Tài liệu Y tế: Phân loại bình luận của khách hàng trên mạng xã hội dựa

Nghiên cứu phân loại bình luận khách hàng trên mạng xã hội sử dụng kỹ thuật máy học. Ứng dụng trong phân tích xu hướng, cải thiện dịch vụ và sản phẩm.

• Tác giả: Đàm Phương Tùng
• Người hướng dẫn: TS. Nguyễn Văn Tảo
• Trường học: Viện Công Nghệ Thông Tin - Đại Học Công Nghệ Thông Tin - Đại Học Thái Nguyên
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phân Loại Bình Luận Khách Hàng
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2020
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan về Phân loại bình luận khách hàng TMĐT 55

Trong bối cảnh thị trường cạnh tranh ngày nay, việc phân loại bình luận khách hàng trở nên vô cùng quan trọng đối với các doanh nghiệp thương mại điện tử. Khai thác và phân tích những ý kiến phản hồi từ người dùng về sản phẩm và dịch vụ giúp doanh nghiệp định hướng và điều chỉnh hoạt động sản xuất kinh doanh phù hợp. Sự phát triển không ngừng của thương mại điện tử tạo ra lượng lớn dữ liệu bình luận trên các kênh thông tin trực tuyến. Phân tích cảm xúc bình luận khách hàng giúp doanh nghiệp quản lý danh tiếng, cải thiện chất lượng sản phẩm/dịch vụ và tăng doanh số. Việc phân loại bình luận hỗ trợ doanh nghiệp quản lý, đưa ra sáng kiến và phát triển hiệu quả. Theo Đàm Phương Tùng, việc phân loại bình luận khách hàng giúp doanh nghiệp quản lý tốt hơn và đưa ra những sáng kiến mới.

1.1. Tầm quan trọng của Phân tích bình luận sản phẩm

Phân tích bình luận sản phẩm giúp doanh nghiệp hiểu rõ hơn về những ưu điểm và nhược điểm của sản phẩm, từ đó có thể đưa ra các cải tiến phù hợp. Việc theo dõi và phản hồi các bình luận tiêu cực cũng giúp doanh nghiệp giải quyết các vấn đề một cách nhanh chóng và hiệu quả, cải thiện trải nghiệm khách hàng. Dữ liệu bình luận sản phẩm cung cấp thông tin chi tiết về nhu cầu và mong muốn của khách hàng, giúp doanh nghiệp phát triển sản phẩm mới đáp ứng tốt hơn nhu cầu thị trường. Đánh giá khách hàng thương mại điện tử là một yếu tố then chốt ảnh hưởng đến quyết định mua hàng của người tiêu dùng. Theo dõi sát sao các đánh giá giúp doanh nghiệp xây dựng lòng tin và uy tín.

1.2. Phân loại bình luận dịch vụ Yếu tố quyết định thành công

Tương tự như sản phẩm, phân tích bình luận dịch vụ đóng vai trò quan trọng trong việc đánh giá chất lượng dịch vụ và sự hài lòng của khách hàng. Doanh nghiệp có thể sử dụng các bình luận để xác định những điểm cần cải thiện trong quy trình cung cấp dịch vụ, đào tạo nhân viên và xây dựng chính sách chăm sóc khách hàng. Phản hồi nhanh chóng và chuyên nghiệp đối với các bình luận tiêu cực về dịch vụ là một cách hiệu quả để quản lý danh tiếng trực tuyến và giữ chân khách hàng. Phân loại bình luận dịch vụ giúp doanh nghiệp định hướng và điều chỉnh chiến lược kinh doanh, tạo lợi thế cạnh tranh.

