Luận văn: Trích xuất ý định mua hàng trên MXH bằng suy luận mô hình

Luận văn thạc sĩ: Ứng dụng WebRTC cho giải pháp cộng tác và chia sẻ dữ liệu đa phương tiện tại Trung tâm MVAS, TCT Viễn thông MobiFone. Nghiên cứu chi tiết.

• Tác giả: Doãn Thị Huyền Trang
• Người hướng dẫn: PGS. Hà Quang Thụy
• Trường học: Đại Học Quốc Gia Hà Nội Trường Đại Học Công Nghệ
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Trích Xuất Ý Định Người Dùng Mua Hàng Trên Mạng Xã Hội Sử Dụng Phương Pháp Suy Luận Các Mô Hình
• Loại tài liệu: Luận Văn Thạc Sỹ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cảm ơn
• Lời cam đoan
• Danh sách bảng
• Danh sách hình vẽ
• Giới thiệu chung
• 1. Chương 1: Giới thiệu chung
• 1.1. Tầm quan trọng của ý định người dùng trên mạng xã hội
• 1.2. Định nghĩa ý định người dùng
• 1.3. Phát biểu bài toán phát hiện ý định người dùng
• 1.4. Khó khăn và thách thức
• 1.5. Các hướng tiếp cận giải quyết bài toán
• 1.6. Khai phá ý định người dùng trên trang mạng xã hội Twitter
• 1.7. Xác định ý định các bài viết trên các diễn đàn thảo luận
• 1.8. Xây dựng mô hình ý định người dùng trên mạng xã hội sử dụng khai phá dữ liệu
• 1.9. Lọc ý định rõ ràng người dùng trong các bài viết Tiếng Việt trên phương tiện xã hội
• 1.10. Tóm tắt chương 1
• 2. Chương 2: Phương pháp suy luận các mô hình và áp dụng nó cho các bài toán phân lớp
• 2.1. Phương pháp suy luận các mô hình
• 2.2. Đánh giá hiệu quả của phương pháp lai ghép các mô hình
• 2.3. Bagging - Kỹ thuật nâng cao độ chính xác của phương pháp lai ghép các mô hình trong bài toán phân lớp
• 2.4. Phương pháp suy luận các mô hình trong việc giải quyết bài toán phân lớp và ý tưởng áp dụng
• 2.5. Tóm tắt chương 2
• 3. Chương 3: Mô hình và thực nghiệm
• 3.1. Tư tưởng đề xuất mô hình
• 3.2. Mô hình đề xuất
• 3.3. Thu thập dữ liệu
• 3.4. Tiền xử lý dữ liệu
• 3.5. Phân tích và phát hiện ý định
• 3.6. Kết quả thực nghiệm và đánh giá
• 3.7. Môi trường thực nghiệm
• 3.8. Dữ liệu huấn luyện bài viết
• 3.9. Dữ liệu phân loại ý định trong bình luận
• 3.10. Thực nghiệm đánh giá mô hình phân lớp
• Tài liệu tham khảo

Tóm tắt

I. Trích Xuất Ý Định Mua Hàng Từ Mạng Xã Hội Tổng Quan 50 60

Mạng xã hội đã trở thành một phần không thể thiếu trong cuộc sống hiện đại, không chỉ là nơi kết nối và chia sẻ thông tin mà còn là một thị trường tiềm năng cho các doanh nghiệp. Người dùng mạng xã hội thường xuyên thể hiện nhu cầu, mong muốn và ý định mua hàng thông qua các bài đăng, bình luận và tương tác trực tuyến. Việc trích xuất ý định mua hàng từ mạng xã hội mang lại nhiều lợi ích cho các doanh nghiệp, giúp họ hiểu rõ hơn về khách hàng, cải thiện chiến lược marketing và tăng doanh số. Tuy nhiên, việc phân tích ý định khách hàng trên mạng xã hội cũng đặt ra nhiều thách thức do tính chất phức tạp và đa dạng của dữ liệu. Các Semantic LSI keywords như social listening for purchase intent, social media purchase prediction, và customer intent analysis social media ngày càng được sử dụng rộng rãi. Theo thống kê năm 2016, Việt Nam có khoảng 37 triệu người dùng Facebook, trung bình mỗi người dành 2,5 tiếng mỗi ngày trên nền tảng này, đây là một nguồn tài nguyên khổng lồ cho việc khai thác dữ liệu mạng xã hội. Luận văn của Doãn Thị Huyền Trang (2016) đã nghiên cứu về "Trích xuất ý định người dùng mua hàng trên mạng xã hội sử dụng phương pháp suy luận các mô hình", tập trung vào việc phân loại và trích xuất ý định mua hàng từ các bài đăng và bình luận trên Facebook. Nghiên cứu này sử dụng phương pháp lai ghép các mô hình phân lớp Support Vector Machine (SVM), K – Nearest Neighbors (KNN) và Maximum Entropy (Maxent) để đạt được độ chính xác cao hơn. Các bên liên quan như các công ty, tổ chức, chính phủ, … đều có thể hưởng lợi lớn từ việc này.

1.1. Tầm Quan Trọng Của Việc Xác Định Ý Định Mua Hàng

Việc xác định ý định mua hàng có vai trò quan trọng đối với nhiều đối tượng khác nhau. Đối với nhà cung cấp dịch vụ Internet (ISP), nó giúp họ hiểu rõ hơn về sự phát triển của mạng xã hội và cải thiện cơ sở hạ tầng. Đối với các nhà cung cấp dịch vụ mạng xã hội, nó giúp họ cải thiện dịch vụ và chiến lược đầu tư. Đối với các nhà nghiên cứu, nó là nền tảng cho các nghiên cứu khác như xây dựng hệ tư vấn người dùng hoặc dự đoán xu hướng. Và quan trọng nhất, đối với các doanh nghiệp, nó giúp họ hiểu rõ hơn về thị hiếu của khách hàng, cải thiện chiến lược kinh doanh và tăng doanh số. Influencer marketing purchase intent và online reputation management purchase intent là những yếu tố quan trọng cần được xem xét trong quá trình này. Theo Nelson-Field và cộng sự (2012), tiềm năng của Facebook đạt một phần ba dân số thế giới, và vì vậy Facebook đang trở thành một công cụ ngày càng quan trọng đối với các nhà tiếp thị thông qua việc nắm rõ nhu cầu, mong muốn của người dùng.

1.2. Định Nghĩa Ý Định Mua Hàng Trong Môi Trường Mạng Xã Hội

Ý định mua hàng trong môi trường mạng xã hội có thể được định nghĩa là trạng thái đại diện cho suy nghĩ thực hiện một hoặc nhiều hành động mua hàng trong tương lai, được thể hiện thông qua các bài đăng, bình luận và tương tác trực tuyến. Theo Bratman (1987), ý định bao gồm những hành động như kế hoạch hoặc suy nghĩ tính trước, có thể ở trạng thái rõ ràng hoặc tiềm ẩn. Zhiyuan Chen, Bing Liu và cộng sự (2013) chia ý định thành hai loại: ý định ẩn và ý định rõ ràng. Trong đó, social selling intelligence đóng vai trò quan trọng trong việc phân tích ý kiến khách hàng cho mục đích mua hàng. Các ví dụ về ý định rõ ràng có thể là các bài đăng như "Tôi đang tìm kiếm một thương hiệu xe mới để thay thế chiếc Ford Focus cũ của tôi". Các Semantic LSI keywords cần phải được sử dụng phù hợp để có thể khai thác dữ liệu mạng xã hội cho khách hàng tiềm năng.

II. Thách Thức Vượt Qua Rào Cản Khi Trích Xuất Dữ Liệu 50 60

Việc trích xuất ý định mua hàng từ mạng xã hội đối mặt với nhiều thách thức. Dữ liệu trên mạng xã hội thường không cấu trúc, chứa nhiều ngôn ngữ không chính thức, từ lóng, lỗi chính tả và cảm xúc. Điều này làm cho việc phân tích trở nên phức tạp và đòi hỏi các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) tiên tiến. Ngoài ra, việc thu thập và gán nhãn dữ liệu cũng tốn nhiều thời gian và công sức, đặc biệt khi áp dụng các phương pháp học có giám sát. Các công ty cần đầu tư vào các giải pháp trích xuất ý định mua hàng từ mạng xã hội hiệu quả. Các Semantic LSI keywords như behavioral analysis social media purchase và sentiment analysis for buying signals cần được tích hợp vào quy trình phân tích. Theo nghiên cứu của Doãn Thị Huyền Trang (2016), việc chuẩn hóa dữ liệu và xử lý các yếu tố nhiễu là một trong những thách thức lớn nhất trong việc trích xuất ý định mua hàng từ Facebook.

2.1. Rào Cản Ngôn Ngữ Từ Lóng Teen Code Sai Chính Tả

Ngôn ngữ sử dụng trên mạng xã hội thường rất đa dạng và không tuân theo các quy tắc chính tả và ngữ pháp thông thường. Người dùng thường sử dụng từ lóng, teen code, viết tắt và sai chính tả, gây khó khăn cho việc phân tích và trích xuất ý định mua hàng. Ví dụ, các cụm từ như "ms một chiếc túi" hoặc "Mih mún lấy 1 th0j s0n BJ" rất khó để phân tích nếu không có các kỹ thuật xử lý ngôn ngữ đặc biệt. Công cụ theo dõi ý định mua hàng trên mạng xã hội cần phải được trang bị khả năng xử lý ngôn ngữ linh hoạt. Việc sử dụng dự đoán hành vi mua hàng trên mạng xã hội cũng cần phải xem xét yếu tố ngôn ngữ địa phương.

2.2. Nhiễu Thông Tin Bài Viết Không Liên Quan Quảng Cáo

Dữ liệu trên mạng xã hội thường chứa nhiều thông tin không liên quan đến ý định mua hàng, như các bài viết quảng cáo, tin tức hoặc thông tin giải trí. Việc lọc bỏ các thông tin nhiễu này là rất quan trọng để đảm bảo độ chính xác của quá trình trích xuất. Các kỹ thuật lọc thông tin và phân loại văn bản có thể được sử dụng để loại bỏ các bài viết và bình luận không liên quan. Social commerce intent detection là một lĩnh vực nghiên cứu quan trọng để giải quyết vấn đề này. Để trích xuất ý định mua hàng, chúng ta cần xác định được những đặc điểm nào trong bài viết giúp người dùng đưa ra quyết định.

2.3. Thể Hiện Ý Định Gián Tiếp Cần Phân Tích Sâu Sắc

Ý định mua hàng không phải lúc nào cũng được thể hiện một cách rõ ràng. Người dùng có thể thể hiện ý định của mình một cách gián tiếp, thông qua các câu hỏi, bình luận hoặc biểu tượng cảm xúc. Việc phân tích và hiểu được các biểu hiện gián tiếp này đòi hỏi các kỹ thuật NLP và phân tích ngữ nghĩa tiên tiến. Ví dụ, một người dùng có thể hỏi "Áo pull này có size XS không bạn?", đây là một dấu hiệu cho thấy họ có ý định mua hàng nếu có size phù hợp.

III. Phương Pháp Suy Luận Mô Hình Giải Pháp Trích Xuất Tối Ưu 50 60

Để giải quyết các thách thức trên, nhiều nghiên cứu đã tập trung vào việc phát triển các phương pháp suy luận mô hình (ensemble methods) để trích xuất ý định mua hàng từ mạng xã hội. Phương pháp này kết hợp nhiều mô hình học máy khác nhau để đạt được độ chính xác và độ tin cậy cao hơn. Các mô hình phổ biến bao gồm Support Vector Machine (SVM), K-Nearest Neighbors (KNN) và Maximum Entropy (MaxEnt). Theo nghiên cứu của Doãn Thị Huyền Trang (2016), phương pháp lai ghép các mô hình này đã mang lại kết quả tốt hơn so với việc sử dụng một mô hình phân lớp duy nhất, với độ chính xác P là 88,12%, độ hồi tưởng R là 86,37% và độ đo F1 là 87,24%. Ứng dụng của trích xuất ý định mua hàng trong marketing ngày càng trở nên quan trọng. Social media data mining for leads là một trong những ứng dụng tiềm năng của phương pháp này.

3.1. Kết Hợp SVM KNN MaxEnt Tăng Cường Độ Chính Xác

Việc kết hợp các mô hình SVM, KNN và MaxEnt có thể tận dụng ưu điểm của từng mô hình và giảm thiểu các nhược điểm. SVM là một mô hình mạnh mẽ trong việc phân loại dữ liệu tuyến tính và phi tuyến tính, KNN dựa trên khoảng cách giữa các điểm dữ liệu để phân loại, và MaxEnt sử dụng nguyên tắc entropy tối đa để xây dựng mô hình phân phối xác suất. Việc kết hợp các mô hình này có thể cải thiện độ chính xác và độ tin cậy của quá trình trích xuất ý định mua hàng. Giải pháp trích xuất ý định mua hàng từ mạng xã hội cần tích hợp các mô hình này một cách hiệu quả.

3.2. Kỹ Thuật Bagging Nâng Cao Tính Ổn Định Của Mô Hình

Kỹ thuật bagging là một phương pháp lấy mẫu lại có thể được sử dụng để nâng cao tính ổn định và độ chính xác của các mô hình phân lớp. Bagging tạo ra nhiều tập dữ liệu huấn luyện khác nhau bằng cách lấy mẫu có hoàn lại từ tập dữ liệu gốc, sau đó huấn luyện một mô hình trên mỗi tập dữ liệu và kết hợp các dự đoán của các mô hình này để đưa ra dự đoán cuối cùng. Kỹ thuật bagging có thể giúp giảm thiểu phương sai và cải thiện độ ổn định của mô hình, đặc biệt khi dữ liệu huấn luyện có nhiều nhiễu. Để dự đoán hành vi mua hàng trên mạng xã hội, phương pháp Bagging có thể được áp dụng.

3.3. Phương Pháp Voting Lựa Chọn Kết Quả Tốt Nhất Từ Các Mô Hình

Phương pháp voting là một phương pháp kết hợp các dự đoán của nhiều mô hình phân lớp bằng cách lấy phiếu bầu. Mỗi mô hình sẽ đưa ra một dự đoán, và dự đoán nào nhận được nhiều phiếu bầu nhất sẽ được chọn làm dự đoán cuối cùng. Phương pháp voting có thể giúp cải thiện độ chính xác và độ tin cậy của quá trình trích xuất ý định mua hàng, đặc biệt khi các mô hình phân lớp có độ chính xác khác nhau. Trích xuất ý định mua hàng trên Facebook có thể áp dụng phương pháp này để có kết quả tối ưu nhất.

IV. Ứng Dụng Thực Tế Marketing CRM Tư Vấn Khách Hàng 50 60

Việc trích xuất ý định mua hàng từ mạng xã hội có nhiều ứng dụng thực tế trong các lĩnh vực như marketing, quản lý quan hệ khách hàng (CRM) và tư vấn khách hàng. Trong marketing, nó có thể giúp các doanh nghiệp xác định các khách hàng tiềm năng, tạo ra các chiến dịch quảng cáo nhắm mục tiêu và cải thiện hiệu quả của các chiến dịch marketing. Trong CRM, nó có thể giúp các doanh nghiệp hiểu rõ hơn về nhu cầu và mong muốn của khách hàng, cải thiện chất lượng dịch vụ và tăng cường lòng trung thành của khách hàng. Trong tư vấn khách hàng, nó có thể giúp các doanh nghiệp cung cấp các tư vấn và hỗ trợ cá nhân hóa cho khách hàng, đáp ứng nhu cầu của họ một cách tốt nhất. Do đó, social listening for purchase intent là rất cần thiết.

4.1. Nhắm Mục Tiêu Quảng Cáo Tăng Hiệu Quả Chiến Dịch

Việc xác định ý định mua hàng có thể giúp các doanh nghiệp nhắm mục tiêu quảng cáo một cách chính xác, chỉ hiển thị quảng cáo cho những người có khả năng mua sản phẩm hoặc dịch vụ. Điều này có thể giúp tăng hiệu quả của các chiến dịch quảng cáo, giảm chi phí và tăng doanh số. Các công ty cần có một phương pháp trích xuất ý định mua hàng chính xác.

4.2. Cá Nhân Hóa Dịch Vụ Tăng Cường Trải Nghiệm Khách Hàng

Việc hiểu rõ nhu cầu và mong muốn của khách hàng có thể giúp các doanh nghiệp cung cấp các dịch vụ cá nhân hóa, đáp ứng nhu cầu của họ một cách tốt nhất. Điều này có thể giúp tăng cường trải nghiệm của khách hàng, cải thiện lòng trung thành và tạo ra các mối quan hệ lâu dài. Phân tích hành vi mua hàng trên mạng xã hội có thể giúp cá nhân hóa các dịch vụ.

4.3. Dự Đoán Xu Hướng Đưa Ra Quyết Định Kinh Doanh Sáng Suốt

Việc phân tích ý định mua hàng có thể giúp các doanh nghiệp dự đoán các xu hướng thị trường và đưa ra các quyết định kinh doanh sáng suốt. Bằng cách theo dõi các xu hướng và nhu cầu của khách hàng, các doanh nghiệp có thể điều chỉnh chiến lược kinh doanh của mình để đáp ứng nhu cầu của thị trường và duy trì lợi thế cạnh tranh. Xu hướng trích xuất ý định mua hàng từ mạng xã hội cần được theo dõi sát sao.

V. Kết Luận Tương Lai Phát Triển Các Mô Hình Trí Tuệ 50 60

Việc trích xuất ý định mua hàng từ mạng xã hội là một lĩnh vực nghiên cứu đầy tiềm năng, mang lại nhiều lợi ích cho các doanh nghiệp và các nhà nghiên cứu. Mặc dù đã có nhiều tiến bộ trong lĩnh vực này, vẫn còn nhiều thách thức cần được giải quyết, như việc xử lý ngôn ngữ không chính thức, loại bỏ thông tin nhiễu và hiểu được các biểu hiện ý định gián tiếp. Trong tương lai, các mô hình học máy trí tuệ nhân tạo (AI) và các kỹ thuật NLP tiên tiến sẽ đóng vai trò quan trọng trong việc phát triển các hệ thống trích xuất ý định mua hàng hiệu quả hơn. Tầm quan trọng của trích xuất ý định mua hàng ngày càng được khẳng định.

5.1. Hướng Nghiên Cứu Tương Lai AI Học Sâu Xử Lý Ngôn Ngữ

Các hướng nghiên cứu tương lai có thể tập trung vào việc phát triển các mô hình học sâu (deep learning) và các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) tiên tiến để cải thiện khả năng hiểu và trích xuất ý định mua hàng từ dữ liệu mạng xã hội. Các mô hình này có thể được huấn luyện trên một lượng lớn dữ liệu để học các biểu hiện phức tạp của ý định mua hàng và đưa ra các dự đoán chính xác hơn.

5.2. Tích Hợp Dữ Liệu Đa Nguồn Tăng Cường Hiểu Biết Khách Hàng

Việc tích hợp dữ liệu từ nhiều nguồn khác nhau, như mạng xã hội, CRM, dữ liệu bán hàng và dữ liệu hành vi trực tuyến, có thể giúp tăng cường hiểu biết về khách hàng và cải thiện khả năng trích xuất ý định mua hàng. Dữ liệu đa nguồn có thể cung cấp một bức tranh toàn diện hơn về nhu cầu và mong muốn của khách hàng, cho phép các doanh nghiệp cung cấp các dịch vụ cá nhân hóa và đáp ứng nhu cầu của họ một cách tốt nhất.

Trích đoạn nội dung tài liệu

chương 1 của luận văn khái quát về tầm quan trọng của bài toán khai thác ý định người dùng, nêu một vài định nghĩa về ý định đã được các nhà nghiên cứu phát biểu và cuối cùng là một vài mô tả về một vài công trình liên quan. TIEU LUAN MOI download : skknchat@gmail. Tầm quan trọng của ý định người dùng trên mạng xã hội Người dùng mạng Facebook đã thừa nhận họ tin tưởng trang mạng xã hội này và sẵn sàng chia sẻ nhiều thông tin trên Facefook hơn là các trang khác như MySpace hay Twitter (Dwyer cùng cộng sự. Bởi vậy, việc nhận diện ra những ý định từ người dùng là một yếu tố quan trọng cho các nhà cung cấp dịch vụ hay các doanh nghiệp tổ chức thông qua những bài viết, lượt thích (Like) hay những bình luận của họ.

Năm 2012, Nelson-Field và các đồng nghiệp [47] đã công nhận rằng tiềm năng của Facebook đạt một phần ba dân số thế giới, và vì vậy Facebook đang trở thành một công cụ ngày càng quan trọng đối với các nhà tiếp thị thông qua việc nắm rõ nhu cầu, mong muốn của người dùng hoặc gọi chung là ý định người dùng. Bujega (2006) [48] chỉ ra lợi ích của việc định hướng tiếp thị và quảng cáo của họ đến đúng những người dùng từ hành vi, thói quen mua sắm mà họ đã từng có. Người sử dụng không phải lúc nào cũng biết chính xác những gì họ muốn. Đôi khi, họ chỉ biết rằng họ muốn được giúp đỡ để tìm ra những gì họ muốn.

Cũng bởi nhu cầu đó, khoảng năm năm trở lại đây, Facebook đã dần trở thành một trong những nền tảng mà người dùng có thể trình bày quan điểm, nhu cầu, ý định của họ về sản phẩm, cuộc sống và những gì trong tâm trí họ. Do vậy, những thông tin được đưa ra nếu được khai thác sẽ là một kho thông tin quý báu cho các bên liên quan. Vậy, ý định người dùng có tầm quan trọng như thế nào? Theo Long Jin cùng cộng sự, ý định, mong muốn hay nhu cầu người dùng trên mạng xã hội quan trọng khác nhau với các đối tượng Internet khác nhau ở nhiều khía cạnh:  Đối với nhà cung cấp dịch vụ Internet (Internet Service Provider - ISP): Họ sẽ biết được sự phát triển của mạng xã hội, từ đó họ có thể có những nghiên cứu nhằm phát triển hoặc cải thiện mô hình giao thông, luồng giao tiếp trên mạng xã hội chẳng hạnh như việc thiết lập một hành động của cơ sở hạ tầng.  Đối với các nhà cung cấp dịch vụ mạng xã hội: Nó giúp họ hiểu thái độ của khách hàng hướng tới việc cải thiện dịch vụ.

Hơn thế nữa, từ quan điểm của việc đầu tư cơ sở hạ tầng, chẳng hạn như những vị trí nào hiệu quả chi phí nhất để xây dựng các trung tâm dữ liệu hoặc cụm mạng lưới phân phối nội dung (Content Delivery Network - CDN) có thể được khai thác để cung cấp dữ liệu được truy cập một cách thường xuyên, hiểu biết, nắm được phân bố TIEU LUAN MOI download : [e-mail] 9 địa lý và hoạt động giao thông của người sử dụng cũng là những nguồn thông tin quan trọng.  Với các nhà nghiên cứu: Phát hiện được ý định người dùng sẽ là bài toán con cho các nghiên cứu quan trọng. Ví dụ, để xây dựng hệ tư vấn người dùng, trước hết họ cần phải xác định được người dùng thích gì, người dùng mong muốn gì từ những hành vi của họ để từ đó mới có thể tư vấn cho họ theo đúng hướng họ muốn. Vậy thì bài toán nhận diện hay trích xuất ra ý định người dùng là một trong những bài toán con quan trọng của chủ đề này.

Hay, với đề tài dự đoán tính cách người dùng, để biết được người dùng có tính cách như nào, sở thích ra sao thì họ cũng cần biết được là người dùng thường có những thói quen gì, họ hay làm gì, họ hay nghĩ gì và mong muốn gì.Tất cả đều liên quan đến việc hiểu ý định hay nhu cầu của người dùng.  Với các nhà kinh doanh, công ty, tổ chức cung cấp sản phẩm, dịch vụ: Khi nắm được ý định người dùng, phần nào đó họ sẽ biết được về thị hiếu người dùng, thống kê được mức độ tiêu thụ hàng hóa, biết và cải thiện được chiến lược kinh doanh nếu cần,. Định nghĩa ý định người dùng Với từng miền ứng dụng khác nhau sẽ có những định nghĩa khác nhau về ý định người dùng. Theo Bratman (1987) [4]: “Ý định là một trạng thái đại diện cho suy nghĩ thực hiện một hoặc nhiều hành động trong tương lai.

Ý định bao gồm những hành động như kế hoạch hoặc suy nghĩ tính trước. Ý định có thể ở trạng thái rõ ràng – explicitly hoặc tiềm ẩn/không rõ ràng – implicitly, trực tiếp hoặc gián tiếp. Ý định rõ ràng là một tuyên bố rõ ràng và trực tiếp của người dùng về những gì người đó có kế hoạch làm. Theo Zhiyuan Chen, Bing Liu cùng cộng sự [2][3] ý định có hai loại là ý định ẩn và ý định rõ ràng.

Ý định rõ ràng tức là mong muốn của người dùng được thể hiện rõ ràng không cần kết hợp. Những trường hợp ý định kết hợp được xếp vào ý định ẩn. Ví dụ, một người dùng viết, "Tôi đang tìm kiếm một thương hiệu xe mới để thay thế cũ Ford Focus của tôi” - “I am looking for a brand new car to replace my old Ford Focus”. Đây là một ví dụ cho một ý định rõ ràng.

Theo Jinpeng Wang cùng cộng sự [1] định nghĩa trong mạng xã hội twitter thì một bài tweet sẽ là 1 ý định tweet nếu (1) nó chứa ít nhất 1 động từ và (2) một mô tả 1 cách rõ ràng ý định của người dùng để thực thi 1 hành động (3) trong 1 cách nào đó dễ nhận biết. Ví dụ: Tweet: “Nếu được điểm A trong kỳ thi này, tôi muốn mua 1 xbox, xin hãy ban phước” - “I want to buy an xbox, if get A in this TIEU LUAN MOI download : skknchat@gmail. Bless me!!!” là một ý định tweet và có đủ ba điều kiện trong định nghĩa. Bảng 2 là một vài các bài đăng của người dùng trên diễn đàn trực tuyến và mạng xã hội trong đó có bài đăng chứa ý định rõ ràng và bài đăng không chứa ý định hoặc chứa ý định không rõ ràng được đề xuất bởi nhóm tác giả Le cùng cộng sự [5]: Bảng 2.

Một vài ví dụ về các bài đăng chứa/không chứa ý định Bài đăng trên diễn đàn trực tuyến/mạng xã hội Loại ý định Chào các bác, vợ chồng em mới chuyển qua nhà mới, tính Ý định rõ ràng đầu tư mua cái máy lọc nước để uống và sử dụng nấu nướng luôn cho an toàn vì thỉnh thoảng mở nước em thấy có cặn cặn. Trước ở cùng cụ thì toàn đun nước cho cả nhà uống nên ko quan tâm tới mấy loại máy lọc này. Sớt google thì thấy có 2 dòng RO và Nano, em đọc thông tin mà rối tung tù mù, chả biết nên chọn của loại nào. Các bác tư vấn giúp em phát nhé Tình hình là con e71 của mình nếu sạc bằng cục sạc AC 3E Không có ý (cục sạc đi kèm với con 1200 dòng ra thấp - khoảng định/Ý định ẩn 350mah ) thì chỉ mất khoảng 3 tiếng 20p.

