Nhận Diện Cảm Xúc Trong Văn Bản Tiếng Việt Bằng Mô Hình Máy Học

• Tác giả: Nguyễn Thanh Huy
• Người hướng dẫn: PGS.TS Nguyễn Tuấn Đăng
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nhận Diện Cảm Xúc Trong Văn Bản Tiếng Việt Bằng Mô Hình Máy Học
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP.Hồ Chí Minh

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN TÀI LIỆU
• 1.1. Ngôn ngữ tự nhiên
• 1.2. Ngôn ngữ tiếng Việt
• 1.3. Xử lý ngôn ngữ tự nhiên
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các mô hình mạng neuron dùng trong học sâu
• 2.2. Word2Vec Text Embedding
• 2.3. GloVe Vectors Text Embedding
• 2.4. Các mô hình nhận diện cảm xúc trong văn bản
• 3. CHƯƠNG 3: NHẬN DIỆN CẢM XÚC TRONG VĂN BẢN TIẾNG VIỆT
• 3.1. Tiền xử lý ngữ liệu
• 3.2. Chuẩn hóa các đặc trưng văn bản
• 3.3. Mô hình nhận diện cảm xúc sử dụng học sâu
• 4. CHƯƠNG 4: THỰC NGHIỆM
• 4.1. Xây dựng ngữ liệu
• 4.2. Huấn luyện mô hình
• 4.3. Thực nghiệm và đánh giá kết quả
• MỞ ĐẦU
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO
• DANH SÁCH HÌNH VẼ
• DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT

I. Tổng Quan Về Nhận Diện Cảm Xúc Trong Văn Bản Tiếng Việt

Trong bối cảnh công nghệ phát triển mạnh mẽ, nhận diện cảm xúc trong văn bản tiếng Việt ngày càng trở nên quan trọng. Ứng dụng của nó trải rộng trên nhiều lĩnh vực, từ quản trị doanh nghiệp đến quản trị quan hệ khách hàng. Các doanh nghiệp cần một hệ thống tự động để phân tích phản hồi của khách hàng, nắm bắt cảm nhận và thị hiếu, từ đó đưa ra chiến lược cạnh tranh hiệu quả. Trong nghiên cứu, việc xây dựng hệ thống nhận diện cảm xúc là một bước tiến lớn trong xử lý ngôn ngữ tự nhiên, giúp giải quyết nhiều vấn đề còn tồn đọng. Luận văn này tập trung vào xây dựng mô hình giải quyết bài toán phân tích cảm xúc người dùng, chia cảm xúc thành hai trạng thái riêng biệt và sử dụng phương pháp phân lớp để nhận diện cảm xúc từ các ý kiến đánh giá, phản hồi.

1.1. Ứng Dụng Thực Tiễn Của Nhận Diện Cảm Xúc

Việc nhận diện cảm xúc trong văn bản tiếng Việt có nhiều ứng dụng thực tiễn. Trong quản trị doanh nghiệp, nó giúp theo dõi phản hồi của khách hàng về sản phẩm và dịch vụ. Trong quản trị thương hiệu, nó giúp đánh giá uy tín và hình ảnh của thương hiệu trên mạng xã hội. Trong quản trị quan hệ khách hàng, nó giúp cá nhân hóa trải nghiệm của khách hàng và tăng cường sự gắn kết. Ngoài ra, nó còn được sử dụng trong khảo sát ý kiến khách hàng và phân tích đánh giá sản phẩm. Theo nghiên cứu, ý kiến và đánh giá của khách hàng ngày càng trở nên quan trọng, do đó các doanh nghiệp cần quan tâm đến việc xây dựng hệ thống phân tích cảm xúc tự động.

1.2. Tổng Quan Về Phân Tích Cảm Xúc Trong Văn Bản

Phân tích và nhận diện cảm xúc ngày càng trở nên phổ biến trong việc xử lý dữ liệu truyền thông xã hội. Đây là một nhánh của nghiên cứu điện toán sinh thái, phân loại văn bản thành tích cực hoặc tiêu cực. Hệ thống phân tích nhận diện cảm xúc có thể được phân loại thành dựa trên tri thức và dựa trên thống kê. Phân tích cảm xúc là một bài toán nghiên cứu đòi hỏi phải giải quyết nhiều nhiệm vụ NLP (Natural Language Processing), bao gồm nhận dạng thực thể được đặt tên, trích xuất khái niệm, phát hiện châm biếm, trích xuất khía cạnh và phát hiện tính chủ quan. Hiện tại, cộng đồng khoa học mới chỉ giải quyết tốt bài toán phân tích và nhận diện cảm xúc trong văn bản tiếng Việt ở cấp độ đơn giản.

II. Thách Thức Trong Nhận Diện Cảm Xúc Tiếng Việt Hiện Nay

Mặc dù đã có những tiến bộ nhất định, việc nhận diện cảm xúc trong văn bản tiếng Việt vẫn còn đối mặt với nhiều thách thức. Một trong những thách thức lớn nhất là sự phức tạp của ngôn ngữ tiếng Việt, với nhiều sắc thái biểu cảm và cách diễn đạt khác nhau. Các phương pháp thủ công dựa trên từ khóa thường bỏ qua thứ tự các từ và không nắm bắt được ngữ cảnh. Các phương pháp học máy sâu đòi hỏi lượng dữ liệu lớn và chất lượng cao để huấn luyện. Ngoài ra, việc xử lý các yếu tố như châm biếm, mỉa mai và ngôn ngữ địa phương cũng là một thách thức không nhỏ. Cần có những nghiên cứu sâu hơn để phát triển các mô hình nhận diện cảm xúc chính xác và hiệu quả hơn cho tiếng Việt.

2.1. Hạn Chế Của Phương Pháp Thủ Công Dò Từ Khóa

Phương pháp thủ công dựa trên việc tìm kiếm các từ cảm xúc riêng lẻ, xác định điểm số cho các từ tích cực và tiêu cực, sau đó tổng hợp các điểm số này lại. Điểm hạn chế của phương pháp này là quan tâm đến thứ tự các từ và sẽ bỏ qua các từ quan trọng. Độ chính xác của mô hình phụ thuộc vào độ tốt của bộ từ điển các từ cảm xúc. Ưu điểm của phương pháp này là dễ thực hiện, tính toán nhanh, chỉ tốn công sức cho việc xây dựng bộ từ điển dữ liệu của các từ cảm xúc. Do đó, phương pháp này không phù hợp với các văn bản phức tạp và đa nghĩa.

2.2. Yêu Cầu Về Dữ Liệu Lớn Cho Học Sâu Deep Learning

Phương pháp Deep Learning Neural Network sử dụng mô hình học Recurrent Neural Network với Long Short Term Memory Neural Network (LSTMs), kết hợp với mô hình vector hóa từ Word2Vector với kiến trúc Continuous Bag-of-Words (CBOW). Tuy nhiên, phương pháp này đòi hỏi lượng dữ liệu lớn và chất lượng cao để huấn luyện mô hình. Việc thu thập và gán nhãn dữ liệu tiếng Việt là một thách thức lớn, đặc biệt là đối với các lĩnh vực chuyên biệt. Do đó, cần có những phương pháp học máy hiệu quả hơn để tận dụng tối đa dữ liệu có sẵn.

III. Phương Pháp Nhận Diện Cảm Xúc Bằng Mô Hình Máy Học

Luận văn này đề xuất một phương pháp nhận diện cảm xúc trong văn bản tiếng Việt bằng cách sử dụng mô hình máy học. Phương pháp này bao gồm các bước: tiền xử lý dữ liệu, trích xuất đặc trưng, huấn luyện mô hình và đánh giá kết quả. Trong giai đoạn tiền xử lý, văn bản được làm sạch và chuẩn hóa để loại bỏ các yếu tố gây nhiễu. Trong giai đoạn trích xuất đặc trưng, các đặc trưng ngôn ngữ quan trọng được trích xuất từ văn bản, chẳng hạn như tần suất từ, cụm từ và cấu trúc cú pháp. Trong giai đoạn huấn luyện mô hình, một mô hình máy học được huấn luyện trên dữ liệu đã được gán nhãn để dự đoán cảm xúc của văn bản. Trong giai đoạn đánh giá kết quả, mô hình được đánh giá trên một tập dữ liệu kiểm tra để đánh giá độ chính xác và hiệu quả.

3.1. Tiền Xử Lý Ngữ Liệu Text Preprocessing

Tiền xử lý ngữ liệu là bước quan trọng để làm sạch và chuẩn hóa văn bản. Các bước tiền xử lý bao gồm: loại bỏ các ký tự đặc biệt, chuyển đổi chữ hoa thành chữ thường, tách từ, loại bỏ các từ dừng (stop words) và thực hiện các kỹ thuật chuẩn hóa khác. Mục tiêu của tiền xử lý là giảm thiểu nhiễu và cải thiện chất lượng dữ liệu đầu vào cho mô hình máy học. Việc lựa chọn các bước tiền xử lý phù hợp có thể ảnh hưởng đáng kể đến hiệu suất của mô hình.

3.2. Trích Xuất Đặc Trưng Văn Bản Feature Extraction

Trích xuất đặc trưng là quá trình chuyển đổi văn bản thành một tập hợp các đặc trưng số có thể được sử dụng bởi mô hình máy học. Các đặc trưng phổ biến bao gồm: tần suất từ (TF-IDF), word embeddings (Word2Vec, GloVe) và các đặc trưng cú pháp. Việc lựa chọn các đặc trưng phù hợp có thể giúp mô hình nắm bắt được các thông tin quan trọng trong văn bản và cải thiện độ chính xác của việc nhận diện cảm xúc.

IV. Thực Nghiệm Và Đánh Giá Mô Hình Nhận Diện Cảm Xúc

Để đánh giá hiệu quả của phương pháp đề xuất, chúng tôi đã thực hiện các thực nghiệm trên một tập dữ liệu văn bản tiếng Việt. Tập dữ liệu này bao gồm các ý kiến đánh giá sản phẩm trên website bán hàng Shopee. Chúng tôi đã sử dụng các mô hình máy học khác nhau, bao gồm Logistic Regression, Linear SVM và Naive Bayes, để huấn luyện và đánh giá. Kết quả thực nghiệm cho thấy mô hình Linear SVM đạt độ chính xác cao nhất trong việc nhận diện cảm xúc tích cực và tiêu cực. Tuy nhiên, các mô hình khác cũng cho kết quả khả quan và có thể được sử dụng trong các ứng dụng khác nhau.

4.1. Xây Dựng Ngữ Liệu Đánh Giá Cảm Xúc Dataset

Việc xây dựng ngữ liệu là bước quan trọng để huấn luyện và đánh giá mô hình nhận diện cảm xúc. Ngữ liệu cần phải đa dạng, phong phú và đại diện cho các loại văn bản khác nhau. Trong thực nghiệm này, chúng tôi đã sử dụng một tập dữ liệu các ý kiến đánh giá sản phẩm trên website bán hàng Shopee. Tập dữ liệu này bao gồm các ý kiến đánh giá tích cực, tiêu cực và trung tính. Việc gán nhãn cho dữ liệu được thực hiện thủ công bởi các chuyên gia ngôn ngữ.

4.2. Đánh Giá Kết Quả Với Các Phương Pháp Khác Nhau

Chúng tôi đã sử dụng các mô hình máy học khác nhau để huấn luyện và đánh giá, bao gồm Logistic Regression, Linear SVM và Naive Bayes. Kết quả cho thấy Linear SVM đạt độ chính xác cao nhất. Điểm quyết định cho phương pháp Logistic Regression và Linear SVM được thể hiện qua các hình ảnh và báo cáo trên tập dữ liệu kiểm tra. Các kết quả này cho thấy tiềm năng của các mô hình máy học trong việc nhận diện cảm xúc trong văn bản tiếng Việt.

V. Kết Luận Và Hướng Phát Triển Nhận Diện Cảm Xúc Tương Lai

Luận văn này đã trình bày một phương pháp nhận diện cảm xúc trong văn bản tiếng Việt bằng cách sử dụng mô hình máy học. Phương pháp này đã được đánh giá trên một tập dữ liệu thực tế và cho kết quả khả quan. Tuy nhiên, vẫn còn nhiều hướng phát triển tiềm năng cho nghiên cứu này. Trong tương lai, chúng tôi sẽ tập trung vào việc cải thiện độ chính xác của mô hình, xử lý các yếu tố phức tạp như châm biếm và mỉa mai, và mở rộng ứng dụng của mô hình sang các lĩnh vực khác nhau. Việc nhận diện cảm xúc trong văn bản tiếng Việt có tiềm năng to lớn trong việc cải thiện trải nghiệm của người dùng và hỗ trợ các quyết định kinh doanh.

5.1. Các Kết Quả Đạt Được Của Luận Văn

Luận văn đã đạt được các kết quả sau: (1) Xây dựng một phương pháp nhận diện cảm xúc trong văn bản tiếng Việt bằng cách sử dụng mô hình máy học. (2) Đánh giá hiệu quả của phương pháp trên một tập dữ liệu thực tế. (3) So sánh hiệu suất của các mô hình máy học khác nhau. (4) Xác định các hướng phát triển tiềm năng cho nghiên cứu trong tương lai. Các kết quả này đóng góp vào sự phát triển của lĩnh vực xử lý ngôn ngữ tự nhiên và có thể được sử dụng trong các ứng dụng thực tế.

5.2. Hướng Nghiên Cứu Tiếp Theo Về Nhận Diện Cảm Xúc

Trong tương lai, chúng tôi sẽ tập trung vào các hướng nghiên cứu sau: (1) Cải thiện độ chính xác của mô hình bằng cách sử dụng các kỹ thuật học sâu và các đặc trưng ngôn ngữ phức tạp hơn. (2) Xử lý các yếu tố phức tạp như châm biếm và mỉa mai bằng cách sử dụng các mô hình ngữ cảnh và tri thức. (3) Mở rộng ứng dụng của mô hình sang các lĩnh vực khác nhau, chẳng hạn như phân tích ý kiến khách hàng, theo dõi mạng xã hội và phát hiện tin giả. (4) Nghiên cứu các phương pháp nhận diện cảm xúc đa ngôn ngữ để hỗ trợ các ngôn ngữ khác nhau.

Tổng quan nghiên cứu

Nhận diện cảm xúc trong văn bản tiếng Việt là một lĩnh vực nghiên cứu quan trọng trong xử lý ngôn ngữ tự nhiên (NLP), đặc biệt trong bối cảnh phát triển mạnh mẽ của các nền tảng thương mại điện tử và mạng xã hội. Theo ước tính, hiện nay có khoảng 4063 phản hồi, đánh giá sản phẩm được thu thập từ website bán hàng trực tuyến Shopee, trong đó phân chia gần như cân bằng giữa các đánh giá tích cực (2030) và tiêu cực (2033). Vấn đề nghiên cứu tập trung vào việc xây dựng mô hình máy học nhằm phân loại cảm xúc trong các phản hồi này thành hai trạng thái chính: tích cực và tiêu cực.

Mục tiêu cụ thể của nghiên cứu là phát triển một hệ thống nhận diện cảm xúc trong văn bản tiếng Việt với độ chính xác cao, tối ưu hiệu suất thời gian thực hiện, đồng thời giải quyết các khó khăn đặc thù của ngôn ngữ tiếng Việt như tách từ, chuẩn hóa dữ liệu và biểu diễn văn bản. Phạm vi nghiên cứu tập trung vào các phản hồi, ý kiến đánh giá sản phẩm trên nền tảng thương mại điện tử Shopee trong năm 2022. Ý nghĩa của nghiên cứu được thể hiện qua việc hỗ trợ doanh nghiệp trong việc phân tích ý kiến khách hàng một cách tự động, từ đó nâng cao khả năng cạnh tranh và thích ứng với thị trường biến động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Xử lý ngôn ngữ tự nhiên (NLP): Là lĩnh vực khoa học máy tính kết hợp trí tuệ nhân tạo và ngôn ngữ học tính toán, tập trung vào việc giúp máy tính hiểu và xử lý ngôn ngữ con người. Các bài toán tiêu biểu bao gồm tách từ, chuẩn hóa văn bản, loại bỏ stopwords, và biểu diễn văn bản dưới dạng vector.

• Mô hình mạng nơ-ron sâu (Deep Neural Networks - DNN): Bao gồm các kiến trúc như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi tiếp dài ngắn hạn (LSTM). LSTM được sử dụng để xử lý chuỗi dữ liệu văn bản, giúp mô hình ghi nhớ thông tin dài hạn và cải thiện độ chính xác phân loại cảm xúc.

• Phương pháp biểu diễn từ (Word Embedding): Sử dụng các kỹ thuật như Word2Vec (CBOW và Skip-gram) và GloVe để chuyển đổi từ ngữ thành vector số thực, giúp máy tính hiểu được ngữ cảnh và ngữ nghĩa của từ trong văn bản.

• Phân loại cảm xúc (Sentiment Analysis): Bài toán phân loại văn bản thành các lớp cảm xúc tích cực và tiêu cực, dựa trên các đặc trưng được trích xuất từ văn bản và mô hình học máy có giám sát.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ các phản hồi, đánh giá sản phẩm trên website Shopee, với tổng số 4063 mẫu, trong đó 2030 mẫu tích cực và 2033 mẫu tiêu cực. Dữ liệu được chia thành tập huấn luyện gồm 3200 mẫu và tập kiểm tra gồm 863 mẫu, đảm bảo cân bằng giữa hai lớp cảm xúc.

Quy trình nghiên cứu bao gồm các bước:

1. Tiền xử lý dữ liệu: Loại bỏ các ký tự đặc biệt, biểu tượng cảm xúc, chuẩn hóa chữ viết, sửa lỗi chính tả, tách từ bằng công cụ Tokenizer, loại bỏ stopwords và chuẩn hóa các đặc trưng văn bản.

2. Biểu diễn văn bản: Sử dụng các phương pháp BoW (Bag of Words), TF-IDF, Word2Vec và GloVe để chuyển đổi văn bản thành vector đặc trưng.

3. Huấn luyện mô hình: Áp dụng các thuật toán phân lớp như Logistic Regression, Linear SVM, Naive Bayes và mạng nơ-ron LSTM với dữ liệu đã được vector hóa.

4. Đánh giá mô hình: Sử dụng các chỉ số precision, recall, f1-score và accuracy trên tập kiểm tra để đánh giá hiệu suất của các mô hình.

Thời gian nghiên cứu tập trung trong năm 2022 tại Học viện Công nghệ Bưu chính Viễn thông, TP. Hồ Chí Minh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất mô hình phân lớp: Mô hình kết hợp phương pháp vector hóa TF-IDF và thuật toán Naive Bayes đạt độ chính xác cao nhất với f1-score trung bình khoảng 71%. Cụ thể, f1-score lớp tích cực đạt 69%, lớp tiêu cực đạt 73%.

2. So sánh các phương pháp phân lớp: Các phương pháp Logistic Regression, Linear SVM và Naive Bayes cho kết quả tương đương nhau với f1-score trung bình dao động từ 70% đến 71%. Mô hình Naive Bayes có ưu thế nhẹ về f1-score so với các phương pháp còn lại.

3. Hiệu quả các phương pháp vector hóa: TF-IDF và BoW cho hiệu suất tương đương trong việc biểu diễn văn bản, tuy nhiên TF-IDF có điểm precision lớp tích cực cao hơn (0,76 so với 0,74 của BoW).

4. Mô hình mạng nơ-ron LSTM: Mặc dù được kỳ vọng cao, mô hình LSTM huấn luyện bằng Tensorflow chỉ đạt độ chính xác khoảng 50,55%, thấp hơn đáng kể so với các phương pháp truyền thống. Điều này có thể do kích thước bộ dữ liệu chưa đủ lớn hoặc cần tối ưu thêm tham số.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu quả cao của các mô hình truyền thống như Naive Bayes kết hợp TF-IDF là do tính chất đặc thù của ngôn ngữ tiếng Việt và bộ dữ liệu cân bằng, được tiền xử lý kỹ lưỡng. Việc chuẩn hóa từ, tách từ chính xác và loại bỏ các yếu tố nhiễu đã giúp tăng độ chính xác của mô hình.

Kết quả thấp của mô hình LSTM phản ánh thách thức trong việc áp dụng học sâu cho ngôn ngữ tiếng Việt với dữ liệu hạn chế. So với các nghiên cứu quốc tế, việc sử dụng mạng nơ-ron sâu đòi hỏi bộ dữ liệu lớn hơn và kỹ thuật tăng cường dữ liệu để tránh overfitting.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh f1-score giữa các mô hình phân lớp và các phương pháp vector hóa, cũng như bảng thống kê chi tiết các chỉ số precision, recall cho từng lớp cảm xúc.

Đề xuất và khuyến nghị

1. Tăng cường thu thập dữ liệu: Mở rộng bộ dữ liệu phản hồi khách hàng với số lượng lớn hơn nhằm cải thiện hiệu suất của các mô hình học sâu, đặc biệt là LSTM. Thời gian thực hiện: 6-12 tháng, chủ thể: nhóm nghiên cứu và doanh nghiệp.

2. Áp dụng kỹ thuật tăng cường dữ liệu (data augmentation): Sử dụng các phương pháp như paraphrasing, synonym replacement để tạo thêm dữ liệu huấn luyện đa dạng, giúp mô hình học sâu tránh overfitting. Thời gian: 3-6 tháng, chủ thể: nhóm nghiên cứu.

3. Tối ưu hóa mô hình học sâu: Thử nghiệm các kiến trúc mạng nơ-ron khác như Transformer, BERT cho tiếng Việt, kết hợp fine-tuning trên bộ dữ liệu chuyên biệt. Thời gian: 6 tháng, chủ thể: nhóm nghiên cứu.

4. Phát triển hệ thống ứng dụng thực tế: Xây dựng công cụ phân tích cảm xúc tự động tích hợp vào các nền tảng thương mại điện tử để hỗ trợ doanh nghiệp nhanh chóng nắm bắt ý kiến khách hàng. Thời gian: 6 tháng, chủ thể: doanh nghiệp và nhóm phát triển phần mềm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, xử lý ngôn ngữ tự nhiên: Nghiên cứu các phương pháp tiền xử lý, biểu diễn văn bản và mô hình phân loại cảm xúc trong tiếng Việt.

2. Doanh nghiệp thương mại điện tử và marketing: Áp dụng mô hình nhận diện cảm xúc để phân tích phản hồi khách hàng, nâng cao chất lượng dịch vụ và chiến lược kinh doanh.

3. Phát triển phần mềm và ứng dụng AI: Tham khảo kỹ thuật xây dựng hệ thống phân tích cảm xúc tự động, tích hợp vào chatbot, trợ lý ảo hoặc hệ thống quản lý quan hệ khách hàng.

4. Các tổ chức nghiên cứu về ngôn ngữ và xã hội học: Hiểu rõ hơn về đặc điểm ngôn ngữ tiếng Việt và cách thức xử lý dữ liệu văn bản trong nghiên cứu xã hội học, tâm lý học.

Câu hỏi thường gặp

1. Tại sao cần tiền xử lý dữ liệu trước khi huấn luyện mô hình?
   Tiền xử lý giúp loại bỏ dữ liệu nhiễu, chuẩn hóa văn bản, tách từ chính xác, từ đó nâng cao chất lượng dữ liệu đầu vào, giúp mô hình học máy đạt hiệu quả cao hơn. Ví dụ, việc chuyển chữ hoa thành chữ thường tránh nhầm lẫn trong biểu diễn từ.

2. Phương pháp nào cho kết quả tốt nhất trong nghiên cứu này?
   Phương pháp kết hợp TF-IDF và Naive Bayes cho độ chính xác cao nhất với f1-score trung bình khoảng 71%, vượt trội so với các phương pháp khác trên bộ dữ liệu hiện có.

3. Tại sao mô hình LSTM không đạt hiệu quả như mong đợi?
   LSTM yêu cầu bộ dữ liệu lớn và đa dạng để học hiệu quả. Bộ dữ liệu hiện tại còn hạn chế về kích thước và tính đa dạng, dẫn đến hiện tượng overfitting và kết quả thấp.

4. Có thể áp dụng mô hình này cho các ngôn ngữ khác không?
   Các phương pháp và mô hình được sử dụng có thể áp dụng cho nhiều ngôn ngữ khác, tuy nhiên cần điều chỉnh phù hợp với đặc điểm ngôn ngữ và bộ dữ liệu tương ứng.

5. Làm thế nào để cải thiện độ chính xác của mô hình trong tương lai?
   Có thể mở rộng bộ dữ liệu, áp dụng kỹ thuật tăng cường dữ liệu, thử nghiệm các kiến trúc mạng nơ-ron tiên tiến như Transformer, và tối ưu tham số mô hình để nâng cao hiệu suất.

Kết luận

• Đã xây dựng thành công mô hình nhận diện cảm xúc trong văn bản tiếng Việt với độ chính xác lên đến 71% trên bộ dữ liệu phản hồi khách hàng Shopee.
• Áp dụng hiệu quả các kỹ thuật tiền xử lý, biểu diễn văn bản (TF-IDF, BoW, Word2Vec) và thuật toán phân lớp (Naive Bayes, Logistic Regression, SVM).
• Mô hình học sâu LSTM chưa đạt hiệu quả cao do hạn chế về dữ liệu và cần được tối ưu thêm.
• Đề xuất mở rộng dữ liệu, áp dụng kỹ thuật tăng cường và thử nghiệm các mô hình học sâu tiên tiến trong nghiên cứu tiếp theo.
• Khuyến nghị phát triển hệ thống ứng dụng thực tế để hỗ trợ doanh nghiệp phân tích cảm xúc khách hàng tự động.

Hành động tiếp theo là triển khai thu thập dữ liệu mở rộng và thử nghiệm các mô hình mới nhằm nâng cao hiệu quả nhận diện cảm xúc, đồng thời phát triển ứng dụng thực tế phục vụ doanh nghiệp. Đề nghị các nhà nghiên cứu và doanh nghiệp quan tâm phối hợp để phát triển lĩnh vực này.