Xây dựng hệ thống chatbot hỗ trợ quản lý bán hàng nền tảng mã nguồn mở rasa,khóa luận tốt nghiệp

HỌC VIỆN NGÂN HÀNG KHOA HỆ THỐNG THÔNG TIN QUẢN LÝ KHÓA LUẬN TỐT NGHIỆP ĐỀ TÀI: XÂY DỰNG HỆ THỐNG CHATBOT HỖ TRỢ QUẢN LÝ BÁN HÀNG NỀN TẢNG MÃ NGUỒN MỞ RASA Giáo viên hướng dẫn : TS Đinh Trọng Hiếu Sinh viên thực : Nguyễn Thị Hường Mã sinh viên : 19A4040077 Lớp Khoa : K19HTTTB : Hệ thống thông tin quản lý HÀ NỘI - 2020 HỌC VIỆN NGÂN HÀNG KHOA HỆ THỐNG THÔNG TIN QUẢN LÝ KHÓA LUẬN TỐT NGHIỆP ĐỀ TÀI: XÂY DỰNG HỆ THỐNG CHATBOT HỖ TRỢ QUẢN LÝ BÁN HÀNG TRÊN NỀN TẢNG MÃ NGUỒN MỞ RASA Giáo viên hướngdẫn Sinh viên thực Mã sinh viên Lớp Khoa : : : : : TS Đinh Trọng Hiếu Nguyễn Thị Hường 19A4040077 K19HTTTB Hệ thống thông tin quản lý HÀ NỘI - 2020 NHẬN XÉT CỦA GIÁO VIÊN LỜI CAM ĐOAN Tôi xin cam đoan kết đạt báo cáo sản phẩm nghiên cứu, tìm hiểu riêng hướng dẫn TS Đinh Trọng Hiếu Các thơng tin, kết khố luận trung thực, có xuất sứ rõ ràng Tơi xin hồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan SINH VIÊN THỰC HIỆN Hường Nguyễn Thị Hường ii LỜI CẢM ƠN Đầu tiên xin cảm ơn tới thầy cô trường Học viện Ngân Hàng tận tình giảng dạy truyền đạt kiến thức cho suốt năm học tập trường Tôi xin gửi lời cảm ơn tới thầy cô giáo môn khoa Hệ thống thông tin quản lý mang lại cho kiến thức bổ ích chuyên sâu trình học tập trường Đặc biệt, xin chân thành cảm ơn tới thầy giáo TS Đinh Trọng Hiếu tận tình giúp đỡ trực tiếp hướng dẫn suốt trình nghiên cứu hồn thiện khố luận Tôi xin gửi lời cảm ơn tới người thân, bạn bè động viên, chia sẻ giúp đỡ suốt thời gian thực khố luận Tơi xin chân thành cảm ơn! iii MỤC LỤC NHẬN XÉT CỦA GIÁO VIÊN .i LỜI CAM ĐOAN ii LỜI CẢM ƠN .iii MỤC LỤC iv DANH MỤC HÌNH VẼ .vi DANH MỤC TỪ VIẾT TẮT .viii LỜI MỞ ĐẦU CHƯƠNG 1: NỀN TẢNG LÝ THUYẾT 11 1.1 Tổng quan trí tuệ nhân tạo 11 1.1.1 Khái niệm 11 1.1.2 Quá trình hình thành phát triển 12 1.1.3 Một số ứng dụng trí tuệ nhân tạo 13 1.2 Chatbot 13 1.2.1 Giới thiệu chatbot 13 1.2.2 Cấu trúc thành phần hệ thống chatbot 14 1.2.3 Nguyên tắc hoạt động chatbot 15 1.3 Xử lý ngôn ngữ tự nhiên .18 1.3.1 Các mức phân tích NLP 18 1.3.2 Một số tốn xử lý ngơn ngữ 19 1.3.3 Một số ứng dụng xử lý ngôn ngữ 19 1.4 Vai trò Chatbot trải nghiệm khách hàng 20 1.5 Tóm tắt chương 25 CHƯƠNG 2: MỘT SỐ BÀI TOÁN THƯỜNG GẶP KHI PHÁT TRIỂN HỆ THỐNG CHATBOT 26 2.1 Bài toán xác định ý định người dùng 26 2.1.1 Thuật toán Bag-of-Words (BoW) 27 2.1.2 Thuật toán IT-IDF 29 2.1.3 Thuật toán học có giám sátMulti-Class SVM 32 2.2 Bài tốn trích xuất thơng tin 34 iv 2.2.1 Thuật toán CRFs 35 2.3 Bài toán quản lý hội thoại (DM) 36 2.3.1 Mô hình word-basedDST 37 2.3.2 Mơ hình Global-Locally Self-Attentive DST (GLAD) 38 2.4 Tóm tắt chương 39 CHƯƠNG 3: ỨNG DỤNG MÃ NGUỒN MỞ RASA XÂY DỰNG HỆ THỐNG CHATBOT HỖ TRỢ NGƯỜI DÙNG .41 3.1 Bài toán 41 3.2 Xây dựng chatbot hỗ trợ người dùng 42 3.3 Ứng dụng rasa xây dựng