1. Trang chủ
  2. » Công Nghệ Thông Tin

XÂY DỰNG MÔ HÌNH BÁN HÀNG TỰ ĐỘNG TRÊN INTERNET

71 404 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 71
Dung lượng 2,25 MB

Nội dung

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ  NGUYỄN VĂN QUYỀN XÂY DỰNG HÌNH BÁN HÀNG TỰ ĐỘNG TRÊN INTERNET LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI - 2016 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ  NGUYỄN VĂN QUYỀN XÂY DỰNG HÌNH BÁN HÀNG TỰ ĐỘNG TRÊN INTERNET Ngành: Công nghệ thông tin Chuyên ngành: Hệ thống thông tin Mã số: 14025060 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Nguyễn Văn Nam HÀ NỘI – 2016 LỜI CAM ĐOAN Tôi Nguyễn Văn Quyền, học viên khóa K21, ngành Công nghệ thông tin, chuyên ngành Hệ Thống Thông Tin Tôi xin cam đoan luận văn “Xây dựng hình bán hàng tự động Internet” nghiên cứu, tìm hiểu phát triển hướng dẫn TS Nguyễn Văn Nam, chép từ tài liệu, công trình nghiên cứu người khác mà không ghi rõ tài liệu tham khảo Tôi xin chịu trách nhiệm lời cam đoan Hà Nội, ngày tháng năm MỤC LỤC TÓM TẮT NỘI DUNG 1 CHƯƠNG 1: GIỚI THIỆU CHUNG .2 CHƯƠNG 2: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG 2.1 Các hình trả lời bán hàng tiêu biểu 2.2 Các vấn đề cần giải cải tiến 11 CHƯƠNG 3: MẠNG NƠ-RON VÀ PHƯƠNG PHÁP SEQ2SEQ .14 3.1 Kiến thức tổng quan 14 3.2 Framework TensorFlow 18 3.3 Lý thuyết mạng nơ-ron 19 3.3.1 Mạng nơ-ron nhân tạo ANN 19 3.3.2 Mạng nơ-ron tái phát RNN 21 3.3.3 Mạng Long Short Term Memory LSTM 24 3.4 Phương pháp học chuỗi Seq2Seq 29 CHƯƠNG 4: GIẢI PHÁP VÀ XÂY DỰNG HÌNH ĐỀ XUẤT ISALES .36 4.1 Giải pháp đề xuất 36 4.2 Nguồn liệu huấn luyện 38 4.2.1 Facebook 39 4.2.2 GraphAPI 40 4.3 Xây dựng hình iSales 42 4.3.1 Pha thu thập liệu 42 4.3.2 Pha tiền xử lý liệu 44 4.3.3 Pha phân mảnh liệu 46 4.3.4 Pha huấn luyện liệu 48 4.3.5 Pha sinh câu trả lời 51 CHƯƠNG 5: THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ 54 5.1 Phát biểu usecase 54 5.2 Thử nghiệm iSales 55 5.3 Đánh giá kết 60 KẾT LUẬN 62 TÀI LIỆU THAM KHẢO 63 DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT Từ viết tắt Chatbot Page Post Comment NLP ANN RNN LSTM Seq2Seq Từ chuẩn Diễn giải Chatbot Page Post Comment Hệ thống trả lời tự động Khái niệm trang thông tin facebook Khái niệm viết facebook Khái niệm bình luận facebook Natural Languague Processing Artificial Nerual Network Recurrent Neural Network Long short-term memory 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 sequence to sequence Phương pháp học chuỗi liên tiếp DeepLearning DANH MỤC HÌNH VẼ VÀ ĐỒ THỊ Hình 2.1: Luồng tương tác hình bán hàng sử dụng Messenger Hình 2.2: hình bán hàng sử dụng Messenger Hình 2.3: Từ điển sử dụng chatbot Skype Hình 2.4: hình bán hàng sử dụng chatbot Skype Hình 2.5: hình bán hàng sử dụng chatbot Skype Hình 2.6: hình bán hàng sử dụng uhChat 10 Hình 2.7: hình bán hàng sử dụng Subiz 11 Hình 3.1: Các bước chung hình tự động 16 Hình 3.2: hình bán hàng tự động 17 Hình 3.3: Kiến trúc mạng nơ-ron nhân tạo ANN 20 Hình 3.4: Quá trình xử lý thông tin nơ-ron j mạng ANN 20 Hình 3.5: Quá trình xử lý thông tin mạng RNN 23 Hình 3.6: RNN phụ thuộc