Luận văn thạc sĩ xây dựng công cụ tự động đánh giá sản phẩm trên website thương mại điện tử dựa vào comments của người dùng

Luận văn thạc sĩ kỹ thuật phân tích xây dựng công cụ tự động đánh giá sản phẩm trên website thương mại điện tử dựa vào comments của, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Nguyễn Thái Huy
• Người hướng dẫn: TS. Bùi Thị Thu Trang
• Trường học: Trường Đại Học Bà Rịa-Vũng Tàu
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Công Cụ Đánh Giá Sản Phẩm Tự Động Trên Website Thương Mại Điện Tử Từ Bình Luận Người Dùng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Bà Rịa-Vũng Tàu

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• DANH MỤC HÌNH VẼ
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG
• LỜI MỞ ĐẦU
• Tính cấp thiết của đề tài
• Đối tượng nghiên cứu
• Phạm vi nghiên cứu
• Mục tiêu của đề tài
• Phương pháp luận và phương pháp nghiên cứu
• Cấu trúc luận văn
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP BIỂU DIỄN VĂN BẢN
• 1.1. Tổng quan về khai phá văn bản
• 1.2. Tổng quan về bài toán phân lớp văn bản
• 1.2.1. Bài toán phân lớp văn bản có giám sát
• 1.2.2. Tổng quan về các nghiên cứu của bài toán phân lớp văn bản có liên quan đến đề tài
• 1.3. Tổng quan về các phương pháp biểu diễn văn bản
• 1.3.1. Một số khái niệm dùng trong luận văn
• 1.3.2. Một số phương pháp đánh trọng số từ khóa
• 1.3.3. Một số phương pháp biểu diễn văn bản
• 2. CHƯƠNG 2: KỸ THUẬT TIỀN XỬ LÝ DỮ LIỆU DẠNG VĂN BẢN TIẾNG VIỆT VÀ THUẬT TOÁN MÁY HỌC ĐỂ XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ SẢN PHẨM
• 2.1. Kỹ thuật tiền xử lý dữ liệu dạng văn bản tiếng Việt
• 2.1.1. Các đơn vị chủ yếu trong xử lý văn bản
• 2.1.2. Những kiểu quan hệ chủ yếu trong ngôn ngữ
• 2.1.3. Một số đặc điểm của văn bản tiếng Việt
• 2.1.4. Các bước tiền xử lý dữ liệu văn bản tiếng Việt
• 2.1.5. Phương pháp tách từ trong tiếng Việt
• 2.2. Tìm hiểu về thuật toán Naïve Bayes và SVM trong bài toán phân lớp văn bản
• 2.2.1. Thuật toán Naïve Bayes
• 2.2.2. Thuật toán Support Vector Machine
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ SẢN PHẨM
• 3.1. Quy trình tạo lập tập dữ liệu từ sàn thương mại điện tử Lazada phục vụ việc xây dựng mô hình đánh giá sản phẩm
• 3.1.1. Thu thập dữ liệu từ website https://www.lazada.vn
• 3.1.2. Gán nhãn văn bản từ tập dữ liệu thu thập được và tiền xử lý
• 3.1.3. Tiền xử lý văn bản
• 3.1.4. Tạo danh sách từ vựng
• 3.2. Xây dựng mô hình đánh giá sản phẩm tự động dựa trên các phản hồi
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ MÔ HÌNH ĐÁNH GIÁ SẢN PHẨM
• 4.1. Kết quả thu thập dữ liệu phản hồi
• 4.2. Kết quả thực nghiệm mô hình với giải thuật Naïve Bayes
• 4.2.1. Sử dụng mô hình biểu diễn văn bản Boolean
• 4.2.2. Sử dụng mô hình biểu diễn văn bản BoW
• 4.2.3. Sử dụng mô hình biểu diễn văn bản TF
• 4.2.4. Sử dụng mô hình biểu diễn văn bản TF*IDF
• 4.2.5. Đánh giá tỉ lệ chính xác và thời gian giữa các mô hình dựa trên các Naïve Bayes-Kernel
• 4.2.6. Đánh giá tỉ lệ chính xác và thời gian giữa các mô hình dựa trên các mô hình biểu diễn văn bản
• 4.2.7. Đánh giá tỉ lệ chính xác và thời gian giữa các kiểu tách từ
• 4.3. Thực nghiệm mô hình với giải thuật SVM
• 4.3.1. Sử dụng mô hình biểu diễn văn bản Boolean
• 4.3.2. Sử dụng mô hình biểu diễn văn bản BoW
• 4.3.3. Sử dụng mô hình biểu diễn văn bản TF
• 4.3.4. Sử dụng mô hình biểu diễn văn bản TF*IDF
• 4.3.5. Đánh giá tỉ lệ chính xác và thời gian giữa các hàm nhân
• 4.3.6. Đánh giá tỉ lệ chính xác và thời gian giữa các mô hình biểu diễn văn bản
• 4.3.7. Đánh giá tỉ lệ chính xác và thời gian giữa các kiểu tách từ
• 4.4. Tổng hợp kết quả, đưa ra một số kết luận và đề xuất
• 4.4.1. Tổng hợp kết quả so sánh giữa các giải thuật, mô hình biểu diễn văn bản, kiểu tách từ
• 4.4.2. Kết luận và một số đề xuất
• 4.5. Một số giao diện chương trình Demo
• 4.5.1. Giao diện Crawl phản hồi của khách hàng về một sản phẩm
• 4.5.2. Giao diện về quá trình tiền xử lý văn bản
• 4.5.3. Giao diện tạo và xem danh sách từ vựng ứng với mỗi kiểu tách từ (0, 1, 2-gram)
• 4.5.4. Huấn luyện và đánh giá mô hình
• 4.5.5. Kết quả đánh giá sản phẩm tự động
• 4.6. Một số kết quả đạt được
• 4.7. Một số tồn tại và hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về công cụ đánh giá sản phẩm

