質問編集履歴

文法の編集

2020/11/09 15:03

投稿

u-12

スコア0

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -62,7 +62,9 @@
 コード
+```
-```from slackbot.bot import respond_to  #@メッセージへの応答
+from slackbot.bot import respond_to  #@メッセージへの応答
 from slackbot.bot import listen_to      #チャンネル内発言への応答

文法の編集

2020/11/09 15:03

投稿

u-12

スコア0

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -62,579 +62,579 @@
 コード
+```from slackbot.bot import respond_to  #@メッセージへの応答
+from slackbot.bot import listen_to      #チャンネル内発言への応答
+from slackbot.bot import default_reply    # デフォルトの応答
+import slackbot_settings
+###################################################
+#この下にSVM学習済みファイルと単語リスト読み込み部分を貼り付ける
+import pickle
+# 保存したモデルをロードする
+filename = "svmclassifier.pkl"
+loaded_classifier = pickle.load(open(filename, "rb"))
+# 単語リストを読み込みリストに保存
+basicFormList = []
+bffile = "basicFormList.txt"
+for line in open(bffile, "r", encoding="utf_8"):
+    basicFormList.append(line.strip())
+print(len(basicFormList))
+###################################################
+#この下にクラスや関数を貼りつける
+from janome.tokenizer import Tokenizer
+# 単語のクラス
+class Word:
+    def __init__(self, token):
+        # 表層形
+        self.text = token.surface
+        # 原型
+        self.basicForm = token.base_form
+        # 品詞
+        self.pos = token.part_of_speech
+    # 単語の情報を「表層系\t原型\t品詞」で返す
+    def wordInfo(self):
+        return self.text + "\t" + self.basicForm + "\t" + self.pos
+# 引数のtextをJanomeで解析して単語リストを返す関数
+def janomeAnalyzer(text):
+    # 形態素解析
+    t = Tokenizer()
+    tokens = t.tokenize(text)
+    # 解析結果を1行ずつ取得してリストに追加
+    wordlist = []
+    for token in tokens:
+        word = Word(token)
+        wordlist.append(word)
+    return wordlist
+import random
+# キーワード照合ルールのリスト（keywordMatchingRuleオブジェクトのリスト）
+kRuleList = []
+# 応答候補のリスト（ResponseCandidateオブジェクトのリスト）
+candidateList = []
+# キーワード照合ルールのクラス（キーワードと応答の組み合わせ）
+class KeywordMatchingRule:
+    def __init__(self, keyword, response):
+        self.keyword = keyword
+        self.response = response
+# 応答候補のクラス（応答候補とスコアの組み合わせ）
+class ResponseCandidate:
+    def __init__(self, response, score):
+        self.response = response
+        self.score = score
+    def print(self):
+        print("候補文 [%s, %.5f]" % (self.response, self.score))
+# キーワード照合ルールを初期化する関数
+def setupKeywordMatchingRule():
+    kRuleList.clear()
+    for line in open('kw_matching_rule.txt', 'r', encoding="utf_8"):
+        arr = line.split(",")
+        # keywordMatchingRuleオブジェクトを作成してkRuleListに追加
+        kRuleList.append(KeywordMatchingRule(arr[0], arr[1].strip()))
+# キーワード照合ルールを利用した応答候補を生成する関数
+def generateResponseByRule(inputText):
+    for rule in kRuleList:
+        # ルールのキーワードが入力テキストに含まれていたら
+        if(rule.keyword in inputText):
+            # キーワードに対応する応答文とスコアでResponseCandidateオブジェクトを作成してcandidateListに追加
+            cdd = ResponseCandidate(rule.response, 1.0 + random.random())
+            candidateList.append(cdd)
+# ユーザ入力文に含まれる名詞を利用した応答候補を生成する関数
+def generateResponseByInputTopic(inputWordList):
+    # 名詞につなげる語句のリスト
+    textList = ["は好きですか？", "て何ですか？", "何県です。"]
+    for w in inputWordList:
+        pos2 = w.pos.split(",")
+        # 品詞が名詞だったら
+        if pos2[0]=='名詞':
+            cdd = ResponseCandidate(w.basicForm + random.choice(textList),
+                                    0.7 + random.random())
+            candidateList.append(cdd)
+# 無難な応答を返す関数
+def generateOtherResponse():
+    # 無難な応答のリスト
+    bunanList = ["なるほど", "それで？","頑張ろう"]
+    # ランダムにどれかをcandidateListに追加
+    cdd = ResponseCandidate(random.choice(bunanList), 0.5 + random.random())
+    candidateList.append(cdd)
+from collections import Counter
