Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh bùng nổ của mạng Internet, các phương tiện truyền thông số và thương mại điện tử, khối lượng dữ liệu do người dùng tạo ra ngày càng lớn và trở thành nguồn tài sản có giá trị cao đối với doanh nghiệp. Nhiệm vụ phân tích cảm xúc (Sentiment Analysis - SA), một nhánh nghiên cứu quan trọng trong Xử lý ngôn ngữ tự nhiên (NLP), cho phép tự động hóa việc trích xuất ý kiến, thái độ và mức độ hài lòng của khách hàng từ văn bản nhằm phục vụ hoạt động tiếp thị, chăm sóc khách hàng và nghiên cứu thị trường.

Tuy nhiên, các bộ dữ liệu và mô hình phân tích cảm xúc tiếng Việt hiện nay (như VLSP, Sent14, YCSA) đa số chỉ tiếp cận bài toán theo thang đo 3 nhãn: tích cực (positive), trung tính (neutral) và tiêu cực (negative). Việc giới hạn ở 3 nhãn tạo ra khoảng cách lớn so với thực tế vận hành của doanh nghiệp, nơi các hệ thống đánh giá sản phẩm thường sử dụng thang đo 5 mức (tương ứng với 5 sao) hoặc thang điểm 10. Sự khác biệt nhỏ về mức độ hài lòng giữa ngưỡng trung tính và tích cực bị khuếch đại thành bước nhảy nhãn rời rạc, làm giảm độ chính xác và tính thực tiễn của các báo cáo phân tích. Đồng thời, tiếng Việt sở hữu cấu trúc ngữ pháp phức tạp, tính đa nghĩa, sắc thái câu phụ thuộc chặt chẽ vào trật tự từ, liên từ và dấu câu, gây ra nhiều khó khăn cho các mô hình phân loại tự động nếu không có cơ chế tiền xử lý phù hợp.

Khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể như sau:

  1. Xây dựng bộ dữ liệu đánh giá sản phẩm bằng tiếng Việt được gán nhãn chi tiết theo 5 mức độ cảm xúc: rất tệ (very negative - mức 1), tệ / không tốt (negative - mức 2), bình thường (neutral - mức 3), tốt (positive - mức 4) và rất tốt / tuyệt vời (very positive - mức 5), bảo đảm sự cân bằng số lượng giữa các nhãn.
  2. Tích hợp các quy tắc ngữ pháp đặc thù của tiếng Việt vào quy trình tiền xử lý và xây dựng hướng dẫn gán nhãn nhằm phản ánh chính xác ngữ nghĩa và sắc thái đánh giá của con người.
  3. Cài đặt, tinh chỉnh và đánh giá thực nghiệm các mô hình học máy truyền thống (Logistic Regression, Support Vector Machine, Random Forest) kết hợp biểu diễn từ (Word2Vec, fastText) và các mô hình học sâu dựa trên kiến trúc Transformer (mô hình đa ngôn ngữ: XLM-R, DistilBERT; mô hình đơn ngữ tiếng Việt: viELECTRA, viBERT4news, PhoBERT).
  4. Kiểm nghiệm khả năng áp dụng và mở rộng của mô hình trên các tập dữ liệu lớn hơn nhằm phục vụ các bài toán ứng dụng thực tế trong thương mại điện tử.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các bình luận, phản hồi và đánh giá bằng tiếng Việt của người dùng về sản phẩm trên các nền tảng thương mại điện tử.
  • Phạm vi không gian: Dữ liệu được thu thập từ hai trang thương mại điện tử lớn tại Việt Nam là Shopee.vn và Tiki.vn, tập trung vào 4 nhóm ngành hàng phổ biến: Thời trang (quần Jean), Nhà cửa - Đời sống (thảm đá/thảm lót, đồng hồ treo tường), Thực phẩm (thức ăn đóng hộp) và Phụ kiện điện thoại (tai nghe).
  • Phạm vi thời gian: Dữ liệu đánh giá được tạo ra và thu thập trong khoảng thời gian từ tháng 01/2021 đến tháng 06/2021; thời gian thực hiện nghiên cứu khóa luận kéo dài từ ngày 06/09/2021 đến ngày 01/01/2022.

