Đồ án tốt nghiệp: Áp dụng PhoBERT cho phân loại bình luận và xây dựng chatbot trong mua sắm quần áo trực tuyến

• Trường học: Trường Đại Học
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Đồ Án Tốt Nghiệp Đại Học Đề Tài Áp Dụng Phobert Cho Phân Loại Bình Luận Và Xây Dựng Chatbot Trong Mua Sắm Quần Áo Trực Tuyến
• Loại tài liệu: Đồ án tốt nghiệp

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỘT SỐ MÔ HÌNH NLP VÀ CHATBOT
• 1.1. Khái niệm BERT
• 1.2. Phương pháp Transformer
• 1.3. Kiến trúc mô hình BERT
• 1.4. Các nhiệm vụ huấn luyện mô hình BERT
• 1.5. Các biến thể của BERT
• 1.6. Sự ra đời của PhoBERT
• 1.7. Khái niệm PhoBERT
• 1.8. Các phương pháp học sâu
• 1.8.1. Mạng bộ nhớ dài – ngắn (LSTM)
• 1.8.2. Mạng tích chập (Convolutional neural network)
• 1.8.3. Kỹ thuật Drop-out
• 1.8.4. Hàm kích hoạt (Activation functions)
• 1.9. Nền tảng xây dựng chatbot - Rasa
• 1.9.1. Tổng quan về Rasa
• 1.9.2. Một số khái niệm trong Rasa
• 2. CHƯƠNG 2: BÀI TOÁN PHÂN LOẠI BÌNH LUẬN
• 2.1. Phát biểu bài toán
• 2.2. Xây dựng mô hình phân loại
• 2.2.1. Các tập dữ liệu thực nghiệm
• 2.2.2. Dữ liệu bình luận của người dùng Shopee
• 2.2.3. Tiền xử lý và trực quan hóa dữ liệu
• 2.2.4. Xây dựng các mô hình huấn luyện
• 2.2.5. Đánh giá kết quả thực nghiệm
• 3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG CHATBOT
• 3.1. Giới thiệu bài toán
• 3.1.1. Khái niệm chatbot
• 3.1.2. Bài toán xây dựng chatbot cho cửa hàng quần áo
• 3.2. Xây dựng kịch bản
• 3.2.1. Xây dựng ý định (Intent)
• 3.2.2. Xây dựng các thực thể (Entity) và Slot
• 3.2.3. Xây dựng các câu trả lời
• 3.2.4. Xây dựng câu chuyện và các luật
• 3.2.5. Xây dựng các hành động của chatbot
• 3.3. Áp dụng PhoBERT xác định ý định của người dùng
• 3.4. Thử nghiệm chatbot
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

I. Tổng quan về đồ án tốt nghiệp áp dụng PhoBERT trong phân loại bình luận

Đồ án tốt nghiệp này tập trung vào việc áp dụng mô hình PhoBERT để phân loại bình luận và xây dựng chatbot trong lĩnh vực mua sắm quần áo trực tuyến. Mô hình PhoBERT được phát triển nhằm cải thiện khả năng xử lý ngôn ngữ tự nhiên cho tiếng Việt, giúp nâng cao hiệu quả trong việc phân tích và hiểu các bình luận của người dùng. Việc áp dụng PhoBERT không chỉ giúp phân loại bình luận mà còn hỗ trợ trong việc xây dựng các hệ thống chatbot thông minh, phục vụ nhu cầu của khách hàng trong mua sắm trực tuyến.

1.1. Khái niệm về PhoBERT và ứng dụng trong NLP

PhoBERT là một biến thể của BERT, được tối ưu hóa cho ngôn ngữ tiếng Việt. Mô hình này được huấn luyện trên một tập dữ liệu lớn, giúp cải thiện khả năng phân loại và phân tích cảm xúc trong các bình luận của người dùng.

1.2. Tại sao cần xây dựng chatbot trong mua sắm trực tuyến

Chatbot giúp tự động hóa quy trình tương tác với khách hàng, từ việc tư vấn sản phẩm đến xử lý đơn hàng. Điều này không chỉ tiết kiệm thời gian mà còn nâng cao trải nghiệm mua sắm cho người tiêu dùng.

