NGHIÊN CỨU PHƯƠNG PHÁP PHÂN TÍCH CẢM XÚC THEO KHÍA CẠNH DỰA TRÊN MÔ HÌNH TRANSFORMER

Abstract

Đề tài tập trung nghiên cứu bài toán phân tích cảm xúc theo khía cạnh (aspect-based sentiment analysis - ABSA) đối với các đánh giá sản phẩm công nghệ bằng tiếng Việt. Khác với các phương pháp phân loại truyền thống, nghiên cứu tiếp cận theo hướng phát hiện khoảng văn bản (span detection), cho phép xác định chính xác vị trí các từ ngữ (spans) thể hiện các khía cạnh cụ thể như: pin, máy ảnh, thiết kế, hiệu năng, giá cả, … và phân loại sắc thái cảm xúc tương ứng ngay tại vị trí đó. Trong quá trình thực hiện, đề tài kế thừa và phát triển từ bộ dữ liệu chuẩn UIT-ViSD4SA. Về mặt kỹ thuật, nghiên cứu áp dụng mô hình ngôn ngữ tiền huấn luyện PhoBERT (v2) kết hợp với kiến trúc BiLSTM-CRF. Sự kết hợp này giúp tận dụng khả năng biểu diễn ngữ nghĩa sâu sắc của kiến trúc transformer, khả năng học đặc trưng trình tự hai chiều của BiLSTM và cơ chế giải mã tối ưu của tầng CRF. Cách tiếp cận này giúp hệ thống xử lý hiệu quả các biến thể ngôn ngữ, từ mượn và từ lóng đặc thù trong các bình luận thương mại điện tử tại Việt Nam. Để nâng cao hiệu năng, nghiên cứu tập trung tối ưu hóa quá trình tiền xử lý và tinh chỉnh các siêu tham số trong quá trình huấn luyện (fine-tuning). Kết quả thực nghiệm cho thấy phương pháp đề xuất đạt hiệu suất ấn tượng với chỉ số F1-Macro đạt 62.74%, cải thiện rõ rệt so với các nghiên cứu tiền nhiệm, đặc biệt là trong việc nhận diện ranh giới khía cạnh ở các câu có cấu trúc đa khía cạnh phức tạp. Hệ thống được triển khai dưới dạng ứng dụng web trực quan sử dụng thư viện streamlit, hỗ trợ trích xuất, trực quan hóa và tô màu (highlight) các khía cạnh cùng sắc thái cảm xúc từ văn bản đơn lẻ hoặc tệp dữ liệu lớn. Kết quả của luận văn góp phần cung cấp giải pháp thực tiễn trong việc phân tích dữ liệu khách hàng và hỗ trợ quản trị trải nghiệm người dùng (CXM) trong hệ sinh thái thương mại điện tử. This research focuses on aspect-based sentiment analysis (ABSA) for Vietnamese technology product reviews. Diverging from traditional classification methods, this study adopts a span detection approach, which enables the precise identification of text segments (spans) representing specific aspects such as battery, camera, design, performance, price, and others, while simultaneously classifying the corresponding sentiment polarity at those specific locations. Throughout the implementation, the project inherits and builds upon the UIT-ViSD4SA benchmark dataset. Technically, the research employs the pre-trained language model PhoBERT (v2) integrated with a BiLSTM-CRF (bidirectional long short-term memory – conditional random fields) architecture. This combination leverages the deep semantic representation of the Transformer architecture, the bidirectional sequence feature learning of BiLSTM, and the optimal decoding mechanism of the CRF layer. This approach allows the system to effectively process linguistic variations, loanwords, and slang typical of Vietnamese e-commerce comments. To enhance performance, the study focuses on optimizing preprocessing and fine-tuning hyperparameters during the training process. Experimental results demonstrate that the proposed method achieves impressive performance, with a macro-F1 score of 62.74%. This represents a significant improvement over previous studies, particularly in identifying aspect boundaries within complex, multi-aspect sentence structures. The system is deployed as an intuitive web application using the Streamlit library, supporting the extraction, visualization, and highlighting of aspects and sentiments from individual text entries or large datasets. The findings of this thesis contribute a practical solution for customer data analysis and support customer experience management (CXM) within the e-commerce ecosystem.