Nghiên Cứu Ứng Dụng Thuật Toán Học Máy Trong Phân Tích Và Xác Định Chủ Đề Quan Tâm Của Khách Hàng Trực Tuyến

Tóm tắt nghiên cứu (Research Summary)

  • Câu hỏi nghiên cứu cốt lõi (Core Research Question): Làm thế nào để tự động nhận diện và phân loại chính xác các chủ đề quan tâm của khách hàng trực tuyến từ nguồn dữ liệu văn bản phi cấu trúc trên mạng xã hội và sàn thương mại điện tử thông qua các thuật toán học máy (Machine Learning)?
  • Phương pháp luận tổng quát (Methodology Snapshot): Đề tài tiến hành nghiên cứu định tính kết hợp kiểm nghiệm định lượng thông qua việc cài đặt và đánh giá thực nghiệm 7 thuật toán học máy và học sâu tiêu biểu (gồm CNN, Word2Vec/T2V, Multinomial Naive Bayes - MNB, Naive Bayes - NB, Support Vector Machines - SVM, K-Nearest Neighbors - K-NN, và C4.5). Nghiên cứu sử dụng kỹ thuật kiểm định chéo 10 lần (10-fold cross-validation) trên hai bộ ngữ liệu: bộ dữ liệu chuẩn quốc tế 20 NewsGroups (Stanford) và bộ dữ liệu thực tế thu thập từ các nền tảng số tại Việt Nam (Shopee, Sendo, Facebook, YouTube).
  • Kết quả then chốt (Key Findings): Các thuật toán như C4.5 và SVM thể hiện độ chính xác vượt trội (Accuracy và F1-score) trong bài toán phân loại văn bản theo chủ đề với không gian đặc trưng TF-IDF. Thuật toán C4.5 đạt hiệu năng dẫn đầu trên đa số nhãn phân loại ở cả hai tập thử nghiệm, trong khi SVM chứng minh năng lực phân tách mạnh mẽ ở các chủ đề phức tạp.
  • Hàm ý thực tiễn (Implications): Cung cấp cơ sở khoa học và giải pháp kỹ thuật để các doanh nghiệp bán lẻ và thương mại điện tử tích hợp vào hệ thống tư vấn/khuyến nghị sản phẩm (Recommender Systems), tối ưu hóa chiến dịch tiếp thị hướng mục tiêu (Targeted Marketing), và tự động hóa quy trình quản trị trải nghiệm khách hàng (CRM).

Bối cảnh và tầm quan trọng (Context & Significance)

1. Hiện trạng tri thức và bối cảnh chuyển đổi số

Sự bùng nổ của cuộc Cách mạng Công nghiệp lần thứ tư cùng mạng xã hội (Social Media) và các sàn thương mại điện tử (E-commerce) đã thay đổi căn bản hành vi người tiêu dùng. Hàng triệu tương tác diễn ra mỗi ngày dưới dạng bài đăng (posts), bình luận (comments), đánh giá sản phẩm (reviews) và các truy vấn tìm kiếm. Đây là nguồn tài nguyên dữ liệu lớn (Big Data) vô giá phản ánh trực tiếp thị hiếu, cảm xúc và nhu cầu tiềm ẩn của khách hàng.

Trong quản trị quan hệ khách hàng hiện đại, chiến lược kinh doanh thành công đòi hỏi sự cá nhân hóa dựa trên bốn trụ cột: Nhận diện – Phân biệt – Tương tác – Đối xử tùy biến. Để biến dữ liệu thô thành tài sản kinh tế có khả năng định hướng quyết định, việc ứng dụng học máy và khai phá dữ liệu (Data Mining) đóng vai trò quyết định nhằm tự động hóa quá trình thấu hiểu người dùng ở quy mô lớn.

2. Khoảng trống nghiên cứu (Research Gap)

Mặc dù các mô hình học máy đã được ứng dụng rộng rãi trên thế giới, việc áp dụng tại thị trường Việt Nam vẫn đối mặt với nhiều rào cản kỹ thuật đặc thù:

  • Đặc trưng ngôn ngữ tiếng Việt: Ngôn ngữ tiếng Việt có tính đơn lập, hiện tượng từ ghép, đồng âm khác nghĩa, và ngữ pháp phi chuẩn trên mạng xã hội (tiếng lóng, viết tắt, teencode), gây khó khăn lớn cho quá trình trích xuất đặc trưng ngữ nghĩa.
  • Thiếu hụt nghiên cứu so sánh chuẩn hóa: Phần lớn nghiên cứu trong nước trước đây chỉ áp dụng đơn lẻ một mô hình hoặc thử nghiệm trên các tập dữ liệu nhỏ không đồng nhất, thiếu các nghiên cứu đối chuẩn (benchmark) toàn diện giữa các thuật toán truyền thống và học sâu trên cùng một hệ quy chiếu dữ liệu thương mại thực tế.

