1. Trang chủ
  2. » Luận Văn - Báo Cáo

Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương

66 29 1

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 66
Dung lượng 2,43 MB

Nội dung

Mục đích nghiên cứu của Luận văn nhằm xây dựng, cài đặt và vận hành một mô hình trả lời tự động với mục tiêu của đề tài là tiết kiệm được nhân lực và thời gian trong quá trình tiếp nhận, và giải quyết các yêu cầu của người dân, doanh nghiệp trên địa bàn tỉnh. Mời các bạn cùng tham khảo!

Ngày đăng: 06/07/2021, 11:22

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] L. Vergeest, “Using N-grams and Word Embeddings for Twitter Hashtag Suggestion”, 2014, Tilburg University (School of Humanities) Sách, tạp chí
Tiêu đề: Using N-grams and Word Embeddings for Twitter Hashtag Suggestion
[4] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory”, Neural Computation, vol. 9, pp. 1735–1780, 1997 Sách, tạp chí
Tiêu đề: Long Short-Term Memory
[5] Nhữ Bảo Vũ, “Xây dựng mô hình đối thoại cho tiếng việt trên miền mở dựa vào phương pháp học chuỗi liên tiếp”, đại học quốc gia Hà Nội, trường Đại học Công Nghệ 2016 Sách, tạp chí
Tiêu đề: Xây dựng mô hình đối thoại cho tiếng việt trên miền mở dựa vào phương pháp học chuỗi liên tiếp
[6] Zichao Yang, Diyi Yang, Chris Dyer, Xiaodong He, Alex Smola, and Eduard Hovy, “Hierarchical attention networks for document classification”, In Proc ACL, 2016 Sách, tạp chí
Tiêu đề: Hierarchical attention networks for document classification”, In "Proc ACL
[7] Wang P, Qian Y, Soong F K, He L, Zhao H, “Part-of-Speech Tagging with Bidirectional Long Short-Term Memory Recurrent Neural Network”, Cornell University, 2015 Sách, tạp chí
Tiêu đề: Part-of-Speech Tagging with Bidirectional Long Short-Term Memory Recurrent Neural Network
[10] Nal Kalchbrenner, Edward Grefenstette and Phil Blunsom. “A convolutional neural network for modelling sentences”. In Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics (ACL-14), pages 655-665. 2014 Sách, tạp chí
Tiêu đề: A convolutional neural network for modelling sentences
[11] Tom Young, Devamanyu Hazarika, Soujanya Poria, Erik Cambria. “Recent Trends in Deep Learning Based Natural Language Processing”. IEEE Computational Intelligence Magazine, 2018 Sách, tạp chí
Tiêu đề: Recent Trends in Deep Learning Based Natural Language Processing
[14] Nguyen Van-Tu and Le Anh-Cuong. Improving question classification by feature extraction and selection. Indian Journal of Science and Technology, 9(17). 2016 [15] Nguyễn Thị Thanh Hương, “Xây dựng hệ thống trả lời tự động Chatbot bằngtiếng Việt sử dụng phương pháp học sâu”, đại học Thủ Dầu Một, 2019 Sách, tạp chí
Tiêu đề: Indian Journal of Science and Technology", 9(17). 2016 [15] Nguyễn Thị Thanh Hương, “Xây dựng hệ thống trả lời tự động Chatbot bằng tiếng Việt sử dụng phương pháp học sâu
[16] Bui Thanh Hung. (2019). "Vietnamese Question Classification based on Deep Learning for Educational Support System". The 19th International Symposium on Communications and Information Technologies, ISCIT 9.2019 Sách, tạp chí
Tiêu đề: Vietnamese Question Classification based on Deep Learning for Educational Support System
Tác giả: Bui Thanh Hung
Năm: 2019
[17] Bui Thanh Hung. (2019). "Integrating Diacritics Restoration and Question Classification into Vietnamese Question Answering System". Special Issue on Advancement in Engineering and Computer Science Journal - ASTESJ, Volumn 4, Issue 5, Page No 207-212,, October 2019. ISSN: 2415-6698 Sách, tạp chí
Tiêu đề: Integrating Diacritics Restoration and Question Classification into Vietnamese Question Answering System
Tác giả: Bui Thanh Hung
Năm: 2019
[18] Cơ sở dữ liệu Quốc gia về thủ tục hành chính: http://csdl.thutuchanhchinh.vn/Pages/trang-chu.aspx Link
[8] Andreas, J., Rohrbach, M., Darrell, T., and Klein, Deep Learning to Compose Neural Networks for Question Answering. arXiv preprint arXiv:1601.01705.2016 Khác
[9] Jinfeng Rao, Hua He, and Jimmy Lin. Noise-contrastive estimation for answer selection with deep neural networks. In Proceedings of the 25th ACM International on Conference on Information and Knowledge Management, CIKM ’16, pages 1913–1916, New York, NY, USA. ACM. 2016 Khác
[12] Tom Young, Devamanyu Hazarika, Soujanya Poria, Erik Cambria, “Recent Trends in Deep Learning Based Natural Language Processing, IEEE Computational Intelligence Magazine, 2018 Khác
[13] Yoon Kim. Convolutional neural networks for sentence classification. CoRR, abs/1408.5882. 2014 Khác
[19] Quyết định số 1284/QĐ-UBND ngày 17/5/2019 về việc công bố thủ tục hành chính thuộc thẩm quyền giải quyết của Sở Thông tin và Truyền thông/Ủy ban nhân dân cấp huyện trên địa bàn tỉnh Bình Dương Khác

