Ứng dụng mô hình học sâu phân loại cảm xúc dựa trên các khía cạnh từ nội dung đánh giá tiếng Việt sản phẩm thuộc ngành hàng thời trang trên sàn thương mại điện tử

Abstract

92% người tiêu dùng đã thử mua sắm trực tuyến vào năm 2019 và tiếp tục duy trì thói quen này sau khi đại dịch kết thúc (McKinsey & Company, 2023). Bên cạnh những thông tin sản phẩm được cung cấp bởi các người bán, người tiêu dùng trực tuyến thường có xu hướng tìm kiếm các đánh giá được cung cấp bởi các người tiêu dùng khác đã mua sản phẩm (Baek và cộng sự, 2012). Họ luôn muốn mua các sảnphẩm được người khác đánh giá tốt và có những yếu tố mà họ đang tìm kiếm. Do sự phát triển không ngừng của sàn thương mại điện tử (TMĐT), số lượng sản phẩm được bán trên sàn ngày một lớn và những đánh giá của khách hàng cũng tăng nhanh, việc hiểu rõ chất lượng thực sự của sản phẩm ngày càng trở nên phức tạp hơn. Từ đó, việc phân tích xếp hạng đánh giá và gợi ý của khách hàng là rất quan trọng để hỗ trợ quá trình ra quyết định của người tiêu dùng đối với các sản phẩm nói chung và các sản phẩm thuộc ngành hàng thời trang trên sàn TMĐT nói riêng. Trong luận văn này, tác giả xây dựng tập dữ liệu từ Shopee với khoảng 12.000 đánh giá đã gán nhãn 7 loại khía cạnh và 3 cực cảm xúc. Mô hình end-to-end với cùng kiến trúc trong hai phương pháp: mô hình đa nhiệm (Multi-task) và mô hình đa nhiệm rẽ nhánh (Multi-task with Multi-branch) và mô hình đơn nhiệm Single-task(BiGRU+Conv1D) được so sánh để đánh giá hiệu suất trích xuất khía cạnh và phân loại cảm xúc (ABSA). Mô hình Multi-task sử dụng PHOBERT được lựa chọn là mô hình học sâu hiệu quả, có khả năng kết hợp nhiều nhiệm vụ khác nhau (trích xuất khía cạnh và phân loại cảm xúc) trong một mạng nơ-ron sâu, giúp tối ưu hóa việc học và cải thiện hiệu suất tổng thể. Hướng tiếp cận này hứa hẹn những ứng dụng thực tế hơn nhiều các nghiên cứu trước đây. Cuối cùng, luận văn nêu ra các hạn chếvà hướng phát triển tương lai để cải thiện kết quả nhiệm vụ ABSA từ đánh giá sản phẩm trên sàn TMĐT.