[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%C3%ADch%20c%E1%BA%A3m%20x%C3%BAc{\"limit\":5}":3,"_public_topic_byId_phân tích cảm xúc":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":21,"discipline":22,"references":23,"faqs":42,"createUser":52,"publishUser":56,"keywords":60,"keywordCount":10,"enrichTopicLink":61,"status":62,"createTime":63,"updateTime":64,"publishTime":65,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":66,"relateTopics":67},"phân tích cảm xúc","Phân tích cảm xúc là gì? Phương pháp ABSA, mô hình BERT và ứng dụng AI","Phân tích cảm xúc (Sentiment Analysis) giúp máy tính thấu hiểu quan điểm con người. Tìm hiểu mô hình 5 thành phần ý kiến, kỹ thuật ABSA, từ điển cảm xúc và Transformer.","\u003Cp>Phân tích cảm xúc (Sentiment Analysis \u002F Opinion Mining - Khai phá ý kiến) là một lĩnh vực nghiên cứu liên ngành then chốt thuộc Xử lý ngôn ngữ tự nhiên (NLP), Ngôn ngữ học tính toán và Trí tuệ nhân tạo (AI). Nhiệm vụ cốt lõi của phân tích cảm xúc là phát triển các mô hình thuật toán có khả năng tự động phân tích, trích xuất, phân loại và lượng hóa các trạng thái cảm xúc (tích cực, tiêu cực, trung tính), thái độ và quan điểm chủ quan của con người được thể hiện qua ngôn ngữ tự nhiên (văn bản nhận xét, bài đăng mạng xã hội, phản hồi khách hàng).\u003C\u002Fp>\n\n\u003Ch2>Cấu trúc Hình thức của một Ý kiến (Opinion Quintuple)\u003C\u002Fh2>\n\u003Cp>Theo định nghĩa hình thức của Bing Liu (2012), một ý kiến trọn vẹn trong văn bản được mô hình hóa toán học dưới dạng một bộ 5 thành phần (quintuple):\u003C\u002Fp>\n\u003Cp>\u003Ccode>(e_i, a_ij, s_ijkl, h_k, t_l)\u003C\u002Fcode>\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Ccode>e_i\u003C\u002Fcode>: Thực thể mục tiêu (Target Entity, ví dụ: dòng điện thoại thông minh).\u003C\u002Fli>\n  \u003Cli>\u003Ccode>a_ij\u003C\u002Fcode>: Khía cạnh hoặc thuộc tính của thực thể (Aspect \u002F Feature, ví dụ: dung lượng pin, camera, thiết kế).\u003C\u002Fli>\n  \u003Cli>\u003Ccode>s_ijkl\u003C\u002Fcode>: Giá trị cảm xúc \u002F Phân cực (Sentiment Polarity: Tích cực, Tiêu cực hoặc Trung tính kèm điểm số cường độ).\u003C\u002Fli>\n  \u003Cli>\u003Ccode>h_k\u003C\u002Fcode>: Người nắm giữ ý kiến (Opinion Holder, tác giả của nhận xét).\u003C\u002Fli>\n  \u003Cli>\u003Ccode>t_l\u003C\u002Fcode>: Thời điểm phát biểu ý kiến (Time of posting).\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các Cấp độ Phân tích Cảm xúc\u003C\u002Fh2>\n\u003Cp>Theo Bo Pang và Lillian Lee (2008), tác vụ phân loại cảm xúc được tiếp cận theo ba mức độ chi tiết tăng dần:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>\u003Cstrong>Cấp độ Tài liệu \u002F Văn bản (Document-level Sentiment Analysis):\u003C\u002Fstrong> Đánh giá toàn bộ đoạn văn bản hoặc bài viết dài thể hiện tổng thể thái độ tích cực hay tiêu cực. Mô hình giả định toàn bộ văn bản tập trung vào một chủ đề hoặc thực thể duy nhất.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cấp độ Câu (Sentence-level Sentiment Analysis):\u003C\u002Fstrong> Phân tích từng câu đơn lẻ trong văn bản. Bước đầu tiên là phân loại tính chủ quan \u002F khách quan (Subjectivity Classification) để loại bỏ các câu mô tả sự thật thuần túy, sau đó mới xác định phân cực của các câu mang tính đánh giá chủ quan.