HÌNH ẢNH LIÊN QUAN

Hình 2.1: Tổng quan các nghiên cứu về xử lý ngôn ngữ tự nhiên - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.1 Tổng quan các nghiên cứu về xử lý ngôn ngữ tự nhiên (Trang 17)
Hình 2.4: Minh hoạ quản lý hội thoại theo mô hình máy trạng thái hữu hạn FSA  - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.4 Minh hoạ quản lý hội thoại theo mô hình máy trạng thái hữu hạn FSA (Trang 21)
Hình 2.6: Biểu diễn one-hot-vector - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.6 Biểu diễn one-hot-vector (Trang 23)
Hình 2.7: Mô hình Word2vector - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.7 Mô hình Word2vector (Trang 24)
Hình 2.9: Mô hình CBOW chi tiết - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.9 Mô hình CBOW chi tiết (Trang 26)
Ngược lại với mô hình CBOW ở trên, trong mô hình Skip gram, đầu vào (input) là từ cần tìm mối quan hệ, đầu ra (output) là các từ có quan hệ gần nhất với  từ được đưa ở đầu vào - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
g ược lại với mô hình CBOW ở trên, trong mô hình Skip gram, đầu vào (input) là từ cần tìm mối quan hệ, đầu ra (output) là các từ có quan hệ gần nhất với từ được đưa ở đầu vào (Trang 27)
Hình 2.12: Ma trận trọng số của lớp ẩn của mô hình Word2vec - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.12 Ma trận trọng số của lớp ẩn của mô hình Word2vec (Trang 28)
Hình 2.11: Mô hình mạng nơ ron 1 lớp ẩn của Word2vec - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.11 Mô hình mạng nơ ron 1 lớp ẩn của Word2vec (Trang 28)
Hình 2.13: Lớp ẩn của mô hình hoạt động như một bảng tra cứu - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.13 Lớp ẩn của mô hình hoạt động như một bảng tra cứu (Trang 29)
Hình 2.15: Mô hình DeepLearnin g1 - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.15 Mô hình DeepLearnin g1 (Trang 30)
RNN là một mô hình có trí nhớ (memory), có khả năng nhớ được thông tin đã tính toán trước đó - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
l à một mô hình có trí nhớ (memory), có khả năng nhớ được thông tin đã tính toán trước đó (Trang 31)
Hình 2.18: RNN phụ thuộc long-term - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.18 RNN phụ thuộc long-term (Trang 32)
Hình 2.20: Deep (Bidirectional) RNN - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.20 Deep (Bidirectional) RNN (Trang 33)
Hình 2.21: Các module lặp của mạng RNN chứa một layer - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.21 Các module lặp của mạng RNN chứa một layer (Trang 34)
Hình 2.30: Tổng quan Chatbot - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 2.30 Tổng quan Chatbot (Trang 39)
Hình 3.2: Quy trình huấn luyện dữ liệu - dự đoán kết quả - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 3.2 Quy trình huấn luyện dữ liệu - dự đoán kết quả (Trang 47)
