Luận văn: Xây dựng Chatbot dựa trên AI Techniques - Đặng Ngọc Sơn (ĐHBK Hà Nội)

Luận văn xây dựng chatbot AI: Nghiên cứu các kỹ thuật tiên tiến giúp chatbot thông minh, tương tác tự nhiên và hiệu quả hơn. Tải luận văn miễn phí!

Chuyên ngành

Công Nghệ Thông Tin

Người đăng

Ẩn danh

Thể loại

Luận văn thạc sĩ

2020

75
9
0

Phí lưu trữ

30 Point

Mục lục chi tiết

LỜI CAM ĐOAN

MỞ ĐẦU

1. CHƯƠNG 1: CÁC KIẾN THỨC CƠ BẢN VỀ HỆ THỐNG CHATBOT

1.1. Giới thiệu bài toán Chatbot

1.2. Phân loại Chatbot

1.3. Nguyên tắc xây dựng hệ thống

1.4. Một số ứng dụng thương mại hóa Chatbot hiện nay

1.5. Ứng dụng của công trình nghiên cứu vào thực tế hiện nay

2. CHƯƠNG 2: XÂY DỰNG MÔ HÌNH HỆ THỐNG CHATBOT

2.1. Các công nghệ nền tảng

2.2. Tìm hiểu một số kỹ thuật thiết kế Chatbot hiện nay

2.3. Tìm hiểu RNN

2.4. Tìm hiểu LSTM (Long Short-Term Memory Networks)

2.5. Giới thiệu mô hình Seq2Seq

2.6. Tìm hiểu mô hình kỹ thuật Attention trong mô hình Seq2Seq

2.7. Giới thiệu Word Embedding

2.8. Kiến trúc đề xuất mô hình Chatbot

3. CHƯƠNG 3: CÀI ĐẶT VÀ THỰC NGHIỆM

3.1. Thiết lập môi trường và dữ liệu huấn luyện

3.2. Xử lý, huấn luyện dữ liệu

3.3. Tiền xử lý dữ liệu

3.4. Định nghĩa tham số sử dụng

3.5. Tiền xử lý dữ liệu đầu vào

3.6. Định nghĩa các tham số LSTM Cell.5, Thực hiện decoding training, Test set. Thiết lập các Hyper parameters cần thiết

3.7. Bắt đầu training dữ liệu

3.8. Kết quả thực nghiệm. Tập dữ liệu huấn luyện. Độ đo sử dụng. Phương pháp thực nghiệm

3.9. Nhận xét đánh giá kết quả thực nghiệm

Tóm tắt

I. Tổng Quan Về Luận Văn Xây Dựng Chatbot Dựa Trên AI Techniques

Luận văn này tập trung vào việc xây dựng Chatbot sử dụng các AI techniques tiên tiến. Trong bối cảnh công nghiệp 4.0, nhu cầu về tự động hóa và tương tác thông minh ngày càng tăng cao. Chatbots đóng vai trò quan trọng trong việc cung cấp dịch vụ khách hàng, hỗ trợ thông tin và tự động hóa các quy trình. Luận văn này sẽ đi sâu vào các khía cạnh thiết kế, phát triển và triển khai một Chatbot hiệu quả, tận dụng sức mạnh của artificial intelligence. Mục tiêu chính là tạo ra một virtual assistant có khả năng hiểu và phản hồi các yêu cầu của người dùng một cách tự nhiên và chính xác. Nghiên cứu này sẽ khám phá các kỹ thuật natural language processing (NLP), machine learning (ML)deep learning để xây dựng một chatbot có khả năng học hỏi và cải thiện theo thời gian. Đồng thời, luận văn cũng đánh giá hiệu quả của chatbot thông qua các thử nghiệm thực tế và so sánh với các phương pháp truyền thống. Theo [Đặng Ngọc Sơn], "Chatbot là một ứng dụng phần mềm cho phép tương tác với người sử dụng theo cách giống như giao tiếp với con người." Điều này nhấn mạnh tầm quan trọng của việc xây dựng chatbot có khả năng conversational AI tự nhiên và hiệu quả.

