Tổng quan nghiên cứu

Trong kỷ nguyên kinh tế số, mạng xã hội đã trở thành nguồn tài nguyên thông tin khổng lồ phản ánh chân thực trải nghiệm và thái độ của người tiêu dùng. Theo thống kê từ các nền tảng mạng xã hội lớn, mỗi ngày có khoảng 550 triệu lượt tương tác dạng văn bản ngắn với giới hạn 280 ký tự được khởi tạo trên toàn cầu. Đối với các doanh nghiệp, việc lắng nghe ý kiến phản hồi để bảo vệ danh tiếng thương hiệu và cải tiến chất lượng dịch vụ là nhiệm vụ mang tính sống còn. Tuy nhiên, các phương pháp khảo sát truyền thống như phỏng vấn trực tiếp hay phát phiếu điều tra thường tiêu tốn từ 7 đến 14 ngày làm việc, đòi hỏi chi phí nhân sự cao và hoàn toàn không đáp ứng được tính thời điểm của thị trường.

Nghiên cứu này tập trung giải quyết bài toán tự động hóa quy trình phân tích sắc thái cảm xúc từ các đánh giá của khách hàng theo thời gian thực. Mục tiêu trọng tâm của đề tài là xây dựng một hệ thống phân loại cảm xúc đa lớp áp dụng trên ngôn ngữ tiếng Việt, tích hợp các thuật toán học máy giám sát trên nền tảng xử lý dữ liệu lớn Apache Spark. Nghiên cứu được triển khai trong phạm vi dữ liệu mạng xã hội tiếng Việt tại Trường Đại học Công nghệ Thông tin - Đại học Quốc gia Thành phố Hồ Chí Minh vào năm 2021.

Ý nghĩa thực tiễn của công trình thể hiện qua việc nâng cao độ chính xác phân loại cảm xúc lên mức 62,34% (chỉ số F1-score), vượt trội so với mức tham chiếu chuẩn 57,61% của các nghiên cứu trước đó. Hệ sinh thái này cho phép các tổ chức tiếp nhận và xử lý hàng triệu phản hồi với độ trễ tính toán dưới 2 giây, tạo cơ sở dữ liệu định lượng phục vụ việc ra quyết định kinh doanh và điều chỉnh chiến lược sản phẩm tức thì.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết phân loại cảm xúc cơ bản của nhà tâm lý học Paul Ekman, định hình hành vi con người qua 6 trạng thái cảm xúc cốt lõi: Thích thú (Enjoyment), Buồn bã (Sadness), Tức giận (Anger), Sợ hãi (Fear), Ghê tởm (Disgust), Ngạc nhiên (Surprise) và bổ sung thêm trạng thái Khác (Other). Mô hình này giúp chuẩn hóa các biểu hiện ngôn ngữ phức tạp của người dùng thành các nhãn phân loại cụ thể.

Bên cạnh đó, đề tài vận dụng khung lý thuyết dữ liệu lớn đặc trưng bởi nguyên lý 3Vs gồm: Dung lượng (Volume) đo bằng hàng triệu bản ghi, Vận tốc (Velocity) yêu cầu xử lý luồng theo thời gian thực, và Sự đa dạng (Variety) của văn bản phi cấu trúc. Để trích xuất đặc trưng từ văn bản, nghiên cứu ứng dụng phương pháp TF-IDF (Tần suất xuất hiện từ - Nghịch đảo tần suất văn bản) kết hợp kỹ thuật băm HashingTF nhằm định lượng tầm quan trọng của từng từ ngữ trong kho dữ liệu. Toàn bộ kiến trúc được vận hành dựa trên cơ chế tính toán trong bộ nhớ (In-Memory Computing) của Apache Spark, đem lại hiệu năng xử lý tác vụ học máy vượt trội gấp 100 lần so với mô hình MapReduce truyền thống.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài được tổng hợp từ hai thành phần chính với tổng quy mô 10.782 mẫu văn bản tiếng Việt. Nhóm tác giả sử dụng các công cụ thu thập dữ liệu chuyên dụng như snscrape và tweepy để trích xuất 3.406 tweet tiếng Việt thực tế trên mạng xã hội Twitter, sau đó tiến hành gán nhãn thủ công dựa trên bộ quy chuẩn nghiêm ngặt. Nguồn dữ liệu này được tích hợp cùng bộ ngữ liệu chuẩn UIT-VSMEC gồm 6.927 câu đã được công bố trong giới học thuật. Phương pháp chọn mẫu áp dụng cơ chế lọc theo mã ngôn ngữ tiếng Việt ('vi') kết hợp loại bỏ các tài khoản spam tự động.