Công cụ đánh giá sản phẩm tự động trên website thương mại điện tử dựa vào bình luận người dùng là một giải pháp hiện đại nhằm cải thiện trải nghiệm mua sắm trực tuyến. Sự phát triển của thương mại điện tử đã dẫn đến sự gia tăng về số lượng sản phẩm và dịch vụ, kéo theo nhu cầu đánh giá và lựa chọn sản phẩm dựa trên phản hồi của người tiêu dùng. Việc xây dựng công cụ này không chỉ giúp người tiêu dùng có được thông tin chính xác về chất lượng sản phẩm mà còn giảm thiểu rủi ro trong việc mua sắm. Công cụ này sử dụng các kỹ thuật phân tích bình luận để tự động hóa quá trình đánh giá tự động, từ đó cung cấp những thông tin hữu ích cho người tiêu dùng. Đặc biệt, công cụ này có thể giúp người dùng dễ dàng phân biệt giữa sản phẩm chất lượng tốt và kém thông qua việc phân tích phản hồi khách hàng.

1.1. Tính cấp thiết của công cụ đánh giá

Trong bối cảnh người tiêu dùng ngày càng có xu hướng mua sắm trực tuyến, việc lựa chọn sản phẩm dựa trên bình luận người dùng trở nên quan trọng hơn bao giờ hết. Nghiên cứu cho thấy rằng, hơn 70% người tiêu dùng sẽ tham khảo ý kiến từ những người đã mua sản phẩm trước đó. Điều này cho thấy đánh giá sản phẩm không chỉ là một yếu tố quyết định trong quá trình mua sắm mà còn ảnh hưởng đến sự tin tưởng của người tiêu dùng đối với các cửa hàng trực tuyến. Công cụ đánh giá tự động sẽ giúp người tiêu dùng tiết kiệm thời gian và công sức trong việc tìm kiếm thông tin, đồng thời nâng cao độ chính xác trong việc đưa ra quyết định mua hàng. Như vậy, việc phát triển công cụ này không chỉ có ý nghĩa trong việc cải thiện trải nghiệm người dùng mà còn góp phần nâng cao sự cạnh tranh trong thị trường thương mại điện tử.

