Downloaded 124 times
![Đại học Công nghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng
trình xử lý thông tin chuyển đổi dữ liệu từ layer này sang layer khác. Quá trình học của
ANN thực ra là quá trình điều chỉnh các trọng số Weight của các dữ liệu đầu vào để có
được kết quả mong muốn.
Summation Function (Hàm tổng): Tính tổng trọng số của tất cả các input
được đưa vào mỗi nơ-ron. Hàm tổng của một nơ-ron đối với n input được tính theo
công thức sau:
1
n
i i
i
Y X W
�
Transfer Function (Hàm chuyển đổi): Hàm tổng của một nơ-ron cho biết khả
năng kích hoạt của nơ-ron đó còn gọi là kích hoạt bên trong. Các nơ-ron này có thể
sinh ra một output hoặc không trong mạng ANN, nói cách khác rằng có thể output của
một nơ-ron có thể được chuyển đến layer tiếp theo trong mạng nơ-ron hoặc không.
Mối quan hệ giữa hàm tổng và kết quả output được thể hiện bằng hàm chuyển đổi.
Việc lựa chọn hàm chuyển đổi có tác động lớn đến kết quả đầu ra của mạng
ANN. Hàm chuyển đổi phi tuyến được sử dụng phổ biến trong mạng ANN là sigmoid
hoặc tanh.
1
( ) ( )
1 s
f s s
e
@
tanh( )
s s
s s
e e
s
e e
Trong đó, hàm tanh là phiên bản thay đổi tỉ lệ của sigmoid , tức là khoảng giá trị đầu ra
của hàm chuyển đổi thuộc khoảng [-1, 1] thay vì [0,1] của Sigmoid nên chúng còn gọi
là hàm chuẩn hóa (Normalized Function).
Kết quả xử lý tại các nơ-ron (Output) đôi khi rất lớn, vì vậy hàm chuyển đổi
được sử dụng để xử lý output này trước khi chuyển đến layer tiếp theo. Đôi khi thay vì
sử dụng Transfer Function người ta sử dụng giá trị ngưỡng (Threshold value) để kiểm
soát các output của các nơ-ron tại một layer nào đó trước khi chuyển các output này
đến các layer tiếp theo. Nếu output của một nơ-ron nào đó nhỏ hơn Threshold thì nó sẽ
không được chuyển đến layer tiếp theo.
Mạng nơ-ron của chúng ta dự đoán dựa trên lan truyền thẳng (forward
propagation) là các phép nhân ma trận cùng với activation function để thu được kết
quả đầu ra. Nếu input x là vector 2 chiều thì ta có thể tính kết quả dự đoán y^
bằng
công thức:
z1 = xW1 + b
Trang 14
8090432](https://image.slidesharecdn.com/boconcsti-xydngngdngchattngvideeplearning-211024010919/75/Bao-cao-d-an-c-s-d-tai-xay-d-ng-ng-d-ng-chat-t-d-ng-v-i-deep-learning-24-2048.jpg)
More Related Content
Similar to Báo cáo đồ án cơ sở đề tài xây dựng ứng dụng chat tự động với deep learning
![[123doc] - bao-cao-do-an-3-de-tai-xay-dung-ung-dung-chat-docx.pdf](https://cdn.slidesharecdn.com/ss_thumbnails/123doc-bao-cao-do-an-3-de-tai-xay-dung-ung-dung-chat-docx-240705081904-2b5cb157-thumbnail.jpg?width=640&height=640&fit=bounds)
Báo cáo đồ án cơ sở đề tài xây dựng ứng dụng chat tự động với deep learning
- 1. ĐẠI HỌC ĐÀNẴNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG VIỆT - HÀN BÁO CÁO ĐỒ ÁN CƠ SỞ 5 ĐỀ TÀI: XÂY DỰNG ỨNG DỤNG CHAT TỰ ĐỘNG VỚI DEEP LEARNING Giảng viên hướng dẫn: ThS. LÊ SONG TOÀN Sinh viên thực hiện: 1. Nguyễn Quốc Cường 17IT130 2. Nguyễn Thị Ngà 17CE029 ĐÀ NẴNG, THÁNG 08 NĂM 2020
- 2. ĐẠI HỌC ĐÀNẴNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG VIỆT - HÀN BÁO CÁO ĐỒ ÁN CƠ SỞ 5 ĐỀ TÀI: XÂY DỰNG ỨNG DỤNG CHAT TỰ ĐỘNG VỚI DEEP LEARNING Đà Nẵng, tháng 08 năm 2020 Trang 2
- 3. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng MỞ ĐẦU Trong những năm gần đây, cùng với sự phát triển của nhân loại thì khoa học công nghệ cũng có những bước tiến vượt trội, điển hình là ngành công nghiệp 4.0. Với những sự phát triển vượt bậc của công nghệ việc triển khai công nghệ vào đời sống mỗi người cũng ngày càng hoàn thiện. Điển hình là việc sự dụng trí thông minh nhân tạo nhằm thay thế những công cụ truyền thống giúp cải thiện cuộc sống hơn. Trong nhiều năm trở lại đây, với nhu cầu về hội nhập ngày càng cao giữa các quốc gia cả về kinh tế lẫn văn hóa, khiến nhu cầu về giao tiếp ngày càng tăng cao. Nhưng đối với nhiều người không có thời gian để gặp bạn bè, người khó bắt chuyện, ít nói thì việc nâng cao trong giao tiếp diễn ra khá khó khăn. Chính vì vậy cần có những phần mềm, công cụ để hỗ trợ việc giao tiếp bất cứ đâu hay bất cứ thời gian nào. Nhờ sự tiên tiến của khoa học công nghệ và sự vượt trội từ trí thông minh nhân tạo, để tạo ra phần mềm hay công cụ tương tác giữa người và máy thì một trong những ứng dụng dựa trên nền tảng trí tuệ nhân tạo phổ biến hiện nay có thể kể đến là ứng dụng dựa trên Chatbot. Có thể nói Chatbot là một hình thức thô sơ của trí tuệ nhân tạo, là một chương trình được tạo ra từ máy tính, tiến hành cuộc trò chuyện thông qua các phương thức như văn bản, hình ảnh, âm thanh,… Hiện nay có khá nhiều chatbot hoặc sự nâng cấp của chatbot là trợ lý ảo có trên thị trường hiện nay do các ông lớn trong ngành công nghệ tạo ra. Bên cạnh họ cũng cung cấp nhiều tư liệu về nó. Điều đó giúp ta có thể tiếp cận việc xây dựng một chatbot trở nên đơn giản hơn.