Cơ sở lý thuyết và phương pháp

Nghiên cứu tiếp cận bài toán phân tích cảm xúc đa mức độ dưới dạng bài toán phân loại văn bản nhiều lớp có giám sát (supervised multi-class text classification).

Khung lý thuyết và mô hình được sử dụng trong nghiên cứu bao gồm:

  • Biểu diễn từ (Word Embeddings):
    • Word2Vec: Ánh xạ từ vựng sang không gian vector thực $n$ chiều dựa trên tập từ văn cảnh và cập nhật trọng số thông qua thuật toán lan truyền ngược.
    • fastText: Mở rộng từ Word2Vec bằng cách biểu diễn mỗi từ dưới dạng tập hợp các $n$-gram ký tự (ví dụ từ "nhân tạo" với $n=3$ được biểu diễn qua chuỗi các $n$-gram tiền tố, hậu tố), giúp mô hình xử lý hiệu quả các từ hiếm và từ chưa xuất hiện trong từ điển huấn luyện.
  • Mô hình học máy truyền thống:
    • Hồi quy Logistic (Logistic Regression): Ước tính xác suất nhãn thông qua hàm Sigmoid $S(z) = \frac{1}{1 + e^{-z}}$, tối ưu hóa hàm mất mát Cross-entropy bằng giải thuật Gradient Descent.
    • Máy vector hỗ trợ (Support Vector Machine - SVM): Xây dựng siêu phẳng tối ưu $(n-1)$ chiều trong không gian $n$ chiều nhằm tối đa hóa khoảng cách lề giữa các lớp dữ liệu dựa trên hàm mất mát Hinge loss.
    • Rừng ngẫu nhiên (Random Forest): Mô hình tập hợp (ensemble) gồm nhiều cây quyết định độc lập được xây dựng dựa trên kỹ thuật tái chọn mẫu (bootstrap sampling) và chọn ngẫu nhiên tập đặc trưng, đưa ra kết quả phân loại cuối cùng thông qua cơ chế bỏ phiếu theo số đông (majority voting).
  • Mô hình Transformer tiền huấn luyện (Pre-trained Transformers):
    • Mô hình đa ngôn ngữ (Multilingual): XLM-RoBERTa (XLM-R gồm 12 tầng Transformer, kích thước vector ẩn 768, huấn luyện trên 2,5TB dữ liệu CommonCrawl gồm 100 ngôn ngữ theo cơ chế Masked Language Modeling) và DistilBERT (mô hình rút gọn gồm 6 khối TransformerBlock với 119.547 chiều từ vựng nhằm tối ưu tốc độ tính toán).
    • Mô hình đơn ngữ tiếng Việt (Monolingual): viELECTRA (12 tầng ElectraLayer, kích thước từ vựng 32.054, được tiền huấn luyện trên 60GB dữ liệu tiếng Việt từ NewsCorpus và OscarCorpus), viBERT4news (12 tầng TBertLayer sử dụng cơ chế lượng tử hóa QuantLinear 8-bit, huấn luyện trên 20GB ngữ liệu tin tức tiếng Việt) và PhoBERT.