1.1. Giới thiệu về Hệ thống Chatbot và ứng dụng thực tế

Hệ thống chatbot là một ứng dụng phần mềm được thiết kế để mô phỏng cuộc trò chuyện với con người. Chúng được sử dụng rộng rãi trong nhiều lĩnh vực như dịch vụ khách hàng, giáo dục, và giải trí. Các ứng dụng thực tế của chatbot bao gồm trả lời câu hỏi thường gặp, cung cấp hỗ trợ kỹ thuật, đặt lịch hẹn, và thậm chí là tư vấn sức khỏe. Chatbots có thể hoạt động trên nhiều nền tảng như trang web, ứng dụng di động, và các ứng dụng nhắn tin như Facebook Messenger chatbot, Slack chatbot, và WhatsApp chatbot. Một số chatbot nổi tiếng bao gồm Google Assistant, Amazon Alexa, và Cortana. Sự phổ biến của chatbot ngày càng tăng do khả năng cung cấp dịch vụ 24/7, giảm chi phí nhân sự, và cải thiện trải nghiệm người dùng. Sự phát triển của AI techniques, đặc biệt là natural language processing (NLP), đã giúp chatbot trở nên thông minh và hiệu quả hơn. Các chatbot hiện đại có khả năng hiểu ngôn ngữ tự nhiên, trích xuất thông tin quan trọng, và tạo ra phản hồi phù hợp. Theo [Luận văn], chatbot có thể tự động thu thập thông tin khiếu nại khách hàng, lưu trữ và phân loại theo format nhất định sử dụng các thuật toán Machine Learning, AI .Vi ban than mdi khiếu nại từ khách hàng cũng là một mẫu dữ liệu dé hoc may, cho nên khi hệ thống Chatbot này tương tác cảng nhiều, độ chính xác của nó sẽ càng ting lên.

1.2. Phân loại Chatbot Rule based Retrieval based Generative Chatbots

Có nhiều cách để phân loại chatbot, nhưng một trong những cách phổ biến nhất là dựa trên kiến trúc và phương pháp hoạt động. Rule-based chatbots dựa trên các quy tắc được xác định trước để trả lời câu hỏi. Chúng thích hợp cho các nhiệm vụ đơn giản và dễ dự đoán, nhưng hạn chế trong việc xử lý các câu hỏi phức tạp hoặc không nằm trong quy tắc. Retrieval-based chatbots sử dụng một cơ sở dữ liệu lớn các câu hỏi và câu trả lời để tìm kiếm phản hồi phù hợp nhất. Chúng có thể xử lý các câu hỏi đa dạng hơn, nhưng phụ thuộc vào chất lượng và phạm vi của cơ sở dữ liệu. Generative chatbots sử dụng các mô hình deep learning để tạo ra phản hồi mới từ đầu. Chúng có khả năng xử lý các câu hỏi phức tạp và tạo ra các cuộc trò chuyện tự nhiên hơn, nhưng đòi hỏi lượng dữ liệu lớn và sức mạnh tính toán cao. Các mô hình transformer models như BERTGPT thường được sử dụng trong generative chatbots. Theo [Đặng Ngọc Sơn], chatbot thường được phân loại thành nhiều loại, ví dụ như sử dụng trong lĩnh vực thương mại điện tử, giáo dục, giải trí, tài chính, chăm sóc sức khỏe. Sự lựa chọn loại chatbot phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng và nguồn lực sẵn có.

II. Thách Thức Vấn Đề Trong Phát Triển Chatbot AI Hiện Nay

Mặc dù chatbot đã đạt được nhiều tiến bộ, vẫn còn nhiều thách thức và vấn đề cần giải quyết. Một trong những thách thức lớn nhất là khả năng hiểu ngôn ngữ tự nhiên. Chatbots cần có khả năng xử lý các biến thể ngôn ngữ, ngữ cảnh và ý định của người dùng một cách chính xác. Vấn đề khác là khả năng duy trì cuộc trò chuyện mạch lạc và tự nhiên. Chatbots cần có khả năng nhớ lại thông tin từ các lượt tương tác trước đó và sử dụng thông tin này để tạo ra phản hồi phù hợp. Một thách thức nữa là khả năng xử lý các tình huống không mong muốn hoặc không rõ ràng. Chatbots cần có khả năng nhận biết khi chúng không hiểu câu hỏi và đưa ra các gợi ý hoặc chuyển cuộc trò chuyện cho người thật. Các thách thức này đòi hỏi sự nghiên cứu và phát triển liên tục trong lĩnh vực natural language processing (NLP), machine learning (ML)deep learning.Theo [Luận văn], Chatbot thường xuyên cần được tối ưu hóa, và kiểm tra. 'Chatter Rot' là thuật ngữ lần đầu được dưa ra bởi Michael Mauldm vào năm 1994 để mô tả các chương trình hội thoại.

2.1. Các hạn chế của xử lý ngôn ngữ tự nhiên NLP trong Chatbot

Xử lý ngôn ngữ tự nhiên (NLP) là một lĩnh vực phức tạp và đầy thách thức. Các chatbot sử dụng NLP cần có khả năng xử lý nhiều loại văn bản, từ văn bản chính thức đến văn bản không chính thức, từ văn bản ngắn đến văn bản dài. Các hạn chế của NLP trong chatbot bao gồm: Khả năng xử lý các biến thể ngôn ngữ: Ngôn ngữ tự nhiên có nhiều biến thể khác nhau, bao gồm từ đồng nghĩa, từ trái nghĩa, và các cách diễn đạt khác nhau. Chatbots cần có khả năng nhận biết và xử lý các biến thể này để hiểu ý định của người dùng.Khả năng xử lý ngữ cảnh: Ngữ cảnh đóng vai trò quan trọng trong việc hiểu ngôn ngữ tự nhiên. Chatbots cần có khả năng hiểu ngữ cảnh của cuộc trò chuyện để đưa ra phản hồi phù hợp.Khả năng xử lý các lỗi chính tả và ngữ pháp: Người dùng thường mắc lỗi chính tả và ngữ pháp khi nhập văn bản. Chatbots cần có khả năng xử lý các lỗi này để hiểu ý định của người dùng.Khả năng xử lý các ngôn ngữ khác nhau: Chatbots cần có khả năng xử lý nhiều ngôn ngữ khác nhau để phục vụ người dùng trên toàn thế giới.

2.2. Vấn đề về dữ liệu huấn luyện chatbot training data

Dữ liệu huấn luyện là một yếu tố quan trọng trong việc xây dựng một chatbot hiệu quả. Chatbots cần được huấn luyện trên một lượng lớn dữ liệu để học cách hiểu ngôn ngữ tự nhiên và tạo ra phản hồi phù hợp. Vấn đề về chatbot training data bao gồm: Sự khan hiếm dữ liệu: Dữ liệu huấn luyện chất lượng cao có thể khan hiếm và đắt đỏ. Điều này đặc biệt đúng đối với các ngôn ngữ ít phổ biến hoặc các lĩnh vực chuyên môn.Sự thiên vị trong dữ liệu: Dữ liệu huấn luyện có thể chứa sự thiên vị, dẫn đến chatbot đưa ra các phản hồi không công bằng hoặc không chính xác. Sự nhiễu trong dữ liệu: Dữ liệu huấn luyện có thể chứa nhiễu, chẳng hạn như lỗi chính tả, lỗi ngữ pháp, hoặc thông tin sai lệch. Chất lượng dữ liệu ảnh hưởng trực tiếp đến hiệu quả của chatbot. Data augmentation là một kỹ thuật được sử dụng để tăng kích thước và đa dạng của dữ liệu huấn luyện.

III. Phương Pháp Xây Dựng Chatbot AI Sequence to Sequence Model

Một trong những phương pháp phổ biến để xây dựng chatbot là sử dụng sequence-to-sequence (Seq2Seq) models. Mô hình Seq2Seq bao gồm hai thành phần chính: bộ mã hóa (encoder) và bộ giải mã (decoder). Bộ mã hóa đọc chuỗi đầu vào (ví dụ: câu hỏi của người dùng) và chuyển đổi nó thành một biểu diễn vector. Bộ giải mã sử dụng biểu diễn vector này để tạo ra chuỗi đầu ra (ví dụ: câu trả lời của chatbot). Các mô hình Seq2Seq thường sử dụng các mạng recurrent neural network (RNN), đặc biệt là Long Short-Term Memory (LSTM) hoặc Gated Recurrent Units (GRU), để xử lý các chuỗi dữ liệu. Mô hình Seq2Seq có thể được sử dụng để xây dựng các generative chatbots có khả năng tạo ra các phản hồi mới từ đầu. Theo [Luận văn], Kiến trúc đề xuất mô hình Chatbot sử dụng sequence-to-sequence (Seq2Seq) models

3.1. Tìm hiểu chi tiết kiến trúc Encoder Decoder trong Seq2Seq

Kiến trúc Encoder-Decoder là trái tim của mô hình Seq2Seq. Bộ mã hóa (Encoder) nhận chuỗi đầu vào và chuyển đổi nó thành một vector ngữ cảnh duy nhất, thể hiện ý nghĩa của chuỗi đầu vào. Bộ giải mã (Decoder) nhận vector ngữ cảnh này và sử dụng nó để tạo ra chuỗi đầu ra. Các RNN như LSTM hoặc GRU thường được sử dụng làm bộ mã hóa và bộ giải mã do khả năng xử lý các chuỗi dữ liệu có độ dài khác nhau. Vector ngữ cảnh đóng vai trò là cầu nối giữa bộ mã hóa và bộ giải mã, truyền tải thông tin quan trọng từ đầu vào đến đầu ra. Việc lựa chọn kiến trúc RNN phù hợp và tối ưu hóa quá trình huấn luyện là rất quan trọng để đạt được hiệu quả tốt nhất.

3.2. Sử dụng LSTM Long Short Term Memory cho Chatbot

LSTM (Long Short-Term Memory) là một loại RNN đặc biệt được thiết kế để xử lý các chuỗi dữ liệu dài. LSTM có khả năng ghi nhớ thông tin từ các thời điểm trước đó trong chuỗi, giúp nó hiểu ngữ cảnh của cuộc trò chuyện một cách tốt hơn. LSTM sử dụng các cổng (gates) để kiểm soát luồng thông tin vào và ra khỏi bộ nhớ, giúp nó học các phụ thuộc dài hạn trong dữ liệu. Việc sử dụng LSTM trong chatbot giúp cải thiện khả năng tạo ra các phản hồi mạch lạc và tự nhiên hơn. Theo [Luận văn], Luận văn sử dụng LSTM (Long Short-Term Memory Networks) để phát triển chatbot.

