Ứng dụng mô hình học sâu phân tích cảm xúc theo khía cạnh trên nội dung đánh giá sản phẩm thuộc ngành hàng chăm sóc thú cưng trên sàn thương mại điện tử

Abstract

Luận văn tập trung nghiên cứu ứng dụng mô hình học sâu để phân tích cảm xúc theo khía cạnh (ABSA) từ đánh giá của sản phẩm trong ngành hàng chăm sóc thú cưng trên các sàn thương mại điện tử Shopee. Bằng cách thu thập và xử lý gần 4500 dữ liệu phản hồi khách hàng, nghiên cứu đã triển khai 2 mô hình gồm: mô hình học đa nhiệm (Multi-task learning) và mô hình học đa nhiệm với nhánh đa (Multi-task with Multi-branch Learning) để thực hiện nhiệm vụ phân tích khía cạnh dựa trên cảm xúc và so sánh hiệu quả giữa 2 mô hình này. Cả hai mô hình đều được thiết kế dựa trên PhoBERT nhưng có cấu trúc mạng nơron khác nhau đã cho ra các các hiệu quả khi thực thi nhiệm vụ khác nhau. Kết quả nghiên cứu cho thấy mô hình PhoBERT đạt hiệu quả vượt trội trong phân tích cảm xúc và có tiềm năng ứng dụng thực tế trong việc nâng cao trải nghiệm khách hàng cho doanh nghiệp. Ngoài ra, nghiên cứu cũng chỉ ra rằng cấu trúc của các mô hình học sâu khác nhau có thể ảnh hưởng đáng kể đến hiệu quả phân tích đánh giá sản phẩm. Cụ thể, mô hình học đa nhiệm với nhánh đa thể hiện hiệu suất tổng thể cao hơn, đặc biệt ở nhiệm vụ chính là phân tích cảm xúc theo khía cạnh, khi đạt F1-score vượt trội hơn so với mô hình học đa nhiệm cơ bản. Kết quả này khẳng định vai trò của cấu trúc nhánh đa trong việc học sâu các đặc trưng ngữ nghĩa và cải thiện khả năng nhận diện cảm xúc ở cấp độ khía cạnh. Luận văn đồng thời đóng góp một bộ dữ liệu phản hồi được chuẩn hóa và gán nhãn, hỗ trợ cho các nghiên cứu tiếp theo trong lĩnh vực phân tích cảm xúc tại Việt Nam. Dựa trên những kết quả đạt được, nghiên cứu đã xác định một số hạn chế và đề xuất hướng phát triển, bao gồm việc ứng dụng mô hình vào hệ thống tự động phân tích phản hồi khách hàng trong doanh nghiệp