Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin và Internet, dịch vụ truyền hình trên nền tảng Internet (OTT) đã trở thành xu hướng tất yếu, thu hút hàng triệu người dùng trên toàn thế giới. Tại Việt Nam, dịch vụ truyền hình OTT ngày càng phổ biến với sự gia tăng của các thiết bị thông minh như smartphone, Smart TV và máy tính cá nhân. Theo ước tính, mỗi ngày có khoảng 1000 tiêu đề chương trình phát sóng được cập nhật trên các nền tảng truyền hình Internet như VTVGo, Netflix, SCTV Online. Tuy nhiên, việc người dùng phải tự tìm kiếm và lựa chọn nội dung phù hợp trong hàng trăm kênh và chương trình vẫn còn nhiều khó khăn, gây mất thời gian và giảm trải nghiệm người dùng.

Luận văn tập trung nghiên cứu giải pháp phân tích hành vi người dùng qua mạng học sâu nhằm thiết kế giải thuật tư vấn kênh truyền hình, giúp người xem nhanh chóng tìm được nội dung yêu thích dựa trên sở thích và thói quen cá nhân. Mục tiêu cụ thể là xây dựng mô hình phân loại nội dung chương trình truyền hình theo chủ đề, sử dụng các thuật toán học máy hiện đại như K-Means, BERT và PhoBERT để phân tích và gán nhãn tự động cho các tiêu đề chương trình. Phạm vi nghiên cứu tập trung vào dữ liệu lịch phát sóng truyền hình của VTV trong năm 2022, với 8 nhóm chủ đề chính bao gồm phim truyện, ca nhạc, kỹ năng sống, giải trí, thời sự, thể thao, trẻ em và du lịch.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao chất lượng dịch vụ truyền hình OTT, tiết kiệm thời gian tìm kiếm nội dung cho người dùng, đồng thời mở ra hướng phát triển các ứng dụng tư vấn kênh thông minh, góp phần thúc đẩy sự phát triển của ngành truyền hình số tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

  1. Mô hình OTT (Over The Top): Đây là mô hình cung cấp dịch vụ truyền hình qua Internet, không phụ thuộc vào hạ tầng truyền hình truyền thống. Mô hình OTT cho phép người dùng truy cập nội dung đa dạng mọi lúc mọi nơi trên các thiết bị thông minh. Các đặc điểm nổi bật của OTT bao gồm khả năng cung cấp nội dung theo yêu cầu, tính tương tác cao và đa dạng hóa trải nghiệm người dùng.

  2. Mô hình học sâu và xử lý ngôn ngữ tự nhiên (NLP): Sử dụng các thuật toán học máy truyền thống như SVM (Support Vector Machine) và các mô hình mạng nơ-ron tiên tiến như BERT (Bidirectional Encoder Representations from Transformers) và PhoBERT (phiên bản BERT dành cho tiếng Việt). Các mô hình này giúp phân loại văn bản, cụ thể là tiêu đề chương trình truyền hình, dựa trên ngữ cảnh và đặc trưng ngôn ngữ.

Các khái niệm chính bao gồm:

  • Phân loại văn bản: Quá trình gán nhãn chủ đề cho các đoạn văn bản dựa trên nội dung.
  • Thuật toán K-Means: Thuật toán phân cụm không giám sát, phân chia dữ liệu thành các nhóm dựa trên tính chất tương đồng.
  • Mô hình BERT và PhoBERT: Mạng nơ-ron transformer hai chiều, được huấn luyện trước để biểu diễn ngữ cảnh từ ngôn ngữ tự nhiên, hỗ trợ phân loại chính xác các văn bản tiếng Việt.
  • Đặc trưng ngôn ngữ tự nhiên: Bao gồm tách từ, chuẩn hóa, loại bỏ stop words và biểu diễn dữ liệu dưới dạng vector số.

Phương pháp nghiên cứu

Luận văn sử dụng phương pháp nghiên cứu kết hợp giữa lý thuyết và thực nghiệm ứng dụng:

  • Nguồn dữ liệu: Thu thập khoảng 1000 tiêu đề chương trình phát sóng hàng ngày từ trang web lịch phát sóng của VTV (https://vtv.vn/lich-phat-song.htm). Dữ liệu được xử lý loại bỏ thẻ HTML, JavaScript và chuẩn hóa ngôn ngữ bằng công cụ VnTokenizer.

  • Phương pháp phân tích:

    • Áp dụng thuật toán K-Means để phân cụm và gán nhãn chủ đề cho các tiêu đề dựa trên tần suất xuất hiện của các cụm từ và cấu trúc ngữ pháp.
    • Sử dụng mô hình học sâu PhoBERT để huấn luyện và phân loại tiêu đề theo 8 nhóm chủ đề đã xác định.
    • So sánh hiệu quả phân loại giữa các mô hình SVM, BERT đa ngôn ngữ và PhoBERT.

  • Timeline nghiên cứu:

    • Thu thập và tiền xử lý dữ liệu trong 3 tháng đầu.
    • Xây dựng và huấn luyện mô hình trong 4 tháng tiếp theo.
    • Thử nghiệm, đánh giá kết quả và hoàn thiện luận văn trong 3 tháng cuối năm 2022.

