Luận án tiến sĩ: Khai phá quan điểm với các phương pháp quần thể của Trần Quang Phúc - ĐH Đà Nẵng

Luận án tiến sĩ nghiên cứu khai phá quan điểm với các phương pháp quần thể, áp dụng rừng phân loại và rừng mật độ cho tập dữ liệu đánh giá thực tế.

• Tác giả: Trần Quang Phúc
• Người hướng dẫn: GS. Huỳnh Xuân Hiệp
• Trường học: Trường Đại học Bách khoa, Đại học Đà Nẵng
• Chuyên ngành: Khoa học máy tính
• Đề tài: Khai phá quan điểm với các phương pháp quần thể
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2026
• Địa điểm: Đà Nẵng

Tóm tắt

I. Tổng quan về khai phá quan điểm với các phương pháp quần thể

Khai phá quan điểm là lĩnh vực trọng tâm trong xử lý ngôn ngữ tự nhiên. Nhiệm vụ này tập trung trích xuất thái độ từ văn bản số. Dữ liệu đánh giá trực tuyến tăng trưởng rất nhanh mỗi ngày. Người dùng thường xuyên chia sẻ nhận xét về sản phẩm và dịch vụ. Các phương pháp phân loại đơn lẻ thường gặp nhiều giới hạn khi dữ liệu phân tán. Mô hình học quần thể xuất hiện như một giải pháp khắc phục triệt để. Kỹ thuật này kết hợp nhiều bộ phân loại cơ sở để tạo dự đoán tối ưu. Rừng ngẫu nhiên và cây quyết định là các thành phần nền tảng phổ biến. Nghiên cứu sinh Trần Quang Phúc tại Đại học Bách khoa Đà Nẵng đã phát triển sâu hướng đi này. Luận án tiến sĩ kỹ thuật năm 2026 đặt trọng tâm vào các cấu trúc học quần thể mới. Các mô hình được thiết kế nhằm nâng cao chất lượng khai thác ngữ nghĩa. Tiếp cận này giúp phân tích chính xác quan điểm ở nhiều cấp độ tài liệu khác nhau. Hệ thống xử lý tốt cả những tập dữ liệu có cấu trúc không đồng nhất.

1.1. Các cấp độ trong khai phá quan điểm

Khai phá quan điểm vận hành trên ba cấp độ chính gồm tài liệu, câu và khía cạnh. Cấp độ tài liệu xác định toàn bộ thái độ tích cực hoặc tiêu cực của văn bản. Cấp độ câu phân tích chi tiết hơn từng nhận định thành phần. Cấp độ khía cạnh trích xuất cảm xúc đối với từng đặc trưng thực thể cụ thể. Việc khai thác ở cấp độ khía cạnh mang lại giá trị thực tiễn cao nhất. Khách hàng thường khen vị trí khách sạn nhưng lại chê giá thành dịch vụ. Các phương pháp học máy thông thường dễ làm mờ đi các chi tiết nhỏ này. Do đó, mô hình quần thể được ứng dụng để liên kết toàn diện mọi thông tin ngữ nghĩa.

1.2. Vai trò của kỹ thuật học quần thể

Học quần thể kết hợp sức mạnh của nhiều mô hình cơ sở độc lập. Cơ chế này giảm thiểu độ lệch và phương sai trong quá trình phân loại. Thuật toán rừng ngẫu nhiên là đại diện tiêu biểu cho hướng tiếp cận này. Nhiều cây quyết định cùng bỏ phiếu để đưa ra kết luận cuối cùng. Sai số từ một nhánh cây riêng lẻ sẽ được triệt tiêu hiệu quả. Độ chính xác tổng thể vì thế tăng lên rõ rệt trên dữ liệu lớn. Các phương pháp học quần thể còn xử lý tốt tình trạng quá khớp mô hình. Kết quả đánh giá trở nên đáng tin cậy hơn trên các miền dữ liệu mới. Đây là tiền đề vững chắc cho việc mở rộng thuật toán phức tạp hơn.

