Đang tải... (xem toàn văn)
Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.Xây dựng hệ thống hỏi đáp trực tuyến bằng phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho chính quyền địa phương tỉnh Tây Ninh.
HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN TRUNG HIẾU XÂY DỰNG HỆ THỐNG HỎI ĐÁP TRỰC TUYẾN BẰNG PHƯƠNG PHÁP MÁY HỌC ĐỂ TỰ ĐỘNG HĨA QUY TRÌNH TIẾP NHẬN CÂU HỎI ÁP DỤNG CHO CHÍNH QUYỀN ĐỊA PHƯƠNG TỈNH TÂY NINH ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THÔNG NGUYỄN TRUNG HIẾU XÂY DỰNG HỆ THỐNG HỎI ĐÁP TRỰC TUYẾN BẰNG PHƯƠNG PHÁP MÁY HỌC ĐỂ TỰ ĐỘNG HĨA QUY TRÌNH TIẾP NHẬN CÂU HỎI ÁP DỤNG CHO CHÍNH QUYỀN ĐỊA PHƯƠNG TỈNH TÂY NINH Chuyên ngành: Hệ thống thông tin Mã số: 8.48.01.04 ĐỀ ÁN TỐT NGHIỆP THẠC SỸ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS TRẦN CÔNG HÙNG THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023 i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu đề án tốt nghiệp trung thực chưa cơng bố cơng trình khác Tp Hồ Chí Minh, ngày 12 tháng 10 năm 2023 Học viên thực đề án Nguyễn Trung Hiếu ii LỜI CẢM ƠN Đầu tiên xin gửi lời cảm ơn chân thành đến PGS.TS Trần Công Hùng, người thầy tận tâm nhiệt tình việc hướng dẫn động viên tơi suốt q trình thực đề án Sự hỗ trợ người thầy giúp định hướng hồn thành mục tiêu nghiên cứu Tơi xin gửi lời tri ân đến quý Thầy, Cô khoa Đào tạo Sau đại học, Học viện Công nghệ Bưu Viễn thơng sở thành phố Hồ Chí Minh, đồng hành tận tình giảng dạy hỗ trợ suốt thời gian học tập nghiên cứu Tôi xin cảm ơn lãnh đạo Sở Thông tin Truyền Thông tỉnh Tây Ninh cho phép sử dụng liệu tỉnh tạo điều kiện thuận lợi cho tơi q trình học tập nghiên cứu Tôi xin gửi lời cảm ơn đến tất đồng nghiệp động viên, hỗ trợ đóng góp ý kiến q báu giúp tơi hồn thiện nghiên cứu Tp Hồ Chí Minh, ngày 12 tháng 10 năm 2023 Học viên thực đề án Nguyễn Trung Hiếu iii MỤC LỤC LỜI CAM ĐOAN .i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT vi DANH SÁCH BẢNG vii DANH SÁCH HÌNH VẼ viii MỞ ĐẦU 1 Lý chọn đề án Tổng quan vấn đề nghiên cứu Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu CHƯƠNG - TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 1.1 Tổng quan Cổng hỏi đáp trực tuyến 1.2 Các cơng trình nghiên cứu giới 12 1.3 Các cơng trình nghiên cứu nước 14 CHƯƠNG - CƠ SỞ LÝ THUYẾT 15 2.1 Tổng quan AI Machine Learning 15 2.2 Phương pháp biểu diễn liệu 16 2.2.1 Phương pháp Tf-idf Vector 16 2.2.2 Phương pháp Count Vectorization 17 iv 2.2.3 Phương pháp FastText 18 2.3 Các phương pháp phân lớp 18 2.3.1 Phân lớp với Support Vector Machines (SVM) 20 2.3.2 Phân lớp với Naive Bayes 22 2.3.3 Phân lớp với k-Nearest Neighbors (k-NN) 25 CHƯƠNG - ĐỀ XUẤT PHƯƠNG PHÁP XÂY DỰNG BỘ DỮ 28 3.1 Mơ hình thực nghiệm toán 28 3.2 Thu thập liệu 29 3.3 Chuẩn hóa liệu 30 3.4 Các bước thực 33 CHƯƠNG - KẾT QUẢ THỰC NGHIỆM 35 4.1 Môi trường liệu thực nghiệm 35 4.1.1 Môi trường thực nghiệm 35 4.1.2 Dữ liệu