II. Thách thức và Vấn đề trong Phân loại bình luận 58

Mặc dù có nhiều lợi ích, việc phân loại bình luận khách hàng cũng đối mặt với nhiều thách thức. Một trong những thách thức lớn nhất là sự phức tạp của ngôn ngữ tự nhiên, với những sắc thái biểu cảm, ngôn ngữ lóng, và biểu tượng cảm xúc. Việc xử lý và phân tích những bình luận chứa thông tin sai lệch, spam hoặc mang tính công kích cũng là một vấn đề nan giải. Hơn nữa, khối lượng dữ liệu bình luận khổng lồ đòi hỏi các giải pháp hiệu quả về mặt thời gian và chi phí. Việc đảm bảo độ chính xác phân loại bình luận cao cũng là một yêu cầu quan trọng để đưa ra các quyết định kinh doanh chính xác. Các mô hình phân loại cần được liên tục cập nhật và điều chỉnh để thích ứng với sự thay đổi của ngôn ngữ và thị hiếu của khách hàng.

2.1. Xử lý ngôn ngữ tự nhiên NLP cho Bình luận Tiếng Việt

Tiếng Việt có cấu trúc ngữ pháp phức tạp, với nhiều từ đa nghĩa và cách diễn đạt khác nhau. Việc xử lý ngôn ngữ tự nhiên (NLP) bình luận khách hàng bằng tiếng Việt đòi hỏi các kỹ thuật và công cụ chuyên biệt để có thể hiểu và phân tích chính xác ý nghĩa của các bình luận. Bên cạnh đó, ngôn ngữ lóng, từ viết tắt và các biểu tượng cảm xúc thường được sử dụng trong bình luận trực tuyến gây khó khăn cho quá trình xử lý và phân tích. Việc xây dựng từ điển và bộ quy tắc phù hợp với đặc điểm của tiếng Việt là một yếu tố then chốt để nâng cao hiệu quả của các hệ thống NLP.

2.2. Phát hiện và loại bỏ Bình luận Spam Bình luận Giả mạo

Bình luận spam và bình luận giả mạo không chỉ gây nhiễu loạn thông tin mà còn làm giảm uy tín của doanh nghiệp. Việc phát hiện và loại bỏ những bình luận này là một nhiệm vụ quan trọng trong quá trình phân loại bình luận khách hàng. Các kỹ thuật như phân tích nội dung, phân tích hành vi và sử dụng danh sách đen có thể được áp dụng để xác định và loại bỏ các bình luận spam và giả mạo. Đồng thời, doanh nghiệp cần có chính sách rõ ràng về việc kiểm duyệt và xử lý các bình luận vi phạm để đảm bảo môi trường trực tuyến lành mạnh.

III. Phương pháp Phân loại bình luận khách hàng hiệu quả 59

Có nhiều phương pháp khác nhau để phân loại bình luận khách hàng, từ các phương pháp thủ công đến các phương pháp tự động dựa trên trí tuệ nhân tạo. Các phương pháp thủ công thường tốn nhiều thời gian và công sức, nhưng có thể đảm bảo độ chính xác cao. Các phương pháp tự động sử dụng các thuật toán học máy (machine learning) phân loại bình luận để phân tích và phân loại bình luận một cách nhanh chóng và hiệu quả. Việc lựa chọn phương pháp phù hợp phụ thuộc vào nguồn lực của doanh nghiệp, khối lượng dữ liệu cần xử lý và yêu cầu về độ chính xác.

3.1. Sử dụng Học máy Machine Learning phân loại Bình luận

Học máy là một lĩnh vực của trí tuệ nhân tạo cho phép máy tính học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng. Trong lĩnh vực phân loại bình luận, các thuật toán học máy có thể được huấn luyện để nhận diện các mẫu và đặc điểm trong dữ liệu bình luận, từ đó phân loại các bình luận vào các danh mục khác nhau (ví dụ: tích cực, tiêu cực, trung tính). Các thuật toán học máy phổ biến được sử dụng bao gồm Naive Bayes, Support Vector Machines (SVM), và Deep Learning.

3.2. Kỹ thuật phân loại văn bản Sentiment Analysis Cảm xúc

Sentiment analysis hay còn gọi là phân tích cảm xúc, là một kỹ thuật trong xử lý ngôn ngữ tự nhiên (NLP) được sử dụng để xác định cảm xúc hoặc thái độ được thể hiện trong một đoạn văn bản. Trong lĩnh vực phân loại bình luận, sentiment analysis có thể giúp doanh nghiệp hiểu được khách hàng cảm thấy như thế nào về sản phẩm hoặc dịch vụ của họ. Kỹ thuật này có thể được sử dụng để tự động phân loại các bình luận thành các danh mục như tích cực, tiêu cực, hoặc trung tính, giúp doanh nghiệp nhanh chóng xác định các vấn đề cần giải quyết.

IV. Nghiên cứu ứng dụng mô hình phân loại bình luận TMĐT 58

Nghiên cứu của Đàm Phương Tùng đã đề xuất một phương pháp phân loại bình luận khách hàng kết hợp giữa TF-IDF và SVM để cải thiện hiệu quả phân loại bình luận. Phương pháp này đã được thử nghiệm trên dữ liệu bình luận từ trang thương mại điện tử Lazada, cho thấy kết quả khả quan về độ chính xác. Việc triển khai hệ thống phân loại bình luận trên website giúp doanh nghiệp tự động hóa quá trình phân tích phản hồi của khách hàng, từ đó có thể đưa ra các quyết định kinh doanh dựa trên dữ liệu thực tế. Ứng dụng phân loại bình luận vào thực tế mang lại nhiều lợi ích thiết thực cho doanh nghiệp.

4.1. Phân tích kết quả thực nghiệm phân loại bình luận khách hàng

Các kết quả thực nghiệm cho thấy rằng việc sử dụng mô hình kết hợp TF-IDF và SVM giúp cải thiện độ chính xác phân loại bình luận so với việc sử dụng các mô hình riêng lẻ. Việc lựa chọn các tham số phù hợp cho mô hình SVM cũng đóng vai trò quan trọng trong việc tối ưu hóa hiệu suất. Phân tích chi tiết các kết quả thực nghiệm giúp doanh nghiệp hiểu rõ hơn về ưu nhược điểm của từng phương pháp và có thể đưa ra lựa chọn phù hợp với dữ liệu và yêu cầu cụ thể.

4.2. Ứng dụng phân loại bình luận để tăng doanh số TMĐT

Việc phân loại bình luận có thể được sử dụng để cải thiện trải nghiệm mua sắm của khách hàng, từ đó tăng doanh số thương mại điện tử. Ví dụ, doanh nghiệp có thể sử dụng các bình luận tích cực để quảng bá sản phẩm, hoặc sử dụng các bình luận tiêu cực để giải quyết các vấn đề và cải thiện chất lượng sản phẩm/dịch vụ. Việc cung cấp thông tin phản hồi nhanh chóng và chuyên nghiệp cho khách hàng cũng giúp xây dựng lòng tin và khuyến khích họ quay lại mua hàng trong tương lai.

V. Hướng dẫn triển khai hệ thống phân loại bình luận 56

Để triển khai một hệ thống phân loại bình luận khách hàng hiệu quả, doanh nghiệp cần thực hiện các bước sau: (1) Thu thập và chuẩn hóa dữ liệu bình luận. (2) Lựa chọn phương pháp phân loại phù hợp. (3) Huấn luyện và đánh giá mô hình phân loại. (4) Tích hợp mô hình vào hệ thống thương mại điện tử. (5) Theo dõi và cập nhật mô hình thường xuyên. Việc triển khai hệ thống phân loại bình luận đòi hỏi sự phối hợp giữa các bộ phận khác nhau trong doanh nghiệp, bao gồm bộ phận marketing, bộ phận chăm sóc khách hàng, và bộ phận công nghệ thông tin.

5.1. Lựa chọn công cụ phân loại bình luận phù hợp

Hiện nay có nhiều công cụ và thư viện hỗ trợ việc phân loại bình luận, cả mã nguồn mở và thương mại. Các công cụ mã nguồn mở như NLTK, scikit-learn, TensorFlow, và PyTorch cung cấp các thuật toán và công cụ mạnh mẽ để xây dựng và huấn luyện các mô hình phân loại. Các công cụ thương mại thường cung cấp các giải pháp toàn diện và dễ sử dụng hơn, nhưng có thể đòi hỏi chi phí đầu tư lớn hơn. Việc lựa chọn công cụ phù hợp phụ thuộc vào nhu cầu và nguồn lực của doanh nghiệp.

5.2. Tích hợp hệ thống phân loại vào website thương mại điện tử

Việc tích hợp hệ thống phân loại bình luận vào website thương mại điện tử cho phép doanh nghiệp tự động phân tích và hiển thị thông tin phản hồi của khách hàng. Điều này giúp khách hàng dễ dàng tìm kiếm thông tin về sản phẩm/dịch vụ, đồng thời giúp doanh nghiệp theo dõi và phản hồi các bình luận một cách nhanh chóng và hiệu quả. Việc tích hợp có thể được thực hiện thông qua API hoặc các plugin sẵn có, tùy thuộc vào nền tảng thương mại điện tử được sử dụng.

VI. Tương lai của Nghiên cứu Phân loại bình luận TMĐT 57

Trong tương lai, nghiên cứu phân loại bình luận sẽ tập trung vào việc phát triển các mô hình thông minh hơn, có khả năng xử lý ngôn ngữ tự nhiên một cách hiệu quả hơn và thích ứng với sự thay đổi của ngôn ngữ và thị hiếu của khách hàng. Việc kết hợp các kỹ thuật học sâu và các nguồn dữ liệu khác nhau (ví dụ: thông tin người dùng, thông tin sản phẩm) sẽ giúp cải thiện độ chính xác phân loại bình luận và cung cấp thông tin chi tiết hơn về nhu cầu và mong muốn của khách hàng. Ứng dụng phân loại bình luận sẽ ngày càng trở nên quan trọng trong việc hỗ trợ các quyết định kinh doanh và nâng cao trải nghiệm khách hàng.

6.1. Ứng dụng AI trong việc phân loại bình luận khách hàng

Trí tuệ nhân tạo (AI) sẽ đóng vai trò quan trọng trong việc phát triển các hệ thống phân loại bình luận trong tương lai. Các kỹ thuật như học sâu (deep learning) và xử lý ngôn ngữ tự nhiên (NLP) cho phép máy tính hiểu và phân tích văn bản một cách thông minh, giúp cải thiện độ chính xác và hiệu quả của quá trình phân loại. AI cũng có thể được sử dụng để tự động hóa các tác vụ như thu thập dữ liệu, tiền xử lý văn bản và đánh giá hiệu suất mô hình.

6.2. Cá nhân hóa trải nghiệm khách hàng bằng phân loại bình luận

Thông tin thu được từ việc phân loại bình luận có thể được sử dụng để cá nhân hóa trải nghiệm khách hàng trên website thương mại điện tử. Ví dụ, doanh nghiệp có thể hiển thị các sản phẩm được đánh giá cao bởi những khách hàng có sở thích tương tự, hoặc cung cấp các ưu đãi đặc biệt cho những khách hàng đã để lại những bình luận tích cực. Việc cá nhân hóa trải nghiệm khách hàng giúp tăng cường sự gắn kết và lòng trung thành của khách hàng.