II. Thách thức khai phá quan điểm với các phương pháp quần thể

Khai phá dữ liệu cảm xúc gặp nhiều trở ngại kỹ thuật phức tạp. Ngôn ngữ tự nhiên luôn chứa đựng sự mơ hồ và tính ngữ cảnh cao. Các thuật toán học máy cổ điển thường giả định dữ liệu có phân phối đồng đều. Tuy nhiên phân phối dữ liệu văn bản thực tế lại rất lệch. Nhóm ý kiến thiểu số thường bị chìm lấp bởi số đông đánh giá. Hiện tượng mất cân bằng mẫu gây suy giảm nghiêm trọng độ nhạy phân loại. Bên cạnh đó, các mô hình học sâu hiện đại tuy chính xác nhưng thiếu tính minh bạch. Bản chất hộp đen khiến người dùng khó hiểu nguyên nhân đưa ra quyết định. Việc giải thích đóng góp của từng từ ngữ trở nên rất khó khăn. Đối với các hệ thống quản trị, tính diễn giải đóng vai trò sống còn. Doanh nghiệp cần hiểu rõ lý do khách hàng không hài lòng để khắc phục. Ngoài ra chiều không gian dữ liệu văn bản thường rất lớn và thưa thớt. Cấu trúc phi tuyến tính đòi hỏi giải pháp học hình học đa tạp chuyên biệt.

2.1. Vấn đề phân phối dữ liệu không đồng đều

Không gian đặc trưng văn bản chứa phân phối cực kỳ phức tạp. Các đánh giá tích cực thường chiếm đa số áp đảo trên mạng xã hội. Ngược lại phản hồi tiêu cực xuất hiện với tần suất thấp hơn. Sự mất cân bằng này khiến bộ phân loại bỏ sót mẫu hiếm. Các cây phân nhánh tiêu chuẩn ưu tiên tối ưu hóa lớp chiếm đa số. Hậu quả là mô hình phân loại sai các ý kiến thiểu số quan trọng. Nhiều đánh giá tiêu cực mang tính cảnh báo rủi ro bị bỏ qua. Thuật toán truyền thống không phản ánh đúng bức tranh thực tế của thị trường. Nghiên cứu cần giải pháp mới nhằm phát hiện chính xác các cụm mật độ nhỏ.

2.2. Hạn chế về khả năng diễn giải mô hình

Mạng nơ-ron sâu mang lại độ chính xác rất cao cho phân loại. Tuy nhiên cấu trúc nơ-ron phức tạp che giấu toàn bộ quá trình xử lý. Doanh nghiệp không thể xác định căn cứ dẫn đến quyết định phân loại. Việc thiếu khả năng diễn giải tạo ra rào cản ứng dụng lớn. Các quyết định tự động thiếu cơ sở chứng minh minh bạch và rõ ràng. Đối với phân tích quan điểm, người quản lý cần thấy trọng số từ ngữ. Việc trích xuất mối quan hệ ngữ nghĩa đóng vai trò định hướng kinh doanh. Các phương pháp học máy cần cân bằng giữa hiệu năng và khả năng giải trình. Điều này thúc đẩy việc cải tiến các cấu trúc rừng phân loại hiện có.

III. Đề xuất mới về khai phá quan điểm với các phương pháp quần thể

Luận án tiến sĩ tại Đại học Bách khoa Đà Nẵng đưa ra các giải pháp đột phá. Tác giả Trần Quang Phúc đề xuất ba mô hình quần thể chuyên sâu. Mô hình thứ nhất là Rừng đóng góp đặc trưng nhằm tăng cường khả năng diễn giải. Mô hình thứ hai là Rừng mật độ quan điểm xử lý dữ liệu phân phối không đều. Cấu trúc cây sử dụng entropy Gaussian kết hợp thuật toán phân cụm DBSCAN tại nút chia. Thuật toán này định vị chính xác các nhóm quan điểm thiểu số bị ẩn giấu. Mô hình thứ ba là Rừng đa tạp thiết lập không gian hình học phi tuyến. Tiếp cận này xây dựng cấu trúc đa tạp tường minh qua ma trận quan hệ khoảng cách. Điểm ưu việt là mô hình không cần huấn luyện mạng nơ-ron sâu tốn kém tài nguyên. Các thử nghiệm được tiến hành trên tập dữ liệu Yelp, Amazon và TripAdvisor. Ngoài ra tác giả còn kiểm chứng trên tập dữ liệu tiếng Việt VLSP-2018. Kết quả vượt trội so với SVM, Random Forest và tiệm cận các mô hình ngôn ngữ lớn.

