Giới thiệu dự án

Thương mại điện tử (E-commerce) tại Việt Nam đang chứng kiến tốc độ tăng trưởng vượt bậc với quy mô thị trường vượt mốc 20 tỷ USD. Cùng với sự bùng nổ của các nền tảng bán lẻ trực tuyến như Shopee, Tiki, Lazada, hàng triệu lượt tương tác, đánh giá sản phẩm và tin nhắn tư vấn được tạo ra mỗi ngày. Trong ngành hàng thời trang may mặc – lĩnh vực có tần suất mua sắm cao và phụ thuộc lớn vào trải nghiệm người dùng – việc thấu hiểu phản hồi của khách hàng cũng như phản hồi tức thì các yêu cầu tư vấn trở thành yếu tố sống còn cho doanh nghiệp.

Tuy nhiên, việc phân tích dữ liệu phản hồi người dùng gặp phải rào cản rất lớn do đặc thù ngôn ngữ tiếng Việt phi cấu trúc. Bình luận của khách hàng trên mạng xã hội và sàn thương mại điện tử chứa mật độ dày đặc ngôn ngữ đời sống, từ viết tắt (teencode), tiếng lóng, biểu tượng cảm xúc (emoji), lỗi chính tả và các cấu trúc đảo ngữ phức tạp (ví dụ: "K nghĩ váy xấu đến vậy luôn 1 sao cũng chả đc, phí cả tiền... chê ê chê"). Các phương pháp xử lý ngôn ngữ tự nhiên (NLP - Natural Language Processing) truyền thống dựa trên từ điển luật hoặc Bag-of-Words hoàn toàn bất lực trong việc giải mã ngữ cảnh hai chiều. Đồng thời, việc tư vấn khách hàng thủ công tiêu tốn nguồn nhân lực khổng lồ nhưng không đảm bảo được tính trực chiến 24/7.

Đồ án tốt nghiệp đại học ngành Công nghệ Thông tin tại Học viện Công nghệ Bưu chính Viễn thông (PTIT) với đề tài: "Áp dụng PhoBERT cho phân loại bình luận và xây dựng Chatbot trong mua sắm quần áo trực tuyến" (Thực hiện bởi sinh viên Nguyễn Thị Diễm, dưới sự hướng dẫn của PGS. Trần Đình Quế) được triển khai nhằm giải quyết triệt để bài toán kép trên.

+----------------------------------------------------------------------------------------------------+
|                                    TỔNG QUAN GIẢI PHÁP ĐỒ ÁN                                       |
+----------------------------------------------------------------------------------------------------+
|  [Đầu vào Đa nguồn]          -> [Xử lý Tiền kỳ & Chuẩn hóa] -> [Mô hình Cốt lõi]  -> [Ứng dụng]    |
|  - Shopee Reviews (25.9K)    -> - Regex & Teencode Normalizer-> - PhoBERT-base-v2 -> - Sentiment   |
|  - Tiki SCCR (14.5K)         -> - Emoji Stripper / Mapper   -> - PhoBERT-large   ->   Analytics    |
|  - User Messages             -> - Underthesea Tokenizer     -> - PhoBERT + LSTM  -> - Rasa Chatbot |
+----------------------------------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án

  1. Thu thập và chuẩn hóa bộ dữ liệu thực tế: Xây dựng bộ dữ liệu đánh giá sản phẩm từ Shopee (~26.000 mẫu) và Tiki (14.478 mẫu) với nhãn cảm xúc tích cực/tiêu cực rõ ràng.
  2. Nghiên cứu và tinh chỉnh các kiến trúc học sâu: Áp dụng mô hình ngôn ngữ tiếng Việt PhoBERT (kiến trúc RoBERTa tiền huấn luyện) kết hợp với các tầng phân loại chuyên biệt (Linear, LSTM, CNN), so sánh với baseline FastText + BiLSTM.
  3. Xây dựng hệ thống hội thoại tự động thông minh: Phát triển trợ lý ảo trên nền tảng Rasa Framework kết hợp NLU tiếng Việt chuyên sâu cho ngành thời trang.
  4. Tích hợp tính năng thương mại điện tử chuyên sâu: Tự động hóa tư vấn chọn size theo thể trạng (chiều cao, cân nặng), tra cứu đơn hàng qua email/mã vận đơn, tìm kiếm sản phẩm và mô phỏng thử đồ ảo.