chatbot 44 3.3.1 Các bước xây dựng Chatbot tảng ứng dụng Rasa 44 3.3.2 Xây dựng liệu cho chatbot 45 a Xây dựng ý định 47 b Xây dựng entity (slot) 48 c Xây dựng câu trả lời cho bot 49 d Xây dựng khung kịch 51 3.4 Kết thực nghiệm 51 3.5 Phân tích đánh giá 52 KẾT LUẬN 54 TÀI LIỆU THAM KHẢO 55 v DANH MỤC HÌNH VẼ Hình 1: Hình 2: Hình 3: Hình 4: Hình 5: Hình 6: Hình 7: Hình 8: Hình 9: Hình 10: Hình 11: Hình 12: Hình 13: Hình 14: Hình 15: Hình 16: Hình 17: Hình 18: Hình 19: Hình 20: Hình 21: Hình 22: Hình 23: Hình 24: Hình 25: Hình 26: Hình 27: Hình 28: Hình 29: Hình 30: Hình 31: Hình 32: Hình 33: Các giai đoạn phát triển AI 12 Cấu trúc hệ thống chatbot 14 Chatbot giao tiếp với người dùng .15 Quy trình xử lý chatbot 16 Quy trình xử lý hệ thống chưa sửdụng phần mềm chatbot 17 Các giai đoạn hành trình trải nghiệm khách hàng 20 Các cách diễn đạt mục đích hỏi tên .26 Hệ thống phân lớp intent chatbot 27 Kết mơ hình Bag-of-Words chạy trênPython 29 Kết tính TF Python 30 Kết tính IDF Python 31 Kết tính TF-IDF Python 32 Mơ hình thuật tốn SVW hai chiều .33 Mơ hình đường thẳng tối ưu SVM 33 Mơ hình thuật tốn SVM khơng gian 34 Chức thành phần quản lý hội thoại 36 Mơ hình quản lý trạng thái định action hội thoại 36 Mơ hình word- based DST với mạng RNN 38 Mô hình Global-Locally Self-Attentive DST 39 Global-locally self-attentive encodermodul 39 Sơ đồ phát triển toán .42 Xây dựng hệ thống chatbot hỗ trợ người dùng 42 Các bước xử lý NLU .43 Các bước xây dựng chatbot rasa 44 Cấu hình cài đặt cho Rasa NLU .45 Cấu hình cài đặt cho Rasa Core .46 Các bước xây dựng chatbot 47 Xây dựng ý định người dùng 48 Danh sách entity 48 Danh sách slot 48 Các mẫu câu trả lời (template) cho bot .49 Mẫu câu trả lời mặc định bot không hiểu intent người dùng 49 Mẫu câu trả lời xây dựng cho bot .50 vi Từ viết tắt AI Hình 34: Custom action xử DANH lý slot MỤC tên sản TỪphẩm .50 VIẾT TẮT Hình 35: Khung kịch hỏi sản phẩm 51 Hình 36: Ket kiểm nghiệm 52 Từ tiếng anh Diễn giải Artificial Intelligence Trí tuệ nhân tạo Bag-of-Words Túi từ CRF Customer Experience Conditional Random Field Trải nghiệm khách hàng Mơ hình xác xuất trường điều kiện ngẫu nhiên DM Dialogue Manager Quản lý hội thoại Dialogue State Tracking Dual Intent & Entity Theo dõi trạng thái hội thoại Biến áp kép BoW CX DTS DIET Transformer FSA Finite State Automata GPS General Problem Solver GLAD Mơ hình dựa máy trạng thái hữu hạn IDF Global-Locally SelfAttentive Inverse Document Frequency Tần số nghịch đảo ML Machine Learning Học máy, máy có khả học tập NLP Nature Language Processing Natural Language Generation Xử lý ngôn ngữ tự nhiên Thành phần sinh ngôn ngữ Natural Language Understanding Hiểu ngôn ngữ tự nhiên Support Vecto Machine Máy vecto hỗ trợ Term Frequency Tần suất NLG NLU SVM TF vii Hình 21: Sơ đồ phát triển toán Hệ thống Chatbot hoạt động giúp cho doanh nghiệp cải thiện dịch vụ khách hàng, chăm sóc khách hàng, bán sản phẩm tăng lợi nhuận Bên cạnh đó, hệ thống giúp cho doanh nghiệp xây dựng hội thoại theo lớp, theo ngữ cảnh nhiều tương tác qua lại 3.2 Xây dựng chatbot hỗ trợ người dùng Hình 22: Xây dựng hệ thống chatbot hỗ trợ người dùng 42 Phát biểu toán: - Input: truy vấn người dùng - Output: phản hồi bot Khi đó: + Thành phần NLU đảm nhiệm vai trị vecto hố ngơn ngữ, xác định intent trích xuất thơng tin người dùng Hình 23: Các bước xử lý NLU [5] Để giải câu hỏi trên, phận NLU xử lý ngơn ngữ, sử dụng tht tốn tách từ Tokenizer, phân tích cú pháp, gán nhãn từ loại, nhận dạnh tên thực thể sau đối chiếu với tập liệu gán nhãn trước đưa ý định người dùng intent “ask_gia_san_pham” trích xuất thơng tin entity với tên sản phẩm “điện thoại S20” giathanh “giá sản phẩm” + Thành phần DM tiếp nhận thông tin intent entity để đưa xác định action xử lý cho câu đầu vào Trong ví dụ DM đưa action “Action_utter_ask_gia_san_pham” 43 # Configuration for Rasq NLU # https ://rasa com/docs/rasa/nlu/components/ language: vi∣ - Một tin nhắn phản hồi gửi lại đến khách hàng + Cuối sinh câu trảNLU lời dựa vào liệu Trên làcùng, toàn thành quáphần trìnhNLG xử lýsẽcủa rasa, Rasa lo phần 1, 2.các Cịnmẫu template lại phầncâu 3, 4, 5, Rasa xây Coredựng đảmtrước nhiệm 3.3 Ứng dụng xây cho dựng chatbot 3.3.2 Xây dựngrasa liệu chatbot 3.3.1.Rasa Cácđưa bước dựng Chatbot trênxây nềndựng tảngdữ ứng dụng Rasa cho bot: 2xây phương pháp liệu trainning bản, Rasa có thành phần quan trọng cấu thành : - Rasa NLU: có tác dụng xử lý thơng tin, xác định intent trích xuất thơng tin người dùng Rasa Pretrained : Việc phândùng loại ý định Core: Embeddings dự đoán hành(Intent_classifier_sklearn) động chatbot cần làm để trả lời người người dùng dựa tập liệu lọc trước, sau sử dụng Ngồi ra, cịn có Rasa X Hiểu cách đơn giản giao diện để thể từ thông điệp người dùng dạng từ nhúng (word embedding) hay biểu diễn ngôn ngữ dạng vector(word2vec) Các tập liệu cung cấp từ Spacy MITIE - Supervised Embeddings (Intent_classifier_tensorflow_embedding): Nhúng giám sát Với phương pháp người dùng phải tự xây dựng toànliệu Rasa từ đầu ko có liệu đào tạo sẵn có Nhưng với tốn lĩnhthực vựchiện nhỏkhi thìxây dựng đảm bảo tính xác rasa: nhiều tránh dư Các bước Chatbot trênchính tảng thừa liệu so với phương pháp Một số cấu hình Rasa mà tơi lựa chọn để training cho bot bao gồm từ việc phân tích câu, phân loại ý định(intent) đến trích chọn thơng tin người dùng sau: Hình 24: Các bước xây dựng Chatbot rasa - - - - Khi tin nhắn khách hàng gửi đến, thông điệp nhận chuyển đến Interpreter Trong đó, phận NLU xử lý thông điệp nhận chuyển đổi thơng điệp thành từ điển bao gồm : văn gốc,ý định thực thể Tracker đối tượng theo dõi trạng thái hội thoại Nó nhận thông báo tin nhắn đến Policy nhận trạng thái Tracker định chọn Action Action chọn ghi lại Tracker pipeline: 44 - name: WhitespaceTokenizer name: RegexFeaturizer name: LexicalSyntacticFeaturizer - name: CountVectorsFeaturizer name: CountVectorsFeaturizer analyzer: "char.wb" min_ngram: max_ngram: - name: DIETClassifier epochs: 100 - name: EntitySynonymMapper - name: ResponseSeLector epochs: 100 # Configuration for Rasa Core # https://rasa ^policies: - name: MemoizationPolicy - - com/docs/rasa/core/policies/ Featurizer: + RegexFeaturize - tạo đại diện vecto thông điệp người dùng cách sử dụng biểu thức thông thường + CountVectorsFeaturizer - tạo đại diện cho thông điệp, ý định phản hồi người dùng + LexicalSyntacticFreaturize - tạo tính từ vựng cú pháp cho thông điệp người dùng để hỗ trợ trích xuất thực thể Entity Extractors: EntitySynonymMapper - liệu huấn luyện chứa từ đồng nghĩa, giá trị thực thể phát ánh xạ tới giá trị - Selectors: ResponseSelector - sử dụng để xây dựng mơ hình truy xuất phản hồi để dự đoán trực tiếp phản hồi bot từ phận phản hồi ứng viên - Kết hợp trích xuất thực thể phân loại intent: DIETClassifier - biến thể thực thể kép (DIET: kiến trúc để phân loại ý định nhận dạng thực thể) sử dụng để phân loại ý định trích xuất thực thể Tuy nhiên, thay lựa chọn thành lựa chọn khác pipeline thấy đạt hiệu - name: TEDPolicy max_history: epochs: 10θ - name: MappingPolicy - Hình 25: Cấu hình cài đặt cho Rasa NLU Ngơn ngữ xử lý: tiếng việt Tokenize: WhitespaceTokenize - sử dụng khoảng trắng làm dấu phân cách tạo mã thông báo cho chuỗi kí tự phân tách khoảng trắng 45 Hình 26: Cấu hình cài đặt cho Rasa Core Các sách cài đặt rasa core bao gồm: - MemoizationPolicy: ghi nhớ hội thoại đào tạo rối dự đoán hành động - TEDPolicy: sách đối thoại máy biến áp (TED) có đoạn đối thoại cho bước 46 ## intent;ask_d_anh_sgch^cua_hang ^ danh sách nhũng hàng cùa cơng ty ^ QPh9 ty có cừa hàng - cửa hàng PPng ty nhũng đâu - sàn phẩm cùa Cpng ty bán đâu -VíMappingPolicy: thểvềsửchidụng đểcủa trựccửa tiếp ánh xạ ý định hành động tiếp dụ bạn có ý địnhcóhỏi nhánh hàng: theo Các bước thực sau cài cài đặt cấu hình cho rasa - đâu nơi bán sàn phẩm cộng ty Hà Nội có nhũng hàng CPnq ty Xây dựng ý định (intent) - nhánh bán hàng cùa QPnq ty ΓHà NoiHựjp.,,,⅛⅞e.ff>) cửa hàng địa phân Γ Hà nộ1](dig diem ì : entities: _i Xây dựng entity (slot) Hình 28: Xây dựng ý định người dùng b Xây dựng entity (slot) Các thơng tin trích xuất từ ý định người dùng gọi entity Xây dựng câu trá lời cho bot - dĩa dierr∣ - tên sản phẩm i _ Xây dựng khung kịch bàn - tên event Hình 29: Danh sách entity Các thơng tin trích lọc câu nói người dùng bot lưu Đào tạo cho lại nhớ để sử dụng action haybot người dùng tránh việc hỏi lại thơng ÷slots: tin từ phía người dùng gọi slot Slot sử dụng Rasa để giữ giá trị thực thể Tương tự biến ngôn ngữ kịch Test, phân tích cài tiến tên sản phẩm: type: text ten event: type: text Hình 27: Các bước xây dựng chatbot a Xây dựng ý định Mỗi