Tổng quan nghiên cứu

Thị trường thương mại điện tử Việt Nam đang chứng kiến tốc độ tăng trưởng vượt bậc với hơn 53 triệu người tiêu dùng số và quy mô bán lẻ trực tuyến tăng gấp 1,5 lần sau đại dịch Covid-19. Song hành với sự bùng nổ của các giao dịch trên không gian mạng, tình trạng gian lận thương mại và hàng giả gia tăng nhanh chóng, thể hiện qua con số gần 2.500 vụ lừa đảo công nghệ cao được ghi nhận trong năm 2021. Trong bối cảnh đó, người tiêu dùng có xu hướng dựa vào các bình luận và phản hồi thực tế của khách hàng đi trước để đưa ra quyết định mua sắm nhằm hạn chế tối đa rủi ro. Tuy nhiên, việc đọc và tổng hợp thủ công hàng trăm phản hồi cho mỗi sản phẩm là điều bất khả thi, đòi hỏi phải có một giải pháp tự động hóa thông minh.

Luận văn thạc sĩ chuyên ngành Công nghệ thông tin của tác giả Nguyễn Thái Huy, thực hiện tại Trường Đại học Bà Rịa - Vũng Tàu dưới sự hướng dẫn của TS. Bùi Thị Thu Trang (tháng 09 năm 2023), tập trung giải quyết bài toán: "Xây dựng công cụ tự động đánh giá sản phẩm trên website thương mại điện tử dựa vào comments của người dùng". Mục tiêu cụ thể của đề tài là ứng dụng kỹ thuật thu thập dữ liệu web, tiền xử lý ngôn ngữ tự nhiên tiếng Việt và triển khai các thuật toán máy học có giám sát để phân loại cảm xúc phản hồi. Nghiên cứu giới hạn phạm vi khảo sát trên nền tảng thương mại điện tử Lazada với 46 danh mục sản phẩm và 1.506 đường dẫn mặt hàng thực tế. Hệ thống được xây dựng giúp xử lý tự động 4.311 phản hồi của khách hàng, rút ngắn thời gian phân tích từ 15 phút đọc thủ công xuống dưới 5 giây xử lý tự động, mang lại chỉ số hỗ trợ quyết định mua sắm minh bạch và kịp thời cho người tiêu dùng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết khai phá dữ liệu văn bản (Text Mining) và bài toán phân lớp văn bản có giám sát (Supervised Text Classification). Trong bài toán này, không gian tài liệu đầu vào bao gồm các nhận xét của người dùng được ánh xạ về tập nhãn nhị phân gồm hai lớp: tích cực (nhãn 1) và tiêu cực (nhãn 0). Để chuyển đổi văn bản phi cấu trúc thành dữ liệu số học cho máy tính xử lý, luận văn khảo sát bốn mô hình biểu diễn vector đặc trưng: mô hình nhị phân Boolean, mô hình túi từ BoW (Bag-of-Words), mô hình tần suất từ đơn TF (Term Frequency) và mô hình kết hợp tần suất từ nghịch đảo TF-IDF.

Khung thuật toán phân lớp cốt lõi dựa trên hai giải thuật học máy kinh điển:

  1. Thuật toán Naïve Bayes (NB): Dựa trên định lý xác suất Bayes với giả định các thuộc tính độc lập có điều kiện, khảo sát qua 3 hàm nhân phân phối gồm Gaussian, Multinomial và Bernoulli.
  2. Thuật toán máy vector hỗ trợ SVM (Support Vector Machine): Dựa trên nguyên lý cực đại hóa lề phân cách (Maximal Margin) và cơ chế lề mềm (Soft Margin) với biến bù Slack Variable, khảo sát qua 4 hàm nhân biến đổi không gian: Tuyến tính (Linear), Đa thức (Polynomial), Hàm bán kính cơ sở (RBF) và Hàm Sigmoid.

Bên cạnh đó, nghiên cứu đi sâu vào các đặc thù ngữ âm và ngữ pháp của tiếng Việt như tính phân tiết, từ không biến đổi hình thái và cấu trúc từ ghép phức tạp, đặt nền tảng cho việc lựa chọn các kỹ thuật tách từ N-gram (1-gram, 2-gram) và tách từ đơn/từ ghép (0-gram).

Phương pháp nghiên cứu

Phương pháp nghiên cứu thực nghiệm được triển khai chặt chẽ theo quy trình thu thập dữ liệu thực tế, tiền xử lý, trích xuất đặc trưng và đánh giá mô hình:

  • Nguồn dữ liệu và cỡ mẫu: Thu thập dữ liệu thực nghiệm từ sàn Lazada thông qua công cụ cào dữ liệu tự động viết bằng ngôn ngữ Python. Tổng số mẫu thô ban đầu là 5.548 phản hồi từ 1.506 sản phẩm thuộc 46 ngành hàng tiêu dùng.
  • Phương pháp chọn mẫu và làm sạch: Áp dụng phương pháp lọc theo luật tự động để tách 1.237 phản hồi từ các nhà bán hàng (với 94,665% là lời cảm ơn xã giao và 5,335% là hướng dẫn sử dụng) nhằm loại bỏ nhiễu. Tập dữ liệu nghiên cứu chính thức còn lại 4.311 phản hồi khách hàng được gán nhãn thủ công (3.939 nhãn tích cực và 402 nhãn tiêu cực).
  • Phân chia dữ liệu: Sử dụng tỷ lệ phân chia 70/30, trong đó tập huấn luyện (Training Set) gồm 3.017 mẫu (2.742 tích cực, 275 tiêu cực) và tập kiểm thử (Testing Set) độc lập gồm 1.294 mẫu (1.202 tích cực, 92 tiêu cực).
  • Quy trình tiền xử lý: Chuyển văn bản về chữ thường, loại bỏ 32 ký tự đặc biệt theo danh sách chuẩn, lọc bỏ hoàn toàn các biểu tượng cảm xúc (emoji) bằng thư viện chuyên dụng, xóa từ dừng (stopword) qua từ điển tiếng Việt chuẩn và loại bỏ các từ có độ dài dưới 2 ký tự hoặc trên 7 ký tự.
  • Lý do lựa chọn phương pháp phân tích: Thư viện Underthesea được chọn cho kỹ thuật tách từ đơn/từ ghép (0-gram tạo ra 4.844 từ vựng), kết hợp công cụ Advertools cho 1-gram (4.600 từ vựng) và 2-gram (20.585 từ vựng). Việc lựa chọn SVM và Naïve Bayes là tối ưu cho không gian vector thưa, giúp đánh giá toàn diện độ chính xác phân lớp và tốc độ thực thi theo thời gian thực trên môi trường web. Timeline thực nghiệm và đánh giá hoàn thành vào tháng 09 năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa các thuật toán, mô hình biểu diễn văn bản và kiểu tách từ đã đem lại các phát hiện khoa học quan trọng:

  • Thứ nhất, dữ liệu phản hồi thương mại điện tử thực tế có độ mất cân bằng lớp rất cao, trong đó số lượng bình luận tích cực chiếm tới 91,37% (3.939 bình luận) trong khi bình luận tiêu cực chỉ chiếm 8,63% (402 bình luận). Sự mất cân bằng này phản ánh đúng tâm lý mua sắm trực tuyến nhưng đặt ra thách thức lớn cho các thuật toán phân lớp.
  • Thứ hai, giải thuật SVM thể hiện sự vượt trội rõ rệt so với Naïve Bayes về độ chính xác phân loại tổng thể trên toàn bộ các mô hình biểu diễn văn bản. Đặc biệt, hàm nhân Tuyến tính (Linear Kernel) và RBF của SVM đạt độ chính xác phân lớp trên tập kiểm thử 1.294 mẫu cao hơn khoảng 3% đến 5% so với phân phối Multinomial của Naïve Bayes.
  • Thứ ba, mô hình biểu diễn đặc trưng TF-IDF khi kết hợp với phương pháp tách từ 2-gram (không gian 20.585 chiều) hoặc tách từ tiếng Việt 0-gram (4.844 chiều) cho kết quả phân loại vượt trội so với mô hình Boolean và BoW 1-gram. Việc kết hợp 2 từ đơn liền kề giúp giữ lại ngữ cảnh phủ định và tăng cường độ cảm xúc như "rất tốt", "kém chất", "không dùng".
  • Thứ tư, về mặt hiệu năng thời gian, Naïve Bayes có tốc độ huấn luyện và dự đoán cực nhanh (dưới 0,05 giây cho một đợt kiểm thử), trong khi SVM cần thời gian tính toán ma trận nhân lớn hơn nhưng vẫn đáp ứng hoàn hảo yêu cầu phản hồi thời gian thực trên giao diện web.