II. Thách thức trong việc phân loại bình luận và xây dựng chatbot

Việc phân loại bình luận và xây dựng chatbot trong mua sắm trực tuyến gặp nhiều thách thức. Một trong những vấn đề chính là sự đa dạng và phức tạp của ngôn ngữ tự nhiên. Các bình luận có thể chứa nhiều ý nghĩa khác nhau, và việc phân loại chính xác là rất quan trọng để cung cấp phản hồi đúng đắn cho người dùng. Hơn nữa, việc xây dựng chatbot cũng cần phải đảm bảo rằng nó có thể hiểu và xử lý các yêu cầu của khách hàng một cách hiệu quả.

2.1. Đặc điểm của bình luận người dùng trong mua sắm trực tuyến

Bình luận của người dùng thường mang tính chủ quan và có thể chứa nhiều yếu tố cảm xúc. Điều này làm cho việc phân loại trở nên khó khăn hơn, đòi hỏi mô hình phải có khả năng hiểu ngữ cảnh và cảm xúc.

2.2. Những khó khăn trong việc xây dựng chatbot hiệu quả

Chatbot cần phải được thiết kế để xử lý nhiều loại câu hỏi và yêu cầu khác nhau từ khách hàng. Việc này đòi hỏi một kịch bản rõ ràng và khả năng học hỏi từ các tương tác trước đó.

III. Phương pháp áp dụng PhoBERT cho phân loại bình luận

Để áp dụng PhoBERT cho việc phân loại bình luận, cần thực hiện một số bước quan trọng. Đầu tiên, dữ liệu bình luận cần được thu thập và tiền xử lý để đảm bảo chất lượng. Sau đó, mô hình PhoBERT sẽ được tinh chỉnh để phù hợp với bài toán phân loại cụ thể. Cuối cùng, kết quả phân loại sẽ được đánh giá để đảm bảo tính chính xác và hiệu quả của mô hình.

3.1. Quy trình thu thập và tiền xử lý dữ liệu

Dữ liệu bình luận sẽ được thu thập từ các nền tảng mua sắm trực tuyến và sau đó được tiền xử lý để loại bỏ các yếu tố không cần thiết, như ký tự đặc biệt và từ ngữ không liên quan.

3.2. Tinh chỉnh mô hình PhoBERT cho bài toán phân loại

Mô hình PhoBERT sẽ được tinh chỉnh bằng cách sử dụng các tập dữ liệu đã được chuẩn bị, giúp cải thiện khả năng phân loại và hiểu ngữ nghĩa của bình luận.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của chatbot

Kết quả nghiên cứu cho thấy việc áp dụng PhoBERT trong phân loại bình luận mang lại hiệu quả cao. Mô hình không chỉ cải thiện độ chính xác trong việc phân loại mà còn giúp xây dựng chatbot có khả năng tương tác tốt với khách hàng. Các ứng dụng thực tiễn của hệ thống này đã được triển khai trên nhiều nền tảng mua sắm trực tuyến, giúp nâng cao trải nghiệm người dùng.

4.1. Đánh giá hiệu quả của mô hình PhoBERT

Mô hình PhoBERT đã đạt được kết quả tốt trong các bài kiểm tra phân loại bình luận, với độ chính xác cao và khả năng xử lý ngữ nghĩa tốt.

4.2. Ứng dụng chatbot trong mua sắm quần áo trực tuyến

Chatbot được xây dựng trên nền tảng Rasa đã giúp cải thiện đáng kể quy trình mua sắm, từ việc tư vấn sản phẩm đến xử lý đơn hàng một cách nhanh chóng và hiệu quả.

V. Kết luận và hướng phát triển tương lai của đồ án

Đồ án tốt nghiệp này đã chứng minh được tính khả thi của việc áp dụng PhoBERT trong phân loại bình luận và xây dựng chatbot cho mua sắm quần áo trực tuyến. Hướng phát triển trong tương lai có thể bao gồm việc mở rộng mô hình để xử lý nhiều ngôn ngữ khác nhau và cải thiện khả năng tương tác của chatbot.

5.1. Định hướng nghiên cứu tiếp theo

Nghiên cứu có thể mở rộng sang các lĩnh vực khác như dịch máy và phân tích cảm xúc, nhằm nâng cao khả năng của mô hình.

5.2. Tương lai của chatbot trong thương mại điện tử

Chatbot sẽ ngày càng trở nên thông minh hơn, với khả năng hiểu và tương tác tự nhiên hơn với người dùng, góp phần nâng cao trải nghiệm mua sắm trực tuyến.