short-term .24 Hình 3.7: RNN phụ thuộc long-term 25 Hình 3.8: Các module lặp mạng RNN chứa layer 26 Hình 3.9: Các mô-đun lặp mạng LSTM chứa bốn layer 26 Hình 3.10: Cell state LSTM giống băng truyền 27 Hình 3.11: Cổng trạng thái LSTM 27 Hình 3.12: LSTM focus f 28 Hình 3.13: LSTM focus i 28 Hình 3.14: LSTM focus c 29 Hình 3.15: LSTM focus o 29 Hình 3.16: hình phát sinh văn 30 Hình 3.17: Quá trình huấn luyện phát sinh văn 30 Hình 3.18: hình chuỗi liên tiếp Seq2Seq 32 Hình 3.19: hình đối thoại seq2seq 33 Hình 3.20: Bộ mã hóa giải mã seq2seq .33 Hình 4.1: Các pha hình bán hàng tự động .36 Hình 4.2: Sơ đồ quy trình hình đề xuất 37 Hình 4.3: hình giao tiếp sử dụng graphAPI Facebook 40 Hình 4.4: Sử dụng graphAPI v2.6 để thu thập liệu page 41 Hình 4.5: Luồng nghiệp vụ pha thu thập liệu 43 Hình 4.6: Mã nguồn sample pha thu thập liệu 43 Hình 4.7: Kết sample pha thu thập liệu 44 Hình 4.8: Luồng nghiệp vụ pha tiền xử lý liệu 45 Hình 4.9: Kết sample pha tiền xử lý liệu 45 Hình 4.10: Luồng nghiệp vụ pha phân mảnh liệu 47 Hình 4.11: Kết sample pha phân mảnh liệu 47 Hình 4.12: Luồng nghiệp vụ pha huấn luyện liệu 49 Hình 4.13: Biểu đồ pha huấn luyện liệu .50 Hình 4.14: Mã nguồn sample cho huấn luyện liệu 51 Hình 4.15: Luồng nghiệp vụ pha sinh câu trả lời 52 Hình 4.16: Mã nguồn sample cho pha sinh câu trả lời 53 Hình 5.1: Quy trình bán hàng tự động iSales 55 DANH MỤC BẢNG BIỂU Bảng 2.1 Bảng phân loại hình bán hàng 12 Bảng 4.1 Các công cụ xây dựng hình iSales 38 Bảng 4.2 Các phiên graphAPI Facebook 40 Bảng 4.3 Bảng nội dung làm liệu .44 Bảng 4.4 Danh sách cấu phần xử lý pha huấn luyện .50 Bảng 5.1 Danh sách page facebook thu thập liệu 56 Bảng 5.2 Bảng kết huấn luyện liệu 57 Bảng 5.3 Danh sách câu hỏi thử nghiệm .57 Bảng 5.4 Thử nghiệm sinh câu trả lời trường hợp 58 Bảng 5.5 Thử nghiệm sinh câu trả lời trường hợp 59 Bảng 5.6 Thử nghiệm sinh câu trả lời trường hợp 60 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 hình bán hàng, hỗ trợ người bán đưa câu trả lời tự động, giảm thiểu công sức 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 hình bán hàng tự động Internet” Hiện tại, 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 CHƯƠNG 1: GIỚI THIỆU CHUNG Mạng xã hội ngày phát triển, người bán hàng trực tiếp thông qua internet Người bán hàng quảng cáo sản phẩm họ, người mua hàng cần nắm thông tin mức giá sản phẩm Giữa hai bên cần có đối thoại để tìm hiểu đến kết luận phiên vấn Bài toán đặt nay, nhu cầu giới thiệu sản phẩm, người bán hàng cần thêm hình vấn tự động cho website Vậy hình bán hàng tự động gì? Tại lại cần vậy? Những lợi ích thuận tiện đạt sử dụng hình gì? Để giải đáp cho câu hỏi trên, ta lấy ba ví dụ cụ thể website bán giày da, website bán đồ thời trang online mạng, website bán hàng mỹ phẩm, ba website tích hợp ứng dụng chat Ở ví dụ đầu tiên, cửa hàng bán giày da bình thường khách Buổi sáng yêu cầu vấn sản phẩm, buổi trưa nhân viên bán hàng ăn trưa Đầu chiều, quay lại, nhân viên bán hàng phát có khách hàng hỏi sản phẩm lúc Do phản hồi vấn, khách hàng rời Website bán giày da khách hàng tiềm Ngược lại, website bán đồ thời trang