Thảo luận kết quả

Hiệu năng vượt trội của thuật toán SVM bắt nguồn từ cơ chế tối ưu hóa khoảng cách lề cực đại (Maximal Margin Hyperplane) kết hợp kỹ thuật Soft Margin với biến bù Slack. Điều này giúp SVM kiểm soát tốt hiện tượng quá khớp (overfitting) trong không gian đặc trưng nhiều chiều của văn bản, đồng thời không bị ảnh hưởng bởi giả định ngây thơ về sự độc lập thuộc tính như Naïve Bayes.

Kết quả của luận văn hoàn toàn tương đồng với các công bố học thuật quốc tế. Nghiên cứu của Abinash Tripathy (2015) trên 2.000 đánh giá sản phẩm cũng ghi nhận SVM đạt độ chính xác 94,75%, cao hơn mức 89,53% của Naïve Bayes. So với các nghiên cứu trong nước của Đỗ Hoàng Đạt (2015, độ chính xác 95% trên 1.034 bình luận) hay Nguyễn Thị Lan (2013, 92%), luận văn này có đóng góp vượt bậc khi ứng dụng bộ tách từ chuyên sâu Underthesea cho tiếng Việt và mở rộng không gian 2-gram lên 20.585 từ vựng, giúp triệt tiêu hiện tượng nhập nhằng ngữ nghĩa.

Các dữ liệu thực nghiệm trong luận văn có thể được trực quan hóa rất trực quan thông qua:

  • Biểu đồ cột nhóm so sánh độ chính xác (Accuracy Train vs Accuracy Test) giữa 4 hàm nhân SVM và 3 hàm nhân Naïve Bayes trên từng mô hình biểu diễn.
  • Bảng ma trận nhầm lẫn (Confusion Matrix) minh họa rõ tỷ lệ dự đoán đúng True Positive (TP), True Negative (TN) và các sai số False Positive (FP), False Negative (FN).
  • Đồ thị đường biểu diễn mối tương quan giữa số lượng đặc trưng từ vựng (từ 4.600 từ của 1-gram đến 20.585 từ của 2-gram) với thời gian xử lý và độ chính xác phân loại.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm và những hạn chế còn tồn tại của hệ thống, tác giả đề xuất 4 nhóm giải pháp mang tính hành động cụ thể:

  1. Nâng cấp kiến trúc mô hình học sâu và xử lý ngôn ngữ tự nhiên: Đội ngũ phát triển phần mềm và các kỹ sư AI cần tiến hành tích hợp các mô hình ngôn ngữ tiền huấn luyện dành riêng cho tiếng Việt như PhoBERT hoặc ViBERT. Mục tiêu là nâng cao chỉ số F1-score của lớp nhãn tiêu cực lên trên 96% trong vòng 6 tháng tới, giúp giải quyết triệt để các câu bình luận đa nghĩa, châm biếm hoặc viết tắt phức tạp.
  2. Mở rộng quy mô và chuẩn hóa tập dữ liệu đa nền tảng: Nhóm nghiên cứu học thuật tại các trường viện cần phối hợp mở rộng phạm vi thu thập dữ liệu sang các nền tảng thương mại điện tử lớn khác như Shopee, TikTok Shop và Tiki. Mục tiêu đạt quy mô tối thiểu 50.000 bình luận đa dạng trong quý 1 năm 2024, đồng thời áp dụng các kỹ thuật cân bằng dữ liệu nâng cao như SMOTE hoặc Data Augmentation để giảm độ lệch lớp từ 91,37% xuống tỷ lệ cân bằng tối ưu.
  3. Triển khai ứng dụng tiện ích mở rộng (Browser Extension) cho người dùng cuối: Doanh nghiệp công nghệ hoặc các startup phát triển phần mềm cần đóng gói mô hình SVM/TF-IDF thành tiện ích mở rộng tích hợp trực tiếp trên trình duyệt Chrome và Firefox. Tiện ích này cần đạt mục tiêu quét và phân tích 100% bình luận của một sản phẩm bất kỳ trong thời gian dưới 3 giây, đưa ra khuyến nghị mua sắm trực quan trước khi người dùng thực hiện giao dịch trong vòng 9 tháng tới.
  4. Xây dựng module phát hiện bình luận rác và tài khoản seeding tự động: Các sàn thương mại điện tử cần chủ động hợp tác với các chuyên gia an ninh mạng để tích hợp bộ lọc phát hiện bình luận ảo và gian lận thương mại. Mục tiêu giảm thiểu 80% lượng đánh giá rác và đánh giá thao túng trong vòng 12 tháng, bảo vệ quyền lợi chính đáng của người tiêu dùng và các nhà bán hàng uy tín.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang tính ứng dụng thực tiễn cao và là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

  1. Học viên cao học, nghiên cứu sinh và sinh viên ngành Công nghệ thông tin: Là tài liệu học thuật mẫu mực về quy trình xử lý ngôn ngữ tự nhiên tiếng Việt, từ bước tiền xử lý loại bỏ 32 ký tự đặc biệt, lọc emoji, loại bỏ từ dừng đến kỹ thuật trích xuất đặc trưng N-gram và áp dụng mô hình toán học SVM, Naïve Bayes.
  2. Kỹ sư trí tuệ nhân tạo (AI Engineers) và lập trình viên web: Có thể kế thừa mã nguồn, cấu trúc thuật toán và phương pháp cào dữ liệu (crawling) từ 1.506 link sản phẩm thực tế để xây dựng các công cụ phân tích cảm xúc (Sentiment Analysis) tự động phục vụ các dự án phần mềm thương mại.
  3. Chủ doanh nghiệp, nhà bán hàng trực tuyến và bộ phận chăm sóc khách hàng: Tận dụng công cụ để theo dõi và lọc tự động 8,63% phản hồi tiêu cực từ khách hàng, từ đó nhanh chóng phát hiện các lỗi về đóng gói, chất lượng sản phẩm để cải tiến dịch vụ và tối ưu hóa trải nghiệm khách hàng.
  4. Người tiêu dùng số và các hiệp hội bảo vệ quyền lợi người tiêu dùng: Hiểu rõ cơ chế đánh giá dựa trên dữ liệu lớn, trang bị thêm góc nhìn khoa học để nhận diện các sản phẩm kém chất lượng, từ đó đưa ra quyết định mua hàng an toàn, thông minh trên không gian mạng.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại loại bỏ 1.237 phản hồi của nhà bán hàng ra khỏi tập dữ liệu huấn luyện?
Qua phân tích dữ liệu thực nghiệm, tác giả nhận thấy có 94,665% phản hồi của người bán là lời cảm ơn mang tính xã giao và 5,335% là hướng dẫn sử dụng. Những phản hồi này không mang giá trị đánh giá chất lượng sản phẩm, nếu đưa vào huấn luyện sẽ gây nhiễu nghiêm trọng cho không gian vector đặc trưng và làm sai lệch độ chính xác của mô hình.