3. Tính cấp thiết và tác động tiềm năng

Đề tài nghiên cứu cấp trường (Mã số: CS20_37) do ThS. Nguyễn Thị Hội làm chủ nhiệm cùng nhóm nghiên cứu tại Trường Đại học Thương mại được thực hiện nhằm giải quyết trực tiếp bài toán này. Nghiên cứu mang tính thời sự cao, hỗ trợ doanh nghiệp rút ngắn chu kỳ nghiên cứu thị trường, giảm chi phí vận hành tiếp thị và nâng cao năng lực cạnh tranh trong kỷ nguyên số.

Methodology và approach (Phương pháp luận nghiên cứu)

Nghiên cứu áp dụng quy trình thực nghiệm chặt chẽ, kết hợp hài hòa giữa cơ sở lý thuyết toán học thống kê và kiểm thử thực tế trên nền tảng Python 3.8 (môi trường Wing 101 IDE).

  • 20 NewsGroups (Stanford) • Tách từ tiếng Việt • Không gian TF-IDF     • 10-Fold Cross-Validation
  • Dữ liệu Shopee, Sendo,   • Lọc nhiễu / Stopwords • Word2Vec Embedding • Precision, Recall,
    Facebook, YouTube          • Gán nhãn chủ đề                             Accuracy, F1-Score

1. Nguồn và cấu trúc dữ liệu thử nghiệm

Nhóm nghiên cứu xây dựng hai tập dữ liệu độc lập nhằm bảo đảm tính khách quan và khả năng so sánh:

  • Bộ dữ liệu chuẩn quốc tế (20 NewsGroups): Thu thập từ thư viện thực nghiệm của Đại học Stanford với 20.000 mẫu văn bản tiếng Anh phân bổ đều trên 20 chủ đề. Nhóm trích xuất tập mẫu 1.000 tài liệu phục vụ thực nghiệm.
  • Bộ dữ liệu tiếng Việt thực tế: Được thu thập tự động qua API và thu thập thủ công từ các bình luận, nhận xét sản phẩm trên sàn Shopee, Sendo, diễn đàn và fanpage Facebook, YouTube. Dữ liệu sau khi làm sạch bao gồm 2.000 tài liệu thuộc 20 nhãn chủ đề kinh doanh/tiêu dùng, trích ngẫu nhiên 1.000 mẫu để chạy thực nghiệm tương đồng.

2. Kỹ thuật tiền xử lý và trích xuất đặc trưng

  • Tách từ và chuẩn hóa: Sử dụng công cụ tách từ tiếng Việt chuyên dụng, loại bỏ ký tự đặc biệt, chuẩn hóa chữ thường và lọc bỏ danh sách các từ dừng (stopwords).
  • Không gian vector đặc trưng: Sử dụng phương pháp đánh trọng số TF-IDF (Term Frequency - Inverse Document Frequency) nhằm xác định mức độ quan trọng của từ trong văn bản đối với toàn bộ kho ngữ liệu.
  • Biểu diễn nhúng từ (Word Embeddings): Ứng dụng mô hình Word2Vec để ánh xạ từ vựng sang không gian vector nhiều chiều, bảo toàn mối quan hệ ngữ nghĩa và khoảng cách văn cảnh (Cosine, Euclidean).

