Tổng quan nghiên cứu

Việt Nam là quốc gia có quy mô dân số vượt mốc 97 triệu người với tốc độ tăng trưởng người dùng internet và thiết bị di động đạt trên 70% trong những năm gần đây. Cùng với sự phục hồi và bùng nổ của ngành du lịch nội địa lẫn quốc tế, nhu cầu tìm kiếm thông tin nhanh chóng, chính xác về các danh lam thắng cảnh, di tích lịch sử và văn hóa địa phương tăng trưởng hơn 45% mỗi năm. Tuy nhiên, phần lớn các hệ thống hỗ trợ truy vấn thông minh và mô hình ngôn ngữ lớn hiện nay đều tập trung ưu tiên dữ liệu tiếng Anh, trong khi các giải pháp dành riêng cho tiếng Việt vẫn gặp nhiều rào cản do nguồn tài nguyên số hóa về du lịch còn phân tán và chưa đồng bộ.

Vấn đề nghiên cứu trọng tâm của đề tài là giải quyết bài toán hỏi đáp tự động (Question-Answering - QA) bằng ngôn ngữ tự nhiên tiếng Việt trong lĩnh vực địa danh và du lịch. Nghiên cứu tập trung khắc phục hiện tượng thắt cổ chai về tài nguyên ngữ liệu chất lượng cao, đồng thời tối ưu hóa chi phí tính toán khi so khớp ngữ nghĩa câu hỏi với cơ sở tri thức khổng lồ.

Mục tiêu cụ thể của luận văn bao gồm: thu thập và chuẩn hóa bộ dữ liệu chuyên biệt về du lịch Việt Nam; nghiên cứu, triển khai mô hình học sâu hiện đại dựa trên kiến trúc Sentence-BERT (SBERT) kết hợp các mô hình ngôn ngữ tiền huấn luyện tiếng Việt; và xây dựng ứng dụng chatbot hoàn chỉnh trên nền tảng web và di động. Nghiên cứu được triển khai tại Trường Đại học Công nghệ Thông tin - Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn 2023-2024. Đề tài mang ý nghĩa thực tiễn to lớn khi rút ngắn thời gian phản hồi câu hỏi từ hàng chục giờ tính toán xuống dưới 0,01 giây, đạt độ chính xác ngữ nghĩa cao và góp phần quảng bá di sản văn hóa Việt Nam đến cộng đồng một cách trực quan, hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết học sâu và xử lý ngôn ngữ tự nhiên tiên tiến, tập trung vào hai khung kiến trúc nòng cốt:

Kiến trúc Transformer: Đây là nền tảng đột phá trong xử lý chuỗi văn bản thông qua cơ chế chú ý tự thân (Self-Attention) và chú ý đa đầu (Multi-Head Attention) với 8 đầu song song, chiều vector đặc trưng 512 chiều và không gian chiếu 64 chiều cho mỗi đầu. Cơ chế này cho phép mô hình nắm bắt mối quan hệ ngữ cảnh hai chiều của từng từ ngữ mà không bị giới hạn bởi độ dài câu như các mạng hồi quy RNN truyền thống.

Kiến trúc Sentence-BERT (SBERT) và mạng nơ-ron Siamese: SBERT giải quyết triệt để sự hạn chế về tốc độ suy luận của mô hình BERT gốc bằng cách sử dụng mạng nơ-ron sinh đôi để tạo ra các vector nhúng câu cố định có kích thước 512 hoặc 768 chiều. Các vector này sau đó được so khớp thông qua độ tương đồng Cosine hoặc khoảng cách Euclidean.

Các khái niệm then chốt được ứng dụng bao gồm:

  • Không gian nhúng từ (Word Embedding) và nhúng câu (Sentence Embedding): Chuyển đổi văn bản thành các vector số học phản ánh chuẩn xác ngữ nghĩa.
  • Cơ chế mã hóa vị trí (Positional Encoding): Sử dụng hàm sóng Sin-Cos trong BERT hoặc mã hóa học được (Learned Positional Embeddings) trong RoBERTa.
  • Các hàm mục tiêu tối ưu hóa: Hàm mất mát phân loại Cross-Entropy kết hợp biến đổi Softmax, hàm mất mát hồi quy sai số toàn phương trung bình (MSE Loss), và hàm mất mát Triplet Loss với tham số biên độ an toàn bằng 1.
  • Các mô hình tiền huấn luyện tiếng Việt: PhoBERT được huấn luyện trên 20GB văn bản tiếng Việt, viBERT với 110 triệu tham số trên 10GB dữ liệu, và vELECTRA tối ưu hóa khả năng phân biệt từ.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu kết hợp hai tập dữ liệu chính:

  • Tập ngữ liệu chuẩn Semantic Textual Similarity Benchmark (STS Benchmark) phiên bản tiếng Việt gồm 8.630 cặp câu được chuẩn hóa và gán nhãn độ tương đồng ngữ nghĩa chính xác.
  • Tập dữ liệu hỏi đáp chuyên biệt về các địa danh, danh lam thắng cảnh nổi tiếng của Việt Nam (như Vịnh Hạ Long, Cố đô Huế, Phố cổ Hội An, Phong Nha - Kẻ Bàng) do nhóm tác giả tự thu thập, chuẩn hóa và gắn nhãn cẩn trọng.