intent nên xây dựng nhiều cách nói khác hệ thống bot tiếp cận với nhiều đối tượng khách hàng khác Tuỳ vào độ tuổi, ngành nghề, công việc mà đối tượng khách hàng có suy nghĩ lời nói khác > time: type: text , date: type: text y list-product: type: text giasp: type: text -, tensp: type: text ; Ioaisp: 47 type: text ⅛ giathanh: type: text ; list_event: type: text yresponses: > utter_btean: P - text: "Rất xin lỗi bạn :(" P utter_greet: - text: "Xin Chao Chuc bạn ngậy tốt Lanh Tịi giúp, cho bạn?" P utter_ask_name: c Xây dựng câu trả lời cho bot Phải xây dựng cho bot hệ thống câu trả lời mẫu (template) cho câu hỏi người dùng - text: "Tôi ChetbQt rasa" P utter_bye: - text: "Tạm bi⅞t bạn Chuc bạn ngày làm yir⅛c vui vẻ." P utter_func_tist: - text: llNhifein Vụ Chinh tà giải đáp thắc mắc bạn vè CQnq ty" > utter_thank: - text: "Khonq có Đây tà n hi fem vụ tồi" P utter_ask_work_tỉme: - text: "Sang bắt đẩu làm Vlfec từ 8h tói llh3θ, ChieU bắt đẩu từ 13h tói 17h3Θ " > utter_ask_diagram: - text: "link ảnh" P utter_ask_addres: - text: "Sổ 1, Pham Văn BaCh, Yên Hòa, cầu Giấy" > utter_ask_meal_time: - text: "Từ llh3Θ tới 13h" P utter_ask_danh_sach_cua_hang: - text: "Chỉ nhánh sổ 1, Cầu giấy; chí nhánh số Ianq; chi nhánh số nguyễn Trãi1' > utter_ask_tỉme: - text: "Bây giị {time}" ⅛ utter_ask_day: - text: "Hơm tà {date}" P utter_ask_danh_sach_san_pham: Hình 30: Danh sách slot 48 utter.blean: - text: "Rất xin utter_greet: - text: "Xin Chao■ Chuc bạn ngày tốt Ianh■ Tơi giúp cho bạn?" utter_ask_name: - text: "Tơi chatbot rasa" utter-bye: - text: "Tạm biêt bạn Chúc bạn ngày làm viêc vui vè." utter_funC-list: - text: "Nhiêm Vụ cùa tơi qíạị đáp thác mắc cùa bạn cịng ty" utter_thank: - text: "Khơng có gi Đây nhiêm Vụ tôi" lỗi bạn :(" class ActionGetListProduct(Action): def name(self) return "action_utter_ask_danh_sach_san_pham" def run( self, dispatcher, tracker: Tracker, domain: Dict[Text, Any] ) -> sql = qet,sql("sanpham" "") -> Text: List[Dict[Text, Any]]: Hình 33: Mau câu trả lời xây dựng cho bot - Custom actions: Khi tập câu trả lời mẫu không đáp ứng câu hỏi người dùng cần kết từ nguồn liệu khác action tuỳ biến sử dụng, đến hàm lớp action (python) list_product = service.get_list(sql) return [SLotSet("list_product", get_list(list_product, "tensp,))1 class ActionGetpriceProduct(Action): Hình 31:Các mẫu câu trả lời (template) cho bot Tuy nhiên, ta xây dựng câu trả lời cho bot thông qua action Hành động thứ bot chạy để đáp ứng yêu cầu người dùng Đây thành phần cung cấp thông tin trả lời người dùng dựa vào intent, entity, slot liệu lấy từ hệ thống khác qua API Có loại hành động rasa core: - Defaul actions: hành động lắng nghe người dùng, restart lại hội thoại trả lời mặc định không phân loại ý định người dùng def name(self) -> Text: return "action_utter_ask_qia_san_pham" utter_default: def run( Hình 32: Mẫu câu trả lời mặc