Phạm vi và giới hạn

  • Phạm vi: Xử lý dữ liệu văn bản tiếng Việt phân loại cảm xúc nhị phân (Positive/Negative) trong lĩnh vực thương mại điện tử và quản lý hội thoại theo kịch bản ngành thời trang.
  • Giới hạn: Hệ thống tập trung vào xử lý hội thoại dựa trên văn bản (Text-based), chưa bao gồm nhận diện giọng nói (Speech-to-Text) hoặc xử lý ảnh thử đồ 3D thời gian thực.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi kiến trúc Transformer và PhoBERT ra đời, các bài toán phân loại sắc thái bình luận tiếng Việt chủ yếu dựa vào mô hình thống kê kết hợp mạng nơ-ron hồi quy cơ bản. Bảng so sánh dưới đây làm rõ ưu và nhược điểm của các cách tiếp cận:

Tiêu chí Phương pháp Từ điển & TF-IDF + SVM FastText + BiLSTM Large Language Models (LLMs - Zero-shot) Tinh chỉnh PhoBERT (Giải pháp đề xuất)
Khả năng hiểu ngữ cảnh tiếng Việt Rất thấp, mất hoàn toàn thứ tự từ Trung bình, nắm bắt chuỗi nhưng yếu về ngữ nghĩa ẩn Rất cao nhưng dễ nhầm lẫn sắc thái đặc thù địa phương Xuất sắc, được huấn luyện trước trên 20GB-140GB văn bản tiếng Việt
Xử lý từ viết tắt & Teencode Kém, phụ thuộc hard-code rule Khá tốt nhờ cơ chế Sub-word Khá Tối ưu nhờ kết hợp Byte-Pair Encoding và Pipeline chuẩn hóa
Chi phí tính toán / Độ trễ Rất thấp (<10ms) Thấp (~30ms) Rất cao, phụ thuộc API bên thứ ba, độ trễ >1000ms Tối ưu cho môi trường Production on-premise (~50ms trên GPU)
Khả năng kiểm soát hội thoại Kém Kém Dễ xảy ra hiện tượng "ảo giác" (Hallucination) Kiểm soát chặt chẽ trạng thái qua Rasa Core

Yêu cầu chức năng của hệ thống được phân loại theo mô hình MoSCoW:

  • Must Have: Thuật toán phân loại chính xác bình luận Positive/Negative; Nhận diện Intent & Entity trong kịch bản mua sắm; Quản lý hội thoại đa vòng (Multi-turn dialogue).
  • Should Have: Module chuẩn hóa lỗi chính tả và teencode tiếng Việt; Tính năng tra cứu đơn hàng theo Email/ID; Khuyến nghị kích cỡ quần áo (Size S, M, L, XL) dựa trên chỉ số cơ thể.
  • Could Have: Tính năng mô phỏng thử đồ ảo (Virtual Try-on UI); Tự động xuất báo cáo sắc thái khách hàng cho quản trị viên.
  • Won't Have (Giai đoạn này): Tự động đàm phán giá sản phẩm; Sinh câu trả lời mở không kiểm soát bằng LLM tạo sinh.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình phân lớp gồm 4 phân hệ chính:

+------------------------------------------------------------------------------------+
|                         KIẾN TRÚC TỔNG THỂ HỆ THỐNG                                |
+------------------------------------------------------------------------------------+
| [CLIENT LAYER]                                                                     |
|    - Web Interface / E-Commerce Storefront / Chat Widget Component                 |
+------------------------------------------------------------------------------------+
| [API GATEWAY & INTEGRATION LAYER]                                                  |
|    - REST API Endpoints / Webhook Handler (Rasa Webhook: /webhooks/rest/webhook)   |
+------------------------------------------------------------------------------------+
| [CORE INTELLIGENCE LAYER]                                                          |
|    +-----------------------------+     +-----------------------------------------+ |
|    |    Sentiment Engine         |     |          Rasa Conversational Engine      | |
|    | - PhoBERT Embedding (768-d) |     | - Rasa NLU (Intent & Entity Extraction) | |
|    | - Sequential Linear/LSTM    |     | - Rasa Core (Tracker Store, Policies)   | |
|    | - Softmax Classification    |     | - Action Server (Custom Business Logic) | |
|    +-----------------------------+     +-----------------------------------------+ |
+------------------------------------------------------------------------------------+
| [DATA & PREPROCESSING LAYER]                                                       |
|    - Teencode Dict | Stopwords Filter | Regex Cleanser | Underthesea Tokenizer     |
+------------------------------------------------------------------------------------+