Phương pháp chọn mẫu: Nghiên cứu áp dụng kỹ thuật phân tầng ngẫu nhiên, chia toàn bộ 8.630 mẫu dữ liệu chuẩn thành tỷ lệ 80% dành cho quá trình huấn luyện (training set) và 20% dành cho quá trình kiểm thử, đánh giá và tinh chỉnh mô hình (validation và test set).

Phương pháp phân tích và lý do lựa chọn: Quy trình xử lý văn bản tiếng Việt sử dụng công cụ VnCoreNLP với các bước tách từ (RDRSegmenter), gán nhãn từ loại (POS Tagging) và nhận dạng thực thể tên riêng (NER). Văn bản sau đó được mã hóa và đưa vào huấn luyện mô hình SBERT. Nhóm tác giả lựa chọn phương pháp mạng Siamese thay vì kiến trúc Cross-Encoder nhằm giảm độ phức tạp tính toán từ mức lũy thừa bậc hai xuống mức tuyến tính, cho phép tìm kiếm trong cơ sở dữ liệu hàng chục nghìn địa điểm trong thời gian thực. Toàn bộ tiến trình nghiên cứu và thực nghiệm được tiến hành liên tục từ tháng 3 năm 2023 đến tháng 1 năm 2024.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu mang lại những kết quả thực nghiệm ấn tượng, thể hiện rõ tính ưu việt của phương pháp đề xuất qua các chỉ số định lượng:

Thứ nhất, tối ưu hóa vượt bậc về thời gian suy luận và tài nguyên tính toán. Đối với tác vụ tìm kiếm cặp câu tương đồng nhất trong tập hợp 10.000 câu văn bản, mô hình BERT Cross-Encoder truyền thống phải thực hiện 49.995.000 phép tính so khớp từng cặp, tiêu tốn khoảng 65 giờ xử lý liên tục trên phần cứng GPU V100. Trong khi đó, mô hình SBERT đề xuất chỉ mất khoảng 5 giây để trích xuất toàn bộ 10.000 vector nhúng và dưới 0,01 giây để tính toán độ tương đồng Cosine, giúp tăng tốc độ xử lý hơn 46.000 lần.

Thứ hai, nâng cao độ chính xác nhận diện ngữ nghĩa tiếng Việt. Đánh giá trên tập 8.630 cặp câu STS Benchmark cho thấy mô hình SBERT sử dụng backbone PhoBERT đạt hệ số tương quan Pearson và hệ số Spearman vượt trội, cao hơn từ 12% đến 18% so với phương pháp Deep Averaging Network (DAN) và cao hơn 8,5% so với việc sử dụng vector nhúng trung bình đơn thuần của mô hình ngôn ngữ không tinh chỉnh.

Thứ ba, độ chính xác nhận dạng thực thể và xử lý câu hỏi phương ngữ đạt tỷ lệ trên 92%. Hệ thống phân biệt rõ ràng giữa các danh từ riêng chỉ địa danh (như Tràng An, Bà Nà Hills, Fansipan) và danh từ chung, giảm thiểu tỷ lệ đưa ra câu trả lời sai lệch hoặc nhầm lẫn ngữ cảnh xuống dưới mức 8%.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp hệ thống đạt hiệu năng vượt trội là sự kết hợp đồng bộ giữa cơ chế tách từ đặc thù tiếng Việt của VnCoreNLP và khả năng nén thông tin ngữ cảnh đa chiều của PhoBERT. Việc biểu diễn toàn bộ câu hỏi thành vector cố định 512 hoặc 768 chiều cho phép hệ thống lưu trữ sẵn chỉ mục ngữ nghĩa của hàng nghìn câu trả lời trong cơ sở dữ liệu du lịch. Khi người dùng nhập câu hỏi mới, hệ thống chỉ cần tính toán một lần vector nhúng và thực hiện phép nhân ma trận điểm tích vô hướng cực nhanh.