thực nghiệm 35 4.1.3 Chuẩn hóa liệu 37 4.1.4 Huấn luyện liệu 40 4.2 Kết thực nghiệm 40 4.2.1 Kết mơ hình Support Vector Machine 40 4.2.1.1 Phương pháp Tf-idf 40 4.2.1.2 Phương pháp CountVectorizer 43 4.2.1.3 Phương pháp Fasttext 46 4.2.2 Kết mơ hình Naive Bayes 48 v 4.2.2.1 Phương pháp Tf-idf 48 4.2.2.2 Phương pháp CountVectorizer 51 4.2.2.3 Phương pháp Fasttext 53 4.2.3 Kết mơ hình K-NN 56 4.2.3.1 Phương pháp Tf-idf 56 4.2.3.2 Phương pháp CountVectorizer 59 4.2.3.3 Phương pháp Fasttext 61 4.2.4 Kết tổng hợp 64 4.3 Kết luận thực nghiệm 65 KẾT LUẬN 66 DANH MỤC TÀI LIỆU THAM KHẢO 68 vi DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT VIẾT TẮT AI TIẾNG ANH TIẾNG VIỆT Artificial intelligence Trí tuệ nhân tạo Convolutional Neural Networks Mạng nơ ron tích chập DL Deep Learning Học sâu DT Decision Tree Cây định IDF Inverse Document Frequency Tần suất nghịch đảo từ tập văn IE Information Extraction Trích xuất thơng tin IR Information Retrieval Tìm kiếm truy xuất thơng tin KNN K-Nearest Neighbor Thuật tốn K-Nearest Neighbor LR Logistic Regression Hồi quy Logistic ML Machine Learning Học máy NB Naive Bayes Thuật toán Naive Bayes RF RandomForest Classifier Trình phân loại rừng ngẫu nhiên RNN Recurrent Neural Networks Mạng thần kinh hồi quy SVM Support Vector Machine Máy vector hỗ trợ Term Frequency Tần số xuất văn CNN TF vii DANH SÁCH BẢNG Bảng 4.1: Nguồn liệu thực nghiệm 35 Bảng 4.2: Thống kê số lượng câu hỏi sau chuẩn hóa theo đơn vị 37 Bảng 4.3: Chia tập liệu huấn luyện 40 Bảng 4.4: Kết mô hình SVM sử dụng TF-IDF 40 Bảng 4.5: Kết mơ hình SVM sử dụng CountVectorizer 43 Bảng 4.6: Kết mơ hình SVM sử dụng Fasttext 46 Bảng 4.7: Kết mơ hình Naive Bayes sử dụng TF-IDF 48 Bảng 4.8: Kết mơ hình Navie Bays sử dụng CountVectorizer 51 Bảng 4.9: Kết mơ hình Navie Bays (GaussianNB) sử dụng Fasttext 54 Bảng 4.10: Kết mơ hình K-NN sử dụng Tf-idf 56 Bảng 4.11: Kết mơ hình K-NN sử dụng CountVectorizer 59 Bảng 4.12: Kết mơ hình k-NN sử dụng FastText 61 Bảng 4.13: Kết tổng hợp 64 viii DANH SÁCH HÌNH VẼ Hình 1.1: Hệ thống hỏi đáp trực tuyến tỉnh Tây Ninh Hình 1.2: Sơ đồ tổng quát trình tự vận hành hệ thống hỏi đáp Hình 1.3: Biểu mẫu nhập câu hỏi người dân, doanh nghiệp 10 Hình 1.4: Đơn vị điều phối đọc, chọn đơn vị chuyển câu hỏi để trả lời 11 Hình 2.1: Mơ hình SVM 21 Hình 2.2: Mơ hình phân lớp Naive Bayes 24 Hình 2.3: Mơ hình k-NN (k-Nearest Neighbors) 25 Hình 3.1: Mơ hình thực nghiệm 28 Hình 3.2: Câu hỏi trả lời trang hỏi đáp 30 Hình 3.3: Câu hỏi có nội dung gây cho việc phân loại sai 31 Hình 3.4: Hai bảng mã khác nhau, việc so sánh khác 31 Hình 3.5: Kết sau xử lý kiểu gõ 32 Hình 3.6: Kết tách từ 32 Hình 3.7: Kết loại bỏ từ khơng có nghĩa 32 Hình 4.1: Ma trận nhầm lẫn SVM sử dụng Tf-idf 43 Hình 4.2: Ma trận nhầm lẫn SVM sử dụng CountVectorizer 45 Hình 4.3: Ma trận nhầm lẫn SVM sử dụng Fasttext 48 Hình 4.4: Ma trận nhầm lẫn mơ hình Naive Bayes sử dụng Tf-idf 50 Hình 4.5: Ma trận nhầm lẫn mơ hình Naive Bayes sử dụng CountVectorizer 53 Hình 4.6: Ma trận nhầm lẫn mơ hình Naive Bayes sử dụng Fasttext 56 Hình 4.7: Ma trận nhầm lẫn mơ hình KNN sử dụng Tf-idf 58 Hình 4.8: Ma trận nhầm lẫn mơ hình KNN sử dụng CountVectorizer 61 Hình 4.9: Ma trận nhầm lẫn mơ hình k-NN sử dụng Fasttext 63 Hình 4.10: Kết phân loại câu 65 Hình 4.11: Kết phân loại câu 65 64 4.2.4 Kết tổng hợp Bảng 4.13: Kết tổng hợp STT Mơ hình SVM Naive Bayes k-NN Phương pháp vector hóa văn Thời gian training (giây) Độ xác (%) Tf-idf 119.6980493 84.4464945 CountVectorizer 107.2657793 79.8708487 Fasttext 51.53318834 80.9225092 Tf-idf 0.341165304 70.5535055 CountVectorizer 0.404150963 80.701107 Fasttext 0.132766008 65.8671587 Tf-idf 0.112008572 78.2472325 CountVectorizer 0.112117052 76.0516605 Fasttext 0.051949739 76.3099631 Dựa kết thời gian training, định chọn mô hình SVM để tiến hành đề xuất phân lớp cho câu hỏi vào hệ thống Kết đề xuất: Input: “Thân chào! Tơi tên Lê Hồng Thọ Hiện tơi có trại ni gà cơng suất 7500 con, phương pháp nuôi thả vườn trại hở Nuôi gối vụ, nhà gà nhà công suất 2500 Trại ấp Thạnh Hưng, xã Thạnh Đông, Tân Châu, Tây Ninh Địa điểm cách xa khu dân cư, xung quanh rẫy cao su, mì, mãng cầu nên khơng ảnh hưởng đến xung quanh Diện tích trại 3.0ha Tôi muốn hỏi thủ tục xin giấy chứng nhận đủ điều kiện chăn nuôi gia cầm phương pháp thả vườn, giấy chứng nhận an toàn dịch bệnh, giấy chứng nhận sản phẩm đạt tiêu chuẩn VietGAP 65 Rất mong nhận tư vấn hỗ trợ quý quan! Tôi xin chân thành cảm ơn Chào Trân Trọng!” Output: “Sở Nông nghiệp Phát triển nông thôn” Hình 4.10: Kết phân loại câu Input: “Tơi có đất mặt tiền (thửa đất số 764, địa KP Long Thới, Phường Long Thành Trung, Hòa Thành, Tây Ninh, theo Giấy chứng nhận quyền sử dụng đất số: CĐ296663 ), mặt giáp lộ 10m, mặt giáp lộ 4m Tuy nhiên lộ 4m từ lúc tơi mua bị nhà hàng xóm lấn chiếm hết lộ 4m.” Output: “UBND thị xã Hịa Thành” Hình 4.11: Kết phân loại câu 4.3 Kết luận thực nghiệm Từ kết thử nghiệm mơ hình SVM hệ thống hỏi đáp tập liệu thử nghiệm gồm 26.005 câu hỏi 26 nhãn đạt độ xác cao với 84,45% Từ kết cho thấy, mơ hình SVM đạt yêu cầu đề ứng dụng triển khai hệ thống hỏi đáp thực tế tỉnh 66 KẾT LUẬN Sau trình tìm hiểu, nghiên cứu phương pháp xử lý liệu, phương pháp học máy, thuật toán dự báo để xây dựng mơ hình phân lớp câu hỏi đồng thời tham khảo cơng trình nghiên cứu có liên quan, tơi đạt số kết sau: - Thu thập xây dựng sở liệu tập câu hỏi với thông tin như: ngành, lĩnh vực, đơn vị… - Rút trích thuộc tính, huấn luyện cho mơ hình phân lớp câu hỏi - Tiền xử lý liệu xây dựng mơ hình phân lớp có độ xác cao, cụ thể xây dựng mơ hình với thuật tốn SVM có độ xác 84,45% Từ kết thực nghiệm ứng dụng triển khai vào hệ thống tự động hóa quy trình tiếp nhận câu hỏi chuyển cho quyền địa phương xử lý trả lời cho người dân cải thiện hiệu suất tối ưu hóa tài nguyên Khi người