- 4. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng LỜI CẢM ƠN Để thực hiện và hoàn thành tốt đồ án này, em đã nhận được sự giúp đỡ và hướng dẫn rất tận tình của các thầy cô thuộc Đại Học Công Nghệ Thông Tin Và Truyền Thông Việt Hàn – Đại Học Đà Nẵng. Em xin cảm ơn các thầy cô thuộc bộ môn chuyên ngành đã cung cấp cho chúng em các thông tin, kiến thức vô cùng quý báu và cần thiết trong suốt thời gian quá để em có thể thực hiện và hoàn thành đồ án của mình. Đặc biệt em xin chân thành cảm ơn thầy Lê Song Toàn, người đã trực tiếp hướng dẫn chúng em trong thời gian thực hiện đồ án này. Cuối cùng, xin chân thành cảm ơn các bạn trong ngành công nghệ thông tin đã ủng hộ, giúp đỡ, chia sẻ kiến thức, kinh nghiệm và tài liệu có được giúp chúng tôi trong quá trình nghiên cứu và thực hiện đề tài. Do giới hạn về mặt thời gian và kiến thức cũng như kinh nghiệm thực tiễn nên đề tài không tránh khỏi những sai sót. Em rất mong nhận được sự thông cảm của quý thầy cô và mong đón nhận những góp ý của thầy cô và các bạn. Em xin chân thành cảm ơn!
- 5. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng
- 6. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng NHẬN XÉT (Của giảng viên hướng dẫn) ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… Đà Nẵng, ngày ….. tháng ….. năm 20….. Giảng viên hướng dẫn ThS.Lê Song Toàn
- 7. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng MỤC LỤC Chương 1:.....................................................................................................................1 TỔNG QUAN VỀ HỆ THỐNG CHATBOT..............................................................1 1.1Chatbot là gì ?.....................................................................................................1 1.2Cấu trúc các thành phần của Chatbot:.............................................................2 1.3 Hiểu ngôn ngữ tự nhiên (NLU):........................................................................2 1.3.1 Xác định ý định người dùng...........................................................................5 1.4 Quản lý hội thoại (DM)......................................................................................6 1.4.2 Mô hình Frame-based.....................................................................................8 1.5 Thành phần sinh ngôn ngữ (NLG)....................................................................9 1.5.1 Template-based NLG.....................................................................................9 1.5.2 Plan-based NLG...........................................................................................10 1.5.3 Class-based NLG..........................................................................................11 Chương 2:...................................................................................................................12 CƠ SỞ LÝ THUYẾT.................................................................................................12 2.1 Kiến trúc mạng nơ ron nhân tạo.....................................................................12 2.2 Mạng nơ ron hồi quy RNN..............................................................................16 2.3 Long Short-Term Memory:.............................................................................18 2.3.1 Vấn đề phụ thuộc quá dài.............................................................................18 2.3.2 Cấu trúc mạng..............................................................................................19 2.3.3Phân tích mô hình LSTM..............................................................................20 2.4 Giới thiệu về mô hình Sequence:.....................................................................23 2.5 Seq2Seq Model:................................................................................................23 2.6 Beam Search – Thuật toán tìm kiếm hỗ trợ Seq2Seq:...................................25 2.7 Word embeddings.............................................................................................27 2.7.1 Word2vec.....................................................................................................28 2.7.2 Glove............................................................................................................29 Chương 3:...................................................................................................................31 XÂY DỰNG ỨNG DỤNG CHATBOT.....................................................................31 3.1 Kiến trúc ứng dụng...........................................................................................31 3.2 Quá trình xây dựng..........................................................................................31 3.2.1 Tiền xử lý dữ liệu:........................................................................................31
