Đang tải... (xem toàn văn)
Đề tài được tiến hành với mục tiêu nhằm nghiên cứu và xây dựng mô hình trả lời tự động trên Internet cho Tiếng Việt để phục vụ riêng cho nghiệp vụ bán hàng. Mô hình cho phép học hỏi từ bộ dữ liệu sẵn có của doanh nghiệp mà không mất công sức xây dựng các mẫu hỏi đáp thủ công.
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN VĂN QUYỀN XÂY DỰNG MƠ HÌNH BÁN HÀNG TỰ ĐỘNG TRÊN INTERNET Ngành: Công nghệ thông tin Chun ngành: Hệ thống thơng tin Mã số: 14025060 TĨM TẮT LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI - 2016 MỤC LỤC MỤC LỤC DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT TÓM TẮT NỘI DUNG GIỚI THIỆU CHUNG CHƯƠNG 1: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG 1.1 Các mơ hình trả lời bán hàng tiêu biểu 1.2 Các vấn đề cần giải cải tiến CHƯƠNG 2: MẠNG NƠ-RON VÀ PHƯƠNG PHÁP SEQ2SEQ 2.1 Lý thuyết mạng nơ-ron 2.2 Phương pháp học chuỗi Seq2Seq 12 CHƯƠNG 3: GIẢI PHÁP VÀ XÂY DỰNG MÔ HÌNH ĐỀ XUẤT ISALES 16 3.1 Phương án xây dựng mơ hình đề xuất 16 3.2 Nhiệm vụ cụ thể pha 17 3.2.1 Pha thu thập liệu 17 3.2.2 Pha tiền xử lý liệu 18 3.2.3 Pha phân mảnh liệu 19 3.2.4 Pha huấn luyện liệu 20 3.2.5 Pha sinh câu trả lời 22 CHƯƠNG 4: THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ 24 4.1 Phát biểu usecase 24 4.2 Thử nghiệm iSales 24 4.3 Đánh giá kết 27 KẾT LUẬN 29 TÀI LIỆU THAM KHẢO 30 DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT Từ viết tắt Chatbot Page Post Comment NLP ANN RNN LSTM Từ chuẩn Chatbot Page Post Comment Natural Languague Processing Artificial Nerual Network Recurrent Neural Network Long short-term memory Seq2Seq sequence to sequence Chatbot Chatbot Diễn giải Hệ thống trả lời tự động Khái niệm trang thông tin facebook Khái niệm viết facebook Khái niệm bình luận facebook Xử lý ngôn ngữ tự nhiên Mạng nơ ron nhân tạo Mạng nơ ron tái phát Mạng cải tiến để giải vấn đề phụ thuộc dài Phương pháp học chuỗi liên tiếp DeepLearning Hệ thống trả lời tự động TÓM TẮT NỘI DUNG Trong năm gần đây, thương mại điện tử bùng nổ mạnh, kèm theo nhu cầu giải đáp mua hàng tăng cao Điều dẫn tới cần có mơ hình bán hàng, hỗ trợ người bán đưa câu trả lời tự động, giảm thiểu công sức tư vấn tăng khả tương tác người dùng website thương mại điện tử Bên cạnh đó, trí tuệ nhân tạo ngày phát triển, dần vào lĩnh vực ứng dụng đời sống hàng ngày Với mục đích nghiên cứu nhánh công nghệ học máy, đề xuất phép nghiên cứu đề tài “xây dựng mơ hình bán hàng tự động Internet” Hiện tại, mơ hình iSales thiết kế dựa mạng nơ-ron, kết hợp phương pháp học chuỗi liên tiếp seq2seq, có khả hiểu Tiếng Việt, tự học từ đoạn đối thoại thu thập mạng cung cấp người bán hàng sinh câu trả lời tự động Mặc dù nghiên cứu chưa thể đáp ứng cho sản phẩm thương mại iSales có số kết