Tổng quan về luận án

Sự bùng nổ của kỷ nguyên số và các phương tiện truyền thông xã hội (social media) đã tạo ra bước chuyển dịch căn bản trong phương thức giao tiếp, chia sẻ thông tin và kết nối xã hội của hơn 3,617 tỷ người dùng (chiếm 44% dân số toàn cầu tại thời điểm nghiên cứu). Mạng xã hội không chỉ đơn thuần là không gian tương tác ảo mà đã trở thành nguồn tài nguyên dữ liệu khổng lồ (social data) phục vụ các hệ thống gợi ý cá nhân hóa (user recommendation systems), chiến dịch quảng cáo mục tiêu (advertising campaigns), phát hiện tin giả (fake news detection) và phân tích hành vi xã hội. Tuy nhiên, các kỹ thuật khai phá dữ liệu người dùng truyền thống đang đối mặt với những rào cản nghiêm trọng: tính bảo mật thông tin cá nhân ngày càng thắt chặt, dữ liệu hồ sơ (profile) bị phân mảnh hoặc cố tình che giấu, cùng với sự thưa thớt ngữ nghĩa của các định dạng văn bản ngắn (short-text sparsity).

Luận án Tiến sĩ Kỹ thuật của tác giả Nguyễn Thị Hội (2021) tại Học viện Công nghệ Bưu chính Viễn thông với đề tài "Mô hình hành vi và quan tâm của người dùng trên các mạng xã hội" đã giải quyết trực diện khoảng trống học thuật (research gap) này. Nghiên cứu chuyển dịch trọng tâm từ hướng tiếp cận lấy người dùng làm trung tâm (user-centric approach) – vốn phụ thuộc nặng nề vào đồ thị liên kết tĩnh và hồ sơ cá nhân – sang hướng tiếp cận lấy đối tượng và hành vi làm trung tâm (object-centric and behavioral-centric approach). Luận án thiết lập 03 câu hỏi nghiên cứu cốt lõi:

  1. RQ1: Làm thế nào để mô hình hóa và biểu diễn chính xác các bài viết dạng văn bản ngắn trên mạng xã hội bằng không gian đa đặc trưng kết hợp mở rộng ngữ nghĩa?
  2. RQ2: Làm thế nào để định lượng hóa và ánh xạ hành vi tương tác đa dạng của người dùng (đăng bài, chia sẻ, thích, bình luận, tham gia nhóm) vào không gian chủ đề quan tâm?
  3. RQ3: Mối tương quan toán học giữa độ tương tự hành vi ($\text{sim}(u_x, u_y)$) và độ tương tự quan tâm chủ đề ($\text{int}(u_x, u_y)$) giữa các cặp người dùng được xác lập và chứng minh như thế nào?

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Thuyết tương quan xã hội (Social Correlation Theory - Tang et al., 2013), Mô hình không gian véctơ (Vector Space Model - Salton et al., 1975) và Lý thuyết khai phá dữ liệu xã hội. Nghiên cứu khảo sát trên quy mô thực nghiệm đa nền tảng gồm 600 người dùng, 6.000 bài viết và 18.000 hành vi thực tế từ Facebook, Twitter, YouTube, cùng hai bộ ngữ liệu chuẩn quốc tế là 20 NewsGroups (18.821 tài liệu) và SemEval-2017. Kết quả nghiên cứu cung cấp một giải pháp đột phá, giảm thiểu sai số dự đoán (MAE, MSE) và nâng cao chỉ số F1-score trong việc nhận dạng sở thích tiềm ẩn của người dùng mạng xã hội mà không cần xâm phạm quyền riêng tư hồ sơ cá nhân.

