Machine Translated by Google
Tập 10, số 3, tháng 5 - tháng 6
năm S2021
Sai Kiran Tạp
và cộng sự, chí Quốc
Tạp chí Quốc tế vềXu Xu
tế về hướng
hướng Tiên
Tiên tiến
trong Khoa trong
tuyến tại http://www.warse.org/IJATCSE/static/pdf/file/ijatcse751032021.pdf https://
doi .org / 10.30534 / ijatcse / 2021/751032021
Trò chuyện học sâu sử dụng Python
Sai Kiran S1 , Srinivas Likhith R2
1
Đại học, Viện Công nghệ Vellore, Ấn Độ, singamaneni.saikiran2018@vitstudent.ac.in Đại học, Viện Công
2
nghệ Vellore, Ấn Độ, srinivas.likhith2018@vitstudent.ac.in Phó Giáo sư, Viện Công nghệ Vellore, Ấn
3
Độ, pswarnalatha @ vit. ac.in
TRỪU TƯỢNG
Nhiều tổ chức đang thực hiện Chatbots để giải quyết
các thắc mắc của khách hàng và liên hệ với khách
hàng. Như đã chỉ ra bởi Mindshare, 63% người mua sắm
sẽ cân nhắc sử dụng chatbot khi truy cập trang web
của doanh nghiệp hoặc thương hiệu. Một trong những AI cơ bản
Lợi ích của chatbot là nó có thể truyền đạt sự hài
lòng trong giây lát. Các cá nhân thường thích truy
cập trực tuyến hơn là dành nỗ lực gọi đến số 800 của
tổ chức. mặt hàng mà bạn đã mua, v.v. Vì vậy, những
loại công việc vặt dễ dàng hơn, không yêu cầu sự hiện
diện thực tế, có thể được thay thế bằng chatbots. Vì
vậy, chúng tôi sẽ tạo ra một chatbot, khi được cung
cấp các tài liệu có mục đích hợp lý phụ thuộc vào một
mặt hàng cụ thể hoặc nhu cầu cần thiết, có thể chuẩn
bị trên đó bằng cách sử dụng các Mạng Neural Lớp khác
nhau và tạo ra một mô hình.
Sử dụng mô hình này, chatbot của chúng tôi có thể trả lời các câu hỏi
của khách hàng.
Từ khóa: Ý định, Lớp, Mạng thần kinh, Học sâu,
Chatbot.
1. GIỚI THIỆU
Trong thời đại ngày nay, cách chúng ta kết hợp với
các tiện ích nâng cao của mình thường bị giới hạn khi
xem những điểm nổi bật và mức độ mở mà mọi tiện ích
mang lại. Chúng tôi kỳ vọng sẽ tiếp thu thông tin
liên quan đến từng tiện ích mới mà chúng tôi giao
diện. Chatbots giải quyết vấn đề này bằng cách
kết nối với một khách hàng sử dụng độc lập.
Chatbots hiện đang là cách dễ dàng nhất. Chúng tôi
có phần mềm dành cho mọi người vì họ có cuộc gặp gỡ
hoặc trò chuyện với ai đó. Kể từ khi chatbot sao chép
một cá nhân thực, các chiến lược Trí tuệ nhân tạo
(AI) được sử dụng để xây dựng chúng. Một trong những
quy trình bên trong AI là Học sâu đóng giả trí óc
con người. Nó phát hiện ra các mẫu từ dữ liệu đào
tạo và sử dụng các mẫu tương tự để xử lý dữ liệu
mới. Deep Learning hứa hẹn sẽ giải quyết các vấn đề
về AI lâu đời như Thị giác máy tính và Xử lý ngôn
ngữ tự nhiên (NLP), với việc Google đầu tư 4,5 triệu
đô la vào Montreal AI Lab bất chấp giải thưởng AI
của chính phủ.
ISSN 2278-3091
tiến
Khoa
học Máy tính và học Máy10tính
Kỹ thuật, và Kỹ
(3), Tháng 5 - thuật Có 2021,
Tháng 6 năm sẵn 2019
Trực- 2023
, P Swarna Latha3
213 triệu đô la. Các chatbot hiện tại đang ở gần,
chẳng hạn như Siri, Alexa, Cortana và Google
Assistant phải đối mặt với những thách thức trong
việc hiểu mục tiêu của khách hàng và do đó trở nên
khó quản lý. Đặc biệt, các chatbot này không thể theo
dõi tình hình cụ thể và chịu đựng trong các cuộc thảo luận kéo dài.
Một điểm bất cập khác của các chatbot này là chúng
được lập kế hoạch rõ ràng để hỗ trợ khách hàng cho
một số vấn đề cụ thể, do đó giới hạn khu vực của họ.
Họ không thể thực hiện một cuộc thảo luận thông minh
và kết nối giữa hai cá nhân về những điểm nổi tiếng
như tin tức đang diễn ra, các vấn đề chính phủ và
thể thao.
Trong bài báo này, chúng tôi ban đầu thảo luận về
Học sâu là gì và tìm ra mô hình nào tương thích để
đào tạo một chatbot và chỉ cho bạn cách tạo
trò chuyện dựa trên học tập có thể hiểu ngôn ngữ của
con người và đưa ra các phản hồi thích hợp.
bước
và để
cáctạo
ra chatbot.
2. KHẢO SÁT TÀI LIỆU
Theo nghiên cứu “Sử dụng Chatbot cho Hệ thống Tư vấn
Y tế” Dịch vụ y tế là yêu cầu thiết yếu đối với sự
tồn tại của con người mặc dù thực tế là chúng thường
bị hạn chế về tài sản.
Những tiến bộ hiện tại được sử dụng để mở rộng năng
lực quản trị và giảm bớt hoạt động Các khung tin nhắn
hoặc chatbot Giá
được
cả. lập trình
rãi trong
sẵn, lĩnh
được vực
biếttổđến
chức
rộng
trực tuyến, có thể được áp dụng cho các lợi ích lâm
sàng. Do đó, mục tiêu của công việc này là thực hiện
quản trị hệ thống tư vấn y tế bằng cách sử dụng Công
nghệ chatbot. Nó được thực hiện phụ thuộc vào dữ liệu
chữ về các tác dụng phụ và hồ sơ điều trị được thu thập
từ ứng dụng DoctorMe. Kết quả thử nghiệm cho thấy
năng lực của hệ thống được đề xuất. Bên cạnh đó, nó
có xu hướng được sử dụng như một quy tắc để cải tiến
trong tương lai và
hơn nữa là quy tắc cho việc nghiên cứu sau này. [1]
Theo nghiên cứu “Kỹ thuật học sâu để triển khai
Chatbots”
Các phương pháp luận khác nhau cho sự tiến bộ của
chatbot và nhiều đổi mới khác nhau trong việc chế
tạo chatbot được tạo ra dựa trên những nỗ lực đó.
NLTK là một mô-đun trong python đã sẵn sàng để thực
hiện Xử lý ngôn ngữ tự nhiên. Nó được sử dụng để lấy
2019
Machine Translated by Google
Sai Kiran S và cộng sự, Tạp chí Quốc tế về Xu hướng Tiên tiến trong Khoa học Máy tính và Kỹ thuật, 10 (3), Tháng 5 - Tháng 6 năm 2021, 2019 - 2023
đầu vào dưới dạng lời nói và tạo ra câu trả lời mà mọi
người có thể hiểu được [2]
Theo nghiên cứu “Bộ công cụ xử lý ngôn ngữ tự nhiên CoreNLP
của Stanford”, việc thiết kế và sử dụng bộ công cụ CoreNLP
của Stanford, một
đường ống có thể mở rộng cung cấp phân tích ngôn ngữ tự
nhiên quan trọng. Bộ công cụ này được sử dụng rộng rãi, cả
trong nhóm NLP thăm dò và hơn nữa là các khách hàng doanh
nghiệp và chính phủ về đổi mới NLP nguồn mở. [3]
Theo nghiên cứu “Phương pháp tiếp cận dựa trên quy tắc để
bổ sung từ ngữ” Bài báo này nghĩ về hậu quả của hai thuật
toán bổ sung từ, một thuật toán phụ thuộc vào các nguyên
tắc if-then và
còn lại phụ thuộc vào các thuật toán tranh thủ quy tắc
ripple down. Nó trình bày vấn đề về sự biến đổi của các từ
trong nội dung miễn phí của Slovene và làm rõ lý do tại sao
phương pháp tiếp cận Quy tắc Ripple Down (RDR) lại rất phù
hợp với cam kết này. [4]
Theo nghiên cứu “Tạo và đánh giá Chatbots như là trợ lý đủ
điều kiện cho các thử nghiệm lâm sàng: Phương pháp tiếp cận
học sâu tích cực hướng tới phân loại lấy người dùng làm
trung tâm '', họ đã tạo ra một trình quản lý hội phân
thoại, bộ
loại
tiêu chí.
Sử dụng trình quản lý hội thoại, người dùng có thể trò
chuyện với chatbot. Mô-đun phân loại tiêu chí được sử dụng
để ánh xạ tiêu chí thành năm danh mục được xác định trước.
trình phân loại tiêu chí xử lý tiêu chí dưới dạng vectơ
nhúng từ. Thuật toán học tập tích cực, chọn tiêu chí mà mô
hình có
ít tự tin nhất về danh mục của nó để các nhà tiên tri nhân
loại gắn nhãn. Khi nhãn / lớp được nhận từ tiên tri con
người, thuật toán sẽ truyền nhãn tới các tiêu chí lân cận để
tăng số lượng mẫu trong tập huấn luyện.
Thuật toán cũng chịu trách nhiệm chọn một tập hợp xác thực
từ những tập hợp có nhãn, được chú thích bởi nhà tiên tri
của con người hoặc được suy ra bởi mô hình. Sau đó, mạng nơ-
ron tích chập được huấn luyện trên tập huấn luyện và được
kiểm tra trên tập xác nhận. Dựa trên độ tin cậy của dự đoán
của mô hình trên tập hợp xác thực, thuật toán học tập tích
cực một lần nữa chọn các tiêu chí mới với độ tin cậy thấp
để tiên tri con người gắn nhãn. Các
quy trình lặp lại cho đến khi đáp ứng một số lần lặp nhất
định .. [5]
Theo “Khảo sát về việc triển khai Chatbot trong ngành dịch
vụ khách hàng thông qua Mạng thần kinh sâu”, các chiến lược
tạo quy tắc cho chatbot đã được nâng cao. các chiến lược để
tạo chatbots phụ thuộc vào các quy tắc và mẫu viết tay. Với
sự gia tăng của học sâu, các mô hình này nhanh chóng được
thay thế bằng mạng nơ-ron end-to-end. Đặc biệt hơn nữa, Deep
Neural Networks là một mô hình dựa trên sự phát triển mạnh
mẽ để giải quyết các vấn đề tạo phản ứng hội thoại. Bài báo
này đã dẫn đầu một đánh giá từ trong ra ngoài về
Năm 2020
tài liệu, kiểm tra hơn 70 ấn phẩm liên quan đến chatbots
được xuất bản trong 5 năm qua.
Dựa trên một cuộc khảo sát tài liệu, bài kiểm tra này đã làm cho
so sánh từ các bài báo đã chọn theo chiến lược được thông
qua. Bài báo này cũng giới thiệu lý do tại sao các mô hình
chatbot hiện tại không tính đến khi tạo phản hồi và điều
này ảnh hưởng như thế nào đến
cuộc trò chuyện chất lượng. [6]
Theo nghiên cứu “Chatbot dựa trên phát hiện ý định
Lithuania được tạo thông qua tối ưu hóa siêu tham số tự
động” , họ đã xử lý vấnDNN
đề nhận dạng mục đích
Litva chodữ
bằng ngôn ngữ
liệu
được giám sát thực sự. Nguyên tắc tập trung chính của họ là
nâng cấp mô-đun Hiểu Ngôn ngữ Tự nhiên (NLU), chịu trách
nhiệm hiểu các câu hỏi của người dùng. Mô hình NLU được
chuẩn bị với kiểu vector hóa từ được lựa chọn thích hợp và
bộ phân loại Deep Neural Network (DNN). Trong quá trình thử
nghiệm của mình, họ đã tạm thời tìm hiểu về cách nhúng
fastText và BERT. [7]
Theo nghiên cứu “Công nghệ và thách thức Chatbot” , họ đã
đưa ra phác thảo về những đổi mới thúc đẩy chatbot, bao gồm
Khai thác thông tin và Học sâu. Họ cũng đã kiểm tra sự tương
phản giữa các chatbot trò chuyện và giao dịch -
trước đây được xác định theo cách thủ công trên nhật ký trò
chuyện dạng tự do, trong khi nhật ký trò chuyện cuối cùng
được đặc trưng về mặt vật lý để hoàn thành một mục tiêu cụ
thể như đặt chuyến bay. Họ cũng đã đưa ra một phác thảo về
các công cụ và nền tảng thương mại có thể giúp tạo và triển
khai chatbot. Cuối cùng, họ có
đã giới thiệu những hạn chế và khó khăn trong công việc
trong tương lai xung quanh đây. [8]
Theo nghiên cứu “Giao diện người dùng đàm thoại có thể truy
cập: cân nhắc khi thiết kế”, phạm vi hướng dẫn hiện tại và
hướng dòng chảy, báo cáo, thăm dò và viết về kế hoạch mở
cho các nhóm khuyết tật khác nhau, kết hợp khách hàng với
các vấn đề về sức khỏe tâm lý, mất cân bằng tâm thần, vấn
đề y tế, mất khả năng trí tuệ, chứng khó đọc hoặc thách
thức trong học tập, và các điểm yếu hữu hình, tính linh
hoạt hoặc khả năng. Họ đã nhóm các thành phần từ loại hướng
này dường như
áp dụng cho kế hoạch của các CUI có sẵn và các trường hợp
trong đó hướng đưa ra các vấn đề ít mang tính quyết định
hơn và cần được điều tra thêm. [9]
Theo nghiên cứu “Học tăng cường sâu dựa trên tập hợp cho
chatbots” , các chatbot có thể huấn luyện hiển thị các cuộc
thảo luận quen thuộc và giống con người vẫn là một thách
thức lớn trong nhân tạo
Machine Translated by Google
Sai Kiran S và cộng sự, Tạp chí Quốc tế về Xu hướng Tiên tiến trong Khoa học Máy tính và Kỹ thuật, 10 (3), Tháng 5 - Tháng 6 năm 2021, 2019 - 2023
Sự thông minh. Deep Reinforcement Learning (DRL) hứa hẹn
sẽ hướng đến bài kiểm tra này, tuy nhiên ứng dụng hiệu quả
của nó vẫn là một câu hỏi mở. Bài viết này mô tả một phương
pháp luận dựa trên tập hợp tiểu thuyết được áp dụng cho
các chatbot DRL dựa trên sự đánh giá, sử dụng các nhóm hoạt
động hạn chế như một loại mô tả mức độ quan trọng. Trong
phương pháp luận của họ,
trong khi các hoạt động trao đổi có được từ phân cụm câu,
các tập dữ liệu đào tạo trong nhóm của chúng tôi thu được
từ phân nhóm diễn ngôn.
Kế hoạch thứ hai nhằm tạo ra các tác nhân cụ thể tìm ra
cách giao tiếp theo một phong cách cụ thể. [10]
3. HỌC SÂU
Học sâu là một phần của AI hoàn toàn được thành lập trên
mạng nơ-ron nhân tạo, vì mạng nơ-ron sẽ đóng giả trí óc con
người, vì vậy học sâu cũng là một dạng bản sao của não
người. Trong học sâu, chúng ta không cần phải lập trình
mọi thứ một cách rõ ràng. Ý tưởng về học sâu không phải là
mới. Nó đã được khoảng hai hoặc ba
nhiều năm tại thời điểm này. Nó nổi tiếng ngày nay vì thực
tế là trước đây chúng ta không có nhiều khả năng xử lý và
hàng tấn thông tin. Trong 20 năm qua, sức mạnh xử lý đã
tăng lên đáng kể, học sâu và AI ra đời.
Hình 1: các lớp khác nhau của Mạng thần kinh
Hình 1 mô tả các lớp khác nhau của Mạng thần kinh. Tế bào
thần kinh trong mô hình học sâu là trung tâm mà thông qua
đó thông tin và tính toán truyền đi. Tế bào thần kinh hoạt
động như thế này:
• Họ nhận được ít nhất một tín hiệu thông tin. Những
dấu hiệu thông tin này có thể xuất hiện từ bộ sưu
tập thông tin thô hoặc từ các tế bào thần kinh
nằm ở một lớp trước của mạng thần kinh. • Họ
thực hiện các ước tính nhất định. • Chúng truyền
một số thông điệp mang lại lợi nhuận đến các tế bào
thần kinh nằm sâu hơn trong mạng lưới thần kinh thông
qua chất dẫn truyền thần kinh.
Các tế bào thần kinh trong mô hình học sâu được trang bị
để có các khớp thần kinh liên kết với nhiều hơn một tế bào
thần kinh trong lớp cũ. Mỗi khớp thần kinh đều có trọng số
liên quan, ảnh hưởng đến tầm quan trọng của nơ-ron cũ trong
mạng nơ-ron chung.
Năm 2021
là một điểm quan trọng trong lĩnh vực học sâu vì thực tế
là thay đổi tải của một mô hình là lộ trình thiết yếu mà
qua đó các mô hình học sâu được chuẩn bị. Bạn sẽ thấy điều
này dần dần khi chúng tôi chế tạo các mạng nơ-ron đầu tiên
của mình từ
cào. Khi một tế bào thần kinh nhận được đầu vào từ các tế
bào thần kinh trước đó trong lớp trước của mô hình, nó sẽ
bao gồm mỗi dấu hiệu được tăng lên theo trọng lượng so sánh
của nó và cung cấp cho chúng một chức năng khởi động. Giá
trị sản lượng này sau đó được trao cho lớp sau của tổ chức
thần kinh thông qua một khớp thần kinh khác.
4. CHATBOT DỰA TRÊN NỘI DUNG
Chabot là một chương trình dựa trên Trí tuệ nhân tạo (AI)
có thể mô phỏng cuộc trò chuyện giữa các khách hàng bằng
ngôn ngữ Tự nhiên thông qua các ứng dụng nhắn tin, nền tảng
phương tiện dựa trên web, ứng dụng và thông qua điện thoại.
Có nhiều loại chatbot khác nhau
có thể truy cập được, ví dụ, bot dựa trên quy tắc và NLP,
v.v. Chatbots dựa trên quy tắc giao tiếp với khách hàng
dựa trên các quy tắc đặt trước. Thông tin người dùng nên
phối hợp với các quy tắc xác định trước đó để tìm ra giải
pháp. Các chatbot NLP học phương ngữ dọc theo những dòng
này để trẻ em làm quen với một ngôn ngữ.
Sau khi thực hiện các mô hình khác nhau, họ có thể tạo ra
mối liên hệ giữa các câu hỏi được đặt ra theo cách không
mong muốn. Dọc theo những dòng này, bot hiểu được nội dung
của cuộc điều tra mà không cần sửa đổi tuyệt đối và có thể
đưa ra câu trả lời thích hợp. Trong cấu trúc thảo luận,
cấu trúc này cũng được gọi là Đối thoại giả tạo
Sự thông minh.
5. PHƯƠNG PHÁP NGHIÊN CỨU
Để tạo một chatbot dựa trên ý định, chúng tôi đã tạo một
tệp json, bao gồm tất cả các ý định. Các
mục đích mà chúng tôi đã tạo ra dựa trên việc chăm sóc sức khỏe
hệ thống.
