这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

主要作者与机构
该研究由van-vinh nguyen1, ha nguyen-tien2*, anh-quan nguyen-duc3, trung-kien vu4, cong pham-chi5, minh-hieu pham6共同完成。作者分别来自以下机构：
1. 越南国立大学工程与技术学院计算机科学系（Department of Computer Science, VNU-University of Engineering and Technology, Cau Giay, Hanoi 113001）
2. 雄王大学工程技术学院（Faculty of Engineering Technology, Hung Vuong University, Viet Tri, Phu Tho 2919302）
3. 越南国立大学工程与技术学院（VNU-University of Engineering and Technology, Cau Giay, Hanoi 113003,4）
4. 越南电子、信息与自动化研究所（Vietnam Research Institute of Electronics, Informatics and Automation, Ba Dinh, Hanoi 1000005）
5. 电子、信息与自动化研究所（Research Institute of Electronics, Informatics and Automation, Ba Dinh, Hanoi 1000006）
该研究发表于International Journal of Advanced Computer Science and Applications (IJACSA)，2024年第15卷第11期。

学术背景
研究领域为虚拟助手（Virtual Assistants, VAs）在低资源语言（Low-Resource Languages）中的应用，特别是针对多意图命令（Multi-Intent Commands）的理解与处理。虚拟助手在技术绘图任务中的应用日益广泛，例如在Photoshop和Microsoft Word中。然而，低资源语言（如越南语）由于缺乏训练数据、语法复杂且使用领域有限，理解多意图命令成为一大挑战。本研究旨在开发一种能够理解低资源语言中多意图命令的虚拟助手，并应用于SCADA框架（Supervisory Control and Data Acquisition, SF）的技术绘图任务中。

研究目标
1. 构建高质量的训练数据集，特别是针对低资源语言的半自动数据生成方法。
2. 提出一种将多意图命令拆分为单意图命令的方法，以提高虚拟助手的执行效率。
3. 开发一种能够支持技术绘图的虚拟助手，并在SCADA系统中实现自动化控制。

研究流程
研究分为三个阶段：
1. 构建半自动训练数据：
- 设计意图（Intent）和实体（Entity）标签，以匹配SCADA框架的领域需求。
- 通过人工构建初始数据集（540条命令），并利用大语言模型（Large Language Models, LLMs）生成更多数据。
- 使用自然语言理解（Natural Language Understanding, NLU）模型对生成的数据进行标注，并通过人工校验确保数据质量。
- 最终构建了一个包含3,240条标注命令的越南语语料库。

1. 训练虚拟助手：

   • 使用DIETClassifier模型进行训练，该模型结合了稀疏特征（Bag-of-Words）和密集特征（PhoBERT预训练模型）。
     
   • 模型的目标是同时完成意图分类（Intent Classification, IC）和实体抽取（Entity Extraction, EE）任务。
     
   • 通过实验验证，模型在意图分类和实体抽取任务中的准确率分别达到93%和98%。

2. 生成JSON文件并执行绘图任务：

   • 将用户的多意图命令拆分为单意图命令，并通过虚拟助手提取相关信息。
     
   • 将提取的信息存储为JSON文件，并通过调用SCADA框架的API执行绘图任务。
     
   • 实验结果表明，虚拟助手在SCADA框架中执行绘图任务的准确率超过96%。

主要结果
1. 数据构建：通过半自动方法构建的越南语语料库包含3,240条标注命令，覆盖36种意图和31种实体。
2. 模型性能：DIETClassifier模型在意图分类和实体抽取任务中表现出色，准确率分别为93%和98%。
3. 多意图命令处理：提出的多意图命令拆分方法能够有效将复杂命令分解为单意图命令，并通过虚拟助手高效执行。
4. 应用效果：虚拟助手在SCADA框架中执行绘图任务的准确率超过96%，验证了该方法的实用性和有效性。

结论与意义
该研究提出了一种针对低资源语言中多意图命令理解的创新方法，特别是在技术绘图领域的应用。通过构建高质量的半自动训练数据和开发高效的虚拟助手模型，研究解决了低资源语言中缺乏训练数据和复杂语法带来的挑战。该方法的成功应用为SCADA系统的自动化控制提供了技术支持，并为其他低资源语言的虚拟助手开发提供了参考。

研究亮点
1. 半自动数据构建方法：结合人工标注和大语言模型生成数据，显著提高了数据构建的效率和覆盖范围。
2. 多意图命令拆分方法：提出了一种基于上下文学习的多意图命令拆分方法，能够有效处理复杂命令。
3. 高性能虚拟助手模型：结合DIETClassifier和PhoBERT模型，在低资源语言中实现了高准确率的意图分类和实体抽取。
4. 实际应用验证：在SCADA框架中成功应用，验证了该方法的实用性和推广价值。

其他有价值的内容
研究团队将构建的越南语语料库和开源代码共享给研究社区，为后续研究提供了宝贵资源。未来研究将进一步改进数据构建方法，并扩展至其他低资源语言。

这篇报告详细介绍了该研究的背景、方法、结果和意义，为相关领域的研究人员提供了全面的参考。