Literature Review và Positioning

Tổng quan y văn quốc tế về khai phá quan tâm người dùng trên mạng xã hội phân hóa thành hai trường phái chính với những xung đột học thuật rõ rệt:

Trường phái thứ nhất là Hướng tiếp cận tập trung vào người dùng (User-centric): Trường phái này khai thác cấu trúc đồ thị liên kết, vị trí địa lý và thông tin hồ sơ tĩnh. Điển hình như các nghiên cứu của Basma et al. (2016) trên mạng vị trí (LBSN), Parantapa Bhattacharya et al. (2014) sử dụng mô hình Labeled LDA phân tích danh sách chuyên gia theo dõi, Noulas et al. (2009) khai thác tương tác di chuyển, và Palesta et al. (2012) áp dụng độ đo Jaccard trên cấu trúc mạng cộng đồng động. Tuy nhiên, rào cản căn bản của trường phái này được Budak et al. (2014) và Min Jiming et al. (2012) chỉ ra là: tính riêng tư của hồ sơ (profile privacy) làm mất mát dữ liệu nghiêm trọng, cấu trúc đồ thị liên kết bạn bè thường chứa nhiều "liên kết rác" hoặc mang tính xã giao hình thức, không phản ánh đúng động cơ sở thích thực chất.

Trường phái thứ hai là Hướng tiếp cận tập trung vào đối tượng (Object-centric): Trường phái này phân tích trực tiếp các thực thể nội dung được sản sinh trong quá trình tương tác. Guy Ido et al. (2013) tại IBM Research khai phá siêu dữ liệu và chỉ mục thuật ngữ; Sheng Bin et al. (2016) đề xuất mô hình TAUT (Taking Advantage of User Tags) biểu diễn không gian véctơ qua thẻ đánh dấu; Fattane Zarrinkalam et al. (2019) tích hợp phân cấp ngữ nghĩa Wikipedia theo trục thời gian; và Dhelim Sahraoui et al. (2020) áp dụng mô hình đồ thị Big Five kết hợp phân tích đối sánh meta-path. Mặc dù khắc phục được sự phụ thuộc vào hồ sơ cá nhân, các nghiên cứu này thường phân tích đơn lẻ một chiều: hoặc chỉ dựa vào văn bản bài đăng (Zarrinkalam et al., 2019), hoặc chỉ dựa vào thẻ tags (Xin Li et al., 2015), hoặc chỉ tập trung vào hành vi thích (like) đơn thuần (Kim J., 2013).

                        TIẾP CẬN KHAI PHÁ QUAN TÂM NGƯỜI DÙNG
[Hướng User-Centric]                                            [Hướng Object-Centric]
- Đồ thị liên kết bạn bè (Palesta, 2012)                        - Phân tích từ khóa/Tags (Sheng, 2016)
- Hồ sơ tĩnh & Vị trí (Basma, 2016)                              - Phân loại văn bản đơn lẻ (Guy, 2013)
- Hạn chế: Vi phạm riêng tư, thưa thớt liên kết                - Hạn chế: Bỏ qua ngữ cảnh cảm xúc, hành vi rời rạc
                   [ĐÓNG GÓP ĐỘT PHÁ CỦA LUẬN ÁN (NGUYỄN THỊ HỘI, 2021)]
                   - Mô hình hóa bài viết mở rộng 5 đặc trưng (cont, cat, tag, sent, emo)
                   - Tích hợp không gian hành vi thực tế (Post, Like, Comment, Join Group)
                   - Chứng minh toán học tương quan giữa Hành vi tương đồng & Sở thích chủ đề

Luận án của Nguyễn Thị Hội định vị chính xác khoảng trống nghiên cứu: Hầu hết các công trình tiền nhiệm chỉ dừng lại ở việc phát hiện chủ đề của từng cá nhân cô lập, thiếu vắng mô hình toán học giải thích mối tương quan giữa những người dùng có hành vi tương đồng với xu hướng quan tâm chủ đề chung. Bằng cách kết hợp mô hình bài viết mở rộng 5 đặc trưng và không gian đa hành vi, luận án đã vượt lên trên các hạn chế của mô hình TAUT (Sheng Bin et al., 2016) và phương pháp khai phá chủ đề ngắn hạn của Zarrinkalam et al. (2019), mang lại độ chính xác phân loại vượt trội trên các tập ngữ liệu thực tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào sự phát triển của lý thuyết Khai phá Dữ liệu Mạng xã hội và Mô hình hóa Người dùng (User Modeling Theory):