định, đặc biệt ý nghĩa việc áp dụng phương pháp học máy GIỚI THIỆU CHUNG Mạng xã hội ngày phát triển, người bán hàng trực tiếp thông qua internet, nhiên lúc đủ nguồn nhân lực để sẵn sàng kết nối, tư vấn với khách hàng Do đó, cần có hệ thống trả lời bán hàng tự động Các hệ thống bán hàng tự động dừng lại mức độ trả lời câu hỏi đơn giản có sẵn, việc hỗ trợ Tiếng Việt khơng đầy đủ, khó khăn việc cải tiến Những bất cập làm cho việc vận hàng sử dụng hệ thống khơng mang lại nhiều lợi ích thiết thực Dựa vào mơ hình nơ-ron phương pháp học chuỗi liên tiếp Seq2seq, nghiên cứu xây dựng mơ hình trả lời tự động Internet cho Tiếng Việt để phục vụ riêng cho nghiệp vụ bán hàng Mơ hình cho phép học hỏi từ liệu sẵn có doanh nghiệp mà khơng công sức xây dựng mẫu hỏi đáp thủ công Cấu trúc luận văn tổ chức sau: - Chương 1: Tổng quan bán hàng tự động Chương 2: Mạng nơ-ron phương pháp seq2seq Chương 3: Giải pháp xây dựng mơ hình đề xuất iSales Chương 4: Thử nghiệm, đánh giá kết Cuối cùng, xin đưa Kết luận trình nghiên cứu xây dựng “mơ hình bán hàng tự động Internet” CHƯƠNG 1: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG 1.1 Các mơ hình trả lời bán hàng tiêu biểu “Mơ hình trả lời bán hàng”, khái niệm có lẽ khơng Tuy nhiên, thời điểm khái niệm đề cập nhiều có lẽ bắt đầu ngành thương mại điện tử phát triển vượt bậc Sự xuất Amazon, Skype, Facebook số lượng lớn website bán hàng trực tuyến kéo theo nhu cầu tương tác người bán người mua nâng lên rõ rệt Trong trình nghiên cứu, tơi tham khảo hai mơ hình trả lời bán hàng tiếng: Messenger Facebook Chatbot Skype Microsoft Về bản, hai mô hình “forward” thơng tin bắt buộc có xuất người bán hàng vai trò tư vấn Mặc dù “mơ hình bán hàng tự động” Skype Microsoft tiến “thơng minh” so với Messenger Facebook, có hạn chế việc cần nhập sẵn số mẫu thơng tin cố định để chatbot truy xuất trả lời thông qua thông tin Việc làm hạn chế khả giao tiếp chatbot dừng lại số câu khơng thể có đoạn hội thoại dài giống giao tiếp hai người Việt Nam bắt đầu phát triển mạnh thương mại điện tử vài năm trở lại đây, theo xu thế giới Với lợi không phí, sử dụng mơi trường internet dù đâu, mơ hình dần chiếm cảm tình người sử dụng, giúp cho việc tương tác đôi bên thuận lợi uhChat, subiz, hai sản phẩm Việt Nam chưa “tự động” thật sự, “tự động” mức độ kết nối với người dùng đưa số câu chào hỏi theo mẫu So sánh vớ nhau, mô hình subiz phát triển theo luồng tương tác tương tự uhChat Nhưng điểm khác biệt, subiz cho phép người dùng đặt “thư viện câu trả lời”, với mẫu câu trả lời có sẵn Thư viện xây dựng người bán hàng Với câu hỏi có nội dung tương tự nhau, người bán hàng lựa chọn câu trả lời thư viện để trả lời mà không cần gõ lại thông tin nhiều lần Tóm lại, “mơ hình trả lời bán hàng” giới Việt Nam, đa số