-
Notifications
You must be signed in to change notification settings - Fork 1
/
bot.py
381 lines (281 loc) · 11.3 KB
/
bot.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
# coding=utf-8
from functools import reduce
from matplotlib import pylab
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import recall_score, precision_score, accuracy_score, confusion_matrix
from sklearn.model_selection import LeaveOneOut
from telegram.ext import Updater, CommandHandler, MessageHandler
from telegram.ext.filters import Filters
import telegram
import logging
import os
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import config
import helpers as h
# Inicializa vetorizador
vectorizer = TfidfVectorizer(sublinear_tf=True, max_df=0.5, strip_accents='unicode')
# Carrega dataset
csv = pd.read_csv('./dataset.csv')
# Separa textos e intenções do dataset
x = vectorizer.fit_transform(csv['text'].values)
y = csv['intention'].values
# Inicializa classificadores a serem utilizados
classifiers = {
'knn': KNeighborsClassifier(n_neighbors=3),
'svm': SVC(gamma=2, C=1),
'tree': DecisionTreeClassifier(max_depth=5),
'regression': LogisticRegression(random_state=0, solver='lbfgs', multi_class='multinomial'),
}
'''
# Aumenta o tamanho das imagens (matrizes de confusão)
pylab.rcParams['figure.figsize'] = (16, 10)
# Itera classificadores
for name, classifier in classifiers.items():
# Inicializa vetores dos resultados dos testes
# Cada teste do LeaveOneOut será armazenado para poder gerar métricas em seguida
trues = []
preds = []
# Iniciaza o LeaveOneOut
loo = LeaveOneOut()
# Realiza a divisão dos dados
for train, test in loo.split(csv.values):
# Separa parte de treino e parte de teste
train = csv.iloc[train]
test = csv.iloc[test]
# Separa texto e intenção do treino
x = vectorizer.fit_transform(train['text'])
y = train['intention']
# Separa texto e intenção do teste
a = test['text']
b = test['intention']
# Realiza o treino do classificador
classifier.fit(x, y)
# Vetoriza o teste
test = vectorizer.transform(a)
# Prediz o teste com o classificador
pred = classifier.predict(test)
# Separa o valor real
true = b.values
# Adiciona na lista de predições
# TODO: mudar para tuplas
trues.append(true[0])
preds.append(pred[0])
print('#################################################')
print('Estatísticas para %s' % name)
print('Recall=', recall_score(trues, preds, average='weighted'))
print('Precision=', precision_score(trues, preds, average='weighted'))
print('Accuracy=', accuracy_score(trues, preds))
# Lista de todos as classes sem repetição
labels = list(set(trues))
# Gera matriz de confusão
matrix = confusion_matrix(trues, preds, labels=labels)
# Inicia plot para matriz de confusão
ax = plt.subplot()
sns.heatmap(matrix, annot=True, ax=ax) # annot=True to annotate cells
# labels, title and ticks
ax.set_title('Confusion Matrix')
ax.set_xlabel('Predicted labels')
ax.set_ylabel('True labels')
ax.xaxis.set_ticklabels(labels)
ax.yaxis.set_ticklabels(labels)
# Printa matriz em texto
print(matrix)
# Mostra matriz imagem
# plt.show()
'''
# Treina modelo da regressão e classifica uma mensagem
def predict_action(message):
model = classifiers['regression']
x = vectorizer.fit_transform(csv['text'])
y = csv['intention']
model.fit(x, y)
test = vectorizer.transform([message])
pred = model.predict(test)
return pred[0]
# Lógica para intenção de `cardapio`
def cardapio(message, user_data):
response = '*Nosso cardápio de hamburgueres:* \n\n'
# Lista todos os produtos do tipo hamburguer
for cod, info in config.products.items():
if info['tipo'] == 'hamburguer':
response += "🍔 *%s:* `R$ %.2f`\n" % (info['nome'], info['preco'] / 100)
return response
# Lógica para intenção `bebidas`
def bebidas(message, user_data):
response = '*Nosso cardário de bebidas:* \n\n'
# Lista todos os produtos do tipo bebida
for cod, info in config.products.items():
if info['tipo'] == 'bebida':
response += "🥤 *%s:* `R$ %.2f`\n" % (info['nome'], info['preco'] / 100)
return response
# Lógica para intenção `conta`
def conta(message, user_data):
response = ''
order = user_data['order']
# Calcula custo total da conta
valor_conta = reduce(lambda cur, x: cur + x[1] * config.products[x[0]]['preco'], order.items(), 0)
response += "*Valor total da conta:* `R$ %.2f`\n\n" % (valor_conta / 100)
# Lista todos os produtos adicionados na conta do usuário
for cod, quant in order.items():
product = config.products[cod]
response += "*%d* `%s`\n" % (quant, product['nome'])
response += "\nComo será o meio de pagamento?"
return response
# Lógica para intenção `tempo`
def tempo(message, user_data):
order = user_data['order']
# Soma quantidade de itens
items = reduce(lambda cur, x: cur + x, list(order.values()), 0)
return "Tempo estimado para entrega: %dmin" % (items * config.min_per_item + 20)
# Resposta para quando não existe resposta para a intenção classificada
def nao_entendi(message, user_data):
return "Nao entendi o que você disse, pode tentar de outra forma?"