online, số lượng khách hàng hỏi sản phẩm nhiều Hai nhân viên bán hàng vừa hỗ trợ khách mua hàng shop, vừa vấn online qua ứng dụng chat Công việc nhiều, nhân viên đảm đương hết trọng trách, khách hàng online cảm thấy không thỏa mái không vấn rời Website bán đồ thời trang online lợi nhuận không nhỏ Ở website cuối cùng, nữ nhân viên bán hàng mỹ phẩm liên tục phải trả lời thắc mắc gần giống khách hàng mẫu sản phẩm Ứng dụng chat tích hợp sẵn website không cho phép đưa câu trả lời cho câu hỏi tương tự Những vấn đề nêu trên, chứng minh lúc đủ thời gian nguồn nhân lực để sẵn sàng kết nối, vấn với khách hàng Do đó, cần có hình trả lời bán hàng tự động Tự động học liệu từ đoạn đối thoại mẫu, tự động sinh câu trả lời dựa câu hỏi đầu hỏi Microsoft đưa lời giải cho nhánh nhỏ toán, xây dựng hình bán pizza tự động có tên chatbot Skype hình xây dựng phương pháp trích xuất câu trả lời, cho phép người mua hàng đặt hàng pizza cách trả lời thông tin hỏi từ chatbot Tuy nhiên, lời giải chưa hỗ trợ Tiếng Việt, kết người mua hàng không thực yêu cầu chatbot Những bất cập làm cho việc vận hàng sử dụng hệ thống không 49 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) Không 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 hình Lưu trữ kết huấn luyện (model.ckpt) Kết thúc pha huấn luyện liệu Hình 4.12: Luồng nghiệp vụ pha huấn luyện liệu Với luồng nghiệp vụ trên, đề xuất sử dụng ngôn ngữ lập trình python, thư viện gồm có NLTK - công cụ xử lý ngôn ngữ tự nhiên mã nguồn mở, cho phép xử lý tách văn Framework học máy Tensor Flow, phạm vi luận văn, sử dụng phiên v0.9.0 phát hành ngày 22 tháng năm 2016 Kiến trúc phần mềm pha huấn luyện gồm lớp chính: 50 Bảng 4.4 Danh sách cấu phần xử lý pha huấn luyện Tên lớp Main.py Mục đích Phân tích liệu đầu vào Huấn luyện hình theo số lần yêu cầu Lưu trữ hình Đọc liệu từ file đầu vào, lưu trữ thành câu hội thoại Biến đổi tập câu hội thoại thành cặp hình đối thoại seq2seq Sử dụng nltk phân tách câu hội thoại thành mã Lưu trữ dataset Cornelldata.py Textdata.py Từ quy trình nghiệp vụ pha, kết hợp với danh mục cấu phần xử lý, có biểu đồ sau: Main.py Textdata.py Cornelldata.py args corpusDir (data/cornell) loadVNConversation() conversations extractConversation() saveDataset() dataset trainingModel() saveModel() Hình 4.13: Biểu đồ pha huấn luyện liệu Trong loadVNConversation, hàm đọc liệu từ file kết tokenizer.txt từ pha phân mảnh liệu Hàm đọc dòng đưa vào mảng conversations ExtractConversation hàm thao tác xử lý mảng conversations nhằm tạo tập trainingSamples chứa mẫu đối thoại seq2seq, loại bỏ dòng 51 cuối (do để dòng cuối câu hỏi câu trả lời), ghép cặp câu liền kề thành hình đối thoại seq2seq, lưu trữ hình đối thoại vào mảng thư viện huấn luyện (trainingSamples) SaveDataset, hàm thao tác lưu trữ dataset phục vụ huấn luyện Các thông tin có dataset gồm có word2id - object mapping từ sang mã, id2word - object mapping mã sang từ, trainingSamples - chứa mẫu đối thoại seq2seq Hàm cuối cùng, quan trọng trainingModel: hàm thao tác huấn luyện dựa dataset Với tham số truyền vào numEpochs, hàm thực tương ứng số lần huấn luyện hình Trong