Tổng quan nghiên cứu

Trong bối cảnh bùng nổ của cuộc Cách mạng Công nghiệp 4.0, không gian kỹ thuật số chứng kiến sự phát triển vượt bậc của các nền tảng đa phương tiện. Mạng xã hội TikTok trở thành một trong những kênh truyền thông video ngắn phổ biến nhất với hàng tỷ lượt tải lên mỗi ngày. Tuy nhiên, tình trạng thiếu hụt thông tin mô tả chuẩn xác và sự xuất hiện tràn lan của các nội dung giật gân, sai lệch đang tạo ra thách thức nghiêm trọng cho công tác quản trị mạng. Đặc biệt, sự ra đời của Luật An ninh mạng Việt Nam năm 2018 đặt ra yêu cầu cấp thiết đối với việc xây dựng các công cụ tự động nhận diện và phân loại nội dung chính trị nhằm bảo vệ an ninh thông tin quốc gia.

Vấn đề nghiên cứu trọng tâm của luận văn là giải quyết bài toán phân loại tự động video đa phương thức thành hai nhóm: có yếu tố chính trị và phi chính trị. Phần lớn các mô hình học sâu hiện nay chỉ khai thác dữ liệu đơn phương thức hoặc yêu cầu tập dữ liệu khổng lồ hàng triệu mẫu để huấn luyện mô hình không-thời gian phức tạp. Nhằm khắc phục hạn chế này, nghiên cứu đặt mục tiêu xây dựng một framework kết hợp đa mô hình học sâu có giám sát, tích hợp đồng thời các đặc trưng văn bản, hình ảnh và nhận diện khuôn mặt nhân vật chính trị.

Phạm vi nghiên cứu tập trung vào 10.000 video thực tế thu thập từ TikTok trong giai đoạn từ ngày 14 tháng 02 năm 2022 đến ngày 30 tháng 06 năm 2022. Tiêu chí xác định video có yếu tố chính trị hướng vào hoạt động, sự kiện làm việc của 18 Ủy viên Bộ Chính trị khóa XIII và 28 thành viên Chính phủ nhiệm kỳ 2021 – 2026. Kết quả thử nghiệm khẳng định framework đạt độ chính xác phân loại tổng thể 0.93 (93%), vượt trội so với phương pháp kết hợp truyền thống sử dụng Logistic Regression đạt 0.92 (92%) và các mô hình đơn lẻ. Nghiên cứu mang lại ý nghĩa thực tiễn to lớn khi giúp các cơ quan quản lý giảm hơn 70% thời gian rà soát thủ công trên không gian mạng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết mạng nơ-ron nhân tạo (ANN) và mạng nơ-ron tích chập (CNN) kết hợp các kiến trúc học sâu tiên tiến phục vụ bài toán thị giác máy tính và xử lý ngôn ngữ tự nhiên.

Đối với xử lý hình ảnh và nhận diện thực thể, luận văn vận dụng kiến trúc MTCNN (Multi-task Cascaded Convolutional Networks) với 3 giai đoạn phân tầng P-Net, R-Net và O-Net, kết hợp cấu trúc Image Pyramid để dò tìm khuôn mặt ở nhiều tỷ lệ kích thước. Đặc trưng khuôn mặt sau đó được vector hóa thông qua mạng VGG-Face sở hữu hơn 120 triệu tham số với 9 lớp học sâu trích xuất vector biểu diễn 3D. Đồng thời, mô hình Inception-V3 gồm 42 lớp được áp dụng nhằm trích xuất đặc trưng bối cảnh khung hình, tận dụng các phép tích chập bất đối xứng kích thước 1x3 và 3x1 giúp tiết kiệm hơn 33% chi phí tính toán mà vẫn đảm bảo độ sâu mạng.

Đối với dữ liệu văn bản, lý thuyết Word Embedding được triển khai qua mô hình FastText do Facebook phát triển. FastText cải tiến từ kiến trúc Skip-gram bằng cách phân tách từ thành các sub-words dạng n-grams với độ dài từ 3 đến 6 ký tự, cho phép biểu diễn chính xác ngữ nghĩa của các từ hiếm và từ ngoài từ điển. Cuối cùng, lý thuyết kết hợp thông tin đa phương thức theo chiến lược kết hợp chậm (Slow Fusion) được áp dụng tại cấp độ video thông qua thuật toán Gradient Boosting của LightGBM, tối ưu hóa trọng số đóng góp của từng luồng đặc trưng.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm gồm 10.000 video TikTok được thu thập tự động và gán nhãn nhị phân có giám sát. Do lượng văn bản gốc từ mô tả video tương đối ngắn, tác giả đã thu thập bổ sung hàng nghìn bài viết từ trang tin điện tử VnExpress để huấn luyện tăng cường cho mô hình ngôn ngữ. Phương pháp chọn mẫu là chọn mẫu phân tầng có chủ đích, tập trung vào các từ khóa, thực thể chính trị trọng điểm để đảm bảo tính đại diện và hạn chế hiện tượng mất cân bằng dữ liệu.

Quy trình phân tích triển khai qua 4 bước đồng bộ:

  1. Sử dụng Google Speech-to-Text API chuyển đổi toàn bộ âm thanh lời thoại trong video thành văn bản, sau đó hợp nhất với tiêu đề và mô tả để đưa qua mô hình FastText.
  2. Dùng thư viện FFmpeg trích xuất các khung hình chính (key frames) từ video.
  3. Áp dụng MTCNN và VGG-Face để nhận diện khuôn mặt của các chính trị gia trong cơ sở dữ liệu mẫu; song song sử dụng Inception-V3 với kỹ thuật học chuyển tiếp (Transfer Learning) để trích xuất đặc trưng bối cảnh hình ảnh.
  4. Tổng hợp các điểm số phân loại qua mô hình LightGBM để đưa ra quyết định cuối cùng ở cấp độ video.

Lý do lựa chọn LightGBM nằm ở tốc độ xử lý vượt trội, khả năng kiểm soát hiện tượng quá khớp (Overfitting) và đặc biệt là cơ chế xử lý trực tiếp các giá trị thiếu (Null values) khi video bị khuyết một số luồng thông tin. Toàn bộ quá trình nghiên cứu và thực nghiệm được hoàn thành chuẩn xác trong mốc thời gian 5 tháng theo đề cương phê duyệt.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm trên tập dữ liệu 10.000 video TikTok mang lại những phát hiện học thuật quan trọng:

Thứ nhất, framework kết hợp đa mô hình sử dụng thuật toán phân loại LightGBM đạt độ chính xác cao nhất ở mức 0.93 (tương đương 93%), vượt qua mô hình kết hợp Logistic Regression đạt mức 0.92 (92%).

Thứ hai, các mô hình phân loại dựa trên từng đặc trưng đơn lẻ cho hiệu quả thấp hơn rõ rệt so với mô hình kết hợp. Cụ thể, mô hình xử lý văn bản FastText và mô hình nhận diện khuôn mặt đơn lẻ chỉ đóng vai trò phân loại cục bộ; khi kết hợp đồng thời văn bản, khuôn mặt và bối cảnh hình ảnh, độ chính xác tổng thể tăng từ 1% đến 6% so với việc chỉ sử dụng một nhánh thông tin duy nhất.

Thứ ba, việc phân tích tầm quan trọng của các đặc trưng (Feature Importance) trong mô hình LightGBM chứng minh rằng đặc trưng nhận diện khuôn mặt chính trị gia và đặc trưng ngữ nghĩa văn bản từ lời thoại đóng góp hơn 65% trọng số trong việc xác định bản chất chính trị của video. Đặc trưng bối cảnh hình ảnh tổng thể từ Inception-V3 đóng góp khoảng 35% còn lại.

Thứ tư, thuật toán LightGBM thể hiện khả năng thích ứng cao khi video bị thiếu dữ liệu. Trong các trường hợp video không có khuôn mặt hoặc chỉ có nhạc nền không chứa lời thoại (giá trị đầu vào là Null), framework vẫn duy trì độ chính xác phân loại ổn định ở mức trên 89%.

Thảo luận kết quả

Hiệu quả vượt trội của framework bắt nguồn từ bản chất đa phương thức của video TikTok. Nội dung video ngắn thường chứa nhiều yếu tố gây nhiễu như hiệu ứng âm thanh, nhạc nền xu hướng và hình ảnh biến đổi nhanh. Một video chính trị có thể không chứa hình ảnh rõ ràng nhưng phần thuyết minh giọng nói lại truyền tải thông điệp tư tưởng, hoặc ngược lại, video chứa hình ảnh các vị lãnh đạo nhưng không có lời thoại. Cơ chế kết hợp chậm giúp tổng hợp toàn diện các bằng chứng độc lập trước khi đưa ra phán đoán cuối cùng.

So sánh với nghiên cứu phân loại video quy mô lớn Sports-1M của Karpathy dựa trên 1.000.000 video thể thao chỉ sử dụng mạng CNN thuần túy cho hình ảnh không-thời gian, nghiên cứu này chứng minh rằng việc kết hợp đa phương thức là hướng tiếp cận khả thi và tiết kiệm tài nguyên tính toán hơn nhiều đối với tập dữ liệu quy mô vừa (10.000 video). Đồng thời, mô hình đã khắc phục được điểm yếu của nghiên cứu phân loại 150.000 video bằng FastText đơn lẻ (vốn ghi nhận độ chính xác rất thấp ở danh mục chính trị do bỏ qua hình ảnh).

Dữ liệu nghiên cứu được biểu diễn trực quan qua bảng tổng hợp so sánh các chỉ số độ chính xác, độ nhạy (Recall), F1-Score giữa các mô hình phân loại đơn lẻ và đa tầng. Biểu đồ phân bổ trọng số đặc trưng thể hiện sự tương quan rõ nét giữa tần suất xuất hiện khuôn mặt lãnh đạo và xác suất phân loại nhãn chính trị, khẳng định tính đúng đắn của khung phân tích đề xuất.

Đề xuất và khuyến nghị

Nhằm tối ưu hóa khả năng ứng dụng thực tiễn của nghiên cứu vào công tác giám sát không gian mạng, tác giả đề xuất 4 nhóm giải pháp trọng tâm:

  1. Nâng cấp hệ thống thu thập dữ liệu tự động theo thời gian thực (Real-time Crawling): Đội ngũ kỹ sư dữ liệu và Trung tâm Giám sát không gian mạng quốc gia cần phối hợp triển khai các giải pháp vượt rào cản chặn API của TikTok. Mục tiêu mở rộng quy mô thu thập từ 10.000 video lên 100.000 video mỗi tháng nhằm liên tục cập nhật các xu hướng truyền thông mới. Lộ trình thực hiện trong 6 tháng đầu năm 2023.

  2. Hoàn thiện mô hình xử lý ngôn ngữ tự nhiên chuyên sâu cho tiếng Việt: Các phòng thí nghiệm trí tuệ nhân tạo và viện nghiên cứu cần tích hợp thêm mô hình ngôn ngữ lớn (LLM) và công nghệ nhận diện giọng nói tiếng Việt đa vùng miền. Mục tiêu nâng độ chính xác nhận diện từ khóa chính trị nhạy cảm lên trên 96%, giảm thiểu sai số do tiếng lóng hoặc cách phát âm địa phương trong vòng 9 tháng.

  3. Mở rộng cơ sở dữ liệu nhận diện thực thể chính trị đa tầng: Cơ quan quản lý truyền thông số cần phối hợp định kỳ cập nhật hồ sơ dữ liệu khuôn mặt. Mục tiêu mở rộng từ 46 nhân vật chủ chốt (gồm 18 Ủy viên Bộ Chính trị và 28 thành viên Chính phủ) lên hơn 500 cán bộ lãnh đạo các ban, bộ, ngành, địa phương và các chính khách quốc tế có liên quan. Lộ trình thực hiện định kỳ hàng quý.

  4. Xây dựng hệ thống cảnh báo sớm và phân luồng kiểm duyệt kết hợp chuyên gia (Human-in-the-loop): Bộ Thông tin và Truyền thông cùng các đơn vị an ninh mạng cần tích hợp framework vào quy trình vận hành giám sát tự động. Mục tiêu rút ngắn thời gian phát hiện và xử lý video có dấu hiệu vi phạm pháp luật xuống dưới 15 phút sau khi phát tán, tự động gắn cờ cảnh báo đối với các nội dung có độ tin cậy rủi ro trên 95%. Lộ trình hoàn thiện trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng cụ thể:

  1. Kỹ sư Trí tuệ nhân tạo và Chuyên gia Khoa học dữ liệu: Cung cấp tài liệu tham khảo chi tiết về quy trình xây dựng pipeline đa mô hình (Multimodal Machine Learning Pipeline), từ bước tiền xử lý dữ liệu phức tạp đến kỹ thuật triển khai các kiến trúc FastText, MTCNN, VGG-Face, Inception-V3 và LightGBM với mã nguồn Python hoàn chỉnh. Ứng dụng hữu ích trong các bài toán xử lý dữ liệu khuyết thiếu trên các nền tảng video ngắn.

  2. Cơ quan quản lý nhà nước và Chuyên viên an ninh thông tin: Hỗ trợ giải pháp công nghệ phục vụ công tác thực thi Luật An ninh mạng năm 2018. Luận văn cung cấp công cụ tự động hóa quá trình giám sát, phân loại thông tin và phát hiện sớm các chiến dịch truyền thông tiêu cực trên không gian mạng xã hội.

  3. Học viên cao học và Nghiên cứu sinh ngành Khoa học máy tính: Cung cấp phương pháp luận nghiên cứu thực nghiệm chuẩn mực, kinh nghiệm xử lý bài toán học chuyển tiếp và chiến lược kết hợp chậm (Slow Fusion) trên tập dữ liệu thực tế 10.000 mẫu. Đây là nền tảng để phát triển các đề tài chuyên sâu về thị giác máy tính và xử lý ngôn ngữ tự nhiên tiếng Việt.

  4. Doanh nghiệp phát triển giải pháp Social Listening và Kiểm duyệt nội dung: Cung cấp thiết kế kiến trúc phần mềm và giao diện ứng dụng thực tế giúp doanh nghiệp xây dựng các hệ thống lắng nghe mạng xã hội, phân tích sắc thái thương hiệu và kiểm duyệt nội dung người dùng với độ chính xác đạt 93%.

Câu hỏi thường gặp

  1. Tại sao nghiên cứu lựa chọn chiến lược kết hợp chậm (Slow Fusion) thay vì kết hợp sớm (Early Fusion)? Chiến lược kết hợp chậm cho phép từng mô hình chuyên biệt khai thác triệt để các đặc trưng độc lập ở cấp độ văn bản và khung hình trước khi tổng hợp. Phương pháp này giúp mô hình LightGBM tối ưu hóa trọng số tổng thể mà không làm bùng nổ số chiều dữ liệu, đạt độ chính xác 0.93 trên tập dữ liệu 10.000 video mà vẫn tiết kiệm tài nguyên tính toán.

  2. Framework xử lý như thế nào khi video TikTok không có lời thoại hoặc không có khuôn mặt? Mô hình LightGBM sở hữu cơ chế phân nhánh tự nhiên đối với các giá trị khuyết thiếu (Null values). Khi một kênh thông tin bị thiếu (ví dụ không phát hiện khuôn mặt trong 100 khung hình trích xuất), hệ thống tự động dựa vào các đặc trưng bối cảnh hình ảnh và văn bản còn lại để dự đoán, đảm bảo độ chính xác duy trì trên mức 89%.

  3. Tập dữ liệu nhận diện khuôn mặt trong luận văn được giới hạn ở những đối tượng nào? Cơ sở dữ liệu khuôn mặt phục vụ mô hình được xây dựng chuyên biệt cho 18 Ủy viên Bộ Chính trị khóa XIII và 28 thành viên Chính phủ nhiệm kỳ 2021 – 2026. Mô hình MTCNN và VGG-Face với 120 triệu tham số đảm nhận việc dò tìm và so khớp vector đặc trưng các khuôn mặt này trong video.

  4. Tại sao tác giả không sử dụng kỹ thuật nhận dạng ký tự quang học (OCR) để trích xuất chữ trong video? Khảo sát thực tế trên 10.000 video cho thấy chữ chèn trên TikTok thường bị biến dạng bởi hiệu ứng đồ họa động, phông nền phức tạp và độ phân giải không đồng đều. Ngoài ra, nội dung chữ chèn thường không đồng nhất với chủ đề chính trị của video, dễ tạo ra dữ liệu nhiễu làm giảm độ chính xác mô hình.

  5. Điểm khác biệt lớn nhất giữa mô hình LightGBM và Logistic Regression trong đề tài là gì? LightGBM có khả năng học các mối quan hệ phi tuyến tính phức tạp và tự động tính toán trọng số tầm quan trọng của từng đặc trưng, mang lại độ chính xác 0.93 so với 0.92 của Logistic Regression. Đồng thời, LightGBM tối ưu hóa việc phân nhánh khi dữ liệu đầu vào chứa nhiều giá trị Null.

Kết luận

  • Xây dựng thành công bộ dữ liệu chuẩn gồm 10.000 video TikTok thực tế được gán nhãn có yếu tố chính trị và phi chính trị phục vụ nghiên cứu đa phương thức tại Việt Nam.
  • Thiết kế hoàn chỉnh framework kết hợp đa mô hình học sâu tích hợp FastText cho xử lý văn bản, MTCNN và VGG-Face cho nhận diện khuôn mặt, cùng Inception-V3 cho phân loại bối cảnh hình ảnh.
  • Ứng dụng thành công thuật toán LightGBM theo chiến lược kết hợp chậm, giải quyết triệt để bài toán khuyết thiếu dữ liệu và đạt độ chính xác phân loại vượt trội 93% (0.93).
  • Lượng hóa chính xác tầm quan trọng của các đặc trưng, trong đó đặc trưng nhận diện khuôn mặt và lời thoại đóng góp hơn 65% trọng số phân loại cấp độ video.
  • Hiện thực hóa ứng dụng phần mềm phân loại tự động với giao diện trực quan, cho phép kiểm tra trực tiếp liên kết video TikTok và xuất kết quả theo thời gian thực.

Về định hướng mở rộng trong giai đoạn 2023 – 2025, đề tài cần nâng quy mô bộ dữ liệu lên 50.000 video, tích hợp mô hình ngôn ngữ tiếng Việt thế hệ mới và bổ sung cơ chế phân tích chuỗi chuyển động thời gian. Các cơ quan quản lý thông tin, viện nghiên cứu và doanh nghiệp công nghệ nên khai thác framework này để nâng cao năng lực giám sát tự động, bảo vệ không gian mạng lành mạnh và củng cố an ninh tư tưởng trên các nền tảng truyền thông số.