5. main.py - 알고리즘 테스트 파일

5. main.py - 알고리즘 테스트 파일

2023. 12. 10. 00:25ㆍ개인 프로젝트/📚 감정 인식 및 MBTI 분석 ChatBot

1. main.py

import urllib.request
import json
import requests
from konlpy.tag import Komoran
import random
import os
import tensorflow as tf
import pandas as pd
from tensorflow.keras.models import Model, load_model
from tensorflow.keras import preprocessing
from NaverAPIIDPW import *

komoran = Komoran()


def SearchingMBTI(nouns, TargetMBTI, FileTitle):
    for item in nouns:
        # MBTI.csv 파일 읽기
        mbti_data = pd.read_csv(FileTitle)

        # MBTI.csv에서 단어 확인 및 해당하는 값 가져오기
        matching_row = mbti_data[mbti_data["word"] == item]

        if not matching_row.empty:
            mbti_value = matching_row.iloc[0]["count"]
            TargetMBTI = TargetMBTI + mbti_value
        else:
            pass

        return TargetMBTI


def ChatBot(InputText):
    os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"

    # 입력된 채팅
    # InputText = "오늘 사람을 하나 묻었다."
    print(f"입력된 메세지: {InputText}")
    ReturnMessage = ""

    # 감정 인식 ---------------------------------------------------------------------------------------
    # 1 데이터 읽어오기
    train_file = "chatbot_data.csv"
    data = pd.read_csv(train_file, delimiter=",")
    features = data["Q"].tolist()

    features.append(InputText)

    # 2 단어 인덱스 시퀀스 벡터
    corpus = [preprocessing.text.text_to_word_sequence(text) for text in features]

    tokenizer = preprocessing.text.Tokenizer()
    tokenizer.fit_on_texts(corpus)  # fit_on_texts() 메서드는 문자 데이터를 입력받아서 리스트의 형태로 변환합니다.
    sequences = tokenizer.texts_to_sequences(corpus)

    MAX_SEQ_LEN = 15
    padded_seqs = preprocessing.sequence.pad_sequences(
        sequences, maxlen=MAX_SEQ_LEN, padding="post"
    )

    # 4 감정 분류 CNN 모델 불러 오기
    os.environ["HDF5_USE_FILE_LOCKING"] = "FALSE"
    model = load_model("cnn_model.keras")

    picks = [len(features) - 1]

    try:
        predict = model.predict(padded_seqs[picks])
        predict_class = tf.math.argmax(predict, axis=1)
        emo = predict_class.numpy()[0]
    except:
        emo = 0

    emotions = {0: "보통", 1: "부정", 2: "긍정"}

    # MBTI 분석 -----------------------------------------------------------------------------------------
    # 명사만 추출
    nouns = komoran.nouns(InputText)

    # 변수 초기화
    MBTI_user = ""
    MBTI_E = 0
    MBTI_S = 0
    MBTI_T = 0
    MBTI_J = 0

    MBTI_I = 0
    MBTI_N = 0
    MBTI_F = 0
    MBTI_P = 0

    # E 성향 검사 ------------------------------------------
    MBTI_E = SearchingMBTI(nouns, MBTI_E, "MBTI_E.csv")
    # S 성향 검사 ------------------------------------------
    MBTI_S = SearchingMBTI(nouns, MBTI_S, "MBTI_S.csv")
    # T 성향 검사 ------------------------------------------
    MBTI_T = SearchingMBTI(nouns, MBTI_T, "MBTI_T.csv")
    # J 성향 검사 ------------------------------------------
    MBTI_J = SearchingMBTI(nouns, MBTI_J, "MBTI_J.csv")

    # I 성향 검사 ------------------------------------------
    MBTI_I = SearchingMBTI(nouns, MBTI_I, "MBTI_I.csv")
    # N 성향 검사 ------------------------------------------
    MBTI_N = SearchingMBTI(nouns, MBTI_N, "MBTI_N.csv")
    # F 성향 검사 ------------------------------------------
    MBTI_F = SearchingMBTI(nouns, MBTI_F, "MBTI_F.csv")
    # P 성향 검사 ------------------------------------------
    MBTI_P = SearchingMBTI(nouns, MBTI_P, "MBTI_P.csv")

    # 결과 출력 --------------------------------------------
    if MBTI_E > MBTI_I:
        MBTI_user = MBTI_user + "E"
    elif MBTI_I > MBTI_E:
        MBTI_user = MBTI_user + "I"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    if MBTI_S > MBTI_N:
        MBTI_user = MBTI_user + "S"
    elif MBTI_N > MBTI_S:
        MBTI_user = MBTI_user + "N"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    if MBTI_T > MBTI_F:
        MBTI_user = MBTI_user + "T"
    elif MBTI_F > MBTI_T:
        MBTI_user = MBTI_user + "F"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    if MBTI_J > MBTI_P:
        MBTI_user = MBTI_user + "J"
    elif MBTI_P > MBTI_J:
        MBTI_user = MBTI_user + "P"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    ReturnMessage = ReturnMessage + f"당신의 MBTI는 {MBTI_user}입니다.\n"
    ReturnMessage = ReturnMessage + f"감정 : {emotions[emo]}\n"
    ReturnMessage = ReturnMessage + "=" * 50 + "\n"