lần huấn luyện, dataset xáo trộn để tăng tính xác cuối Sau trình huấn luyện, hàm tiến hành lưu trữ model Hình 4.14: Mã nguồn sample cho huấn luyện liệu Output pha dataset tạo từ liệu thu thập hình iSales qua huấn luyện hình giải vấn đề xây dựng hình hiểu ngôn 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 4.3.5 Pha sinh câu trả lời Dựa hình xây dựng qua bước huấn luyện liệu, ứng dụng hình liệu để dùng cho việc sinh câu trả lời vấn cho câu hỏi đầu vào Khi câu hỏi đặt ra, hệ thống phân tách câu hỏi từ, 52 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 Không tìm thấy Encoder câu hỏi đầu vào model Decoder câu đáp án Báo lỗi Kết thúc pha sinh câu trả lời Hình 4.15: Luồng nghiệp vụ pha sinh câu trả lời Dựa hình trên, ta tả luồng nghiệp vụ sau Bước 1, kiểm tra file đầu vào (model.ckpt/dataset), báo lỗi Bước 2, dựa model/dataset từ pha trước, tái kiến trúc lại LSTM Bước 3, sử dụng encoder để encode câu hỏi Bước 4, đưa kết encode vào LSTM nêu Bước 5, sử dụng decoder LSTM để sinh câu trả lời hợp lý Ta xây dựng hàm ứng dụng cụ thể sau: 53 Hình 4.16: Mã nguồn sample cho pha sinh câu trả lời Output pha câu trả lời tạo từ 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 hình với phương pháp LSTM cho phép 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 nhớ dài hạn Bên cạnh đó, huấn luyện 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 toán hình bán hàng tự động hình có tổng thể pha, xây dựng dựa phương pháp học chuỗi seq2seq mạng nơ-ron 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, thử nghiệm iSales với liệu thực tế mạng, với danh sách câu hỏi chương 54 CHƯƠNG 5: THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ Ở Chương này, thực thử nghiệm iSales usecase cụ thể Kết thử nghiệm minh họa thông qua hình thực nghiệm, với liệu facebook danh sách loạt câu hỏi Môi trường thử nghiệm hoạt động máy tính cá nhân, cài đặt tất pha hoạt động 5.1 Phát biểu usecase Chương đưa giải pháp xây dựng hình đề xuất iSales Để đánh giá khách quan cho hình, cần có usecase áp dụng cụ thể Sau trình khảo sát, tìm hiểu, xin đưa quy trình nghiệp vụ việc bán hàng tự động Internet sau: - Bước 1: Người mua hàng truy cập vào đường link website bán hàng - Bước 2: Người mua hàng xem mặt hàng cần mua, đặt câu hỏi vấn - Bước 3: Câu hỏi gửi đến iSales, iSales phân tích trả lời câu hỏi cách tự động Người mua hàng nhận câu trả lời, không thỏa mãn, đặt câu hỏi tiếp theo, iSales tiếp tục công việc vấn Phiên vấn diễn liên tục người mua hàng đồng ý mua hàng rời khỏi hệ thống - Bước 4: Người bán hàng nhận kết vấn iSales người mua hàng Hoặc xử lý đơn hàng, bỏ qua tùy thuộc vào kết vấn - Bước 5: Người bán hàng thực sàng lọc, chuyển liệu vấn vào kho liệu cho iSales tự động học tiếp 55 Người mua hàng hình bán hàng tự động iSales Bắt đầu (Đăng nhập website) Tự huấn luyện tạo hình Đặt câu hỏi Câu hỏi Người bán hàng Kho liệu người dùng Phân tích Sinh câu trả lời Chuyển liệu tới kho cho hình học tiếp Kết thúc phiên vấn Thực dựa kết vấn Câu trả lời Không đồng ý Quyết định dừng vấn ? (Mua hàng/thoát) Đồng ý Kết thúc Hình 5.1: Quy trình bán hàng tự động iSales