Django实现智能问答助手-数据库方式读取标题和答案

扩展

• 增长问答数据库，通过 Django Admin 添加标题和答案。
  
• 实现更复杂的问答逻辑，好比利用天然语言处理处罚（NLP）库。
  
• 利用前端框架（如 Bootstrap）增强用户界面
  

1.注册模子到 Django Admin（admin.py）

在应用目次下的admin.py文件中，注册QuestionAnswer模子，使得可以在 Django Admin 界面中对其举行管理利用，代码如下：

1. from django.contrib import admin
2. from. import models
3. # 注册QuestionAnswer模型，使得可以在 Django Admin 界面中对其进行管理操作
4. # Django 就知道要在 Admin 后台中显示QuestionAnswer模型，并且可以进行添加、编辑、删除等常规操作了
5. admin.site.register(models.QuestionAnswer)

复制代码

通过以上代码，Django 就知道要在 Admin 配景中体现QuestionAnswer模子，而且可以举行添加、编辑、删除等通例利用了。
2. 数据库迁移

完成模子界说和注册后，须要举行数据库迁移，让 Django 根据模子创建相应的数据库表结构。打开下令行，进入项目根目次（包罗manage.py文件的目次），依次实行以下下令：

1. python manage.py makemigrations
2. python manage.py migrate

复制代码

• makemigrations下令会根据模子的界说天生迁移文件，它会检测模子的厘革并天生相应的脚本，告诉 Django 要对数据库做哪些改变。
  
• migrate下令则是将这些迁移脚本实际应用到数据库中，创建或更新对应的表结构。
  

3. 美满视图逻辑（大概在views.py中）

之前的视图函数可以进一步优化，比方更好地处理处罚大概出现的错误情况等，以下是优化后的示例（在views.py中）：

1. from django.shortcuts import render
2. from.models import QuestionAnswer
4. def home(request):
5.     if request.method == 'POST':
6.         user_question = request.POST.get('question')
7.         if user_question:
8.             # 这里可以实现简单的匹配逻辑，优化了判断，避免空查询
9.             answer = QuestionAnswer.objects.filter(question__icontains=user_question).first()
10.             if answer:
11.                 response = answer.answer
12.             else:
13.                 response = "抱歉，暂时没有找到相关答案哦。"
14.             return render(request, 'qa/home.html', {'response': response})
15.         else:
16.             return render(request, 'qa/home.html', {'response': "请输入有效的问题呀。"})
17.     return render(request, 'qa/home.html')

复制代码

在这个优化后的视图函数中：

• 增长了对user_question是否为空的判定，假如为空则返回相应提示，让用户输入有效的标题，增强了用户交互的友爱性。
  
• 对于找不到答案的情况，返回了更友爱的提示语句。
  

4.实现更复杂的问答逻辑，利用天然语言处理处罚（NLP）库

安装须要的库*
起首确保已经安装了 nltk 库，假如没有安装，可以通过以下下令安装：

1. pip install nltk

复制代码

导入须要的模块和下载干系资源（针对 nltk），views.py文件

1. from django.shortcuts import render
2. from.models import QuestionAnswer
3. import nltk
4. from nltk.stem import PorterStemmer
5. from nltk.corpus import stopwords
7. # 下载nltk所需的停用词资源（只需执行一次，可在项目启动时或首次运行相关代码时）
8. nltk.download('stopwords')

复制代码

修改后的视图函数 home

1. def home(request):
2.     if request.method == 'GET':
3.         return render(request, 'qa/home.html', {'response': ""})
5.     if request.method == 'POST':
6.         user_question = request.POST.get('question')
7.         if user_question:
8.             # 进行自然语言处理相关的预处理操作
9.             stemmer = PorterStemmer()
10.             stop_words = set(stopwords.words('english'))
12.             # 对用户问题进行分词、词干提取、停用词去除等预处理
13.             words = nltk.word_tokenize(user_question)
14.             words = [stemmer.stem(word) for word in words if word not in stop_words]
16.             # 重新组合处理后的问题
17.             processed_question = " ".join(words)
19.             # 这里可以实现更复杂的匹配逻辑，基于预处理后的问题进行查找
20.             answer = QuestionAnswer.objects.filter(question__icontains=processed_question).first()
21.             if answer:
22.                 response = answer.answer
23.             else:
24.                 response = "抱歉，暂时没有找到相关答案哦。"
25.             return render(request, 'qa/home.html', {'response': response})
26.         else:
27.             return render(request, 'qa/home.html', {'response': "请输入有效的问题呀。"})
28.     return render(request, 'qa/home.html')

复制代码

在上述修改后的代码中：

• 起首导入了 nltk
  干系的模块用于举行天然语言处理处罚利用，包罗词干提取（PorterStemmer）和获取停用词（stopwords）。
  
• 在处理处罚 POST 哀求且用户输入了有效标题后，对用户标题举行了一系列天然语言处理处罚的预处理处罚利用： 先创建了词干提取器
  PorterStemmer 和获取了英语的停用词聚集。
  
• 对用户标题举行分词，然后对每个分词举行词干提取并去除停用词，末了重新组合成处理处罚后的标题。
  
• 基于处理处罚后的标题在 QuestionAnswer 模子中举行答案的查找匹配，根据是否找到答案来设置相应的 response值并返回给模板举行展示。
  

5.在数据库中预先输入标题和答案

如许就可以在页面上通过数据库的方式读取标题和答案