  1. Mở rộng Thuyết tương quan xã hội (Social Correlation Theory - Tang et al., 2013): Chứng minh thực nghiệm rằng sự tương đồng hành vi đa chiều (đăng bài, chia sẻ, bấm thích, bình luận, gia nhập nhóm) có tương quan thuận mạnh mẽ với mức độ hội tụ chủ đề quan tâm, cung cấp bằng chứng định lượng để giải quyết bài toán khởi đầu lạnh (cold-start problem) trong hệ thống gợi ý.
  2. Thiết lập mô hình hình thức hóa bài viết mở rộng 5 đặc trưng: Bài viết $e_j$ không còn bị cô lập ở dạng chuỗi ký tự đơn thuần mà được tham số hóa thành bộ ngũ phân tích: $$\vec{e}_j = \langle \text{cont}, \text{cat}, \text{tag}, \text{sent}, \text{emo} \rangle$$ Trong đó: $\text{cont}$ là véctơ trọng số từ ngữ; $\text{cat}$ là thể loại nội dung; $\text{tag}$ là tập thẻ đánh dấu; $\text{sent}$ là cực tính quan điểm (Positive, Negative, Neutral); $\text{emo}$ là trạng thái cảm xúc theo 6 mức phân loại tâm lý học của Paul Ekman.
  3. Hình thức hóa Mô hình Người dùng Đa Hành vi ($U_B$): Mô hình hóa thực thể người dùng $u_y$ trong không gian hành vi thông qua 4 thành phần véctơ trọng số tương ứng: $$\vec{u}_y = \langle \vec{w}_P, \vec{w}_S, \vec{w}_L, \vec{w}_C, \vec{w}_J \rangle$$ Phản ánh toàn diện hành vi Đăng bài ($P$), Chia sẻ ($S$), Thích ($L$), Bình luận ($C$) và Tham gia nhóm ($J$).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đồng thời ba cấu trúc lý thuyết nền tảng: Mô hình không gian véctơ (VSM), Phân tích ngữ nghĩa tiềm ẩn (LSA), và Lý thuyết đồ thị hành vi. Phương pháp phân tích đề xuất quy trình ánh xạ không gian hai bước:

                             [Biểu diễn Véctơ Mở rộng 5 Chiều]
                             (Nội dung, Thể loại, Tags, Quan điểm, Cảm xúc)
                               [Ánh xạ Không gian Đa tầng]
                           [Định lượng Tương tự & Tương quan Hành vi]
                            (Cosine, MAE, MSE, IRS, F1-Score Optimization)

Điều kiện biên (boundary conditions) của khung phân tích được xác lập chặt chẽ: Áp dụng cho các đối tượng văn bản ngắn có độ dài dưới 300 ký tự trên các nền tảng mạng xã hội mở hoặc bán mở, có sự hỗ trợ của các siêu dữ liệu tương tác (metadata).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt thế giới quan thực chứng (Positivism Paradigm) kết hợp phương pháp luận định lượng tính toán (Quantitative Computational Methodology). Thiết kế nghiên cứu đa tầng bao gồm:

  • Tầng 1 - Xử lý văn bản ngắn: Khắc phục tính thưa thớt bằng giải thuật tách từ tiếng Việt/Anh, loại bỏ từ dừng chuyên biệt (stop-words list gồm hàng trăm hư từ mạng xã hội), và mở rộng ngữ nghĩa bằng kho tri thức Wikipedia kết hợp WordNet.
  • Tầng 2 - Khai phá đặc trưng đa thể thức: Ứng dụng các giải thuật học máy có giám sát (SVM, Naive Bayes, Decision Tree, Random Forest) để gán nhãn tự động thể loại ($\text{cat}$), quan điểm ($\text{sent}$) và cảm xúc ($\text{emo}$).
  • Tầng 3 - Ước lượng tương quan không gian: Sử dụng độ đo khoảng cách Cosine kết hợp độ đo tương tự trích xuất thông tin (IRS) để tính toán ma trận tương tự giữa người dùng - bài viết và người dùng - chủ đề.

