Luận án tiến sĩ: Phân tích ý định từ văn bản ngắn trực tuyến tiếng Việt

• Người hướng dẫn: PGS. Phan Xuân Hiếu
• Trường học: Trường Đại học Công nghệ
• Chuyên ngành: Công nghệ Thông tin
• Đề tài: Phân tích ý định từ văn bản ngắn trực tuyến tiếng Việt
• Loại tài liệu: Luận án tiến sĩ

Tóm tắt

I. Tổng quan về phân tích ý định văn bản ngắn trực tuyến tiếng Việt

Phân tích ý định từ văn bản ngắn trực tuyến tiếng Việt là lĩnh vực nghiên cứu trọng tâm trong khoa học dữ liệu và xử lý ngôn ngữ tự nhiên. Mục tiêu chính là xác định mục đích thực sự của người dùng khi tạo ra các văn bản ngắn trên nền tảng trực tuyến. Các văn bản này bao gồm truy vấn tìm kiếm, bình luận, đánh giá sản phẩm và bài đăng mạng xã hội. Độ dài trung bình rất ngắn, khoảng 93% số truy vấn có dưới 4 từ. Nghiên cứu bắt đầu từ công trình của Broder (2002) khi ông phân loại truy vấn thành ba loại chính: định hướng, thông tin và giao dịch. Phân loại này trở thành nền tảng cho nhiều nghiên cứu tiếp theo. Đối với tiếng Việt, việc phân tích còn phức tạp hơn do đặc điểm cấu trúc ngôn ngữ. Tiếng Việt là ngôn ngữ đơn lập, mỗi từ thường có một âm tiết. Việc phân tách từ và xử lý dấu thanh đòi hỏi phương pháp xử lý đặc thù. Nghiên cứu tại các trường đại học Việt Nam đã đóng góp nhiều công trình giá trị cho lĩnh vực này.

1.1. Khái niệm ý định người dùng trong văn bản trực tuyến

Ý định người dùng là mục đích hoặc mong muốn thể hiện qua văn bản trực tuyến. Trong bối cảnh tìm kiếm thông tin, ý định phản ánh nhu cầu cụ thể mà người dùng muốn đáp ứng. Bing Liu đưa ra định nghĩa quan trọng: một quan điểm gồm bốn thành phần là mục tiêu đánh giá, nhận xét, người đánh giá và thời gian. Mỗi thành phần đóng vai trò không thể thiếu trong phân tích. Văn bản trực tuyến tiếng Việt thể hiện ý định qua nhiều hình thức khác nhau. Có thể là câu hỏi cần trả lời, nhận xét về sản phẩm, hoặc mong muốn tìm kiếm thông tin cụ thể. Việc hiểu đúng khái niệm ý định là bước đầu tiên để xây dựng hệ thống phân tích hiệu quả.

1.2. Đặc điểm của văn bản ngắn trực tuyến tiếng Việt

Văn bản ngắn trực tuyến tiếng Việt có nhiều đặc điểm riêng biệt. Độ dài trung bình rất ngắn, thường chỉ từ 1 đến 10 từ. Ngôn ngữ sử dụng thường không chính thức, chứa nhiều từ viết tắt và tiếng lóng. Tiếng Việt có cấu trúc đơn lập, mỗi từ gồm một âm tiết. Việc phân tách từ là bước xử lý quan trọng nhưng đầy thách thức. Nhiều cụm từ có thể hiểu theo nhiều cách khác nhau. Văn bản trực tuyến thường chứa lỗi chính tả phổ biến. Biểu tượng cảm xúc và ký tự đặc biệt xuất hiện thường xuyên. Những yếu tố này tạo ra khó khăn lớn cho các mô hình phân tích tự động.