Trích đoạn nội dung tài liệu

LỜI MỞ ĐẦU Trong thoi buổi kinh tế thị trường ngày hôm nay, một doanh nghiệp muốn tÊn tri và phát triển thì cần phải khai thác và thu thập được các bình luận phẫn hỗi của người đồng về sân phẩm hay dich vụ của mình từ đồ đưa ra những định hướng à điều chính về hoạt động sân xuất kinh doanh ph hợp hơn, Cũng với sự ra đồi cña nlemset, sự xuất hiện và phát tiễn không ngồng của lãnh vợc thương mại điệ tờ khiến cho iệc xúc tiến các hoạt động kinh doanh, buôn toán, quảng bá sẵn phẩm, dịch vụ diễn ra trên khắp các kệnh thông tin xã hội đặc iệlà trên mạng internet. Điều nây vô nh dong tạo nền cầu nối giữa nguời đồng "và nhà cung cấp, và từ cầu nối này người đùng có thể đưa ra bình luận của họ đối với sân phẩm hay dịch vụ mà nhà cũng cấp mang lạ "Như chúng ta đã biết ngày nay mọi thông tin đều được đưa lên cde trang “mạng xã hội đưới dạng các pods và rất nhiễu người đồng để li các các nhận xết của mình về các posts này dưới dạng các comment, a nhận thấy đây là kho thông tin không lễ mã từ đồ nếu chúng ta có thể khai phá và tích rút tất cả các commentz của người đồng, sau đồ phân tích và phân loại dỡ liệu ấy, chúng ta có thể thu được các kết quả khảo sit ẩn thiết phục vụ cho hoạt động sản xuất kinh doanh. Việc phân loại bình luận khách hàng về nhiễo lãnh vực, giáp đoanh nghiệp cổ cách quản lý tốthơn, đưa ra những sáng kiển mới giớp doanh nghiệp mình phát triển 2 CHUONG 1: TONG QUAN VE KHAIPHA DU’ LIEU VA BAI TOAN PHAN LOẠI BÌNH LUẬN KHÁCH HÀNG 11. Tổng quanvề khai phá đỡ KPDL la mét trong nhöng thuật ngỡ mới xuất hiện đầu thể kỹ 21, nỗ là hệ quả của sự bùng nỗ Internet đạt tới đình điểm.

Theo một công bổ của Intel vào tháng 9 nim 2013, cớ 11 giây trôi qua lạ cô thêm 1 Petbybe dữ liệ, nỗ trong đương với một video chất lượng HD dài 13 nấm: KPDL đã và dang được ứng đọng rộng rãi trong rất nhiều ĩnh vực và hiện nay đã có ắt nhiềucông cụ thương mại và phi thương mai triển khai các nhiệm vụ của KEDL, - Phân ích dỡ liệu và h trợ ra quyết inh (data analysis & decision support) - Điều trị y học (medical treatment): Hién nay, ủng dụng công nghệ lưu trữ lớn, khai phá đỡ liệu trong lĩnh vực y tế để chẩn đoán, phòng ngừa và điều trị bệnh. shim can thiệp nâng cao sức khöe con người là hướng nghiên cứu có nh cầu thực tiễn, được quan âm tích cực bỗi công đẳng các nhà nghiên cứu. Một số ứng đụng cụ thể của KÈDL trong y học ~> Dự đoán khả nă g nhiễm bệnh. -> Dự đoán mức độ nghiễm trọng cöa vius đối với cơ hể cơn người - Text mining & Web mining: KPDL vin bản và KPDL Web là một trong hing ing dung quan trọng hiện nay.

Các bãi todn trong KPDL văn bản bao gằn: Tìm kiểm văn bản + Phin lop vin bin ~ Tôm tất vấn bản + Phin cum vin bin ~ Phin cum cée tr mve + Dinh chỉ mục các từ tiềm năng + Din duing vin bin Đối với các bài toén trong KPDL Web bao gm: ~ Thu thip va if 6 lige Web “Phân lớp nhôm các Website cổ độ uy tín khỉ truy cập - Ti sinh học (bio-informatics): KPDL sinh hoc la mét phin rit quan trong của ah ve Tin-Sinh hoe (Bioinformatics). Méts6 ig dung cia KPDI. trong sinh học ->Lập chỉ mục, im kiểm tương tự, bất thường trong CSDL Gen ~ Xây đựng mô bình khai phá các mạng dĩ truyền và cấ tric ca Gen, pro tein + Xay dung các công cy tree quan trong phân tích dỡ liệu đi truy - Tài chính và thị trường chimg khodn (finance & stock market): Di liệu tài chính trong ngần hằng và trong ngành tài chính nói chung thường đáng tín cậy và cổ chất lượng cao, tạo điều kiện cho khai phá dỡ liệu. Dưới đây là một số ứng đọng điễn hình trong khai phá đỡ liệu tài chính: - Dự đoán khả năng vay và thanh toần côa khách hàng, phân ích chính sách tín dụng đối với khách hãng ~> Phân tích hành vỉ khách hằng (vay, ri iền) ~> Phân legi và phân nhôm khách hãng mục tiêu cho tế thị tài chính ~>Phất hiện các hoạt động rửa tiền và ôi phạm tải chính - Bio hiém (insurance) - Nhận dang (pattem recognition) Trong chương này, luận văn sẽ giới thiệu tổng quan về khai phá dỡ liệu bao gm đình nghĩa, một số nghiên củu, những kỹ thuật khai phá và xử lý đỡ liệu hiện nay.