- 8. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng 3.2.2 Xây dựng mô hình Seq2Seq.........................................................................32 3.2.3 Đào tạo mô hình Seq2Seq............................................................................33 3.2.4 Thử nghiệm mô hình Seq2Seq.....................................................................33 3.3 Kết quả đạt được..............................................................................................34 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN.................................................................36 1 Kết luận:...............................................................................................................36 2 Hướng phát triển:................................................................................................36 DANH MỤC THAM KHẢO.....................................................................................37
- 9. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng DANH MỤC HÌNH Hình 1 Chatbot.............................................................................................................1 Hình 2 Các thành phần của Chatbot.............................................................................2 Hình 3 Các bước xử lý chính của NLU.........................................................................3 Hình 4 Các bước xử lý trong NLU................................................................................4 Hình 5 Mô hình các bước xác định ý định....................................................................5 Hình 6 Mô hình quản lý trạng thái và quyết định hành động trong hội thoại...............7 Hình 7 Quản lý hội thoại theo mô hình FSA.................................................................8 Hình 8 Khung chat bot hỏi thông tin khách hàng.........................................................9 Hình 9 Phương pháp sinh ngôn ngữ dựa trên tập mẫu câu trả lời.............................10 Hình 10 Phương pháp sinh ngôn ngữ dựa trên Plan based........................................10 Hình 11 Phương pháp sinh ngôn ngữ Class based......................................................11 Hình 12 Cấu trúc mạng nơtron nhân tạo....................................................................12 Hình 13 Quá trình xử lý thông tin của mạng nơ ron nhân tạo....................................13 Hình 14 Mạng RNN....................................................................................................16 Hình 15 Mạng RNN 2 chiều........................................................................................17 Hình 16 Mạng RNN nhiều tầng...................................................................................18 Hình 17 RNN phụ thuộc long-term.............................................................................18 Hình 18 Các module lặp của mạng RNN....................................................................19 Hình 19 Các module lặp của mạng LSTM chứa 4 lớp................................................19 Hình 20 Tế bào trạng thái (Cell state) LSTM.............................................................20 Hình 21 Cổng trạng thái LSTM..................................................................................20 Hình 22 LSTM focus f.................................................................................................21 Hình 23 LSTM focus I.................................................................................................21 Hình 24 LSTM focus c................................................................................................22 Hình 25 LSTM focus 0................................................................................................22 Hình 26 Thành phần của LSTM..................................................................................24 Hình 27 LSTM Encoder..............................................................................................24 Hình 28 LSTM Decoder..............................................................................................25 Hình 29 RNN/LSTM lồng nhau...................................................................................25 Hình 30 Cây xác