Ứng dụng mô hình học máy phân tích cảm xúc phản hồi khách hàng và sử dụng mô hình ngôn ngữ lớn để thiết kế kịch bản đào tạo cho nhân viên

Abstract

Nghiên cứu hướng đến việc cải thiện hiệu quả tư vấn tín dụng tại ngân hàng thông qua ứng dụng mô hình học máy vào phân tích cảm xúc từ phản hồi của khách hàng. Trên cơ sở đó, nghiên cứu đề xuất một quy trình đào tạo linh hoạt, thích ứng theo cảm xúc khách hàng thực tế trong các cuộc hội thoại tư vấn qua điện thoại. Dữ liệu được xử lý bằng kỹ thuật GloVe embedding và huấn luyện qua mô hình LSTM để phân loại cảm xúc thành ba nhóm: tích cực, trung lập và tiêu cực. Các mô hình học máy như Logistic Regression và Linear SVM (với biểu diễn BoW) đạt độ chính xác cao (>86%), nhưng có dấu hiệu overfitting, dẫn đến khả năng tổng quát hóa kém. Trong khi đó, mô hình LSTM kết hợp Fine-tuned GloVe đạt độ chính xác 87%, cho thấy khả năng ổn định hơn trong việc hiểu ngữ cảnh và biểu cảm khách hàng.