+# 単語情報リストを渡すとカウンターを返す関数
+def makeCounter(wordList):
+    basicFormList = []
+    for word in wordList:
+        basicFormList.append(word.basicForm)
+    # 単語の原型のカウンターを作成
+    counter = Counter(basicFormList)
+    return counter
+# Counterのリストと単語リストからベクトルのリストを作成する関数
+def makeVectorList(counterList, basicFormList):
+    vectorList = []
+    for counter in counterList:
+        vector = []
+        for word in basicFormList:
+            vector.append(counter[word])
+        vectorList.append(vector)
+    return vectorList
+from sklearn import svm
+# ネガポジ判定の結果を返す関数
+# 引数 text:入力文, classifier：学習済みモデル, basicFormList：ベクトル化に使用する単語リスト
+def negaposiAnalyzer(text, classifier, basicFormList):
+    # 形態素解析して頻度のCounterを作成
+    counterList = []
+    wordlist = janomeAnalyzer(text)
+    counter = makeCounter(wordlist)
+    # 1文のcounterだが，counterListに追加
+    counterList.append(counter)
+    # Counterリストと単語リストからベクトルのリストを作成
+    vectorList = makeVectorList(counterList, basicFormList)
+    # ベクトルのリストに対してネガポジ判定
+    predict_label = classifier.predict(vectorList)
+    # 入力文のベクトル化に使用された単語を出力
+    for vector in vectorList:
+        wl=[]
+        for i, num in enumerate(vector):
+            if(num==1):
+                wl.append(basicFormList[i])
+        print(wl)
+    # 予測結果を出力
+    print(predict_label)
+    # 予測結果によって出力を決定
+    if predict_label[0]=="1":
+        output = "よかったね"
+    else:
+        output = "ざんねん"
+    return output
+def generateNegaposiResponse(inputText):
+    # ネガポジ判定を実行
+    output = negaposiAnalyzer(inputText, loaded_classifier,
+                              basicFormList)
+    # 応答候補に追加
+    cdd = ResponseCandidate(output, 0.7 + random.random())
+    candidateList.append(cdd)
+# 応答文を生成する関数
+def generateResponse(inputText):
+    # 応答文候補を空にしておく
+    candidateList.clear()
+    # 形態素解析した後，3つの戦略を順番に実行
+    wordlist = janomeAnalyzer(inputText)
+    generateResponseByRule(inputText)
+    generateResponseByInputTopic(wordlist)
+    generateOtherResponse()
+    # ネガポジ判定の結果を応答候補に追加
+    generateNegaposiResponse(inputText)
+    ret="デフォルト"
+    maxScore=-1.0
+    # scoreが最も高い応答文候補を出力する
+    for cdd in candidateList:
+        cdd.print()
+        if cdd.score > maxScore:
+            ret=cdd.response
+            maxScore = cdd.score
+    return ret
+# 応答文を生成する関数
+def generateResponse(inputText):
+    # 応答文候補を空にしておく
+    candidateList.clear()
+    # 形態素解析した後，3つの戦略を順番に実行
+    wordlist = janomeAnalyzer(inputText)
+    generateResponseByRule(inputText)
+    generateResponseByInputTopic(wordlist)
+    generateOtherResponse()
+    # ネガポジ判定の結果を応答候補に追加
+    generateNegaposiResponse(inputText)
+    ret="デフォルト"
+    maxScore=-1.0
+    # scoreが最も高い応答文候補を戻す
+    for cdd in candidateList:
+        cdd.print()
+        if cdd.score > maxScore:
+            ret=cdd.response
+            maxScore = cdd.score
+    return ret
+###################################################
+# キーワード照合ルールを読み込む
+setupKeywordMatchingRule()
+# 特定の文字列に対して返答
+@respond_to('こんにちは')
+def respond(message):
+    message.reply('こんにちは！')
+# デフォルトの返答
+@default_reply()
+def default(message):
+    # Slackの入力を取得
+    text = message.body['text']
+    # システムの出力を生成
+    output = generateResponse(text)
+    # Slackで返答
+    message.reply(output)
+# スタンプの追加
+@respond_to('かっこいい')
+def react(message):
+    message.reply('ありがとう！')
+    message.react('hearts')
+    message.react('+1')
+# 決まった応答の追加１
+@respond_to('時間を教えて')
+def react(message):
+    import datetime
+    dt_now = datetime.datetime.now()
+    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
+    message.reply(dt_now_str)
+@respond_to('都道府県を教えて')
+def react(message):
