一种意图识别算法。
sounder的Python项目详细描述
#发声器API
本节专门介绍sounder库api，它是[sounder算法]（https://slapbot.github.io/documentation/resources/algorithm）的一个抽象，阅读全文，解释sounder是如何工作的，可以并入到项目中，也可以在哪里使用，请参考这里：[sounder explained]（https://slapbot.github.io/documentation/resources/algorithm），[pdf version]（https://slapbot.github.io/documentation/resources/algorithm/sounder.pdf）
- [安装]（安装）
- [实例化类]（实例化）
- [搜索方法]（搜索）
- [概率法]（概率）
- [过滤方法]（过滤）
- [实用]（实用）
<；hr>；
<；a name=“installation”>；
##安装
将Sounder Library安装到您的应用程序中非常简单，只需使用pippackage manager，就可以从您喜欢的命令行执行一个简单的命令，如下所示：
pip install sounder
<；hr>；
<；a name=“instantiate”>；
##实例化类
第一件也是最重要的事情就是像这样导入类。
from sounder import Sounder
然后简单地实例化类。
sounder = Sounder([[‘facebook’, ‘notifications’], [‘twitter’, ‘notifications’]])
您可以将数据集作为位置参数（可选）传递给sounder构造函数，或者稍后使用 返回self的方法。
sounder.set_dataset([[‘facebook’, ‘notifications’], [‘twitter’, ‘notifications’]])
正如您已经注意到的，为了使用search方法，数据集需要是包含字符串元素的二维列表。
<；hr>；
<；a name=“Search”>；
##搜索方法
search（query，dataset=none，metaphone=false）方法接受一个位置参数（强制），该查询需要是一个由需要在数据集中搜索的字符串组成的列表，如下所示。
sounder = Sounder([[‘facebook’, ‘notifications’], [‘twitter’, ‘notifications’], [‘note’, ‘something’]]) index = sounder.search([‘trackbook’, ‘notifs’])
search方法总是返回它发现的给定数据集最可能相同的索引。在这种情况下，索引将等于0。
此方法采用其他可选参数，如下所示：
- dataset:它只是一个数据集，如果在实例化类时不需要set dataset，那么可以将它作为另一个参数传递。不过，还是需要一个二维列表。
- metaphone:它默认为false，这与您不想在主算法之外使用metaphone这一事实产生了共鸣。在真实状态下，所有的数据集和查询首先转换为变音，然后输入到算法中，在输入数据非常随机或使用通用术语的情况下提高效率。
<；hr>；
<；a name=“Probability”>；
##概率法
概率（query，dataset=none，metaphone=false，detailed=false，prediction=false）方法再次接受一个位置参数，该参数是需要与数据集进行比较的查询。（由字符串组成的列表。），如是。
sounder = Sounder([[‘facebook’, ‘notifications’], [‘twitter’, ‘notifications’], [‘note’, ‘something’]]) chances = sounder.probabiltiy([‘trackbook’, ‘notifs’])
probability方法根据给定情况下的可选参数返回结果：
- 没有传递可选参数：它返回数据集大小的列表，由查询列表最有可能是数据集的概率组成，该概率是由0.0到1.0之间的值（0.0表示没有匹配项）和1.0表示所有匹配项产生的。
- detailed:如果detailed参数设置为true，则返回嵌套列表格式的数据集大小，其中第一个元素是查询列表对数据集最有可能的概率，而第二个元素是另一个列表数据集第i个数据集的大小，包括通过解决赋值问题，在查询中找到第i个数据的第j个字，该值介于0.0到1.0之间，其中0.0表示不匹配。
- prediction:如果设置为true，则返回一个dict，带有键chances和index表示在相似性方面，数据集的哪个索引最有可能用于给定的查询，而chances表示0.0到1.0之间的值，其中0.0表示不匹配。
可以设置的另外两个参数是：
dataset:如果您没有在实例化上设置数据集，请不要担心，将其作为参数传递。还有一件事，如果您只是比较两个字符串元素列表，那么这次不一定需要是一个二维列表。像这样。
information = sounder.probability([‘trackbook’], dataset=[‘facebook’])
sounder基本上是在内部自动将它映射到二维列表中，让您能够比较任意两个单词列表。
- metaphones:同样，它与搜索方法完全相同。
<；hr>；
<；a name=“filter”>；
##过滤方法
过滤器（query，reserved_sub_words=none）基本上是一个实用程序，它提供您从字符串中过滤停止字，例如，“嘿，斯蒂芬妮，现在几点了？“会过滤掉['hey'，'what'，'is'，'the']因为它们没有更高的含义，留下了像['stephanie'，'time'，'right'，'now']
此方法只是一个实用程序，可以帮助您从单个库中识别整个意图，但您可以自由使用任何类型的系统。它返回一个字典，其中包含sub_words和key_words等键，它们分别以列表形式停止字符串中的单词和字符串中的关键字。
reserved_sub_words:是用于筛选停止字的筛选器，您可以在方法本身中传递自己的筛选器，也可以通过使用返回自身实例的set_filter（reserved_sub_words）方法传递自己的筛选器。注意：确保过滤器是包含您认为是停止词的所有单词的字典。默认值如下：
{ “what”, “where”, “which”, “how”, “when”, “who”, “is”, “are”, “makes”, “made”, “make”, “did”, “do”, “to”, “the”, “of”, “from”, “against”, “and”, “or”, “you”, “me”, “we”, “us”, “your”, “my”, “mine”, ‘yours’, “could”, “would”, “may”, “might”, “let”, “possibly”, ‘tell’, “give”, “told”, “gave”, “know”, “knew”, ‘a’, ‘am’, ‘an’, ‘i’, ‘like’, ‘has’, ‘have’, ‘need’, ‘will’, ‘be’, “this”, ‘that’, “for” }
<；hr>；
<；a name=“Practical Usage”>；
##实际使用
这个算法是[stephanie]（https://slapbot.github.io）的大脑，这是一个开源平台，专门为语音控制应用程序构建，并模拟虚拟助理的大部分工作自动执行日常任务。
欢迎加入QQ群-->： 979659372
