Tổng quan nghiên cứu

Trong bối cảnh lượng thông tin trên Internet ngày càng tăng mạnh, việc tìm kiếm thông tin chính xác và nhanh chóng trở thành một thách thức lớn đối với người dùng, đặc biệt là những người thiếu kinh nghiệm và kỹ năng tìm kiếm. Theo ước tính, các công cụ tìm kiếm truyền thống chỉ trả về danh sách các đoạn văn bản ngắn hoặc các liên kết liên quan, gây khó khăn trong việc tiếp cận thông tin cần thiết. Do đó, hệ thống Hỏi đáp tự động (Question Answering - QA) trở nên cần thiết nhằm cung cấp câu trả lời chính xác và nhanh chóng cho các câu hỏi của người dùng.

Luận văn tập trung nghiên cứu xây dựng hệ thống hỏi đáp tiếng Việt, đặc biệt chú trọng đến đầu vào là giọng nói, nhằm phục vụ lĩnh vực chuyển đổi số. Mục tiêu cụ thể gồm: (i) xây dựng quy trình thu thập và tạo dữ liệu hỏi đáp dựa trên câu hỏi tương tự, (ii) đánh giá các mô hình hỏi đáp trên dữ liệu đã xây dựng. Phạm vi nghiên cứu tập trung vào lĩnh vực chuyển đổi số, với dữ liệu ban đầu do Bộ Thông tin và Truyền thông cung cấp, thực hiện tại Việt Nam trong giai đoạn 2021-2023.

Ý nghĩa của nghiên cứu được thể hiện qua việc tạo ra bộ dữ liệu chất lượng cao gồm hơn 5.700 câu hỏi tương tự dựa trên 194 câu hỏi gốc, đồng thời đánh giá các mô hình hỏi đáp với độ chính xác từ 82% đến 94%. Kết quả này góp phần nâng cao hiệu quả tìm kiếm thông tin tiếng Việt, đặc biệt trong môi trường đầu vào bằng giọng nói, hỗ trợ chuyển đổi số và phát triển các ứng dụng trợ lý ảo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình chính sau:

  • Học máy và phân loại văn bản: Sử dụng các thuật toán như Random Forest, Support Vector Machine (SVM), Long Short-Term Memory (LSTM) để phân loại câu hỏi vào các lớp tương ứng. SVM được áp dụng với hàm kernel để xử lý dữ liệu phi tuyến, trong khi LSTM giúp xử lý chuỗi dữ liệu ngôn ngữ tự nhiên có tính phụ thuộc dài hạn.

  • Mô hình ngôn ngữ BERT (Bidirectional Encoder Representations from Transformers): Mô hình học sâu dựa trên kiến trúc Transformer, cho phép biểu diễn ngữ cảnh hai chiều của từ trong câu, nâng cao khả năng hiểu ngôn ngữ tự nhiên. BERT được huấn luyện qua hai nhiệm vụ chính: Masked Language Model và Next Sentence Prediction.

  • Mô hình so sánh độ tương đồng câu hỏi (Siamese BERT - SBert): Sử dụng mạng Siamese với hai nhánh BERT song song để tính toán độ tương đồng cosine giữa hai câu hỏi, phục vụ cho việc tìm câu hỏi tương tự trong bộ dữ liệu.

  • Các khái niệm chính: Câu hỏi tương tự (similar questions), dữ liệu huấn luyện và kiểm thử, ảnh hưởng của mô-đun nhận dạng giọng nói tự động (ASR) đến chất lượng mô hình.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu ban đầu gồm 194 cặp câu hỏi - câu trả lời trong lĩnh vực chuyển đổi số do Bộ Thông tin và Truyền thông cung cấp. Dữ liệu được mở rộng thông qua hai hệ thống thu thập: Hệ thống thu thập câu hỏi viết (Written Collection System) và Hệ thống thu thập câu hỏi nói (Speech Collection System).

  • Phương pháp thu thập dữ liệu: Qua hai chiến dịch thu thập với tổng cộng 59 cộng tác viên, thu thập được 5.799 câu hỏi tương tự viết và 2.909 câu hỏi nói kèm bản ghi âm. Dữ liệu được xử lý chuẩn hóa, loại bỏ trùng lặp và đánh giá chất lượng bởi chuyên gia.

  • Phương pháp phân tích: Dữ liệu được phân chia thành tập huấn luyện và kiểm thử theo tỷ lệ phù hợp. Các mô hình phân loại văn bản (Random Forest, SVM, LSTM, PhoBERT) và mô hình so sánh độ tương đồng (SBert) được huấn luyện và đánh giá trên bộ dữ liệu này. Các siêu tham số được điều chỉnh tự động hoặc giữ nguyên theo mô hình gốc.

  • Timeline nghiên cứu: Thu thập dữ liệu và xây dựng bộ dữ liệu trong hai chiến dịch năm 2022-2023; huấn luyện và đánh giá mô hình trong quý đầu năm 2023; hoàn thiện luận văn và đề xuất hướng phát triển tiếp theo trong quý 2 năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Quy mô và chất lượng dữ liệu: Qua hai chiến dịch, thu thập được tổng cộng 5.799 câu hỏi tương tự viết và 2.909 câu hỏi nói, trung bình mỗi câu hỏi gốc có khoảng 29 câu hỏi tương tự viết và 14 câu hỏi tương tự nói. Độ dài câu hỏi tập trung chủ yếu từ 6 đến 18 từ, phù hợp với đặc điểm câu hỏi gốc (75% dưới 14 từ).

  2. Hiệu quả mô hình phân loại: Mô hình SVM đạt độ chính xác cao nhất, từ 82% đến 94%, với kích thước mô hình nhỏ và thời gian dự đoán nhanh, phù hợp triển khai thực tế. Các mô hình khác như Random Forest, LSTM và PhoBERT cũng cho kết quả khả quan nhưng có sự khác biệt về hiệu suất và tốc độ.

  3. Ảnh hưởng của mô-đun ASR: Kết quả đánh giá cho thấy mô-đun nhận dạng giọng nói tự động làm giảm chất lượng mô hình hỏi đáp khoảng 3% so với dữ liệu văn bản gốc, cho thấy tầm quan trọng của việc cải thiện chất lượng nhận dạng giọng nói trong hệ thống hỏi đáp.

  4. So sánh phương pháp phân loại và so sánh độ tương đồng: Phương pháp phân loại văn bản cho phép phân loại nhanh và chính xác câu hỏi vào lớp tương ứng, trong khi phương pháp so sánh độ tương đồng SBert giúp tìm câu hỏi gần nhất dựa trên ngữ nghĩa, phù hợp với các trường hợp câu hỏi đa dạng biểu đạt.

Thảo luận kết quả

Nguyên nhân hiệu quả cao của mô hình SVM có thể do tính chất dữ liệu phân lớp rõ ràng và kích thước mô hình nhỏ gọn, giúp giảm thiểu quá khớp và tăng tốc độ dự đoán. Kết quả này phù hợp với các nghiên cứu trước đây về phân loại văn bản tiếng Việt trong lĩnh vực chuyên ngành.

Ảnh hưởng của ASR thể hiện qua sự sai lệch trong bản ghi âm và bản chuyển đổi văn bản, gây khó khăn cho mô hình trong việc nhận diện chính xác câu hỏi. Điều này nhấn mạnh nhu cầu cải tiến mô-đun ASR hoặc phát triển các kỹ thuật tiền xử lý để giảm thiểu lỗi.

Việc xây dựng bộ dữ liệu dựa trên câu hỏi tương tự giúp tăng tính đa dạng và khả năng tổng quát của mô hình, đồng thời giảm chi phí so với việc xây dựng dữ liệu dạng đọc hiểu phức tạp. Các biểu đồ phân phối độ dài câu hỏi và ma trận nhầm lẫn có thể minh họa rõ ràng sự phân bố dữ liệu và hiệu suất mô hình.

Đề xuất và khuyến nghị

  1. Tăng cường thu thập và mở rộng dữ liệu: Chủ động mở rộng bộ dữ liệu câu hỏi tương tự trong các lĩnh vực khác ngoài chuyển đổi số, sử dụng quy trình thu thập đã đề xuất để nâng cao độ bao phủ và tính đa dạng của dữ liệu. Thời gian thực hiện: 6-12 tháng; chủ thể: các tổ chức nghiên cứu và doanh nghiệp phát triển AI.

  2. Cải tiến mô-đun nhận dạng giọng nói (ASR): Tập trung phát triển hoặc tích hợp các mô hình ASR chuyên biệt cho tiếng Việt với khả năng nhận diện tên riêng, thuật ngữ chuyên ngành và từ tiếng Anh, nhằm giảm thiểu sai sót trong chuyển đổi giọng nói sang văn bản. Thời gian: 12 tháng; chủ thể: các nhóm nghiên cứu NLP và công ty công nghệ.

  3. Phát triển công cụ hỗ trợ kiểm soát chất lượng dữ liệu: Xây dựng phần mềm tự động phát hiện trùng lặp, lỗi chính tả và đánh giá tính tương đồng câu hỏi, hỗ trợ chuyên gia trong việc rà soát và hiệu chỉnh dữ liệu. Thời gian: 6 tháng; chủ thể: nhóm phát triển phần mềm và chuyên gia dữ liệu.

  4. Triển khai mô hình hỏi đáp trên nền tảng thực tế: Áp dụng mô hình SVM hoặc SBert đã được huấn luyện vào các ứng dụng trợ lý ảo, chatbot trong lĩnh vực chuyển đổi số, đồng thời theo dõi và thu thập phản hồi để cải tiến liên tục. Thời gian: 3-6 tháng; chủ thể: doanh nghiệp công nghệ và tổ chức chính phủ.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành Khoa học dữ liệu, Xử lý ngôn ngữ tự nhiên (NLP): Nghiên cứu về xây dựng bộ dữ liệu, mô hình hỏi đáp tiếng Việt, đặc biệt là các phương pháp phân loại văn bản và so sánh độ tương đồng câu hỏi.

  2. Doanh nghiệp phát triển ứng dụng AI và trợ lý ảo: Áp dụng quy trình thu thập dữ liệu và mô hình hỏi đáp để phát triển các sản phẩm hỗ trợ khách hàng, chatbot trong lĩnh vực chuyển đổi số và các lĩnh vực chuyên ngành khác.

  3. Cơ quan quản lý nhà nước và tổ chức chính phủ: Sử dụng kết quả nghiên cứu để xây dựng hệ thống hỗ trợ tra cứu thông tin, giải đáp thắc mắc công dân về chính sách, dịch vụ công, góp phần thúc đẩy chuyển đổi số quốc gia.

  4. Chuyên gia phát triển mô-đun nhận dạng giọng nói (ASR): Tham khảo ảnh hưởng của ASR đến chất lượng hệ thống hỏi đáp, từ đó cải tiến mô hình nhận dạng giọng nói phù hợp với tiếng Việt và các thuật ngữ chuyên ngành.

Câu hỏi thường gặp

  1. Hệ thống hỏi đáp tiếng Việt có thể áp dụng cho các lĩnh vực khác ngoài chuyển đổi số không?
    Có, quy trình xây dựng dữ liệu và mô hình được thiết kế để mở rộng và áp dụng cho nhiều lĩnh vực khác nhau, chỉ cần có bộ câu hỏi - câu trả lời gốc phù hợp.

  2. Mô hình SVM có ưu điểm gì so với các mô hình học sâu như LSTM hay BERT?
    SVM có kích thước mô hình nhỏ, thời gian dự đoán nhanh và độ chính xác cao trên bộ dữ liệu phân lớp rõ ràng, phù hợp với các ứng dụng cần hiệu suất thực thi nhanh và tài nguyên hạn chế.

  3. Ảnh hưởng của mô-đun ASR đến hệ thống hỏi đáp như thế nào?
    ASR có thể làm giảm độ chính xác của hệ thống hỏi đáp khoảng 3% do lỗi nhận dạng giọng nói, đặc biệt với các từ chuyên ngành, tên riêng hoặc từ tiếng Anh.

  4. Làm thế nào để đảm bảo chất lượng dữ liệu thu thập được?
    Dữ liệu được chuẩn hóa, loại bỏ trùng lặp tự động, đồng thời được chuyên gia đánh giá và hiệu chỉnh để đảm bảo tính chính xác và nhất quán.

  5. Có thể sử dụng mô hình SBert để tìm câu hỏi tương tự trong bộ dữ liệu lớn không?
    Có, SBert giúp tính toán độ tương đồng ngữ nghĩa giữa câu hỏi mới và các câu hỏi gốc, phù hợp với bộ dữ liệu lớn nhờ khả năng biểu diễn ngữ cảnh sâu sắc của BERT.

Kết luận

  • Luận văn đã xây dựng thành công quy trình thu thập và tạo bộ dữ liệu hỏi đáp tiếng Việt trong lĩnh vực chuyển đổi số với hơn 5.700 câu hỏi tương tự và 2.900 câu hỏi nói kèm bản ghi âm.
  • Đã đánh giá và so sánh hiệu quả các mô hình phân loại văn bản và so sánh độ tương đồng, trong đó mô hình SVM đạt độ chính xác cao nhất (82-94%) với kích thước nhỏ và tốc độ dự đoán nhanh.
  • Phân tích ảnh hưởng của mô-đun nhận dạng giọng nói tự động (ASR) cho thấy cần cải tiến để nâng cao chất lượng hệ thống hỏi đáp đầu vào giọng nói.
  • Đề xuất mở rộng dữ liệu, cải tiến ASR, phát triển công cụ kiểm soát chất lượng dữ liệu và triển khai mô hình trong thực tế nhằm nâng cao hiệu quả ứng dụng.
  • Các bước tiếp theo bao gồm mở rộng bộ dữ liệu sang các lĩnh vực khác, phát triển mô-đun ASR chuyên biệt và xây dựng hệ thống hỏi đáp tích hợp cho các ứng dụng trợ lý ảo.

Call-to-action: Các nhà nghiên cứu và doanh nghiệp quan tâm có thể áp dụng quy trình và mô hình trong luận văn để phát triển hệ thống hỏi đáp tiếng Việt hiệu quả, đồng thời đóng góp mở rộng dữ liệu và cải tiến công nghệ nhận dạng giọng nói.