Phương pháp nghiên cứu thực nghiệm và xử lý dữ liệu:

  • Thu thập dữ liệu: Sử dụng các công cụ trích xuất dữ liệu tự động gồm Data Miner và ParseHub để cào dữ liệu đánh giá sản phẩm công khai từ sàn Tiki.vn và Shopee.vn.
  • Tiền xử lý văn bản: Sử dụng bộ công cụ VnCoreNLP để chuẩn hóa văn bản về chữ thường, loại bỏ khoảng trắng thừa; sử dụng Vitokenizer (thư viện PyVi) để thực hiện tác vụ tách từ tiếng Việt.
  • Đánh giá độ tin cậy gán nhãn: Sử dụng hệ số Cohen's Kappa ($k$) để đo lường mức độ đồng thuận giữa hai người gán nhãn độc lập theo công thức: $$k = \frac{P_o - P_e}{1 - P_e}$$ Trong đó $P_o$ là tỷ lệ thỏa thuận quan sát được và $P_e$ là tỷ lệ thỏa thuận kỳ vọng ngẫu nhiên.
  • Kỹ thuật xử lý mất cân bằng dữ liệu: Kết hợp 3 phương pháp gồm thu thập bổ sung có định hướng theo số sao đánh giá (2, 3, 4 sao), dịch ngược đa vòng qua nhiều ngôn ngữ (Back-translation: Tiếng Việt $\rightarrow$ Tiếng Anh $\rightarrow$ Tiếng Trung $\rightarrow$ Tiếng Việt) và thay thế từ đồng nghĩa giữ nguyên sắc thái cảm xúc.

Nguồn dữ liệu nghiên cứu là tập ngữ liệu hoàn thiện gồm 5.971 câu đánh giá sản phẩm tiếng Việt, được phân chia theo tỷ lệ 70% tập huấn luyện (Training), 10% tập phát triển (Development) và 20% tập kiểm thử (Testing).

Nội dung chính theo từng chương

Chương 1: Tổng quan về bài toán

Chương 1 thiết lập cơ sở khoa học và tính cấp thiết của đề tài. Tác giả phân tích bức tranh tổng thể về ứng dụng của phân tích cảm xúc trong các hệ thống tiếp thị số, hỗ trợ tìm kiếm người có sức ảnh hưởng (influencers) trên mạng xã hội và thăm dò dư luận. Điểm nghẽn lớn nhất trong các nghiên cứu tiếng Việt trước đây là việc phân loại nhị phân hoặc 3 nhãn không mô tả được độ biến thiên của mức độ thỏa mãn khách hàng.

Tác giả chỉ rõ các đặc trưng ngôn ngữ học phức tạp của tiếng Việt: trật tự từ có thể làm thay đổi hoàn toàn ngữ nghĩa của câu khi đảo vị trí; cùng một câu văn nhưng thay đổi dấu câu kết thúc (dấu hỏi, dấu than, dấu ba chấm) sẽ biến đổi sắc thái từ trần thuật sang nghi vấn hoặc mỉa mai; đồng thời tiếng Việt thiếu các trợ động từ tình thái rõ ràng như tiếng Anh. Chương này cũng tổng hợp các công trình tiêu biểu trên thế giới và tại Việt Nam liên quan đến trích xuất đặc trưng (POS tagging, Bag-of-Words), các bộ dữ liệu chuẩn (Sent14, MAMS, VLSP 2016, VLSP 2018, Tiki reviews) và các thuật toán học máy từ truyền thống đến học sâu.

Chương 2: XÂY DỰNG BỘ DỮ LIỆU ĐÁNH GIÁ SẢN PHẨM CỦA KHÁCH HÀNG

Chương 2 mô tả chi tiết quy trình 4 giai đoạn xây dựng ngữ liệu và cấu trúc các mô hình phân loại được triển khai:

Giai đoạn Nhiệm vụ thực hiện Kết quả đầu ra
Giai đoạn 1 Tìm chọn và thu thập dữ liệu tự động bằng Data Miner, ParseHub trên Tiki.vn và Shopee.vn theo 4 ngành hàng (thời trang, gia dụng, thực phẩm, phụ kiện điện thoại). ~2.000 đánh giá thô dạng chữ từ các shop có lượng bán hàng đầu.
Giai đoạn 2 Chuẩn hóa dữ liệu: sửa lỗi chính tả, xử lý teencode, xóa spam; chia tách thủ công các đánh giá dài chứa nhiều ý độc lập thành các câu đơn ngắn. ~3.000 câu đánh giá đã được chuẩn hóa về định dạng thống nhất.
Giai đoạn 3 Xây dựng hướng dẫn gán nhãn 5 mức (1 đến 5); phân loại câu thành Loại 1 (câu ngắn - 1 khía cạnh) và Loại 2 (câu dài - đa khía cạnh); áp dụng luật tính điểm và quy tắc ngữ pháp. Bộ dữ liệu được gán nhãn sơ bộ bởi 2 annotator độc lập.
Giai đoạn 4 Cân bằng dữ liệu qua 3 kỹ thuật: cào chọn lọc theo số sao, dịch ngược đa vòng (Vi-En-Zh-Vi), thay thế từ đồng nghĩa cùng sắc thái; hoàn thiện dữ liệu. 5.971 đánh giá hoàn chỉnh, phân bổ cân bằng giữa 5 nhãn.

Quy tắc tính điểm cho câu dài (Loại 2) được xác định dựa trên việc phân rã thành các câu ngắn thành phần:

  • Mỗi câu ngắn mang nhãn 2 hoặc 4 được tính 1 điểm.
  • Mỗi câu ngắn mang nhãn 1 hoặc 5 được tính 2 điểm.
  • Nhãn tổng thể được gán theo tổng điểm áp đảo của nhóm nhãn tích cực (4, 5) hoặc nhóm nhãn tiêu cực (1, 2). Nhãn 5 được gán khi toàn bộ câu thành phần đều là nhãn 5 hoặc gồm nhãn 4 kết hợp ít nhất một nhãn 5.

Tác giả đã hệ thống hóa các quy tắc ngữ pháp tiếng Việt ứng dụng trực tiếp vào quá trình gán nhãn:

Quy tắc ngữ pháp tiếng Việt Đặc điểm từ vựng / Cấu trúc Phạm vi áp dụng cho nhãn cảm xúc
Từ chỉ thứ tự Có từ "thứ" đứng trước con số Nhận diện thứ tự các khía cạnh của sản phẩm
Từ chỉ số lượng đa dạng Từ "các", "những" Xem xét cảm xúc câu Loại 2 khi mọi khía cạnh có cùng mức độ cảm xúc
Trạng từ chỉ mức độ "rất", "lắm", "quá" ("rất": vừa phải; "lắm": cao hơn; "quá": lớn nhất) Thể hiện mức độ cảm xúc mạnh, thường thuộc câu Loại 1, định hướng nhãn 1 hoặc 5
Cặp từ quan hệ "có... không...", "không những... mà còn..." Làm tăng cường độ cảm xúc mạnh, định hướng nhãn 1 hoặc 5 cho câu Loại 1 và Loại 2
Vị trí tính từ Tính từ đứng sau động từ hoặc nhóm động từ Đánh giá mức độ cảm xúc trực tiếp của hành động/tính năng
Liên từ đẳng lập "và", "hoặc", "với", "hay" Xem xét cảm xúc câu Loại 2 khi các vế có cùng chiều hướng cảm xúc
Liên từ tương phản "nhưng", "tuy nhiên", "tuy... nhưng...", "mặc dù" Xem xét cảm xúc câu Loại 2 khi các khía cạnh có sắc thái cảm xúc trái ngược nhau
Tác tử hạn định / nhấn mạnh "chỉ có", "những", "có đến", "có những" Nhấn mạnh mức độ cảm xúc, thường thuộc câu Loại 1, định hướng nhãn 1 hoặc 5

Về mặt thống kê ngữ liệu, độ đồng thuận gán nhãn giữa hai annotator đạt hệ số Cohen's Kappa $k = 0,85$, thể hiện mức độ nhất quán cao. Tập dữ liệu 5.971 mẫu được phân chia như sau:

Tập dữ liệu Tỷ lệ phân chia Số lượng mẫu (bình luận)
Tập huấn luyện (Training set) 70% 4.179
Tập phát triển (Development set) 10% 597
Tập kiểm thử (Testing set) 20% 1.195
Tổng cộng 100% 5.971