3.3 Kỹ thuật Attention trong mô hình Seq2Seq cho Chatbot

Kỹ thuật Attention là một cơ chế cho phép bộ giải mã (Decoder) tập trung vào các phần quan trọng nhất của chuỗi đầu vào khi tạo ra chuỗi đầu ra. Thay vì chỉ sử dụng vector ngữ cảnh duy nhất từ bộ mã hóa, bộ giải mã sử dụng attention để tính toán trọng số cho từng phần của chuỗi đầu vào. Các trọng số này cho biết mức độ quan trọng của từng phần đầu vào đối với việc tạo ra từng phần đầu ra. Việc sử dụng kỹ thuật attention giúp chatbot tạo ra các phản hồi chính xác và phù hợp hơn. Theo [Luận văn], đề cập mô hình kỹ thuật Attention trong mô hình Seq2Seq.

IV. Cải Tiến Hiệu Suất Chatbot Data Augmentation Fine tuning

Để cải thiện hiệu suất của chatbot, có thể sử dụng các kỹ thuật như data augmentationfine-tuning. Data augmentation là quá trình tạo ra dữ liệu huấn luyện mới từ dữ liệu hiện có. Các kỹ thuật data augmentation bao gồm thay đổi từ, thêm từ, xóa từ, và dịch ngược. Fine-tuning là quá trình điều chỉnh các tham số của một mô hình đã được huấn luyện trước đó trên một tập dữ liệu mới. Việc fine-tuning có thể giúp chatbot thích nghi với các yêu cầu cụ thể của ứng dụng. [Luận văn] sử dụng Tiền xử lý dữ liệu để Cải Tiến Hiệu Suất Chatbot.

4.1. Tăng cường dữ liệu huấn luyện Data Augmentation cho Chatbot

Data augmentation là một kỹ thuật mạnh mẽ để cải thiện hiệu suất của chatbot, đặc biệt khi dữ liệu huấn luyện có hạn. Các phương pháp data augmentation bao gồm: Thay thế từ đồng nghĩa: Thay thế các từ trong câu bằng các từ đồng nghĩa để tạo ra các câu mới có ý nghĩa tương tự.Thêm từ: Thêm các từ vào câu để tạo ra các câu mới có ý nghĩa tương tự.Xóa từ: Xóa các từ khỏi câu để tạo ra các câu mới có ý nghĩa tương tự.Dịch ngược: Dịch câu sang một ngôn ngữ khác và sau đó dịch ngược lại sang ngôn ngữ gốc để tạo ra các câu mới có ý nghĩa tương tự. Các kỹ thuật data augmentation giúp tăng tính đa dạng của dữ liệu huấn luyện, giúp chatbot học cách xử lý các biến thể ngôn ngữ khác nhau.

4.2. Fine tuning mô hình Chatbot với dữ liệu cụ thể

Fine-tuning là quá trình điều chỉnh các tham số của một mô hình đã được huấn luyện trước đó trên một tập dữ liệu mới. Fine-tuning có thể giúp chatbot thích nghi với các yêu cầu cụ thể của ứng dụng, chẳng hạn như các thuật ngữ chuyên môn hoặc các phong cách trò chuyện cụ thể. Quá trình fine-tuning thường bắt đầu bằng việc sử dụng một mô hình đã được huấn luyện trước đó trên một tập dữ liệu lớn, chẳng hạn như một mô hình transformer models như BERT hoặc GPT. Sau đó, mô hình được huấn luyện tiếp trên một tập dữ liệu nhỏ hơn, cụ thể hơn. Việc fine-tuning giúp chatbot đạt được hiệu suất tốt hơn trên các nhiệm vụ cụ thể.

V. Triển Khai Chatbot AI Nền Tảng Tích Hợp Thực Tế Hiện Nay

Triển khai chatbot là một bước quan trọng để đưa chatbot vào sử dụng thực tế. Có nhiều nền tảng khác nhau để triển khai chatbot, bao gồm chatbot platforms như Dialogflow, Rasa, và Microsoft Bot Framework. Chatbots cũng có thể được tích hợp vào các ứng dụng nhắn tin như Facebook Messenger chatbot, Slack chatbot, và WhatsApp chatbot. Việc lựa chọn nền tảng triển khai phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng và nguồn lực sẵn có. API integration cũng là một yếu tố quan trọng trong việc triển khai chatbot, cho phép chatbot kết nối với các hệ thống và dịch vụ khác. Theo [Luận văn], trình bày việc ứng dụng của Chatbot vào tỉnh huồng thực tế trong cuộc sống, đồng thời đưa ra hướng phát triển trong tương lai cũng như những thuận lợi, khó khăn gặp phải trong quá trình nghiền cửu mô hình.

