Đồ án phân tích cảm xúc khách hàng bằng NLP để gợi ý sản phẩm - ĐH Sư phạm Kỹ thuật TP.HCM

Hướng dẫn xây dựng hệ thống phân tích cảm xúc khách hàng bằng xử lý ngôn ngữ tự nhiên giúp tối ưu hóa gợi ý sản phẩm và nâng cao trải nghiệm mua sắm.

• Tác giả: Phạm Hữu Dũng
• Người hướng dẫn: PGS.TS. Hoàng Văn Dũng
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật dữ liệu
• Đề tài: Xây dựng hệ thống phân tích cảm xúc khách hàng bằng xử lý ngôn ngữ tự nhiên để gợi ý sản phẩm
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan NLP phân tích cảm xúc tại ĐH Sư phạm Kỹ thuật TP

Thương mại điện tử bùng nổ kéo theo khối lượng dữ liệu phản hồi khổng lồ từ người dùng. Khách hàng thường xuyên để lại bình luận trên các sàn Shopee hay Thế Giới Di Động. Đề tài tốt nghiệp ngành Kỹ thuật Dữ liệu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM tập trung giải quyết bài toán này. Nghiên cứu do nhóm sinh viên Phạm Hữu Dũng, Hoàng Mạnh Đức và Nguyễn Phương Khoa thực hiện dưới sự hướng dẫn của PGS.TS Hoàng Văn Dũng. Mục tiêu chính là xây dựng hệ thống phân tích cảm xúc bằng xử lý ngôn ngữ tự nhiên. Hệ thống tự động trích xuất ý kiến khách hàng từ văn bản tiếng Việt. Dữ liệu này trở thành đầu vào quan trọng cho thuật toán gợi ý sản phẩm cá nhân hóa. Công nghệ giúp doanh nghiệp nắm bắt mức độ hài lòng nhanh chóng. Việc tối ưu hóa quy trình phân tích đóng vai trò quyết định trong việc giữ chân khách hàng. Doanh nghiệp nâng cao doanh thu nhờ gợi ý sản phẩm trúng nhu cầu. Công trình nghiên cứu khẳng định tiềm năng ứng dụng thực tiễn của công nghệ dữ liệu hiện đại.

1.1. Bối cảnh nghiên cứu tại ĐH Sư phạm Kỹ thuật TP.HCM

Khoa Công nghệ Thông tin tại Trường Đại học Sư phạm Kỹ thuật TP.HCM luôn tiên phong nghiên cứu trí tuệ nhân tạo. Đề tài tốt nghiệp năm 2025 đặt trọng tâm vào kỹ thuật phân tích dữ liệu lớn. Nhóm tác giả khai thác kho bình luận trực tuyến thực tế. Dữ liệu phản ánh chân thực hành vi tiêu dùng hiện đại. Nghiên cứu kết hợp lý thuyết học máy tiên tiến với ứng dụng thực tế. Dự án giải quyết nhu cầu chuyển đổi số cấp thiết cho doanh nghiệp bán lẻ. Đề tài cung cấp cơ sở khoa học vững chắc về xử lý ngôn ngữ tự nhiên. Sinh viên tiếp cận quy trình chuẩn hóa từ tiền xử lý văn bản đến triển khai mô hình học sâu. Kết quả nghiên cứu tạo tiền đề phát triển các hệ thống thương mại thông minh.

1.2. Vai trò của NLP trong hệ thống gợi ý sản phẩm

Hệ thống gợi ý truyền thống thường chỉ dựa trên điểm số sao và lịch sử mua. Phương pháp này bỏ qua nhiều thông tin chi tiết trong lời nhận xét của khách hàng. Xử lý ngôn ngữ tự nhiên giải quyết triệt để hạn chế trên. Công nghệ NLP bóc tách cảm xúc ẩn sau từng câu chữ. Mô hình nhận diện chính xác mức độ hài lòng về từng khía cạnh sản phẩm. Thuật toán gợi ý nhận thêm nguồn ngữ nghĩa phong phú. Hệ thống nhanh chóng loại bỏ các đề xuất không tương thích với kỳ vọng của người mua. Trải nghiệm mua sắm trực tuyến trở nên mượt mà và cá nhân hóa sâu sắc. Doanh nghiệp xây dựng mối quan hệ tin cậy lâu dài với khách hàng thông qua các gợi ý chuẩn xác.

II. Khó khăn khi phân tích cảm xúc bằng NLP để gợi ý sản phẩm chính xác

Xử lý ngôn ngữ tự nhiên trong tiếng Việt đối mặt với nhiều rào cản phức tạp. Ngôn ngữ giao tiếp trên mạng xã hội chứa vô số từ lóng, ký hiệu viết tắt và cách biểu đạt phi quy chuẩn. Người dùng thường xuyên ghép câu đa nghĩa hoặc dùng biện pháp mỉa mai châm biếm. Một bình luận có thể khen ngợi về giá rẻ nhưng chê trách gay gắt khâu giao hàng. Các mô hình máy học truyền thống không thể nhận diện sự phân mảnh cảm xúc này. Hiện tượng mất cân bằng nhãn dữ liệu cũng là thách thức kỹ thuật lớn. Nhãn trung tính hoặc nhãn rỗng thường chiếm tỷ trọng áp đảo trong các bộ dữ liệu thương mại. Tình trạng này khiến thuật toán huấn luyện dễ bị thiên vị và suy giảm độ nhạy. Hệ thống gợi ý sản phẩm dễ đưa ra kết quả thiếu khách quan nếu dữ liệu cảm xúc bị sai lệch. Doanh nghiệp có nguy cơ gợi ý mặt hàng kém chất lượng cho khách hàng tiềm năng. Việc giải quyết triệt để các rào cản trên đòi hỏi cấu trúc mô hình xử lý ngôn ngữ tiên tiến hơn.