# Lógica para intenção `pagamento`
def pagamento(message, user_data):
response = ''
# Processa tags da mensagem (e cria "atalho" para tags de pagamento)
tags = h.get_tags(message)
pay = tags['payment']
# Seta tipo de pagamento do pedido
user_data['payment_method'] = pay
# Monta resposta dependente do tipo de pagamento
if pay == 'credit':
response += 'Enviaremos uma máquina para pagamento com cartão de crédito.'
elif pay == 'debit':
response += 'Enviaremos uma máquina para pagamento com cartão de débito.'
elif pay == 'cash':
response += 'Seu pedido foi registrado para pagamento em dinheiro.'
else:
# Reseta tipo de pagamento
user_data['payment_method'] = None
return 'Como voce deseja pagar seu pedido?'
response += '\n\nDeseja que seu pedido seja entregue ou para retirada?'
return response
# Lógica para intenção `entrega`
def entrega(message, user_data):
# Processa tags
tags = h.get_tags(message)
shipping = tags['shipping']
# Seta tipo de entrega
user_data['shipping_method'] = shipping
if shipping == 'self':
return "Pedido para retirada!"
elif shipping == 'direct':
return 'Pedido para entrega!'
else:
user_data['shipping_method'] = None
return "Deseja que seu pedido seja retirado ou entregue?"
def informacao(message, user_data):
response = ''
tags = h.get_tags(message)
prods = tags['products']
for prod in prods:
p = config.products[prod]
nome = p['nome']
desc = p['descricao']
response += 'Informacoes sobre o %s: \n\n*%s*\n' % (nome, desc)
return response
def pedido(message, user_data):
order = user_data['order']
response = ''
tags = h.get_tags(message)
if len(tags['nums']) != len(tags['products']):
return 'Por favor mencione a quantidade e o produto em seguida!'
for i in range(len(tags['nums'])):
quant = tags['nums'][i]
cod = tags['products'][i]
nome = config.products[cod]['nome']
if cod not in order:
order[cod] = 0
order[cod] += quant
response += "*%d* `%s` %s ao seu pedido!\n" % (quant, nome, ('adicionado', 'adicionados')[quant > 1])
response += '\n✅ Deseja mais algo?'
return response
def done(user_data):
return user_data['order'] and user_data['shipping_method'] and user_data['payment_method']
def finish(user_data):
response = ''
order = user_data['order']
response += '*Resumo do seu pedido*\n'
for cod, quant in order.items():
p = config.products[cod]
response += "*%d* `%s`\n" % (quant, p['nome'])
pay = user_data['payment_method']
valor_conta = reduce(lambda cur, x: cur + x[1] * config.products[x[0]]['preco'], order.items(), 0)
if pay == 'credit':
payment_method = 'Cartão de Crédito'
elif pay == 'debit':
payment_method = 'Cartão de Débito'
else:
payment_method = 'Dinheiro'
shipping_method = ('Retirada', 'Entrega')[user_data['shipping_method'] == 'direct']
response += '\n*O valor total:* `R$ %.2f`' % (valor_conta / 100)
response += '\n*Meio de pagamento:* %s' % payment_method
response += '\n*Pedido para:* %s\n' % shipping_method
response += '\n*Seu pedido foi registrado!*'
user_data['order'] = {}
user_data['payment_method'] = None
user_data['shipping_method'] = None
return response
print('Polling Telegram')
# Enable logging
logging.basicConfig(format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
level=logging.INFO)
logger = logging.getLogger(__name__)
def text_message(update, context):
message = update.message.text
print('Received message: %s' % message)
intention = predict_action(message)
actions = {
'cardapio': cardapio,
'conta': conta,
'entrega': entrega,
'tempo': tempo,
'bebidas': bebidas,
'informacao': informacao,
'pagamento': pagamento,
'pedido': pedido,
}
if intention in actions:
call = actions[intention]
else:
call = nao_entendi
print('Itention: %s' % intention)
print(h.get_tags(message))
user_data = context.user_data
if 'order' not in user_data:
user_data['order'] = {}
if 'payment_method' not in user_data:
user_data['payment_method'] = ''
if 'shipping_method' not in user_data:
user_data['shipping_method'] = ''
print('Calling intention')
response = call(message, user_data)
print('Response: %s' % response)
update.message.reply_text(response, parse_mode=telegram.ParseMode.MARKDOWN)
if done(user_data):
response = finish(user_data)
update.message.reply_text(response, parse_mode=telegram.ParseMode.MARKDOWN)
def bot_help(update, context):
update.message.reply_text("Para começar um pedido, basta me informar quais itens do cardápio você tem interesse!\n"
"Exemplos:\n"
"- *Por favor me mande o cardárpio*\n"
"- *Eu quero um X-Bacon e 2 cocas*\n"
"- *O que tem de bebida?*", parse_mode=telegram.ParseMode.MARKDOWN)
def error(update, context):
"""Log Errors caused by Updates."""
logger.warning('Update "%s" caused error "%s"' % (update, context.error))
updater = Updater(os.environ['TELEGRAM_TOKEN'], use_context=True)
updater.dispatcher.add_handler(CommandHandler('ajuda', bot_help))
updater.dispatcher.add_handler(CommandHandler('start', bot_help))
updater.dispatcher.add_handler(CommandHandler('iniciar', bot_help))
updater.dispatcher.add_handler(MessageHandler(Filters.update.message, text_message))
updater.dispatcher.add_error_handler(error)
updater.start_polling()
updater.idle()