Chuyển đến nội dung chính

Sentiment Analysis tiếng Việt: Positive, Negative và ABSA

Sentiment Analysis tiếng Việt là bài toán dùng NLP để xác định thái độ hoặc cảm xúc được thể hiện trong văn bản. Ở mức đơn giản, hệ thống có thể phân loại một câu thành Positive hoặc Negative; ở mức chi tiết hơn, Aspect-Based Sentiment Analysis còn cho biết người viết đang tích cực hay tiêu cực về từng khía cạnh cụ thể.

Sự khác biệt này rất quan trọng với dữ liệu review, phản hồi khách hàng và mạng xã hội, nơi một câu có thể đồng thời chứa nhiều ý kiến trái chiều.

Positive, Negative và bài toán phân loại cảm xúc

Dạng cơ bản nhất của Sentiment Analysis xem toàn bộ văn bản như một đơn vị và dự đoán một nhãn cảm xúc. Chẳng hạn, câu “Sản phẩm dùng rất tốt” có thể được gán nhãn Positive, còn “Máy chạy chậm và thường xuyên bị treo” là Negative.

Trong thực tế, nhiều hệ thống bổ sung nhãn Neutral cho nội dung không thể hiện thái độ rõ ràng. Một bài toán như vậy có thể được mô tả đơn giản dưới dạng:

Input: “Ứng dụng mới dễ sử dụng hơn nhiều.”
Processing: mô hình NLP biểu diễn và phân tích câu.
Output: Positive.

Cách tiếp cận này phù hợp khi mục tiêu chỉ là biết xu hướng cảm xúc chung. Tuy nhiên, một nhãn duy nhất sẽ mất thông tin khi câu chứa nhiều quan điểm.

Sentiment Analysis hoạt động như thế nào?

Một pipeline Sentiment Analysis thường bắt đầu bằng văn bản thô. Văn bản được tách thành các đơn vị nhỏ hơn như từ hoặc token, sau đó chuyển thành biểu diễn số để mô hình Machine Learning có thể xử lý.

Với các mô hình NLP hiện đại, biểu diễn này thường mang tính ngữ cảnh: cùng một từ có thể được hiểu khác nhau tùy câu xung quanh. Mô hình cuối cùng tạo ra xác suất cho các lớp cảm xúc rồi chọn lớp phù hợp nhất.

Ví dụ, từ “được” trong “chất lượng được” có thể mang sắc thái khá tích cực, trong khi câu “tưởng tốt mà hóa ra chỉ được cái quảng cáo” lại thể hiện thái độ tiêu cực. Vì vậy, chỉ đếm từ tích cực và tiêu cực thường không đủ.

Vì sao tiếng Việt khó hơn việc tìm từ tích cực và tiêu cực?

Cảm xúc trong tiếng Việt phụ thuộc mạnh vào ngữ cảnh, phủ định và cách nói đời thường. Câu “không tệ” không mang cùng ý nghĩa với “tệ”, còn “đẹp thì có đẹp nhưng pin yếu” chứa cả đánh giá tích cực lẫn tiêu cực.

  • Phủ định: “không tốt”, “chẳng nhanh”, “chưa ổn”.
  • Mức độ: “hơi chậm”, “rất tốt”, “quá tệ”.
  • Ngôn ngữ mạng: viết tắt, sai chính tả, kéo dài ký tự hoặc pha tiếng Anh.
  • Phụ thuộc lĩnh vực: một từ có thể mang sắc thái khác nhau trong review nhà hàng, tài chính hoặc công nghệ.

Đây cũng là lý do dữ liệu huấn luyện cần gần với loại văn bản mà hệ thống sẽ gặp khi triển khai.

Từ Sentiment Analysis tổng thể đến Aspect-Based Sentiment Analysis

Aspect-Based Sentiment Analysis (ABSA) là phân tích cảm xúc theo từng khía cạnh hoặc thuộc tính được nhắc tới. Thay vì hỏi “cả câu tích cực hay tiêu cực?”, ABSA đặt câu hỏi chi tiết hơn: “người dùng đang nói về điều gì, và cảm xúc đối với điều đó là gì?”.

Xét review: “Camera chụp đẹp nhưng pin tụt khá nhanh, bù lại giá hợp lý.” Gán một nhãn cho toàn câu sẽ khó phản ánh đầy đủ nội dung. ABSA có thể tạo kết quả:

Khía cạnh Ý kiến Sentiment
Camera chụp đẹp Positive
Pin tụt khá nhanh Negative
Giá hợp lý Positive

Nhờ đó, doanh nghiệp không chỉ biết khách hàng “hài lòng hay không”, mà còn biết chính xác yếu tố nào đang được khen hoặc phàn nàn.

Một hệ thống ABSA cần xử lý những gì?