Technology Stack và Phiên bản công nghệ

  • Ngôn ngữ lập trình: Python 3.8+
  • Framework Học sâu: PyTorch 2.0+, Hugging Face Transformers (vinai/PhoBERT-base-v2, vinai/PhoBERT-large)
  • Nền tảng Quản lý Hội thoại: Rasa Open Source 3.x
  • Thư viện Xử lý Tiếng Việt: Underthesea 1.3.x (Hỗ trợ Word Segmentation chuẩn hóa)
  • Thư viện Tiền xử lý & Trực quan hóa: Pandas 2.x, NumPy, Emot (Emoji processing), Matplotlib, Seaborn

Thiết kế Schema Dữ liệu & API

  1. Shopee Review Crawler Endpoint:
    • GET https://shopee.vn/api/v2/item/get_ratings?filter=0&flag=1&itemid={item_id}&limit=20&offset={offset}&shopid={shop_id}&type=0
    • Thuộc tính trích xuất: item_id, shop_id, rating_star, comment, author_username, product_items.
  2. Rasa Dialogue Schema:
    • Intents: greet, goodbye, ask_size, track_order, search_product, virtual_try_on, order_product, out_of_scope.
    • Entities & Slots: clothing_type, height, weight, order_email, product_id, size_result.

Methodology

Quy trình phát triển đồ án tuân theo phương pháp luận CRISP-DM kết hợp mô hình phân chia Sprint rõ ràng:

  • Milestone 1 (Tuần 1-3): Thu thập dữ liệu qua Web Scraping API, làm sạch dữ liệu, xây dựng ma trận từ điển viết tắt Teencode.
  • Milestone 2 (Tuần 4-7): Cài đặt các kiến trúc mô hình học sâu trên PyTorch, huấn luyện baseline và tinh chỉnh các biến thể PhoBERT.
  • Milestone 3 (Tuần 8-10): Thiết kế Stories, Rules, Forms và Actions trên Rasa Core; tích hợp PhoBERT cho phân loại ý định người dùng.
  • Milestone 4 (Tuần 11-12): Đánh giá mô hình bằng Confusion Matrix, kiểm thử chấp nhận người dùng (UAT), tối ưu hóa độ trễ phản hồi.

Implementation và kết quả

Development process

1. Xây dựng Pipeline Tiền xử lý dữ liệu Tiếng Việt

Dữ liệu thô sau khi thu thập được đưa qua chuỗi hàm xử lý nghiêm ngặt nhằm loại bỏ nhiễu và chuẩn hóa hình thái từ:

import re
import pandas as pd
import underthesea
from emot.emo_unicode import UNICODE_EMOJI

def clean_vietnamese_text(text, abb_dict_df, stopword_set):
    # 1. Chuyển về chữ thường
    text = str(text).lower()
    # 2. Loại bỏ URL, Email, Tag, Hashtag
    text = re.sub(r'https?://\S+|www\.\S+', ' ', text)
    text = re.sub(r'(?:\@|\#|\://)\S+', ' ', text)
    # 3. Loại bỏ ký tự đặc biệt
    text = re.sub(r"[-()\"#/@;:<>{}`+=~|.!?,]", " ", text)
    # 4. Loại bỏ Emoji
    for emot in UNICODE_EMOJI:
        text = text.replace(emot, ' ')
    # 5. Chuẩn hóa Teencode theo từ điển
    words = text.split()
    normalized_words = []
    for word in words:
        match = abb_dict_df.loc[abb_dict_df['abbreviation'] == word, 'meaning']
        if not match.empty:
            normalized_words.append(str(match.values[0]))
        else:
            normalized_words.append(word)
    text = ' '.join(normalized_words)
    # 6. Tách từ ghép (Word Segmentation) và loại bỏ Stopwords
    tokens = underthesea.word_tokenize(text)
    filtered = [w for w in tokens if w not in stopword_set]
    return ' '.join(filtered).strip()

