我正在为C#的软件工程课程编写一个聊天机器人。
我使用马尔可夫链来生成文本，使用的语料库是维基百科文章。我希望它能根据用户的输入以一种（至少稍微）智能的方式做出回应，但我不知道该如何实现。
我目前的想法是尝试从用户的输入中提取关键词，然后用这些关键词来引导句子生成。但由于马尔可夫性质，这些关键词必须是句子的第一个词，这可能会显得有些傻。此外，对于一个n阶链，我每次都必须从用户那里提取恰好n个关键词。
生成器的数据是一个字典，其中键是词的列表，值是词的列表和一个权重，权重取决于该词在键中的词之后出现的频率。比如这样：
{[word1, word2, ..., wordn]: [(word, weight), (word, weight), ...]}
它在命令行测试程序中工作得很好，但我只是为它生成的每段文本提供一个n词的种子。
我希望能找到一种方法，让链更倾向于使用用户使用过的附近的词，而不是用输入中的前/后n个词，或者n个关键词，或者其他什么来作为种子。有没有办法做到这一点？
回答：
让你的聊天机器人更智能的一种方法是从用户的输入中识别出话题。假设你的马尔可夫模型也根据不同的主题进行了训练。然后在构建你的回答时，你可以参考下面的字典：
{([word1, word2, …, wordn], topic): [(word, weight), (word, weight), …]}
要找出话题，你可以从WikipediaMiner开始。例如，以下是通过wikify API对句子找到的话题及其相应的权重：
统计学太难了。你有适合初学者的概率论教程吗？
[{'id': 23542, 'title': '概率论', 'weight': 0.9257584778725553}, {'id': 30746, 'title': '理论', 'weight': 0.7408577501980528}, {'id': 22934, 'title': '概率', 'weight': 0.7089442931022307}, {'id': 26685, 'title': '统计学', 'weight': 0.7024251356953044}]这些识别的关键词可能也适合作为种子。然而，回答问题并不简单。这种基于马尔可夫的句子生成完全没有理解问题的能力。它能做的最好的事情就是提供相关内容。这只是我的一点看法。