Chương này cũng phân tích chi tiết cấu trúc toán học và kiến trúc kỹ thuật của các mô hình phân loại: thiết lập ma trận nhúng từ bằng fastText kết hợp VnCoreNLP cho Logistic Regression, SVM và Random Forest; kiến trúc 12 tầng Transformer của XLM-RoBERTa (RobertaLayer, RobertaAttention, RobertaIntermediate); kiến trúc 6 tầng thu gọn của DistilBERT (TransformerBlock, MultiHeadSelfAttention); kiến trúc 12 tầng của viELECTRA (ElectraLayer, ElectraAttention); và kiến trúc lượng tử hóa 8-bit của viBERT4news (TBertLayer, QuantLinear, QuantAct).

Chương 3: KẾT QUẢ THỰC NGHIỆM

Chương 3 trình bày các thiết lập thử nghiệm và kết quả đánh giá phân loại cảm xúc 5 mức độ trên tập dữ liệu đã xây dựng. Các mô hình học máy truyền thống được huấn luyện trên vector nhúng từ fastText, trong khi các mô hình Transformer (XLM-R, DistilBERT, viELECTRA, viBERT4news, PhoBERT) được tinh chỉnh trực tiếp (fine-tuning) cho tác vụ phân loại chuỗi với đầu ra 5 lớp phân loại. Kết quả thực nghiệm cho thấy sự khác biệt rõ rệt về khả năng nắm bắt ngữ nghĩa và cấu trúc ngữ pháp phức tạp của tiếng Việt giữa các nhóm kiến trúc mô hình.

Chương 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Chương 4 đúc kết các kết quả chính đạt được của khóa luận, bao gồm việc xây dựng thành công bộ ngữ liệu chuẩn 5 nhãn cho tiếng Việt và chứng minh tính khả thi của việc tích hợp luật ngữ pháp vào bài toán phân tích cảm xúc hạt mịn. Tác giả cũng vạch ra các hướng đi tiếp theo nhằm mở rộng quy mô dữ liệu và phát triển các công cụ phân tích tự động ứng dụng trong doanh nghiệp.

Kết quả và đóng góp

Nghiên cứu mang lại các kết quả định lượng và đóng góp chuyên môn cụ thể:

  • Xây dựng bộ ngữ liệu chuẩn 5 mức độ cảm xúc: Tạo lập thành công bộ dữ liệu gồm 5.971 bình luận đánh giá sản phẩm tiếng Việt với 5 nhãn cân bằng (rất tệ, tệ, bình thường, tốt, rất tốt). Ngữ liệu được phân tách từ và gán nhãn chặt chẽ, đạt hệ số thỏa thuận gán nhãn Cohen's Kappa $k = 0,85$.
  • Đóng góp về phương pháp luận xử lý ngôn ngữ: Đề xuất khung tiền xử lý và gán nhãn kết hợp các quy tắc ngữ pháp đặc thù của tiếng Việt (phân rã câu phức dựa trên khía cạnh, hệ thống hóa tác động của phó từ chỉ mức độ, liên từ tương phản và cấu trúc tương quan). Giải pháp này giúp mô hình hóa chính xác cách hiểu văn bản tự nhiên của con người mà không phụ thuộc hoàn toàn vào việc gia tăng khối lượng dữ liệu thô.
  • Khung thử nghiệm so sánh đa dạng: Cung cấp cơ sở thực nghiệm so sánh có hệ thống giữa các giải thuật học máy truyền thống (Logistic Regression, SVM, Random Forest kết hợp fastText) và các kiến trúc Transformer tiền huấn luyện tiên tiến (mô hình đa ngôn ngữ XLM-R, DistilBERT; mô hình đơn ngữ tiếng Việt viELECTRA, viBERT4news, PhoBERT) cho bài toán phân loại cảm xúc 5 lớp trên văn bản tiếng Việt.