2. Cài đặt các kiến trúc mạng học sâu với PhoBERT

Các mô hình được cài đặt bằng PyTorch, kế thừa biểu diễn không gian ngữ cảnh 768 chiều (đối với Base) và 1024 chiều (đối với Large) từ token đặc biệt [CLS].

import torch
import torch.nn as nn
from transformers import AutoModel, AutoConfig

class PhoBERT_Classifier(nn.Module):
    def __init__(self, model_name="vinai/PhoBERT-base-v2", num_labels=2, dropout_rate=0.3):
        super(PhoBERT_Classifier, self).__init__()
        self.config = AutoConfig.from_pretrained(model_name)
        self.phobert = AutoModel.from_pretrained(model_name, config=self.config)
        hidden_size = self.config.hidden_size # 768 hoặc 1024
        
        self.classifier = nn.Sequential(
            nn.Linear(hidden_size, 512),
            nn.ReLU(),
            nn.Dropout(dropout_rate),
            nn.Linear(512, 256),
            nn.ReLU(),
            nn.Dropout(dropout_rate),
            nn.Linear(256, num_labels)
        )
        
    def forward(self, input_ids, attention_mask):
        outputs = self.phobert(input_ids=input_ids, attention_mask=attention_mask)
        # Trích xuất biểu diễn ngữ cảnh tại vị trí token [CLS]
        cls_output = outputs.last_hidden_state[:, 0, :]
        logits = self.classifier(cls_output)
        return logits

Testing và validation

Quá trình huấn luyện sử dụng các siêu tham số chuẩn hóa: Optimizer AdamW, Learning Rate $2\times 10^{-5}$, Batch Size = 32, Epochs = 10, Độ dài chuỗi tối đa (max_seq_len) = 256 tokens. Phân chia tập dữ liệu theo tỷ lệ chuẩn: 70% Train, 15% Validation, 15% Test.

Thống kê tập dữ liệu thực nghiệm

  • Tập Shopee (Tự thu thập): Tổng 25.885 mẫu (21.244 Positive - 82.07%, 4.641 Negative - 17.93% -> Tập dữ liệu mất cân bằng phản ánh đúng thực tế người mua hàng).
  • Tập Tiki (SCCR Dataset): Tổng 14.478 mẫu (8.338 Positive - 57.59%, 6.140 Negative - 42.41% -> Tập dữ liệu tương đối cân bằng).

Bảng kết quả thực nghiệm chi tiết

Bộ dữ liệu Mô hình thực nghiệm Accuracy (%) Precision (%) Recall (%) Macro F1-Score (%)
Shopee FastText + BiLSTM (Baseline) 84.25% 81.60% 83.15% 82.36%
PhoBERT-base + Linear 91.82% 90.45% 90.80% 90.62%
PhoBERT-large + Linear 93.15% 92.30% 91.95% 92.12%
PhoBERT-base + LSTM 92.40% 91.10% 91.50% 91.30%
PhoBERT-base + CNN 91.50% 90.20% 90.05% 90.12%
Tiki (SCCR) FastText + BiLSTM (Baseline) 86.10% 85.40% 85.90% 85.65%
PhoBERT-base + Linear 93.20% 93.10% 93.05% 93.07%
PhoBERT-large + Linear 94.50% 94.30% 94.40% 94.35%
PhoBERT-base + LSTM 93.85% 93.60% 93.70% 93.65%
PhoBERT-base + CNN 92.90% 92.50% 92.80% 92.65%

Kết quả đạt được

+------------------------------------------------------------------------------------+
|                         SO SÁNH HIỆU NĂNG TỔNG THỂ (F1-SCORE)                      |
+------------------------------------------------------------------------------------+
| FastText + BiLSTM   [82.36%] ==============================                        |
| PhoBERT-base+CNN    [90.12%] =====================================                 |
| PhoBERT-base+Linear [90.62%] ======================================                |
| PhoBERT-base+LSTM   [91.30%] =======================================               |
| PhoBERT-large       [92.12%] =========================================             |
+------------------------------------------------------------------------------------+
  1. Hiệu năng vượt trội của PhoBERT: PhoBERT-large kết hợp Linear Classifier đạt độ chính xác cao nhất trên cả hai tập dữ liệu (93.15% trên Shopee và 94.50% trên Tiki), vượt trội so với mô hình baseline FastText + BiLSTM tới 8.9% về Accuracy và 9.76% về F1-Score.
  2. Khả năng nắm bắt sắc thái phức tạp: Mô hình phân loại chính xác các câu mang cấu trúc phủ định kép và ngữ nghĩa đảo mà các mô hình truyền thống thường phân loại sai (như "Áo không rộng như mình nghĩ, mặc rất tôn dáng" -> Nhãn Tích cực).
  3. Triển khai Chatbot nghiệp vụ thành công: Chatbot hoàn thành 100% các kịch bản tư vấn kích thước theo công thức logic chuẩn hóa thời trang, xử lý tra cứu trạng thái đơn hàng tự động với thời gian phản hồi trung bình <350ms.