Quy trình tiền xử lý dữ liệu được thiết kế gồm 9 bước nghiêm ngặt: loại bỏ thẻ nhắc người dùng (@mention), xóa các thẻ đánh dấu (#hashtag), làm sạch địa chỉ liên kết (URL), loại bỏ định dạng thư điện tử, chuyển đổi biểu tượng cảm xúc (emoji) thành văn bản tương đương, loại bỏ khoảng trắng thừa, xóa ký tự đặc biệt, chuẩn hóa toàn bộ về chữ thường và lọc giữ lại các câu hoàn chỉnh. Phương pháp phân tích sử dụng thư viện Spark NLP và Spark MLlib để xây dựng đường ống xử lý (Pipeline) thử nghiệm trên 4 thuật toán học máy giám sát gồm: Hồi quy Logistic (Logistic Regression), Naive Bayes, Cây quyết định (Decision Tree) và Rừng ngẫu nhiên (Random Forest). Lý do lựa chọn các thuật toán này là khả năng tương thích cao với cấu trúc dữ liệu thưa thớt quy mô lớn và khả năng mở rộng phân tán trên cụm máy chủ. Nghiên cứu được thực hiện hoàn tất trong năm 2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa các thuật toán và các bộ dữ liệu huấn luyện mang lại 4 phát hiện quan trọng:

  • Thứ nhất, mô hình Hồi quy Logistic kết hợp kỹ thuật trích xuất đặc trưng TF-IDF trên bộ dữ liệu kết hợp (Mix data) đạt hiệu năng tổng thể cao nhất với chỉ số F1-score đạt 62,34% khi kiểm thử trên tập dữ liệu chuẩn UIT-VSMEC. Kết quả này vượt qua mốc chuẩn 57,61% của các nghiên cứu baseline trước đó, tương đương mức tăng trưởng hiệu năng khoảng 4,73%.
  • Thứ hai, phân tích phân bổ dữ liệu cho thấy sự chênh lệch rõ nét giữa các nhóm cảm xúc. Nhóm cảm xúc Thích thú (Enjoyment) luôn chiếm tỷ trọng lớn nhất với 2.728 câu trong bộ dữ liệu kết hợp (chiếm 25,30%) và 1.965 câu trong tập UIT-VSMEC (chiếm 28,37%). Trong khi đó, các trạng thái cảm xúc tiêu cực như Ghê tởm hay Ngạc nhiên chỉ chiếm tỷ lệ dao động từ 5% đến 8%.
  • Thứ ba, việc mở rộng ngữ liệu huấn luyện bằng cách ghép nối 3.406 tweet thu thập mới với 6.927 câu của bộ dữ liệu chuẩn giúp tăng dung lượng mẫu lên 55,6%, qua đó cải thiện độ chính xác phân loại của mô hình Logistic Regression từ mức 52,35% lên 62,34%.
  • Thứ tư, kiến trúc xử lý luồng của Spark Streaming đã chứng minh khả năng tiếp nhận và gán nhãn dữ liệu theo các lô nhỏ (micro-batch) với độ trễ xử lý trung bình dưới 1,5 giây trên mỗi chu kỳ, đáp ứng hoàn hảo yêu cầu phân tích thời gian thực.

Thảo luận kết quả

Hiệu năng vượt trội của Hồi quy Logistic trong không gian vector TF-IDF bắt nguồn từ đặc tính phân tách tuyến tính hiệu quả trên không gian từ vựng có số chiều cao và độ thưa lớn. Ngược lại, các mô hình cấu trúc cây như Decision Tree và Random Forest dễ gặp hiện tượng phân mảnh dữ liệu khi xử lý các từ vựng tiếng Việt có tính đồng âm hoặc tiếng lóng biến thể. Việc kết hợp dữ liệu thu thập thực tế giúp bao quát được phương ngữ xã hội (social media slang) mà các bộ dữ liệu hàn lâm truyền thống chưa kịp cập nhật.