Tidp theo đỏ à tổng quan về các kỹ thuật khai phá văn bản, ứng dụng trong bai toán phân tích bình luận khách hãng 111. Những khái niệm về khai phá đữ tiện Ng ky nay, dỡ liệu do con người tạo ra ngày cảng nhiều hơn về số lượng, tăng nhanh về khối lượng, phát triển mạnh về quy mô khiến việc phân loại, lựa chọn, khai thác và sở đụng gặp những khô khăn nhất định. Khái niệm khai phá dỡ lige ca đời trợ những công việc này 4 iin nay, có tất nhiềo định nghĩa về khai phá đỡ liệu nhưng nhữn chung mỗi định nghĩa đều hướng tối mét ahin dink. Theo Tom Mitchell [3]: “KPDL la vie st dụng đề liệu lịch sở để khám phá những qui ắc và cải hiện những quyết định trong tương lại” Với một cách tiếp cân ứng dụng hơn, Fayyad [4] đã phát biểu: “KPDL, thường được xem là việc khám pha tri thie trong các cơ sở dữ liệu, là một quả trình: trích xuất những thing tin én, rade day chưa biết và cổ khả năng hồu ích, đưới dang các qui luật, rầng buộc, qui tắc trong cơ sở dỡ liệu" Tôm lại, KPDLL là một quá tình học tr thức mới tờ những dỡ liệu đã to thập được [5,6,7] Khái niệm về khai pha dỡ liệu (Data Mindng) hay khẩm phá tỉ thức (Knetledee Discovery) cổ tất nhiều cách diễn đạt khác nhau nhưng về bản chất đồ là quá trình tự động trích xuất thông tín cổ gi tri (Th wg tin dy doin - Predictive Information) ẫn chứa trong khối lượng df liệu khống lễ trong thực tẢ, Thuật nụ ‘Data Mining cling dm chỉ việc tìm kiếm một tập nhỗ có giá trị từ một số lượng lớn.

các đữ liệu thô, = Hinh 1.1 Qué tinh trích xuất thông tt có giá trĩ Thai phá dỡ liệu công là một nh vực liên ngành, nơi hội ty cổa nhiều học thuyếtvà cổng nghệ eS — ez “anh 1.2 Nhiong linh vue lién quan tới khai phá dữ liệu Quy trink khai pha de. Khai pha di liêu là một bước tong bấy bước của quá trình KDD (Knowleadge Discovery in Database) và KDD được xem như bấy quá trình khác “hau theo thứ tự nh sau: - Lâm sạch đỡ liệu (đatacleaning& preproceocing): Loại bổ nhiễu và dỡ liệu không cần thiết Đối với đỡ liệu thu thập được, cần xác định các vấn đề ảnh hướng là cho nồ không sạch. Bồi vi, dé tiệu không sạch (cổ chứa lỗi, nhiễu, không đầy đó, có mâu thuẫn) th các tr thức khám phá được sẽ bị ảnh hưởng và không đáng tin cây, sẽ dẫn đẫn các quyết định không chính xác. Do 46, cin gin cắc giá tr thuộc tính còn thể; sửa chữa các dỡ liệu nhiễu; xác định hoặc loại bỗ các ngoại lai (evtier); giải quyết các mâu thuẫn đỡ liệu - Tich hop dé liu (data integration): Qué trinh hop nhit đỡ tiệ thành những ikho di ligo (data warehouses & data marts) sau khi đã làm sạch và tiền xử lý.

