Đồ án tốt nghiệp - Tìm hiểu bài toán tạo câu bình luận cho ảnh thời trang

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO

ĐỒ ÁN TỐT NGHIỆP

TÌM HIỂU BÀI TOÁN TẠO CÂU
BÌNH LUẬN CHO ẢNH THỜI TRANG

Giáo viên hướng dẫn : T.S Nguyễn Thiên Bảo
Sinh viên thực hiện

: Đỗ Quốc Hùng

- 16110097

Phạm Thanh Trung - 16110232

TP.HCM, tháng 07 năm 2020

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
***

Tp. Hồ Chí Minh, ngày 01 tháng 07 năm 2020

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
Họ và tên sinh viên: Phạm Thanh Trung

MSSV: 16110232 – Lớp 16110CLST3

Họ và tên sinh viên: Đỗ Quốc Hùng

MSSV: 16110097 – Lớp 16110CLST4

Ngành: Công Nghệ Thông Tin
Giảng viên hướng dẫn: Nguyễn Thiên Bảo

ĐT: 0927613761

Ngày nhận đề tài: 24/02/2020

Ngày nộp đề tài: 01/07/2020

1. Tên đề tài: Tìm hiểu bài toán tạo câu bình luận cho ảnh thời trang
2. Các số liệu, tài liệu ban đầu:
- Bài báo: Yujie Lin, Pengjie. Ren, Zhumin Chen, Zhaochun Ren, Jun Ma, and
Maarten de Rijke, 2018. Explainable Fashion Recommendation with Joint Outfit
Matching and Comment Generation (2018).
3. Nội dung thực hiện đề tài:
- Tìm hiểu về học sâu.
- Tìm hiểu về mạng nơ ron tích chập (CNN).
- Tìm hiểu về mạng nơ ron hồi quy (RNN).
- Tìm hiểu cơ chế Mutual Attention, Cross-modality Attention.
- Tìm hiểu về bài toán tạo câu bình luận cho ảnh thời trang dùng CNN và RNN.
4. Sản phẩm: Source code giải thuật, model cho bài toán tạo câu bình luận cho ảnh thời
trang.
TRƯỞNG NGÀNH

GIẢNG VIÊN HƯỚNG DẪN

Nguyễn Đăng Quang

TS. Nguyễn Thiên Bảo

i

CỘNG HÒA XÃ HỘI CHỦ NGHĨA
VIỆT NAM
Độc lập – Tự do – Hạnh phúc
*******

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên sinh viên: Phạm Thanh Trung

MSSV: 16110232 – Lớp 16110CLST3

Họ và tên sinh viên: Đỗ Quốc Hùng
MSSV: 16110097 – Lớp 16110CLST4
Ngành: Công nghệ thông tin
Tên đề tài: Tìm hiểu bài toán tạo câu bình luận cho ảnh thời trang
Họ và tên giáo viên hướng dẫn: Nguyễn Thiên Bảo
NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thưc hiện:
Nhóm đã hoàn thành được các mục tiêu đề ra ban đầu của đề tài, trong khoảng thời
gian xác định.
+ Về lý thuyết:
 Nắm đươc kiến thức về học máy, học sâu như CNN, RNN, cơ chế Attention
 Tìm hiểu bài toán tạo câu bình luận cho ảnh thời trang
 Sinh viên nắm được kiến trúc của mô hình tạo câu bình luận cho ảnh thời trang từ
đó áp dụng vào thực tế.
+ Về thực hành:
Sinh viên chạy được demo về tạo câu bình luận cho ảnh thời trang dùng CNN và
RNN.
2. Ưu điểm:
 Sinh viên chịu khó tìm hiểu, cố gắng tìm kiếm các tài liệu liên quan về đề tài
 Sin
...

...
Feb 2018), “Recent Advances in Recurrent Neural
Networks, https://arxiv.org/pdf/1801.01078.pdf
[22] Ashish Vaswani et…al (6 Dec 2017), “Attention Is All You Need”,
“https://arxiv.org/pdf/1706.03762.pdf”
[23] Keitakurita (29 Dec 2017 ), “Explanin Attention Is All You Need”,
http://mlexplained.com/2017/12/29/attention-is-all-you-need-explained/
[24] Gongbo Tang1 et…al (11 Nov 2018), “Why Self-Attention? A Targeted
Evaluation of Neural Machine Translation Architectures”,
“https://arxiv.org/pdf/1808.08946.pdf”
[25] Alibaba Cloud (12 Sep 2018 ), “ Self-Attention Mechanisms in Natural Language
Processing”, ” https://medium.com/@Alibaba_Cloud/self-attention-mechanisms-innatural-language-processing-9f28315ff905”
[26] Zhixing Tan , Mingxuan Wang et…al (5 Dec 2017), ”Deep Semantic Role
Labeling with Self-Attention”, “https://arxiv.org/pdf/1712.01586.pdf”
[27] (Intra-att)Ankur P. Parikh et…al (2016), “A Decomposable Attention Model for
Natural Language Inference”, https://aclweb.org/anthology/D16-1244
[28] Peter Shaw et…al (2017), Self-Attention with Relative Position Representations,
https://arxiv.org/pdf/1803.02155.pdf

40

[29] Maxime Allard (Jan 5 2019), “What is a Transformer?“,
“https://medium.com/inside-machine-learning/what-is-a-transformer-d07dd1fbec04“
[30] Tensorflow, “Transformer model for language understanding”,
“https://www.tensorflow.org/beta/tutorials/text/transformer”
[31] Jay Alammar (June 27 2018,) “The Illustrated Transformer”,
“http://jalammar.github.io/illustrated-transformer/“
[32] Giuliano Giacaglia (Mar 11 2018), “How Transformers Work”,
“https://towardsdatascience.com/transformers-141e32e69591”
[33] Michal Chromiak (Tue, 12 Sep 2017) “The Transformer – Attention is all you
need”, “https://mchromiak.github.io/articles/2017/Sep/12/Transformer-Attention-is-allyou-need/#positional-encoding-pe”
[34] e2eML “How do Convolutional Neural Networks work?”, August 18, 2016,
“https://e2eml.school/how_convolutional_neural_networks_work ”
[35] (Sep 30 2018) “Understanding of RECURRENT NEURAL NETWORKS (LSTM,
GRU)”, “https://mc.ai/understanding-of-recurrent-neural-networks-lstm-gru/”
[36] SuperDataScience Team (Aug 23 2018) “Recurrent Neural Networks (RNN) - The
Vanishing Gradient Problem”, “https://www.superdatascience.com/blogs/recurrentneural-networks-rnn-the-vanishing-gradient-problem”
[37] Simeon Kostadinov (Dec 16 2017), “Understanding GRU Networks”,
”https://towardsdatascience.com/understanding-gru-networks-2ef37df6c9be”

41