II. Vấn đề và thách thức phân tích ý định văn bản tiếng Việt

Phân tích ý định từ văn bản ngắn trực tuyến tiếng Việt đối mặt với nhiều vấn đề và thách thức lớn. Thách thức đầu tiên là độ nhập nhằng ngữ nghĩa. Các truy vấn trên trang web thường đa nghĩa. Ý định phụ thuộc nhiều vào ngữ cảnh sử dụng. Cùng một câu có thể mang nhiều ý định khác nhau trong các tình huống khác nhau. Thách thức thứ hai liên quan đến dữ liệu huấn luyện. Việc xây dựng tập dữ liệu chất lượng cho tiếng Việt rất khó khăn. Cần đội ngũ chuyên gia am hiểu cả ngôn ngữ học và công nghệ thông tin để gán nhãn dữ liệu. Thách thức thứ ba là sự đa dạng của ý định người dùng. Ranh giới giữa các loại ý định thường không rõ ràng. Một văn bản có thể chứa nhiều ý định đồng thời. Sự biến đổi nhanh chóng của ngôn ngữ trực tuyến cũng là vấn đề lớn. Xu hướng ngôn ngữ mới liên tục xuất hiện trên mạng xã hội. Mô hình phân tích cần được cập nhật thường xuyên để duy trì độ chính xác.

2.1. Nhập nhằng ngữ nghĩa và đa nghĩa trong văn bản ngắn

Nhập nhằng ngữ nghĩa là vấn đề cốt lõi trong phân tích ý định văn bản ngắn. Một từ hoặc cụm từ có thể mang nhiều nghĩa khác nhau tùy ngữ cảnh. Trong tiếng Việt, vấn đề này càng nghiêm trọng hơn. Nhiều từ có chức năng đa dạng trong câu. Ví dụ, từ 'trắng' có thể là tính từ chỉ màu sắc hoặc trạng từ chỉ kết quả. Văn bản ngắn trực tuyến thường thiếu ngữ cảnh cần thiết. Người dùng viết vắn tắt, bỏ qua nhiều thông tin liên quan. Điều này khiến việc hiểu đúng ý định trở thành bài toán khó khăn. Các mô hình cần khả năng suy luận từ ngữ cảnh hạn chế.

2.2. Thiếu dữ liệu huấn luyện chất lượng cho tiếng Việt

Dữ liệu huấn luyện chất lượng là yếu tố quyết định hiệu quả mô hình học máy. Đối với tiếng Việt, nguồn dữ liệu này còn rất hạn chế so với tiếng Anh. Quá trình gán nhãn đòi hỏi nhiều thời gian và nguồn lực. Cần sự đồng thuận giữa nhiều chuyên gia để đảm bảo tính nhất quán. Mỗi văn bản cần được phân tích kỹ lưỡng để xác định đúng loại ý định. Bộ dữ liệu hiện có thường có quy mô nhỏ và không đa dạng. Chúng chưa phản ánh đầy đủ các loại ý định trong thực tế. Nhiều lĩnh vực chuyên ngành vẫn chưa có dữ liệu huấn luyện phù hợp.

III. Phương pháp và mô hình học máy trong phân tích ý định

Nhiều phương pháp và mô hình học máy đã được áp dụng để phân tích ý định từ văn bản ngắn trực tuyến tiếng Việt. Các phương pháp chia thành hai hướng tiếp cận chính: truyền thống và học sâu. Phương pháp truyền thống sử dụng kỹ thuật phân lớp cổ điển. Các thuật toán như SVM, Naive Bayes và Random Forest được áp dụng rộng rãi. Đặc trưng đầu vào thường được trích xuất thủ công từ văn bản. Phương pháp học sâu sử dụng mạng nơ ron để tự động học đặc trưng. Các mô hình như LSTM, CNN và Transformer cho kết quả vượt trội. Tiến trình phân tích ý định thường gồm ba pha. Pha thứ nhất là tiền xử lý dữ liệu văn bản. Pha thứ hai là trích xuất đặc trưng và xây dựng mô hình. Pha thứ ba là đánh giá và tối ưu hóa kết quả. Đối với tiếng Việt, bước phân tách từ và xử lý dấu thanh rất quan trọng. Sử dụng embedding tiếng Việt giúp cải thiện đáng kể hiệu suất phân tích.

3.1. Kỹ thuật phân lớp và trích xuất đặc trưng văn bản

Kỹ thuật phân lớp là phương pháp cơ bản trong phân tích ý định. Quá trình bao gồm trích xuất đặc trưng và áp dụng thuật toán học máy để phân loại văn bản. Các phương pháp trích xuất phổ biến gồm TF-IDF, Bag-of-Words và Word2Vec. TF-IDF đánh giá tầm quan trọng của từ trong văn bản. Word2Vec tạo biểu diễn vector cho từ dựa trên ngữ cảnh. Đối với văn bản ngắn tiếng Việt, việc chọn đặc trưng phù hợp rất quan trọng. Các đặc trưng cần nắm bắt cả nghĩa từ vựng lẫn cấu trúc câu. Kết hợp nhiều loại đặc trưng thường cho kết quả tốt hơn so với sử dụng đơn lẻ.