suất..................................................................................................27 Hình 31 Mô hình từ nhúng..........................................................................................28 Hình 32 Mô hình CBOW và Skip-Ngram....................................................................29 Hình 33 Kiến trúc của ứng dụng chatbot....................................................................31 Hình 34 Quá trình huấn luyện....................................................................................34 Hình 35 Tương tác trò chuyện với chatbot.................................................................34 Hình 36 Trực quan từ nhúng với TensorBoard............................................................35 Hình 37 Giao diện web...............................................................................................35
- 10. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng DANH MỤC CỤM TỪ VIẾT TẮT STT Cụm từ Viết tắt 1 Natural Language Processing NLP 2 Artificial Intelligence AI 3 Artificial Nerual Network ANN 4 Continuous Bag of Words CBOW 5 Convolution Neural Network CNN 6 Conditional Random Fields CRF 7 Dialogue Management DM 8 Deep Neural Networks DNN 9 Dialogue State Tracking DST 10 Finite State Automata FSA 11 Finite State Machine FSM 12 Long short-term memory LSTM 13 Natural Language Generation NLG 14 Natural Language Understanding NLU 15 Machine Learning ML 16 Part Of Speech POS 17 Recurrent Neural Network RNN 18 Support Vector Machine SVM
- 11. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Chương 1: TỔNG QUAN VỀ HỆ THỐNG CHATBOT 1.1 Chatbot là gì ? Chatbot là một ứng dụng phần mềm dùng để quản lý một hệ thống thảo luận trực tuyến bằng văn bản hoặc văn bản chuyển thành giọng nói, thay vì cung cấp các thảo luận trực tiếp với người dùng có thật. Hình 1 Chatbot Hiện nay chatbot được dùng trong nhiều lĩnh vực như tư vấn, tiếp thị,… giúp tăng tính hiệu quả trong mỗi ngành được sử dụng. Ngoài ra, trong lĩnh vực học máy thì chatbot được hiểu là Q & A System (Question and Answering System). Hiện tại có hai loại chatbot: - Chatbot dựa theo kịch bản có sẵn: Kiểu chatbot này thường được dùng với các thiết đặt có sẵn. Người sử dụng chỉ cần chọn các lựa chọn đã cài đặt trên chatbot. Đối với những loại câu hỏi khó hơn thì sẽ chuyển sang cho con người để giải quyết. Độ linh động không cao. Các nền tảng hiện tại hỗ trợ chatbot kiểu này là: Facebook Messenger, Slack, Zalo, Telegram,… - Chatbot sử dụng Machine Learning: Đối với kiểu này chatbot sẽ xử lý ngôn ngữ tự nhiên (Natural Language Processing) kết hợp sử dụng mạng neutron để đào tạo và cho ra kết quả hợp lý nhất có thể. Những công việc cần làm để tạo ra chatbot bao gồm: o Phân loại câu hỏi o Trích xuất câu trả lời (Dựa trên các tài liệu hoặc bộ dữ liệu mẫu (dataset) liên quan) o Trích xuất câu trả lời Trang 1
- 12. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng o Trong những công việc trên thì việc phân loại câu hỏi là công việc khó khăn và vất vả nhất. Vì vậy, đi đôi với những yêu cầu trên là khả năng hỏi và trả lời một cách linh động và chính xác. 1.2 Cấu trúc các thành phần của Chatbot: Hình 2 Các thành phần của Chatbot Chatbot có 3 thành phần chính là hiểu ngôn ngữ tự nhiên (NLU), quản lý hội thoại (DM), thành phần sinh ngôn ngữ (NLG). Các thành phần nhận dạng giọng nói Speech Recognition (text to speech hay speech to text) là các thành phần tăng cường. Mỗi thành phần trong chatbot đều có vai trò riêng: NLU: bao gồm việc xử lý ngôn ngữ tự nhiên (NLP) có nhiệm vụ xác định được ý định câu hỏi (intent classification) và trích chọn thông tin (slots filter) DM: Quản lý hội thoại có nhiệm vụ xác định được hành động (action) tiếp theo dựa vào trạng thái hành động trước đó hay ngữ cảnh hội thoại. Các ngữ cảnh này phải được đối chiếu trong các kịch bản dựng sẵn (history) đã đào tạo cho bot. Thành phần này cũng đảm nhiệm việc lấy dữ liệu từ hệ thống khác qua các API gọi trong action NLG: là thành phần sinh ngôn ngữ dựa vào chính sách (policy) và hành động được xác định trong DM thông qua các tập hội thoại. NGL có thể được sinh ra câu trả lời dựa vào tập mẫu câu trả lời (pre-defined template) đã đào tạo cho bot. Trang 2