3.1. Rừng mật độ quan điểm với phân cụm DBSCAN

Mô hình Rừng mật độ quan điểm giải quyết triệt để vấn đề mất cân bằng dữ liệu. Thuật toán kết hợp entropy Gaussian với kỹ thuật phân cụm mật độ DBSCAN. Tiêu chí phân chia nút này cho phép cây phát hiện cấu trúc cụm cục bộ. Các nhóm quan điểm thiểu số được gom cụm và bảo toàn trọn vẹn. Ngay cả những ý kiến phản hồi hiếm hoi cũng được phân loại chính xác. Thực nghiệm trên YelpHotelData và YelpResData chứng minh tính hiệu quả vượt trội. Thuật toán thích ứng tuyệt vời với những tập dữ liệu văn bản thực tế phức tạp. Giải pháp mở ra hướng đi mới cho việc ước lượng hàm mật độ xác suất quan điểm.

3.2. Cấu trúc rừng đa tạp và ma trận quan hệ

Rừng đa tạp cung cấp cơ chế học biểu diễn phi tuyến tính mạnh mẽ. Thuật toán bao gồm tập hợp các cây phân cụm chuyên biệt. Khác với học sâu end-to-end, rừng đa tạp không yêu cầu tài nguyên tính toán khổng lồ. Cấu trúc đa tạp được kiến tạo tường minh thông qua ma trận quan hệ khoảng cách. Ánh xạ tối ưu bảo toàn hình học dữ liệu gốc trong không gian số chiều thấp. Phương pháp nắm bắt chính xác mối liên kết ngữ nghĩa giữa các từ ngữ và câu. Hiệu năng phân loại đạt mức tối ưu trên nhiều tập chuẩn quốc tế. Hệ thống vận hành nhanh chóng, tiết kiệm bộ nhớ và dễ dàng triển khai thực tế.

IV. Ứng dụng từ khai phá quan điểm với các phương pháp quần thể

Nghiên cứu về khai phá quan điểm tạo ra giá trị ứng dụng to lớn. Các mô hình quần thể mới giải quyết bài toán phân tích ý kiến quy mô lớn. Doanh nghiệp thương mại điện tử có thể lắng nghe khách hàng theo thời gian thực. Hệ thống tự động lọc phản hồi, phân nhóm đánh giá và phát hiện khủng hoảng truyền thông sớm. Ngành du lịch và dịch vụ khách sạn hưởng lợi trực tiếp từ công nghệ này. Ban quản lý nhanh chóng nhận biết các khuyết điểm về cơ sở vật chất hay thái độ nhân viên. Trong lĩnh vực quản trị công, giải pháp giúp khảo sát mức độ hài lòng của người dân. Nghiên cứu của Trường Đại học Bách khoa Đà Nẵng khẳng định năng lực ứng dụng cao của học máy tại Việt Nam. Sự kết hợp giữa độ chính xác và khả năng diễn giải tạo niềm tin cho người dùng. Các thuật toán mở đường cho thế hệ công cụ phân tích dữ liệu thông minh trong tương lai.

4.1. Tối ưu hóa trải nghiệm khách hàng số

Phân tích cảm xúc tự động giúp nâng tầm dịch vụ chăm sóc người dùng. Các doanh nghiệp áp dụng mô hình quần thể để giám sát đánh giá đa kênh. Hệ thống phát hiện kịp thời các phản hồi tiêu cực gay gắt. Đội ngũ hỗ trợ có thể xử lý phàn nàn trước khi sự cố lan rộng. Đồng thời các ý kiến đóng góp hữu ích được phân loại theo từng tính năng sản phẩm. Nhóm kỹ sư dựa vào dữ liệu thực để cải tiến chất lượng dịch vụ liên tục. Sự hài lòng và mức độ gắn bó của khách hàng từ đó được nâng cao rõ rệt.

4.2. Tiềm năng triển khai cho tiếng Việt

Ngôn ngữ tiếng Việt có cấu trúc câu phức tạp và giàu sắc thái biểu cảm. Việc thử nghiệm thành công trên bộ dữ liệu VLSP-2018 mang ý nghĩa đặc biệt. Mô hình rừng cải tiến chứng minh khả năng thích ứng cao với tiếng Việt. Thuật toán phân loại chính xác các câu mang ngữ nghĩa đảo hoặc ẩn ý mỉa mai. Chi phí vận hành thấp hơn đáng kể so với việc tinh chỉnh mô hình ngôn ngữ lớn PhoBERT. Điều này tạo điều kiện thuận lợi cho các cơ quan và doanh nghiệp nội địa. Nền tảng có thể tích hợp trực tiếp vào hệ thống quản lý dữ liệu sẵn có một cách trơn tru.