2.1. Thách thức phân tách cảm xúc đa khía cạnh

Khách hàng hiếm khi bày tỏ cảm xúc một chiều trong văn bản thương mại. Mỗi đánh giá sản phẩm thường chứa đựng nhiều quan điểm trái ngược nhau. Người mua có thể hài lòng về mẫu mã thiết kế nhưng bức xúc về thái độ giao hàng. Việc phân tách rạch ròi các khía cạnh giá cả, chất lượng và dịch vụ là bài toán kỹ thuật phức tạp. Mô hình phân loại thông thường hay gộp chung các nhận xét thành một nhãn cảm xúc duy nhất. Sự khái quát hóa thô sơ làm sai lệch bản chất phản hồi của khách hàng. Hệ thống gợi ý nhận dữ liệu sai dẫn đến quyết định đề xuất thiếu chính xác. Nhu cầu phân tích chi tiết từng khía cạnh đòi hỏi giải pháp trích xuất đặc trưng chuyên sâu.

2.2. Vấn đề mất cân bằng dữ liệu và hạn chế tài nguyên

Dữ liệu bình luận thương mại điện tử thường xuyên gặp tình trạng phân bổ nhãn không đồng đều. Nhãn rỗng hoặc trung tính xuất hiện với tần suất vượt trội so với các nhãn cảm xúc cụ thể. Khi huấn luyện, mô hình có xu hướng học lệch về phía nhóm nhãn chiếm đa số. Khả năng nhận diện cảm xúc tiêu cực hoặc tích cực rõ ràng bị suy giảm nghiêm trọng. Bên cạnh đó, việc tinh chỉnh toàn bộ mô hình ngôn ngữ lớn đòi hỏi năng lực phần cứng rất cao. Chi phí tính toán tăng vọt gây khó khăn cho việc triển khai thực tế. Rủi ro quá khớp dữ liệu cũng đe dọa trực tiếp độ chính xác của dự đoán. Nhóm nghiên cứu buộc phải tối ưu hóa kiến trúc mạng vừa nhẹ vừa duy trì hiệu năng.

III. Ứng dụng NLP và PhoBERT phân tích cảm xúc nhằm gợi ý sản phẩm

Giải pháp trọng tâm của đề tài là ứng dụng mô hình PhoBERT được tinh chỉnh chuyên sâu. PhoBERT hiểu rõ ngữ cảnh tiếng Việt nhờ huấn luyện trên kho văn bản bản ngữ khổng lồ. Nhóm nghiên cứu mở rộng kiến trúc mô hình với ba kỹ thuật bổ trợ hiện đại. Thứ nhất, cơ chế Attention Pooling học trọng số riêng biệt cho từng token trong câu. Kỹ thuật này trích xuất đặc trưng ngữ nghĩa vượt trội so với phương pháp pooling truyền thống. Thứ hai, mạng con Adapter Layer được chèn trực tiếp giữa các tầng transformer. Adapter cho phép tiếp nhận tri thức mới mà không làm thay đổi trọng số ban đầu. Giải pháp giúp tiết kiệm tối đa tài nguyên phần cứng và ngăn ngừa hiện tượng quá khớp. Thứ ba, phương pháp Multi-Task Learning dự đoán đồng thời ba khía cạnh cảm xúc chính gồm giá cả, chất lượng và dịch vụ. Việc chia sẻ không gian biểu diễn làm tăng khả năng khái quát hóa của mô hình. Hệ thống đánh giá hiệu năng toàn diện thông qua các chỉ số Macro F1-score, Precision và Recall. Kết quả phân loại cảm xúc khía cạnh đạt độ tin cậy vượt trội trước khi đưa vào bộ máy gợi ý.

3.1. Kiến trúc Attention Pooling và Adapter Layer

Cơ chế Attention Pooling đóng vai trò cốt lõi trong việc chọn lọc thông tin quan trọng. Mô hình tự động tính toán trọng số cho từng token dựa trên ngữ cảnh toàn câu. Những từ mang tính biểu cảm mạnh được gán trọng số ưu tiên cao. Nhờ vậy, câu văn giữ trọn vẹn ngữ nghĩa mà không bị pha loãng bởi các từ đệm vô nghĩa. Đồng thời, cấu trúc Adapter Layer cung cấp giải pháp tối ưu tài nguyên hiệu quả. Thay vì cập nhật toàn bộ tham số của PhoBERT, hệ thống chỉ huấn luyện các lớp mạng con nhẹ. Kỹ thuật này giữ nguyên tri thức gốc của mô hình ngôn ngữ lớn. Tốc độ huấn luyện tăng lên đáng kể trong khi dung lượng bộ nhớ được tiết kiệm tối đa. Tình trạng quá khớp trên tập dữ liệu nhỏ cũng được giải quyết triệt để.

3.2. Huấn luyện đa tác vụ và đánh giá hiệu năng

Kỹ thuật Multi-Task Learning cho phép mô hình xử lý song song ba bài toán phân loại cảm xúc. Ba nhánh đầu ra tương ứng với khía cạnh giá cả, chất lượng và dịch vụ. Mô hình chia sẻ các tầng trích xuất đặc trưng chung ở phần thân mạng. Cách tiếp cận này giúp giảm thiểu số lượng tham số so với việc huấn luyện ba mô hình riêng biệt. Độ tương quan ngữ nghĩa giữa các khía cạnh được mô hình khai thác triệt để. Quá trình đánh giá áp dụng các thang đo khắt khe gồm Macro F1-score, Precision và Recall. Nhóm nghiên cứu dễ dàng phát hiện các lỗi mất cân bằng nhãn trong dữ liệu kiểm tra. Cấu hình huấn luyện được tinh chỉnh liên tục nhằm đảm bảo độ chính xác đồng đều trên cả ba khía cạnh.