định bot không hiểu intent người dùng - Utter actions: tập template mẫu xây dựng cho bot self, dispatcher, tracker: Tracker, domain: Dict[Te×t, Any] ) -> List[Dict[Text, Any]]: tenSP = tracker.get_slot("tên sản phầm") sql = qet-sql("sanpham", "WHERE tensp LIKE '" + tensp + ) sp = service.get.record(sql) 49 _-Otirn [SlotSet(,,qiasp", sp[ ]) ] ## cháo - hói danh sách sán Pham - cháo * greet - utter.greet * ask_danh_sach_san_pham - action_utter_ask_danh_sach_san_pham d Xây dựng khung kịch Việc xây dựng khung kịch huấn luyện dạy cho bot đưa câu trả lời xác với mong muốn người dùng * - utter_ask_danh_sach_san_pham bye - utter_bye ## C⅛⅛O ^ hỏi giá sản pham - chào * greet - utter_greet * ask_gia_san_pjjara - action_utter_ask_gia_san_pham - utter_ask_qia_san_phaiỊỊ * bye - utter_bye Hit chào - hói giói thiệu sẩn phẩm - chào * greet - utter.greet * 3sk_gj.oi_thieu_san_ph_am - action_utter_ask_gjpj_thieu_san_phanj - utter_ask_qioi_thieu_san_phạm * bye Hình 34: Custom action xử lý slot tên sản phẩm 50 Hình 35: Khung kịch hỏi sản phẩm Tuy nhiên, xây dựng hết kịch cho hệ thống Vì hệ thống chatbot ngày hồn thiện, có khả tự học, tự phán đoán đưa câu trả lời 3.4 Kết thực nghiệm Hệ thống chatbot với liệu huấn luyện kịch hội thoại, xây dựng slot, thực thể giúp cho chatbot lấy thơng tin từ phía người dùng Chatbot xác định ý định người dùng để thông qua actions lập trình thực hành động tìm kiếm thông tin sản phẩm, giá sản phẩm, danh sách sản phẩm, chương trình khuyến mại 51 Giá sản phẩm Nhiein VU tói giải đáp thắc mác cùa ban vè còng ty `, O ` e When you reply, H&T Shop will see your public info Có sản phẩm/dịch vụ nâo hợp vơi toi khàng? Giá sản phẩm bạn bao nhieu? galaxy Z Iip galaxy watch active Ai cỏ thể hỗ trơ cho điện thoại Samsung khủng? note ' te HGteB Ivi Led Samsung Hình 36: Kết kiểm nghiệm Trên kết kiểm nghiệm thiết kế chatbot hỗ trợ bán hàng ứng dụng message Facebook 3.5 Phân tích đánh giá Dữ liệu đào tạo cho bot kịch xây dựng cho bot yếu tố quan trọng xây dựng chatbot Đây hai yếu tố định đến thông minh bot Việc xây dựng intent quan trọng Khi xây dựng intent nên tránh trường hợp nhập nhằng gần nghĩa điều làm giảm độ xác bot Hệ thống xây dựng phần giải yêu cầu toán tư vấn bán hàng Đối với hội thoại nằm kịch dựng sẵn bot đáp ứng tốt Vậy nên, vấn đề xây dựng kịch cho bot khó khăn có nhiều trường hợp xảy Tuy nhiên hệ thống bot nhiều mặt hạn chế - Hệ thống thực hỗ trợ giao tiếp văn chưa đáp ứng giao tiếp hội thoại âm 52 - Cơ sở trí thức thu cịn hạn chế nên q trình hội thoại chưa thơng suốt, nhiều bot hiểu sai thông điệp nhận người dùng đưa phản hồi trái với mong muốn Bài khố luận ứng dụng tảng mã nguồn mở Rasa, kết hợp với thuật toán giải vấn đề xây dựng chatbot phân loại ý định người dùng, trích xuất thơng tin, quản lý hội thoạị Bằng cách sử dụng hội thoại giao diện đơn giản, hệ thống giao tiếp với người dùng, trả