    # 네이버 검색 API ----------------------------------------------------------------------------------
    # 네이버 검색 API 인증 정보
    client_id = NaverClient_id
    client_secret = NaverSecret
    query = "MBTI " + MBTI_user

    if emotions[emo] == "부정":
        query = query + ' "스트레스"'  # 일상, 궁합, 스트레스
        # API 호출 URL
        url = f"https://openapi.naver.com/v1/search/blog?query={query}"

        # API 요청 헤더 설정
        headers = {
            "X-Naver-Client-Id": client_id,
            "X-Naver-Client-Secret": client_secret,
        }

        # API 호출 및 응답 받아오기
        response = requests.get(url, headers=headers)
        data = response.json()

        # 검색 결과 출력
        if "items" in data:
            for idx, item in enumerate(data["items"][:3], start=1):
                title = item["title"]
                link = item["link"]
                ReturnMessage = ReturnMessage + f"Result {idx}\n"
                ReturnMessage = ReturnMessage + f"Title: {title}\n"
                ReturnMessage = ReturnMessage + f"Link: {link}\n"
                ReturnMessage = ReturnMessage + "=" * 50 + "\n"
        else:
            ReturnMessage = ReturnMessage + "검색 결과가 없습니다."
    elif emotions[emo] == "긍정":
        query = query + ' "궁합"'  # 일상, 궁합, 스트레스
        # API 호출 URL
        url = f"https://openapi.naver.com/v1/search/blog?query={query}"

        # API 요청 헤더 설정
        headers = {
            "X-Naver-Client-Id": client_id,
            "X-Naver-Client-Secret": client_secret,
        }

        # API 호출 및 응답 받아오기
        response = requests.get(url, headers=headers)
        data = response.json()

        # 검색 결과 출력
        if "items" in data:
            for idx, item in enumerate(data["items"][:3], start=1):
                title = item["title"]
                link = item["link"]
                ReturnMessage = ReturnMessage + f"Result {idx}\n"
                ReturnMessage = ReturnMessage + f"Title: {title}\n"
                ReturnMessage = ReturnMessage + f"Link: {link}\n"
                ReturnMessage = ReturnMessage + "=" * 50 + "\n"
        else:
            ReturnMessage = ReturnMessage + "검색 결과가 없습니다."
    else:
        query = query + ' "일상"'  # 일상, 궁합, 스트레스
        # API 호출 URL
        url = f"https://openapi.naver.com/v1/search/blog?query={query}"

        # API 요청 헤더 설정
        headers = {
            "X-Naver-Client-Id": client_id,
            "X-Naver-Client-Secret": client_secret,
        }

        # API 호출 및 응답 받아오기
        response = requests.get(url, headers=headers)
        data = response.json()

        # 검색 결과 출력
        if "items" in data:
            for idx, item in enumerate(data["items"][:3], start=1):
                title = item["title"]
                link = item["link"]
                ReturnMessage = ReturnMessage + f"Result {idx}\n"
                ReturnMessage = ReturnMessage + f"Title: {title}\n"
                ReturnMessage = ReturnMessage + f"Link: {link}\n"
                ReturnMessage = ReturnMessage + "=" * 50 + "\n"
        else:
            ReturnMessage = ReturnMessage + "검색 결과가 없습니다."

    return ReturnMessage


InputText = "길고 긴 연애의 끝은 가정과 책임이었다."
message = ChatBot(InputText)
print(message)

위의 코드는 실제로 네이버 톡톡 챗봇에 쓰기 전에 미리 PC에서 테스트하는 소스코드입니다.

2. 코드 세부 설명

def SearchingMBTI(nouns, TargetMBTI, FileTitle):
    for item in nouns:
        # MBTI.csv 파일 읽기
        mbti_data = pd.read_csv(FileTitle)

        # MBTI.csv에서 단어 확인 및 해당하는 값 가져오기
        matching_row = mbti_data[mbti_data["word"] == item]

        if not matching_row.empty:
            mbti_value = matching_row.iloc[0]["count"]
            TargetMBTI = TargetMBTI + mbti_value
        else:
            pass

        return TargetMBTI

이 함수는 단어를 가중치 csv파일에 넣어 각 성향별로 얼마나 높은 점수를 기록하는지 확인하는 함수입니다.

