ỨNG DỤNG CÁC KỸ THUẬT XỬ LÝ NGÔN NGỮ TỰ NHIÊN TRONG  PHÂN TÍCH NHU CẦU SỬ DỤNG DỊCH VỤ VIỄN THÔNG  TỪ CÁC BÌNH LUẬN TRÊN MẠNG XÃ HỘI

Hoàng Phước Lộc; Phạm Thế An; Nguyễn Thị Tân Diện; Lê Trung Hiếu; Huỳnh Thị Kim Ngân

doi:10.34238/tnu-jst.11945

ỨNG DỤNG CÁC KỸ THUẬT XỬ LÝ NGÔN NGỮ TỰ NHIÊN TRONG PHÂN TÍCH NHU CẦU SỬ DỤNG DỊCH VỤ VIỄN THÔNG TỪ CÁC BÌNH LUẬN TRÊN MẠNG XÃ HỘI

Thông tin bài báo

Ngày nhận bài: 23/01/25 Ngày hoàn thiện: 14/03/25 Ngày đăng: 21/03/25

Các tác giả

1. Hoàng Phước Lộc , Trường Cao đẳng Sư phạm Quảng Trị
2. Phạm Thế An, VNPT Quảng Trị
3. Nguyễn Thị Tân Diện, Trường Tiểu học Thuận, Hướng Hóa, Quảng Trị
4. Lê Trung Hiếu, VNPT Quảng Trị
5. Huỳnh Thị Kim Ngân, Trường Cao đẳng Sư phạm Quảng Trị

Tóm tắt

Phân tích nhu cầu khách hàng qua mạng xã hội là một trong những kênh quan trọng để nắm bắt được ý kiến phản hồi của khách hàng về dịch vụ hoặc sản phẩm được cung cấp. Từ đó giúp các công ty có chiến lược điều chỉnh sản phẩm nhằm nâng cao chất lượng dịch vụ và hiệu quả kinh doanh. Trong nghiên cứu này, chúng tôi thu thập dữ liệu bình luận từ fanpage của VNPT, sau đó gán nhãn, huấn luyện và tạo tập dữ liệu thực nghiệm (datasets) hơn 5.000 câu. Một mô hình phân tích nhu cầu khách hàng sử dụng các kỹ thuật xử lý ngôn ngữ tự nhiên được đề xuất dựa trên phương pháp phân loại FastText của Facebook. Nghiên cứu này cũng tiến hành thực nghiệm sử dụng các phương pháp máy học khác là NaiveBayes và Support Vector Machine. Kết quả thực nghiệm đánh giá mô hình trên datasets đã xây dựng cho thấy mô hình đề xuất sử dụng FastText cho kết quả tốt hơn với độ chính xác trên 90%. Kết quả nghiên cứu này cũng là cơ sở cho các nghiên cứu tiếp theo về mở rộng xây dựng datasets cho lĩnh vực nghiên cứu này và mở rộng bài toán phân tích cảm xúc khách hàng nhằm phục vụ chiến lược kinh doanh của công ty.

Từ khóa

Xử lý ngôn ngữ tự nhiên, Phân tích nhu cầu, Phân tích cảm xúc, Mạng xã hội, Phân loại văn bản.

Toàn văn:

PDF

Tài liệu tham khảo

[1] A. S. Al-Malaise and F. Saleem, “Impact of Artificial Intelligence on Social Media Networks,” Journal of Electrical Systems, vol. 20, no. 9, pp. 2112-2118, 2024.

[2] C. Gerling and S. Lessmann, “Leveraging AI and NLP for Bank Marketing: A Systematic Review and Gap Analysis,” 2024. [Online]. Available: https://doi.org/10.48550/arXiv.2411.14463. [Accessed January 11, 2024].

[3] Blog.fastText, “FastText,” 2016. [Online]. Available: https://fasttext.cc/docs/en/english-vectors.html, [Accessed January 11, 2024].

[4] L. P. Hoang, H. T. Le, H. V. Tran, T. C. Phan, D. M. Van, P. A. Le, D. T. Nguyen, and C. Pong-inwong, “Does Evaluating Peer Assessment Accuracy and Taking It into Account in Calculating Assessor’s Final Score Enhance Online Peer Assessment Quality?” Education and Information Technologies, vol. 27, pp. 4007-4035, 2022, doi: 10.1007/s10639-021-10763-1.

[5] H. Tang, S. Tan, and X. Cheng, “A survey on sentiment detection of reviews,” Journal Expert Systems with Applications: An International Journal archive, vol. 36, no. 7, pp. 10760- 10773, 2009, doi: 10.1016/j.eswa.2009.02.063.

[6] P. D. Turney, “Thumbs up or thumbs down, semantic orientation applied to unsupervised classification of reviews,” Proc. of the 40th ACL, Philadelphia, July 2002, pp. 417-424.

[7] B. Pang and L. Lee, and S. Vaithyanathan, “Thumbs up Sentiment classification using machine learning techniques,” In Proceedings of the 2002 Conference on Empirical Methods in Natural Language Processing (EMNLP 2002), 2002, pp. 79-86, doi: 10.3115/1118693.1118704.

[8] K. Dave, S. Lawrence, and D. Pennock, “Mining the peanut gallery Opinion extraction and semantic classification of product reviews,” WWW '03: Proceedings of the 12th international conference on World Wide Web, 2003, pp. 519-528, doi: 10.1145/775152.775226.

[9] M. Taboada, C. Anthony, and K. Voll, “Methods for Creating semantic orientation Dictionaries,” in Proceedings of 5th international conference on language resources and evaluation (LREC’06), May, 2006, Genoa, Italy, pp. 427-432.

[10] P. Beineke, T. Hastie, and S. Vaithyanathan, “The sentimental factor: Improving review classification via human-provided information,” in Proceedings of the 42nd Annual Meeting of the Association for Computational Linguistics (ACL-04), June, 2004, Barcelona, Spain, pp. 263-270.

[11] S. Matsumoto, H. Takamura, and M. Okumura, “Sentiment Classification Using Word Sub-sequences and Dependency Sub-trees,” in T. B. Ho, D. Cheung, H. Liu, (eds) Advances in Knowledge Discovery and Data Mining. PAKDD 2005, Lecture Notes in Computer Science, Springer, Berlin, Heidelberg, vol. 3518, pp. 301-311, 2005, doi: 10.1007/11430919_37.

[12] D. Dinh, K. Hoang, and V. T. Nguyen, “Vietnamese Word Segmentation,” in Proceedings of the Sixth Natural Language Processing Pacific Rim Symposium, November 27-30, 2001, Hitotsubashi Memorial Hall, National Center of Sciences, Tokyo, Japan 2001, pp. 1-8.

[13] C. T. Nguyen and X. H. Phan, “JVnTextPro: A Java-based Vietnamese Text Processing Tool,” 2010. [Online]. Available: http://jvntextpro.sourceforge.net/. [Accessed October 5, 2024].

[14] H. P. Le and T. M. H. Nguyen, “vnTokenizer,” 2020. [Online]. Available: https://github.com/vuthaihoc/vntokenizer4.1. [Accessed October 5, 2024].

[15] V. Anh, “Underthesea,” 2017. [Online]. Available: https://github.com/undertheseanlp/underthesea. [Accessed October 5, 2024].

[16] Medium, “FastText,” 2018. [Online]. Available: https://medium.com/@mariamestre/fasttext-stepping-through-the-code-259996d6ebc4. [Accessed October 5, 2024].

DOI: https://doi.org/10.34238/tnu-jst.11945

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