So với các hệ thống trợ lý ảo đa năng như Google Assistant hay Amazon Alexa vốn tập trung vào phản hồi tổng quát, mô hình chuyên biệt trong luận văn thể hiện sự thấu hiểu sâu sắc hơn về ngữ cảnh địa phương, lịch sử và văn hóa các vùng miền tại Việt Nam.

Dữ liệu thực nghiệm được trình bày rõ ràng trong luận văn qua các biểu đồ đường thể hiện tiến trình giảm thiểu sai số của hàm mất mát qua 10 epoch huấn luyện, cùng bảng ma trận đối sánh hiệu năng chi tiết giữa các biến thể mô hình (PhoBERT-base, viBERT, vELECTRA). Các biểu đồ phân phối hệ số tương quan Pearson khẳng định tính ổn định cao của mô hình trên cả tập kiểm thử lẫn các kịch bản hỏi đáp thực tế.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả ứng dụng và mở rộng phạm vi của hệ thống hỏi đáp du lịch, luận văn đưa ra 4 nhóm giải pháp chiến lược:

  1. Chuẩn hóa và mở rộng kho ngữ liệu du lịch số: Tiến hành thu thập, làm sạch và gắn nhãn bổ sung ít nhất 50.000 cặp câu hỏi đáp đa dạng theo văn hóa 63 tỉnh thành; hướng tới mục tiêu nâng tỷ lệ bao phủ dữ liệu du lịch lên trên 95%; thời gian thực hiện trong vòng 6 tháng; do các nhóm nghiên cứu NLP phối hợp cùng Tổng cục Du lịch và các Sở Du lịch địa phương chủ trì.

  2. Tối ưu hóa kiến trúc và nén mô hình phục vụ triển khai diện rộng: Áp dụng các kỹ thuật chưng cất tri thức (Knowledge Distillation) và lượng tử hóa mô hình (Model Quantization) nhằm giảm 40% dung lượng bộ nhớ GPU; duy trì độ chính xác trên 90% và đảm bảo thời gian phản hồi dưới 150ms trên máy chủ tiêu chuẩn; lộ trình thực hiện trong 4 tháng; do đội ngũ kỹ sư AI chịu trách nhiệm.

  3. Tích hợp đa nền tảng và tối ưu hóa trải nghiệm người dùng: Hoàn thiện kiến trúc Microservices và RESTful API kết nối đồng bộ giữa nền tảng web và ứng dụng di động; nâng cao năng lực phục vụ đồng thời trên 10.000 lượt truy vấn mỗi phút; thời gian triển khai từ 3 đến 6 tháng; do các kỹ sư phát triển phần mềm phụ trách.

  4. Phát triển tính năng hỏi đáp đa phương thức (Multimodal QA): Mở rộng hệ thống để tiếp nhận đầu vào bằng giọng nói phương ngữ và hình ảnh phong cảnh thực tế; nâng cao mức độ hài lòng của du khách thêm 35%; kế hoạch dài hạn từ 9 đến 12 tháng; do các viện nghiên cứu công nghệ kết hợp doanh nghiệp lữ hành thực hiện.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho 4 nhóm đối tượng chính:

  1. Sinh viên, học viên cao học ngành Công nghệ Thông tin và Hệ thống Thông tin: Nắm bắt phương pháp luận khoa học, cách áp dụng kiến trúc Transformer, PhoBERT, SBERT và quy trình xử lý dữ liệu tiếng Việt. Use case: Làm tài liệu tham khảo chuẩn mực để thực hiện đồ án tốt nghiệp, khóa luận hoặc các bài báo khoa học về NLP.

  2. Kỹ sư xử lý ngôn ngữ tự nhiên và lập trình viên AI: Tiếp cận giải pháp kỹ thuật giải quyết bài toán độ trễ suy luận, cách cài đặt mạng Siamese và tối ưu hóa hàm mất mát Triplet Loss. Use case: Ứng dụng mã nguồn và kiến trúc để xây dựng chatbot doanh nghiệp, hệ thống tìm kiếm thông tin theo ngữ nghĩa trong thương mại điện tử hoặc y tế.

  3. Các doanh nghiệp lữ hành, công ty khởi nghiệp công nghệ du lịch: Sở hữu mô hình kiến trúc khả thi để xây dựng trợ lý du lịch ảo thông minh hoạt động 24/7. Use case: Tích hợp vào ứng dụng đặt tour, cổng thông tin du khách nhằm tự động hóa tư vấn hành trình và tối ưu hóa 50% chi phí vận hành chăm sóc khách hàng.

  4. Các nhà quản lý văn hóa và cơ quan phát triển du lịch thông minh: Tham khảo mô hình chuyển đổi số và quản lý tri thức địa danh địa phương. Use case: Định hướng xây dựng cổng thông tin du lịch thông minh cấp tỉnh, số hóa di sản và phục vụ du khách thập phương.

