Bối cảnh và vấn đề nghiên cứu

Sự bùng nổ của mạng Internet và thương mại điện tử đã biến các trang web thành kênh truyền thông, tiếp thị và thu thập thông tin phản hồi hai chiều giữa doanh nghiệp và người tiêu dùng. Các bình luận, phản hồi trực tuyến phản ánh góc nhìn khách quan về chất lượng sản phẩm, dịch vụ, hỗ trợ doanh nghiệp quản trị thương hiệu, quản trị quan hệ khách hàng và nắm bắt xu hướng thị trường. Tuy nhiên, khối lượng phản hồi khổng lồ—điển hình như trang thương mại điện tử Amazon với khoảng 1,6 triệu kiện hàng mỗi ngày, tương ứng khoảng 32.000 phản hồi (với tỷ lệ phản hồi 2%)—khiến việc xử lý thủ công bằng con người trở nên bất khả thi về mặt chi phí và nhân lực. Do đó, việc xây dựng hệ thống tự động nhận diện và phân tích cảm xúc từ văn bản là yêu cầu cấp thiết.

Khóa luận xác định ba mục tiêu nghiên cứu cụ thể:

  1. Nghiên cứu và hoàn thành việc xây dựng bộ dữ liệu cho bài toán phân tích cảm xúc của đối tượng dựa trên khía cạnh (Targeted Aspect-Based Sentiment Analysis - TABSA) trong tiếng Việt.
  2. Thực nghiệm các mô hình học máy và học sâu tiên tiến (SOTA) trên bộ dữ liệu đã xây dựng, so sánh và phân tích hiệu quả giữa các mô hình.
  3. Phân tích và chỉ ra những khó khăn, thách thức còn tồn tại ở bộ dữ liệu đối với bài toán TABSA nói riêng và tác vụ phân tích cảm xúc nói chung.

Đối tượng nghiên cứu là các câu bình luận, phản hồi thực tế của người dùng tiếng Việt trên các nền tảng trực tuyến. Phạm vi nghiên cứu tập trung vào ba lĩnh vực (miền dữ liệu): thiết bị di động (Di Động), Nhà Hàng và Khách Sạn. Phạm vi phương pháp bao gồm việc xây dựng quy trình gán nhãn dữ liệu chuẩn hóa và thử nghiệm các kiến trúc mô hình phân lớp từ học máy truyền thống (Logistic Regression), học sâu (biLSTM) đến các mô hình dựa trên Transformer (PhoBERT, RoBERTa, BERT-pair, CG-BERT, QACG-BERT).

Cơ sở lý thuyết và phương pháp

Khóa luận phát triển dựa trên cơ sở bài toán Phân tích cảm xúc của đối tượng dựa trên khía cạnh (TABSA), một sự kết hợp và mở rộng từ bài toán Phân tích cảm xúc dựa trên khía cạnh (ABSA) và Phân tích cảm xúc của đối tượng (TSA). Đầu vào của bài toán là đoạn văn bản $S$ chứa tập đối tượng $T$, tập khía cạnh $A$ và tập nhãn cảm xúc $P$. Đầu ra là việc trích xuất các bộ ý kiến $(t, a, p)$, trong đó $t \in T$, $a \in A$ và $p \in P$ (gồm các nhãn: Tích cực - Positive, Tiêu cực - Negative, hoặc Không mang cảm xúc - None).

Cơ sở lý thuyết của nghiên cứu kế thừa các công trình nền tảng:

  • Nghiên cứu của Marzieh Saeidi và cộng sự (2016) đề xuất bài toán TABSA, công bố bộ dữ liệu tiếng Anh Sentihood và các phương pháp baseline sử dụng Logistic Regression và LSTM.
  • Nghiên cứu của Matan Orbach và cộng sự (2021) về bộ dữ liệu YASO cho bài toán TSA miền mở.
  • Mô hình SenticLSTM của Yukun Ma và cộng sự (2018) kết hợp cơ chế chú ý (attention) ở cấp độ đối tượng và câu.
  • Phương pháp tạo câu bổ trợ dạng câu hỏi (QA) và suy diễn ngôn ngữ tự nhiên (NLI) kết hợp mô hình BERT (BERT-pair) của Chi Sun và cộng sự (2019).
  • Mô hình mạng tự chú ý nhận thức ngữ cảnh CG-BERT và Quasi-Attention CG-BERT (QACG-BERT) của Zhengxuan Wu và cộng sự (2020).

Phương pháp nghiên cứu thực nghiệm được chia thành hai giai đoạn chính:

  1. Xây dựng bộ dữ liệu UIT-VOF: Thu thập 6.000 bình luận thô từ các nguồn thực tế; xây dựng hướng dẫn gán nhãn hai bước (bước A: xác định đối tượng; bước B: gán nhãn cảm xúc theo khía cạnh cho đối tượng); tổ chức đội ngũ 5 người gán nhãn thủ công; đo lường độ đồng thuận giữa các thành viên bằng chỉ số F-score ($F_{mean}$) ở cấp độ chuỗi ký tự đối tượng và cặp khía cạnh - cảm xúc với ngưỡng đồng thuận tối thiểu 80%.
  2. Thực nghiệm mô hình hóa: Cài đặt các mô hình phân loại n-gram kết hợp Logistic Regression, biLSTM (LSTM-Final, LSTM-Target), các biến thể PhoBERT, RoBERTa kết hợp phân loại câu hỏi/câu bổ trợ (BERT-pair-QA, BERT-pair-NLI), cùng các kiến trúc CG-BERT và QACG-BERT.

Nguồn dữ liệu thô gồm 6.000 mẫu trích xuất từ hai nguồn công bố trước đó:

  • 2.000 bình luận miền Di Động trích từ nghiên cứu UIT-ViSD4SA của Kim và cộng sự (2021), thu thập từ thegioididong.com.
  • 4.000 bình luận miền Nhà Hàng (2.000 mẫu) và Khách Sạn (2.000 mẫu) trích từ tập dữ liệu cuộc thi VLSP-ABSA 2018, thu thập từ các trang web như foody.vn.

Nội dung chính theo từng chương

Chương 1: Đặt vấn đề

Chương này giới thiệu tổng quan về sự cần thiết của việc khai thác ý kiến khách hàng tự động trên môi trường Internet. Tác giả phân tích sự tiến hóa của các bài toán phân tích cảm xúc văn bản: từ phân loại cảm xúc tổng thể câu, phân loại theo khía cạnh (ABSA), phân loại theo đối tượng (TSA), đến bài toán tích hợp phân tích cảm xúc của từng đối tượng cụ thể theo từng khía cạnh (TABSA). Tác giả xác định ba mục tiêu nghiên cứu, đóng góp chính là bộ dữ liệu 6.000 bình luận tiếng Việt, phân định phạm vi ba miền dữ liệu và vạch ra cấu trúc năm chương tiếp theo của khóa luận.

Chương 2: Tổng quan

Chương 2 phân tích chi tiết các công trình nghiên cứu trên thế giới và trong nước. Tác giả khảo sát các mốc nghiên cứu từ việc hình thành bộ dữ liệu Sentihood của Saeidi et al. (2016), bộ dữ liệu YASO (Orbach et al., 2021), đến các bước tiến mô hình như SenticLSTM (Ma et al., 2018), BERT-pair (Sun et al., 2019) và SOTA với CG-BERT/QACG-BERT (Wu et al., 2020). Tác giả chỉ ra rằng tại Việt Nam chưa có công trình nào nghiên cứu bài toán TABSA trên tiếng Việt. Đồng thời, chương này chỉ rõ bốn hạn chế cốt lõi của các nghiên cứu quốc tế trước đây:

  • Hạn chế về số lượng bộ dữ liệu khi hầu hết chỉ sử dụng duy nhất tập Sentihood.
  • Thiếu tính đa dạng khi Sentihood chỉ tập trung vào một chủ đề (địa điểm), cấu trúc câu đơn giản, số lượng đối tượng cố định là 2 (location1, location2) và chỉ có 4 khía cạnh (safety, price, general, transit location).
  • Dữ liệu Sentihood quá sạch, không phản ánh đúng ngữ cảnh thực tế của mạng xã hội (thiếu lỗi chính tả, teencode, viết tắt, emoji).
  • Toàn bộ các nghiên cứu đều thực hiện trên ngữ liệu tiếng Anh, hoàn toàn vắng bóng ngôn ngữ tiếng Việt.

Chương 3: Xây dựng bộ dữ liệu

Chương 3 trình bày chi tiết toàn bộ quy trình thiết lập bộ dữ liệu mang tên UIT-VOF (Vietnamese Online Feedbacks) gồm 6.000 phản hồi với tổng cộng 18.554 cặp đối tượng - khía cạnh mang cảm xúc. Tác giả tiến hành thống kê đặc tính ngôn ngữ trên 100 mẫu ngẫu nhiên ở mỗi miền, phản ánh mức độ nhiễu cao của văn bản mạng xã hội:

Đặc điểm văn bản Miền Di Động Miền Nhà Hàng Miền Khách Sạn
Dữ liệu có ký tự đặc biệt / Emoji Rất thấp (gần 0%) Rất cao (> 50%) Thấp (~11%)
Dữ liệu có từ viết tắt Cao (~29%) Khá cao (~22%) Thấp (~12%)
Dữ liệu có lỗi chính tả / từ vô nghĩa Khá cao (~14%) Khá cao (~18%) Rất thấp (~1%)
Dữ liệu viết không dấu Rất thấp (0%) Rất thấp (~1%) Cao (~57%)
Phân bố độ dài bình luận Đa số < 500 ký tự, ổn định Độ dài trung bình lớn nhất, có mẫu > 1.000 ký tự Đa số < 500 ký tự
Số câu trong bình luận 1 - 4 câu chiếm đa số 19% bình luận có $\ge$ 6 câu (cá biệt > 20 câu) 1 - 4 câu chiếm đa số

Tác giả thiết lập hệ thống gán nhãn gồm 3 nhãn cảm xúc (Tích cực, Tiêu cực, Không mang cảm xúc) và hệ thống phân loại khía cạnh chuyên biệt cho từng miền:

  • Miền Di Động gồm 10 khía cạnh đơn: GENERAL, PERFORMANCE, SER&ACC, BATTERY, CAMERA, PRICE, SCREEN, FEATURES, DESIGN, STORAGE.
  • Miền Nhà Hàng gồm cặp Thực thể - Thuộc tính kết hợp từ 6 thực thể (RESTAURANT, AMBIENCE, LOCATION, FOOD, SERVICE, DRINKS) và 5 thuộc tính (GENERAL, QUALITY, PRICE, STYLE_OPTIONS, MISCELLANEOUS).
  • Miền Khách Sạn gồm cặp Thực thể - Thuộc tính kết hợp từ 7 thực thể (HOTEL, ROOMS, ROOMS_AMENITIES, FACILITIES, SERVICE, LOCATION, FOOD&DRINKS) và 8 thuộc tính (GENERAL, PRICES, DESIGN&FEATURES, CLEANLINESS, COMFORT, QUALITY, STYLE&OPTIONS, MISCELLANEOUS).

Quy trình gán nhãn được thực hiện qua 3 giai đoạn bởi 5 thành viên. Tác giả xây dựng công thức đo lường độ đồng thuận $F_{mean}$ dựa trên độ đo F cấp ký tự cho chuỗi thực thể ($Precision_t, Recall_t$) và cấp cặp khía cạnh - cảm xúc ($Precision_{a-s}, Recall_{a-s}$). Mức độ đồng thuận trung bình sau vòng gán đầu tiên ở miền Di Động đạt 60,7% cho đối tượng và 70,6% cho khía cạnh - cảm xúc trước khi tiến hành hội ý để đạt ngưỡng chuẩn trên 80%.

[Công thức tính độ đồng thuận thực thể]
Precision_t = |C1 ∩ C2| / |C1|;  Recall_t = |C1 ∩ C2| / |C2|
F_t = (2 * Precision_t * Recall_t) / (Precision_t + Recall_t)

[Công thức tính độ đồng thuận cặp khía cạnh - cảm xúc]
Precision_a-s = |B1 ∩ B2| / |B1|;  Recall_a-s = |B1 ∩ B2| / |B2|
F_a-s = (2 * Precision_a-s * Recall_a-s) / (Precision_a-s + Recall_a-s)

Chương 4: Cơ sở lí thuyết thực nghiệm

Chương 4 tóm lược cấu trúc toán học và kỹ thuật của các mô hình phân loại văn bản áp dụng vào bài toán TABSA:

  • Mô hình truyền thống: Logistic Regression sử dụng hàm kích hoạt softmax kết hợp hai kỹ thuật biểu diễn ngữ cảnh: Mask target entity n-gram (thay thế token đối tượng bằng token đặc biệt) và Left-right n-gram (nối vector n-gram ngữ cảnh bên trái và bên phải đối tượng).
  • Mô hình biLSTM: Sử dụng mạng nơ-ron hồi quy hai chiều trích xuất trạng thái cuối (LSTM-Final) hoặc trạng thái biểu diễn tại vị trí đối tượng (LSTM-Target).
  • Mô hình ngôn ngữ tiền huấn luyện: Kiến trúc Transformer Encoder, mô hình RoBERTa và PhoBERT (Pre-trained cho tiếng Việt).
  • Kỹ thuật chuyển đổi bài toán: Phương pháp BERT-pair-QA (chuyển đổi bài toán phân loại thành dạng câu hỏi - trả lời) và BERT-pair-NLI (chuyển đổi thành bài toán suy diễn tiền đề - giả thuyết).
  • Mô hình SOTA: CG-BERT bổ sung mạng tự chú ý nhận thức ngữ cảnh (Context-aware self-attention) và QACG-BERT kết hợp Quasi-Attention nhằm tối ưu hóa việc nắm bắt quan hệ phụ thuộc giữa đối tượng mục tiêu và ngữ cảnh mang cảm xúc.

Chương 5: Cài đặt, thực nghiệm và đánh giá

Chương này mô tả chi tiết quá trình thiết lập môi trường, huấn luyện và đánh giá mô hình trên tập dữ liệu UIT-VOF theo các độ đo: Accuracy, Macro F1, AUC và Strict Accuracy. Kết quả thực nghiệm cho thấy hiệu suất tổng thể của các mô hình trên bộ dữ liệu đạt mức độ chính xác cao nhất là 60,09%.

Chương 5 đi sâu vào phân tích định tính và định lượng:

  • Thiết lập ma trận nhầm lẫn (Confusion Matrix) trên từng miền dữ liệu Di Động, Nhà Hàng, Khách Sạn nhằm xác định xu hướng dự đoán sai lệch giữa nhãn cảm xúc Tích cực và Tiêu cực.
  • Thống kê tỷ lệ lỗi phân loại theo từng khía cạnh cụ thể; chỉ ra các khía cạnh có tần suất xuất hiện thấp hoặc ranh giới ngữ nghĩa mờ nhạt thường dẫn đến tỷ lệ lỗi cao hơn.
  • Thực nghiệm chuyên biệt trên nhóm Top 4 khía cạnh xuất hiện nhiều nhất ở từng miền để kiểm chứng sự phụ thuộc của mô hình vào dung lượng dữ liệu huấn luyện.
  • Đánh giá các dự đoán lỗi tiêu biểu của mô hình BERT-pair-QA, chỉ ra nguyên nhân chủ yếu bắt nguồn từ từ ngữ mạng (teencode), viết tắt không dấu, cấu trúc câu phức có nhiều mệnh đề phủ định hoặc đối lập.

Chương 6: Tổng kết

Chương cuối tóm tắt lại toàn bộ kết quả nghiên cứu đã đạt được trong khóa luận, khẳng định việc hoàn thành ba mục tiêu ban đầu về xây dựng bộ dữ liệu UIT-VOF và thiết lập benchmark thực nghiệm. Tác giả chỉ ra các hạn chế kỹ thuật chưa giải quyết được và đề xuất các định hướng phát triển trong tương lai.

Kết quả và đóng góp

Khóa luận mang lại những kết quả định lượng và đóng góp học thuật cụ thể:

Tiêu chí Kết quả đạt được trong khóa luận
Quy mô bộ dữ liệu (UIT-VOF) 6.000 bình luận phản hồi thực tế từ Internet (2.000 Di Động, 2.000 Nhà Hàng, 2.000 Khách Sạn)
Số lượng cặp gán nhãn 18.554 cặp đối tượng - khía cạnh mang cảm xúc được gán nhãn thủ công
Tiêu chuẩn đồng thuận Xây dựng công thức đo độ đồng thuận $F_{mean}$ cấp ký tự và cấp cặp nhãn; kiểm soát chất lượng $\ge 80%$
Kết quả thực nghiệm phân lớp Độ chính xác phân loại cao nhất đạt 60,09% trên toàn bộ dữ liệu phức hợp

Các giải pháp và đóng góp học thuật do nhóm tác giả tự xác định bao gồm:

  • Tiên phong về dữ liệu: Công bố bộ dữ liệu UIT-VOF, đóng vai trò là một trong những bộ dữ liệu đầu tiên dành riêng cho bài toán Phân tích cảm xúc của đối tượng dựa trên khía cạnh (TABSA) trên ngữ liệu tiếng Việt.
  • Tính thực tế cao: Bộ dữ liệu phản ánh nguyên vẹn các đặc trưng ngôn ngữ tự nhiên của người dùng mạng xã hội Việt Nam (từ viết tắt, teencode, lỗi chính tả, cấu trúc câu không dấu và biểu tượng cảm xúc), khắc phục tính chất "quá sạch" và đơn giản của bộ dữ liệu quốc tế Sentihood.
  • Bộ chuẩn thực nghiệm (Benchmark): Cài đặt và đánh giá toàn diện các phương pháp từ baseline (Logistic Regression, biLSTM) đến các mô hình tiền huấn luyện sâu (PhoBERT, BERT-pair, CG-BERT, QACG-BERT), tạo cơ sở đối sánh cho các nghiên cứu xử lý ngôn ngữ tự nhiên tiếng Việt tiếp theo.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ những hạn chế thực tế trong quá trình thực hiện:

  • Chưa thực hiện tiền xử lý văn bản chuyên sâu: Do giới hạn về mặt thời gian và mục tiêu đánh giá mô hình trực tiếp trên dữ liệu thực tế, nhóm tác giả chưa triển khai các bước chuẩn hóa như tự động sửa lỗi chính tả, khôi phục dấu tiếng Việt, chuẩn hóa từ viết tắt/teencode hoặc chuyển đổi biểu tượng cảm xúc (emoji).
  • Hiệu suất mô hình còn dư địa cải thiện: Mức độ chính xác cao nhất đạt 60,09% phản ánh sự phức tạp của ngôn ngữ tự nhiên tiếng Việt thực tế và mức độ thử thách của bài toán TABSA khi đối mặt với văn bản chứa nhiều nhiễu.

Các hướng phát triển được tác giả đề xuất bao gồm:

  • Bổ sung quy trình tiền xử lý và chuẩn hóa văn bản mạng xã hội trước khi đưa vào mô hình phân loại.
  • Nghiên cứu tối ưu hóa kiến trúc mạng chú ý nhận thức ngữ cảnh phù hợp hơn với đặc trưng ngữ pháp và từ vựng tiếng Việt.
  • Mở rộng quy mô bộ dữ liệu và bổ sung thêm các miền dịch vụ, thương mại điện tử khác.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cho:

  • Sinh viên và học viên cao học ngành Công nghệ Thông tin, Khoa học Máy tính, Khoa học Dữ liệu: Tham khảo quy trình xây dựng bộ dữ liệu NLP có kiểm soát chất lượng bằng chỉ số đồng thuận F-score; cấu trúc ma trận Thực thể - Thuộc tính cho bài toán ABSA/TABSA.
  • Các nhóm nghiên cứu về Xử lý Ngôn ngữ Tự nhiên (NLP) tiếng Việt: Sử dụng bộ dữ liệu UIT-VOF và các kết quả benchmark từ Logistic Regression, LSTM đến BERT-pair làm cơ sở so chuẩn (baseline) cho các mô hình phân tích cảm xúc mới.
  • Kỹ sư phát triển hệ thống lắng nghe mạng xã hội (Social Listening) và Quản trị trải nghiệm khách hàng (CX): Ứng dụng khung phân loại thực thể - thuộc tính của ba miền Nhà Hàng, Khách Sạn và Thiết bị di động vào việc trích xuất ý kiến khách hàng tự động trong thực tế.

Phần đáng tham khảo nhất trong khóa luận là Chương 3 (toàn bộ quy trình gán nhãn, tiêu chí phân loại khía cạnh và phương pháp toán học đo độ đồng thuận giữa các annotator) và Chương 5 (phân tích chi tiết các ma trận nhầm lẫn và nguyên nhân lỗi mô hình trên ngôn ngữ mạng).

Câu hỏi thường gặp

1. Bài toán TABSA trong khóa luận này khác gì so với bài toán ABSA và TSA truyền thống? Bài toán TSA chỉ xác định cảm xúc tổng thể cho một đối tượng cụ thể mà không phân tách các khía cạnh. Bài toán ABSA chỉ nhận diện cảm xúc theo từng khía cạnh chung của toàn câu mà không gắn với một đối tượng nhất định. Bài toán TABSA kết hợp cả hai để trích xuất bộ ba ý kiến $(t, a, p)$, chỉ rõ cảm xúc $p$ hướng vào khía cạnh $a$ của chính đối tượng mục tiêu $t$ được nhắc đến trong câu.

2. Bộ dữ liệu UIT-VOF được xây dựng với quy mô bao nhiêu và lấy từ những nguồn nào? Bộ dữ liệu gồm 6.000 bình luận phản hồi thô tiếng Việt, chia đều cho 3 miền: Di Động (2.000 mẫu lấy từ nghiên cứu UIT-ViSD4SA), Nhà Hàng (2.000 mẫu lấy từ tập dữ liệu VLSP-ABSA 2018) và Khách Sạn (2.000 mẫu lấy từ VLSP-ABSA 2018). Sau khi gán nhãn, bộ dữ liệu thu được 18.554 cặp đối tượng - khía cạnh có cảm xúc.

3. Tiêu chí kiểm soát chất lượng gán nhãn của nhóm tác giả là gì? Nhóm tác giả sử dụng độ đo đồng thuận F-score ($F_{mean}$) được tính toán riêng biệt cho cấp độ ký tự của chuỗi thực thể đối tượng và cấp độ cặp khía cạnh - cảm xúc. Mức đồng thuận tối thiểu bắt buộc trên mỗi bình luận được chấp nhận là từ 80% trở lên.

4. Khía cạnh cảm xúc ở miền Nhà Hàng và Khách Sạn được tổ chức như thế nào? Khác với miền Di Động (sử dụng 10 khía cạnh đơn), miền Nhà Hàng và Khách Sạn được tổ chức theo cặp Thực thể - Thuộc tính. Miền Nhà Hàng gồm 6 thực thể (RESTAURANT, AMBIENCE, LOCATION, FOOD, SERVICE, DRINKS) kết hợp 5 thuộc tính (GENERAL, QUALITY, PRICE, STYLE_OPTIONS, MISCELLANEOUS). Miền Khách Sạn gồm 7 thực thể (HOTEL, ROOMS, ROOMS_AMENITIES, FACILITIES, SERVICE, LOCATION, FOOD&DRINKS) kết hợp 8 thuộc tính (GENERAL, PRICES, DESIGN&FEATURES, CLEANLINESS, COMFORT, QUALITY, STYLE&OPTIONS, MISCELLANEOUS).

5. Kết quả thực nghiệm chính xác cao nhất đạt được trên bộ dữ liệu là bao nhiêu? Độ chính xác phân lớp cao nhất mà các mô hình thực nghiệm đạt được trên bộ dữ liệu UIT-VOF là 60,09%. Kết quả này phản ánh tính thử thách cao của bài toán TABSA trên dữ liệu phản hồi thực tế nhiều nhiễu chính tả và teencode của người dùng tiếng Việt.

Kết luận

Khóa luận tốt nghiệp của sinh viên Huỳnh Phan Minh Quang và Lê Thị Hồng Oanh đã giải quyết trọn vẹn bài toán Phân tích cảm xúc của đối tượng dựa trên khía cạnh (TABSA) cho tiếng Việt thông qua việc xây dựng bộ dữ liệu UIT-VOF gồm 6.000 phản hồi thực tế và 18.554 cặp nhãn. Nghiên cứu thiết lập quy trình gán nhãn khoa học có đo lường độ đồng thuận F-score khắt khe và thực nghiệm thành công các mô hình học máy, học sâu từ baseline đến Transformer SOTA với độ chính xác đạt 60,09%. Đây là công trình nền tảng có giá trị tham khảo cao về mặt học thuật và thực tiễn, mở đường cho các nghiên cứu chuyên sâu tiếp theo trong lĩnh vực xử lý ngôn ngữ tự nhiên tiếng Việt.