IV. Hiệu quả ứng dụng phân tích cảm xúc bằng NLP vào hệ thống gợi ý

Công trình nghiên cứu tại Đại học Sư phạm Kỹ thuật TP.HCM mở ra triển vọng ứng dụng to lớn. Việc kết hợp phân tích cảm xúc khía cạnh với hệ thống gợi ý nâng tầm trải nghiệm mua sắm trực tuyến. Thuật toán cá nhân hóa danh mục đề xuất dựa trên thị hiếu thực tế của người dùng. Khách hàng quan tâm đến giá rẻ sẽ nhận được gợi ý về các sản phẩm có phản hồi tích cực về chi phí. Ngược lại, người chú trọng dịch vụ sẽ được giới thiệu các gian hàng giao hàng chuẩn xác. Ngoài ra, mô hình NLP còn ứng dụng mạnh mẽ trong giám sát mạng xã hội. Doanh nghiệp theo dõi mức độ đón nhận của thị trường đối với các chiến dịch tiếp thị. Hệ thống hỗ trợ cảnh báo sớm các luồng dư luận tiêu cực để can thiệp kịp thời. Công nghệ phân tích cảm xúc tự động cũng tích hợp hiệu quả vào trợ lý ảo và chatbot chăm sóc khách hàng. Chatbot thấu hiểu tâm lý người mua để đưa ra phản hồi phù hợp và xoa dịu phàn nàn. Giải pháp công nghệ khẳng định giá trị thực tiễn cao cho nền kinh tế số.

4.1. Đề xuất sản phẩm cá nhân hóa theo từng khía cạnh

Hệ thống gợi ý tích hợp NLP tạo ra bước đột phá trong việc thấu hiểu khách hàng. Thay vì chỉ đánh giá sản phẩm qua số sao chung chung, hệ thống bóc tách điểm mạnh yếu cụ thể. Người tiêu dùng có tiêu chí mua sắm khắt khe về giá cả sẽ được phục vụ danh sách tối ưu chi phí. Khách hàng quan tâm đến độ bền sẽ nhận gợi ý sản phẩm sở hữu nhiều lời khen chất lượng. Cơ chế khớp nối thông minh nâng cao tỷ lệ chuyển đổi đơn hàng cho doanh nghiệp. Khách hàng tiết kiệm thời gian đọc hàng trăm bình luận thủ công trước khi mua. Trải nghiệm tìm kiếm sản phẩm trở nên trực quan, chính xác và đem lại sự hài lòng cao.

4.2. Tích hợp chatbot và giám sát trải nghiệm thương hiệu

Mô hình phân tích cảm xúc cung cấp nền tảng vững chắc cho dịch vụ khách hàng tự động. Các hệ thống chatbot thông minh nhận diện nhanh trạng thái bức xúc của người mua trong hộp thoại. Nhân viên tư vấn hoặc kịch bản tự động sẽ đưa ra phương án xử lý hòa giải ngay lập tức. Thời gian phản hồi giảm thiểu giúp ngăn ngừa các đánh giá tiêu cực lan rộng. Đồng thời, doanh nghiệp chủ động theo dõi phản ứng cộng đồng trên các trang mạng xã hội lớn. Mọi biến động về danh tiếng thương hiệu đều được ghi nhận theo thời gian thực. Doanh nghiệp kịp thời cải tiến chất lượng dịch vụ dựa trên các góp ý xác thực nhất từ thị trường.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh bùng nổ của các nền tảng thương mại điện tử và dịch vụ trực tuyến thời kỳ công nghệ 4.0, phản hồi từ khách hàng dưới dạng bình luận, nhận xét và đánh giá trở thành nguồn dữ liệu thứ cấp có giá trị cao giúp doanh nghiệp nắm bắt hành vi tiêu dùng và cải thiện chất lượng phục vụ. Đồ án tốt nghiệp ngành Kỹ thuật Dữ liệu tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh với đề tài "Xây dựng hệ thống phân tích cảm xúc khách hàng bằng xử lý ngôn ngữ tự nhiên để gợi ý sản phẩm" do nhóm sinh viên Phạm Hữu Dũng, Hoàng Mạnh Đức và Nguyễn Phương Khoa thực hiện, dưới sự hướng dẫn của PGS.TS Hoàng Văn Dũng, tập trung vào việc giải quyết bài toán khai thác dữ liệu văn bản tiếng Việt để tối ưu hóa khả năng đề xuất sản phẩm.

Vấn đề thực tiễn mà nghiên cứu đặt ra bắt nguồn từ tính phức tạp và đa dạng của ngôn ngữ tự nhiên trong các phản hồi trực tuyến. Tiếng Việt có đặc thù phân tách từ phức tạp (khoảng trắng dùng để phân tách âm tiết chứ không phải ranh giới từ), đồng thời văn bản từ người dùng thường chứa nhiều lỗi chính tả, từ viết tắt, tiếng lóng, ký hiệu biểu cảm (emoticons như "=))", ":(", ">,<") và ngữ cảnh mỉa mai, ẩn ý (sarcasm). Thêm vào đó, một đánh giá có thể thể hiện các thái độ trái ngược nhau trên từng khía cạnh riêng biệt (như khen ngợi chất lượng nhưng phàn nàn về giá cả hoặc dịch vụ).

Để giải quyết vấn đề trên, đề tài xác định 4 nhiệm vụ nghiên cứu cụ thể được đánh số theo văn bản đề cương:

1. Tìm hiểu tổng quan về Xử lý ngôn ngữ tự nhiên (NLP) và các ứng dụng của nó trong phân tích cảm xúc.
2. Khảo sát các phương pháp phân tích cảm xúc phổ biến gồm các mô hình học máy truyền thống, các mô hình học sâu (Deep Learning) và các mô hình ngôn ngữ tiền huấn luyện như BERT, PhoBERT.
3. Nghiên cứu kỹ thuật tiền xử lý văn bản tiếng Việt và kỹ thuật biểu diễn văn bản.
4. Thiết kế và triển khai hệ thống gợi ý sản phẩm có tích hợp phân tích cảm xúc trên giao diện người dùng.