Đổi mới và đóng góp

  1. Ứng dụng SOTA Transformer tiếng Việt vào E-Commerce thực tế: Đồ án không dừng lại ở nghiên cứu lý thuyết mà trực tiếp giải quyết bài toán phân tích sắc thái bình luận thực tiễn trên dữ liệu thu thập trực tiếp từ Shopee và Tiki với kích thước hơn 40.000 bản ghi.
  2. Bộ tiền xử lý chuẩn hóa Teencode chuyên biệt: Xây dựng ma trận ánh xạ từ ngữ viết tắt tiếng Việt quy mô lớn, kết hợp kỹ thuật bóc tách biểu tượng cảm xúc (Emoji Demapping) giúp nâng cao hiệu suất phân loại lên thêm 3.2% so với việc chỉ đưa văn bản thô vào PhoBERT.
  3. Mô hình lai PhoBERT kết hợp LSTM: Chứng minh tính hiệu quả của việc xếp chồng tầng LSTM phía sau biểu diễn ngữ cảnh của Transformer Encoder, giúp duy trì và nắm bắt tốt hơn chuỗi phụ thuộc dài trong các đoạn nhận xét đa ý.
  4. Kiến trúc Chatbot hướng tác vụ tin cậy (Task-oriented Chatbot): Thay vì sử dụng các mô hình ngôn ngữ lớn dạng sinh (Generative LLMs) dễ gặp lỗi ảo giác thông tin và chi phí suy luận đắt đỏ, đồ án kết hợp khả năng phân loại ý định cực nhạy của PhoBERT với hệ thống kiểm soát trạng thái của Rasa Core, đảm bảo độ chính xác nghiệp vụ 100% khi xử lý đơn hàng và tính toán kích cỡ.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hệ thống lắng nghe khách hàng tự động (Voice of Customer - VoC): Tích hợp trực tiếp vào dashboard quản trị của sàn thương mại điện tử để tự động quét hàng nghìn đánh giá mỗi ngày, phát hiện tức thì các cảnh báo về lô hàng lỗi hoặc thái độ shipper kém.
  • Trợ lý bán hàng tự động 24/7 (AI Fashion Stylist & CSKH): Nhúng trực tiếp vào website bán hàng, fanpage Facebook, giải quyết tức thì bài toán phổ biến nhất của người mua sắm thời trang: "Cao 1m60 nặng 50kg mặc size nào vừa?".
+------------------------------------------------------------------------------------+
|                         LUỒNG HỘI THOẠI TƯ VẤN SIZE & TRA CỨU ĐƠN                  |
+------------------------------------------------------------------------------------+
| Khách hàng: "Shop ơi mình cao 1m65 nặng 58kg muốn mua váy dạ hội mã DH01"         |
|                                                                                    |
| [Rasa NLU + PhoBERT] -> Extract Intent: ask_size                                  |
|                      -> Extract Entities: height=165cm, weight=58kg, id=DH01       |
|                                                                                    |
| [Action Server]      -> Tính toán BMI & Size Matrix: Phù hợp Size M                |
|                      -> Query Database: Mã DH01 Size M còn 5 sản phẩm              |
|                                                                                    |
| Bot phản hồi:        -> "Dạ với chiều cao 1m65 và cân nặng 58kg, bạn mặc đẹp nhất  |
|                         là SIZE M ạ. Mẫu DH01 hiện còn sẵn hàng, bạn có muốn       |
|                         xem thử đồ ảo qua mô hình 2D không ạ?"                     |
+------------------------------------------------------------------------------------+

Chiến lược triển khai và Yêu cầu hạ tầng

  • Môi trường Server tối thiểu (Production):
    • CPU: 4 Cores (Intel Xeon / AMD EPYC)
    • RAM: 16 GB
    • GPU: 1x NVIDIA T4 (16GB VRAM) hoặc NVIDIA RTX 3060 để tối ưu hóa thời gian suy luận (Inference Latency < 100ms)
    • Storage: 50GB SSD NVMe
  • Đóng gói hệ thống (Containerization): Triển khai thông qua Docker Compose tách biệt 3 microservices: rasa-server, action-server, và web-frontend-nginx.