3.2.2. Mô hình học sâu BiLSTM xây dựng hệ thống hỏi đáp tự động - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
3.2.2. Mô hình học sâu BiLSTM xây dựng hệ thống hỏi đáp tự động (Trang 48)
Hình 3.3: Quá trình embedding của một câu - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 3.3 Quá trình embedding của một câu (Trang 48)
Hình 3.5: Mô hình huấn luyện dữ liệu với BiLSTM - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 3.5 Mô hình huấn luyện dữ liệu với BiLSTM (Trang 49)
Hình 3.6: Mô hình dự đoán kết quả - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 3.6 Mô hình dự đoán kết quả (Trang 50)
Hình 3.7: Quy trình đánh giá quá trình huấn luyện và dự đoán kết quả - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 3.7 Quy trình đánh giá quá trình huấn luyện và dự đoán kết quả (Trang 51)
Bảng 4.5 Bảng Kết quả đánh giá ứng dụng ICTBot - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Bảng 4.5 Bảng Kết quả đánh giá ứng dụng ICTBot (Trang 57)
Bảng 4.4 Tổng hợp khảo sát ứng dụng ICTBot - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Bảng 4.4 Tổng hợp khảo sát ứng dụng ICTBot (Trang 57)
Hình 4.5: Giao diện Web- Chọn lựa mục để hỏi - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 4.5 Giao diện Web- Chọn lựa mục để hỏi (Trang 58)
Từ màn hình chính người dùng chọn ICTBot để vào ứng dụng trả lời tự động. Người  dùng  có  thể  chọn  lựa  một  trong  các  danh  mục  để  hỏi  như  Báo  chí,  Bưu chính, Phát thanh truyền hình, Xuất bản và thông tin chung của Sở Thông tin  và Truyền thôn - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
m àn hình chính người dùng chọn ICTBot để vào ứng dụng trả lời tự động. Người dùng có thể chọn lựa một trong các danh mục để hỏi như Báo chí, Bưu chính, Phát thanh truyền hình, Xuất bản và thông tin chung của Sở Thông tin và Truyền thôn (Trang 58)
Hình 4.7: Giao diện phân tích dữ liệu - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 4.7 Giao diện phân tích dữ liệu (Trang 59)
Hình 4.8: Giao diện phân tích tỉ lệ huấn luyện dữ liệu - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 4.8 Giao diện phân tích tỉ lệ huấn luyện dữ liệu (Trang 59)
Hình 4.9: Giao diện kết quả đánh giá mô hình - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 4.9 Giao diện kết quả đánh giá mô hình (Trang 60)
Hình 4.10: Giao diện đánh giá ứng dụng - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 4.10 Giao diện đánh giá ứng dụng (Trang 60)
Hình 4.11: Kết quả phản hồi của người dùng - Luận văn Thạc sĩ Hệ thống thông tin: Xây dựng hệ thống hỏi đáp tự động hỗ trợ công tác tư vấn dịch vụ hành chính công tại Sở Thông tin và Truyền thông tỉnh Bình Dương
Hình 4.11 Kết quả phản hồi của người dùng (Trang 61)

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN