XÂY DỰNG KHUNG ỨNG DỤNG AI CHATBOT TRONG LĨNH VỰC QUY CHẾ ĐÀO TẠO

Đoàn Thị Hồng Phước và CS. Tập 131, Số 2A, 2022 48 Hiện tại Rasa hỗ trợ một số bộ phân lớp chủ đề như KeywwordInentClassifier, MitieIntentClassifier, SklearnIntentClassifier và DIETClassifier. Trong đó, KeywwordInentClassifier là phương pháp đ ối sánh từ khoá dành cho dữ liệu nhỏ; bộ phân lớp MitieIntentClassifier sử dụng phương pháp phân lớp SVM đa lớp tuyến tính và SklearnIntentClassifier sử dụng phương pháp SVM tuyến tính để phân lớp chủ đề ; DIETClassifier (Dual Intent and Entity Transformer) là bộ phân lớp với kiến trúc đa nhiệm vụ gồm phân lớp chủ đề và nhậ n diện thự c thể có trong câu văn bả n. DIETClassifier là phương pháp hiện đại nhất, cả i tiến từ các phương pháp trước đây và cho ra k ết quả tốt nhất trong các phương pháp xác định chủ đề hiện nay [18]. Ngoài ra, Rasa cung cấp bộ phân lớp FallbackClassifier để phân loại câu văn bả n vào chủ đề nlu_fallback trong trường hợ p việc phân lớp nhậ p nhằng, nghĩa là dự a vào ngư ỡng độ tin cậ y fallback_threshold để xem xét chủ đề của câu văn bả n thuộc vào tậ p các chủ để đã có hay thuộc vào chủ đề nlu_fallback. Trong nghiên cứu này, chúng tôi kết hợ p các bộ phân lớp DIETClassifier và FallbackClassifier. o Cấu hình Rasa Core: Cấu hình các chính sách để quyết định hành đ ộng cầ n thự c hiện tại mỗi bước trong cuộc trò chuyện. Đa chính sách đượ c lự a chọn để thiết kế trong chương trình này. Hình 6. Rasa Core pipeline 3.2 Kế t quả thự c nghiệm Trong bài báo này, đ ộ đo đượ c sử dụng để đánh giá mô hình Rasa NLU và đánh giá c ủa

chuyên gia về các câu trả lời tương ứng với câu hỏi người sử dụng đưa vào khi tri ển khai chương trình là Precision, Recall, F-measure (F1) và Accuracy tương ứng ở các công thức (1), (2), (3) và (4). 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 (1) 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 (2)