Ý định: Trong tệp ý định liệt kê nơi chúng tôi sẽ lưu trữ
dữ liệu ngôn ngữ tự nhiên của mình. Chúng tôi có tệp json
của chúng tôi như tôi đã đề cập trước đó chứa “ý định”. Nó là
có thể hoán đổi cho nhau. Chúng tôi có thể thay đổi tệp ý định bằng
mọi cách mà chúng tôi muốn.
Chúng tôi sẽ đào tạo chatbot của mình bằng cách sử dụng
tệp ý định này để nó có thể hiểu ý định của người dùng và
trả lời phù hợp.
Chúng tôi có một loạt các thư viện như nltk
(Bộ công cụ ngôn ngữ tự nhiên), chứa một loạt các công cụ
để làm sạch văn bản và chuẩn bị nó cho các thuật toán học
sâu, json, tải các tệp json trực tiếp vào Python, pickle,
tải các tệp pickle, numpy, có thể thực hiện các phép toán
đại số tuyến tính rất hiệu quả,
và keras, là khung học sâu mà chúng tôi sẽ sử dụng.
Machine Translated by Google
Sai Kiran S và cộng sự, Tạp chí Quốc tế về Xu hướng Tiên tiến trong Khoa học Máy tính và Kỹ thuật, 10 (3), Tháng 5 - Tháng 6 năm 2021, 2019 - 2023
Các mô-đun chúng tôi đã sử dụng:
train_chatbot.py - mã để đọc dữ liệu ngôn ngữ tự nhiên vào
một tập huấn luyện và sử dụng mạng nơron tuần tự Keras để
tạo mô hình chatgui.py - mã để làm sạch các phản hồi dựa
trên các dự đoán từ mô hình và tạo đồ họa giao diện tương
tác với các lớp chatbot.pkl - danh sách các loại lớp khác
nhau của
response
words.pkl - danh sách các từ khác nhau có thể
được sử dụng cho intents.js nhận
dạng mẫu - một loạt các đối tượng JavaScript liệt kê các thẻ
khác nhau tương ứng với các loại mẫu từ khác nhau
chatbot_model.h5 - mô hình thực tế được tạo bởi
train_chatbot.py và được sử dụng bởi chatgui.py.
Hình dưới đây cho thấy quy trình làm việc của dự án.
Hình 2: Sơ đồ quy trình của phương pháp được đề xuất
Để tạo chatbot dựa trên mục đích của chúng tôi, trước tiên
chúng tôi tạo một tệp mục đích chứa tất cả các mẫu về cách
chatbot sẽ trả lời các truy vấn của người dùng. Sau đó,
chúng tôi bổ sung từ này và trích xuất các từ, lớp và tài
liệu từ tệp ý định bằng cách sử dụng mô-đun nltk. Bây giờ
chúng ta phải tạo dữ liệu đào tạo bằng cách sử dụng các từ,
lớp và tài liệu này. Sau khi tạo dữ liệu huấn luyện, chúng
tôi đã tạo mô hình mạng nơ-ron có ba lớp, lớp đầu tiên sẽ
chứa 128 tế bào thần kinh và lớp thứ hai
lớp sẽ chứa 64 tế bào thần kinh và lớp thứ ba là lớp đầu ra.
Sau đó, chúng tôi tối ưu hóa mô hình mạng nơ-ron bằng cách
sử dụng Stochastic Gradient
2022
Trình tối ưu hóa Descent (SGD) .. Sau đó, chúng tôi đã tạo
một số phương pháp sẽ lấy đầu vào của người dùng và tạo
thành đầu ra dựa trên dự đoán về mô hình học sâu đã tạo ..
Để trò chuyện giữa những người dùng, chatbot cần có một giao
diện mà chúng tôi đã phát triển bằng cách sử dụng khung công
tác xvfb và tạo giao diện người dùng đơn giản của chatbot
bằng python với sự trợ giúp của mô-đun Tkinter.
6. PHÂN TÍCH VÀ KIỂM TRA
Hình dưới đây là sơ đồ luồng dữ liệu của chatbot của chúng
tôi. Người ta có thể hiểu và phân tích cách thức và vị trí
của dữ liệu tại một thời điểm cụ thể.