  • Cỡ mẫu và chọn mẫu: Dữ liệu gồm 1000 tiêu đề chương trình phát sóng, được chọn ngẫu nhiên từ lịch phát sóng hàng ngày của VTV, đảm bảo tính đại diện cho các chủ đề phổ biến.

  • Phương pháp đánh giá: Sử dụng các chỉ số Precision, Recall và F1-score để đánh giá độ chính xác và hiệu quả của các mô hình phân loại.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Phân loại nội dung chương trình theo 8 chủ đề chính: Bộ dữ liệu được gán nhãn gồm các chủ đề phim truyện (25,18%), giải trí (23,51%), thời sự (21,95%), du lịch (13,83%), kỹ năng sống (8,11%), ca nhạc (3,22%), thể thao (2,18%) và trẻ em (1,97%). Tỷ lệ phân bố này phản ánh sự đa dạng và ưu tiên nội dung của người xem truyền hình.

  2. Hiệu quả mô hình PhoBERT vượt trội: Mô hình PhoBERT đạt độ chính xác phân loại cao hơn so với SVM và BERT đa ngôn ngữ, với F1-score trung bình trên 90%. Điều này cho thấy khả năng xử lý ngôn ngữ tiếng Việt của PhoBERT rất phù hợp cho bài toán phân loại tiêu đề chương trình truyền hình.

  3. Thuật toán K-Means hỗ trợ gán nhãn hiệu quả: K-Means giúp phân cụm dữ liệu tiêu đề thành 8 nhóm chủ đề tương ứng, tạo cơ sở cho việc huấn luyện mô hình học sâu. Việc kết hợp luật xác định và phân cụm giúp cải thiện độ chính xác gán nhãn ban đầu.

  4. Tiết kiệm thời gian tìm kiếm nội dung cho người dùng: Giao diện ứng dụng dựa trên kết quả phân loại cho phép người dùng nhập tên chủ đề và nhận được danh sách chương trình phù hợp, giảm thời gian tìm kiếm trung bình khoảng 30-40% so với phương pháp truyền thống.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc ứng dụng mạng học sâu, đặc biệt là mô hình PhoBERT, trong phân loại tiêu đề chương trình truyền hình tiếng Việt là rất hiệu quả. So với các nghiên cứu trước đây sử dụng SVM hoặc BERT đa ngôn ngữ, PhoBERT tận dụng được đặc thù ngôn ngữ tiếng Việt, từ đó nâng cao độ chính xác phân loại.

Việc sử dụng thuật toán K-Means để phân cụm dữ liệu trước khi huấn luyện mô hình giúp giảm thiểu sai số do dữ liệu chưa gán nhãn và tăng tính nhất quán trong quá trình học. Các biểu đồ phân bố nhãn và kết quả phân loại có thể được trình bày qua biểu đồ cột và bảng so sánh F1-score giữa các mô hình, minh họa rõ ràng sự vượt trội của PhoBERT.

Ngoài ra, giải pháp tư vấn kênh dựa trên phân loại chủ đề giúp người dùng dễ dàng tiếp cận nội dung yêu thích, nâng cao trải nghiệm người dùng và tăng khả năng giữ chân khách hàng cho các nhà cung cấp dịch vụ truyền hình OTT. Kết quả này phù hợp với xu hướng phát triển dịch vụ truyền hình cá nhân hóa và tương tác cao hiện nay.

Đề xuất và khuyến nghị

  1. Phát triển ứng dụng tư vấn kênh truyền hình thông minh: Triển khai giải thuật phân loại và gợi ý kênh trên các nền tảng OTT, tập trung cải thiện chỉ số thời gian tìm kiếm nội dung (target metric: giảm 30-40% thời gian). Thời gian thực hiện dự kiến 6-12 tháng, do các nhà phát triển phần mềm và nhà cung cấp dịch vụ truyền hình thực hiện.

  2. Mở rộng bộ dữ liệu và cập nhật mô hình định kỳ: Thu thập thêm dữ liệu tiêu đề từ nhiều nguồn truyền hình khác nhau để tăng tính đa dạng và độ chính xác của mô hình. Đề xuất cập nhật mô hình mỗi 3-6 tháng nhằm thích ứng với xu hướng nội dung mới, do nhóm nghiên cứu và bộ phận dữ liệu thực hiện.

  3. Tích hợp công nghệ học sâu nâng cao: Nghiên cứu áp dụng các mô hình transformer mới hơn hoặc kết hợp với kỹ thuật học tăng cường để cải thiện khả năng phân loại và dự đoán hành vi người dùng. Thời gian nghiên cứu và thử nghiệm khoảng 12 tháng, do các chuyên gia AI và nhà nghiên cứu thực hiện.

  4. Tăng cường trải nghiệm người dùng qua giao diện thân thiện: Thiết kế giao diện người dùng trực quan, hỗ trợ tìm kiếm theo chủ đề, lịch phát sóng và gợi ý cá nhân hóa. Mục tiêu nâng cao chỉ số hài lòng người dùng (user satisfaction) trên 85%. Thời gian triển khai 6 tháng, do đội ngũ thiết kế UX/UI và phát triển ứng dụng đảm nhận.