5.1. Lựa chọn nền tảng Chatbot phù hợp Dialogflow Rasa Bot Framework

Có nhiều nền tảng chatbot khác nhau để lựa chọn, mỗi nền tảng có những ưu điểm và nhược điểm riêng. Dialogflow là một nền tảng dễ sử dụng và phù hợp cho các chatbot đơn giản. Rasa là một nền tảng mã nguồn mở và phù hợp cho các chatbot phức tạp hơn. Microsoft Bot Framework là một nền tảng mạnh mẽ và phù hợp cho các chatbot doanh nghiệp. Việc lựa chọn nền tảng phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng và nguồn lực sẵn có. Các yếu tố cần xem xét bao gồm: Dễ sử dụng: Nền tảng có dễ sử dụng và có tài liệu hướng dẫn đầy đủ không?Tính linh hoạt: Nền tảng có đủ linh hoạt để đáp ứng các yêu cầu cụ thể của ứng dụng không?Khả năng mở rộng: Nền tảng có khả năng mở rộng để đáp ứng nhu cầu tăng trưởng trong tương lai không?Chi phí: Chi phí sử dụng nền tảng là bao nhiêu?

5.2. Tích hợp Chatbot vào các ứng dụng nhắn tin phổ biến

Tích hợp chatbot vào các ứng dụng nhắn tin phổ biến như Facebook Messenger chatbot, Slack chatbot, và WhatsApp chatbot là một cách hiệu quả để tiếp cận người dùng. Các ứng dụng nhắn tin này có một lượng lớn người dùng và cung cấp các công cụ để tích hợp chatbot một cách dễ dàng. Việc tích hợp chatbot vào các ứng dụng nhắn tin giúp người dùng tương tác với chatbot một cách tự nhiên và thuận tiện. Các bước tích hợp chatbot vào các ứng dụng nhắn tin bao gồm: Tạo tài khoản nhà phát triển trên nền tảng ứng dụng nhắn tin.Tạo một ứng dụng chatbot trên nền tảng ứng dụng nhắn tin.Kết nối chatbot với nền tảng chatbot.Cấu hình chatbot để trả lời câu hỏi của người dùng.

VI. Đánh Giá và Tương Lai Phát Triển Của Chatbot Sử Dụng AI

Đánh giá hiệu quả của chatbot là một bước quan trọng để đảm bảo rằng chatbot đáp ứng các yêu cầu của người dùng. Có nhiều phương pháp khác nhau để đánh giá hiệu quả của chatbot, bao gồm: Đo lường độ chính xác của chatbot: Chatbot có trả lời đúng câu hỏi của người dùng không?Đo lường mức độ hài lòng của người dùng: Người dùng có hài lòng với trải nghiệm tương tác với chatbot không?Đo lường hiệu quả của chatbot trong việc giải quyết vấn đề: Chatbot có giúp người dùng giải quyết vấn đề của họ không? Tương lai của chatbot sử dụng AI hứa hẹn nhiều tiềm năng. Chatbots sẽ trở nên thông minh hơn, có khả năng hiểu ngôn ngữ tự nhiên tốt hơn và tạo ra các phản hồi tự nhiên hơn. Chatbots cũng sẽ được tích hợp vào nhiều lĩnh vực khác nhau của cuộc sống, từ dịch vụ khách hàng đến giáo dục đến chăm sóc sức khỏe. Theo [Luận văn], Chương này trình bày việc ung dung của Chatbot vào tỉnh huồng thực tế trong cuộc sống, đồng thời đưa ra hướng phát triển trong tương lai cũng như những thuận lợi, khó khăn gặp phải trong quá trình nghiền cửu mô hình

6.1. Các phương pháp đánh giá Chatbot AI chatbot evaluation

Chatbot evaluation là quá trình đánh giá hiệu quả của chatbot trong việc đáp ứng các yêu cầu của người dùng. Các phương pháp chatbot evaluation bao gồm:Đánh giá chủ quan: Yêu cầu người dùng đánh giá trải nghiệm tương tác với chatbot trên các thang đo khác nhau, chẳng hạn như mức độ hài lòng, mức độ dễ sử dụng, và mức độ hữu ích.Đánh giá khách quan: Đo lường độ chính xác của chatbot trong việc trả lời câu hỏi của người dùng và hiệu quả của chatbot trong việc giải quyết vấn đề.Đánh giá dựa trên nhiệm vụ: Yêu cầu chatbot thực hiện một nhiệm vụ cụ thể và đo lường thời gian và số lượng bước cần thiết để hoàn thành nhiệm vụ. Các phương pháp chatbot evaluation giúp xác định các điểm mạnh và điểm yếu của chatbot và đề xuất các cải tiến.

