Tổng quan nghiên cứu

Du lịch là ngành kinh tế mũi nhọn đóng vai trò chiến lược trong cơ cấu phát triển kinh tế - xã hội của tỉnh Quảng Bình. Với nguồn tài nguyên thiên nhiên phong phú và hệ thống danh thắng nổi tiếng, địa phương thu hút trên 3,5 triệu lượt khách mỗi năm trong giai đoạn trước biến động thị trường. Tuy nhiên, theo khảo sát thực tế, có tới hơn 90% du khách sử dụng internet để tra cứu thông tin nhưng phải mất trung bình 30 đến 45 phút để tìm kiếm và tổng hợp các nguồn dữ liệu phân tán về địa điểm, phương tiện, khách sạn và nhà hàng. Hệ thống hỗ trợ thông tin truyền thống thường xuyên quá tải vào mùa cao điểm và không thể đáp ứng nhu cầu tư vấn liên tục 24/7. Vấn đề nghiên cứu đặt ra là làm thế nào để tự động hóa quy trình cung cấp thông tin du lịch một cách nhanh chóng, chuẩn xác và tự nhiên. Đề tài tập trung nghiên cứu xây dựng hệ thống chatbot thông minh hỗ trợ tư vấn du lịch Quảng Bình dựa trên nền tảng mã nguồn mở Rasa và các kỹ thuật xử lý ngôn ngữ tự nhiên tiếng Việt. Phạm vi nghiên cứu được xác định cụ thể trong không gian địa lý tỉnh Quảng Bình, tập trung vào các dịch vụ du lịch cốt lõi gồm danh lam thắng cảnh, lưu trú và ẩm thực. Về mặt ý nghĩa khoa học và thực tiễn, đề tài không chỉ kiểm chứng khả năng ứng dụng của các thuật toán học máy trong giao tiếp người - máy mà còn mang lại giải pháp công nghệ trực quan giúp giảm thời gian phản hồi thông tin xuống dưới 2 giây, hỗ trợ giải đáp tự động trên 85% các thắc mắc phổ biến, góp phần tối ưu hóa chi phí vận hành và nâng cao năng lực cạnh tranh cho du lịch địa phương.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên 2 trụ cột lý thuyết nền tảng bao gồm lý thuyết học máy (Machine Learning) và xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP). Về mô hình học máy, đề tài tập trung vào phương pháp học có giám sát (Supervised Learning) với các thuật toán phân lớp tiêu biểu như Máy vector hỗ trợ (Support Vector Machine - SVM), Mạng nơron nhân tạo (ANN), Cây quyết định (Decision Tree) và Naive Bayes. Khung kiến trúc NLP kết hợp chặt chẽ giữa 2 phân hệ chính là Hiểu ngôn ngữ tự nhiên (NLU) và Sinh ngôn ngữ tự nhiên (NLG).

Nghiên cứu tích hợp 4 khái niệm và mô hình kỹ thuật trọng tâm:

  • Mô hình biểu diễn văn bản truyền thống và không gian vector như TF-IDF, Word2vec (với 2 kiến trúc CBOW và Skip-gram) cùng Doc2vec nhằm chuyển hóa dữ liệu văn bản thành các vector số học nhiều chiều.
  • Các độ đo tương đồng văn bản đa dạng như độ tương đồng Cosine, khoảng cách Euclide, khoảng cách Manhattan, hệ số Jaccard và khoảng cách Jaro.
  • Cơ chế trích xuất thực thể và nhận diện ý định hội thoại (Intent Classification & Entity Extraction).
  • Mô hình quản lý hội thoại dựa trên máy trạng thái hữu hạn (FSA) để kiểm soát luồng giao tiếp logic giữa người dùng và máy tính.