II. Phương pháp xây dựng công cụ

Quá trình xây dựng công cụ đánh giá sản phẩm tự động dựa trên các kỹ thuật khai thác văn bản và học máy. Đầu tiên, dữ liệu được thu thập từ các website thương mại điện tử thông qua các kỹ thuật crawl. Sau đó, dữ liệu này sẽ được xử lý và phân loại bằng các thuật toán như Naïve Bayes và Support Vector Machine (SVM). Việc sử dụng các thuật toán này giúp tăng độ chính xác trong việc phân loại bình luận người dùng thành hai nhóm: tích cực và tiêu cực. Bằng cách áp dụng các phương pháp tiền xử lý dữ liệu như loại bỏ từ không cần thiết và tách từ, công cụ có thể phân tích và đánh giá được chất lượng sản phẩm từ những phản hồi này. Kết quả là một mô hình có khả năng đưa ra đánh giá tự động về sản phẩm dựa trên phản hồi khách hàng, từ đó hỗ trợ người tiêu dùng trong việc lựa chọn sản phẩm phù hợp.

2.1. Kỹ thuật tiền xử lý dữ liệu

Kỹ thuật tiền xử lý dữ liệu đóng vai trò quan trọng trong việc xây dựng công cụ đánh giá tự động. Những bước tiền xử lý bao gồm loại bỏ các từ dừng, tách từ và chuẩn hóa văn bản. Việc này giúp cải thiện chất lượng dữ liệu đầu vào cho các thuật toán học máy. Bên cạnh đó, việc sử dụng các mô hình biểu diễn văn bản như TF-IDF và BoW cũng giúp tăng cường khả năng nhận diện và phân loại các bình luận người dùng. Nhờ vào các kỹ thuật này, công cụ có thể phân tích được ngữ nghĩa và cảm xúc trong từng bình luận, từ đó đưa ra những đánh giá chính xác về sản phẩm. Điều này không chỉ giúp người tiêu dùng có cái nhìn tổng quan về sản phẩm mà còn tạo ra giá trị thực tiễn cho các nhà cung cấp dịch vụ thương mại điện tử.

III. Kết quả và ứng dụng thực tiễn

Kết quả từ việc xây dựng công cụ đánh giá sản phẩm tự động cho thấy khả năng phân loại chính xác lên đến 85% với các bình luận tích cực và tiêu cực. Điều này chứng tỏ rằng công cụ có thể hoạt động hiệu quả trong môi trường thực tế. Việc áp dụng công cụ này không chỉ giúp người tiêu dùng dễ dàng hơn trong việc lựa chọn sản phẩm mà còn tạo cơ hội cho các doanh nghiệp cải thiện chất lượng dịch vụ và sản phẩm của mình. Thông qua việc phân tích phản hồi khách hàng, doanh nghiệp có thể nhận diện được điểm mạnh và yếu của sản phẩm, từ đó có những điều chỉnh cần thiết. Hơn nữa, công cụ này còn có thể được áp dụng để phát hiện các hành vi gian lận trong thương mại điện tử thông qua việc phân tích các bình luận người dùng không trung thực.

3.1. Đề xuất hướng phát triển

Để nâng cao hiệu quả của công cụ đánh giá tự động, cần tiếp tục nghiên cứu và cải tiến các thuật toán học máy cũng như mở rộng khả năng thu thập dữ liệu từ nhiều nguồn khác nhau. Việc tích hợp các công nghệ mới như học sâu (Deep Learning) có thể giúp cải thiện độ chính xác trong việc phân tích và đánh giá bình luận người dùng. Đồng thời, việc phát triển giao diện người dùng thân thiện và dễ sử dụng cũng là một yếu tố quan trọng để công cụ có thể được áp dụng rộng rãi hơn trong thực tế. Đặc biệt, cần chú trọng đến việc bảo mật thông tin và quyền riêng tư của người tiêu dùng trong quá trình thu thập và xử lý dữ liệu.