Đối tượng nghiên cứu của đồ án là các đánh giá, nhận xét, phản hồi của khách hàng đối với các sản phẩm trên các nền tảng thương mại điện tử. Phạm vi nghiên cứu tập trung vào việc thu thập và phân tích dữ liệu phản hồi, đánh giá sản phẩm từ hai hệ thống bán lẻ trực tuyến tại Việt Nam là Thế Giới Di Động và Điện Máy Xanh; thời gian thực hiện nghiên cứu diễn ra từ ngày 03/03/2025 đến ngày 09/06/2025. Nghiên cứu lựa chọn giải quyết bài toán phân tích cảm xúc ở cấp độ câu (sentence-level) kết hợp phân loại cảm xúc đa khía cạnh (Aspect-Based Sentiment Analysis - ABSA) và phát hiện mỉa mai (sarcasm).

Cơ sở lý thuyết và phương pháp

Về cơ sở lý thuyết, nghiên cứu hệ thống hóa các nguyên lý của phân tích cảm xúc (Sentiment Analysis - SA), xử lý ngôn ngữ tự nhiên (NLP) và hệ thống gợi ý (Recommender System - RS). Trong NLP, tác giả phân tích cơ chế phân tách từ tiếng Việt, loại bỏ từ dừng (stopwords), và các phương pháp biểu diễn văn bản thành vector đặc trưng, bao gồm:

• Mô hình túi từ (Bag of Words - BoW) và Count Vector.
• Tần suất xuất hiện từ - Nghịch đảo tần suất văn bản (TF-IDF - Term Frequency-Inverse Document Frequency) kết hợp chuẩn hóa vector khoảng cách Euclidean (L2 Normalization).
• Nhúng từ ngữ nghĩa (Word Embeddings) như Word2Vec và GloVe.

Về phương pháp phân loại, đồ án xem xét cả hai nhóm thuật toán:

• Nhóm học máy truyền thống: Hồi quy Logistic (Logistic Regression) sử dụng hàm liên kết Sigmoid, mở rộng sang phân loại nhiều lớp bằng Softmax Regression cùng hàm mất mát Categorical Cross-Entropy; Rừng ngẫu nhiên (Random Forest Classifier) dựa trên tập hợp các cây quyết định (Decision Trees) sử dụng kỹ thuật lấy mẫu Bootstrapping, chỉ số độ bất thuần Gini (Gini Impurity), độ lợi thông tin (Information Gain) và cơ chế biểu quyết đa số (Majority Voting).
• Nhóm học sâu: Mạng nơ-ron hồi tiếp có bộ nhớ dài-ngắn hạn (LSTM - Long Short-Term Memory) với cấu trúc ô trạng thái (cell state) và ba cổng kiểm soát (cổng quên - forget gate, cổng vào - input gate, cổng ra - output gate); Mô hình ngôn ngữ tiền huấn luyện dành riêng cho tiếng Việt (PhoBERT) dựa trên kiến trúc Transformer mã hóa hai chiều (Bidirectional Encoder Representations).

Về lý thuyết hệ thống gợi ý, tác giả phân định ba trường phái chính: Lọc cộng tác (Collaborative Filtering gồm Memory-Based và Model-Based như phân rã ma trận SVD, ALS), Lọc dựa trên nội dung (Content-Based Filtering dựa trên đặc trưng sản phẩm và độ đo tương đồng Cosine), và Phương pháp gợi ý lai (Hybrid Recommendation) kết hợp tuần tự hoặc song song.

Phương pháp nghiên cứu thực nghiệm được triển khai thông qua việc thu thập dữ liệu web thực tế, xây dựng bộ dữ liệu huấn luyện đa nhiệm (Multi-Task Learning), gán nhãn khía cạnh và cảm xúc, tinh chỉnh mô hình ngôn ngữ (fine-tuning PhoBERT) và đánh giá định lượng bằng các chỉ số đo lường hiệu năng. Nguồn dữ liệu gồm dữ liệu cào từ trang Thế Giới Di Động và Điện Máy Xanh cùng tập dữ liệu gán nhãn bình luận mỉa mai (Sarcasm_comment.csv).

Thiết kế và triển khai

Hệ thống được thiết kế theo một đường ống xử lý dữ liệu đầu-cuối (end-to-end pipeline) hoàn chỉnh từ khâu thu thập văn bản thô đến hiển thị gợi ý trên giao diện tương tác:

[Thu thập dữ liệu: TGDĐ, Điện Máy Xanh]
[Tiền xử lý: Chuẩn hóa, pyvi/VnCoreNLP, loại Stopwords, Icon]
[Phân loại cảm xúc đa khía cạnh: PhoBERT Fine-Tuned / LSTM]
[Kiểm tra Sarcasm]  [Trích xuất Vector TF-IDF]
[Hệ thống gợi ý: Hybrid (Content-Based + Sentiment)]
[Giao diện ứng dụng: Flask Web Framework]