Quy trình nghiên cứu rigorous

Quy trình thu thập và tinh lọc dữ liệu được thực hiện qua ba giai đoạn kéo dài từ năm 2015 đến năm 2018, kết hợp giữa mô-đun API thu thập tự động và 4 nhóm sinh viên tình nguyện (từ 8 đến 16 người/nhóm) kiểm định thủ công:

  • Giai đoạn 1 (12/2015 – 05/2016): 12 sinh viên tham gia thu thập và gán nhãn dữ liệu tương tác nền tảng Facebook.
  • Giai đoạn 2 (03/2017 – 05/2017): 10 sinh viên thực hiện trên tập dữ liệu Twitter.
  • Giai đoạn 3 (03/2018 – 10/2018): 16 sinh viên mở rộng sang nền tảng chia sẻ video YouTube.

Tiêu chí loại trừ (exclusion criteria) được thực thi nghiêm ngặt: Loại bỏ toàn bộ các tài khoản không có bài viết văn bản, người dùng không tham gia bất kỳ nhóm cộng đồng nào, các bài viết chỉ chứa ký tự đặc biệt vô nghĩa, và các tài khoản có dấu hiệu phát tán thư rác (spammer). Quy trình đảm bảo độ tin cậy nội tại và tính hợp lệ cấu trúc (construct validity) thông qua đối chiếu chéo giữa các kiểm định viên độc lập.

+------------------------------------------------------------------------------------+
|                      BỘ NGỮ LIỆU THỰC NGHIỆM CỦA LUẬN ÁN                           |
+-------------------+-------------------+--------------------+-----------------------+
| Nền tảng          | Số người dùng     | Số bài viết        | Số hành vi tương tác  |
+-------------------+-------------------+--------------------+-----------------------+
| Facebook          | 200 người dùng    | 2.000 bài viết     | 6.000 tương tác       |
| Twitter           | 200 người dùng    | 2.000 bài viết     | 6.000 tương tác       |
| YouTube           | 200 người dùng    | 2.000 bài viết     | 6.000 tương tác       |
+-------------------+-------------------+--------------------+-----------------------+
| TỔNG CỘNG THỰC TẾ | 600 người dùng    | 6.000 bài viết     | 18.000 tương tác      |
+-------------------+-------------------+--------------------+-----------------------+
| BỘ CHUẨN ĐỐI SÁNH | 20 NewsGroups (18.821 tài liệu: 11.293 Train, 7.528 Test)     |
|                   | SemEval-2017 (Twitter Sentiment Classification Tasks A-E)      |
+-------------------+-------------------+--------------------+-----------------------+

Data và phân tích

Phân tích dữ liệu sử dụng hệ thống công cụ xử lý ngôn ngữ tự nhiên chuyên sâu kết hợp các độ đo thống kê toán học:

  • Độ đo đánh giá phân loại: Độ chính xác ($Precision$), Độ nhạy ($Recall$), Điểm $F_1\text{-score}$ và $Accuracy$ dựa trên ma trận nhầm lẫn (Confusion Matrix): $$Precision = \frac{TP}{TP + FP}; \quad Recall = \frac{TP}{TP + FN}; \quad F_1 = \frac{2 \cdot Precision \cdot Recall}{Precision + Recall}$$
  • Độ đo sai số ước lượng tương quan: Sai số bình phương trung bình ($MSE$) và Sai số tuyệt đối trung bình ($MAE$): $$MSE = \frac{1}{n} \sum_{i=1}^n (p_i - r_i)^2; \quad MAE = \frac{1}{n} \sum_{i=1}^n |p_i - r_i|$$ (với $p_i$ là giá trị dự đoán mô hình, $r_i$ là giá trị thực nghiệm chuẩn).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Vượt trội của Mô hình Bài viết Mở rộng so với Mô hình Đơn đặc trưng: Trích dẫn trực tiếp từ dữ liệu thực nghiệm luận án: "Khi bổ sung đầy đủ 5 đặc trưng (nội dung, thể loại, thẻ đánh dấu, quan điểm và cảm xúc), sai số tuyệt đối trung bình MAE giảm mạnh từ mức 0.284 xuống còn 0.112, đồng thời giá trị F1-score trong phân loại chủ đề tăng thêm 14.6% so với mô hình chỉ sử dụng Term Frequency (TF-IDF) truyền thống."
  2. Xác thực Định lượng Mối tương quan Hành vi - Quan tâm: Thực nghiệm chứng minh rằng hai người dùng có độ tương tự hành vi $\text{sim}(u_a, u_b) \ge 0.75$ trên không gian tương tác (đặc biệt là hành vi Thích và Tham gia nhóm) thì xác suất trùng khớp chủ đề quan tâm $\text{int}(u_a, u_b)$ đạt trên $82.4%$. Hiện tượng này xác nhận mạnh mẽ nguyên lý Homophily (tính đồng biến xã hội) trong không gian mạng ảo.
  3. Phát hiện nghịch trực giác về hành vi "Thích" (Like): Phân tích cho thấy hành vi "Thích" đơn lẻ có độ nhiễu cao nhất và độ tin cậy thấp nhất nếu đứng độc lập (do thói quen bấm thích xã giao giữa bạn bè). Tuy nhiên, khi hành vi Thích được kết hợp có trọng số với hành vi Bình luận ($C$) và Tham gia nhóm ($J$), độ chính xác mô hình tăng vọt từ $63.2%$ lên $88.7%$.
  4. Hiệu năng phân loại trên các tập ngữ liệu chuẩn quốc tế: Trên tập ngữ liệu chuẩn 20 NewsGroups, mô hình đề xuất đạt $Accuracy > 86.5%$; trên bộ ngữ liệu SemEval-2017 đối với tác vụ phân loại cảm xúc đa mức (5-point scale), thuật toán đạt điểm $F_1$ vượt trội so với các baseline LSA cổ điển.
                   SO SÁNH HIỆU NĂNG SAI SỐ VÀ ĐỘ CHÍNH XÁC
        MAE      MAE       F1-Score       F1-Score       F1-Score
       (Gốc)   (Mở rộng) (Chỉ có Like) (Nội dung TF) (Mô hình Luận án)

Implications đa chiều

  • Về mặt Lý thuyết: Cung cấp cơ sở toán học vững chắc để tích hợp dữ liệu phi cấu trúc và chuỗi hành vi rời rạc vào một hàm mục tiêu thống nhất, đặt nền móng cho các nghiên cứu mô hình hóa người dùng thế hệ mới.
  • Về mặt Phương pháp luận: Đưa ra khung quy trình 3 giai đoạn (Tiền xử lý mở rộng $\rightarrow$ Biểu diễn đa véctơ $\rightarrow$ Ước lượng tương quan) có thể tái sử dụng cho nhiều bài toán khai phá dữ liệu đa phương tiện khác.
  • Về mặt Thực tiễn Ứng dụng: Doanh nghiệp có thể phân nhóm khách hàng mục tiêu với độ chính xác cao mà không cần đầu tư chi phí lớn để mua dữ liệu hồ sơ cá nhân hoặc vi phạm các chính sách bảo mật nghiêm ngặt như GDPR.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Phạm vi kiểu dữ liệu: Nghiên cứu chỉ tập trung xử lý dữ liệu văn bản ngắn và biểu tượng cảm xúc; chưa tích hợp trực tiếp dữ liệu hình ảnh (images) và luồng video (streaming video) vào không gian véctơ đa đặc trưng.
  2. Ràng buộc thời gian thực: Trọng số quan tâm được tính toán theo các khung thời gian tĩnh (static snapshot), chưa mô hình hóa liên tục sự biến thiên sở thích theo thời gian thực (real-time dynamic drift).
  3. Quy mô mẫu thực nghiệm: Mặc dù mẫu 600 người dùng với 18.000 tương tác là đủ lớn cho kiểm định toán học, việc mở rộng lên hàng triệu người dùng sẽ đòi hỏi hạ tầng tính toán phân tán (Big Data / Spark).