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cấp độ Khía cạnh (Aspect-Based Sentiment Analysis - ABSA):\u003C\u002Fstrong> Là mức độ phân tích tinh vi và hữu ích nhất trong thực tế. ABSA bóc tách cảm xúc riêng biệt cho từng thuộc tính cụ thể của sản phẩm\u002Fdịch vụ (ví dụ: trong câu \u003Cem>\"Món ăn rất ngon nhưng phục vụ quá chậm\"\u003C\u002Fem>, mô hình nhận dạng khía cạnh \"món ăn\" là \u003Cstrong>Tích cực\u003C\u002Fstrong> còn khía cạnh \"dịch vụ phục vụ\" là \u003Cstrong>Tiêu cực\u003C\u002Fstrong>).\u003C\u002Fli>\n\u003C\u002Fol>\n\n\u003Ch2>Các Phương pháp Thuật toán Phổ biến\u003C\u002Fh2>\n\u003Cp>Theo Walaa Medhat và cộng sự (2014), các kỹ thuật xử lý phân tích cảm xúc được chia thành ba trường phái chính:\u003C\u002Fp>\n\n\u003Ch3>1. Phương pháp Dựa trên Từ điển Cảm xúc (Lexicon-Based Approach)\u003C\u002Fh3>\n\u003Cp>Sử dụng các bộ từ điển cảm xúc được gán nhãn sẵn trọng số phân cực (như SentiWordNet, VADER, AFINN, TextBlob, từ điển cảm xúc tiếng Việt VLSP):\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tính toán tổng điểm số cảm xúc của các từ ngữ xuất hiện trong câu, kết hợp quy tắc xử lý từ phủ định (\u003Cem>\"không tốt\"\u003C\u002Fem>) và từ tăng cường mức độ (\u003Cem>\"rất tuyệt vời\"\u003C\u002Fem>).\u003C\u002Fli>\n  \u003Cli>Ưu điểm: Không cần tập dữ liệu huấn luyện gán nhãn lớn, tốc độ xử lý nhanh; Nhược điểm: Kém linh hoạt với từ lóng (slang), ngữ cảnh châm biếm (sarcasm) hoặc cấu trúc câu đảo ngữ phức tạp.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>2. Phương pháp Học máy Truyền thống (Machine Learning Classifiers)\u003C\u002Fh3>\n\u003Cp>Trích xuất đặc trưng văn bản bằng mô hình túi từ (Bag-of-Words), TF-IDF hoặc N-gram, sau đó đưa vào các thuật toán phân loại giám sát:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Naive Bayes (NB) và Maximum Entropy (MaxEnt).\u003C\u002Fli>\n  \u003Cli>Support Vector Machines (SVM) và Logistic Regression.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>3. Phương pháp Học sâu & Mô hình Ngôn ngữ Lớn (Deep Learning & Transformers)\u003C\u002Fh3>\n\u003Cul>\n  \u003Cli>Mạng nơ-ron hồi quy hai chiều Bi-LSTM kết hợp cơ chế Attention để nắm bắt ngữ cảnh phụ thuộc dài của từ ngữ trong câu.\u003C\u002Fli>\n  \u003Cli>Mô hình Transformer tiền huấn luyện (BERT, RoBERTa, PhoBERT cho tiếng Việt, GPT): Sử dụng cơ chế Self-Attention đa đầu để biểu diễn ngữ nghĩa theo ngữ cảnh sâu sắc, đạt độ chính xác (F1-score) vượt trội trên các bộ dữ liệu chuẩn benchmark.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Bảng so sánh các Trường phái Kỹ thuật Phân tích Cảm xúc\u003C\u002Fh2>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phương pháp\u003C\u002Fth>\n      \u003Cth>Mô hình \u002F Công cụ đại diện\u003C\u002Fth>\n      \u003Cth>Ưu điểm nổi bật\u003C\u002Fth>\n      \u003Cth>Hạn chế chính\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Dựa trên Từ điển (Lexicon)\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>VADER, SentiWordNet, từ điển VLSP\u003C\u002Ftd>\n      \u003Ctd>Không cần gán nhãn dữ liệu, giải thích được trực tiếp lý do tính điểm.\u003C\u002Ftd>\n      \u003Ctd>Không hiểu được từ đa nghĩa theo ngữ cảnh, thất bại trước châm biếm mỉa mai.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Học máy Giám sát (SVM\u002FNB)\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Linear SVM + TF-IDF, Naive Bayes\u003C\u002Ftd>\n      \u003Ctd>Độ chính xác cao hơn từ điển, huấn luyện và suy luận nhanh, nhẹ tài nguyên.