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được tác giả ghi nhận trong văn bản:

  • Giới hạn phạm vi ngành hàng: Dữ liệu mới chỉ được thu thập trên 4 nhóm sản phẩm cụ thể (thời trang, nhà cửa - đời sống, thực phẩm, phụ kiện điện thoại) từ hai nền tảng Shopee và Tiki trong khoảng thời gian từ tháng 01/2021 đến tháng 06/2021.
  • Hạn chế của các phương pháp tăng cường dữ liệu: Kỹ thuật thay thế từ đồng nghĩa khó mở rộng quy mô do số lượng cặp từ đồng nghĩa mang cùng sắc thái cảm xúc trong tiếng Việt còn hạn chế; kỹ thuật dịch ngược đa vòng (Back-translation) đôi khi sinh ra các câu dịch thiếu tự nhiên hoặc trệch khỏi nhãn mục tiêu, đòi hỏi phải can thiệp kiểm duyệt thủ công.

Hướng phát triển tiếp theo được đề xuất:

  • Mở rộng quy mô thu thập dữ liệu trên nhiều ngành hàng, nền tảng thương mại điện tử và mạng xã hội khác nhau.
  • Tích hợp sâu hơn các mô-đun luật ngữ pháp vào trực tiếp cấu trúc mạng nơ-ron học sâu để tối ưu hóa hiệu năng và giảm chi phí tính toán.
  • Ứng dụng mô hình vào các bài toán thực tiễn: xây dựng hệ thống tự động gợi ý influencer cho các chiến dịch tiếp thị của nhãn hàng, công cụ thăm dò phản ứng của cộng đồng đối với các sự kiện xã hội, và hệ thống phân tích xu hướng sản phẩm phục vụ doanh nghiệp.

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo hữu ích cho:

  • Sinh viên và học viên ngành Khoa học Máy tính, Công nghệ Thông tin, Khoa học Dữ liệu: Tham khảo quy trình thực nghiệm hoàn chỉnh của một bài toán NLP có giám sát, từ khâu cào dữ liệu, xử lý teencode/lỗi chính tả, xây dựng hướng dẫn gán nhãn có đo lường chỉ số Cohen's Kappa, đến kỹ thuật tinh chỉnh các mô hình Transformer đơn ngữ và đa ngôn ngữ.
  • Nhà nghiên cứu về Xử lý ngôn ngữ tự nhiên tiếng Việt: Kế thừa bảng quy tắc ngữ pháp tiếng Việt (liên từ, phó từ, tác tử) và phương pháp tính điểm phân rã câu phức để áp dụng cho các bài toán phân loại văn bản, phân tích quan điểm dựa trên khía cạnh (ABSA).
  • Kỹ sư dữ liệu và chuyên viên phân tích nghiệp vụ tại các doanh nghiệp thương mại điện tử: Tham khảo phương pháp xây dựng hệ thống lắng nghe phản hồi khách hàng theo thang đo 5 mức độ, giúp các báo cáo đánh giá mức độ hài lòng phản ánh đúng thực tế vận hành kinh doanh.

Câu hỏi thường gặp

1. Vì sao khóa luận lựa chọn phân loại cảm xúc theo thang đo 5 mức độ thay vì 3 mức độ như phần lớn các nghiên cứu trước đây? Hệ thống đánh giá của các doanh nghiệp, tổ chức và trang thương mại điện tử thực tế luôn sử dụng thang đo 5 sao hoặc thang điểm 10. Việc chỉ dùng 3 nhãn (tiêu cực, trung tính, tích cực) khiến sự khác biệt nhỏ giữa mức trung tính và tích cực bị khuếch đại thành bước nhảy lớn trên thang đo rời rạc, làm sai lệch báo cáo đo lường độ hài lòng khách hàng. Thang đo 5 nhãn (từ rất tệ đến rất tốt) giúp phản ánh sát thực tế hơn.