ABSA thường phức tạp hơn phân loại cảm xúc thông thường vì hệ thống phải xác định cả đối tượng được nói tới lẫn thái độ dành cho đối tượng đó. Tùy thiết kế, quy trình có thể gồm các bước sau:

  1. Nhận diện aspect: tìm các khía cạnh như “camera”, “pin” hoặc “dịch vụ”.
  2. Xác định cụm ý kiến: tìm phần văn bản mô tả aspect, chẳng hạn “tụt khá nhanh”.
  3. Phân loại sentiment: dự đoán Positive, Negative hoặc Neutral cho từng aspect.
  4. Chuẩn hóa kết quả: có thể gom các cách gọi tương tự vào cùng nhóm, ví dụ “nhân viên” và “phục vụ” thuộc nhóm dịch vụ.
Một review không nhất thiết chỉ có một sentiment. Trong ABSA, cùng một câu hoàn toàn có thể chứa nhiều cặp aspect → sentiment khác nhau.

Khi nào nên dùng Sentiment Analysis và khi nào cần ABSA?

Sentiment Analysis tổng thể phù hợp với các tác vụ cần kết quả đơn giản như thống kê tỷ lệ phản hồi tích cực, lọc bình luận tiêu cực hoặc theo dõi xu hướng cảm xúc của một lượng lớn văn bản.

ABSA hữu ích hơn khi quyết định kinh doanh phụ thuộc vào nguyên nhân của cảm xúc. Với review sản phẩm, nhà hàng, khách sạn hay ứng dụng, việc biết “Negative” thường chưa đủ; nhóm vận hành cần biết vấn đề nằm ở giá, giao hàng, giao diện, hiệu năng hay chăm sóc khách hàng.

Đổi lại, ABSA đòi hỏi dữ liệu gán nhãn chi tiết hơn và mô hình phải xử lý mối quan hệ giữa aspect với câu chứa nó. Vì vậy, mức độ chi tiết nên được lựa chọn dựa trên mục tiêu sử dụng chứ không phải lúc nào ABSA cũng tốt hơn.

Kết luận

Positive và Negative là điểm khởi đầu dễ hiểu của Sentiment Analysis tiếng Việt, nhưng một nhãn cho toàn bộ văn bản có thể che mất nhiều thông tin quan trọng. Aspect-Based Sentiment Analysis đi sâu hơn bằng cách gắn cảm xúc với từng khía cạnh cụ thể, từ đó biến review và phản hồi tự do thành dữ liệu có cấu trúc, hữu ích hơn cho phân tích và ra quyết định.

© The CS Note · THE CS NOTE

Nội dung gốc thuộc tác giả. Vui lòng không đăng lại toàn văn khi chưa được phép, trừ trường hợp pháp luật hoặc giấy phép áp dụng cho phép. Nội dung của bên thứ ba tuân theo quyền và giấy phép tương ứng.

Nguồn gốc: Sentiment Analysis tiếng Việt: Positive, Negative và ABSA

Về trang chủ Về đầu bài
Labels:

Bài Đăng Phổ Biến

Bài toán tháp Hà nội

Trải nghiệm Tháp Hà Nội Kéo thả đĩa hoặc chạm vào các nút bên dưới để di chuyển. Bạn phải chuyển toàn bộ đĩa sang cột ngoài cùng bên phải (Cột 3) mà không đặt đĩa to lên đĩa nhỏ. Cột 1 Cột 2 Cột 3 Điều khiển & Chế độ Số lượng đĩa 4 Tốc độ máy giải ↪ Undo ↻ Chơi lại 🤖 Máy tự giải Thống kê ván chơi Nước đã đi 0 Thời gian 00:00 Tối thiểu cần 15 Kỷ lục của bạn - Lịch sử và Nguồn gốc Truyền thuyết Bài toán Tháp Hà Nội (hay Tháp Brahma) là một trò chơi xếp hình toán học kinh điển được giới thiệu lần đầu vào năm 1883 bởi nhà toán học người Pháp Édouard L...

Bài toán phân tích cảm xúc trong văn bản

Bài toán phân tích cảm xúc (sentiment analysis) là một bài toán NLP nhằm xác định thái độ hoặc cảm xúc được thể hiện trong văn bản. Ví dụ, từ một đánh giá như “Điện thoại đẹp, chạy nhanh nhưng pin hơi yếu”, hệ thống có thể nhận biết rằng người dùng có cả nhận xét tích cực và tiêu cực. Điểm thú vị của bài toán nằm ở khoảng cách giữa cách con người hiểu ngôn ngữ và cách máy tính xử lý dữ liệu. Một hệ thống phân tích cảm xúc cần biến văn bản tự nhiên thành dữ liệu có cấu trúc, học được các mẫu ngôn ngữ từ dữ liệu huấn luyện và đưa ra dự đoán hợp lý trên những câu chưa từng gặp. 1. Bài toán phân tích cảm xúc bắt đầu từ đâu? Hãy tưởng tượng một cửa hàng trực tuyến có hàng nghìn đánh giá mỗi ngày. Con người có thể đọc từng đánh giá để biết khách hàng hài lòng hay không, nhưng việc này nhanh chóng trở nên tốn thời gian khi dữ liệu tăng lên. NLP có thể biến bài toán đó thành một bài toán phân loại. Với mỗi văn bản, hệ thống nhận vào một chuỗi ký...