\u003C\u002Ftd>\n      \u003Ctd>Mất thông tin thứ tự từ ngữ, cần kỹ nghệ trích xuất đặc trưng thủ công (Feature Engineering).\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Học sâu & Transformer (LLMs)\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>PhoBERT, ViBERT, BERT-ABSA, LLMs\u003C\u002Ftd>\n      \u003Ctd>Hiểu sâu ngữ cảnh đảo ngữ, ẩn dụ, đạt độ chính xác state-of-the-art.\u003C\u002Ftd>\n      \u003Ctd>Chi phí tính toán GPU cao, cần tài nguyên phần cứng lớn khi triển khai thực tế.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Ứng dụng Thực tiễn và Thách thức Nghiên cứu\u003C\u002Fh2>\n\u003Cp>Trong kinh doanh và quản trị số, phân tích cảm xúc là động lực cho:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Hệ thống Lắng nghe Mạng xã hội (Social Listening):\u003C\u002Fstrong> Giám sát nhận diện thương hiệu, cảnh báo sớm khủng hoảng truyền thông theo thời gian thực.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tối ưu hóa Trải nghiệm Khách hàng (CX):\u003C\u002Fstrong> Tự động phân loại hàng triệu đánh giá trên sàn thương mại điện tử (Shopee, Tiki, Amazon) để cải tiến tính năng sản phẩm.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tài chính Định lượng (Quantitative Finance):\u003C\u002Fstrong> Phân tích cảm xúc tin tức kinh tế và mạng xã hội Twitter\u002FX để dự báo biến động tỷ giá và giá cổ phiếu.\u003C\u002Fli>\n\u003C\u002Ful>","sentiment analysis",[17,19,20],"khai phá cảm xúc","opinion mining","Phân tích cảm xúc là phân ngành của xử lý ngôn ngữ tự nhiên sử dụng trí tuệ nhân tạo để tự động nhận dạng, trích xuất và phân loại quan điểm chủ quan và sắc thái cảm xúc từ văn bản.","ENGINEERING_TECHNOLOGY",[24,30,36],{"citationText":25,"title":26,"authors":27,"source":10,"year":28,"doi":29,"url":10},"Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.","Opinion Mining and Sentiment Analysis","Pang, Lee",2008,"10.1561\u002F1500000011",{"citationText":31,"title":32,"authors":33,"source":10,"year":34,"doi":35,"url":10},"Liu, B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human Language Technologies, 5(1), 1-167.","Sentiment Analysis and Opinion Mining","Liu",2012,"10.1007\u002F978-3-031-02145-9",{"citationText":37,"title":38,"authors":39,"source":10,"year":40,"doi":41,"url":10},"Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093-1113.","Sentiment analysis algorithms and applications: A survey","Medhat, Hassan, Korashy",2014,"10.1016\u002Fj.asej.2014.04.011",[43,46,49],{"question":44,"answer":45},"Mô hình bộ 5 thành phần của một ý kiến (opinion quintuple) gồm những gì?","Theo Bing Liu (2012), một ý kiến đầy đủ gồm 5 thành phần: thực thể mục tiêu, khía cạnh đánh giá, phân cực cảm xúc, người giữ ý kiến và thời điểm đưa ra ý kiến.",{"question":47,"answer":48},"Phân tích cảm xúc dựa trên khía cạnh (ABSA) có điểm gì vượt trội?","Theo Bo Pang và Lillian Lee (2008), ABSA phân tách được cảm xúc riêng biệt cho từng tính năng cụ thể trong cùng một câu (ví dụ: khen chất lượng tốt nhưng chê giá đắt), giúp doanh nghiệp có thông tin chi tiết để cải tiến.",{"question":50,"answer":51},"Sự khác biệt giữa phương pháp dựa trên từ điển và mô hình học sâu Transformer là gì?","Theo Walaa Medhat và cộng sự (2014), phương pháp từ điển tính điểm nhanh không cần dữ liệu huấn luyện nhưng cứng nhắc; trong khi Transformer (như BERT\u002FPhoBERT) học