Usecase đề xuất người mua hàng muốn vấn đề sản phẩm “áo sơ mi” Kịch đặt người mua truy cập iSales, đưa câu hỏi áo sơ mi, đặt câu hỏi tình liên quan đến màu sắc, cỡ, giá áo, tiếp định mua áo yêu cầu ship địa nhà riêng Yêu cầu đặt hệ thống cần thực đầy đủ pha, phiên vấn cần 10 câu hỏi Trên lý thuyết, phương pháp đánh giá cho hình sử dụng trí tuệ nhân tạo phép thử Turing [15], kiểm tra đánh giá mang tính chất cảm tính Tuy nhiên, việc đánh giá cảm tính dựa hợp lý kết mà iSales cung cấp Ngoài ra, đứng phương diện người dùng, so sánh kết iSales chatbot Skype để đưa thêm số nhận xét 5.2 Thử nghiệm iSales Thử nghiệm 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 5.1 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 gian huấn luyện thuật toán 56 sử dụng Để có kết chi tiết hơn, 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 Bảng 5.1 Danh sách page facebook thu thập liệu Tên page cuahangcongnghecom laroseshop1990 Hilheoshop96 92wear banhangtructuyen360 ChilloutVillage.vn ChoNinhHiep.net T.Shirt.Pro adoredressdesign cloud.cuckoo.shop tả Trang bán hàng công nghệ Trang bán hàng quần áo Trang bán hàng quần áo Trang bán hàng quần áo Trang bán hàng quần áo Trang bán hàng quần áo Trang bán hàng quần áo Trang bán hàng quần áo Trang bán hàng quần áo 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 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, không dòng trống, dòng lặp bị xóa, comment ý nghĩa bị loại bỏ Output pha phân mảnh liệu tokenizer.txt, với số dòng liệu không thay đổi, nhiên liệu không dòng trống, dòng lặp bị xóa, comment ý nghĩa bị loại bỏ, từ tách theo chuẩn Tiếng Việt Mặc dù có số câu tách chưa chuẩn “Dạ giá 850k_ạ”…nhưng đánh giá sơ kết áp dụng cho huấn luyện liệu Hai pha cuối huấn luyện liệu sinh câu trả lời thử nghiệm VMware giả lập Ubuntu 14.04 Do khác biệt môi trường nên cần chuyển file kết pha phân mảnh liệu (tokenizer.txt) sang thư mục /Home/Desktop/GR/DeepQA/data/cornell môi trường giả lập Ubuntu 57 Theo mở đầu phần, để có đánh giá tốt hơn, thực huấn luyện liệu với trường hợp sau Trường hợp 1, chấp nhận hỏi với độ dài hội thoại với số vòng huấn luyện 10 Trường hợp 2, nâng độ dài hội thoại lên 10, nâng số vòng huấn luyện lên 20 Trường hợp 3, nâng độ dài hội thoại lên 15, nâng số vòng huấn luyện lên 30 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 Bảng 5.2 Bảng kết huấn luyện liệu Trường hợp Trường hợp Trường hợp Tham số huấn luyện maxlength = maxlength = 10 maxlength = 15 numEpochs=10 numEpochs=20 numEpochs=30 Dữ liệu huấn luyện 4460 từ 4460 từ 4460 từ 3896 cặp vấn 3896 cặp vấn 3896 cặp vấn Thời gian huấn luyện ~32 phút ~ 14 phút ~ 20 phút 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 Bảng 5.3 Danh sách câu hỏi thử nghiệm Câu hỏi thử nghiệm xin chào muốn mua áo sơ mi có màu trắng không màu đen không màu khác không cỡ áo l không cỡ áo s hết bạn áo trắng bn giá màu đen giá màu trắng tự phải mua ko hàng tả Câu chào hỏi Câu tả mục đích Yêu cầu vấn màu sắc Yêu cầu vấn màu sắc Yêu cầu vấn màu sắc Yêu cầu vấn kích cỡ Yêu cầu vấn kích cỡ Yêu cầu vấn giá Yêu cầu vấn giá Yêu cầu vấn giá Yêu cầu