Kiến trúc module phân tích cảm xúc

1. Module tiền xử lý văn bản: Chuẩn hóa tiếng lóng, chuyển đổi từ viết tắt, loại bỏ các ký hiệu đặc biệt, biểu tượng cảm xúc và sử dụng các thư viện tiếng Việt chuyên dụng như pyvi hoặc VnCoreNLP để thực hiện tách từ (tokenization).
2. Module phân loại đa nhiệm (Multi-Task Learning): Mô hình PhoBERT được tinh chỉnh để cùng lúc dự đoán trạng thái cảm xúc trên ba khía cạnh độc lập:
   • Cảm xúc về giá cả (Price Sentiment).
   • Cảm xúc về chất lượng sản phẩm (Quality Sentiment).
   • Cảm xúc về dịch vụ phục vụ (Service Sentiment). Mỗi khía cạnh được phân loại thành một trong bốn nhãn: Không đề cập (None), Tích cực (Positive), Trung tính (Neutral), Tiêu cực (Negative).
3. Module mở rộng của PhoBERT: Tác giả tích hợp cơ chế tổng hợp chú ý (Attention Pooling) để gán trọng số cho các token có ý nghĩa quan trọng thay vì chỉ lấy vector của token CLS; chèn thêm tầng điều hợp nhẹ (Adapter Layer) giữa các khối Transformer nhằm tối ưu hóa việc học đặc trưng mới và giảm hiện tượng quá khớp (overfitting); tối ưu hóa bằng thuật toán AdamW, thiết lập cơ chế điều chỉnh tốc độ học (learning rate scheduler) và triệt tiêu trọng số (weight decay).
4. Module nhận diện mỉa mai (Sarcasm Detection): Xây dựng một nhánh xử lý riêng biệt dựa trên tập dữ liệu Sarcasm_comment.csv để phát hiện các phát biểu mang tính châm biếm, giúp hệ thống không bị đánh lừa bởi các từ ngữ tích cực bề mặt.

Kiến trúc module gợi ý sản phẩm

Hệ thống sử dụng cơ chế gợi ý dựa trên nội dung kết hợp yếu tố cảm xúc (sentiment-based content recommendation):

• Sử dụng ma trận đặc trưng TF-IDF kết hợp độ đo tương đồng Cosine (Cosine Similarity) để xác định các sản phẩm tương đồng về mặt thuộc tính, cấu hình và tầm giá.
• Tích hợp kết quả phân tích cảm xúc: Nếu phản hồi thể hiện sự hài lòng về sản phẩm, hệ thống gợi ý các sản phẩm cùng phân khúc chất lượng cao; nếu phát hiện phản hồi tiêu cực về giá hoặc sản phẩm gặp lỗi, hệ thống sẽ đề xuất các thiết bị thay thế có mức giá hợp lý hơn hoặc gợi ý phụ kiện bổ trợ đi kèm. Nếu bình luận bị phân loại là mỉa mai (sarcasm), hệ thống sẽ lọc bỏ hoặc đưa ra cảnh báo để không làm sai lệch kết quả gợi ý.

Công nghệ và giao diện triển khai

Hệ thống ứng dụng được đóng gói và vận hành trên nền tảng web sử dụng framework Flask (Python):

• Trang chủ và Trang chọn sản phẩm: Cung cấp danh mục các mặt hàng điện tử thu thập từ Thế Giới Di Động.
• Trang phân tích cảm xúc: Cho phép nhập văn bản bình luận tự do; hệ thống trả về kết quả phân tích sắc thái tổng thể từ LSTM hoặc hiển thị chi tiết điểm cảm xúc theo 3 khía cạnh (Price, Quality, Service) từ PhoBERT Fine-Tuned; tích hợp nhãn cảnh báo nếu phát hiện sarcasm.
• Dashboard trực quan hóa: Biểu đồ thể hiện phân bố cảm xúc của toàn bộ sản phẩm và bộ lọc bình luận theo từng khía cạnh/sắc thái.
• Trang gợi ý sản phẩm: Tự động hiển thị danh sách sản phẩm và phụ kiện tương ứng dựa trên phản hồi của người dùng (kịch bản bình luận tích cực, kịch bản bình luận tiêu cực, và kịch bản phàn nàn giá cao).

Nội dung chính theo từng chương

Chương 1: Cơ sở lý thuyết

Chương này cung cấp nền tảng toán học và kỹ thuật cho toàn bộ đề tài:

• Khái quát hóa nhiệm vụ của phân tích cảm xúc ở ba cấp độ: câu, văn bản và khía cạnh (ABSA).
• Trình bày chi tiết các kỹ thuật biểu diễn dữ liệu văn bản: các bước tính toán Term Frequency (TF), Inverse Document Frequency (IDF), tích TF-IDF và công thức chuẩn hóa L2 theo khoảng cách Euclidean nhằm triệt tiêu sự thiên lệch do độ dài văn bản.
• Trình bày cơ sở toán học của các thuật toán gợi ý: Lọc cộng tác dựa trên người dùng (User-Based), dựa trên sản phẩm (Item-Based), phân rã ma trận SVD/ALS; Lọc theo nội dung và mô hình lai (lai tuần tự, lai song song).
• Phân tích chi tiết cấu trúc toán học của các mô hình học máy: Cơ chế phân lớp của Logistic Regression; cấu tạo rừng cây quyết định của Random Forest với công thức tính độ bất thuần Gini và Information Gain; cơ chế hoạt động của mạng LSTM qua các công thức toán học tại cổng quên (hàm sigmoid), cổng vào (kết hợp sigmoid và tanh), cập nhật ô trạng thái $C_t$ và cổng ra; kiến trúc mã hóa Transformer của PhoBERT và lợi ích của việc fine-tuning đa nhiệm đối với tiếng Việt.

Chương 2: Xây dựng hệ thống và giải pháp

Chương này mô tả chi tiết quá trình kỹ thuật và các bước thực hiện giải pháp:

• Quy trình thu thập dữ liệu: Thu thập thông tin sản phẩm (tên thiết bị, giá bán, điểm đánh giá rating, số lượt bình luận, đường dẫn web) và văn bản phản hồi từ Thế Giới Di Động và Điện Máy Xanh.
• Các bước tiền xử lý dữ liệu: Làm sạch văn bản, loại bỏ ký tự rác, xử lý từ lóng, biểu tượng cảm xúc, gán nhãn đa nhiệm (Price, Quality, Service) và tiền xử lý tập dữ liệu phát hiện mỉa mai (Sarcasm_comment.csv).
• Xây dựng mô hình phân tích cảm xúc: Huấn luyện và kiểm thử mô hình học máy truyền thống (Logistic Regression, Random Forest), mô hình học sâu chuỗi LSTM và mô hình ngôn ngữ PhoBERT Fine-Tuned với Adapter Layer và Attention Pooling.
• Triển khai thuật toán gợi ý: Thiết lập cơ chế tính toán độ tương đồng nội dung dựa trên vector TF-IDF và độ đo Cosine, kết hợp bộ lọc logic theo cảm xúc người dùng và phân khúc giá.
• Thiết kế giao diện ứng dụng web Flask: Xây dựng các màn hình tương tác bao gồm giao diện phân tích cảm xúc của LSTM, giao diện phân loại 3 khía cạnh của PhoBERT, giao diện phát hiện mỉa mai, biểu đồ thống kê cảm xúc toàn bộ sản phẩm và giao diện hiển thị danh sách gợi ý sản phẩm/phụ kiện theo các ngữ cảnh bình luận.