sâu ngữ cảnh phức tạp và nhận dạng câu đảo ngữ chính xác hơn nhiều.",{"id":53,"researcherId":10,"name":54,"imageUrl":55},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[13],false,"PUBLISHED","2025-04-27T05:17:13.402+00:00","2026-08-28T12:39:23.111+00:00","2025-08-22T03:17:45.759+00:00",287,[68,71,74,77,80,83,93,98,103,108],{"id":69,"title":70,"term":69,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":72,"title":73,"term":72,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phân loại cảm xúc","Phân loại cảm xúc là gì? Các nghiên cứu khoa học liên quan",{"id":75,"title":76,"term":75,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"yếu tố ngôn ngữ","Yếu tố ngôn ngữ là gì? Các nghiên cứu khoa học liên quan",{"id":78,"title":79,"term":78,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"lí thuyết ngữ vực","Lí thuyết ngữ vực là gì? Các công bố về Lí thuyết ngữ vực",{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"khai thác văn bản","Khai thác văn bản là gì? Các nghiên cứu khoa học liên quan",{"id":84,"title":85,"term":86,"englishTitle":87,"definition":88,"discipline":22,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"thuật toán heuristic","Thuật toán heuristic là gì? Phân loại, nguyên lý và ứng dụng","Thuật toán heuristic","heuristic algorithm","Thuật toán heuristic (heuristic algorithm, hay phương pháp phỏng đoán) là kỹ thuật giải quyết bài toán được thiết kế nhằm tìm kiếm lời giải đủ tốt và chấp nhận được trong khoảng thời gian tính toán thực tế cho các bài toán tối ưu hóa phức tạp, đánh đổi tính tối ưu tuyệt đối để lấy tốc độ thực thi.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":94,"title":95,"term":94,"englishTitle":96,"definition":97,"discipline":22,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"hỏa hoạn","Hỏa hoạn là gì? Các bài báo nghiên cứu khoa học liên quan","fire","Hỏa hoạn là sự cố cháy lớn ngoài tầm kiểm soát do phản ứng hóa học tỏa nhiệt nhanh giữa chất cháy và chất oxy hóa (thường là oxy trong không khí), gây thiệt hại nghiêm trọng về người, tài sản và môi trường.",{"id":99,"title":100,"term":99,"englishTitle":101,"definition":102,"discipline":22,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"hệ thống hỗ trợ quyết định","Hệ thống hỗ trợ quyết định là gì? Các nghiên cứu khoa học","decision support system","Hệ thống hỗ trợ quyết định (Decision Support System - DSS) là hệ thống thông tin tích hợp dữ liệu, mô hình phân tích và giao diện tương tác nhằm hỗ trợ con người giải quyết các bài toán ra quyết định phức tạp và bán cấu trúc.",{"id":104,"title":105,"term":104,"englishTitle":106,"definition":107,"discipline":22,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"tổn thất công suất","Tổn thất công suất là gì? Nguyên nhân, công thức và giải pháp","power loss","Tổn thất công suất là hiện tượng tiêu hao năng lượng điện dưới dạng nhiệt hoặc từ trường trong các phần tử của hệ thống điện như dây dẫn, máy biến áp và thiết bị truyền tải trong quá trình vận hành.",{"id":109,"title":110,"term":109,"englishTitle":111,"definition":112,"discipline":22,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"khí động học","Khí động học: Khái niệm, nguyên lý và ứng dụng","Aerodynamics","Khí động học là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực engineering technology, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn."]