Dữ liệu kết quả phân loại có thể được biểu diễn trực quan thông qua ma trận nhầm lẫn (Confusion Matrix) kích thước 7x7 để theo dõi mức độ nhận diện chuẩn xác giữa các lớp cảm xúc đối nghịch. Bên cạnh đó, biểu đồ tròn thể hiện tỷ lệ phần trăm 7 nhóm cảm xúc và biểu đồ đường theo dõi độ trễ thời gian thực theo từng mốc thời gian cung cấp góc nhìn toàn diện, giúp các nhà quản trị nhận biết ngay sự thay đổi trong tâm lý đám đông khi có sự cố truyền thông phát sinh.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm của hệ thống phân tích cảm xúc, bốn giải pháp cụ thể được đề xuất nhằm nâng cao hiệu quả ứng dụng trong thực tiễn:

  • Triển khai hệ thống lắng nghe mạng xã hội thời gian thực: Bộ phận Công nghệ Thông tin phối hợp cùng Phòng Tiếp thị xây dựng đường ống tiếp nhận dữ liệu Spark Streaming tự động. Mục tiêu là rút ngắn 85% thời gian phát hiện các phản hồi tiêu cực, giảm thời gian phản ứng khủng hoảng truyền thông xuống dưới 10 phút. Lộ trình thực hiện dự kiến hoàn thành trong vòng 3 đến 6 tháng.
  • Mở rộng kho từ điển biểu tượng và chuẩn hóa ngôn ngữ mạng: Đội ngũ Kỹ sư Dữ liệu cần tiến hành cập nhật định kỳ các từ lóng mới, lỗi chính tả thường gặp và teencode vào pipeline tiền xử lý. Giải pháp này hướng đến mục tiêu nâng cao chỉ số F1-score của hệ thống lên mức trên 70% trong khung thời gian 6 đến 9 tháng tới.
  • Tối ưu hóa kiến trúc hạ tầng phân tán: Khối Hạ tầng Công nghệ thực hiện cấu hình cụm máy chủ Spark có khả năng co giãn linh hoạt theo lưu lượng truy cập thực tế. Mục tiêu đặt ra là xử lý ổn định trên 10 triệu bản ghi mỗi ngày, đồng thời giảm thiểu 25% chi phí tài nguyên phần cứng trong vòng 12 tháng.
  • Tích hợp bảng điều khiển cảnh báo cảm xúc vào hệ thống chăm sóc khách hàng: Ban Giám đốc chỉ đạo tích hợp chỉ số phân loại 7 nhóm cảm xúc trực tiếp vào hệ thống quản lý quan hệ khách hàng (CRM). Hành động này nhằm mục tiêu cải thiện tỷ lệ giữ chân khách hàng thêm 15% và nâng cao chỉ số hài lòng khách hàng (CSAT) đạt trên 85% sau 6 tháng áp dụng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu cung cấp giá trị học thuật và ứng dụng chuyên sâu cho bốn nhóm đối tượng chính:

  • Các nhà nghiên cứu và học viên cao học chuyên ngành Hệ thống Thông tin, Khoa học Dữ liệu: Tài liệu là nguồn tham khảo phương pháp luận chuẩn xác về việc ứng dụng thư viện Spark NLP trong bài toán khai phá dữ liệu văn bản tiếng Việt, hỗ trợ thiết kế các đề tài xử lý ngôn ngữ tự nhiên phân tán.
  • Kỹ sư Dữ liệu và Kỹ sư Học máy (Data/ML Engineers): Luận văn cung cấp bản thiết kế chi tiết về quy trình thu thập dữ liệu bằng snscrape, kỹ thuật làm sạch 9 bước và xây dựng đường ống phân loại thời gian thực với công suất hơn 1.000 bản ghi mỗi giây.
  • Giám đốc Tiếp thị (CMO) và Chuyên viên Quản trị Thương hiệu: Cung cấp giải pháp định lượng sắc thái dư luận với 7 trạng thái cảm xúc chi tiết, phục vụ mục tiêu đánh giá mức độ đón nhận sản phẩm mới và đo lường sức khỏe thương hiệu với độ chính xác trên 60%.
  • Các doanh nghiệp Thương mại Điện tử và Dịch vụ Trực tuyến: Tài liệu hướng dẫn mô hình tích hợp tự động hóa quy trình phân loại đánh giá của khách hàng, giúp kích hoạt cảnh báo các khiếu nại mang sắc thái tức giận (Anger) hoặc thất vọng (Sadness) đến đội ngũ hỗ trợ trong vòng 5 phút.