- 13. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng 1.3 Hiểu ngôn ngữ tự nhiên (NLU): Đây có thể nói là thành phần quan trọng nhất của chatbot. Chatbot có thông minh hay không thì đây là thành phần quyết định. Mục tiêu của thành phần này là trích xuất ra 3 thành phần thông tin từ câu nói của người dùng: Đầu tiên là phân loại lĩnh vực (domain classification), nó có thể là lĩnh vực ngân hàng, y tế hay bảo hiểm. Nếu trong trường hợp chỉ có một lĩnh vực thì không cần thiết cho bước phân loại này. Tiếp đến là phân loại ý định (intent classification), ví dụ như xác định được ý định tra cứu thông tin tài khoản hoặc ý định kiểm tra số dư. Cuối cùng là bước trích xuất thông tin (slot fillter hay entity extraction) trong câu hỏi người dùng. Ví dụ ta phải trích chọn được thông tin số tháng trong câu hỏi người dùng: “lãi suất kỳ hạn 3 tháng là bao nhiêu”. Từ việc trích xuất được thông tin 3 tháng thì chatbot mới có cơ sở trả lời cho người dùng. NLU xử lý tin nhắn người dùng bằng một đường ống (pipeline) nơi mà cấu hình các bước xử lý liên tiếp theo tuần tự : Hình 3 Các bước xử lý chính của NLU Trong đường ống này thì bạn có thể tùy chỉnh các thành phần từ bước tiền xử lý dữ liệu, mô hình hóa ngôn ngữ, các thuật toán dùng để tách từ và trích xuất thông tin thực thể... Trang 3
- 14. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Hình 4 Các bước xử lý trong NLU Để phân loại được ý định câu của người dùng thì ta cần mô hình hóa ngôn ngữ, tức là việc biểu diễn ngôn ngữ dưới dạng vector số học cho máy có thể hiểu được (vectorization). Phương pháp phổ biến nhất hiện tại là word embedding (nhúng từ). Tập nhúng từ là tên chung cho một tập hợp các mô hình ngôn ngữ và các phương pháp học đặc trưng trong xử lý ngôn ngữ tự nhiên (NLP), nơi các từ hoặc cụm từ từ vựng được ánh xạ tới vectơ số thực. Về mặt khái niệm, nó liên quan đến việc nhúng toán học từ một không gian với một chiều cho mỗi từ vào một không gian vectơ liên tục với kích thước thấp hơn nhiều. Một số phương pháp biểu diễn phổ biến như Word2Vec, GloVe hay mới hơn là FastText sẽ được giới thiệu trong phần sau. Sau khi mô hình hóa ngôn ngữ bao gồm dữ liệu đầu vào training cho bot thì việc xác định ý định người dùng từ câu hỏi người dùng dựa trên tập đã training là bước phân loại ý định (intent classification) hay phân loại văn bản. Ở bước này ta có thể dùng một số kỹ thuật như: Naive Bayes, Decision Tree (Random Forest), Vector Support Machine (SVM), Convolution Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM, Bi-LSTM). Hầu hết các chatbot hiện tại đều ứng dụng mô hình deep learning như RNN và LSTM để phân loại ý định người dùng. Bài toán thách thức lớn nhất cho các chatbot ở bước này là xác định nhiều ý định (multiple intents) trong một câu nói người dùng. Ví dụ nếu bạn nói “xin chào, kiểm tra cho tôi số dư tài khoản” thì bot phải xác định được 2 ý định “chào hỏi” và “kiểm tra số dư” trong câu nói người dùng. Nếu bot có thể hiểu và trả lời được câu hỏi loại này sẽ giúp việc tương tác với bot trở nên tự nhiên hơn. Tiếp đến là việc trích xuất thông tin trong câu hội thoại người dùng. Các thông tin cần trích xuất thường dưới dạng số, chuỗi hoặc thời gian và chúng phải được khai báo và huấn luyện trước. Trang 4
- 15. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Phân tách các từ (Tokenization hay word segmention): Tách từ là một quá trình xử lý nhằm mục đích xác định ranh giới của các từ trong câu văn, cũng có thể hiểu đơn giản rằng tách từ là quá trình xác định các từ đơn, từ ghép... có trong câu. Đối với xử lý ngôn ngữ, để có thể xác định cấu trúc ngữ pháp của câu, xác định từ loại của một từ trong câu, yêu cầu nhất thiết đặt ra là phải xác định được đâu là từ trong câu. Vấn đề này tưởng chừng đơn giản với con người nhưng đối với máy tính, đây là bài toán rất khó giải quyết. Thông thường thì các ngôn ngữ phân tách các từ bởi khoảng trắng nhưng đối với ngôn ngữ tiếng việt thì có rất nhiều từ ghép và cụm từ. Ví dụ từ ghép “tài khoản” được tạo bởi 2 từ đơn “tài” và “khoản”. Có một số thuật toán hỗ trợ giải quyết bài toán này như mô hình so khớp từ dài nhất (longest matching), so khớp cực đại (Maximum Matching), Markov ẩn (Hidden Markov Models- HMM) hay mô hình CRF (conditinal random field)... 1.3.1 Xác định ý định người dùng Hình 5 Mô hình các bước xác định ý định Hệ thống phân lớp ý định người dùng có một số bước cơ bản: Tiền xử lý dữ liệu Trích xuất đặc trưng Huấn luyện mô hình Phân lớp Bước tiền xử lý dữ liệu chính là thao tác “làm sạch” dữ liệu như: loại bỏ các thông tin dư thừa, chuẩn hoá dữ liệu và chuyển các từ viết sai chính tả thành đúng chính tả, chuẩn hoá các từ viết tắt... Bước tiền xử lý dữ liệu có vai trò quan trọng trong hệ thống chatbot. Nếu dữ liệu đầu vào có xử lý ở bước này thì sẽ làm tăng khả năng năng độ chính xác cũng như sự thông minh cho bot. Trang 5