+    import datetime
+    dt_now = datetime.datetime.now()
+    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
+    message.reply(dt_now_str)
+コード
 ```
+### 該当のソースコード
+python```ここに言語名を入力
-コード
+ソースコード
 ```
-### 該当のソースコード
-python```ここに言語名を入力
-ソースコード
-```
-from slackbot.bot import respond_to  #@メッセージへの応答
-from slackbot.bot import listen_to      #チャンネル内発言への応答
-from slackbot.bot import default_reply    # デフォルトの応答
-import slackbot_settings
-###################################################
-#この下にSVM学習済みファイルと単語リスト読み込み部分を貼り付ける
-import pickle
-# 保存したモデルをロードする
-filename = "svmclassifier.pkl"
-loaded_classifier = pickle.load(open(filename, "rb"))
-# 単語リストを読み込みリストに保存
-basicFormList = []
-bffile = "basicFormList.txt"
-for line in open(bffile, "r", encoding="utf_8"):
-    basicFormList.append(line.strip())
-print(len(basicFormList))
-###################################################
-#この下にクラスや関数を貼りつける
-from janome.tokenizer import Tokenizer
-# 単語のクラス
-class Word:
-    def __init__(self, token):
-        # 表層形
-        self.text = token.surface
-        # 原型
-        self.basicForm = token.base_form
-        # 品詞
-        self.pos = token.part_of_speech
-    # 単語の情報を「表層系\t原型\t品詞」で返す
-    def wordInfo(self):
-        return self.text + "\t" + self.basicForm + "\t" + self.pos
-# 引数のtextをJanomeで解析して単語リストを返す関数
-def janomeAnalyzer(text):
-    # 形態素解析
-    t = Tokenizer()
-    tokens = t.tokenize(text)
-    # 解析結果を1行ずつ取得してリストに追加
-    wordlist = []
-    for token in tokens:
-        word = Word(token)
-        wordlist.append(word)
-    return wordlist
-import random
-# キーワード照合ルールのリスト（keywordMatchingRuleオブジェクトのリスト）
-kRuleList = []
-# 応答候補のリスト（ResponseCandidateオブジェクトのリスト）
-candidateList = []
-# キーワード照合ルールのクラス（キーワードと応答の組み合わせ）
-class KeywordMatchingRule:
-    def __init__(self, keyword, response):
-        self.keyword = keyword
-        self.response = response
-# 応答候補のクラス（応答候補とスコアの組み合わせ）
-class ResponseCandidate:
-    def __init__(self, response, score):
-        self.response = response
-        self.score = score
-    def print(self):
-        print("候補文 [%s, %.5f]" % (self.response, self.score))
-# キーワード照合ルールを初期化する関数
-def setupKeywordMatchingRule():
-    kRuleList.clear()
-    for line in open('kw_matching_rule.txt', 'r', encoding="utf_8"):
-        arr = line.split(",")
-        # keywordMatchingRuleオブジェクトを作成してkRuleListに追加
-        kRuleList.append(KeywordMatchingRule(arr[0], arr[1].strip()))
-# キーワード照合ルールを利用した応答候補を生成する関数
-def generateResponseByRule(inputText):
-    for rule in kRuleList:
-        # ルールのキーワードが入力テキストに含まれていたら
-        if(rule.keyword in inputText):
-            # キーワードに対応する応答文とスコアでResponseCandidateオブジェクトを作成してcandidateListに追加
-            cdd = ResponseCandidate(rule.response, 1.0 + random.random())
-            candidateList.append(cdd)
-# ユーザ入力文に含まれる名詞を利用した応答候補を生成する関数
-def generateResponseByInputTopic(inputWordList):
-    # 名詞につなげる語句のリスト
-    textList = ["は好きですか？", "て何ですか？", "何県です。"]
-    for w in inputWordList:
-        pos2 = w.pos.split(",")
-        # 品詞が名詞だったら
-        if pos2[0]=='名詞':
-            cdd = ResponseCandidate(w.basicForm + random.choice(textList),
-                                    0.7 + random.random())
-            candidateList.append(cdd)
-# 無難な応答を返す関数
-def generateOtherResponse():
-    # 無難な応答のリスト
-    bunanList = ["なるほど", "それで？","頑張ろう"]
-    # ランダムにどれかをcandidateListに追加
-    cdd = ResponseCandidate(random.choice(bunanList), 0.5 + random.random())
-    candidateList.append(cdd)
-from collections import Counter
-# 単語情報リストを渡すとカウンターを返す関数
-def makeCounter(wordList):
-    basicFormList = []
-    for word in wordList:
-        basicFormList.append(word.basicForm)