Khi tích hợp cần xác định thc thể ừ nhiều nguẫn dỡ liệu đ trắnh dư thờa đỡ liệu. Việc dv thir đỡ liệu là thường xuyên xây ra khi tích hợp nhiều nguẫn. Bồi cing một thuộc tính (hay cùng một đối tượng) có thé mang các tên khác nhau trong các nguồn. Hiay các dỡ liệu suy ra được như một thuộc tính trong “một bằng cô thể được suy ra từ các thuộc tính trong bảng khác.

Hay sự trồng lập các đỡ liệu. Các thuc tính dư thừa cổ thể bị phát hiện bằng phân tích tương quan giữa chúng. ~ Trích chọn dỡ liệu (data slecticn): Trích chọn dữ liệu tờ những kho dỡ liệu ‘va sau d6 chuyển đổi về dang thích hop cho quá trình khai thác trỉ thức. Quá trình nay bao gm cả việc xử ý với dỡ liệu nhiễu (noisy dat), đỡ tệu không đầy đô a- complete data), - Chuyển đỗi đỡ liệu: Các đỡ liệu được chuyển sang các dạng phù hợp cho quá trình xở lý - Khai phá dữ liệu (đata mining): Là một trong các bước quan trọng nhất, trong đồ sử dụng những phương pháp thông mảnh đểchất lọc ra những mẫn dữ liệu 6 - Use luong mio (knowledge evaluation): Quá trình đánh giá các kết quả m được thông qua các độ đo não độ - Biêu diễn tr thúc (Enowlsdge pressntatioa): Quá tỉnh nay si dung cdc kf thuật để biễu diễn và thể hiện trực quan cho người đồng “nh 1.3 Các bước của quá rink KDD Đối với một quá trình KPDL có năm gi đoạn như sa [8 - Tim hiểu nghiệp vụ vã đỡ liệu: Trong giai đoạn đầu in, nhà tr vẫn (NTV) "nghiền cứu kiến thức v lãnh vực sẽ áp dụng, bao gẫm các trì thúc cấu trúc về hệ thống và tri thức, các nguồn dữ liệu hiện hữu, ý nghĩa, vai td va tim quan trọng cia các thực thế dữ liệu.

Việc nghiền cứu nay được thực hiện qua việc tiếp xúc giữa TV và người đồng, Khác với phương pháp giải quyết vấn đề truyền thống khi bài toän được xác định chính xác ở bước đầu tiên, NTV tim hiểu các yêu cầu sơ khởi của người ding và đề nghị các bài toán tiềm năng có thể giải quyết với nguồn đữ liệu hiện hữu. Tập các bài toán tiềm năng được tính chỉnh và lam hep lại trong các giai đoạn sau. Các nguồn và đặc tả đỡ liệu có liên quan đến tập các bài toán tiềm căng cũng được xác định. = Chuẩn bị dữ liệu: Sở đụng các kỹ thuật tiền xử lý để biến đổi và cải thiện chất lượng dữ liệu để thích hợp với những yêu cầu của các giả thuật học.

Phần lớn các giải thuật KPDL hiện nay chỉ làm việc trên một tập đỡ liệu đơn và phẳng, do đổ dữ liệu phải được trích xuất và biến đối từ các dạng cơ sơ dữ liệu phân bổ, quan hệ bay hướng đối tượng sang dang co sở dữ liệu quan hệ đơn giản với một bảng đỡ. ~ Mô bình hóa dỡ liệu: Các bài toán được giải quyết trong giai đoạn này. Các giả thuật học sở dung các đỡ liệu đã được tiền xử lý trong giai đoạn hai dé tim kiểm các gu tắc én và chưa biết.