉给自己买东西。

AttributeYu：机器人阿玉的事件。

ObjectThing：查询任何对象的事件。

五、链式关联

DepthSearch：对于链式关联的深度遍历，包括正向推理和逆向推理。

六、自然语言处理

mean：自然语言处理框架

自然语言处理就是理解一句话中主语是什么、谓语动词是什么、宾语是什么，还有其它语法成分都是什么。

需要先判断出句型，后面才能具体判断出语法成分。例如双宾语结构的句型，就有直接宾语和间接宾语。再例如宾语补足语句型，要判断出宾语补足语。

割掉句头的连接词，例如因为、所以。割掉句尾的多余字，例如吗、啊。割掉句中的多余字：例如了。

调用存储过程：SearchTime、SearchVerb、SearchLeft、SearchO、SearchDO、SearchOC。

确定年、月、日、时、分。

把今天、昨天等词转化为具体的日期。

调用存储过程NumConvert，把汉语数字转化为阿拉伯数字。

周末、春季等词也作为时间。

SearchVerb：找动词，判断句型

用游标找出所有动词：游标从动词表中逐一读出每个动词，并判断该动词是否包含在句子里。如果包含，就说明句子里有该动词，整个过程仅耗时0.2秒。

以动词来判断句型：

如果句子只有1个动词：如果有双宾语句型的引导词（例如给、看见），就是双宾语句型，如果没有，就是主谓宾句型。如果有“是”字，就是表语句型。

如果句子有2个动词：如果这两个动词连在一起（中间没有间隔词），则等于一个动词，按1个动词的情况来处理。如果这两个动词没有连在一起，则是两个动词，为宾语补足语句型。这两个动词之间的间隔，就是宾语。例如“我让她跳舞”动词“让”和“跳舞”之间是宾语“她”。

如果句子有3个动词：只有宾语补足语句型有这么多动词。

如果是被动句，调整为主动句结构。

以动词来分割句子：以谓语动词为分割词，把句子分为谓语动词左边句和谓语动词右边句，后面分开处理。

SearchLeft：自然语言处理：谓语动词左边句

找主语、主语的定语（形容词、数词、名词所有格）、副词、地点。

找形容词：调用存储过程SearchAdj。

找名词（名词、名词所有格、地点名词）：调用存储过程SearchNoun。

句子修复：补全省略的主语，把代词替换为指代的具体内容。

找副词：调用存储过程SearchAdv，这里指修饰谓语动词的副词，如果是修饰形容词的副词，直接与形容词合并。

SearchO：自然语言处理：主谓宾句型或表语句型的谓语动词右边句

找宾语、宾语的定语、地点。

O指object，原理与SearchLeft相似，但处理的是谓语动词右边句。

SearchDO：自然语言处理：双宾语句型的谓语动词右边句

找直接宾语、间接宾语、宾语的定语、地点。

DO指Double Object，原理与SearchLeft相似，但要找两个宾语。

区分直接宾语和间接宾语：直接宾语在句子底端，后面没内容了，而间接宾语后面还有内容。例如“我给她苹果。”“苹果”是直接宾语，“她”是间接宾语。如果一个定语，左边是间接宾语，说明这个定语是直接宾语的定语，如果左边没有间接宾语，就是间接宾语的定语。

SearchOC：自然语言处理：宾语补足语句型的谓语动词右边句

找宾语、宾语的定语、宾语补足语、地点。

OC指Object Complex，原理与SearchLeft相似，但处理的是谓语动词右边句。

前面SearchVerb已经找出所有动词，包括宾语补足语动词。宾语补足语动词左边是宾语，右边是宾语补足语的名词部分。

SearchNoun：找出名词

游标找名词、动词、形容词、副词，都要面临一个问题，例如“熊猫”被游标理解为三个名词：熊、猫、熊猫。需要长词（熊猫）覆盖短词（熊），短词（熊）吸收长词（熊猫），这样结果就只有一个名词“熊猫”。

如果名词右边有“的”字，就是名词所有格。如果名词左边有“在/去/到/来/回”等词，说明该名词为地点。

游标找出名词的顺序，不是句子里出现的先后顺序，而是名词表里出现的先后顺序。因此要排序，使之符合句子里出现的先后顺序。

名词之间如果是“和”字、“与”字、顿号，或没有间隔字符，就要连接成一个名词。

SearchAdj：找出形容词

SearchAdv：找出副词

NotVerb：进一步确定到底是不是动词

进一步判断一个动词到底是不是动词。例如“学”字是动词，但在“学生”这个词里作名词。再例如“成”指变成，做动词，但是在“成绩”里做名词。

如果一个词，既可以做动词，也可以作名词。那就看这个词前面是否是定语（尤其是“的”）字，因为定语只能修饰名词。如果这个词后面是“的”字，那个词本身就是定语，而不是动词。

NotAdj：进一步确定到底是不是形容词

进一步判断一个形容词到底是不是形容词。例如“白”字是颜色形容词，但在“莲花白”里做名词。再例如“老”字做形容词，但在“老鼠”里做名词。

NotAdv：进一步确定到底是不是副词

进一步判断一个副词到底是不是副词。例如“太”字是程度副词，但是在“太阳”里做名词。再例如“才”表示刚才，做时间副词，但是在“才能”里做名词。

IsName：确定是不是名字

如果句子中出现姓氏，就要看其左右的字符，来判断到底是不是姓氏。例如“王”字，如果左边的字符是“大”，那么“大王”的“王”显然不是姓氏。

如果姓氏前有“小”字，例如“小蔡”，就构成名词。

姓氏和动词之间的部分就是名字，例如“蔡昊哲爱阿玉”，姓氏“蔡”到动词“爱”之间的部分是名字。

NumConvert：汉字型数字转阿拉伯数字

汉字型数字（例如三百六十五）转化为阿拉伯数字（例如365），方便后面加减乘除计算。

InsertSS：双句存入数据表

前后两句话，如果有关系，就是有连接词。例如“猫饿了，所以猫吃鼠。”前后两句话是因果关系，存入双句关系表中。SS表示双句。

七、其它

SentencceRelation和SentenceRelation2：判断句子之间的关联

SentenceRelationInsert：句子之间关联的插入

SplitOnce：把每次输入的段落，拆分成一个个单句

TimePosition：根据现实世界的时间，来决定网页显示的环境背景图和人物图。

八、剧情设计

Story：剧情程序

StoryAffect：后果影响

StoryCondition：前提条件

StoryEnd：读取剧情线最后一句话

StoryList：读取剧情标题

StorySave和StorySave2：网页剧情栏的内容，存入数据库的数据表中

StorySelect：选项处理

此说明文档来自：贴吧云上晴空，https://tieba.baidu.com/home/main?un=%E6%9A%AE%E6%9C%A8%E5%A4%95%E6%BA%AA