-    # 単語の原型のカウンターを作成
-    counter = Counter(basicFormList)
-    return counter
-# Counterのリストと単語リストからベクトルのリストを作成する関数
-def makeVectorList(counterList, basicFormList):
-    vectorList = []
-    for counter in counterList:
-        vector = []
-        for word in basicFormList:
-            vector.append(counter[word])
-        vectorList.append(vector)
-    return vectorList
-from sklearn import svm
-# ネガポジ判定の結果を返す関数
-# 引数 text:入力文, classifier：学習済みモデル, basicFormList：ベクトル化に使用する単語リスト
-def negaposiAnalyzer(text, classifier, basicFormList):
-    # 形態素解析して頻度のCounterを作成
-    counterList = []
-    wordlist = janomeAnalyzer(text)
-    counter = makeCounter(wordlist)
-    # 1文のcounterだが，counterListに追加
-    counterList.append(counter)
-    # Counterリストと単語リストからベクトルのリストを作成
-    vectorList = makeVectorList(counterList, basicFormList)
-    # ベクトルのリストに対してネガポジ判定
-    predict_label = classifier.predict(vectorList)
-    # 入力文のベクトル化に使用された単語を出力
-    for vector in vectorList:
-        wl=[]
-        for i, num in enumerate(vector):
-            if(num==1):
-                wl.append(basicFormList[i])
-        print(wl)
-    # 予測結果を出力
-    print(predict_label)
-    # 予測結果によって出力を決定
-    if predict_label[0]=="1":
-        output = "よかったね"
-    else:
-        output = "ざんねん"
-    return output
-def generateNegaposiResponse(inputText):
-    # ネガポジ判定を実行
-    output = negaposiAnalyzer(inputText, loaded_classifier,
-                              basicFormList)
-    # 応答候補に追加
-    cdd = ResponseCandidate(output, 0.7 + random.random())
-    candidateList.append(cdd)
-# 応答文を生成する関数
-def generateResponse(inputText):
-    # 応答文候補を空にしておく
-    candidateList.clear()
-    # 形態素解析した後，3つの戦略を順番に実行
-    wordlist = janomeAnalyzer(inputText)
-    generateResponseByRule(inputText)
-    generateResponseByInputTopic(wordlist)
-    generateOtherResponse()
-    # ネガポジ判定の結果を応答候補に追加
-    generateNegaposiResponse(inputText)
-    ret="デフォルト"
-    maxScore=-1.0
-    # scoreが最も高い応答文候補を出力する
-    for cdd in candidateList:
-        cdd.print()
-        if cdd.score > maxScore:
-            ret=cdd.response
-            maxScore = cdd.score
-    return ret
-# 応答文を生成する関数
-def generateResponse(inputText):
-    # 応答文候補を空にしておく
-    candidateList.clear()
-    # 形態素解析した後，3つの戦略を順番に実行
-    wordlist = janomeAnalyzer(inputText)
-    generateResponseByRule(inputText)
-    generateResponseByInputTopic(wordlist)
-    generateOtherResponse()
-    # ネガポジ判定の結果を応答候補に追加
-    generateNegaposiResponse(inputText)
-    ret="デフォルト"
-    maxScore=-1.0
-    # scoreが最も高い応答文候補を戻す
-    for cdd in candidateList:
-        cdd.print()
-        if cdd.score > maxScore:
-            ret=cdd.response
-            maxScore = cdd.score
-    return ret
-###################################################
-# キーワード照合ルールを読み込む
-setupKeywordMatchingRule()
-# 特定の文字列に対して返答
-@respond_to('こんにちは')
-def respond(message):
-    message.reply('こんにちは！')
-# デフォルトの返答
-@default_reply()
-def default(message):
-    # Slackの入力を取得
-    text = message.body['text']
-    # システムの出力を生成
-    output = generateResponse(text)
-    # Slackで返答
-    message.reply(output)
-# スタンプの追加
-@respond_to('かっこいい')
-def react(message):
-    message.reply('ありがとう！')
-    message.react('hearts')
-    message.react('+1')
-# 決まった応答の追加１
-@respond_to('時間を教えて')
-def react(message):
-    import datetime
-    dt_now = datetime.datetime.now()
-    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
-    message.reply(dt_now_str)
-@respond_to('都道府県を教えて')
-def react(message):
-    import datetime
-    dt_now = datetime.datetime.now()
-    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
-    message.reply(dt_now_str)