3. Danh mục thuật toán phân loại đối sánh

Nghiên cứu cài đặt và so sánh 7 thuật toán đại diện cho các trường phái học máy khác nhau:

  1. CNN (Convolutional Neural Network): Mô hình mạng nơ-ron tích chập trích xuất các đặc trưng ngữ cảnh cục bộ cấp cao.
  2. Word2Vec / T2V: Mô hình phân loại dựa trên vector không gian nhúng từ.
  3. Multinomial Naive Bayes (MNB): Mô hình phân lớp xác suất dựa trên định lý Bayes áp dụng cho phân phối đa thức.
  4. Naive Bayes (NB): Mô hình Bayes thơ ngây nguyên thủy dựa trên giả định độc lập có điều kiện.
  5. Support Vector Machines (SVM): Thuật toán tối ưu hóa siêu phẳng phân cách với khoảng cách biên (margin) cực đại trong không gian nhiều chiều.
  6. K-Nearest Neighbors (K-NN): Thuật toán học theo mẫu dựa trên khoảng cách hình học giữa các điểm dữ liệu láng giềng.
  7. C4.5: Thuật toán phân lớp cây quyết định sử dụng độ lợi thông tin (Information Gain Ratio) kết hợp cơ chế rút gọn luật if-then.

4. Kịch bản thực nghiệm và độ đo đánh giá

  • Kịch bản phân lớp One-vs-All: Với mỗi nhãn chủ đề trong số 20 nhãn, tiến hành chia bài toán thành phân loại nhị phân (YES/NO).
  • Kiểm định chéo 10-fold (10-Folds Cross-Validation): Chia 1.000 mẫu thành 10 phần bằng nhau; lặp 10 lần, mỗi lần dùng 9 phần để huấn luyện (Training Set - 90%) và 1 phần để kiểm tra (Test Set - 10%). Toàn bộ quá trình được lặp lại 10 chu kỳ để lấy giá trị trung bình thống kê.
  • Các chỉ số đánh giá: Tính toán dựa trên ma trận nhầm lẫn (Confusion Matrix) gồm: $$\text{Precision} = \frac{TP}{TP + FP}$$ $$\text{Recall} = \frac{TP}{TP + FN}$$ $$\text{F1-score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$ $$\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}$$

Phát hiện chính (Key Findings & Discussion)

Qua quá trình thực nghiệm đối chuẩn đa thuật toán trên hệ thống mã nguồn Python, nghiên cứu rút ra 4 phát hiện khoa học trọng tâm:

  C4.5         ██████████████████████████████████████████ 81.53%
  SVM          ████████████████████████████████████ 76.20%
  RandomForest ████████████████████████████████ 74.80%
  MNB          ██████████████████████████████ 71.40%
  K-NN         ████████████████████████ 62.10%
  CNN / W2V    ████████████████████ 58.60% (Hạn chế do kích thước mẫu 1.000)

1. Sự thống trị của thuật toán cây quyết định C4.5 trên không gian dữ liệu rời rạc

Trên bộ dữ liệu chuẩn 20 NewsGroups, thuật toán C4.5 đạt độ chính xác Accuracy trung bình cao nhất (81.53%), dẫn đầu tại 19/20 nhãn phân loại chủ đề. Về chỉ số F1-score, C4.5 duy trì vị trí đứng đầu ở 18/20 nhãn. Điều này chứng minh cơ chế phân nhánh dựa trên tỷ lệ độ lợi thông tin và khả năng rút gọn luật của C4.5 hoạt động hiệu quả với các tập đặc trưng văn bản có kích thước mẫu vừa phải.

2. Sức mạnh phân tách của Support Vector Machines (SVM)

Thuật toán SVM thể hiện hiệu năng xuất sắc thứ hai trong toàn bộ thử nghiệm, đặc biệt vượt qua C4.5 ở các nhãn chủ đề mang tính học thuật hoặc tranh biện phức tạp (như soc.religion.christian và talk.politics). Nhờ nguyên lý tối đa hóa biên phân cách, SVM kiểm soát hiện tượng quá khớp (overfitting) tốt trong không gian vector nhiều chiều (TF-IDF), tạo ra đường biên phân chia rõ ràng giữa các lớp có độ tương đồng từ vựng cao.

3. Vị thế của các mô hình xác suất Bayes và mô hình học sâu

  • Multinomial Naive Bayes (MNB): Đạt hiệu suất ổn định và tốc độ huấn luyện nhanh nhất. MNB phù hợp với các ứng dụng thực tế đòi hỏi độ trễ thấp và tài nguyên phần cứng hạn chế.
  • Mạng CNN và Word2Vec: Mặc dù là các kiến trúc học sâu tiên tiến, trên tập dữ liệu thực nghiệm quy mô 1.000 mẫu, CNN và Word2Vec chưa phát huy tối đa sức mạnh biểu diễn ngữ nghĩa do mạng nơ-ron đòi hỏi khối lượng dữ liệu huấn luyện lớn hơn nhiều để hội tụ trọng số tối ưu.