dừng lại mức ứng dụng chat, forwarder phiên giao tiếp bán hàng, yêu cầu có mặt xử lý người bán hàng Chatbot Skype có tiến hơn, thay người bán hàng mức độ đó, nhiên dừng lại mẫu hội thoại ngắn có nội dung ngắn 1.2 Các vấn đề cần giải cải tiến Trong q trình tìm hiểu mơ hình trả lời bán hàng trên, dựa tính hỗ trợ hạn chế mơ hình, ta tạm phân loại mơ hình làm nhóm Nhóm gọi nhóm “mơ hình đơn giản” Tiêu biểu cho mơ hình Messenger Facebook, uhChat….Ở mơ hình này, vai trò định đưa câu trả lời người bán hàng Người bán hàng phải tiếp nhận câu hỏi, phân tích đưa câu trả lời phụ thuộc vào kinh nghiệm Họ cần online, theo dõi hình, yêu cầu tư vấn Ở đây, ứng dụng chat tích hợp vào mang tính chất forwarder Điểm mạnh mơ hình dễ sử dụng, đơn giản việc tích hợp website thương mại đơn giản thường hỗ trợ nhiều tính Tuy nhiên, điểm yếu mơ hình khơng tự động, ta khơng hướng đến nhóm Nhóm thứ nhóm “Mơ hình bán tự động” gồm subiz mơ hình tương tự Với số mẫu liệu cài sẵn nhập từ người bán hàng, lưu trữ vào sở liệu Nếu có câu hỏi, ứng dụng chat phân tích tìm kiếm tập mẫu, có sử dụng làm câu trả lời, khơng tìm thấy trả lại câu mặc định Khi đó, xuất người bán hàng cần thiết để đưa câu trả lời hợp lý Các thuật tốn sử dụng cho mơ hình thường thuật tốn mapping Ưu điểm lớn mơ hình trả lời câu hỏi cách hợp lý tìm thấy câu trả lời tập mẫu Tuy nhiên, mơ hình mang tính chất “học vẹt” Nhóm thứ 3, nhóm có trí thơng minh hẳn nhóm trước Nhóm “mơ hình tự động” chatbotSkype Ở mơ hình tự động này, người bán hàng không cần tham gia phiên tư vấn trả lời, chatbot tự động phân tích đưa câu trả lời Điều bắt buộc mơ hình cần có xuất AI (Artificial intelligence), cho phép “hiểu” ngữ cảnh câu hỏi đưa câu trả lời sau phân tích liệu đầu vào liệu mẫu Trong nhóm nêu trên, mơ hình tự động mơ hình mà nghiên cứu hướng đến Tuy nhiên, dừng lại mức độ chatbot Skype có nhiều nhược điểm vấn đề cần cải tiến Thứ nhất, vấn đề phát sinh câu hỏi nằm ngồi “tập liệu mẫu”, mơ hình khơng trả lời, trả lời câu mẫu định nghĩa sẵn cho trường hợp Thứ hai, vấn đề xây dựng mơ hình hiểu ngơn ngữ tiếng Việt, mơ hình chatbot Skype hồn tồn khơng có khả Thứ ba, vấn đề câu hỏi dài phức tạp, mơ hình gặp vấn đề Ở chatbot Skype dừng lại mơ hình đưa gợi ý ngắn gọn cho người mua hàng lựa chọn, đoạn đối thoại sinh thường ngắn Thứ tư, vấn đề tái sử dụng liệu tư vấn: liệu tư vấn người mua hàng người bán hàng hầu hết mơ hình nêu lưu trữ lại Tuy nhiên đáp ứng cho mục tiêu thống kê báo cáo phí phạm, tập liệu lớn chuẩn, tái sử dụng toán Machine Learning, Big Data Cuối vấn đề “tự động”: vấn đề mấu chốt luận văn, không dừng lại mức độ tự động trả lời với câu hỏi – câu trả lời có sẵn sở liệu, mà mơ hình cần tự động q trình “phân tích” câu hỏi, q trình sinh câu trả lời nằm ngồi liệu có sẵn