📄Работа №212299
Тема: Проектирование и разработка модульной веб-платформы для внедрения онлайн чат-бота поддержки клиентов с использованием ASP.NET Core и машинного обучения
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Математика
Объем:
48 листов
Год:
2021
Просмотров:
43
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Аннотация
ВВЕДЕНИЕ 7
1 КЛАССИФИКАЦИЯ ТЕКСТОВЫХ СООБЩЕНИЙ 10
1.1 Рассмотрение существующих решений 10
1.2 Рассмотрение групп машинного обучения 14
1.2.1 Наивный Байесовский классификатор (Naive Bayes) 14
1.2.2 Дерево принятия решений (Decision Tree Classifier) 15
1.2.3 Случайный лес (Random Forest) 16
1.2.4 Метод опорных векторов (Support Vector Machines) 16
1.2.5 Логистическая регрессия (Logistic Regression) 17
1.3 Выводы по разделу 17
2 ПРИМЕНЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ 19
2.1 Предварительная обработка информации 19
2.2 Архитектура моделей машинного обучения каждой для из групп 20
2.3 Результаты обучения моделей на базовых параметрах 31
2.4 Рассмотрение существующих платформ для создания серверной части
чат-бота 35
2.5 Выводы по разделу 36
3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ОНЛАЙН ЧАТ-БОТА ПОДДЕРЖКИ
КЛИЕНТОВ С ИСПОЛЬЗОВАНИЕМ ASP.NET CORE И МАШИННОГО ОБУЧЕНИЯ 37
3.1 Разработка системы и начальные данные 37
3.2 Алгоритм работы реализуемого чат-бота 38
3.3 Алгоритм предварительной обработки сообщения 39
3.4 Алгоритм классификации сообщения пользователя 40
3.5 Алгоритм генерации ответа на сообщение пользователя 40
3.6 Проверка онлайн чат-бота на тестовых данных 41
3.6 Апробация результатов работы 42
3.7 Выводы по разделу 42
ЗАКЛЮЧЕНИЕ 44
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 46
ПРИЛОЖЕНИЯ 51
ПРИЛОЖЕНИЕ 1. Предварительная обработка данных 51
ПРИЛОЖЕНИЕ 2. Чат-хаб 56
ПРИЛОЖЕНИЕ 3. Точка входа в приложение 58
ВВЕДЕНИЕ 7
1 КЛАССИФИКАЦИЯ ТЕКСТОВЫХ СООБЩЕНИЙ 10
1.1 Рассмотрение существующих решений 10
1.2 Рассмотрение групп машинного обучения 14
1.2.1 Наивный Байесовский классификатор (Naive Bayes) 14
1.2.2 Дерево принятия решений (Decision Tree Classifier) 15
1.2.3 Случайный лес (Random Forest) 16
1.2.4 Метод опорных векторов (Support Vector Machines) 16
1.2.5 Логистическая регрессия (Logistic Regression) 17
1.3 Выводы по разделу 17
2 ПРИМЕНЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ 19
2.1 Предварительная обработка информации 19
2.2 Архитектура моделей машинного обучения каждой для из групп 20
2.3 Результаты обучения моделей на базовых параметрах 31
2.4 Рассмотрение существующих платформ для создания серверной части
чат-бота 35
2.5 Выводы по разделу 36
3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ОНЛАЙН ЧАТ-БОТА ПОДДЕРЖКИ
КЛИЕНТОВ С ИСПОЛЬЗОВАНИЕМ ASP.NET CORE И МАШИННОГО ОБУЧЕНИЯ 37
3.1 Разработка системы и начальные данные 37
3.2 Алгоритм работы реализуемого чат-бота 38
3.3 Алгоритм предварительной обработки сообщения 39
3.4 Алгоритм классификации сообщения пользователя 40
3.5 Алгоритм генерации ответа на сообщение пользователя 40
3.6 Проверка онлайн чат-бота на тестовых данных 41
3.6 Апробация результатов работы 42
3.7 Выводы по разделу 42
ЗАКЛЮЧЕНИЕ 44
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 46
ПРИЛОЖЕНИЯ 51
ПРИЛОЖЕНИЕ 1. Предварительная обработка данных 51
ПРИЛОЖЕНИЕ 2. Чат-хаб 56
ПРИЛОЖЕНИЕ 3. Точка входа в приложение 58
📖 Аннотация
В данной работе представлено проектирование и разработка модульной веб-платформы, интегрирующей онлайн чат-бота для автоматизации клиентской поддержки с использованием стека технологий ASP.NET Core и методов машинного обучения. Актуальность исследования обусловлена растущей потребностью бизнеса в оптимизации затрат на обслуживание клиентов и необходимостью анализа эффективности различных алгоритмов классификации в условиях отсутствия открытых аналогов коммерческих решений, таких как чат-боты крупных банков. Основным результатом является реализованное веб-приложение, ключевым компонентом которого стала модель логистической регрессии, продемонстрировавшая наилучший баланс точности классификации пользовательских запросов и скорости работы в ходе сравнительного анализа с такими методами, как наивный байесовский классификатор, метод опорных векторов и случайный лес. Научная значимость заключается в систематизированном сравнении алгоритмов машинного обучения для задач обработки естественного языка, а практическая — в создании масштабируемого open-source решения, снижающего операционные расходы за счет автоматизации рутинных обращений. Теоретической основой послужили работы В.А. Зайченко в области прикладного машинного обучения, А.И. Кибзуна по математической статистике, В. Радченко, рассматривающего ансамблевые методы, и А.В. Гасникова, посвященные современным методам оптимизации, что позволило обосновать выбор архитектуры и методов предобработки текстовых данных.