文法の編集

2020/11/09 14:50

投稿

u-12

スコア0

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -18,47 +18,57 @@
 エラーメッセージ
+```Failed to import plugins.react
+Traceback (most recent call last):
+  File "C:\Users\k018c1445\anaconda3\lib\site-packages\slackbot\manager.py", line 60, in _load_plugins
+    import_module(module)
+  File "C:\Users\k018c1445\anaconda3\lib\importlib\__init__.py", line 127, in import_module
+    return _bootstrap._gcd_import(name[level:], package, level)
+  File "<frozen importlib._bootstrap>", line 1006, in _gcd_import
+  File "<frozen importlib._bootstrap>", line 983, in _find_and_load
+  File "<frozen importlib._bootstrap>", line 967, in _find_and_load_unlocked
+  File "<frozen importlib._bootstrap>", line 677, in _load_unlocked
+  File "<frozen importlib._bootstrap_external>", line 728, in exec_module
+  File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
+  File "C:\Users\k018c1445\Documents\proenA\en05\Slackbot_proenA\Slackbot_proenA\plugins\react.py", line 239, in <module>
+    setupKeywordMatchingRule()
+  File "C:\Users\k018c1445\Documents\proenA\en05\Slackbot_proenA\Slackbot_proenA\plugins\react.py", line 84, in setupKeywordMatchingRule
+    kRuleList.append(KeywordMatchingRule(arr[0], arr[1].strip()))
+IndexError: list index out of range`````````ここに言語を入力
+ここに言語を入力
 ```
-(base) PS C:\Users\k018c1445\Documents\proenA\en05\Slackbot_proenA\Slackbot_proenA> python run.py
+ここに言語を入力
-starting slackbot
+```python
-Failed to import plugins.react
-Traceback (most recent call last):
-  File "C:\Users\k018c1445\anaconda3\lib\site-packages\slackbot\manager.py", line 60, in _load_plugins
-    import_module(module)
-  File "C:\Users\k018c1445\anaconda3\lib\importlib\__init__.py", line 127, in import_module
-    return _bootstrap._gcd_import(name[level:], package, level)
-  File "<frozen importlib._bootstrap>", line 1006, in _gcd_import
-  File "<frozen importlib._bootstrap>", line 983, in _find_and_load
-  File "<frozen importlib._bootstrap>", line 967, in _find_and_load_unlocked
-  File "<frozen importlib._bootstrap>", line 677, in _load_unlocked
-  File "<frozen importlib._bootstrap_external>", line 724, in exec_module
-  File "<frozen importlib._bootstrap_external>", line 860, in get_code
-  File "<frozen importlib._bootstrap_external>", line 791, in source_to_code
-  File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
-  File "C:\Users\k018c1445\Documents\proenA\en05\Slackbot_proenA\Slackbot_proenA\plugins\react.py", line 98
-    textList = ["は好きですか？", "て何ですか？"　, "何県です。", "]
-                                   ^
+コード
-SyntaxError: invalid character in identifier
+```
+コード
+```
 ### 該当のソースコード
@@ -70,566 +80,568 @@
 ```
+from slackbot.bot import respond_to  #@メッセージへの応答
+from slackbot.bot import listen_to      #チャンネル内発言への応答
+from slackbot.bot import default_reply    # デフォルトの応答
+import slackbot_settings
+###################################################
+#この下にSVM学習済みファイルと単語リスト読み込み部分を貼り付ける
+import pickle
+# 保存したモデルをロードする
+filename = "svmclassifier.pkl"
+loaded_classifier = pickle.load(open(filename, "rb"))
+# 単語リストを読み込みリストに保存
+basicFormList = []
+bffile = "basicFormList.txt"
+for line in open(bffile, "r", encoding="utf_8"):
+    basicFormList.append(line.strip())
+print(len(basicFormList))
+###################################################
+#この下にクラスや関数を貼りつける
+from janome.tokenizer import Tokenizer
+# 単語のクラス
+class Word:
+    def __init__(self, token):
+        # 表層形
+        self.text = token.surface
+        # 原型
+        self.basicForm = token.base_form
+        # 品詞
+        self.pos = token.part_of_speech
+    # 単語の情報を「表層系\t原型\t品詞」で返す
+    def wordInfo(self):
+        return self.text + "\t" + self.basicForm + "\t" + self.pos
+# 引数のtextをJanomeで解析して単語リストを返す関数
+def janomeAnalyzer(text):
+    # 形態素解析
+    t = Tokenizer()
+    tokens = t.tokenize(text)
+    # 解析結果を1行ずつ取得してリストに追加
+    wordlist = []
+    for token in tokens:
+        word = Word(token)
+        wordlist.append(word)
+    return wordlist
+import random
+# キーワード照合ルールのリスト（keywordMatchingRuleオブジェクトのリスト）
+kRuleList = []
+# 応答候補のリスト（ResponseCandidateオブジェクトのリスト）
+candidateList = []
+# キーワード照合ルールのクラス（キーワードと応答の組み合わせ）