KAN cho phân đoạn khối u não với bộ BraTS 2020

Kolmogorov-Arnold Network (KAN) mở ra một hướng khác với MLP truyền thống: thay vì chỉ học các trọng số vô hướng trên mỗi kết nối, KAN có thể học những hàm phi tuyến một biến trên các cạnh . Khi đưa ý tưởng này vào kiến trúc encoder-decoder như U-Net, ta có thể sử dụng convolution để giữ cấu trúc không gian của ảnh MRI và dùng KAN để thực hiện các phép biến đổi phi tuyến mạnh hơn trên representation trung gian. Một bài toán phù hợp để nghiên cứu hướng này là phân đoạn u thần kinh đệm trên BraTS 2020 . Dataset cung cấp MRI đa mô thức và yêu cầu xác định các vùng Whole Tumor (WT), Tumor Core (TC) và Enhancing Tumor (ET). Đây là bài toán 3D có sự mất cân bằng voxel lớn, hình dạng khối u rất đa dạng và ranh giới giữa các mô bệnh lý không đơn giản. Lưu ý học thuật quan trọng: U-KAN gốc được công bố cho nhiều benchmark phân đoạn ảnh y tế nhưng không báo cáo kết quả BraTS 2020. Một công trình sau đó đã mở rộng U-KAN sang 3D MRI brain tumor segmentation , nhưng đánh giá trên BraTS 2...

Tách từ trong tiếng Việt Word Segmentation

Tách từ tiếng Việt là bài toán xác định ranh giới giữa các từ trong một chuỗi văn bản. Khó khăn nằm ở chỗ khoảng trắng trong tiếng Việt thường phân cách các âm tiết , nhưng một từ hoàn chỉnh có thể gồm nhiều âm tiết như “sinh viên” , “đại học” , “công nghệ” hay “tự nhiên” . Tách từ đúng giúp các hệ thống NLP dựa trên từ biểu diễn văn bản hợp lý hơn, đặc biệt trong tìm kiếm, TF-IDF, phân loại văn bản, gán nhãn từ loại và một số mô hình ngôn ngữ tiếng Việt. Tuy nhiên, với các Transformer sử dụng tokenizer dưới mức từ như subword hoặc SentencePiece, tách từ thủ công không phải lúc nào cũng là bước bắt buộc . Việc có cần tách từ trước hay không phụ thuộc vào mô hình và pipeline cụ thể. Tóm tắt nội dung Khoảng trắng trong tiếng Việt không phải lúc nào cũng là ranh giới từ ; nhiều từ gồm hai hoặc nhiều âm tiết. Word segmentation và tokenization có liên quan nhưng không hoàn toàn đồng nghĩa. Ba hướng chính gồm dựa trên từ điển, mô hình thống kê và mô hình học sâu . Tron...

KAN là gì? Mạng Kolmogorov-Arnold khác MLP thế nào?

Kolmogorov-Arnold Network (KAN) là một kiến trúc mạng nơ-ron trong đó mỗi cạnh không chỉ chứa một trọng số vô hướng mà mang một hàm một biến có thể học được . Đây là khác biệt cốt lõi so với Multi-Layer Perceptron (MLP), nơi các cạnh chủ yếu thực hiện phép nhân với trọng số còn hàm kích hoạt thường được áp dụng tại các node. KAN được lấy cảm hứng từ định lý biểu diễn Kolmogorov-Arnold và đặc biệt đáng chú ý trong các bài toán xấp xỉ hàm, mô hình hóa khoa học và symbolic regression. Tuy nhiên, KAN không nên được hiểu là kiến trúc đã thay thế MLP trong mọi bài toán Deep Learning; khả năng biểu diễn, chi phí tính toán và mức độ phù hợp của hai kiến trúc khác nhau theo từng nhiệm vụ. Tóm tắt nội dung MLP học chủ yếu trọng số trên các cạnh , còn KAN đặt hàm một biến học được trên từng cạnh . Một KAN layer cộng kết quả của nhiều hàm cạnh để tạo activation của node tiếp theo. KAN gốc sử dụng B-spline để tham số hóa các hàm phi tuyến trên cạnh. KAN có lợi thế đáng chú ý về trực...