📖 Введение
Концепцию технической поддержки, снабженной классификатором на основе модели машинного обучения, безусловно, уже используют некоторые компании их сервисы, такие как: приложение «СберБанк Онлайн», «Тинькофф», «Альфа-Банк», а также многие другие. Но у каждого из описанных выше приложений закрытый исходный код, а, следовательно, выяснить преимущества и недостатки каждого из них, изучая их программный код, не представляется возможным. Вследствие чего было принято вынужденное решение написать чат - бот с нуля самостоятельно без опоры на аналоги.
Следовательно, от нас требовалось разработать интеллектуальный автоматизированный чат-бот для ответа на пользовательские обращения в техническую поддержку, включающую в себя систему предобработки исходных сообщений, веб - приложение, предварительно обученную модель машинного обучения, а также систему поиска информации в тексте по ключевым словам.
Приведём пример «традиционной» концепции технической поддержки, реагирующей на различные жалобы пользователей на рисунке 0.1. Данный пример плох тем, что абсолютно все запросы проходят напрямую к операторам технической поддержки, тем самым заставляя работников выполнять изматывающую рутинную работу, а работодателей платить за её выполнение и содержать большой штат сотрудников, что, несомненно, негативно сказывается на расходах компании.
Приведем пример концепции и предполагаемых результатов с использованием чат-бота, в основе которого лежит модель машинного обучения либо нейронная сеть на рисунке 0.2.
Данная концепция предполагает значительное сокращение штата операторов технической поддержки вследствие того, что на часть сообщений пользователей система будет самостоятельно давать ответ.
Следовательно, была поставлена следующая цель: проектирование и разработка модульной веб-платформы для внедрения онлайн чат-бота поддержки клиентов с использованием ASP.NET Core и машинного обучения.
Для разработки вышеупомянутой концепции и дальнейшей реализации системы необходимо будет выполнить следующие задачи:
1) разработать архитектуру чат-бота на основе выбранного
инструментария;
2) провести исследование предметной области - обработка и классификация данных на естественном языке, а также собрать и проанализировать данные для исследований;
3) провести анализ эффективности работы методов предварительной обработки исходных данных;
4) провести исследование и анализ существующих линейных моделей машинного обучения и выявить теоретически наиболее подходящие для задачи классификации текста, а также провести обучение лучшей модели;
5) применить данную модель для классификации сообщений, поступающих в чат-бот со стороны клиента;
6) применить метод поиска по ключевым словам в тексте, который относится к одному из классов, к которому отнесено сообщение пользователя вследствие классификации;
7) провести исследование предметной области - инструментарий для разработки чат-бота.
Следовательно, от нас требовалось разработать интеллектуальный автоматизированный чат-бот для ответа на пользовательские обращения в техническую поддержку, включающую в себя систему предобработки исходных сообщений, веб - приложение, предварительно обученную модель машинного обучения, а также систему поиска информации в тексте по ключевым словам.
Приведём пример «традиционной» концепции технической поддержки, реагирующей на различные жалобы пользователей на рисунке 0.1. Данный пример плох тем, что абсолютно все запросы проходят напрямую к операторам технической поддержки, тем самым заставляя работников выполнять изматывающую рутинную работу, а работодателей платить за её выполнение и содержать большой штат сотрудников, что, несомненно, негативно сказывается на расходах компании.
Приведем пример концепции и предполагаемых результатов с использованием чат-бота, в основе которого лежит модель машинного обучения либо нейронная сеть на рисунке 0.2.
Данная концепция предполагает значительное сокращение штата операторов технической поддержки вследствие того, что на часть сообщений пользователей система будет самостоятельно давать ответ.
Следовательно, была поставлена следующая цель: проектирование и разработка модульной веб-платформы для внедрения онлайн чат-бота поддержки клиентов с использованием ASP.NET Core и машинного обучения.