2. Dữ liệu nghiên cứu được thu thập từ những nguồn nào và vì sao lại có sự khác biệt giữa các nguồn này? Dữ liệu được thu thập từ hai sàn thương mại điện tử lớn là Tiki.vn và Shopee.vn trong giai đoạn 01/2021 đến 06/2021 thuộc 4 ngành hàng (thời trang, gia dụng, thực phẩm, phụ kiện điện thoại). Tiki.vn tập trung vào hàng chính hãng, có bảo hành và dịch vụ vận chuyển riêng nên đánh giá chú trọng đến tính chính hãng và giao hàng; Shopee.vn có phân khúc người dùng trẻ, giá rẻ và nhiều shop bán tự do nên đánh giá chú trọng nhiều hơn đến sự tương xứng giữa giá cả và chất lượng.

3. Quy tắc chấm điểm để gán nhãn cho các câu đánh giá dài (câu Loại 2) được thực hiện như thế nào? Câu dài được phân rã thành các câu ngắn độc lập theo từng khía cạnh. Mỗi ý mang nhãn 2 (tệ) hoặc 4 (tốt) được tính 1 điểm; mỗi ý mang nhãn 1 (rất tệ) hoặc 5 (rất tốt) được tính 2 điểm. Nhãn của câu dài được gán theo tổng điểm áp đảo của nhóm tích cực hoặc tiêu cực. Trường hợp tất cả các câu ngắn đều mang nhãn 5 (hoặc chỉ gồm nhãn 4 và có ít nhất một nhãn 5) thì câu dài được gán nhãn 5.

4. Nhóm tác giả đã sử dụng những giải pháp nào để khắc phục tình trạng mất cân bằng nhãn sau lần gán nhãn đầu tiên? Tác giả đã áp dụng đồng thời 3 kỹ thuật: (1) Thu thập dữ liệu bổ sung có chọn lọc từ các đánh giá 2, 3, 4 sao trên sàn; (2) Dịch ngược đa vòng (Back-translation) qua Google Translate từ Tiếng Việt sang Tiếng Anh, sang Tiếng Trung rồi dịch ngược về Tiếng Việt; (3) Thay thế các từ đồng nghĩa có cùng sắc thái cảm xúc (ví dụ: "tôi" $\rightarrow$ "tui", "hình như" $\rightarrow$ "có vẻ", "hơi" $\rightarrow$ "có chút").

5. Chỉ số thỏa thuận gán nhãn Cohen's Kappa của bộ dữ liệu đạt bao nhiêu và quy mô dữ liệu cuối cùng là bao nhiêu? Hệ số thỏa thuận gán nhãn giữa hai annotator đạt $k = 0,85$, thể hiện mức độ tin cậy thỏa đáng. Quy mô bộ dữ liệu hoàn thiện đạt 5.971 bài đánh giá, được chia thành 3 tập: Huấn luyện (70% - 4.179 mẫu), Phát triển (10% - 597 mẫu) và Kiểm thử (20% - 1.195 mẫu).

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Đại Thành và Trần Đỗ Quốc Khiêm đã giải quyết bài toán phân tích cảm xúc đánh giá sản phẩm tiếng Việt ở mức độ hạt mịn thông qua việc xây dựng thành công bộ ngữ liệu 5.971 mẫu cân bằng với 5 mức độ cảm xúc rõ ràng. Bằng việc kết hợp chặt chẽ các quy tắc ngữ pháp tiếng Việt vào quy trình tiền xử lý và gán nhãn, nghiên cứu đã tạo tiền đề quan trọng để nâng cao độ chính xác khi huấn luyện các mô hình học máy truyền thống và Transformer tiên tiến (XLM-R, DistilBERT, viELECTRA, viBERT4news, PhoBERT). Kết quả nghiên cứu cung cấp tài liệu tham khảo có giá trị học thuật và mở ra khả năng ứng dụng thực tiễn cao trong các hệ thống phân tích thị trường, tự động hóa chăm sóc khách hàng và lắng nghe mạng xã hội tại Việt Nam.