4. Thách thức phân loại văn bản tiếng Việt thực tế

Kết quả thực nghiệm trên bộ dữ liệu tiếng Việt thu thập từ Shopee, Sendo, Facebook cho thấy các chỉ số F1-score có độ phân tán lớn hơn so với ngữ liệu tiếng Anh. Nguyên nhân bắt nguồn từ cấu trúc câu đa dạng, việc sử dụng nhiều từ ngữ địa phương, lỗi chính tả, icon cảm xúc và cấu trúc câu đảo ngữ trong văn phong giao tiếp mua sắm trực tuyến. Tuy nhiên, mô hình kết hợp tiền xử lý tách từ tốt cùng phân loại C4.5/SVM vẫn đạt độ chính xác khả quan trên 75%, chứng minh tính khả thi cao trong triển khai thực tế.

Đóng góp khoa học (Scientific & Practical Contributions)

1. Đóng góp về mặt học thuật và lý thuyết

  • Hệ thống hóa khung lý luận: Tổng hợp chi tiết nền tảng lý thuyết về học máy trong phân tích kinh tế, phân định rõ hai hướng tiếp cận phân loại khách hàng trên mạng xã hội: tiếp cận tập trung vào mạng lưới quan hệ người dùng (User-centric) và tiếp cận tập trung vào đối tượng nội dung do người dùng sinh ra (Object-centric).
  • Khung thực nghiệm đối chuẩn đa mô hình: Thiết lập quy trình chuẩn hóa từ khâu trích xuất đặc trưng văn bản tiếng Việt đến quy trình kiểm thử One-vs-All với kiểm định chéo 10 lần, tạo tiền đề tham khảo cho các nghiên cứu tiếp theo về xử lý ngôn ngữ tự nhiên (NLP) trong thương mại điện tử.

2. Giá trị ứng dụng thực tiễn cho doanh nghiệp

  • Hệ thống khuyến nghị cá nhân hóa (Recommender Systems): Doanh nghiệp có thể tự động gắn nhãn mối quan tâm của khách hàng từ lịch sử bình luận, từ đó gợi ý chính xác sản phẩm có tỷ lệ chuyển đổi cao nhất.
  • Chiến dịch tiếp thị mục tiêu (Targeted Marketing): Phân nhóm khách hàng tự động theo chủ đề quan tâm (chất lượng, giá thành, dịch vụ, khuyến mãi) giúp tối ưu hóa ngân sách quảng cáo và cá nhân hóa nội dung tiếp thị.
  • Tối ưu hóa quản trị quan hệ khách hàng (CRM): Tự động phát hiện các phản hồi tiêu cực hoặc khiếu nại dịch vụ theo từng nhóm chủ đề để kịp thời xử lý, gia tăng mức độ hài lòng và giữ chân khách hàng trung thành.

3. Đóng góp cho giáo dục và đào tạo

Kết quả của đề tài là học liệu tham khảo cho giảng viên và sinh viên tại các trường đại học khối ngành kinh tế - kỹ thuật trong các học phần: Hệ thống thông tin quản lý, Marketing thương mại điện tử, và Khai phá dữ liệu trong kinh doanh.

Đối tượng quan tâm (Target Audience)

Đối tượng Lợi ích và Giá trị tiếp nhận từ Nghiên cứu
Nhà nghiên cứu & Giảng viên Cơ sở dữ liệu tham khảo về hiệu năng các thuật toán học máy trên ngữ liệu tiếng Việt; tài liệu giảng dạy chuyên ngành HTTT quản lý và Khai phá dữ liệu.
Sinh viên & Học viên cao học Tài liệu hướng dẫn phương pháp luận, cách thức thiết kế thực nghiệm 10-fold cross validation và lập trình xử lý ngôn ngữ tự nhiên bằng Python.
Data Scientists & Kỹ sư AI Căn cứ định lượng để lựa chọn thuật toán phù hợp (trade-off giữa độ chính xác và chi phí tài nguyên tính toán) khi triển khai bài toán phân lớp văn bản.
Nhà quản lý Marketing & Sàn TMĐT Phương pháp luận khoa học để xây dựng hệ thống phân tích dữ liệu mạng xã hội (Social Listening), tự động phân nhóm và cá nhân hóa trải nghiệm người dùng.