lời truy vấn người dùng 53 KẾTTHAM LUẬNKHẢO TÀI LIỆU Bài khoá luận làm rõ số vấn đề chatbot vai trò [1] H B Viện Khoa họchàng Công Viện họchiểu Cơng chattbotT.trong quản lý bán Nộinghệ dungViệt củaNam khố luậnKhoa tìm số “Trínhiệm tuệ nhân tạo 50 năm” kiếnnghệ thức tiên bao tiến gồmNhật cấu Bản, trúc vụ cácchặng thànhđường phần chatbot, số thuật toán áp dụng vào việc xây dựng chatbot Dựa vào xây dựng [2] M B Open-source Library for Coversational AI (distributed under Apache v2 license), hệ thốngMay chatbot toán hỗ trợ người dùng nhiều lĩnh vực 29, giải 2019 khác Quá trình tìm hiểu xâyAIdựng thống hỗ trợCore,” quản 2018 lý bán hàng [3] Tom Bocklisch, “Conversational withmột RasahệNLU & Rasa đạt số kết sau: [4] B T a S Y Matthew Henderson, Word-Based Dialog State Tracking with Thứ nhất, nắm mơ hình, thành phần cách thức hoạt động, Recurrent Neural Networks, 2014 bước xử lý hệ thống chatbot, số thuật toán phương pháp xử [5] Victor Zhong,Caiming Xiong, Richard Socher , “Global-LocallySelf-Attentive lý Dialogue State Tracker,” 2018, pp.thức 1458đó, - 1467 liệu chatbot Từ kiến xây dựng bot theo bât [6] hình M N.nào, Dương, “CEMPARTNER,” [Trực Available: mô phương pháp phù hợp17/4/2019 tuỳ vào yêutuyến] cầu toán cụ thể https://cempartner.com/vi/cem-partner-blog/ban-do-trai-nghiem-khachThứ hai tìm hiểu vai trị chatbot trải nghiệm khách hàng hànhhang.html trình khách hàng Có thể nói, trải nghiệm khách hàng yếu tố định đến doanh nghiệp bạn có lợi cạnh tranh so với đối thủ hay khơng cịn hành trình khách hàng yếu tố quan trọng giúp doanh nghiệp theo dõi chăm sóc khách hàng tốt Vì vậy, doanh nghiệp muốn phát triển họ phải đầu tư xây dựng dịch vụ chăm sóc khách hàng hệ thống chatbot hỗ trợ hành trình trải nghiệm khách hàng Thứ xây dựng liệu đào tạo, huấn luyện cho chatbot có kinh nghiệm xử lý gán nhãn liệu để tránh nhập nhằng từ ngữ Từ đó, 1xây dựng liệu mang lại độ xác cao cho hệ thống Thứ việc áp dụng Rasa vào trình xây dựng hệ thống chatbot tiếp cận số phương pháp thuật toán áp dụng cho chatbot Cuối sản phẩm demo tiền đề cho phát triển số bot áp dụng cho toán thực tế lĩnh vực y tế, du lịch, giáo dục Định hướng nghiên cứu tiếp theo: > Kết hợp với app website > Tích hợp hỗ trợ nhận diện giọng nói > Xây dựng bot mang tính cảm xúc 54 55 ... dựng hệ thống hỗ trợ quản lý bán hàng Chương nói đến Rasa bước thực xây dựng hệ thống chatbot Ứng dụng tảng mã nguồn mở Rasa để xây dựng hệ thống chatbot hỗ trợ quản lý bán hàng CHƯƠNG 1: NỀN TẢNG...HỌC VIỆN NGÂN HÀNG KHOA HỆ THỐNG THÔNG TIN QUẢN LÝ KHÓA LUẬN TỐT NGHIỆP ĐỀ TÀI: XÂY DỰNG HỆ THỐNG CHATBOT HỖ TRỢ QUẢN LÝ BÁN HÀNG NỀN TẢNG MÃ NGUỒN MỞ RASA Giáo viên hướng dẫn :... khoá luận hướng tới xây dựng mơ hình giải toán bước cụ thể 40 CHƯƠNG 3: ỨNG DỤNG MÃ NGUỒN MỞ RASA XÂY DỰNG HỆ THỐNG CHATBOT HỖ TRỢ NGƯỜI DÙNG 3.1 Bài toán ? ?Hệ thống chatbot hỗ trợ quản lý bán hàng? ??