XÂY DỰNG WEBSITE THƯƠNG MẠI ĐIỆN TỬ CỬA HÀNG THỂ THAO ỨNG DỤNG MÁY HỌC TRONG HỖ TRỢ KIỂM DUYỆT BÌNH LUẬN NGƯỜI DÙNG

Abstract

Hiện nay, cùng với sự bùng nổ của thương mại điện tử, số lượng đánh giá và bình luận từ người dùng trên các nền tảng mua sắm ngày càng tăng cao. Tuy nhiên, các quản trị viên thường gặp nhiều khó khăn trong việc kiểm soát nội dung, dẫn đến tình trạng rác (spam), ngôn ngữ mạng (teencode) hoặc các bình luận tiêu cực, thiếu chuẩn mực xuất hiện tràn lan. Khách hàng cũng vì thế mà khó tiếp cận được những thông tin đánh giá khách quan, ảnh hưởng trực tiếp đến trải nghiệm mua sắm và việc ra quyết định. Các vấn đề trên không chỉ làm giảm uy tín của cửa hàng mà còn gây tốn kém thời gian, nhân lực cho quá trình kiểm duyệt thủ công. Hệ thống website thương mại điện tử cửa hàng thể thao tích hợp máy học ra đời nhằm giải quyết những hạn chế trên, mang lại môi trường mua sắm trực tuyến tiện lợi, an toàn và văn minh. Website cung cấp đầy đủ các chức năng cốt lõi giúp khách hàng dễ dàng tìm kiếm, đặt mua sản phẩm, đồng thời hỗ trợ ban quản trị tự động hóa quy trình kiểm duyệt nội dung. Thông qua mô hình học sâu được nhúng trực tiếp, hệ thống có khả năng tự động phân tích ngữ nghĩa, chuẩn hóa dữ liệu và phân loại bình luận theo thời gian thực để đưa ra quyết định hiển thị hoặc cảnh báo vi phạm. Hệ thống được xây dựng trên nền tảng web với Vue.js (kết hợp Vuetify) cho frontend, Node.js (Express) cho backend, cơ sở dữ liệu MySQL để lưu trữ thông tin cùng với mô hình xử lý ngôn ngữ tự nhiên PhoBERT kết hợp hàm mất mát Asymmetric Loss (ASL) cho kiểm duyệt bình luận. Về cơ bản, website thương mại điện tử tích hợp học máy đã cung cấp một nền tảng kinh doanh trực tuyến hoàn chỉnh, khép kín từ khâu đặt hàng đến kiểm duyệt, đáp ứng tốt các yêu cầu đặt ra. Trong tương lai, hệ thống có thể được phát triển mở rộng thêm các tính năng như tích hợp AI để cá nhân hóa gợi ý sản phẩm cho từng khách hàng, bổ sung thêm các cổng thanh toán điện tử quốc tế và phát triển phiên bản ứng dụng trên thiết bị di động. Đề tài: Xây dựng website thương mại điện tử cửa hàng thể thao ứng dụng máy học trong hỗ trợ kiểm duyệt bình luận người dùng . Currently, alongside the rapid growth of e-commerce, the volume of user reviews and comments on shopping platforms is increasing significantly. However, system administrators often face major challenges in content moderation, leading to the rampant appearance of spam, internet slang (teencode), and toxic or inappropriate comments. Consequently, customers struggle to access objective review information, which directly affects their shopping experience and decision-making process. These issues not only degrade the store's reputation but also consume a massive amount of time and human resources for manual moderation. The sports store e-commerce website integrated with machine learning was developed to address these limitations, providing a convenient, safe, and civilized online shopping environment. The website offers comprehensive core functions that allow customers to easily search and purchase products, while simultaneously assisting administrators in automating the content moderation process. Through an embedded deep learning model, the system can automatically analyze semantics, normalize data, and classify comments in real-time to make display decisions or flag violations. The system is built with an intuitive web interface utilizing Vue.js (with Vuetify) for the frontend, Node.js (Express) for the backend, a MySQL database for information storage, and the PhoBERT natural language processing model combined with the Asymmetric Loss (ASL) function for comment moderation. Fundamentally, the machine learning-integrated e-commerce website provides a complete, closed-loop online business platform from ordering to moderation, successfully meeting the designated requirements. In the future, the system can be further expanded by developing features such as AI integration for personalized product recommendations for each customer, incorporating additional international e-wallet payment gateways, and developing a mobile application version.