+class KeywordMatchingRule:
+    def __init__(self, keyword, response):
+        self.keyword = keyword
+        self.response = response
+# 応答候補のクラス（応答候補とスコアの組み合わせ）
+class ResponseCandidate:
+    def __init__(self, response, score):
+        self.response = response
+        self.score = score
+    def print(self):
+        print("候補文 [%s, %.5f]" % (self.response, self.score))
+# キーワード照合ルールを初期化する関数
+def setupKeywordMatchingRule():
+    kRuleList.clear()
+    for line in open('kw_matching_rule.txt', 'r', encoding="utf_8"):
+        arr = line.split(",")
+        # keywordMatchingRuleオブジェクトを作成してkRuleListに追加
+        kRuleList.append(KeywordMatchingRule(arr[0], arr[1].strip()))
+# キーワード照合ルールを利用した応答候補を生成する関数
+def generateResponseByRule(inputText):
+    for rule in kRuleList:
+        # ルールのキーワードが入力テキストに含まれていたら
+        if(rule.keyword in inputText):
+            # キーワードに対応する応答文とスコアでResponseCandidateオブジェクトを作成してcandidateListに追加
+            cdd = ResponseCandidate(rule.response, 1.0 + random.random())
+            candidateList.append(cdd)
+# ユーザ入力文に含まれる名詞を利用した応答候補を生成する関数
+def generateResponseByInputTopic(inputWordList):
+    # 名詞につなげる語句のリスト
+    textList = ["は好きですか？", "て何ですか？", "何県です。"]
+    for w in inputWordList:
+        pos2 = w.pos.split(",")
+        # 品詞が名詞だったら
+        if pos2[0]=='名詞':
+            cdd = ResponseCandidate(w.basicForm + random.choice(textList),
+                                    0.7 + random.random())
+            candidateList.append(cdd)
+# 無難な応答を返す関数
+def generateOtherResponse():
+    # 無難な応答のリスト
+    bunanList = ["なるほど", "それで？","頑張ろう"]
+    # ランダムにどれかをcandidateListに追加
+    cdd = ResponseCandidate(random.choice(bunanList), 0.5 + random.random())
+    candidateList.append(cdd)
+from collections import Counter
+# 単語情報リストを渡すとカウンターを返す関数
+def makeCounter(wordList):
+    basicFormList = []
+    for word in wordList:
+        basicFormList.append(word.basicForm)
+    # 単語の原型のカウンターを作成
+    counter = Counter(basicFormList)
+    return counter
+# Counterのリストと単語リストからベクトルのリストを作成する関数
+def makeVectorList(counterList, basicFormList):
+    vectorList = []
+    for counter in counterList:
+        vector = []
+        for word in basicFormList:
+            vector.append(counter[word])
+        vectorList.append(vector)
+    return vectorList
+from sklearn import svm
+# ネガポジ判定の結果を返す関数
+# 引数 text:入力文, classifier：学習済みモデル, basicFormList：ベクトル化に使用する単語リスト
+def negaposiAnalyzer(text, classifier, basicFormList):
+    # 形態素解析して頻度のCounterを作成
+    counterList = []
+    wordlist = janomeAnalyzer(text)
+    counter = makeCounter(wordlist)
+    # 1文のcounterだが，counterListに追加
+    counterList.append(counter)
+    # Counterリストと単語リストからベクトルのリストを作成
+    vectorList = makeVectorList(counterList, basicFormList)
+    # ベクトルのリストに対してネガポジ判定
+    predict_label = classifier.predict(vectorList)
+    # 入力文のベクトル化に使用された単語を出力
+    for vector in vectorList:
+        wl=[]
+        for i, num in enumerate(vector):
+            if(num==1):
+                wl.append(basicFormList[i])
+        print(wl)
+    # 予測結果を出力
+    print(predict_label)
+    # 予測結果によって出力を決定
+    if predict_label[0]=="1":
+        output = "よかったね"
+    else:
+        output = "ざんねん"
+    return output
+def generateNegaposiResponse(inputText):
+    # ネガポジ判定を実行
+    output = negaposiAnalyzer(inputText, loaded_classifier,
+                              basicFormList)
+    # 応答候補に追加
+    cdd = ResponseCandidate(output, 0.7 + random.random())
+    candidateList.append(cdd)
+# 応答文を生成する関数
+def generateResponse(inputText):
+    # 応答文候補を空にしておく
+    candidateList.clear()
+    # 形態素解析した後，3つの戦略を順番に実行
+    wordlist = janomeAnalyzer(inputText)
+    generateResponseByRule(inputText)
+    generateResponseByInputTopic(wordlist)
+    generateOtherResponse()
+    # ネガポジ判定の結果を応答候補に追加
+    generateNegaposiResponse(inputText)
+    ret="デフォルト"
+    maxScore=-1.0
+    # scoreが最も高い応答文候補を出力する
+    for cdd in candidateList:
+        cdd.print()
+        if cdd.score > maxScore:
+            ret=cdd.response
+            maxScore = cdd.score
+    return ret
+# 応答文を生成する関数
+def generateResponse(inputText):
+    # 応答文候補を空にしておく
+    candidateList.clear()
+    # 形態素解析した後，3つの戦略を順番に実行
+    wordlist = janomeAnalyzer(inputText)