Nói cách khác, mơ hình “suy nghĩ” “tư vấn” người, thay xuất người bán hàng pha tư vấn Rõ ràng, cần thay đổi phương pháp sử dụng Machine Learning mơ hình tự học lượng lớn liệu từ người dùng, tạo nên “tri thức” ứng dụng q trình phân tích sinh câu trả lời, vấn đề nêu giải CHƯƠNG 2: MẠNG NƠ-RON VÀ PHƯƠNG PHÁP SEQ2SEQ 2.1 Lý thuyết mạng nơ-ron Mạng nơ-ron nhân tạo (Artificial Neural Network – ANN) hay thường gọi ngắn gọn mạng nơ-ron mơ hình xử lý thơng tin mô dựa hoạt động hệ thống thần kinh sinh vật, bao gồm số lượng lớn nơ-ron gắn kết để xử lý thông tin ANN giới thiệu năm 1943 nhà thần kinh học Warren McCulloch nhà logic học Walter Pits, hoạt động giống não người, học kinh nghiệm (thông qua việc huấn luyện), có khả lưu giữ tri thức sử dụng tri thức việc dự đốn liệu chưa biết (unseen data) [5] Processing Elements (PE) ANN gọi nơ-ron, nhận liệu vào (inputs) xử lý chúng cho kết (output) Kết xử lý nơ-ron làm input cho nơ-ron khác 17 học Sử dụng mơ hình sinh câu trả lời hiển thị kết Dựa nghiệp vụ pha, sử dụng công cụ sau để thực xây dựng mơ hình đề xuất: - - NLTK: Công cụ xử lý ngôn ngữ tự nhiên mã nguồn mở VNTK: Vietnamese languague toolkit, xây dựng phát triển để xử lý vấn đề tiếng Việt Dongdu: Thư viện hỗ trợ tách từ tiếng Việt [13], tác giả Lưu Tuấn Anh Tensorflow: Framework machine learning Python: Ngôn ngữ lập trình để xây dựng mơ hình đối thoại tiếng Việt 3.2 Nhiệm vụ cụ thể pha 3.2.1 Pha thu thập liệu Sử dụng graphAPI cần mã truy cập (user access token) Người dùng muốn lấy liệu cần phải đăng ký trở thành nhà phát triển, sử dụng graphAPI, Facebook cấp mã truy cập có thời hạn Sau người dùng khai báo mã truy cập ứng dụng, liệu thu thập thông qua ứng dụng Từ việc trích xuất lưu trữ thực cách đơn giản 18 Bắt đầu pha thu thập liệu Mã truy cập xác ? Đúng GraphAPI thu thập liệu page Sai/Hết hạn JsonObject Bóc tách liệu (lấy nội dung tư vấn) Báo lỗi Cặp câu hỏi-đáp Lưu trữ kết thu thập liệu vào file (Collection.txt) Kết thúc pha thu thập liệu Kết mong muốn pha thu thập liệu tập tin chứa cặp câu hỏi đáp theo thứ tự tư vấn Page 3.2.2 Pha tiền xử lý liệu Dữ liệu thu thập trích xuất từ Page website bán hàng đáp ứng yêu cầu để sử dụng huấn luyện mơ hình bán hàng tự động Tuy nhiên, với trạng mạng, comments post khơng có ý nghĩa, bị lặp từ Việc tiền xử lý liệu chọn lọc thuộc tính phù hợp cho mơ hình (Filtering Attributes) làm (clean data) liệu thô thu thập sau bước thu thập Nghiệp vụ pha gồm có: 19 Bắt đầu pha tiền xử lý liệu Tìm kiếm file collection.txt ? Tìm thấy Đọc liệu theo câu Khơng tìm thấy Kết thúc file ? Khơng hợp lý (bất thường) Hỏi trùng đáp Ký tự trắng/câu vô nghĩa Sai Câu hợp lý ? (Dữ liệu không bất thường) Báo lỗi Đúng Hợp lý Lưu trữ câu vào file (PreProcess.txt) Kết thúc pha tiền xử lý liệu