- 16. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Tiếp đến là bước trích xuất đặc trưng (feature extraction hay feature engineering) từ những dữ liệu đã được làm sạch. Trong mô hình học máy truyền thống (trước khi mô hình học sâu được áp dụng rộng rãi), bước trích xuất đặc trưng ảnh hưởng lớn đến độ chính xác của mô hình phân lớp. Để trích xuất được những đặc trưng tốt, chúng ta cần phân tích dữ liệu khá tỉ mỉ và cần cả những tri thức chuyên gia trong từng miền ứng dụng cụ thể. Bước huấn luyện mô hình nhận đầu vào là các đặc trưng đã được trích xuất và áp dụng các thuật toán học máy để học ra một mô hình phân lớp. Các mô hình phân lớp có thể là các luật phân lớp (nếu sử dụng decision tree) hoặc là các vector trọng số tương ứng với các đặc trưng được trích xuất (như trong các mô hình logistic regression, SVM, hay mạng Neural). Sau khi có một mô hình phân lớp intent, chúng ta có thể sử dụng nó để phân lớp một câu hội thoại mới. Câu hội thoại này cũng đi qua các bước tiền xử lý và trích xuất đặc trưng, sau đó mô hình phân lớp sẽ xác định “điểm số” cho từng intent trong tập các intent và đưa ra intent có điểm cao nhất Để đưa ra hỗ trợ chính xác, chatbot cần xác định được ý định (intent) đó của người dùng. Việc xác định ý định của người dùng sẽ quyết định hội thoại tiếp theo giữa người và chatbot sẽ diễn ra như thế nào. Vì thế, nếu xác định sai ý định người dùng, chatbot sẽ đưa ra những phản hồi không đúng, không hợp ngữ cảnh. Khi đó, người dùng có thể thấy chán ghét và không quay lại sử dụng hệ thống. Bài toán xác định ý định người dùng vì thế đóng vai trò rất quan trọng trong hệ thống chatbot. Đối với miền ứng dụng đóng, chúng ta có thể giới hạn số lượng ý định của người dùng nằm trong một tập hữu hạn những ý định đã được định nghĩa sẵn, có liên quan đến những nghiệp vụ mà chatbot có thể hỗ trợ. Với giới hạn này, bài toán xác định ý định người dùng có thể quy về bài toán phân lớp văn bản. Với đầu vào là một câu giao tiếp của người dùng, hệ thống phân lớp sẽ xác định ý định tương ứng với câu đó trong tập các intent đã được định nghĩa trước. Để xây dựng một mô hình phân lớp intent, chúng ta cần một tập dữ liệu huấn luyện bao gồm các cách diễn đạt khác nhau cho mỗi intent. Ví dụ, cùng một mục đích chào hỏi ta có thể dùng những cách diễn đạt sau: Hello (Xin chào) Hi (Xin chào) Hey (Chào) Có thể nói, bước tạo dữ liệu huấn luyện cho bài toán phân lớp intent là một trong những công việc quan trọng nhất khi phát triển hệ thống chatbot và ảnh hưởng lớn tới chất lượng sản phẩm của hệ thống chatbot về sau. Công việc này cũng đòi hỏi thời gian, công sức khá lớn của nhà phát triển chatbot. 1.4 Quản lý hội thoại (DM) Trang 6
- 17. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Trong các phiên trao đổi dài (long conversation) giữa người và chatbot, chatbot sẽ cần ghi nhớ những thông tin về ngữ cảnh (context) hay quản lý các trạng thái hội thoại (dialog state). Vấn đề quản lý hội thoại (dialoge management) khi đó là quan trọng để đảm bảo việc trao đổi giữa người và máy là thông suốt. Chức năng của thành phần quản lý hội thoại là nhận đầu vào từ thành phần NLU, quản lý các trạng thái hội thoại (dialogue state), ngữ cảnh hội thoại (dialogue context), và truyền đầu ra cho thành phần sinh ngôn ngữ (Natural Language Generation, viết tắt là NLG). Hình 6 Mô hình quản lý trạng thái và quyết định hành động trong hội thoại Trạng thái hội thoại (dialog state) được lưu lại và dựa vào tập luật hội thoại (dialog policy) để quyết định hành động tiếp theo cho câu trả lời của bot trong một kịch bản hội thoại, hay hành động (action) chỉ phụ thuộc vào trạng thái (dialog state) trước của nó. Ví dụ module quản lý dialogue trong một chatbot phục vụ đặt vé xem phim cần biết khi nào người dùng đã cung cấp đủ thông tin cho việc đặt vé để tạo một ticket tới hệ thống hoặc khi nào cần phải xác nhận lại thông tin do người dùng đưa vào. Hiện nay, các sản phẩm chatbot thường dùng mô hình máy trạng thái hữu hạn (Finite State Automata – FSA), mô hình Frame-based (Slot Filling), hoặc kết hợp hai mô hình này. Một số hướng nghiên cứu mới có áp dụng mô hình ANN vào việc quản lý hội thoại giúp bot thông minh hơn. 1.4.1 Mô hình máy trạng thái hữu hạn FSA Trang 7