실제 감정 진단 및 MBTI 성향 측정은 ChatBot() 함수에서 진행됩니다.

    # 입력된 채팅
    # InputText = "오늘 사람을 하나 묻었다."
    print(f"입력된 메세지: {InputText}")
    ReturnMessage = ""

이 부분이 사용자가 보내는 메세지가 저장되는 부분입니다. 주석에는 인풋텍스트를 예시로 적어두었습니다.

    # 감정 인식 ---------------------------------------------------------------------------------------
    # 1 데이터 읽어오기
    train_file = "chatbot_data.csv"
    data = pd.read_csv(train_file, delimiter=",")
    features = data["Q"].tolist()

    features.append(InputText)

    # 2 단어 인덱스 시퀀스 벡터
    corpus = [preprocessing.text.text_to_word_sequence(text) for text in features]

    tokenizer = preprocessing.text.Tokenizer()
    tokenizer.fit_on_texts(corpus)  # fit_on_texts() 메서드는 문자 데이터를 입력받아서 리스트의 형태로 변환합니다.
    sequences = tokenizer.texts_to_sequences(corpus)

    MAX_SEQ_LEN = 15
    padded_seqs = preprocessing.sequence.pad_sequences(
        sequences, maxlen=MAX_SEQ_LEN, padding="post"
    )

    # 4 감정 분류 CNN 모델 불러 오기
    os.environ["HDF5_USE_FILE_LOCKING"] = "FALSE"
    model = load_model("cnn_model.keras")

    picks = [len(features) - 1]

    try:
        predict = model.predict(padded_seqs[picks])
        predict_class = tf.math.argmax(predict, axis=1)
        emo = predict_class.numpy()[0]
    except:
        emo = 0

    emotions = {0: "보통", 1: "부정", 2: "긍정"}

이 부분이 메세지 속 감정을 진단하는 코드입니다. 미리 학습이 된 모델을 사용하여 결과를 저장합니다.

    # MBTI 분석 -----------------------------------------------------------------------------------------
    # 명사만 추출
    nouns = komoran.nouns(InputText)

    # 변수 초기화
    MBTI_user = ""
    MBTI_E = 0
    MBTI_S = 0
    MBTI_T = 0
    MBTI_J = 0

    MBTI_I = 0
    MBTI_N = 0
    MBTI_F = 0
    MBTI_P = 0

    # E 성향 검사 ------------------------------------------
    MBTI_E = SearchingMBTI(nouns, MBTI_E, "MBTI_E.csv")
    # S 성향 검사 ------------------------------------------
    MBTI_S = SearchingMBTI(nouns, MBTI_S, "MBTI_S.csv")
    # T 성향 검사 ------------------------------------------
    MBTI_T = SearchingMBTI(nouns, MBTI_T, "MBTI_T.csv")
    # J 성향 검사 ------------------------------------------
    MBTI_J = SearchingMBTI(nouns, MBTI_J, "MBTI_J.csv")

    # I 성향 검사 ------------------------------------------
    MBTI_I = SearchingMBTI(nouns, MBTI_I, "MBTI_I.csv")
    # N 성향 검사 ------------------------------------------
    MBTI_N = SearchingMBTI(nouns, MBTI_N, "MBTI_N.csv")
    # F 성향 검사 ------------------------------------------
    MBTI_F = SearchingMBTI(nouns, MBTI_F, "MBTI_F.csv")
    # P 성향 검사 ------------------------------------------
    MBTI_P = SearchingMBTI(nouns, MBTI_P, "MBTI_P.csv")

    # 결과 출력 --------------------------------------------
    if MBTI_E > MBTI_I:
        MBTI_user = MBTI_user + "E"
    elif MBTI_I > MBTI_E:
        MBTI_user = MBTI_user + "I"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    if MBTI_S > MBTI_N:
        MBTI_user = MBTI_user + "S"
    elif MBTI_N > MBTI_S:
        MBTI_user = MBTI_user + "N"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    if MBTI_T > MBTI_F:
        MBTI_user = MBTI_user + "T"
    elif MBTI_F > MBTI_T:
        MBTI_user = MBTI_user + "F"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    if MBTI_J > MBTI_P:
        MBTI_user = MBTI_user + "J"
    elif MBTI_P > MBTI_J:
        MBTI_user = MBTI_user + "P"
    else:  # 정확히 반반인 경우
        MBTI_user = MBTI_user + "_"

    ReturnMessage = ReturnMessage + f"당신의 MBTI는 {MBTI_user}입니다.\n"
    ReturnMessage = ReturnMessage + f"감정 : {emotions[emo]}\n"
    ReturnMessage = ReturnMessage + "=" * 50 + "\n"

이 부분은 MBTI 성향을 요소별로 나누어 검사하는 부분입니다. 가중치를 합산하여 성향을 저장합니다.