+    generateResponseByRule(inputText)
+    generateResponseByInputTopic(wordlist)
+    generateOtherResponse()
+    # ネガポジ判定の結果を応答候補に追加
+    generateNegaposiResponse(inputText)
+    ret="デフォルト"
+    maxScore=-1.0
+    # scoreが最も高い応答文候補を戻す
+    for cdd in candidateList:
+        cdd.print()
+        if cdd.score > maxScore:
+            ret=cdd.response
+            maxScore = cdd.score
+    return ret
+###################################################
+# キーワード照合ルールを読み込む
+setupKeywordMatchingRule()
+# 特定の文字列に対して返答
+@respond_to('こんにちは')
+def respond(message):
+    message.reply('こんにちは！')
+# デフォルトの返答
+@default_reply()
+def default(message):
+    # Slackの入力を取得
+    text = message.body['text']
+    # システムの出力を生成
+    output = generateResponse(text)
+    # Slackで返答
+    message.reply(output)
+# スタンプの追加
+@respond_to('かっこいい')
+def react(message):
+    message.reply('ありがとう！')
+    message.react('hearts')
+    message.react('+1')
+# 決まった応答の追加１
+@respond_to('時間を教えて')
+def react(message):
+    import datetime
+    dt_now = datetime.datetime.now()
+    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
+    message.reply(dt_now_str)
+@respond_to('都道府県を教えて')
+def react(message):
+    import datetime
+    dt_now = datetime.datetime.now()
+    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
+    message.reply(dt_now_str)
 ### 試したこと
-from slackbot.bot import respond_to  #@メッセージへの応答
-from slackbot.bot import listen_to      #チャンネル内発言への応答
-from slackbot.bot import default_reply    # デフォルトの応答
-import slackbot_settings
-###################################################
-#この下にSVM学習済みファイルと単語リスト読み込み部分を貼り付ける
-import pickle
-# 保存したモデルをロードする
-filename = "svmclassifier.pkl"
-loaded_classifier = pickle.load(open(filename, "rb"))
-# 単語リストを読み込みリストに保存
-basicFormList = []
-bffile = "basicFormList.txt"
-for line in open(bffile, "r", encoding="utf_8"):
-    basicFormList.append(line.strip())
-print(len(basicFormList))
-###################################################
-#この下にクラスや関数を貼りつける
-from janome.tokenizer import Tokenizer
-# 単語のクラス
-class Word:
-    def __init__(self, token):
-        # 表層形
-        self.text = token.surface
-        # 原型
-        self.basicForm = token.base_form
-        # 品詞
-        self.pos = token.part_of_speech
-    # 単語の情報を「表層系\t原型\t品詞」で返す
-    def wordInfo(self):
-        return self.text + "\t" + self.basicForm + "\t" + self.pos
-# 引数のtextをJanomeで解析して単語リストを返す関数
-def janomeAnalyzer(text):
-    # 形態素解析
-    t = Tokenizer()
-    tokens = t.tokenize(text)
-    # 解析結果を1行ずつ取得してリストに追加
-    wordlist = []
-    for token in tokens:
-        word = Word(token)
-        wordlist.append(word)
-    return wordlist
-import random
-# キーワード照合ルールのリスト（keywordMatchingRuleオブジェクトのリスト）
-kRuleList = []
-# 応答候補のリスト（ResponseCandidateオブジェクトのリスト）
-candidateList = []
-# キーワード照合ルールのクラス（キーワードと応答の組み合わせ）
-class KeywordMatchingRule:
-    def __init__(self, keyword, response):
-        self.keyword = keyword
-        self.response = response
-# 応答候補のクラス（応答候補とスコアの組み合わせ）
-class ResponseCandidate:
-    def __init__(self, response, score):
-        self.response = response
-        self.score = score
-    def print(self):
-        print("候補文 [%s, %.5f]" % (self.response, self.score))
-# キーワード照合ルールを初期化する関数
-def setupKeywordMatchingRule():
-    kRuleList.clear()
-    for line in open('kw_matching_rule.txt', 'r', encoding="utf_8"):
-        arr = line.split(",")
-        # keywordMatchingRuleオブジェクトを作成してkRuleListに追加
-        kRuleList.append(KeywordMatchingRule(arr[0], arr[1].strip()))
-# キーワード照合ルールを利用した応答候補を生成する関数
-def generateResponseByRule(inputText):
-    for rule in kRuleList:
-        # ルールのキーワードが入力テキストに含まれていたら
-        if(rule.keyword in inputText):
-            # キーワードに対応する応答文とスコアでResponseCandidateオブジェクトを作成してcandidateListに追加
-            cdd = ResponseCandidate(rule.response, 1.0 + random.random())
-            candidateList.append(cdd)
-# ユーザ入力文に含まれる名詞を利用した応答候補を生成する関数
-def generateResponseByInputTopic(inputWordList):
-    # 名詞につなげる語句のリスト
-    textList = ["は好きですか？", "て何ですか？"　, "何県です。", "]
-    for w in inputWordList:
-        pos2 = w.pos.split(",")
-        # 品詞が名詞だったら
-        if pos2[0]=='名詞':
-            cdd = ResponseCandidate(w.basicForm + random.choice(textList),