Trích đoạn nội dung tài liệu

PHẦN MỞ ĐẦU 1. Tính cấp thiết của luận án Sự phát triển mạnh mẽ của World Wide Web, các nền tảng thương mại điện tử và mạng truyền thông xã hội như Twitter, Facebook, LinkedIn, YouTube,… đã tạo ra một khối lượng dữ liệu văn bản trực tuyến khổng lồ, trong đó chứa đựng nhiều thông tin quan điểm, đánh giá và cảm xúc của người dùng đối với sản phẩm, dịch vụ, sự kiện cũng như các vấn đề kinh tế - xã hội [1][15]. Các quan điểm trực tuyến ngày càng đóng vai trò quan trọng trong việc hỗ trợ ra quyết định của cá nhân và tổ chức. Đối với doanh nghiệp, các nhận xét và đánh giá của người dùng trên các nền tảng trực tuyến là nguồn thông tin có giá trị để cải thiện chất lượng sản phẩm, dịch vụ và chiến lược kinh doanh.

Nhiều nghiên cứu chỉ ra rằng, một tỷ lệ lớn khách hàng có xu hướng thay đổi quyết định mua sắm dựa trên các đánh giá tiêu cực hoặc tích cực được chia sẻ trên internet. Đối với người tiêu dùng, việc phân tích các quan điểm trực tuyến giúp họ hiểu rõ hơn về ưu điểm, hạn chế của sản phẩm, dịch vụ trước khi đưa ra lựa chọn. Trong thực tế, các nền tảng như TripAdvisor, Yelp hay Amazon đã chứng minh vai trò thiết yếu của khai phá quan điểm trong các lĩnh vực như nhà hàng, khách sạn, du lịch và thương mại điện tử [2][3]. Nghiên cứu phân tích tổng hợp (meta- analysis) gần đây của [168] trên 156 nghiên cứu với 69.006 quan sát khẳng định đánh giá trực tuyến có ảnh hưởng mạnh nhất đến ý định mua hàng so với các yếu tố khác, trong đó độ phân cực của đánh giá là yếu tố tác động lớn nhất [168].

Trước đây, nhiều tổ chức tiến hành khảo sát truyền thống để thu thập ý kiến khách hàng. Tuy nhiên, phương pháp này thường tốn kém về thời gian và chi phí, đặc biệt khi số lượng người tham gia lớn. Sự xuất hiện của dữ liệu quan điểm trực tuyến [5] đã tạo điều kiện cho việc tự động hóa quá trình thu thập và phân tích ý kiến người dùng thông qua các kỹ thuật khai phá dữ liệu và học máy. Từ đó, lĩnh vực khai phá quan điểm đã thu hút được sự quan tâm rộng rãi của cộng đồng nghiên cứu và đạt được nhiều kết quả ứng dụng thực tiễn.

Khai phá quan điểm (Opinion Mining), hay phân tích cảm xúc (Sentiment Analysis), là một lĩnh vực liên ngành của khoa học máy tính, kết hợp các kỹ thuật xử lý ngôn ngữ tự nhiên, học máy và khai phá dữ liệu nhằm phân tích, phân loại và suy 1 diễn thái độ, cảm xúc của con người được thể hiện trong dữ liệu [5][7][9][11]. Trong phạm vi luận án này, nghiên cứu tập trung vào khai phá quan điểm trên dữ liệu văn bản, do đây là dạng dữ liệu phổ biến nhất và có nhiều ứng dụng thực tế. Mặc dù đã đạt được nhiều thành tựu, các hệ thống khai phá quan điểm hiện nay vẫn còn đối mặt với nhiều thách thức [6] như: dữ liệu không cân bằng, nhiễu cao, phụ thuộc miền và ngữ cảnh, cũng như hạn chế về khả năng khái quát hóa và diễn giải của mô hình. Đặc biệt, phần lớn các nghiên cứu hiện nay vẫn tập trung vào các mô hình học đơn lẻ hoặc các phương pháp học sâu, trong khi việc khai thác ảnh hưởng kết hợp của các quan điểm [148] - một đặc trưng tự nhiên của dữ liệu đánh giá trực tuyến - chưa được nghiên cứu một cách hệ thống.