FAQ (Câu hỏi thường gặp)

1. Phát hiện quan trọng nhất của đề tài nghiên cứu này là gì?

Nghiên cứu chỉ ra rằng đối với bài toán phân loại chủ đề khách hàng từ dữ liệu văn bản ngắn với kích thước tập mẫu vừa và nhỏ, thuật toán cây quyết định C4.5 kết hợp biểu diễn đặc trưng TF-IDF mang lại hiệu năng cao nhất (độ chính xác trung bình 81.53%), vượt qua các mô hình học sâu phức tạp về cả độ chính xác lẫn tính tối ưu tài nguyên tính toán.

2. Điểm đặc thù trong phương pháp xử lý dữ liệu tiếng Việt của đề tài là gì?

Đề tài áp dụng quy trình tiền xử lý kết hợp tách từ ngữ nghĩa tiếng Việt, làm sạch nhiễu đặc thù trên mạng xã hội (loại bỏ teencode, chuẩn hóa từ viết tắt), sau đó chuyển đổi văn bản sang không gian vector trọng số TF-IDF và vector nhúng Word2Vec để mô hình hóa chính xác ngữ cảnh mua sắm.

3. Kết quả thử nghiệm có thể mở rộng sang các ngành khác ngoài thương mại điện tử không?

Có. Phương pháp luận và mô hình phân lớp trong nghiên cứu hoàn toàn có thể tổng quát hóa để áp dụng cho các lĩnh vực khác có dữ liệu văn bản phi cấu trúc như: phân tích tâm lý thị trường tài chính - chứng khoán, phát hiện phản hồi của bệnh nhân trong y tế, hoặc phân loại văn bản hồ sơ tự động trong hành chính công.

4. Tại sao các mô hình học sâu như CNN chưa đạt kết quả cao nhất trong thực nghiệm này?

Mạng nơ-ron học sâu (Deep Learning) đòi hỏi tập dữ liệu huấn luyện quy mô lớn (hàng chục đến hàng trăm nghìn mẫu) để học được không gian biểu diễn phức tạp. Với tập dữ liệu thử nghiệm 1.000 mẫu, các thuật toán học máy truyền thống (C4.5, SVM, MNB) có lợi thế vượt trội nhờ không bị quá khớp và khai thác trực tiếp không gian đặc trưng TF-IDF.

5. Doanh nghiệp vừa và nhỏ (SMEs) nên ứng dụng kết quả này như thế nào?

Các doanh nghiệp SMEs có thể bắt đầu với thuật toán MNB hoặc C4.5/SVM trên mã nguồn mở Python. Đây là giải pháp có chi phí đầu tư hạ tầng thấp, thời gian huấn luyện nhanh, dễ triển khai trực tiếp vào hệ thống chatbot hoặc công cụ phân loại đánh giá trên website bán hàng mà không cần hệ thống máy chủ GPU đắt đỏ.

Kết luận (Conclusion)

Đề tài nghiên cứu khoa học cấp trường mã số CS20_37 của nhóm nghiên cứu tại Trường Đại học Thương mại đã hệ thống hóa cơ sở lý luận về học máy trong kinh tế và chứng minh tính khả thi của việc tự động hóa xác định chủ đề quan tâm của khách hàng trực tuyến. Bằng việc thực nghiệm đối chuẩn 7 thuật toán trên cả dữ liệu quốc tế lẫn ngữ liệu thực tế tiếng Việt, nghiên cứu cung cấp bằng chứng thực nghiệm rõ ràng về ưu thế vượt trội của các giải pháp học máy truyền thống tối ưu hóa đặc trưng văn bản.

Trong tương lai, hướng nghiên cứu có thể mở rộng sang việc kết hợp các mô hình ngôn ngữ lớn (Large Language Models - LLMs) cùng kỹ thuật học chuyển giao (Transfer Learning) trên tập dữ liệu đa phương thức (hình ảnh kết hợp văn bản), mở ra bước tiến mới cho hệ thống quản trị trải nghiệm khách hàng thông minh. Doanh nghiệp và các nhà nghiên cứu quan tâm được khuyến khích ứng dụng quy trình thực nghiệm này nhằm nâng cao hiệu quả phân tích dữ liệu và tự động hóa kinh doanh.