Для разработки вышеупомянутой концепции и дальнейшей реализации системы необходимо будет выполнить следующие задачи:
1) разработать архитектуру чат-бота на основе выбранного
инструментария;
2) провести исследование предметной области - обработка и классификация данных на естественном языке, а также собрать и проанализировать данные для исследований;
3) провести анализ эффективности работы методов предварительной обработки исходных данных;
4) провести исследование и анализ существующих линейных моделей машинного обучения и выявить теоретически наиболее подходящие для задачи классификации текста, а также провести обучение лучшей модели;
5) применить данную модель для классификации сообщений, поступающих в чат-бот со стороны клиента;
6) применить метод поиска по ключевым словам в тексте, который относится к одному из классов, к которому отнесено сообщение пользователя вследствие классификации;
7) провести исследование предметной области - инструментарий для разработки чат-бота.
✅ Заключение
Цель работы состояла в разработке онлайн чат-бота, который позволит отвечать на вопросы пользователей в техническую поддержку без использования операторов. Данное веб-приложение позволит сэкономить значительные средства на заработной плате вышеупомянутых сотрудников.
В соответствии с целью, в первой главе данной работы был проведён обзор существующих решений в области онлайн чат-ботов технической поддержки. Далее были сформулированы задачи, выполнение которых необходимо для написания подобного онлайн чат-бота. Также были отобраны шесть групп моделей машинного обучения для классификации текстовых сообщений пользователей. А потом проведена их сравнительная характеристика и описание.
Во второй главе были сначала описаны методы предварительной обработки текстовых данных для повышения точности их дальнейшей классификации. Далее подробно была описана каждая модель машинного обучения из отобранных шести групп, а также приведена сравнительная таблица точности и времени классификации вышеупомянутых моделей. По итогам сравнения для использования в чат-боте была отобрана лучшая модель машинного обучения. Такой моделью стала логистическая регрессия.
В третьей главе представлены алгоритмы предварительной обработки текстовых данных, их классификации, а также генерации ответа на заданное сообщение. Далее чат-бот был успешно протестирован на тестовых запросах пользователей.
В настоящее время в связи с ростом числа компаний, а, следовательно, и их различных веб-сайтов роль чат-ботов резко возросла. Это является следствием желания предпринимателей всё больше автоматизировать все процессы, связанные с ведением бизнеса. Не остаётся без внимания и работа с клиентами, так как для этого необходим объёмный штат сотрудников, каждому из которых необходимо своевременно выплачивать заработную плату, а также обеспечивать рабочим местом. Ситуацию можно исправить, введя в использование чат-боты, которые с каждым днём все лучше понимают клиента, а также могут ответить на все интересующие его вопросы.
Таким образом, все поставленные задачи полностью решены, а цель достигнута. В дальнейшем веб-приложение может быть улучшено посредством повышения точности классификации за счёт подбора гиперпараметров выбранной модели машинного обучения.
В соответствии с целью, в первой главе данной работы был проведён обзор существующих решений в области онлайн чат-ботов технической поддержки. Далее были сформулированы задачи, выполнение которых необходимо для написания подобного онлайн чат-бота. Также были отобраны шесть групп моделей машинного обучения для классификации текстовых сообщений пользователей. А потом проведена их сравнительная характеристика и описание.
Во второй главе были сначала описаны методы предварительной обработки текстовых данных для повышения точности их дальнейшей классификации. Далее подробно была описана каждая модель машинного обучения из отобранных шести групп, а также приведена сравнительная таблица точности и времени классификации вышеупомянутых моделей. По итогам сравнения для использования в чат-боте была отобрана лучшая модель машинного обучения. Такой моделью стала логистическая регрессия.
В третьей главе представлены алгоритмы предварительной обработки текстовых данных, их классификации, а также генерации ответа на заданное сообщение. Далее чат-бот был успешно протестирован на тестовых запросах пользователей.
В настоящее время в связи с ростом числа компаний, а, следовательно, и их различных веб-сайтов роль чат-ботов резко возросла. Это является следствием желания предпринимателей всё больше автоматизировать все процессы, связанные с ведением бизнеса. Не остаётся без внимания и работа с клиентами, так как для этого необходим объёмный штат сотрудников, каждому из которых необходимо своевременно выплачивать заработную плату, а также обеспечивать рабочим местом. Ситуацию можно исправить, введя в использование чат-боты, которые с каждым днём все лучше понимают клиента, а также могут ответить на все интересующие его вопросы.
Таким образом, все поставленные задачи полностью решены, а цель достигнута. В дальнейшем веб-приложение может быть улучшено посредством повышения точности классификации за счёт подбора гиперпараметров выбранной модели машинного обучения.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.