Sử dụng phương pháp học máy để phân tích cảm xúc người dùng về trải nghiệm sử dụng sàn thương mại điện tử Shopee dựa trên bình luận trực tuyến

Các bình luận trực tuyến ảnh hưởng lớn đến hành vi lựa chọn và trải nghiệm người dùng Shopee. Nghiên cứu sử dụng Lý thuyết Thống nhất về Chấp nhận và Sử dụng Công nghệ (UTAUT) để làm rõ tác động của ảnh hưởng xã hội đến quyết định sử dụng Shopee. Theo Cialdini & Goldstein (2004), hành vi và cảm xúc của một người bị ảnh hưởng bởi môi trường xã hội. Các đánh giá trên Google Play và App Store có độ tin cậy cao và cung cấp thông tin hữu ích cho doanh nghiệp. Doanh nghiệp có thể thu thập thông tin tổng thể để cải thiện ứng dụng, dịch vụ hay chiến lược bán hàng.

Nghiên cứu nhằm mục tiêu xây dựng mô hình học máy để phân loại cảm xúc từ các bình luận trên Google Play và App Store, phân loại thành tích cực hoặc tiêu cực. Việc này giúp Shopee đánh giá mức độ hài lòng của khách hàng. Nghiên cứu cũng hướng đến việc đề xuất các khuyến nghị chiến lược để cải thiện trải nghiệm người dùng Shopee và tối ưu hóa chiến lược kinh doanh. Mục tiêu cụ thể bao gồm xây dựng mô hình xử lý ngôn ngữ tự nhiên, gán nhãn cảm xúc, xây dựng mô hình Naive Bayes, Support Vector Machine và Logistic Regression để phân loại cảm xúc.

Nghiên cứu trước về phân tích cảm xúc sử dụng nhiều phương pháp khác nhau, bao gồm cả phương pháp dựa trên từ điển và phương pháp học máy. Tuy nhiên, hiệu quả của các phương pháp này có thể khác nhau tùy thuộc vào đặc điểm của dữ liệu và ngôn ngữ sử dụng. Các nghiên cứu trước đây thường gặp khó khăn trong việc xử lý các sắc thái biểu cảm, từ lóng, hoặc cách diễn đạt không chính thức trong bình luận trực tuyến. Vì thế, yêu cầu phải có những nghiên cứu sâu hơn để giúp cho quá trình này đạt hiệu quả hơn.

Để huấn luyện các mô hình học máy hiệu quả, cần có lượng lớn dữ liệu bình luận Shopee được gán nhãn chính xác. Tuy nhiên, việc thu thập và gán nhãn dữ liệu này tốn nhiều thời gian và công sức. Ngoài ra, sự chủ quan của người gán nhãn cũng có thể ảnh hưởng đến chất lượng của dữ liệu. Để giải quyết vấn đề này, cần có quy trình gán nhãn rõ ràng và sử dụng nhiều người gán nhãn để đảm bảo tính khách quan.

Dữ liệu bình luận Shopee được thu thập từ Google Play và App Store bằng phương pháp web scraping hoặc sử dụng API. Dữ liệu thu thập được sau đó được tiền xử lý để loại bỏ các ký tự đặc biệt, chuyển đổi sang chữ thường, loại bỏ stop words, và thực hiện stemming hoặc lemmatization. Mục đích của quá trình tiền xử lý là làm sạch dữ liệu và chuẩn hóa định dạng, giúp cải thiện độ chính xác của các thuật toán học máy.

Sau khi tiền xử lý, các bình luận được chuyển đổi thành các vector đặc trưng bằng các phương pháp như Bag of Words (BoW), TF-IDF, hoặc Word Embeddings (Word2Vec, GloVe, FastText). Các vector đặc trưng này được sử dụng để huấn luyện các mô hình học máy như Naive Bayes, Logistic Regression, và SVM. Quá trình huấn luyện bao gồm việc chia dữ liệu thành tập huấn luyện và tập kiểm tra, và sử dụng tập huấn luyện để tìm ra các tham số tối ưu cho mô hình.

Các thuật toán học máy khác nhau có thể cho kết quả phân tích khác nhau. Nghiên cứu này so sánh hiệu năng của Naive Bayes, Logistic Regression, và SVM trên cùng một tập dữ liệu để xác định thuật toán nào phù hợp nhất cho bài toán phân tích cảm xúc người dùng Shopee. Kết quả so sánh được trình bày dưới dạng bảng hoặc biểu đồ, cho thấy các chỉ số đánh giá hiệu năng của từng thuật toán.

Các bình luận tiêu cực Shopee chứa đựng thông tin quan trọng về những vấn đề mà người dùng gặp phải khi sử dụng sàn TMĐT. Nghiên cứu này phân tích chi tiết các bình luận tiêu cực để tìm ra những chủ đề chính, ví dụ như vấn đề về vận chuyển, chất lượng sản phẩm, dịch vụ khách hàng, hoặc giao diện ứng dụng. Kết quả phân tích này giúp Shopee tập trung vào việc giải quyết những vấn đề quan trọng nhất và cải thiện trải nghiệm người dùng.

Nghiên cứu này sử dụng kết quả phân tích cảm xúc để xác định những điểm nghẽn trong quy trình mua sắm và đề xuất các giải pháp tối ưu hóa. Ví dụ, nếu khách hàng thường xuyên phàn nàn về thời gian giao hàng chậm, Shopee có thể cải thiện hệ thống vận chuyển. Nghiên cứu cũng giúp cho việc tăng doanh thu thông qua đó được cải thiện hơn so với việc không dùng các chỉ số để theo dõi hiệu quả.

Nghiên cứu giúp Shopee tập trung vào việc cải thiện chất lượng sản phẩm và dịch vụ khách hàng dựa trên ý kiến khách hàng Shopee. Bằng cách phân tích các bình luận về chất lượng sản phẩm, Shopee có thể xác định những sản phẩm nào cần cải tiến hoặc loại bỏ. Tương tự, bằng cách phân tích các bình luận về dịch vụ khách hàng, Shopee có thể đào tạo nhân viên và cải thiện quy trình hỗ trợ khách hàng.

Các mô hình học sâu như CNN, LSTM, và Transformer có khả năng xử lý ngôn ngữ tự nhiên tốt hơn so với các mô hình học máy truyền thống. Trong tương lai, có thể sử dụng các mô hình này để xây dựng các hệ thống phân tích cảm xúc chính xác và hiệu quả hơn.

Bằng cách kết hợp phân tích cảm xúc với dữ liệu hành vi người dùng, Shopee có thể hiểu rõ hơn về mối quan hệ giữa cảm xúc và hành vi mua sắm. Điều này có thể giúp Shopee cá nhân hóa trải nghiệm khách hàng và tăng cường sự gắn kết với thương hiệu.