dân, doanh nghiệp đặt câu hỏi hệ thống, hệ thống tự động phân loại câu hỏi tới trực tiếp người tiếp nhận có nhiệm vụ trả lời câu hỏi, bỏ qua bước trung gian trước (tiếp nhập, kiểm tra, phân loại lĩnh vực, chuyển đơn vị tiếp nhận, chuyển phân chuyên trách xử lý câu hỏi) giảm sai sót phân loại câu hỏi giảm thời gian đọc chuyển qua bước đến phận chuyên trách trả lời Hướng phát triển đề án: - Mở rộng phạm vi độ phủ mơ hình: Để cải thiện khả ứng dụng mơ hình, mở rộng phạm vi mơ hình để bao gồm nhiều lĩnh vực chủ đề khác - Tối ưu hóa hiệu suất độ xác: Tiếp tục nghiên cứu tối ưu hóa mơ hình máy học để đạt độ xác cao hiệu suất tốt 67 - Tiếp tục nghiên cứu nâng cấp hệ thống số lượng câu hỏi phát sinh nhiều, nội dung phức tạp liên quan nhiều văn bản, quy định mà hệ thống khơng tự động phân loại định hướng phát triển ứng dụng hệ chuyên gia (Expert System) để đưa phân loại thích hợp sử dụng lại liệu lịch sử liệu huấn luyện sau xác thực tính xác để thực tự động trả lời cách nhanh chống, xác tức thời thời gian tới 68 DANH MỤC TÀI LIỆU THAM KHẢO [1] Zhilin Yang, Zihang Dai, Yiming Yang, Jaime Carbonell, Ruslan Salakhutdinov, Quoc V Le, “XLNet: Generalized Autoregressive Pretraining for Language Understanding”, arXiv preprint arXiv:1906.08237, 2019 [2] Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, “BERT: Pretraining of Deep Bidirectional Transformers for Language Understanding”, arXiv preprint arXiv:1810.04805, 2018 [3] P Rajpurkar, J Zhang, K Lopyrev, and P Liang, “SQuAD 2.0: 100,000+ Questions for Machine Comprehension of Text”, arXiv preprint arXiv:1806.03822, 2018 [4] A Vaswani, N Shazeer, N Parmar, J Uszkoreit, L Jones, A N Gomez, L Kaiser, and I Polosukhin, "Attention Is All You Need," arXiv preprint arXiv:1706.03762, 2017 [5] Leon Derczynski, Alan Ritter, Sam Clark, Kalina Bontcheva, “Twitter Part-ofSpeech Tagging for All: Overcoming Sparse and Noisy Data “ Proceedings of Recent Advances in Natural Language Processing, 2013, pages 198–206 [6] Sanglap Sarkar, Venkateshwar Rao, Baala Mithra SM, Subrahmanya VRK Rao, “NLP Algorithm Based Question and Answering System”, Proceedings of 2015 Seventh International Conference on Computational Intelligence, Modelling and Simulation, 2015, pages 97-101 [7] M Allahyari, S Pouriyeh, M Assefi, S Safaei, E D Trippe, J B Gutierrez, and K Kochut 2017 Text Summarization Techniques: A Brief Survey, ArXiv e-prints, 2017, arXiv:1707.02268 [8] T.-H Wen, D Vandyke, N Mrksic, M Gasic, L M RojasBarahona, P.