3.2. Mạng nơ ron và mô hình học sâu cho phân tích ý định

Mạng nơ ron đã thay đổi cách tiếp cận phân tích ý định từ văn bản ngắn. Các mô hình học sâu tự động học đặc trưng từ dữ liệu thô mà không cần kỹ thuật trích xuất thủ công. Mạng nơ ron hồi quy RNN và biến thể LSTM xử lý tốt chuỗi văn bản. Mạng tích chập CNN trích xuất đặc trưng cục bộ hiệu quả. Kiến trúc Transformer với cơ chế chú ý nắm bắt mối quan hệ dài trong văn bản. Đối với tiếng Việt, mô hình pre-trained PhoBERT mang lại kết quả ấn tượng. Mô hình được huấn luyện trên dữ liệu tiếng Việt lớn, hiểu rõ cấu trúc ngôn ngữ. Việc fine-tune trên bộ dữ liệu chuyên biệt giúp đạt hiệu suất cao.

IV. Kết luận và ứng dụng phân tích ý định văn bản trực tuyến

Phân tích ý định từ văn bản ngắn trực tuyến tiếng Việt là lĩnh vực có ý nghĩa khoa học và thực tiễn lớn. Kết quả nghiên cứu có thể ứng dụng trong nhiều hệ thống thông minh. Ứng dụng đầu tiên là cải thiện công cụ tìm kiếm. Hiểu đúng ý định giúp hệ thống trả về kết quả phù hợp hơn. Người dùng nhận được thông tin chính xác mà không cần tìm kiếm nhiều lần. Ứng dụng thứ hai là phân tích cảm xúc và đánh giá sản phẩm. Doanh nghiệp hiểu rõ phản hồi của khách hàng từ bình luận trực tuyến. Từ đó đưa ra chiến lược kinh doanh phù hợp. Ứng dụng thứ ba là hệ thống hỏi đáp tự động. Chatbot và trợ lý ảo cần hiểu ý định để trả lời đúng. Nghiên cứu về phân tích ý định tiếng Việt vẫn còn nhiều hướng phát triển. Kết hợp đa phương thức và đa ngôn ngữ là xu hướng mới. Áp dụng mô hình ngôn ngữ lớn mở ra nhiều cơ hội cải thiện hiệu suất phân tích.

4.1. Ứng dụng trong hệ thống tìm kiếm và gợi ý thông tin

Hệ thống tìm kiếm là ứng dụng trực tiếp nhất của phân tích ý định. Khi hiểu mục đích tìm kiếm, công cụ sắp xếp kết quả theo mức độ liên quan. Ba loại ý định chính được sử dụng để phân loại truy vấn: định hướng, thông tin và giao dịch. Truy vấn định hướng dẫn người dùng đến trang web cụ thể. Truy vấn thông tin tìm kiếm tri thức về chủ đề. Truy vấn giao dịch hướng đến hành động mua hàng hoặc đăng ký. Áp dụng phân loại này vào hệ thống tìm kiếm tiếng Việt giúp cải thiện trải nghiệm người dùng đáng kể. Các hệ thống gợi ý nội dung cũng sử dụng phân tích ý định để đề xuất bài viết và video phù hợp.

4.2. Hướng phát triển tương lai và tiềm năng nghiên cứu

Nghiên cứu phân tích ý định từ văn bản ngắn tiếng Việt còn nhiều hướng phát triển tiềm năng. Một hướng quan trọng là xây dựng bộ dữ liệu chuẩn hóa lớn cho tiếng Việt. Hướng khác là áp dụng mô hình ngôn ngữ lớn LLM vào phân tích ý định. Các mô hình có khả năng hiểu ngữ cảnh sâu sắc. Fine-tune trên dữ liệu tiếng Việt sẽ nâng cao hiệu suất đáng kể. Kết hợp phân tích đa phương thức là xu hướng mới. Văn bản được phân tích cùng hình ảnh và âm thanh để hiểu ý định toàn diện. Liên kết đa ngôn ngữ giúp tận dụng dữ liệu từ nhiều nguồn khác nhau. Phân tích ý định thời gian thực trên mạng xã hội mở ra nhiều ứng dụng mới.

