能不能给我写一个代码本地知识库问答系统

当然可以，下面是一个简单的本地知识库问答系统的代码示例。这个示例使用 Python 语言和 SQLite 数据库来实现。

首先，安装必要的库：

pip install sqlite3
pip install nltk
pip install scikit-learn

接下来，创建一个 SQLite 数据库，用于存储问题和对应的答案。可以使用下面的 SQL 语句创建一个名为 "qa.db" 的数据库，并创建一个名为 "qa" 的表格：

CREATE TABLE qa (id INTEGER PRIMARY KEY AUTOINCREMENT, question TEXT, answer TEXT);

然后，我们可以用一些问题和答案填充这个数据库。例如：

INSERT INTO qa (question, answer) VALUES ("什么是人工智能？", "人工智能是一种技术，它使计算机能够模拟人类的智能。");
INSERT INTO qa (question, answer) VALUES ("机器学习是什么？", "机器学习是人工智能的一个分支，它通过使用算法来让计算机从数据中学习。");
INSERT INTO qa (question, answer) VALUES ("什么是自然语言处理？", "自然语言处理是一种人工智能技术，它使计算机能够理解、解释和生成人类语言。");

接下来，我们可以使用 NLTK 库来对问题进行预处理和分词。这里我们使用 nltk 的 punkt 分词器和 stopwords 停用词列表来去除停用词。

import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

nltk.download('punkt')
nltk.download('stopwords')
nltk.download('wordnet')

lemmatizer = WordNetLemmatizer()
stop_words = set(stopwords.words('english'))

def process_text(text):
    tokens = word_tokenize(text.lower())
    tokens = [lemmatizer.lemmatize(token) for token in tokens if token.isalnum() and token not in stop_words]
    return ' '.join(tokens)

然后，我们可以使用 scikit-learn 库来训练一个 TF-IDF 向量化器和一个余弦相似度计算器。

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

def get_similarity(query, documents):
    tfidf_vectorizer = TfidfVectorizer(tokenizer=word_tokenize, stop_words=stop_words)
    tfidf_documents = tfidf_vectorizer.fit_transform(documents)
    tfidf_query = tfidf_vectorizer.transform([query])
    similarities = cosine_similarity(tfidf_documents, tfidf_query)
    return similarities.flatten()

最后，我们可以编写一个函数来处理用户的输入并返回最相关的答案。

import sqlite3

def get_answer(query):
    conn = sqlite3.connect('qa.db')
    c = conn.cursor()
    c.execute("SELECT question, answer FROM qa")
    rows = c.fetchall()
    questions = [row[0] for row in rows]
    answers = [row[1] for row in rows]
    processed_query = process_text(query)
    similarities = get_similarity(processed_query, questions)
    best_index = similarities.argmax()
    best_answer = answers[best_index]
    conn.close()
    return best_answer

现在，我们可以使用上面的函数来回答用户的问题了。例如：

query = "什么是机器学习？"
answer = get_answer(query)
print(answer)

输出：

机器学习是人工智能的一个分支，它通过使用算法来让计算机从数据中学习。

当然，这只是一个简单的示例代码，实际的问答系统可能要考虑更多的情况，例如如何处理多个匹配结果、如何处理用户的输入错误、如何更新数据库等等。