Câu hỏi thường gặp

Luận văn sử dụng công nghệ nào để giải quyết bài toán dữ liệu lớn?
Nghiên cứu sử dụng nền tảng tính toán phân tán Apache Spark cùng các thành phần chuyên biệt như Spark MLlib, Spark Streaming và thư viện Spark NLP. Nhờ cơ chế tính toán trong bộ nhớ (In-Memory Computing), hệ thống có khả năng xử lý hàng triệu tương tác mạng xã hội với tốc độ nhanh hơn tới 100 lần so với kỹ thuật MapReduce truyền thống.

Quy mô và nguồn gốc của bộ dữ liệu nghiên cứu được xây dựng ra sao?
Bộ dữ liệu gồm 10.782 câu tiếng Việt hoàn chỉnh, kết hợp từ 3.406 tweet thu thập thực tế trên Twitter bằng snscrape và 6.927 câu chuẩn hóa từ bộ ngữ liệu UIT-VSMEC. Dữ liệu được gắn nhãn theo 7 trạng thái cảm xúc, trong đó nhóm Thích thú chiếm tỷ lệ cao nhất khoảng 25,30%.

Tại sao mô hình Hồi quy Logistic lại đạt kết quả tốt hơn các thuật toán cây quyết định?
Trong không gian văn bản được mã hóa bằng kỹ thuật TF-IDF, số chiều đặc trưng rất lớn và có tính thưa cao. Mô hình Hồi quy Logistic (Logistic Regression) có khả năng phân tách ranh giới đa lớp tuyến tính tối ưu hơn, trong khi Decision Tree và Random Forest dễ bị quá khớp và suy giảm độ chính xác.

Hệ thống phân tích thời gian thực mang lại lợi ích gì cho việc quản trị thương hiệu?
Hệ thống giúp tự động hóa việc rà soát mạng xã hội với độ trễ xử lý dưới 1,5 giây. Khi có sự cố sản phẩm, hệ thống nhận diện tức thì các cảm xúc tiêu cực như Tức giận hay Ghê tởm, giúp doanh nghiệp rút ngắn 85% thời gian phản hồi và xử lý khủng hoảng truyền thông trong vòng 10 phút.

Quy trình tiền xử lý văn bản tiếng Việt trong nghiên cứu có điểm gì đặc biệt?
Nghiên cứu áp dụng quy trình làm sạch nghiêm ngặt gồm 9 bước, bao gồm chuyển đổi biểu tượng cảm xúc (emoji) thành từ ngữ tương ứng, loại bỏ @mention, hashtag, URL, email và chuẩn hóa chính tả. Quy trình này giúp loại bỏ trên 90% các yếu tố gây nhiễu đặc trưng trên môi trường mạng xã hội.

Kết luận

  • Xây dựng thành công hệ thống phân loại cảm xúc văn bản tiếng Việt thời gian thực trên nền tảng dữ liệu lớn Apache Spark.
  • Đóng góp bộ ngữ liệu mới gồm 3.406 tweet tiếng Việt được gán nhãn khoa học theo 7 trạng thái cảm xúc dựa trên lý thuyết của Paul Ekman.
  • Thiết lập tập dữ liệu kết hợp 10.782 mẫu, giúp nâng cao chỉ số F1-score của mô hình Hồi quy Logistic lên 62,34%, vượt mốc tham chiếu chuẩn 57,61%.
  • Hoàn thiện quy trình tiền xử lý văn bản tiếng Việt chuẩn mực qua 9 bước, loại bỏ triệt để các đặc trưng nhiễu trên mạng xã hội.
  • Chứng minh tính khả thi của kiến trúc xử lý luồng Spark Streaming với độ trễ trung bình dưới 1,5 giây, sẵn sàng phục vụ các bài toán công nghiệp quy mô lớn.

Đóng góp then chốt của luận văn là đã làm cầu nối vững chắc giữa lý thuyết khai phá dữ liệu học thuật và nhu cầu tự động hóa phân tích dữ liệu thực tế tại các doanh nghiệp. Trong giai đoạn 3 đến 6 tháng tiếp theo, nghiên cứu mở ra hướng phát triển tích hợp các mô hình ngôn ngữ sâu như PhoBERT hoặc Transformer vào hệ thống Spark phân tán để tiếp tục nâng cao độ chính xác nhận diện ngữ cảnh.

Các tổ chức và doanh nghiệp quan tâm đến giải pháp quản trị thương hiệu chủ động được khuyến khích áp dụng khung kiến trúc này để nâng tầm năng lực thấu hiểu khách hàng và bảo vệ uy tín doanh nghiệp trong môi trường kinh doanh số.