6.2. Hướng phát triển và ứng dụng tương lai của Chatbot

Tương lai của chatbot sử dụng AI hứa hẹn nhiều tiềm năng. Các hướng phát triển và ứng dụng tương lai của chatbot bao gồm: Chatbots thông minh hơn: Chatbots sẽ trở nên thông minh hơn nhờ vào sự phát triển của AI techniques như deep learningnatural language processing (NLP). Chatbots sẽ có khả năng hiểu ngôn ngữ tự nhiên tốt hơn, tạo ra các phản hồi tự nhiên hơn, và học hỏi từ các tương tác trước đó. Chatbots đa dạng hơn: Chatbots sẽ được tích hợp vào nhiều lĩnh vực khác nhau của cuộc sống, từ dịch vụ khách hàng đến giáo dục đến chăm sóc sức khỏe. Chatbots cá nhân hóa hơn: Chatbots sẽ có khả năng cá nhân hóa trải nghiệm tương tác với người dùng, cung cấp các thông tin và dịch vụ phù hợp với nhu cầu của từng người dùng. Chatbots chủ động hơn: Chatbots sẽ có khả năng chủ động bắt đầu cuộc trò chuyện với người dùng, cung cấp các thông tin và dịch vụ mà người dùng có thể quan tâm. Theo [Luận văn], đưa ra hướng phát triển trong tương lai của Chatbot.

Tóm tắt và mô tả trên trang này được tạo với sự hỗ trợ của AI từ nội dung tài liệu gốc; tài liệu do người dùng đóng góp và được kiểm duyệt trước khi xuất bản. Báo lỗi nội dung.

11/09/2025
Luận văn xây dựng chatbot dựa trên ai techniques

Trích đoạn nội dung tài liệu

Chương 1. Các kiến thức cơ bản về hệ thống Chatbot cùng cấp các thông tin về Chatbot cũng như các tiêu chí xây dựng, phân loại Chatbot, các ứng dụng thực tế của Chatbot trong đời sống hiện nay. Đồng thời giới thiệu sơ lược một số các ứng dụng nổi tiếng đã được thương mại hóa hiện nay. Xây dựng mô hình hệ thống Chatbot giới thiệu một số cách tiếp cận xây dựng Chatbot, giới thiệu một số công trình nghiên cửu về Chatbot và đưa ra kiến trúc dễ xuất mô hình Chatbot sẽ nghiền cứu và cải đặt trong khuôn khỗ Luận Van nay.

Cài đặt và thực nghiệm, chương này đưa ra cách thức chỉ tiết việc xây dựng, cài đặt mô hình kiến trúc để xuất đã đưa ra ở Chương 2, đồng thời thực nghiệm và so sánh kết quả với một số mô hình kiến trúc khác, từ đỏ đưa ra các nhận xét Chương 4. chương nảy trình bày việc ung dung của Chatbot vào tỉnh huồng thực tế trong cuộc sống, đồng thời đưa ra hướng phát triển trong tương lai cũng như những thuận lợi, khó khăn gặp phải trong quá trình nghiền cửu mô hì LỜI CẢM ƠN "Trước tiên, tác giã muốn gửi lời cảm ơn chân thành và sâu sắc nhất tới Tién Si Ban [1a Bằng, người đã lận tình đạy dỗ, chỉ bảo, giúp đỡ tác giả hoàn thành] 1ận Văn này cũng như quá trình học tập nghiên cứu. Déng thai, tác giả xin bày lô lòng biết ơntới các thầy cô giáo (rong Khoa đã tận tình giâng dạy, truyền đạt những kiến thức quan trọng, làm nên tâng. cho việc thực hiện Luận Văn cũng như trong quá Irìnhcông tác sau nảy.

'Tác giả cũng xin gửi lời cám ơn tới các bạn học cùng khóa lớp 19AIMMIT, cảm ơn các bạn đã bên cạnh động viên giúp đỡ trong quá trình học tập cũng. như quá trình hoàn thành Tận Van. Cuối củng, con xin bày tô lòng biết ơn Gia đỉnh đã là hậu phương vững, chắc cho con yên tâm công tác, học lập. Do thời gian, kiến thức, kinh nghiệm chic chin con những hạn chế, khiếm khuyết: nên tác giả mong, muốn các quý thầy cổ, các anh chị, các bạn góp ý cho tác giả để I nận Văn trở nên haàn thiện hơn TÓM TẮT NỘI DUNG LUẬN VĂN _Trong những năm gan đây, công nghé Chatbot dang ngày cảng trở nên phổ biến hơn trong rất nhiễu các lĩnh vực khác nhau.