Phương pháp nghiên cứu

Nguồn dữ liệu của luận văn được thu thập trực tiếp từ các cổng thông tin điện tử chính thống của ngành du lịch Quảng Bình, hệ thống dữ liệu khách sạn, nhà hàng và các diễn đàn trải nghiệm du lịch thực tế. Cỡ mẫu nghiên cứu bao gồm 1.200 mẫu câu hỏi đáp bằng tiếng Việt, được phân loại thành 25 nhóm ý định (intents) và 15 loại thực thể (entities) đặc thù. Phương pháp chọn mẫu là phương pháp lấy mẫu phân tầng theo chủ đề (stratified sampling), đảm bảo bao phủ 4 nhóm nhu cầu chính: tra cứu địa điểm tham quan, tư vấn đặt phòng lưu trú, tìm kiếm ẩm thực địa phương và hướng dẫn lịch trình di chuyển.

Phương pháp phân tích được lựa chọn dựa trên nền tảng mã nguồn mở Rasa kết hợp thuật toán SVM và mạng nơron. Lý do lựa chọn giải pháp này là vì Rasa cung cấp khả năng tích hợp linh hoạt pipeline NLU tiếng Việt, hỗ trợ xử lý ngữ cảnh phức tạp theo thời gian thực với độ trễ thấp và hoàn toàn độc lập với các dịch vụ đám mây thương mại trả phí. Quá trình nghiên cứu được triển khai liên tục qua 5 giai đoạn: thu thập dữ liệu, tiền xử lý và gán nhãn, xây dựng kịch bản hội thoại, huấn luyện mô hình và đánh giá thực nghiệm trong thời gian 6 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm thực tế trên tập dữ liệu du lịch Quảng Bình mang lại 4 phát hiện kỹ thuật quan trọng:

  • Mô hình phân loại ý định người dùng sử dụng thuật toán SVM trên nền tảng Rasa đạt độ chính xác trung bình 91,5% đối với các câu hỏi tiếng Việt có dấu, cao hơn 14,2% so với phương pháp so khớp mẫu từ khóa truyền thống (chỉ đạt 77,3%).
  • Khả năng trích xuất thực thể (như tên địa danh Phong Nha, Sun Spa Resort, số lượng người, ngày nhận phòng) đạt chỉ số F1-score bình quân 88,4%, trong đó các thực thể về địa điểm đạt độ chính xác lên tới 93,6%.
  • Hệ thống ghi nhận thời gian phản hồi trung bình chỉ 1,2 giây cho mỗi lượt tương tác, đồng thời xử lý ổn định trên 50 phiên hội thoại đồng thời mà không xảy ra hiện tượng nghẽn luồng.
  • Nghiên cứu phát hiện độ chính xác của hệ thống bị suy giảm khoảng 18,6% khi người dùng nhập dữ liệu tiếng Việt không dấu, viết tắt hoặc mắc lỗi chính tả cục bộ.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt hiệu suất cao là nhờ việc kết hợp hiệu quả giữa mô hình nhúng từ (word embeddings) và pipeline xử lý ngôn ngữ tự nhiên chuyên biệt cho tiếng Việt. Khi biểu diễn dữ liệu dưới dạng ma trận nhầm lẫn (confusion matrix), kết quả cho thấy hầu hết 25 nhóm ý định đều đạt tỷ lệ nhận dạng đúng trên 89%, ngoại trừ một số câu hỏi có cấu trúc lồng ghép nhiều ý định cùng lúc. Biểu đồ cột so sánh hiệu năng giữa các thuật toán phân lớp khẳng định SVM và Mạng nơron vượt trội hơn hẳn so với thuật toán Naive Bayes (chỉ đạt 81,2%) và KNN (đạt 83,7%) trên cùng tập dữ liệu thử nghiệm.

So sánh với một số nghiên cứu chatbot cùng thời điểm trong nước, kết quả của luận văn tương đương về độ chính xác phân loại nhưng có ưu thế vượt trội ở khả năng quản lý hội thoại đa vòng (multi-turn dialogue) và tự động kích hoạt các hành động (Action) như gọi API tìm phòng khách sạn hoặc gợi ý thực đơn nhà hàng theo thời gian thực. Bảng thống kê thực nghiệm cũng chỉ rõ sự phụ thuộc mật thiết giữa độ phong phú của dữ liệu huấn luyện NLU và khả năng trích xuất tham số của bot, mở ra định hướng tối ưu hóa dữ liệu đầu vào. Đóng góp này mang lại giá trị khoa học thiết thực trong việc chứng minh tính khả thi của giải pháp mã nguồn mở tự chủ trong bài toán chuyển đổi số ngành du lịch.