Hình 3: Sơ đồ luồng dữ liệu
Từ Hình 3, chúng ta có thể biết dữ liệu cụ thể đang ở đâu
tại một thời điểm cụ thể trong hệ thống của chúng ta. Vì
vậy, nếu chúng ta nhìn vào luồng dữ liệu. Đầu tiên người
dùng nhập truy vấn vào hộp trò chuyện và nhấp vào gửi. Sau
khi nhấp vào gửi, truy vấn được áp dụng cho mô hình học sâu
đó là mô hình học sâu tuần tự đã được đào tạo trước đó. Mô
hình đưa ra danh sách mục đích
dưới dạng đầu ra, sau đó chúng tôi so sánh xác suất của mục
đích ban đầu và mục đích đầu ra. Mục đích có xác suất cao
hơn được chọn và một phản hồi
được chọn ngẫu nhiên từ thẻ đó và được hiển thị
cho người dùng.
Chúng tôi đã chọn phân tích giá trị ranh giới để kiểm tra
chatbot của mình. Chúng tôi không thể thực hiện kiểm tra tự
động nguyên mẫu của mình bằng các công cụ vì nhiều tình huống
đầu ra. Chúng tôi đã phát triển chatbot của mình dựa trên
một số ý định. Không thể có tệp ý định
để mô tả tất cả các tình huống có thể xảy ra mà người dùng
có thể yêu cầu một chatbot thực hiện. Đó là lý do tại sao
chúng tôi cần kiểm tra nó dựa trên các giá trị ranh giới, là
những trường hợp thử nghiệm cực kỳ có thể xảy ra và xem cách
chatbot của chúng tôi sẽ phản hồi nó như thế nào. đầu ra hay
không
Machine Translated by Google
Sai Kiran S và cộng sự, Tạp chí Quốc tế về Xu hướng Tiên tiến trong Khoa học Máy tính và Kỹ thuật, 10 (3), Tháng 5 - Tháng 6 năm 2021, 2019 - 2023
7. KẾT QUẢ
Kết quả của chatbot của chúng tôi luôn khác nhau vì nó
là một chatbot ngôn ngữ tự nhiên có thể đưa ra cùng
một câu trả lời theo nhiều cách khác nhau. Chatbot luôn
tiếp tục học hỏi khi số lượng người dùng tăng lên hoặc
sử dụng nó nhiều hơn. Độ chính xác của chatbot cũng
tăng lên theo việc sử dụng bot.
8. KẾT LUẬN
Kết luận, chúng tôi đã tạo một chatbot trong python có
thể hiểu các truy vấn của người dùng và trả lời tương
ứng. Trong tệp ý định đã làm ướt chatbot của chúng tôi,
chúng tôi có thể thêm nhiều mẫu hơn và cải thiện các
mẫu, điều này sẽ hữu ích khi trả lời người dùng và cải
thiện độ chính xác của chatbot của chúng tôi. Các
chatbot hỗ trợ Deep Learning đang ngày càng trở nên
phổ biến vì các ứng dụng của chúng và các vấn đề mà nó
có thể giải quyết. Nó cũng có thể rất hữu ích trong
việc giảng dạy và có rất nhiều ứng dụng trong việc
giảng dạy cho người khiếm thị.
9. CÔNG VIỆC TƯƠNG LAI
Nguyên mẫu chatbot của chúng tôi không chỉ có thể được sử dụng cho
một mục đích. Nó có thể được sử dụng trong nhiều lĩnh vực dựa trên
tệp ý định được sử dụng để tạo tập dữ liệu đào tạo cho
mô hình học sâu để đào tạo. Một nút báo cáo có thể được
thêm vào chatbot mà người dùng có thể sử dụng khi cảm
thấy chatbot không đưa ra câu trả lời thích hợp cho
mình để bot có thể thêm dữ liệu được báo cáo vào tệp
mục đích và tiếp tục tự học. Điều này cải thiện đáng
kể hiệu suất của bot trò chuyện và nó ngày càng trở nên
hoàn hảo hơn khi sử dụng kéo dài.