Sau pha này, kết thu file liệu xử lý, tất cặp câu tư vấn khơng có ý nghĩa, bị trùng câu hỏi câu trả lời bị xóa 3.2.3 Pha phân mảnh liệu Một thử thách mơ hình bán hàng tự động qua mạng Việt Nam thử thách ngôn ngữ Tiếng Việt phức tạp tiếng Anh nhiều khía cạnh Ở tiếng Anh, định nghĩa từ kết hợp từ đơn giản, với Tiếng Việt lại khác Ví dụ câu chào đơn giản: “Welcome to HaNoi” “Chào mừng tới Hà Nội”, ý nghĩa phương pháp xử lý hai câu khác 20 Bắt đầu pha phân mảnh liệu Tìm kiếm file preprocess.txt ? Tìm thấy Đọc liệu theo dòng Khơng tìm thấy Kết thúc file ? Sai Phân mảnh từ câu Báo lỗi Đúng Lưu trữ kết phân mảnh (Tokenizer.txt) Kết thúc pha phân mảnh liệu Kết nhận file segment chứa tập cặp hỏiđáp tách từ theo ngôn ngữ Tiếng Việt Tuy kết > 90%, rõ ràng sử dụng làm input tốt cho pha huấn luyện liệu 3.2.4 Pha huấn luyện liệu Pha huấn luyện liệu pha mấu chốt, quan trọng xây dựng mơ hình bán hàng tự động Sau bước thu thập liệu, pha tiền xử lý phân mảnh liệu mang lại tác dụng làm cho kết mơ hình tốt hơn, pha huấn luyện pha thiếu 21 Bắt đầu pha huấn luyện liệu Tìm kiếm file Tokenizer.txt ? Tìm thấy Phân tích tham số đầu vào: độ dài câu hỏi/trả lời (maxLength) tham số lưu trữ kết số lần huấn luyện liệu (numEpoch) Khơng tìm thấy Đọc liệu file huấn luyện Lọc bỏ câu có độ dài > tham số maxLength Phân tách word2Id Khởi tạo dataset Lưu trữ dataset Báo lỗi Số lần huấn luyện > numEpoch Sai Đúng Huấn luyện mơ hình Lưu trữ kết huấn luyện (model.ckpt) Kết thúc pha huấn luyện liệu Output pha dataset tạo từ liệu thu thập mơ hình iSales qua huấn luyện Mơ hình giải vấn đề xây dựng mơ hình hiểu ngơn ngữ tiếng Việt Ở hàm extractConversation, nltk sử dụng để tách từ thành mã (word2id) Các từ tách thành mã không phân biệt ngôn ngữ tiếng Anh hay tiếng Việt Hơn nữa, pha phân mảnh liệu đảm bảo từ tách hoàn toàn dễ hiểu đứng 22 3.2.5 Pha sinh câu trả lời Dựa mơ hình xây dựng qua bước huấn luyện liệu, ứng dụng mơ hình liệu để dùng cho việc sinh câu trả lời tư vấn cho câu hỏi đầu vào Khi câu hỏi đặt ra, hệ thống phân tách câu hỏi từ, mapping theo dataset tạo pha trước Từ sử dụng Encoder Decoder để sinh câu trả lời phù hợp với ngữ cảnh Bắt đầu pha sinh câu trả lời Tìm kiếm file ? model.ckpt dataset Tìm thấy Khơng tìm thấy Encoder câu hỏi đầu vào model Decoder câu đáp án Báo lỗi Kết thúc pha sinh câu trả lời Output pha câu trả lời tạo từ mơ hình liệu qua huấn luyện Rõ ràng, pha này, LSTM giúp giải vấn đề phát sinh câu hỏi nằm “tập liệu mẫu”: việc huấn luyện mơ hình với phương pháp LSTM cho phép mơ hình có khả hiểu ngữ cảnh, sinh câu trả lời dựa tri thức học Một vấn đề khác xử lý câu hỏi dài phức tạp, mạng LSTM giải toán trí 23 nhớ dài hạn Bên cạnh đó, huấn luyện mơ hình Tensorflow cho phép tham số đầu vào độ dài câu hỏi/trả lời học Đó lời giải thích đáng cho vấn đề iSales giải pháp đề xuất để giải tốn mơ hình bán hàng tự động Mơ hình có tổng thể pha, xây dựng dựa phương pháp học chuỗi seq2seq mạng nơron Trên lý thuyết, iSales đáp ứng yêu cầu ban đầu, có khả tự học liệu người dùng, tự sinh câu trả lời phạm vi thương mại điện tử mà không gặp khó khăn với câu hỏi dài Và để có đánh giá khách quan nhất, tơi thử nghiệm iSales với liệu thực tế mạng, với danh sách câu hỏi chương 24 CHƯƠNG 4: THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ 4.1 Phát biểu usecase Để đánh giá khách quan cho mơ hình, cần có usecase áp dụng cụ thể Sau q trình khảo sát, tìm hiểu, tơi xin đưa quy trình nghiệp vụ việc bán hàng tự động Internet sau: Người mua hàng Mô hình bán hàng tự động iSales Bắt đầu (Đăng nhập website) Tự huấn luyện tạo mơ hình Đặt câu hỏi Câu hỏi Người bán hàng Kho liệu người dùng Phân tích Sinh câu trả lời Chuyển liệu tới kho cho mơ hình học tiếp Kết thúc phiên tư vấn Thực dựa kết tư vấn Câu trả lời Không đồng ý Quyết định dừng tư vấn ? (Mua hàng/thoát) Đồng ý Kết thúc Phần quan trọng quy trình hệ thống tự động phân tích, đưa câu trả lời phù hợp mà khơng cần đến người bán hàng 4.2 Thử nghiệm iSales Thử nghiệm mơ hình iSales máy tính cá nhân với pha: thu thập liệu, tiền xử lý, phân mảnh, huấn luyện liệu sinh câu trả lời Usecase đặt phần trước yêu cầu thực đầy đủ cần 10 câu hỏi Tuy nhiên, khả trả lời câu hỏi iSales đa phần ứng dụng trí tuệ nhân tạo khác, bị ảnh hưởng liệu huấn luyện, thời 25 gian huấn luyện thuật toán sử dụng Để có kết chi tiết hơn, tơi áp dụng usecase với kết huấn luyện khác thời gian Với mong muốn đảm bảo lượng liệu tạm chấp nhận cho trình huấn luyện, thực pha thu thập liệu hệ điều hành window với danh sách 10 page bán hàng sau Tên page Mô tả cuahangcongnghecom Trang bán hàng công nghệ laroseshop1990 Trang bán hàng quần áo Hilheoshop96 Trang bán hàng quần áo 92wear Trang bán hàng quần áo banhangtructuyen360 Trang bán hàng quần áo ChilloutVillage.vn Trang bán hàng quần áo ChoNinhHiep.net Trang bán hàng quần áo T.Shirt.Pro Trang bán hàng quần áo adoredressdesign Trang bán hàng quần áo cloud.cuckoo.shop Trang bán hàng quần áo Kết pha file collection.txt với số lượng dòng comment thu 5683 dòng Nhận xét chung liệu xấu, có dòng trống, có comment khơng có ý nghĩa, xuất dòng lặp liền kề Thực tiếp pha tiền xử lý liệu, kết thu file preprocess.txt với 5148 dòng liệu tạm ổn, khơng dòng trống, dòng lặp bị xóa, comment khơng có ý nghĩa bị loại bỏ Output pha phân mảnh liệu tokenizer.txt, với số dòng liệu khơng thay đổi, nhiên liệu khơng dòng trống, dòng lặp bị xóa, comment khơng có ý nghĩa bị loại bỏ, từ tách theo chuẩn Tiếng Việt Mặc dù có số câu tách chưa chuẩn “Dạ giá 26 850k_ạ”…nhưng đánh giá sơ kết áp dụng cho