Chatbot được tích hợp vào nhiều nên tầng khác nhau, nhiễu lĩnh vực khác nhau, va đã trở thành công cụ đắc lực giúp kết nối khách hàng với doanh nghiệp tổ chúc, giúp cho các công việc chấm sóc khách hàng trở nên dễ đàng, giải phóng con người khỏi các công việc mang tính chất lặp đi lặp lại. "Từ những nhu cầu thiết thực đó, tác giả đã đề xuất và được phép nghiên cứu để tải: “Xây dựng ChatLbot dựa trén AI Techniques”. Trong khuôn khổ Luận Văn, tác giã đã để xuất mô hình xây đựng Chatbot, thực hiện các thực nghiệm, so sánh, và ứng dụng mô hình vào xây dungging tt dung Mobile chatbot hỗ trợ điều tri cho tré em vj thanh nién mic chiingréiloan giao tiép. HỌC VIÊN Dang Ngoc Sơn LỜI CẢM ƠN "Trước tiên, tác giã muốn gửi lời cảm ơn chân thành và sâu sắc nhất tới Tién Si Ban [1a Bằng, người đã lận tình đạy dỗ, chỉ bảo, giúp đỡ tác giả hoàn thành] 1ận Văn này cũng như quá trình học tập nghiên cứu.

Déng thai, tác giả xin bày lô lòng biết ơntới các thầy cô giáo (rong Khoa đã tận tình giâng dạy, truyền đạt những kiến thức quan trọng, làm nên tâng. cho việc thực hiện Luận Văn cũng như trong quá Irìnhcông tác sau nảy. 'Tác giả cũng xin gửi lời cám ơn tới các bạn học cùng khóa lớp 19AIMMIT, cảm ơn các bạn đã bên cạnh động viên giúp đỡ trong quá trình học tập cũng. như quá trình hoàn thành Tận Van.

Cuối củng, con xin bày tô lòng biết ơn Gia đỉnh đã là hậu phương vững, chắc cho con yên tâm công tác, học lập. Do thời gian, kiến thức, kinh nghiệm chic chin con những hạn chế, khiếm khuyết: nên tác giả mong, muốn các quý thầy cổ, các anh chị, các bạn góp ý cho tác giả để I nận Văn trở nên haàn thiện hơn TÓM TẮT NỘI DUNG LUẬN VĂN _Trong những năm gan đây, công nghé Chatbot dang ngày cảng trở nên phổ biến hơn trong rất nhiễu các lĩnh vực khác nhau. Chatbot được tích hợp vào nhiều nên tầng khác nhau, nhiễu lĩnh vực khác nhau, va đã trở thành công cụ đắc lực giúp kết nối khách hàng với doanh nghiệp tổ chúc, giúp cho các công việc chấm sóc khách hàng trở nên dễ đàng, giải phóng con người khỏi các công việc mang tính chất lặp đi lặp lại. "Từ những nhu cầu thiết thực đó, tác giả đã đề xuất và được phép nghiên cứu để tải: “Xây dựng ChatLbot dựa trén AI Techniques”.

Trong khuôn khổ Luận Văn, tác giã đã để xuất mô hình xây đựng Chatbot, thực hiện các thực nghiệm, so sánh, và ứng dụng mô hình vào xây dungging tt dung Mobile chatbot hỗ trợ điều tri cho tré em vj thanh nién mic chiingréiloan giao tiép. HỌC VIÊN Dang Ngoc Sơn DANH MUC KY HIEU, CHU VIE! Tên viết tắt | Tên day du Ý nghĩa Chatbot Chatbot TIệ thống trả lời tự động ML Machine Leaming Hoc may ANN Artificial Neural Network — | Mang Ne-ron nhan tạo RNN Recurrent Neural Network | Mang No-ron hii quy LST™M Long Short-Term Memory | Mang No-ron bé nhé dai ngắn GRU Gated Recurrent Units Mạng Nơ-ron với các đơn vị công hồi quy Soq28cq Sequence to Sequence NLP Natural language processing | Xử lý ngôn ngữ tự nhiên MLP Multilayer Perceptrons Mạng Nơ-ron đa lớp CNN Convolution Neural | Mang No-ron tích chap Network Encoder- Tincoder-Deuoder Mã hóa - Giải mã Decoder BiRNN Bi-directional Recurrent | Mang hai chiéu RNN Neural Network ii ĐANH MỤC HÌNH VẼ Tlinh 11 Giao điện của số Chatbot hd tro người đừng 4 Hình 1 2 1ego mội số ứng đụng thuong mai Chatbot hién nay 7 a 8 Hinh ] 3 Ứng dụng của Chatbot trong cuộc sống. 9 Hinh 2 1 Mô hình thu gọn của RNN, 13 Hình ^ 2 Mô lủnh dây dũ của RNN - - - -.18 THỉnh 2 3 Phân loại RNN - - „14 Hinh 2 4 Cập nhật trong số trong mạng RNN - 15 Hình 2 5 Trong số không được cập nhật lại dáng ké khi huan luyện lS Hinh 2 6 Bên trong các cell của RN. THỉnh 2 7 Tên trang các cell cia LSTM.

Hinh 2 8 Giải thích một hiệu sử dụng - 1 Linh 2 9 Chỉ tiết hoạt động LSỨM. server LT THỉnh 2 10 Chỉ tiết hoạt déng LSTM Hinh 2 11 Chỉ tết hoạt động I. Hình 2 12 Chỉ tiết hoạt déng LSTM Linh 2 13 Chỉ tiết hoạt động LSTM. Tình 2 14 Chỉ Hết hoạt động I.

- - 3 Hình 2 15 Kiển trúc mô hinh Seq25eq,. ccccccccccceccrevrrrrree sec 1Hỉnh 2 16 M6 hinh Seq2seq ding attention trong bai toan dich may. Vi du vé Word Embedding 3 Tình 2 18 Kién trúc đề xuấi mô hình Chathet 2 Hình 2 19 Beam Search với beam size có dịnh.c -ee 3Ô Tình 3 1 Tiền xử lý đữ liệu. Hình 3 2 Tiển xử lý dư liệu.

Linh 3 3 Tiên xử lý đữ liệu. Hinh 3 4 Tiên xử lý đữ liệu Hinh 3 5 Tiển xử lý đữ liệu. Linh 3 6 Tiên xử lý đữ liệu. Hinh 3 7 Tiên xử lý đữ liệu Hình 3 § Tiên xử lý largela Hinh 3 9 Sơ dỗ Flơw Diagram của hệ thông,.

Hinh 3 10 8o để Sequence Diagram của hệ thắng - 45 Hình 3 11 Giao điện ứng dụng “Small Telk Daily”. đố CHƯƠNG 1: CAC KLEN THUC COU BAN VE HE THONG CHATBOT Chương này giới thiệu về Chatbot cũng như các tiêu chỉ xây dựng, phân loại Chatbot, các ứng dụng thực tế của Chatbot trong đời sống hiện nay. Đồng thời giới thiêu sơ lược một số công trình nghiên cửu, ứng dụng liên quan đến Chatbot của một số nhà khoa học, nhà nghiên cứu trong những năm gần đây. Giới thiệu bài toán Chatbot.

Chúng ta đang sống trong thời đại Công nghiệp 4.0 - kỷ nguyên của thông tin, của đữ liệu lớn. Ngày ngày từ báo dài, Intormet chúng ta được tiếp cận với rất nhiều loại thông lin ma cách đây 5-10 năm việc tiếp cận nhiễu và đa dang như vậy là rất hạn chế. Việc thông tin tiếp cận không hạn chế đem lại cho con người rất nhiều lựa chọn và hỗ trợ cho quyết định nhanh chóng và thuân tiên hơn. Khi lượng thông tin nhiều lên, các giao địch trở nên lớn hơn, việc xử lý thông tin trong các hệ thông sẽ trở nên nhiều hơn.

Dơn cử một hệthống khiếu nại mang xã hôi, khi số lượng người dùng íL, quản trị viên có thể thuê nhân viễn hỗ trợ việc tiếp nhận các khiếu nại phat sinh từ phía người đùng báo cáo lên. Ban dau có thể thiết lập tổng dải, vả mỗi nhân viên trực sẽ tiến nhận cuộc gọi để xử lý khiếu nại. Khi số lượng người đủng nhiều hơn sẽ thuê thêm nhân viên, thêm đường dây liên lạc. Cho tới khi số lượng khiểu nại, người dùng, trở nên quả nhiều thì việc sử dụng điện thoại sẽ trở nên khó khăn hơn nhiều.

Dó là lúc Chatbot xuất hiện và thể hiện vai trò của nó, Chatbot là một ứng dụng phần mềm cho phép Lương tác với người sử dụng theo cách giống như giao tiếp với cơn người. Khi đó Chatbot có thể tự động thu thập thông tím khiếu nại khách hàng, lưu trữ vá phân loai theo format nhất định sử dung các thuật toán Machine Learning, AI. Vi ban than mdi khiếu nại từ khách hàng cũng là một mẫu dữ liệu dé hoc may, cho nên khi hệ thống Chatbot này tương tác cảng nhiều, độ chính xác của nó sẽ càng ting lên. 'Irong khi đó chỉ phí đầu tư về phần cứng, thiết bị.

khiêm tốn hơn rất nhiễu so với đầu tư điện thoại vàtổng đài viên và cơ sở hạ tầng kém theo Twong ty nhu vay cho cdc lĩnh vực khác, ví đụ như trong lĩnh vực thương mai điện tử. Khách hàng thường có rất nhiều các câu hỏi, thắc mắc về các sản phẩm, về nhu cầu của bản thân. Chatbot sé giúp người dùng trả lời các câu hỏi cơ bán vả nâng cao về thông tín đặc tỉnh sản phẩm, địch vụ. từ đỏ giúp người dùng sớm đưa ra quyết định ma van bao đảm được chất lượng tư van.

MỞ ĐẢU Chatbot la mét tng dung phần mềm cho phép thực hiện các đoạn hội thoại thông qua văn bản, hoặc từ văn bản thành giọng nỏi, nhằm cung cắp tương tác trực tiếp giữa người và máy. Dược thiết kế sao cho mô phòng cách mà con người nói chuyện trong giao Liếp hàng ngày, hệ thống Chatbal thường xuyên cần được tối ưu hóa, và kiểm tra.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