10. LỜI CẢM ƠN
Chúng tôi xin chân thành cảm ơn người hướng dẫn
GSSwarnalatha, Giảng viên chính Bộ môn Khoa học Máy
tính và Công nghệ, Viện Vellore, Đại học Công nghệ Ấn
Độ.
NGƯỜI GIỚI THIỆU
1. Rosruen, N., & Samanchuen, T. (2018). Sử dụng Chatbot
cho Hệ thống Tư vấn Y tế. Hội nghị Quốc tế Khoa học
Kỹ thuật và Quản lý Đổi mới Công nghệ lần thứ 3 năm
2018 (TIMES-iCON), 1-5.
2. Karri, SPR, & Kumar, BS (2020, tháng 1).
Kỹ thuật học sâu để triển khai chatbots. Vào năm 2020,
Hội nghị Quốc tế về
2023
Truyền thông Máy tính và Tin học (ICCCI) (trang 1-5).
IEEE.
3. Manning, CD, Surdeanu, M., Bauer, J., Finkel, JR,
Bethard, S., & McClosky, D. (2014, tháng 6).
Bộ công cụ xử lý ngôn ngữ tự nhiên CoreNLP của
Stanford. Trong Kỷ yếu cuộc họp thường niên lần thứ
52 của hiệp hội ngôn ngữ học máy tính: trình diễn hệ
thống (trang 55-60).
4. Plisson, J., Lavrac, N., & Mladenic, D. (2004, tháng
5). Một cách tiếp cận dựa trên quy tắc để bổ sung từ.
Trong Kỷ yếu của IS (Tập 3, trang 83-86).
5. Chuan, CH & Morgan, S. (2020). Tạo và đánh giá Chatbots
như là những người hỗ trợ đủ điều kiện cho các thử
nghiệm lâm sàng: Một phương pháp tiếp cận học sâu
tích cực hướng tới Phân loại lấy người dùng làm trung tâm.
Giao dịch ACM trên Máy tính cho Chăm sóc sức khỏe, 2
(1), 1-19.
6. Nuruzzaman, M., & Hussain, OK (2018, tháng 10). Một
cuộc khảo sát về việc triển khai chatbot trong ngành
dịch vụ khách hàng thông qua mạng nơ-ron sâu. Năm 2018
Hội nghị quốc tế IEEE lần thứ 15 về Kỹ thuật kinh
doanh điện tử (ICEBE)
(trang 54-61). IEEE.
7. Kapočiūtė-Dzikienė, J. (2020). Phát hiện ý định
Chatbot dựa trên Lithuania được tạo qua tự động
Tối ưu hóa siêu tham số DNN. Biên giới trong trí tuệ
nhân tạo và ứng dụng, 328, 95-
102.
8. Hristidis, V. (2018, tháng 9). Công nghệ và thách thức
Chatbot. Hội nghị quốc tế đầu tiên về trí tuệ nhân
tạo năm 2018
cho các ngành công nghiệp (AI4I) (trang 126-126). IEEE.
9. Lister, K., Coughlan, T., Iniesto, F., Freear, N., &
Devine, P. (Năm 2020, tháng 4). Giao diện
người dùng đàm thoại có thể truy cập: cân nhắc đối với
thiết kế. Trong Kỷ yếu của Hội nghị Quốc tế về Web
cho Tất cả lần thứ 17 (trang 1-11).
10. Cuayáhuitl, H., Lee, D., Ryu, S., Cho, Y., Choi, S.,
Indurthi, S., ... & Kim, J. (2019). Học tập củng cố
sâu dựa trên tập hợp cho chatbots.
Máy tính thần kinh, 366, 118-130.
11. Ng, C., & Chua, A. (2020). Đào tạo thuật toán học sâu
để nhận dạng cử chỉ quadcopter. Tạp chí Quốc tế về Xu
hướng Tiên tiến trong Khoa học Máy tính và Kỹ thuật,
9 (1), 211.
12. Leong, PH, Goh, OS, & Kumar, YJ (2020).
Học sâu cho tác nhân hội thoại thông qua mô hình trả
lời câu hỏi theo ngữ cảnh. Tạp chí Quốc tế, 9 (5).