huấn luyện liệu Kết huấn luyện liệt kê bảng sau Rõ ràng, khối liệu nhau, tăng tham số huấn luyện lên kéo theo thời gian huấn luyện tăng lên Thực sinh câu trả lời với danh sách gồm 15 câu hỏi usecase mua áo sơ mi, gồm câu hỏi liên quan đến màu sắc, cỡ, giá áo, yêu cầu thông tin ship địa phương Các câu hỏi đặt cách ngẫu nhiên Kết sinh câu trả lời không tốt Với trường hợp test có maxLength nhỏ, iSales không trả lời Những câu khác trả lời câu trả lời không hợp lý Kết tốt thu thập được: Human: xin chào iSales (case03): đẹp Human: muốn mua áo sơ mi iSales (case03) : ok a Human: có màu trắng khơng iSales (case03): láng ah Human: màu đen khơng iSales (case03): ok Human: màu khác khơng iSales (case03): ok Human: cỡ áo l khơng iSales (case03): b Human: cỡ áo s hết bạn iSales (case03): hiccc Human: áo trắng bn iSales (case03): mũ 80k Human: giá màu đen iSales (case03): sỉ Human: giá màu trắng 27 iSales (case03): 40 Human: tự phải mua ko iSales (case03): 40 Human: hàng iSales (case03): yeah Human: ship tỉnh khác thêm khoảng bạn iSales (case03): Human: ship vĩnh phúc hết iSales (case03): giá 550k Human: chuyển qua bình xuyên, vĩnh phúc bạn nha iSales (case03): không 4.3 Đánh giá kết Sau thực thử nghiệm mơ hình iSales usecase mua áo sơ mi, kết thu đặt câu hỏi cho iSales tỷ lệ đáp án chấp nhận thấp < 10% Tuy nhiên, iSales giải số vấn đề: - - - - Vấn đề phát sinh câu hỏi nằm “tập liệu mẫu”, phần câu hỏi đặt hồn tồn mang tính chất khách quan Tuy nhiên thấy, iSales tự đưa câu trả lời với tất câu hỏi phù hợp Vấn đề xây dựng mô hình hiểu ngơn ngữ tiếng Việt, iSales hiểu câu hỏi tiếng Việt, trả lời tiếng Việt Vấn đề câu hỏi dài phức tạp, tùy thuộc vào tham số độ dài huấn luyện, iSales thể trường hợp Huấn luyện với tham số độ dài cao, độ dài câu mà iSales có khả đưa câu trả lời Vấn đề “tự động”, iSales làm điều này, đáp án đưa chưa tốt, cần cải thiện nhiều 28 Rõ ràng, với kết tại, iSales chưa thể trở thành ứng dụng thị trường Luận văn thành công phương diện phương án xây dựng phương pháp mới, chưa đảm bảo kết tốt Nếu so sánh với chatbot Skype mắt người dùng, chatbot Skype tốt hơn, hồn thành phiên giao dịch người mua hàng làm theo dẫn Tuy nhiên, iSales thử thách hay lĩnh vực ứng dụng mạng nơ-ron nói riêng ngành vực trí tuệ nhân tạo nói chung 29 KẾT LUẬN Luận văn tập trung tìm hiểu thực trạng mơ hình bán hàng giới Việt Nam, đưa nhược điểm, thành phần cần cải tiến, từ đề xuất giải pháp, xây dựng mơ hình bán hàng iSales có tính tự động, khơng phụ thuộc vào người bán hàng trình tư vấn dịch vụ Mơ hình iSales tại, chưa thể đưa thành ứng dụng thương mại Tuy đáp ứng yêu cầu có khả hiểu Tiếng Việt sinh câu trả lời tự động với độ dài câu hỏi không giới hạn, kết tư vấn iSales đưa ngơ nghê, khó hiểu Hướng nghiên cứu luận