2. Phương pháp tách từ 0-gram sử dụng Underthesea có ưu điểm gì vượt trội so với 1-gram?
Tiếng Việt là ngôn ngữ đơn lập có cấu trúc từ ghép phức tạp. Phương pháp 1-gram chỉ tách theo khoảng trắng tạo ra 4.600 từ đơn rời rạc làm mất ngữ nghĩa. Ngược lại, kỹ thuật 0-gram của Underthesea nhận diện chính xác 4.844 từ ghép (như "hài lòng", "kém chất lượng"), giúp mô hình hiểu đúng cấu trúc ngữ pháp và sắc thái cảm xúc thực tế.

3. Tại sao thuật toán SVM lại cho kết quả phân loại vượt trội hơn Naïve Bayes trong bài toán này?
Naïve Bayes dựa trên giả định các từ xuất hiện độc lập với nhau, điều này không đúng trong ngữ pháp thực tế. Trong khi đó, SVM xây dựng siêu phẳng tối ưu với lề phân cách cực đại trong không gian 20.585 chiều của 2-gram, đồng thời sử dụng biến bù Slack để xử lý hiệu quả các mẫu dữ liệu bị gán nhãn nhiễu hoặc chồng lấn.

4. Quá trình tiền xử lý văn bản tiếng Việt trong luận văn xử lý teencode và ký tự đặc biệt như thế nào?
Hệ thống thiết lập bộ lọc chuẩn loại bỏ 32 ký tự đặc biệt, ứng dụng thư viện chuyên dụng để bóc tách toàn bộ biểu tượng emoji phức tạp, đồng thời tích hợp từ điển dừng chuẩn. Toàn bộ văn bản được đồng bộ về chữ thường và lọc bỏ các từ có độ dài dị biệt (dưới 2 hoặc trên 7 ký tự) nhằm tối ưu ma trận trọng số TF-IDF.

5. Mô hình phân loại trong luận văn có thể triển khai thực tế trên các sàn Shopee hay TikTok Shop không?
Hoàn toàn khả thi. Pipeline tiền xử lý và khung phân loại SVM/TF-IDF được thiết kế dưới dạng module độc lập. Khi áp dụng cho Shopee hay TikTok Shop, hệ thống chỉ cần thay đổi module cào dữ liệu theo cấu trúc HTML của sàn đó và tái huấn luyện mô hình trên tập từ vựng mới để đảm bảo độ chính xác cao.

Kết luận

  • Luận văn đã xây dựng thành công quy trình thu thập và chuẩn hóa bộ dữ liệu thực tế gồm 5.548 phản hồi từ 1.506 sản phẩm thuộc 46 danh mục ngành hàng trên sàn thương mại điện tử Lazada.
  • Thiết lập hoàn chỉnh pipeline tiền xử lý tiếng Việt chuyên sâu, loại bỏ 32 ký tự đặc biệt, lọc sạch emoji, xử lý từ dừng và xây dựng danh sách từ vựng đa tầng với 20.585 đặc trưng 2-gram.
  • Thực nghiệm đối sánh toàn diện giữa 4 mô hình biểu diễn văn bản, 3 kiểu tách từ và các hàm nhân của 2 thuật toán máy học kinh điển Naïve Bayes và SVM.
  • Xác định mô hình tối ưu kết hợp giữa giải thuật SVM và kỹ thuật trích xuất đặc trưng TF-IDF/2-gram, đạt độ chính xác vượt trội trên tập kiểm thử độc lập 1.294 mẫu dữ liệu.
  • Xây dựng thành công phần mềm demo hoàn chỉnh, cho phép cào dữ liệu và tự động phân loại, đưa ra lời khuyên mua sắm cho người tiêu dùng theo thời gian thực.

Trong giai đoạn 2024-2025, định hướng nghiên cứu tiếp theo sẽ tập trung vào việc tích hợp các mô hình học sâu Transformer (PhoBERT) và đóng gói thành tiện ích mở rộng đa nền tảng. Các tổ chức học thuật, doanh nghiệp thương mại điện tử và nhà phát triển phần mềm có thể khai thác trực tiếp kết quả của luận văn để nâng cao tính minh bạch cho thị trường bán lẻ trực tuyến tại Việt Nam.