Trong khi con của thằng bạn thì mất tới 4,5 tiếng gì đấy mới đầy. Các bạn cho mình hỏi là nếu sạc bằng cục sạc AC 3E này thì các bạn sạc mất bao nhiêu tiếng? Mình nghi ngờ cục pin của mình có vấn đề rồi hix thấy dùng bình thường nghịch ngợm chút ít thì chỉ đc 3 ngày Em sinh viên đang định thay máy e thấy thích con s4 e330 Ý định rõ ràng k biết giá con đó h khoảng bn? K biết ở hà nội thì có chỗ nào bán k? Bạn ơi, gửi cho mình 2 thỏi son 11, 12 về địa chỉ 111 Sơn Ý định rõ ràng Tây nhé. Tôi yêu những đóa cẩm tú cầu, Không có ý Sắc mầu linh hoạt biết dường nào. định/Ý định ẩn Lúc trắng, lúc xanh, lúc hồng nhạt.

Thanh thản trong sương không biết sầu. TIEU LUAN MOI download : [e-mail] 11 Trong công trình của mình, để có thể phân biệt các loại bài viết ý định khác nhau, nhóm tác giả Jinpeng Wang [1] đã đề xuất việc thống kê các bài viết ý định thành 6 loại là: Đồ ăn và Nước Uống (Food & Drink), Du lịch (Travel), Sức khỏe và Giáo dục (Career & Education), Hàng hóa và Dịch vụ (Goods & Services), Sự kiện và Hoạt động (Event & Activities), các loại khác (Trifle): - Đồ ăn và Nước uống (Food and Drink): Các tác giả bài viết lên kế hoạch để có một số đồ ăn hoặc nước uống. - Du lịch (Travel): Các tác giả bài viết hứng thú/quan tâm với các buổi thăm các địa điểm đặc biệt. - Sức khỏe và Giáo dục (Career and Education): Các tác giả bài viết muốn có 1 công việc, 1 chứng chỉ/bằng cấp hoặc tự thực hiện 1 điều gì đó.

Loại này xuất hiện trong Twellow5 cái mà tổ chức người dùng twitter vào 1 taxonomy. - Hàng hóa và Dịch vụ (Goods and Services): Các tác giả quan tâm hoặc muốn có 1 số loại hàng hóa không phải thực phẩm, hay nước uống (Ví dụ: ô tô) hoặc các dịch vụ (Ví dụ: cắt tóc). Loại này tương ứng với sự kết hợp của 4 loại trong Groupon, cụ thể là Beauty and Spa, Health and Fitness, Automotive, Shopping and Apparel. Chúng được kết hợp bởi chúng đều thuộc về Goods and Services và mỗi loại này đều chỉ là 1 tỉ lệ rất nhỏ trên mạng xã hội.

- Sự kiện và Hoạt động (Event and Activities): Các tác giả muốn tham gia một số hoạt động không thuộc các loại nói trên (Ví dụ: hòa nhạc). Loại này tương ứng với loại Event và Activities của Groupon. Trong luận văn này, tôi sẽ chỉ tập trung vào ý định rõ ràng về việc mua một sản phẩm/dịch vụ của người dùng qua các bình luận của họ trên các trang bán hàng của facebook. Trong phần tiếp theo, luận văn sẽ đi tới khái quát bài toán phát hiện ý định người dùng nhằm mô tả rõ hơn về các nhiệm vụ để đi tới giải quyết bài toán.

TIEU LUAN MOI download : skknchat@gmail. Phát biểu bài toán phát hiện ý định người dùng Mọi người thường đăng những nhu cầu và mong muốn trên phương tiện truyền thông xã hội. Những dữ liệu này cung cấp cơ hội lớn để xác định ý định của người sử dụng từ nội dung mà người dùng tạo ra, để đo đếm sản phẩm hoặc dịch vụ một cách tốt hơn.