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

  • Tiết kiệm chi phí vận hành: Một cửa hàng thời trang trực tuyến cỡ trung bình (1.000 đơn/ngày) cần trung bình 4 nhân viên trực chat 3 ca. Chatbot AI xử lý tự động 75% lượng câu hỏi lặp lại (size, trạng thái đơn, giá cước), giảm quy mô đội ngũ CSKH xuống còn 1-2 nhân sự giám sát.
  • Thời gian hoàn vốn (ROI): Ước tính đạt điểm hòa vốn sau 3.5 tháng triển khai nhờ cắt giảm chi phí nhân sự và tăng tỷ lệ chốt đơn vào ban đêm (khung giờ 23h - 6h sáng).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc vào kích thước bộ nhớ GPU: Mô hình PhoBERT-large với 370 triệu tham số đòi hỏi bộ nhớ VRAM tương đối lớn, gây khó khăn cho việc triển khai trên các thiết bị máy chủ biên (Edge Devices) giá rẻ.
  • Phân loại cảm xúc tổng quát (Sentence-level): Hiện tại mô hình đánh giá toàn bộ câu bình luận là Tích cực hoặc Tiêu cực, chưa bóc tách sâu theo từng khía cạnh cụ thể (Aspect-based Sentiment Analysis - ABSA), ví dụ trường hợp: "Vải áo rất đẹp (Pos) nhưng giao hàng quá chậm (Neg)".

Hướng phát triển tương lai

  1. Áp dụng kỹ thuật Nén mô hình (Model Quantization & Pruning): Chuyển đổi mô hình PyTorch sang định dạng ONNX Runtime và TensorRT với độ chính xác INT8/FP16, giúp tăng tốc độ suy luận gấp 3-4 lần và giảm tải 60% dung lượng RAM.
  2. Mở rộng bài toán ABSA: Huấn luyện PhoBERT bóc tách sắc thái cảm xúc theo 5 khía cạnh cốt lõi: Chất liệu, Phom dáng, Giá thành, Dịch vụ đóng gói/Giao hàng, Thái độ phục vụ.
  3. Kết hợp RAG (Retrieval-Augmented Generation): Tích hợp mô hình ngôn ngữ lớn có kiểm soát thông qua cơ chế RAG để chatbot có khả năng tư vấn phối đồ thời trang linh hoạt theo xu hướng mới nhất mà vẫn đảm bảo tính chính xác về mặt dữ liệu tồn kho.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                         MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI                                |
+------------------------------------------------------------------------------------+
|  [SINH VIÊN & NGHIÊN CỨU SINH]      [KỸ SƯ DỮ LIỆU & DEVELOPER]                    |
|  - Mã nguồn mẫu PyTorch & Rasa      - Pipeline làm sạch Teencode tiếng Việt        |
|  - Thực nghiệm chuẩn khoa học       - Kiến trúc Microservices sẵn sàng Production  |
|                                                                                    |
|  [DOANH NGHIỆP THỜI TRANG]          [KHÁCH HÀNG MUA SẮM]                           |
|  - Cắt giảm 60-75% chi phí CSKH     - Được tư vấn tức thì 24/7                     |
|  - Giám sát chất lượng hàng realtime- Chọn đúng size, giảm 40% tỷ lệ hoàn hàng     |
+------------------------------------------------------------------------------------+
  • Sinh viên & Giới nghiên cứu: Cung cấp tài liệu tham khảo thực nghiệm chi tiết về hiệu năng các biến thể Transformer dành riêng cho tiếng Việt khi đối mặt với dữ liệu mạng xã hội phi cấu trúc.
  • Kỹ sư Phần mềm & AI: Sở hữu bộ khung kiến trúc hoàn chỉnh từ khâu Web Scraping, Tiền xử lý teencode đến tích hợp Action Server trên Rasa.
  • Doanh nghiệp bán lẻ trực tuyến: Sở hữu giải pháp tự động hóa giúp nâng cao tỷ lệ chuyển đổi đơn hàng và giảm thiểu tỷ lệ trả hàng do chọn nhầm kích cỡ.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai hệ thống là gì?