Đối tượng nên tham khảo luận văn

  1. Các nhà phát triển và cung cấp dịch vụ truyền hình OTT: Có thể ứng dụng giải pháp phân tích hành vi người dùng và thuật toán tư vấn kênh để nâng cao chất lượng dịch vụ, tăng trải nghiệm người dùng và giữ chân khách hàng.

  2. Nhà nghiên cứu và chuyên gia trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP): Tham khảo phương pháp ứng dụng mô hình PhoBERT cho tiếng Việt trong bài toán phân loại văn bản chuyên ngành, từ đó phát triển các nghiên cứu sâu hơn về NLP tiếng Việt.

  3. Các doanh nghiệp truyền thông và quảng cáo: Sử dụng kết quả phân loại nội dung để tối ưu hóa chiến lược quảng cáo, nhắm đúng đối tượng khách hàng dựa trên sở thích và thói quen xem truyền hình.

  4. Sinh viên và học viên cao học ngành công nghệ thông tin, hệ thống thông tin: Tham khảo quy trình nghiên cứu, phương pháp ứng dụng học máy và học sâu trong thực tiễn, từ đó phát triển các đề tài nghiên cứu hoặc ứng dụng tương tự.

Câu hỏi thường gặp

  1. Giải thuật phân loại tiêu đề chương trình truyền hình hoạt động như thế nào?
    Giải thuật sử dụng mô hình học sâu PhoBERT để phân tích ngữ cảnh và đặc trưng ngôn ngữ của tiêu đề, sau đó gán nhãn chủ đề phù hợp dựa trên dữ liệu huấn luyện đã được gán nhãn trước đó. Ví dụ, tiêu đề "Chuyến đi màu xanh" được phân loại vào nhóm "Phim truyện".

  2. Tại sao chọn mô hình PhoBERT thay vì các mô hình khác?
    PhoBERT được huấn luyện chuyên biệt cho tiếng Việt, giúp xử lý tốt các đặc thù ngôn ngữ như từ ghép, ngữ pháp phức tạp, từ đó nâng cao độ chính xác phân loại so với các mô hình đa ngôn ngữ hoặc học máy truyền thống.

  3. Thuật toán K-Means có vai trò gì trong nghiên cứu?
    K-Means được sử dụng để phân cụm dữ liệu tiêu đề chưa gán nhãn, giúp xác định các nhóm chủ đề tiềm năng dựa trên tính tương đồng của từ ngữ và cấu trúc câu, từ đó hỗ trợ quá trình huấn luyện mô hình học sâu.

  4. Làm thế nào để đánh giá hiệu quả của mô hình phân loại?
    Hiệu quả được đánh giá qua các chỉ số Precision (độ chính xác), Recall (độ bao phủ) và F1-score (điểm cân bằng giữa Precision và Recall). Mô hình PhoBERT đạt F1-score trên 90%, cho thấy khả năng phân loại chính xác và toàn diện.

  5. Giải pháp này có thể áp dụng cho các dịch vụ truyền hình khác không?
    Có thể áp dụng cho các dịch vụ truyền hình OTT khác, đặc biệt là những nền tảng có dữ liệu lịch phát sóng và tiêu đề chương trình tương tự. Việc tùy chỉnh mô hình phù hợp với đặc thù ngôn ngữ và nội dung của từng dịch vụ sẽ giúp tối ưu hiệu quả.

Kết luận

  • Nghiên cứu đã xây dựng thành công giải pháp phân tích hành vi người dùng qua mạng học sâu, sử dụng mô hình PhoBERT để phân loại tiêu đề chương trình truyền hình theo 8 chủ đề chính.
  • Thuật toán K-Means hỗ trợ hiệu quả trong việc phân cụm và gán nhãn dữ liệu, tạo nền tảng cho quá trình huấn luyện mô hình học sâu.
  • Kết quả thực nghiệm cho thấy mô hình PhoBERT vượt trội về độ chính xác phân loại so với SVM và BERT đa ngôn ngữ, với F1-score trên 90%.
  • Giải pháp tư vấn kênh giúp tiết kiệm 30-40% thời gian tìm kiếm nội dung cho người dùng, nâng cao trải nghiệm và khả năng giữ chân khách hàng cho dịch vụ truyền hình OTT.
  • Các bước tiếp theo bao gồm mở rộng bộ dữ liệu, cập nhật mô hình định kỳ, phát triển ứng dụng tư vấn kênh và tích hợp công nghệ học sâu nâng cao để đáp ứng nhu cầu thực tế.

Để tiếp tục phát triển và ứng dụng giải pháp này, các nhà nghiên cứu và doanh nghiệp truyền hình OTT được khuyến khích hợp tác triển khai thử nghiệm thực tế, đồng thời mở rộng nghiên cứu sang các lĩnh vực liên quan như phân tích hành vi người dùng đa nền tảng và cá nhân hóa nội dung.