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Phát triển mô hình Deep Learning (Transformer / BERT đa ngôn ngữ) để tự động hóa trích xuất ngữ cảnh bài viết ngắn.
  • Tích hợp mạng nơ-ron đồ thị (Graph Neural Networks - GNN) để mô hình hóa đồng thời cấu trúc mạng liên kết và chuỗi hành vi thời gian thực.
  • Mở rộng sang bài toán phân tích video đa phương thức trên nền tảng TikTok và YouTube Shorts.

Tác động và ảnh hưởng

  • Tác động Học thuật: Các kết quả cốt lõi của luận án đã được công bố trên các tạp chí và kỷ yếu hội nghị quốc tế uy tín thuộc hệ thống ISI/Scopus và Springer, bao gồm: International Journal of Advanced Computer Science and Applications (IJACSA, 2015), Springer Advances in Intelligent Systems and Computing (ICTA 2016), EAI INISCOM (Springer, 2017), và Vietnam Journal of Computer Science (SpringerOpen, 2018).
  • Chuyển giao Công nghệ & Ngành: Cung cấp giải pháp kỹ thuật trực tiếp cho các doanh nghiệp thương mại điện tử và digital marketing tại Việt Nam nhằm nâng cao tỷ lệ chuyển đổi (conversion rate) của các chiến dịch quảng cáo thông minh.
  • An ninh Thông tin & Quản trị Mạng: Hỗ trợ các cơ quan quản lý nhà nước xây dựng công cụ phát hiện sớm các luồng dư luận tiêu cực, nhận diện các hội nhóm lan truyền tin giả dựa trên phân tích hành vi tương tác bất thường.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Giới Học thuật: Tiếp cận một khung phương pháp luận hoàn chỉnh về xử lý văn bản ngắn tiếng Việt và mô hình hóa người dùng toán học có khả năng trích dẫn cao.
  • Kỹ sư Hệ thống Gợi ý (Recommender Systems Engineers): Ứng dụng trực tiếp thuật toán biểu diễn véctơ đa đặc trưng để giải quyết bài toán thưa thớt dữ liệu và nâng cao độ chính xác gợi ý sản phẩm/nội dung.
  • Chuyên gia Digital Marketing & Quản trị Thương hiệu: Tối ưu hóa chi phí quảng cáo mục tiêu thông qua việc xác định chính xác nhóm khách hàng tiềm năng dựa trên hành vi tương tác tự nhiên.
  • Cơ quan Quản lý Truyền thông: Sở hữu cơ sở khoa học để phân tích xu hướng dư luận xã hội và định hướng thông tin lành mạnh trên không gian mạng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc hình thức hóa toán học mối quan hệ tương quan giữa không gian hành vi thực tế và không gian chủ đề quan tâm thông qua véctơ bài viết mở rộng 5 đặc trưng ($\vec{e} = \langle \text{cont}, \text{cat}, \text{tag}, \text{sent}, \text{emo} \rangle$). Công trình đã mở rộng trực tiếp Thuyết tương quan xã hội (Social Correlation Theory của Tang et al., 2013), chứng minh rằng hành vi tương tác phi ngôn ngữ (như Like, Join Group) khi được kết hợp đúng trọng số với văn bản sẽ phản ánh chính xác xu hướng nhận thức xã hội mà không cần dữ liệu hồ sơ cá nhân.

2. Điểm cải tiến phương pháp luận cốt lõi khi so sánh với các công trình quốc tế tiền nhiệm?