vấn địa điểm Yêu cầu vấn địa điểm 58 ship tỉnh khác thêm khoảng Yêu cầu vấn địa điểm bạn Yêu cầu vấn địa điểm ship vĩnh phúc hết chuyển qua bình xuyên, vĩnh phúc bạn nha Yêu cầu vấn địa điểm 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 Bảng 5.4 Thử nghiệm sinh câu trả lời trường hợp Human: xin chào iSales (case01): yeah Human: muốn mua áo sơ mi iSales (case01) : Human: có màu trắng không iSales (case01): giá Human: màu đen không iSales (case01): ok Human: màu khác không iSales (case01): ok Human: cỡ áo l không iSales (case01): 40 Human: cỡ áo s hết bạn iSales (case01): Human: áo trắng bn iSales (case01): mũ 180k Human: giá màu đen iSales (case01): Áo 180k bn nha Human: giá màu trắng iSales (case01): Human: tự phải mua ko iSales (case01): Human: hàng iSales (case01): Human: ship tỉnh khác thêm khoảng bạn iSales (case01): Human: ship vĩnh phúc hết iSales (case01): Human: chuyển qua bình xuyên, vĩnh phúc bạn nha iSales (case01): 59 Bảng 5.5 Thử nghiệm sinh câu trả lời trường hợp Human: xin chào iSales (case02): vy ngoc Human: muốn mua áo sơ mi iSales (case02) : không Human: có màu trắng không iSales (case02): có Human: màu đen không iSales (case02): bn bn shop Human: màu khác không iSales (case02): ok Human: cỡ áo l không iSales (case02): hiccc Human: cỡ áo s hết bạn iSales (case02): hiccc Human: áo trắng bn iSales (case02): mũ 180k Human: giá màu đen iSales (case02): chất riêng Human: giá màu trắng iSales (case02): giá Human: tự phải mua ko iSales (case02): 40 Human: hàng iSales (case02): yeah Human: ship tỉnh khác thêm khoảng bạn iSales (case02): Human: ship vĩnh phúc hết iSales (case02): giá 550k Human: chuyển qua bình xuyên, vĩnh phúc bạn nha iSales (case02): không 60 Bảng 5.6 Thử nghiệm sinh câu trả lời trường hợp Human: xin chào iSales (case03): đẹp Human: muốn mua áo sơ mi iSales (case03) : ok a Human: có màu trắng không iSales (case03): láng ah Human: màu đen không iSales (case03): ok Human: màu khác không iSales (case03): ok Human: cỡ áo l không 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 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 5.3 Đánh giá kết Sau thực thử nghiệm 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 hoàn toàn mang tính chất khách quan Tuy nhiên thấy, iSales tự đưa câu trả lời với tất câu hỏi phù hợp 61 - Vấn đề xây dựng hình hiểu ngôn 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 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, hoàn 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 62 KẾT LUẬN Luận văn tập trung tìm hiểu thực trạng hình bán hàng giới Việt Nam, đưa nhược điểm, thành phần cần cải tiến, từ đề xuất giải pháp, xây dựng hình bán hàng iSales có tính tự động, không phụ thuộc vào người bán hàng trình vấn dịch vụ 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 vấn iSales đưa ngô 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 vấn lưu trữ doanh nghiệp - Cải tiến pha huấn luyện liệu để giảm thời gian huấn luyện tăng hiệu đầu hình Đồng thời, muốn phối hợp nghiên cứu triển khai ứng dụng với đơn vị bên ngoài, đầu 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 