Trích đoạn nội dung tài liệu

LỜI CẢM ƠN Lời đầu tiên, tôi xin được bày tỏ sự biết ơn sâu sắc đến PGS. Phan Xuân Hiếu, cán bộ hướng dẫn khoa học, người đã trực tiếp định hướng và giúp đỡ tôi trong suốt quá trình nghiên cứu và thực hiện luận án. Thầy không chỉ truyền đạt cho tôi những kiến thức quan trọng về học thuật mà còn chia sẻ cho tôi nhiều kinh nghiệm quý giá trong con đường nghiên cứu khoa học. Một vinh dự lớn cho tôi được học tập, nghiên cứu dưới sự hướng dẫn của Thầy. Tôi xin bày tỏ sự biết ơn chân thành đến các Thầy, Cô trong Bộ môn Hệ thống thông tin, đặc biệt là PGS. Hà Quang Thụy cùng các thành viên của Phòng thí nghiệm Khoa học Dữ liệu và Công nghệ Tri thức vì sự giúp đỡ cũng như những đóng góp chuyên môn hữu ích của các Thầy Cô cho luận án. Tôi xin trân trọng cảm ơn Khoa Công nghệ Thông tin, Phòng Đào tạo và Ban Giám hiệu Trường Đại học Công nghệ đã tạo điều kiện thuận lợi cho tôi trong suốt quá trình học tập và thực hiện luận án. Tôi cũng bày tỏ sự biết ơn đến Ban Giám hiệu, Ban Chủ nhiệm Khoa, và các đồng nghiệp của tôi tại Khoa Công nghệ Thông tin - Trường Đại học Giao thông Vận tải vì đã tạo điều kiện về thời gian, tài chính và đã luôn cổ vũ, hỗ trợ tôi trong suốt quá trình nghiên cứu. Bên cạnh đó, tôi cũng xin gửi lời cảm ơn đến PGS. Trần Văn Long, cán bộ đồng hướng dẫn luận án của tôi, về những giúp đỡ hữu ích cho luận án. Tôi không thể quên cảm ơn những cộng sự của tôi trong nhóm nghiên cứu MDN–Team, những người đã đồng hành, sát cánh cùng tôi trong suốt quá trình nghiên cứu, hoàn thành luận án, và tôi sẽ luôn ghi nhớ điều đó. Ngoài ra, tôi muốn cảm ơn tất cả những người bạn của tôi vì sự động viên chia sẻ bất cứ khi nào tôi cần. Cuối cùng, tôi xin bày tỏ lòng biết ơn vô hạn đối với bố mẹ, chồng, con và gia đình, những người đã luôn ủng hộ và yêu thương tôi một cách vô điều kiện. Nếu không có sự ủng hộ của gia đình và chồng con, tôi không thể hoàn thành được luận án này. ii Mục lục Lời cam đoan i Lời cảm ơn ii Mục lục ii Danh mục các từ viết tắt vi Danh mục các bảng viii Danh mục các hình vẽ x Mở đầu 1 Chương 1. Tổng quan về ý định và phân tích ý định 10 1.1 Ý định và thể hiện ý định trong ngôn ngữ .2 Ý định trong văn bản trực tuyến .3 Phân tích ý định: bối cảnh khoa học .1 Phân tích và xác định ý định từ truy vấn tìm kiếm .2 Phân tích ý định trong các bài đăng .4 Một số kỹ thuật khai phá dữ liệu và mô hình học máy .1 Cơ bản về kỹ thuật phân lớp .2 Cơ bản về kỹ thuật trích xuất thông tin .3 Cơ bản về mạng nơ ron .5 Kết luận chương . Phân tích ý định từ văn bản trực tuyến 31 2.1 Phân tích ý định từ văn bản trực tuyến tiếng Việt .1 Xây dựng dữ liệu thực nghiệm .2 Khó khăn - Thách thức .2 Định nghĩa ý định người dùng: bối cảnh khoa học .1 Định nghĩa ý định người dùng theo tiếp cận từ điển .2 Định nghĩa ý định người dùng theo hướng cấu trúc .3 Định nghĩa ý định hướng miền quan tâm .1 Định nghĩa quan điểm của Bing Liu .2 Định nghĩa ý định của Bing Liu .3 Định nghĩa ý định hướng miền quan tâm của luận án .4 Tiến trình