Đề xuất và khuyến nghị

Để nâng cao hiệu quả ứng dụng và mở rộng hệ thống chatbot trong thực tiễn, nghiên cứu đưa ra 4 nhóm giải pháp cụ thể:

  • Mở rộng và chuẩn hóa kho ngữ liệu số hóa chuyên ngành du lịch: Cơ quan quản lý du lịch địa phương cần chủ trì phối hợp cùng các đơn vị công nghệ xây dựng bộ dữ liệu mở với quy mô trên 10.000 mẫu hội thoại tiếng Việt chuẩn trong vòng 6 tháng tới, bao gồm cả từ ngữ địa phương và phương ngữ miền Trung.
  • Nâng cấp pipeline tiền xử lý ngôn ngữ: Nhóm phát triển kỹ thuật cần tích hợp các mô hình khôi phục dấu tiếng Việt và chuẩn hóa từ viết tắt tự động, hướng tới mục tiêu nâng tỷ lệ nhận diện câu hỏi không dấu từ 72,9% lên trên 90% trong thời gian 3 tháng.
  • Mở rộng triển khai đa kênh và tích hợp trợ lý giọng nói: Đơn vị vận hành hệ thống cần triển khai chatbot tích hợp trên Cổng thông tin du lịch tỉnh, Zalo Official Account và Fanpage Facebook, đặt mục tiêu phục vụ trên 50.000 lượt tương tác của du khách trong vòng 12 tháng đầu tiên.
  • Thiết lập cơ chế tự học và cập nhật dữ liệu tự động: Đội ngũ quản trị kỹ thuật cần duy trì chu kỳ cập nhật dữ liệu giá dịch vụ và sự kiện du lịch định kỳ 2 lần mỗi tháng, đồng thời ứng dụng kỹ thuật học tăng cường từ nhật ký hội thoại để giảm tỷ lệ phản hồi lỗi xuống dưới 3%.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

  • Học viên cao học và nhà nghiên cứu chuyên ngành Khoa học máy tính, Trí tuệ nhân tạo: Luận văn cung cấp hệ thống lý thuyết toàn diện về các giải thuật học máy (SVM, KNN, Decision Tree), kỹ thuật vector hóa Doc2vec, Word2vec và các độ đo khoảng cách ngữ nghĩa trong xử lý ngôn ngữ tiếng Việt.
  • Kỹ sư phát triển phần mềm và kỹ sư AI: Khai thác trực tiếp tài liệu hướng dẫn cài đặt, cấu hình pipeline Rasa NLU, quy trình xây dựng kịch bản hội thoại và cơ chế kích hoạt Action phục vụ việc phát triển các dự án trợ lý ảo thực tế.
  • Cơ quan quản lý nhà nước và Trung tâm Xúc tiến Du lịch: Áp dụng mô hình đề tài để xây dựng chiến lược chuyển đổi số, triển khai cổng tư vấn du lịch tự động 24/7 phục vụ hàng trăm nghìn lượt du khách trong và ngoài nước mỗi năm.
  • Doanh nghiệp lữ hành, khách sạn và nhà hàng tại Quảng Bình: Ứng dụng kịch bản đối thoại mẫu để tự động hóa quy trình tiếp nhận đặt phòng, tư vấn tour và chăm sóc khách hàng, giúp cắt giảm khoảng 40% chi phí nhân sự trực tổng đài.

Câu hỏi thường gặp

Nền tảng mã nguồn mở Rasa có ưu điểm gì vượt trội trong việc xây dựng chatbot du lịch?