- 18. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Hình 7 Quản lý hội thoại theo mô hình FSA Mô hình FSA quản lý hội thoại đơn giản nhất. Ví dụ hệ thống đặt vé máy bay, đặt vé và gửi thông tin của khách hàng đã được cung cấp từ trước. Nhiệm vụ của chatbot là hỏi thời gian và địa điểm sẽ đi. Ảnh trên minh hoạ về một mô hình quản lý hội thoại cho chatbot đặt vé máy bay. Các trạng thái của FSA tương ứng với các câu hỏi mà dialogue manager hỏi người dùng. Các cung nối giữa các trạng thái tương ứng với các hành động của chatbot sẽ thực hiện. Các hành động này phụ thuộc phản hồi của người dùng cho các câu hỏi. Trong mô hình FSA, chatbot là phía định hướng người sử dụng trong cuộc hội thoại. Ưu điểm của mô hình FSA là đơn giản và chatbot sẽ định trước dạng câu trả lời mong muốn từ phía người dùng. Tuy nhiên, mô hình FSA không thực sự phù hợp cho các hệ thống chatbot phức tạp hoặc khi người dùng đưa ra nhiều thông tin khác nhau trong cùng một câu hội thoại. Trong ví dụ chatbot ở trên, khi người dùng đồng thời cung cấp cả thời gian và địa điểm trong câu đầu tiên, chatbot sẽ hỏi tiếp câu tiếp theo, điều đó khiến người dùng có thể cảm thấy khó chịu. 1.4.2 Mô hình Frame-based Mô hình Frame-based (hoặc tên khác là Form-based) có thể giải quyết vấn đề mà mô hình FSA gặp phải. Mô hình Frame-based dựa trên các frame định sẵn để định hướng cuộc hội thoại. Mỗi frame sẽ bao gồm các thông tin (slot) cần điền và các câu hỏi tương ứng mà dialogue manager hỏi người dùng. Mô hình này cho phép người dùng điền thông tin vào nhiều slot khác nhau trong frame. Bảng dưới là một ví dụ về một frame cho chatbot ở trên. Trang 8
- 19. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Hình 8 Khung chat bot hỏi thông tin khách hàng Thành phần quản lý dialogue theo mô hình Frame-based sẽ đưa ra câu hỏi cho khách hàng, điền thông tin vào các slot dựa trên thông tin khách hàng cung cấp cho đến khi có đủ thông tin cần thiết. Khi người dùng trả lời nhiều câu hỏi cùng lúc, hệ thống sẽ phải điền vào các slot tương ứng và ghi nhớ để không hỏi lại những câu hỏi đã có câu trả lời. Trong các miền ứng dụng phức tạp, một cuộc hội thoại có thể có nhiều frame khác nhau. Vấn đề đặt ra cho người phát triển chatbot khi đó là làm sao để biết khi nào cần chuyển đổi giữa các frame. Cách tiếp cận thường dùng để quản lý việc chuyển điều khiển giữa các frame là định nghĩa các luật (production rule). Các luật này dựa trên một số các thành tố như câu hội thoại hoặc câu hỏi gần nhất mà người dùng đưa ra. 1.5 Thành phần sinh ngôn ngữ (NLG) NLG là thành phần sinh câu trả lời của chatbot. Nó dựa vào việc ánh xạ các hành động của quản lý hội thoại vào ngôn ngữ tự nhiên để trả lời người dùng. Có 4 phương pháp ánh xạ hay dùng là: Template-Base, Plan-based, Class-base, RNN-base 1.5.1 Template-based NLG Phương pháp ánh xạ câu trả lời này là dùng những câu mẫu trả lời của bot đã được định nghĩa từ trước để sinh câu trả lời Trang 9
- 20. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Hình 9 Phương pháp sinh ngôn ngữ dựa trên tập mẫu câu trả lời Ưu điểm: đơn giản, kiểm soát dễ dàng. Phù hợp cho các bài toán miền đóng. Nhược điểm: tốn thời gian định nghĩa các luật, không mang tính tự nhiên trong câu trả lời. Đối với các hệ thống lớn thì khó kiểm soát các luật dẫn đến hệ thống cũng khó phát triển và duy trì. 1.5.2 Plan-based NLG Hình 10 Phương pháp sinh ngôn ngữ dựa trên Plan based Ưu điểm: Có thể mô hình hóa cấu trúc ngôn ngữ phức tạp Nhược điểm: Thiết kế nặng nề, đòi hỏi phải rõ miền kiến thức Trang 10
- 21. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng 1.5.3 Class-based NLG Hình 11 Phương pháp sinh ngôn ngữ Class based Phương pháp này dựa trên việc cho bot học những câu trả lời đầu vào đã được gán nhãn. Ứng với các hành động (action) và thông tin (slot) từ quản lý hội thoại thì bot sẽ đưa ra câu trả lời gần nhất dựa trên tập dữ liệu trả lời được đào tạo trước đó. Ưu điểm: dễ dàng thực thi Nhược điểm: phụ thuộc vào dữ liệu trả lời đã được gán nhãn đào tạo trước đó. Bên cạnh đó việc tính toán điểm số không hiệu quả cũng dẫn đến việc sinh câu trả lời sai Trang 11
- 22. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng Chương 2: CƠ SỞ LÝ THUYẾT 2.1 Kiến trúc mạng Nơ-ron nhân tạo Mạng nơ-ron nhân tạo (Artificial Neural Network – ANN) là một mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các nơ-ron được gắn kết để xử lý thông tin. ANN hoạt động giống như bộ não của con người, được học bởi kinh nghiệm (thông qua việc huấn luyện), có khả năng lưu giữ các tri thức và sử dụng các tri thức đó trong việc dự đoán các dữ liệu chưa biết (unseen data). Một mạng nơ-ron là một nhóm các nút nối với nhau, mô phỏng mạng nơ-ron thần kinh của não người. Mạng nơ-ron nhân tạo được thể hiện thông qua ba thành phần cơ bản: mô hình của nơ ron, cấu trúc và sự liên kết giữa các nơ ron. Trong nhiều trường hợp, mạng nơ-ron nhân tạo là một hệ thống thích ứng, tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoài hay bên trong chạy qua mạng trong quá trình học. Hình 12 Cấu trúc mạng nơtron nhân tạo Kiến trúc chung của một ANN gồm 3 thành phần đó là Input Layer, Hidden Layer và Output Layer Trong đó, lớp ẩn (Hidden Layer) gồm các nơ-ron, nhận dữ liệu input từ các nơ-ron ở lớp (Layer) trước đó và chuyển đổi các input này cho các lớp xử lý tiếp theo. Trong một mạng ANN có thể có nhiều Hidden Layer. Lợi thế lớn nhất của các mạng ANN là khả năng được sử dụng như một cơ chế xấp xỉ hàm tùy ý mà “học” được từ các dữ liệu quan sát. Tuy nhiên, sử dụng chúng Trang 12 Tải bản FULL (47 trang): https://bit.ly/3vBgyCM Dự phòng: fb.com/TaiHo123doc.net