Chương 3: Thực nghiệm và đánh giá

Chương này tập trung vào thiết lập thử nghiệm và lượng hóa hiệu năng của các giải pháp:

• Dữ liệu thực nghiệm: Tập dữ liệu bình luận sản phẩm công nghệ thu thập thực tế và tập dữ liệu phân loại bình luận mỉa mai.
• Môi trường thực nghiệm: Hệ thống máy tính thực nghiệm, cài đặt môi trường lập trình Python, các thư viện học máy và học sâu (torch, transformers, scikit-learn, numpy, pandas) cùng các công cụ tiền xử lý ngôn ngữ tiếng Việt (pyvi, VnCoreNLP).
• Mô hình thực nghiệm: Thiết lập các kịch bản so sánh giữa nhóm mô hình truyền thống (Logistic Regression, Random Forest), mô hình chuỗi thời gian (LSTM) và mô hình học chuyển giao (PhoBERT Fine-Tuned).
• Kết quả thực nghiệm: Đánh giá hiệu năng phân loại cảm xúc tổng thể và chi tiết theo từng khía cạnh thông qua các độ đo: Độ chính xác (Accuracy), Độ chuẩn xác (Precision), Độ thu hồi (Recall), Điểm F1 trung bình vĩ mô (Macro-F1) và Độ chính xác kết hợp (Joint Accuracy). Đồng thời, chương này đánh giá sự thay đổi về chất lượng gợi ý sản phẩm khi hệ thống có và không có module xử lý bình luận mỉa mai (sarcasm).

Kết quả và đóng góp

Đồ án đã xây dựng hoàn chỉnh một hệ thống ứng dụng tích hợp giữa phân tích cảm xúc đa khía cạnh và gợi ý sản phẩm cho thương mại điện tử tiếng Việt. Các kỹ thuật và mô hình được khảo cứu và đối sánh trong văn bản được tổng hợp trong bảng sau:

Nhóm phương pháp	Kỹ thuật / Mô hình cụ thể	Đặc trưng đầu vào / Kiến trúc	Mục đích áp dụng trong đồ án
Mô hình học máy truyền thống	Logistic Regression (Softmax)	Vector TF-IDF, chuẩn hóa L2	Phân loại cảm xúc đa nhiệm (4 nhãn trên 3 khía cạnh: Price, Quality, Service)
Mô hình học máy truyền thống	Random Forest Classifier	Vector TF-IDF, Bootstrapping, Gini Impurity	Dự đoán cảm xúc đa nhãn thông qua biểu quyết đa số từ tập hợp cây quyết định
Mô hình học sâu chuỗi	LSTM (Long Short-Term Memory)	Chuỗi từ, Cell state, Forget / Input / Output gates	Phân loại cảm xúc câu văn bản, ghi nhớ ngữ cảnh dài và sự chuyển hướng thái độ
Mô hình học sâu Transformer	PhoBERT Fine-Tuned (Multi-Task)	Kiến trúc Transformer, Adapter Layer, Attention Pooling	Phân loại cảm xúc đa khía cạnh đồng thời; tối ưu hóa trích xuất đặc trưng tiếng Việt
Module chuyên biệt	Sarcasm Detection Model	Dữ liệu Sarcasm_comment.csv	Nhận diện bình luận mỉa mai để cảnh báo hoặc loại bỏ khỏi đường ống gợi ý
Hệ thống gợi ý	Content-Based kết hợp Sentiment	Vector TF-IDF, Cosine Similarity, Nhãn cảm xúc	Đề xuất sản phẩm tương đồng, sản phẩm thay thế hoặc phụ kiện khi nhận xét tiêu cực

Các giải pháp và đóng góp chính của tác giả

• Đề xuất quy trình phát hiện mỉa mai (Sarcasm): Khắc phục nhược điểm của các hệ thống phân tích cảm xúc thông thường khi bị sai lệch bởi các bình luận chứa từ ngữ tích cực bề mặt nhưng mang ý châm biếm thực tế; từ đó lọc bỏ dữ liệu nhiễu giúp kết quả gợi ý sản phẩm đạt độ tin cậy cao hơn.
• Áp dụng kiến trúc đa nhiệm (Multi-Task Learning) trên PhoBERT: Cho phép mô hình dự đoán đồng thời ba khía cạnh Price, Quality, Service trong một lượt xử lý duy nhất, kết hợp cơ chế Attention Pooling và Adapter Layer giúp mô hình giảm tải tài nguyên tính toán và hạn chế quá khớp.
• Cơ chế gợi ý sản phẩm thích ứng theo cảm xúc: Không chỉ gợi ý sản phẩm tương đồng thuần túy dựa trên mô tả kỹ thuật, hệ thống tận dụng cảm xúc tiêu cực của khách hàng (về giá hoặc chất lượng) để tự động kích hoạt luật đề xuất các sản phẩm thay thế phù hợp hơn hoặc gợi ý phụ kiện bổ trợ.
• Xây dựng ứng dụng web Flask hoàn chỉnh: Hiện thực hóa toàn bộ các mô hình nghiên cứu thành một sản phẩm phần mềm có giao diện dashboard trực quan, hỗ trợ người dùng và nhà quản trị theo dõi cảm xúc thị trường theo thời gian thực.