ba pha phân tích và xác định ý định .5 Kết luận chương . Phát hiện ý định và xác định miền quan tâm của ý định 51 3.1 Nghiên cứu trên thế giới về phát hiện ý định và xác định miền quan tâm của ý định .1 Phát hiện bài đăng trực tuyến mang ý định .2 Xác định miền quan tâm của ý định .2 Phát hiện ý định .1 Phát biểu bài toán .2 Mô hình giải quyết bài toán .3 Dữ liệu thực nghiệm .4 Thiết kế thực nghiệm .5 Kết quả thực nghiệm .3 Xác định miền quan tâm của ý định .1 Phát biểu bài toán .2 Mô hình giải quyết bài toán .3 Xây dựng tập các miền quan tâm .4 Dữ liệu thực nghiệm .5 Thiết kế thực nghiệm .6 Kết quả thực nghiệm .4 Kết luận chương . Phân tích và trích chọn nội dung ý định 79 4.2 Nghiên cứu trên thế giới về trích chọn nội dung ý định .3 Phát biểu bài toán .4 Trích chọn ý định theo tiếp cận học máy thống kê và học sâu .1 Xây dựng bộ nhãn thực nghiệm .2 Trích chọn ý định với phương pháp CRFs .3 Trích chọn ý định với phương pháp học sâu Bi–LSTM– CRFs .4 Độ đo đánh giá mô hình thực nghiệm .5 Thời gian thực nghiệm với mỗi mô hình .6 Dữ liệu thực nghiệm .7 Thiết kế thực nghiệm .8 Kết quả thực nghiệm .5 Trích chọn ý định dựa trên kết hợp các mô hình học sâu .1 Kỹ thuật học kết hợp (ensemble learning) .2 Xây dựng bộ nhãn thực nghiệm .3 Mô hình giải quyết bài toán .4 Dữ liệu thực nghiệm .5 Thiết kế thực nghiệm .6 Kết quả thực nghiệm .6 Kết luận chương . Phân tích và trích chọn ý định đa miền quan tâm 121 5.2 Nghiên cứu trên thế giới về thích nghi miền trong xác định ý định .3 Trích chọn nội dung ý định theo tiếp cận đa miền quan tâm .1 Phát biểu bài toán .2 Xây dựng bộ nhãn không phụ thuộc miền .3 Mô hình trích xuất ý định đa miền quan tâm .4 Dữ liệu thực nghiệm .5 Thiết kế thực nghiệm .6 Kết quả thực nghiệm .7 Mô phỏng mô hình trích xuất ý định đa miền quan tâm 144 5.4 Kết luận chương . 146 Kết luận 148 Danh mục các công trình khoa học 150 Tài liệu tham khảo 151 Phụ lục 159 v DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Dạng đầy đủ Diễn giải/Tạm dịch Bi-LSTM Bidirectional Long Short Mạng bộ nhớ dài ngắn hai Term Memory chiều Bi-LSTM-CRFs Bidirectional Long Short Mạng bộ nhớ dài ngắn hai Term Memory - chiều trường ngẫu nhiên có Conditional Random Field điều kiện CNN Convolutional Neural Network Mạng nơ ron tích chập CRFs Conditional Random Fields Trường ngẫu nhiên có điều kiện EI Explicit Intent Ý định rõ EMD Entity Mentioned Xác định thực thể được Detection nhắc đến IE Information Extraction Trích xuất thông tin IH Intent Head Đầu của ý định II Implicit Intent Ý định ẩn IM Intent Modifiers Bổ nghĩa của ý định L-BFGS Limited-memory Broyden-Fletcher Giới hạn bộ nhớ BFGS Goldfarb Shanno LSTM Long Short Term Memory Mạng bộ nhớ ngắn dài vi ME Maximum Entropy Cực đại entropy NI Non Intent Không có ý định NER Named Entity Ricognition Nhận diện thực thể có tên POS Part Of Speech Thành phần của câu RNN Recurrent Neural Network Mạng nơ ron hồi quy SVMs Support Vector Machines Máy véc tơ hỗ trợ vii DANH MỤC CÁC BẢNG 1.1 Ví dụ về văn bản trực