63 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-to-Sequence 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” [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 short-term memory" [15] Feigenbaum, Edward A 2003, “Some challenges and grand challenges for computational intelligence” ... Hình 2.5: Mô hình bán hàng sử dụng chatbot Skype Hình 2.6: Mô hình bán hàng sử dụng uhChat 10 Hình 2.7: Mô hình bán hàng sử dụng Subiz 11 Hình 3.1: Các bước chung mô hình. .. sung kiến thức xây dựng mô hình bán hàng tự động - Chương 4: Giải pháp xây dựng mô hình đề xuất iSales Đề xuất giải pháp cho mô hình đề xuất iSales, mô tả thành phần phương án xây dựng chi tiết... người bán hàng cần thêm mô hình tư vấn tự động cho website Vậy mô hình bán hàng tự động gì? Tại lại cần mô vậy? Những lợi ích thuận tiện đạt sử dụng mô hình gì? Để giải đáp cho câu hỏi trên,

Ngày đăng: 09/06/2017, 13:15

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] Facebook Messenger, September 2016, “Facebook Messenger” Sách, tạp chí
Tiêu đề: Facebook Messenger
[2] Microsoft, 31 Mar 2016, “Build 2016: Microsoft Skype bots preview announced” Sách, tạp chí
Tiêu đề: Build 2016: Microsoft Skype bots preview announced
[3] Martín Abadi, 14 Mar 2016, “TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems” Sách, tạp chí
Tiêu đề: 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” Sách, tạp chí
Tiêu đề: 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” Sách, tạp chí
Tiêu đề: An ANN-based approach for predicting global radiation in locations with no direct measurement instrumentation
[6] Ondřej Dušek, Filip Jurčíček, 17 Jun 2016, “Sequence-to-Sequence Generation for Spoken Dialogue via Deep Syntax Trees and Strings” Sách, tạp chí
Tiêu đề: Sequence-to-Sequence 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” Sách, tạp chí
Tiêu đề: On the difficulty of training recurrent neural networks
[8] James Ryan, September 2016, “Translating Player Dialogue into Meaning Representations Using LSTMs” Sách, tạp chí
Tiêu đề: Translating Player Dialogue into Meaning Representations Using LSTMs
[9] Jay Parikh, August 2012, “Facebook processes more than 500 TB of data daily” Sách, tạp chí
Tiêu đề: Facebook processes more than 500 TB of data daily
[11] Lưu Tuấn Anh, Yamamoto Kazuhide, 16 Feb 2013, “Pointwise for Vietnamese Word Segmentation” Sách, tạp chí
Tiêu đề: Pointwise for Vietnamese Word Segmentation
[12] Xue-Wen Chen, Xiaotong Lin, 16 May 2014, “Big Data Deep Learning: Challenges and Perspectives” Sách, tạp chí
Tiêu đề: Big Data Deep Learning: Challenges and Perspectives
[13] Francois Chaubard, Rohit Mundra, Richard Socher, Spring 2015, “CS 224D: Deep Learning for NLP” Sách, tạp chí
Tiêu đề: CS 224D: Deep Learning for NLP
[15] Feigenbaum, Edward A. 2003, “Some challenges and grand challenges for computational intelligence” Sách, tạp chí
Tiêu đề: Some challenges and grand challenges for computational intelligence
[14] Sepp Hochreiter; Jürgen Schmidhuber, 1997, "Long short-term memory&#34 Khác

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w