Hạn chế và hướng nghiên cứu tiếp

Theo phạm vi và nội dung trình bày trong văn bản đồ án, các hạn chế và hướng phát triển được xác định như sau:

• Hạn chế về nguồn dữ liệu: Dữ liệu thực nghiệm của đề tài chỉ tập trung vào phân khúc thiết bị công nghệ và điện máy tiêu dùng thu thập từ hai hệ thống bán lẻ là Thế Giới Di Động và Điện Máy Xanh, chưa mở rộng ra các ngành hàng khác trên các sàn thương mại điện tử tổng hợp.
• Hạn chế về phân bố nhãn: Quá trình huấn luyện mô hình đa nhiệm gặp thách thức về hiện tượng mất cân bằng dữ liệu giữa các lớp, đặc biệt là nhãn "None" (không đề cập) chiếm tỷ lệ áp đảo so với các nhãn cảm xúc cụ thể trong một số khía cạnh.
• Cấp độ phân tích: Hệ thống hiện mới tập trung giải quyết bài toán ở cấp độ câu (sentence-level), chưa đi sâu vào phân tích ngữ cảnh liên kết phức tạp ở cấp độ toàn bộ tài liệu dài (document-level).
• Hướng nghiên cứu tiếp: Tác giả đề xuất tích hợp các mô hình ngôn ngữ lớn (Large Language Models - LLM) để nâng cao khả năng suy luận ngữ cảnh tự nhiên; gia tăng tính tương tác thời gian thực trên giao diện người dùng; và mở rộng quy mô dữ liệu sang các nền tảng thương mại điện tử đa dạng khác.

Giá trị tham khảo

Báo cáo đồ án tốt nghiệp này mang lại giá trị tham khảo thiết thực cho:

• Sinh viên và học viên chuyên ngành Kỹ thuật Dữ liệu, Khoa học Dữ liệu, Trí tuệ Nhân tạo và Công nghệ Thông tin: Là tài liệu tham khảo chi tiết về quy trình xây dựng bài toán NLP xử lý dữ liệu tiếng Việt từ khâu cào dữ liệu web, làm sạch văn bản, tách từ bằng pyvi/VnCoreNLP, đến kỹ thuật trích xuất đặc trưng TF-IDF và Word Embeddings.
• Người nghiên cứu bài toán phân tích cảm xúc theo khía cạnh (ABSA): Cung cấp phương pháp luận và cấu trúc mạng thực tế trong việc fine-tune mô hình PhoBERT kết hợp Multi-Task Learning, Adapter Layer và Attention Pooling.
• Kỹ sư phát triển hệ thống gợi ý (Recommender System): Đưa ra giải pháp kỹ thuật cụ thể về cách tích hợp phản hồi định tính (cảm xúc khách hàng và phát hiện mỉa mai) vào thuật toán lọc nội dung (Cosine Similarity) để cá nhân hóa đề xuất sản phẩm trên nền tảng web Flask.

Câu hỏi thường gặp

1. Hệ thống phân tích cảm xúc trong đồ án phân loại theo những khía cạnh và nhãn cảm xúc cụ thể nào?

Hệ thống giải quyết bài toán phân loại cảm xúc đa khía cạnh (Aspect-Based Sentiment Analysis) tập trung vào 3 khía cạnh chính trong một bình luận: Giá cả (Price Sentiment), Chất lượng sản phẩm (Quality Sentiment), và Dịch vụ (Service Sentiment). Tại mỗi khía cạnh, mô hình sẽ phân loại vào một trong 4 nhãn: Không đề cập (None), Tích cực (Positive), Trung tính (Neutral), hoặc Tiêu cực (Negative).

2. Tác giả đã áp dụng những cải tiến kiến trúc nào khi fine-tuning mô hình PhoBERT?

Để tối ưu hóa PhoBERT cho bài toán học đa nhiệm (Multi-Task Learning), tác giả đã bổ sung: (1) Cơ chế Attention Pooling để học trọng số chú ý cho từng token quan trọng thay cho việc chỉ lấy vector đại diện mặc định; (2) Tầng điều hợp Adapter Layer chèn giữa các khối Transformer nhằm tiếp nhận thông tin mới mà không làm thay đổi toàn bộ trọng số gốc, giảm thiểu chi phí tính toán và chống quá khớp; (3) Sử dụng bộ tối ưu hóa AdamW kết hợp bộ điều chỉnh tốc độ học (learning rate scheduler) và triệt tiêu trọng số (weight decay).

3. Dữ liệu thực nghiệm của đề tài được thu thập từ đâu và gồm những trường thông tin gì?

Dữ liệu được thu thập trực tiếp từ hai trang web bán lẻ trực tuyến tại Việt Nam là Thế Giới Di Động và Điện Máy Xanh. Các trường dữ liệu được trích xuất bao gồm: tên sản phẩm, giá tiền, điểm đánh giá (rating), số lượng bình luận, liên kết sản phẩm trên web, cùng nội dung văn bản nhận xét của người dùng. Ngoài ra, tác giả sử dụng thêm tập dữ liệu riêng biệt Sarcasm_comment.csv để phục vụ tác vụ nhận diện mỉa mai.

4. Cơ chế gợi ý sản phẩm xử lý như thế nào đối với các bình luận tiêu cực hoặc mỉa mai (sarcasm)?

Khi phát hiện bình luận tiêu cực về chất lượng hoặc giá thành, thuật toán gợi ý dựa trên nội dung sẽ tự động tìm kiếm các sản phẩm thay thế cùng loại có phân khúc giá phù hợp hơn hoặc đề xuất các phụ kiện liên quan để giải quyết vấn đề của khách hàng. Trong trường hợp phát hiện bình luận chứa sắc thái mỉa mai (sarcasm), hệ thống sẽ chủ động loại bỏ bình luận đó khỏi tập dữ liệu tính toán gợi ý hoặc đưa ra cảnh báo để không làm sai lệch thuật toán đề xuất.

5. Ứng dụng web của hệ thống được xây dựng bằng công nghệ nào và cung cấp những tính năng trực quan nào?

Hệ thống ứng dụng được xây dựng bằng framework Flask (Python). Giao diện cung cấp các tính năng: nhập đánh giá để phân tích cảm xúc thời gian thực (hỗ trợ cả mô hình LSTM và PhoBERT), hiển thị cảnh báo sarcasm, dashboard biểu đồ thống kê tỷ lệ cảm xúc của toàn bộ sản phẩm, bộ lọc bình luận theo từng khía cạnh/sắc thái và màn hình đề xuất sản phẩm/phụ kiện theo ngữ cảnh phản hồi của người dùng.

Kết luận

Đồ án tốt nghiệp "Xây dựng hệ thống phân tích cảm xúc khách hàng bằng xử lý ngôn ngữ tự nhiên để gợi ý sản phẩm" của nhóm tác giả Phạm Hữu Dũng, Hoàng Mạnh Đức và Nguyễn Phương Khoa đã giải quyết trọn vẹn bài toán kết hợp giữa NLP và hệ thống gợi ý trong thương mại điện tử tiếng Việt. Bằng việc fine-tune mô hình PhoBERT với kiến trúc đa nhiệm kết hợp cơ chế Attention Pooling, Adapter Layer và module phát hiện mỉa mai, nghiên cứu đã xử lý hiệu quả tính đa nghĩa và phức tạp của văn bản phản hồi trực tuyến. Toàn bộ giải pháp được hiện thực hóa thành công trên ứng dụng web Flask, cung cấp công cụ trực quan hỗ trợ phân tích thị trường và nâng cao trải nghiệm mua sắm cá nhân hóa cho người tiêu dùng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 1. Tổng quan về phân tích cảm xúc 1. Phân tích cảm xúc là gì? Phân tích cảm xúc (SA) là một nhánh quan trọng trong lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP), với mục tiêu nhận diện và đánh giá cảm xúc của con người thông qua văn bản, như bình luận, câu nói, hay đánh giá. Phân tích cảm xúc giúp phân loại các trạng thái cảm xúc thành tích cực, tiêu cực hoặc trung tính.

Với sự phát triển mạnh mẽ của mạng xã hội, các kỹ thuật NLP ngày càng được ứng dụng rộng rãi để trích xuất và phân tích thông tin từ hàng triệu bài viết, qua đó đánh giá mức độ quan tâm của người dùng đối với các sự kiện hoặc nội dung được chia sẻ. Những kết quả này cung cấp cho doanh nghiệp và tổ chức cái nhìn sâu sắc hơn về ý kiến khách hàng, từ đó hỗ trợ cải tiến sản phẩm, dịch vụ và xây dựng chiến lược truyền thông hiệu quả hơn. Hình 1: Minh họa quá trình phân tích cảm xúc trong một đoạn văn bản. Ngoài giá trị nghiên cứu học thuật, phân tích cảm xúc còn đóng vai trò quan trọng trong các ngành công nghiệp, đặc biệt là lĩnh vực dịch vụ, nơi việc hiểu rõ hành vi và cảm xúc của khách hàng là yếu tố then chốt để nâng cao trải nghiệm người dùng.

Tuy nhiên, việc phân tích cảm xúc không hề đơn giản do ngôn ngữ tự nhiên thường mang tính nhập nhằng về ngữ nghĩa. Thêm vào đó, người dùng còn sử dụng từ viết tắt, tiếng lóng và các biểu tượng cảm xúc như "=))", ":(", ">,<" để bộc lộ trạng thái, gây khó khăn cho việc xử lý dữ liệu một cách chính xác. 8 Hiện nay, bài toán phân tích cảm xúc thường được thực hiện ở ba cấp độ chính: cấp độ câu (sentence-level), cấp độ văn bản (document-level) và cấp độ khía cạnh (aspect-level). Ở cấp độ câu, mục tiêu là phân loại cảm xúc của từng câu văn thành tích cực, tiêu cực hoặc trung tính.

Cấp độ văn bản đi xa hơn, tập trung vào đánh giá cảm xúc tổng thể của một đoạn văn hoặc tài liệu gồm nhiều câu. Trong khi đó, cấp độ khía cạnh đi sâu vào việc phân tích cảm xúc theo từng khía cạnh cụ thể được đề cập trong văn bản. Trong phạm vi đồ án này, nhóm sẽ tập trung vào phân tích cảm xúc ở cấp độ câu, vì đây là phương pháp đơn giản hơn nhưng vẫn đảm bảo cung cấp thông tin hữu ích và tối ưu hóa kết quả. Các phương pháp phân tích cảm xúc Các phương pháp phân tích cảm xúc sẽ được chia thành các nhóm như sau : - Phương pháp dựa trên từ điển cảm xúc (Lexicon-Based Approach): Phương pháp này sử dụng các từ điển cảm xúc đã được xây dựng sẵn, trong đó các từ hoặc cụm từ được gán điểm số cảm xúc (tích cực, tiêu cực, trung tính).

Khi phân tích văn bản, hệ thống so khớp các từ trong văn bản với từ điển để xác định cảm xúc tổng thể. Phương pháp này được sử dụng phổ biến trong các bài toán phân tích dữ liệu mạng xã hội, đặc biệt là trên các nền tảng như Twitter hoặc Facebook, nơi cần xử lý văn bản ngắn gọn. - Phương pháp dựa trên học máy (Machine Learning-Based Approach) : Phương pháp học máy dựa trên việc sử dụng dữ liệu được gán nhãn trước (tích cực, tiêu cực, trung tính) để huấn luyện các mô hình phân loại. Sau khi được huấn luyện, mô hình có thể dự đoán cảm xúc từ văn bản chưa biết dựa trên các đặc trưng được trích xuất, như Bag of Words (BoW), TF-IDF, hoặc Word Embeddings.