tuyến chứa và không chứa ý định .1 Đặc trưng dùng để huấn luyện mô hình lọc bài đăng mang ý định người dùng .2 Ý định của người dùng thuộc các miền quan tâm khác nhau .3 Ví dụ về một vài đặc trưng từ điển có trọng số cao cho mỗi miền quan tâm .4 Mười ba lớp miền quan tâm của ý định và ví dụ .5 Precision, recall và F1 -score của fold tốt nhất khi dùng SVMs và ME .6 Độ chính xác của từng lớp miền quan tâm khi sử dụng phương pháp CNN .1 Bộ 13 nhãn cho miền quan tâm Bất động sản .2 Bộ 9 nhãn cho miền quan tâm Mỹ phẩm & Làm đẹp .3 Ví dụ minh họa cho đặc trưng dạng biểu thức chính quy .4 Đặc trưng từ điển .5 Gán nhãn dữ liệu với bộ nhãn tương ứng .6 Trung bình F1-score với mỗi mô hình thực nghiệm thuộc miền quan tâm Mỹ phẩm & Làm đẹp .7 Trung bình F1-score với mỗi mô hình thực nghiệm thuộc miền quan tâm Bất động sản .8 Bộ 18 nhãn của miền Bất động sản (BĐS) .9 Bộ 15 nhãn của miền Du lịch .10 Bộ gồm 17 nhãn của miền Xe cộ .11 Độ chính xác đối với từng nhãn thu được trên miền Du lịch khi sử dụng phương pháp học kết hợp mà luận án đề xuất .12 Độ chính xác đối với từng nhãn thu được trên miền Xe cộ khi sử dụng phương pháp kết hợp mà luận án đề xuất .13 Độ chính xác đối với từng nhãn thu được trên miền Bất động sản khi sử dụng phương pháp kết hợp mà luận án đề xuất .14 Một số ví dụ về nhãn mô tả .1 Bộ 18 nhãn của miền Bất động sản (BĐS) .2 Bộ 15 nhãn của miền Du lịch .3 Bộ gồm 17 nhãn của miền Xe cộ .4 Bộ 10 nhãn không phụ thuộc miền .5 Sử dụng bộ nhãn không phụ thuộc miền trên một số miền quan tâm khác .6 Gán nhãn dữ liệu lần lượt với bộ nhãn riêng và bộ nhãn không phụ thuộc miền .7 Kết quả F1 trung bình đối với mỗi miền quan tâm cụ thể khi sử dụng bộ nhãn riêng và bộ nhãn không phụ thuộc miền tương ứng .8 Kết quả tốt nhất khi trích xuất từng nhãn trên miền Du lịch với bộ nhãn không phụ thuộc miền .9 Kết quả tốt nhất khi trích xuất từng nhãn trên miền Du lịch với bộ nhãn riêng .10 Kết quả tốt nhất khi trích xuất từng nhãn trên miền Xe cộ và Bất động sản với bộ nhãn riêng .11 Kết quả tốt nhất khi trích xuất tập 32 nhãn riêng đối với tổ hợp 3 miền quan tâm.12 Kết quả tốt nhất khi trích xuất tập 10 nhãn không phụ thuộc miền đối với tổ hợp 3 miền quan tâm.13 Ví dụ gán nhãn cho miền Bất động sản (BĐS) .14 Ví dụ gán nhãn cho miền Du lịch .15 Ví dụ gán nhãn cho miền Xe cộ . 161 ix DANH MỤC CÁC HÌNH VẼ 1.1 Quy tắc gán nhãn BIO .2 Chuỗi trạng thái tương ứng với chuỗi quan sát .3 Mô hình mạng nơ ron feed − forward nhiều tầng .4 Đồ thị tính toán trong kiến trúc RNNs .5 Kiến trúc một tế bào trong mô hình LSTM [46] .1 Một bài đăng mang ý định rõ trên phương tiện truyền thông xã hội Việt Nam .2 Ví dụ minh họa cho việc tiền xử lý dữ liệu .3 Quy trình ba pha Phân tích và xác định ý định người dùng .4 Ví dụ cụ thể một quá trình phân tích và xác định ý định người dùng trực tuyến .1 Mô phỏng mô hình phân lớp nhị phân với CNN .2 Độ chính xác F1 khi đánh giá chéo 4-fold với phương pháp ME 63 3.3 Độ chính xác F1 khi đánh giá chéo 4-fold với phương pháp SVMs 63 3.