Câu hỏi thường gặp

  1. Hệ thống hỏi đáp du lịch trong luận văn có điểm gì khác biệt so với các mô hình chatbot đa năng như ChatGPT? Hệ thống được thiết kế chuyên biệt cho ngữ cảnh văn hóa, địa danh Việt Nam với cơ sở dữ liệu được xác thực nghiêm ngặt, loại bỏ hoàn toàn hiện tượng sinh thông tin ảo (hallucination). Mô hình có kích thước gọn nhẹ, tốc độ phản hồi dưới 0,01 giây và dễ dàng đóng gói triển khai cục bộ tại doanh nghiệp mà không phụ thuộc chi phí gọi API bên ngoài.

  2. Tại sao nghiên cứu lựa chọn kiến trúc Sentence-BERT thay vì mô hình BERT nguyên bản? Mô hình BERT truyền thống sử dụng Cross-Encoder đòi hỏi so khớp từng cặp câu, mất tới 65 giờ để xử lý 10.000 câu. Kiến trúc SBERT với mạng Siamese ánh xạ mỗi câu thành một vector độc lập chỉ trong 5 giây, cho phép tính độ tương đồng ngữ nghĩa cực nhanh qua Cosine Similarity, đáp ứng hoàn hảo yêu cầu thời gian thực.

  3. Công cụ VnCoreNLP đóng vai trò gì trong quy trình xử lý văn bản của hệ thống? VnCoreNLP là bộ công cụ xử lý ngôn ngữ tiếng Việt chuyên dụng, thực hiện các tác vụ then chốt như tách từ ghép chính xác bằng RDRSegmenter, gán nhãn từ loại và nhận dạng thực thể tên riêng. Nhờ đó, các địa danh du lịch phức tạp như Cố đô Huế hay Phong Nha - Kẻ Bàng được nhận diện chuẩn xác trước khi đưa vào mô hình học sâu.

  4. Tập dữ liệu đánh giá của nghiên cứu được xây dựng và phân chia như thế nào? Nghiên cứu sử dụng tập dữ liệu STS Benchmark tiếng Việt với 8.630 cặp câu được dịch và kiểm tra cẩn trọng, kết hợp cùng tập dữ liệu địa danh du lịch Việt Nam tự thu thập. Bộ dữ liệu được phân chia theo tỷ lệ vàng chuẩn khoa học: 80% dùng cho huấn luyện và 20% dùng để kiểm thử, đánh giá độc lập.

  5. Mô hình trong luận văn có thể mở rộng sang các lĩnh vực khác ngoài du lịch hay không? Hoàn toàn khả thi. Kiến trúc mạng Siamese và quy trình nhúng câu của SBERT trong luận văn có tính tổng quát rất cao. Bằng việc thay thế tập dữ liệu huấn luyện, giải pháp này có thể áp dụng hiệu quả cho các lĩnh vực như tư vấn pháp luật, hỏi đáp y tế, hỗ trợ kỹ thuật hoặc chăm sóc khách hàng tự động.

Kết luận

  • Luận văn đã xây dựng thành công hệ thống hỏi đáp ngôn ngữ tự nhiên chuyên biệt về địa danh và du lịch Việt Nam, kết hợp hiệu quả giữa công cụ tiền xử lý VnCoreNLP và mô hình học sâu PhoBERT.
  • Đề xuất ứng dụng kiến trúc Sentence-BERT mạng Siamese, giúp cắt giảm hơn 99% thời gian suy luận so với phương pháp BERT truyền thống trên tập dữ liệu 10.000 câu.
  • Đóng góp bộ dữ liệu chuẩn hóa về các địa danh du lịch nổi tiếng cùng quy trình thử nghiệm toàn diện trên 8.630 mẫu STS Benchmark tiếng Việt.
  • Hiện thực hóa nghiên cứu thành sản phẩm ứng dụng chatbot hoàn chỉnh trên giao diện web và di động, mang lại khả năng tương tác tự nhiên và phản hồi chính xác cho người dùng.
  • Kế hoạch 12 tháng tới sẽ tiếp tục mở rộng kho ngữ liệu lên 50.000 mẫu, phát triển tính năng hỏi đáp đa phương thức và nén mô hình để phục vụ hàng triệu du khách trong nước và quốc tế.

Hệ thống mở ra hướng tiếp cận đột phá cho các giải pháp du lịch thông minh tại Việt Nam. Hãy kết nối và áp dụng ngay mô hình này để thúc đẩy chuyển đổi số mạnh mẽ cho ngành du lịch và dịch vụ!