- 23. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng không đơn giản như vậy, một số các đặc tính và kinh nghiệm khi thiết kế một mạng nơ-ron ANN. Phương pháp này là tính toán tỷ lệ chính xác dữ liệu đầu ra (output) từ dữ liệu đầu vào (input) bằng cách tính toán các trọng số cho mỗi kết nối (connection) từ các lần lặp lại trong khi “huấn luyện” dữ liệu cho Chatbot. Mỗi bước “huấn luyện” dữ liệu cho Chatbot sẽ sửa đổi các trọng số dẫn đến dữ liệu output được xuất ra với độ chính xác cao. Chọn mô hình: Điều này phụ thuộc vào cách trình bày dữ liệu và các ứng dụng. Mô hình quá phức tạp có xu hướng dẫn đến những thách thức trong quá trình học. Cấu trúc và sự liên kết giữa các nơ-ron Thuật toán học: Có hai vấn đề cần học đối với mỗi mạng ANN, đó là học tham số của mô hình (parameter learning) và học cấu trúc (structure learning). Học tham số là thay đổi trọng số của các liên kết giữa các nơ-ron trong một mạng, còn học cấu trúc là việc điều chỉnh cấu trúc mạng bằng việc thay đổi số lớp ẩn, số nơ-ron mỗi lớp và cách liên kết giữa chúng. Hai vấn đề này có thể được thực hiện đồng thời hoặc tách biệt. Nếu các mô hình, hàm chi phí và thuật toán học được lựa chọn một cách thích hợp, thì mạng ANN sẽ cho kết quả có thể vô cùng mạnh mẽ và hiệu quả. Hình 13 Quá trình xử lý thông tin của mạng nơ ron nhân tạo Inputs: Mỗi Input tương ứng với 1 đặc trưng của dữ liệu. Ví dụ như trong ứng dụng của ngân hàng xem xét có chấp nhận cho khách hàng vay tiền hay không thì mỗi input là một thuộc tính của khách hàng như thu nhập, nghề nghiệp, tuổi, số con,... Output: Kết quả của một ANN là một giải pháp cho một vấn đề, ví dụ như với bài toán xem xét chấp nhận cho khách hàng vay tiền hay không thì output là yes hoặc no. Connection Weights (Trọng số liên kết): Đây là thành phần rất quan trọng của một ANN, nó thể hiện mức độ quan trọng, độ mạnh của dữ liệu đầu vào đối với quá Trang 13 Tải bản FULL (47 trang): https://bit.ly/3vBgyCM Dự phòng: fb.com/TaiHo123doc.net
- 24. Đại học Côngnghệ thông tin và Truyền thông Việt Hàn – Đại học Đà Nẵng trình xử lý thông tin chuyển đổi dữ liệu từ layer này sang layer khác. Quá trình học của ANN thực ra là quá trình điều chỉnh các trọng số Weight của các dữ liệu đầu vào để có được kết quả mong muốn. Summation Function (Hàm tổng): Tính tổng trọng số của tất cả các input được đưa vào mỗi nơ-ron. Hàm tổng của một nơ-ron đối với n input được tính theo công thức sau: 1 n i i i Y X W � Transfer Function (Hàm chuyển đổi): Hàm tổng của một nơ-ron cho biết khả năng kích hoạt của nơ-ron đó còn gọi là kích hoạt bên trong. Các nơ-ron này có thể sinh ra một output hoặc không trong mạng ANN, nói cách khác rằng có thể output của một nơ-ron có thể được chuyển đến layer tiếp theo trong mạng nơ-ron hoặc không. Mối quan hệ giữa hàm tổng và kết quả output được thể hiện bằng hàm chuyển đổi. Việc lựa chọn hàm chuyển đổi có tác động lớn đến kết quả đầu ra của mạng ANN. Hàm chuyển đổi phi tuyến được sử dụng phổ biến trong mạng ANN là sigmoid hoặc tanh. 1 ( ) ( ) 1 s f s s e @ tanh( ) s s s s e e s e e Trong đó, hàm tanh là phiên bản thay đổi tỉ lệ của sigmoid , tức là khoảng giá trị đầu ra của hàm chuyển đổi thuộc khoảng [-1, 1] thay vì [0,1] của Sigmoid nên chúng còn gọi là hàm chuẩn hóa (Normalized Function). Kết quả xử lý tại các nơ-ron (Output) đôi khi rất lớn, vì vậy hàm chuyển đổi được sử dụng để xử lý output này trước khi chuyển đến layer tiếp theo. Đôi khi thay vì sử dụng Transfer Function người ta sử dụng giá trị ngưỡng (Threshold value) để kiểm soát các output của các nơ-ron tại một layer nào đó trước khi chuyển các output này đến các layer tiếp theo. Nếu output của một nơ-ron nào đó nhỏ hơn Threshold thì nó sẽ không được chuyển đến layer tiếp theo. Mạng nơ-ron của chúng ta dự đoán dựa trên lan truyền thẳng (forward propagation) là các phép nhân ma trận cùng với activation function để thu được kết quả đầu ra. Nếu input x là vector 2 chiều thì ta có thể tính kết quả dự đoán y^ bằng công thức: z1 = xW1 + b Trang 14 8090432