So với mô hình TAUT của Sheng Bin et al. (2016) vốn chỉ khai thác thẻ tags đơn lẻ, và mô hình thời gian của Fattane Zarrinkalam et al. (2019) chỉ phân tích luồng tweets văn bản, phương pháp luận của luận án vượt trội nhờ cơ chế tích hợp đa tầng: mở rộng ngữ nghĩa văn bản ngắn qua Wikipedia/WordNet, phân loại cảm xúc theo thang đo tâm lý học Ekman, và hợp nhất 4 hành vi tương tác thành ma trận trọng số thống nhất, giúp giảm MAE xuống $0.112$.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có bằng chứng dữ liệu ra sao?

Phát hiện bất ngờ nhất là hành vi "Thích" (Like) – vốn là chỉ số phổ biến nhất trong các nghiên cứu trước (như Kim J., 2013) – lại có độ tương quan đơn lẻ thấp nhất với sở thích thực chất do tính chất tương tác "xã giao". Dữ liệu thực nghiệm của luận án chỉ ra rằng chỉ khi kết hợp hành vi Like với hành vi Tham gia nhóm ($J$) và Bình luận ($C$), độ chính xác mô hình mới tăng vọt từ $63.2%$ lên $88.7%$.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không?

Có. Luận án mô tả chi tiết giao thức 3 bước: quy trình thu thập dữ liệu bằng API và gán nhãn thủ công qua 3 giai đoạn; bộ từ điển từ dừng và quy tắc tách từ; danh mục công thức tính toán toán học chuẩn xác (độ đo Cosine, IRS, MSE, MAE, Precision, Recall, F1); cùng các tham số thực nghiệm đối chuẩn trên hai tập dữ liệu công khai quốc tế là 20 NewsGroups và SemEval-2017.

5. Định hướng chương trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Lộ trình 10 năm tập trung vào: (1) Tích hợp kiến trúc Deep Learning tự chú ý (Self-Attention / Transformers) vào biểu diễn văn bản ngắn đa ngôn ngữ; (2) Mô hình hóa đồ thị tri thức hành vi động (Dynamic Behavioral Knowledge Graph) thích ứng thời gian thực; và (3) Xây dựng hệ thống phân tích đa phương thức (Multimodal Analytics) hợp nhất văn bản, âm thanh, hình ảnh và video ngắn.

Kết luận

  1. Xây dựng thành công mô hình biểu diễn bài viết mở rộng 5 đặc trưng: Giải quyết triệt để vấn đề thưa thớt ngữ nghĩa của dữ liệu văn bản ngắn trên các mạng xã hội.
  2. Thiết lập mô hình người dùng đa hành vi toàn diện: Tích hợp thành công 4 hành vi tương tác phổ biến (Post/Share, Like, Comment, Join Group) vào không gian véctơ trọng số.
  3. Chứng minh định lượng mối tương quan Hành vi - Quan tâm: Cung cấp cơ sở toán học tin cậy khẳng định người dùng có hành vi tương đồng sẽ hội tụ về sở thích chủ đề với xác suất trên $82.4%$.
  4. Kiểm chứng thực nghiệm nghiêm ngặt: Đạt độ chính xác cao và sai số cực tiểu trên 18.000 dữ liệu thực tế (Facebook, Twitter, YouTube) và hai tập ngữ liệu chuẩn quốc tế 20 NewsGroups, SemEval-2017.
  5. Mở ra 03 hướng nghiên cứu mới: Khai phá dữ liệu xã hội đa phương thức, mô hình hóa suy thoái sở thích theo thời gian thực, và ứng dụng đồ thị nơ-ron trong bảo mật thông tin cá nhân.
  6. Giá trị thực tiễn và chuyển giao: Cung cấp nền tảng thuật toán vững chắc cho các hệ thống gợi ý thế hệ mới, tối ưu hóa kinh tế số và hỗ trợ quản trị truyền thông xã hội hiệu quả.