Rasa cung cấp môi trường phát triển mã nguồn mở độc lập, giúp kiểm soát hoàn toàn dữ liệu và bảo mật thông tin. Khung kiến trúc này cho phép tùy biến sâu các pipeline NLU tiếng Việt, hỗ trợ quản lý hội thoại theo ngữ cảnh phức tạp và có thể xử lý đồng thời hơn 50 phiên tương tác mà không phát sinh chi phí bản quyền định kỳ như các nền tảng thương mại.

Hệ thống xử lý thế nào khi người dùng sử dụng tiếng Việt không dấu hoặc câu văn sai ngữ pháp?

Trong thử nghiệm thực tế, độ chính xác của hệ thống giảm khoảng 18,6% khi xử lý câu hỏi không dấu. Để khắc phục, mô hình áp dụng kết hợp độ tương đồng ngữ nghĩa Cosine và khoảng cách Jaro để so khớp từ vựng gần đúng, đồng thời bổ sung module tự động khôi phục dấu tiếng Việt để nâng độ chính xác lên trên 90%.

Bộ dữ liệu huấn luyện của chatbot du lịch Quảng Bình được xây dựng với quy mô ra sao?

Bộ dữ liệu thực nghiệm được xây dựng gồm 1.200 mẫu câu tiếng Việt, phân chia đồng đều vào 25 nhóm ý định và 15 loại thực thể du lịch. Dữ liệu bao quát các chủ đề thiết yếu từ danh lam thắng cảnh, khách sạn, nhà hàng đến phương tiện di chuyển, giúp mô hình đạt độ chính xác phân loại 91,5%.

Chatbot thực hiện thao tác hỗ trợ tìm kiếm nhà hàng và đặt phòng khách sạn theo cơ chế nào?

Hệ thống sử dụng NLU để trích xuất các thực thể như tên địa điểm, thời gian, số lượng người, sau đó lưu trữ vào bộ nhớ phiên làm việc (Slots). Khi thu thập đủ thông tin, chatbot kích hoạt các Action tương ứng để truy vấn cơ sở dữ liệu và trả về kết quả trong thời gian trung bình 1,2 giây.

Luận văn đã so sánh hiệu quả giữa các thuật toán phân lớp nào trong bài toán chatbot?

Nghiên cứu tiến hành đánh giá so sánh giữa 5 thuật toán chính gồm SVM, Naive Bayes, KNN, Cây quyết định và Mạng nơron nhân tạo. Kết quả thực nghiệm khẳng định thuật toán SVM đạt hiệu năng cao nhất với độ chính xác trên 91%, vượt trội hơn từ 7,8% đến 10,3% so với các phương pháp KNN và Naive Bayes.

Kết luận

  • Hệ thống hóa toàn diện khung lý thuyết học máy và xử lý ngôn ngữ tự nhiên tiếng Việt, từ các mô hình biểu diễn TF-IDF, Word2vec, Doc2vec đến các độ đo khoảng cách ngữ nghĩa.
  • Xây dựng thành công bộ ngữ liệu thực nghiệm chuẩn gồm 1.200 mẫu câu hỏi đáp bao quát 25 nhóm ý định và 15 loại thực thể du lịch đặc thù của Quảng Bình.
  • Tối ưu hóa pipeline NLU trên nền tảng Rasa kết hợp thuật toán SVM, đạt độ chính xác phân loại ý định 91,5% và F1-score trích xuất thực thể 88,4%.
  • Triển khai thành công kịch bản tư vấn đa chức năng với thời gian phản hồi trung bình chỉ 1,2 giây, chứng minh tính khả thi cao khi ứng dụng vào môi trường thực tế.
  • Đề xuất lộ trình 12 tháng tiếp theo để phát triển module nhận dạng giọng nói và tích hợp xử lý đa ngôn ngữ phục vụ du khách quốc tế.

Công trình nghiên cứu đã mang lại một giải pháp công nghệ thiết thực, đóng góp tích cực vào tiến trình chuyển đổi số của ngành du lịch địa phương. Các nhà nghiên cứu, lập trình viên và doanh nghiệp quan tâm có thể khai thác mô hình này để phát triển và ứng dụng các hệ sinh thái trợ lý ảo thông minh ngay hôm nay.