-H Su, S Ultes, and S Young 2016 A Network-based 15 End-to-End Trainable Taskoriented Dialogue System ArXiv eprints, April [9] Heriberto Cuayahuitl 2016 Simpleds: “A simple deep reinforcement learning dialogue system” CoRR, abs/1601.04574 69 [10] Tait Larson, Johnson (Heng) Gong, Josh Daniel, “Providing a Simple Question Answering System By Mapping Questions to Questions”, Technical report, Department of Computer Science, Stanford University, 2006 [11] Hastie, T., Tibshirani, R., & Friedman, J (2009) The elements of statistical learning: data mining, inference, and prediction Springer Science & Business Media [12] Bishop, C M (2006) Pattern recognition and machine learning Springer [13] Sutton, R S., & Barto, A G (2018) Reinforcement learning: An introduction MIT press [14] Ng, A (2017) Machine Learning Yearning: Technical Strategy for AI Engineers deeplearning.ai [15] A Radford et al, “Language Models are Unsupervised Multitask Learners” OpenAI, 2019 [16] Trần Văn Hiến, Nguyễn Thị Minh Huyền, Phạm Quỳnh Ngân, năm 2020, “Xây dựng hệ thống trả lời tự động tiếng Việt dựa mơ hình BERT” [17] Đặng Văn Bảo, Lê Thanh Hòa, Nguyễn Quốc Bảo, năm 2018, “Phát triển hệ thống hỏi đáp y tế tự động tiếng Việt” [18] Trần Minh Tâm, Trần Thị Thanh Thảo, năm 2017, “Dự đốn trả lời xác câu hỏi tự nhiên tiếng Việt phương pháp SVM” [19] Nguyễn Minh Thành, Nguyễn Huy Hùng, Lê Hồng Phong, năm 2016, “Phát triển hệ thống trả lời câu hỏi tự động tiếng Việt dựa phương pháp tìm kiếm trích dẫn” [20] Lê Thị Kim Oanh, Trần Văn Thoại, năm 2015, “Hệ thống trả lời câu hỏi tự động lịch sử Việt Nam” BẢN CAM ĐOAN Tôi cam đoan thực việc kiểm tra mức độ tương đồng nội dung đề án tốt nghiệp qua phần mềm https://kiemtratailieu.vn cách trung thực đạt kết mức độ tương đồng 10% toàn nội dung đề án tốt nghiệp Bản đề án tốt nghiệp kiểm tra qua phần mềm cứng đề án tốt nghiệp nộp để bảo vệ trước hội đồng Nếu sai xin chịu hình thức kỹ luật theo quy định hành Học viện Tp Hồ Chí Minh, ngày 12 tháng 10 năm 2023 Học viên thực đề án Nguyễn Trung Hiếu Học viên Người hướng dẫn khoa học Nguyễn Trung Hiếu PGS.TS Trần Cơng Hùng BỘ THƠNG TIN VÀ TRUYỀN THƠNG HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc BÁO CÁO GIẢI TRÌNH SỬA CHỮA, HOÀN THIỆN ĐỀ ÁN THẠC SĨ Họ tên học viên: Nguyễn Trung Hiếu Chuyên ngành: Hệ thống thơng tin Khóa: 2021-2023 Tên đề tài: “Xây dựng hệ thống hỏi đáp trực tuyến phương pháp máy học để tự động hóa quy trình tiếp nhận câu hỏi áp dụng cho quyền địa phương tỉnh Tây Ninh” Người hướng dẫn khoa học: PGS.TS Trần Công Hùng Ngày bảo vệ: 08/10/2023 Các nội dung học viên sửa chữa, bổ sung đề án theo ý kiến đóng góp Hội đồng chấm đề án: TT Ý kiến hội đồng Sửa chữa học viên - Làm rõ phạm vi đề tài Học viên chỉnh sửa, làm rõ Phạm vi nghiên cứu trang 5, Mục - Mô tả hệ thống hỏi đáp, cụ thể Học viên chỉnh sửa, bổ sung Mô tả hệ ứng dụng bổ sung vào báo cáo thống hỏi đáp cụ thể ứng dụng vào báo cáo trang 8, Chương I, Mục 1.1 Tổng quan Cổng hỏi đáp trực tuyến - Học viên cần đánh giá khả Học viên bổ sung đánh giá khả ứng áp dụng thực tế đề tài dụng thực tế đề trang 75 phần Kết luận Tp.HCM, ngày 12 tháng 10 năm 2023 Ký xác nhận CHỦ TỊCH HỘI ĐỒNG CHẤM ĐỀ ÁN THƯ KÝ HỘI ĐỒNG NGƯỜI HƯỚNG DẪN KHOA HỌC HỌC VIÊN TS Tân Hạnh TS Nguyễn Hồng Sơn PGS.TS Trần Công Hùng Nguyễn Trung Hiếu