-                                    0.7 + random.random())
-            candidateList.append(cdd)
-# 無難な応答を返す関数
-def generateOtherResponse():
-    # 無難な応答のリスト
-    bunanList = ["なるほど", "それで？","頑張ろう"]
-    # ランダムにどれかをcandidateListに追加
-    cdd = ResponseCandidate(random.choice(bunanList), 0.5 + random.random())
-    candidateList.append(cdd)
-from collections import Counter
-# 単語情報リストを渡すとカウンターを返す関数
-def makeCounter(wordList):
-    basicFormList = []
-    for word in wordList:
-        basicFormList.append(word.basicForm)
-    # 単語の原型のカウンターを作成
-    counter = Counter(basicFormList)
-    return counter
-# Counterのリストと単語リストからベクトルのリストを作成する関数
-def makeVectorList(counterList, basicFormList):
-    vectorList = []
-    for counter in counterList:
-        vector = []
-        for word in basicFormList:
-            vector.append(counter[word])
-        vectorList.append(vector)
-    return vectorList
-from sklearn import svm
-# ネガポジ判定の結果を返す関数
-# 引数 text:入力文, classifier：学習済みモデル, basicFormList：ベクトル化に使用する単語リスト
-def negaposiAnalyzer(text, classifier, basicFormList):
-    # 形態素解析して頻度のCounterを作成
-    counterList = []
-    wordlist = janomeAnalyzer(text)
-    counter = makeCounter(wordlist)
-    # 1文のcounterだが，counterListに追加
-    counterList.append(counter)
-    # Counterリストと単語リストからベクトルのリストを作成
-    vectorList = makeVectorList(counterList, basicFormList)
-    # ベクトルのリストに対してネガポジ判定
-    predict_label = classifier.predict(vectorList)
-    # 入力文のベクトル化に使用された単語を出力
-    for vector in vectorList:
-        wl=[]
-        for i, num in enumerate(vector):
-            if(num==1):
-                wl.append(basicFormList[i])
-        print(wl)
-    # 予測結果を出力
-    print(predict_label)
-    # 予測結果によって出力を決定
-    if predict_label[0]=="1":
-        output = "よかったね"
-    else:
-        output = "ざんねん"
-    return output
-def generateNegaposiResponse(inputText):
-    # ネガポジ判定を実行
-    output = negaposiAnalyzer(inputText, loaded_classifier,
-                              basicFormList)
-    # 応答候補に追加
-    cdd = ResponseCandidate(output, 0.7 + random.random())
-    candidateList.append(cdd)
-# 応答文を生成する関数
-def generateResponse(inputText):
-    # 応答文候補を空にしておく
-    candidateList.clear()
-    # 形態素解析した後，3つの戦略を順番に実行
-    wordlist = janomeAnalyzer(inputText)
-    generateResponseByRule(inputText)
-    generateResponseByInputTopic(wordlist)
-    generateOtherResponse()
-    # ネガポジ判定の結果を応答候補に追加
-    generateNegaposiResponse(inputText)
-    ret="デフォルト"
-    maxScore=-1.0
-    # scoreが最も高い応答文候補を出力する
-    for cdd in candidateList:
-        cdd.print()
-        if cdd.score > maxScore:
-            ret=cdd.response
-            maxScore = cdd.score
-    return ret
-# 応答文を生成する関数
-def generateResponse(inputText):
-    # 応答文候補を空にしておく
-    candidateList.clear()
-    # 形態素解析した後，3つの戦略を順番に実行
-    wordlist = janomeAnalyzer(inputText)
-    generateResponseByRule(inputText)
-    generateResponseByInputTopic(wordlist)
-    generateOtherResponse()
-    # ネガポジ判定の結果を応答候補に追加
-    generateNegaposiResponse(inputText)
-    ret="デフォルト"
-    maxScore=-1.0
-    # scoreが最も高い応答文候補を戻す
-    for cdd in candidateList:
-        cdd.print()
-        if cdd.score > maxScore:
-            ret=cdd.response
-            maxScore = cdd.score
-    return ret
-###################################################
-# キーワード照合ルールを読み込む
-setupKeywordMatchingRule()
-# 特定の文字列に対して返答
-@respond_to('こんにちは')
-def respond(message):
-    message.reply('こんにちは！')
-# デフォルトの返答
-@default_reply()
-def default(message):
-    # Slackの入力を取得
-    text = message.body['text']
-    # システムの出力を生成
-    output = generateResponse(text)
-    # Slackで返答
-    message.reply(output)
-# スタンプの追加
-@respond_to('かっこいい')
-def react(message):
-    message.reply('ありがとう！')
-    message.react('hearts')
-    message.react('+1')
-# 決まった応答の追加１
-@respond_to('時間を教えて')
-def react(message):
-    import datetime
-    dt_now = datetime.datetime.now()
-    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
-    message.reply(dt_now_str)
-@respond_to('都道府県を教えて')
-def react(message):
-    import datetime
-    dt_now = datetime.datetime.now()
-    dt_now_str = dt_now.strftime('%Y/%m/%d/ %H:%M')
-    message.reply(dt_now_str)