Để triển khai hệ thống trong môi trường thử nghiệm hoặc quy mô nhỏ, máy chủ chỉ cần 1 CPU 4 Cores, 8GB RAM (chạy chế độ CPU Inference với PhoBERT-base, độ trễ ~150-200ms/request). Đối với môi trường thương mại phục vụ đồng thời >50 người dùng, khuyến nghị sử dụng 1 GPU NVIDIA T4 16GB VRAM cùng 16GB RAM máy chủ.

2. Hệ thống xử lý độ mở rộng (Scalability) như thế nào khi lượng truy cập tăng vọt?

Hệ thống được thiết kế theo kiến trúc Microservices phi trạng thái (Stateless Services). Khi lưu lượng truy cập tăng cao (như trong các dịp Flash Sale 11/11, 12/12), hệ thống có thể dễ dàng mở rộng theo chiều ngang (Horizontal Scaling) bằng cách nhân bản các Rasa Worker Containers phía sau Nginx Load Balancer và phục vụ mô hình PhoBERT qua Triton Inference Server hoặc TorchServe.

3. Làm thế nào để tích hợp Chatbot vào website thương mại điện tử có sẵn?

Rasa cung cấp chuẩn kết nối REST API và Webhook (/webhooks/rest/webhook). Phía giao diện Web chỉ cần nhúng một đoạn mã JavaScript Chat Widget kết nối trực tiếp với Endpoint này thông qua chuẩn dữ liệu JSON để gửi và nhận tin nhắn theo thời gian thực.

4. Quy trình cập nhật từ vựng mới và Teencode phát sinh theo thời gian ra sao?

Hệ thống tách biệt tệp từ điển chuẩn hóa abb_dict_normal.xlsx. Khi xuất hiện các từ lóng hoặc từ viết tắt mới của giới trẻ (Gen Z), người quản trị chỉ cần cập nhật thêm cặp [abbreviation - meaning] vào bảng mà không cần phải huấn luyện lại toàn bộ mô hình ngôn ngữ cốt lõi.

5. Dự toán chi phí đầu tư ban đầu và thời gian thu hồi vốn (ROI)?

Chi phí đầu tư ban đầu bao gồm chi phí thiết lập hạ tầng Cloud (khoảng $50 - $100/tháng cho VPS GPU) và chi phí tích hợp hệ thống. Với khả năng thay thế tương đương 2 nhân sự trực chat toàn thời gian, doanh nghiệp tiết kiệm được từ 15 - 20 triệu VNĐ/tháng, giúp đạt điểm hòa vốn đầu tư chỉ sau 3 đến 4 tháng.

Kết luận

Đồ án tốt nghiệp "Áp dụng PhoBERT cho phân loại bình luận và xây dựng Chatbot trong mua sắm quần áo trực tuyến" đã giải quyết xuất sắc các thách thức trong việc xử lý ngôn ngữ tự nhiên tiếng Việt ứng dụng vào thương mại điện tử. Thông qua việc kiểm nghiệm thực tế trên hơn 40.000 đánh giá từ Shopee và Tiki, đồ án đã chứng minh sự vượt trội của mô hình PhoBERT-large (đạt độ chính xác 94.50% trên tập Tiki và 93.15% trên tập Shopee) so với các giải pháp truyền thống.

Không dừng lại ở bài toán phân loại sắc thái, công trình đã hiện thực hóa thành công một hệ thống Chatbot tư vấn bán hàng thông minh, khép kín trên nền tảng Rasa. Hệ thống đáp ứng trọn vẹn các yêu cầu nghiệp vụ thực tế từ tư vấn kích cỡ chuẩn xác, kiểm tra tình trạng đơn hàng đến hỗ trợ thử đồ ảo. Đây là nền tảng vững chắc có tính ứng dụng thực tiễn cao, sẵn sàng chuyển giao công nghệ cho các doanh nghiệp bán lẻ trực tuyến nhằm tối ưu hóa chi phí vận hành và nâng tầm trải nghiệm khách hàng số.