văn tập trung vào việc cải thiện chất lượng câu trả lời iSales - - Mở rộng khả thu thập tiền xử lý liệu làm cho liệu thu thập nhiều hơn, Phương án đưa sử dụng BigData để quản lý liệu cho phép tìm kiếm, lọc liệu nhanh [12], lựa chọn nguồn liệu liệu sau tư vấn lưu trữ doanh nghiệp Cải tiến pha huấn luyện liệu để giảm thời gian huấn luyện tăng hiệu đầu mơ hình Đồng thời, tơi muốn phối hợp nghiên cứu triển khai ứng dụng với đơn vị bên ngoài, đầu tư mở rộng phần cứng để giảm thời gian huấn luyện Những hướng phát triển nhằm hướng tới mục đích chung phát triển hệ thống iSales có tầm Từ đóng góp, phát triển trí tuệ nhân tạo giới nói chung Việt Nam nói riêng 30 TÀI LIỆU THAM KHẢO [1] Facebook Messenger, September 2016, “Facebook Messenger” [2] Microsoft, 31 Mar 2016, “Build 2016: Microsoft Skype bots preview announced” [3] Martín Abadi, 14 Mar 2016, “TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems” [4] Google Blog, 09 November 2015, “TensorFlow - Google’s latest machine learning system, open sourced for everyone” [5] S.M Al-Alawi, H.A Al-Hinai, May–August 1998, “An ANN-based approach for predicting global radiation in locations with no direct measurement instrumentation” [6] Ondřej Dušek, Filip Jurčíček, 17 Jun 2016, “Sequence-toSequence Generation for Spoken Dialogue via Deep Syntax Trees and Strings” [7] Razvan Pascanu, Tomas Mikolov, Yoshua Bengio, May 2013, “On the difficulty of training recurrent neural networks” [8] James Ryan, September 2016, “Translating Player Dialogue into Meaning Representations Using LSTMs” [9] Jay Parikh, August 2012, “Facebook processes more than 500 TB of data daily” [10] Facebook, August 2016, “The Graph API” [11] Lưu Tuấn Anh, Yamamoto Kazuhide, 16 Feb 2013, “Pointwise for Vietnamese Word Segmentation” 31 [12] Xue-Wen Chen, Xiaotong Lin, 16 May 2014, “Big Data Deep Learning: Challenges and Perspectives” [13] Francois Chaubard, Rohit Mundra, Richard Socher, Spring 2015, “CS 224D: Deep Learning for NLP” [14] Sepp Hochreiter; Jürgen Schmidhuber, 1997, "Long shortterm memory" [15] Feigenbaum, Edward A 2003, “Some challenges and grand challenges for computational intelligence” ... pháp xây dựng mơ hình đề xuất iSales Chương 4: Thử nghiệm, đánh giá kết Cuối cùng, xin đưa Kết luận q trình nghiên cứu xây dựng “mơ hình bán hàng tự động Internet 5 CHƯƠNG 1: TỔNG QUAN BÁN HÀNG... Dựa kiến thức trên, chương đưa giải pháp phương án thực 16 CHƯƠNG 3: GIẢI PHÁP VÀ XÂY DỰNG MƠ HÌNH ĐỀ XUẤT ISALES 3.1 Phương án xây dựng mơ hình đề xuất Mơ hình bán hàng tự động xây dựng cần qua... nghiệp vụ bán hàng Mô hình cho phép học hỏi từ liệu sẵn có doanh nghiệp mà khơng cơng sức xây dựng mẫu hỏi đáp thủ công Cấu trúc luận văn tổ chức sau: - Chương 1: Tổng quan bán hàng tự động Chương