    # 네이버 검색 API ----------------------------------------------------------------------------------
    # 네이버 검색 API 인증 정보
    client_id = "CuOIdXJEpXjVP_pHajYc"
    client_secret = "jezGrtdSa3"
    query = "MBTI " + MBTI_user

    if emotions[emo] == "부정":
        query = query + ' "스트레스"'  # 일상, 궁합, 스트레스
        # API 호출 URL
        url = f"https://openapi.naver.com/v1/search/blog?query={query}"

        # API 요청 헤더 설정
        headers = {
            "X-Naver-Client-Id": client_id,
            "X-Naver-Client-Secret": client_secret,
        }

        # API 호출 및 응답 받아오기
        response = requests.get(url, headers=headers)
        data = response.json()

        # 검색 결과 출력
        if "items" in data:
            for idx, item in enumerate(data["items"][:3], start=1):
                title = item["title"]
                link = item["link"]
                ReturnMessage = ReturnMessage + f"Result {idx}\n"
                ReturnMessage = ReturnMessage + f"Title: {title}\n"
                ReturnMessage = ReturnMessage + f"Link: {link}\n"
                ReturnMessage = ReturnMessage + "=" * 50 + "\n"
        else:
            ReturnMessage = ReturnMessage + "검색 결과가 없습니다."
    elif emotions[emo] == "긍정":
        query = query + ' "궁합"'  # 일상, 궁합, 스트레스
        # API 호출 URL
        url = f"https://openapi.naver.com/v1/search/blog?query={query}"

        # API 요청 헤더 설정
        headers = {
            "X-Naver-Client-Id": client_id,
            "X-Naver-Client-Secret": client_secret,
        }

        # API 호출 및 응답 받아오기
        response = requests.get(url, headers=headers)
        data = response.json()

        # 검색 결과 출력
        if "items" in data:
            for idx, item in enumerate(data["items"][:3], start=1):
                title = item["title"]
                link = item["link"]
                ReturnMessage = ReturnMessage + f"Result {idx}\n"
                ReturnMessage = ReturnMessage + f"Title: {title}\n"
                ReturnMessage = ReturnMessage + f"Link: {link}\n"
                ReturnMessage = ReturnMessage + "=" * 50 + "\n"
        else:
            ReturnMessage = ReturnMessage + "검색 결과가 없습니다."
    else:
        query = query + ' "일상"'  # 일상, 궁합, 스트레스
        # API 호출 URL
        url = f"https://openapi.naver.com/v1/search/blog?query={query}"

        # API 요청 헤더 설정
        headers = {
            "X-Naver-Client-Id": client_id,
            "X-Naver-Client-Secret": client_secret,
        }

        # API 호출 및 응답 받아오기
        response = requests.get(url, headers=headers)
        data = response.json()

        # 검색 결과 출력
        if "items" in data:
            for idx, item in enumerate(data["items"][:3], start=1):
                title = item["title"]
                link = item["link"]
                ReturnMessage = ReturnMessage + f"Result {idx}\n"
                ReturnMessage = ReturnMessage + f"Title: {title}\n"
                ReturnMessage = ReturnMessage + f"Link: {link}\n"
                ReturnMessage = ReturnMessage + "=" * 50 + "\n"
        else:
            ReturnMessage = ReturnMessage + "검색 결과가 없습니다."

앞에서 진단한 기분에 따라 MBTI과 관련지어 네이버에서 검색을 합니다. 부정이면 스트레스, 긍정이면 궁합, 그 외의 경우에는 일상을 측정된 MBTI 성향과 조합하여 검사합니다.

InputText = "길고 긴 연애의 끝은 가정과 책임이었다."
message = ChatBot(InputText)
print(message)

여기서 결과를 통해 실제로 잘 작동하는지 검사합니다.

위와 같이 정상 작동을 확인하였기에 서버 구성하러 구름IDE로 이동합니다.

'개인 프로젝트 > 📚 감정 인식 및 MBTI 분석 ChatBot' 카테고리의 다른 글

📕 감정 인식 및 MBTI 분석 ChatBot (1)	2023.12.10
6. 구름IDE.py - 실제 서버 구동 파일 (0)	2023.12.10
4. NaverAPIIDPW.py - 네이버 API 정보 (0)	2023.12.09
3. create_chatbot_model.py - 감정 인식 모델 만들기 (0)	2023.12.09
2. CorpusExtraction.py - 크롤링 정보 가공 (0)	2023.12.09

공략법

공략법

태그

최근글

댓글

공지사항

아카이브

1. main.py

2. 코드 세부 설명

'개인 프로젝트 > 📚 감정 인식 및 MBTI 분석 ChatBot' 카테고리의 다른 글

관련글

티스토리툴바