Môn học máy thống kê Đề tài phân loại bình luận trên một sản phẩm

Trong bài báo cáo này, em xin trình bày một bộ dữ liệu phân tích sắc thái bình luận trên một sản phẩm âm nhạc “JustinBeiber – What do you mean” với 1056 điểm dữ liệu tương ứng với 1056 b

GIỚI THIỆU

Giới thiệu tổng quan về đề tài

Trên nền tảng Youtube, lượng dữ liệu văn bản ngày càng tăng nhưng các bộ lọc hiện tại chưa đủ mạnh để phân loại sắc thái bình luận, đặc biệt là trong việc nhận diện và ưu tiên các bình luận tích cực, trung tính, đồng thời ngăn chặn các bình luận tiêu cực và ngôn từ kích động thù địch Người dùng thường đánh giá và nhận xét sản phẩm dựa trên cảm xúc cá nhân và sự ảnh hưởng từ những người dùng khác Việc xử lý và phân loại ngôn ngữ cảm xúc như một nhiệm vụ nhị phân không đủ để hiểu rõ động lực và hành vi của người dùng, cũng như cách mọi người phản ứng với các bình luận này.

Các bình luận tích cực thường xoay quanh nhiều chủ đề và nhóm đối tượng khác nhau, nhưng chủ yếu tập trung vào cảm xúc như sự hân hoan, phấn khích, hạnh phúc, vui sướng và sự hài lòng.

Các bình luận về sản phẩm mang cảm xúc trung tính thường không thể hiện rõ ràng cảm xúc tích cực hay tiêu cực Những ý kiến này chủ yếu tập trung vào thông tin và đặc điểm của sản phẩm mà không thể hiện sự yêu thích hay không hài lòng.

Các bình luận tiêu cực, như những ví dụ dưới đây, thể hiện sự chỉ trích nhắm vào nhiều đối tượng khác nhau, có thể sử dụng ngôn ngữ thô tục hoặc không, và thường gây ra những phản ứng nhất định.

Để đạt được sự cân bằng giữa sự thật và tính chủ quan trong phân tích cảm xúc, có ba khía cạnh quan trọng cần được xem xét Những khía cạnh này sẽ giúp nâng cao độ chính xác và hiệu quả của việc phân tích.

- Văn bản là trực tiếp hay gián tiếp;

- Thuộc tính dựa trên đó nó đề cập tới một cá nhân hoặc một nhóm người;

- Các nhà chú thích cảm thấy thế nào về nội dung của nó trong phạm vi từ tình cảm tiêu cực đến trung tính

Lược đồ chú thích đa khía cạnh về các loại cảm xúc sẽ mang lại cái nhìn sâu sắc và giá trị trong việc nhận diện và phân loại cảm xúc từ các đánh giá và bình luận của người dùng.

Em đã thành lập một nhóm nhà chú thích để gán nhãn khoảng 9.000 bình luận từ ca khúc "What Do You Mean" của Justin Bieber, dựa trên các khía cạnh đã đề cập và coi mỗi khía cạnh là một nhiệm vụ dự đoán Em tiến hành so sánh các cài đặt mô hình học máy như Logistic Regression, Support Vector Machine và MultinomialNB Kết quả hiệu suất của các cài đặt khác nhau được báo cáo và thảo luận về cách mỗi tác vụ ảnh hưởng đến các tác vụ còn lại Cuối cùng, em phát hành bộ dữ liệu và mã nguồn cho cộng đồng nhằm mở rộng nghiên cứu về phát hiện và phân loại cảm xúc trong các bình luận.

Mục tiêu đề tài

Mục tiêu của bài toán là xây dựng bộ dữ liệu chứa các bình luận về sản phẩm âm nhạc trên nền tảng Youtube Từ bộ dữ liệu này, chúng tôi sẽ áp dụng các mô hình học máy hiện đại để phân loại cảm xúc của người dùng Youtube đối với bài hát.

”Justin Beiber – What do you mean” bằng cách phân loại các bình luận theo ba loại cảm xúc:tích cực (positive), tiêu cực (negative), trung tính (neutral).

Các vấn đề liên quan

Trong quá trình xây dựng bộ dữ liệu và mô hình phân loại, việc phát hiện bình luận tiêu cực gặp nhiều khó khăn hơn so với bình luận tích cực và trung tính Sự khác biệt giữa lời nói thô tục và lời nói căm thù vẫn chưa được đồng thuận rõ ràng (Schmidt và Wiegand, 2017) Lời xỉ vả không phải lúc nào cũng là chỉ số rõ ràng của lời nói căm thù, và có thể xuất hiện trong các cuộc trò chuyện không gây khó chịu, trong khi những ý kiến xúc phạm có thể được diễn đạt qua các hình thức ẩn dụ tinh tế hoặc châm biếm (Malmasi và Zampieri).

Năm 2018 cho thấy không có từ vựng chú thích nào của con người rõ ràng chỉ ra sự hiện diện của ngôn từ kích động thù địch Điều này chỉ ra rằng thô tục không phải là một chỉ số đáng tin cậy về ngôn từ kích động thù địch, mặc dù một số người có thể ghét lời nói thô thiển và ồn ào (No bata et al., 2016).

CƠ SỞ LÝ THUYẾT

Giới thiệu mô hình

This study compares algorithms that utilize the bag-of-words (BOW) approach as features in Logistic Regression (LR), Support Vector Machine (SVM), and Multinomial Naive Bayes (MultinomialNB) models.

Cơ sở lý thuyết

Hồi quy logistic là phương pháp phân tích hồi quy phù hợp cho biến phụ thuộc nhị phân Đây là một kỹ thuật phân tích dự đoán, cho phép mô tả dữ liệu và giải thích mối quan hệ giữa một biến nhị phân và nhiều biến độc lập khác nhau, bao gồm biến danh nghĩa, thứ tự, khoảng và tỷ lệ.

Hình 2.1 Nền tảng mô hình hồi quy Logistic 2.2.1.2 Các giả định của mô hình hồi quy Logistic

 Biến phụ thuộc phải có tính chất lưỡng phân.

Để đảm bảo tính chính xác của dữ liệu, không nên có các ngoại lệ Việc đánh giá này có thể thực hiện bằng cách chuyển đổi các yếu tố dự đoán liên tục thành điểm số tiêu chuẩn hóa, đồng thời loại bỏ các giá trị nằm ngoài khoảng -3,29 đến 3,29.

Không nên có mối tương quan cao giữa các yếu tố dự đoán, điều này có thể được đánh giá thông qua ma trận tương quan Theo Tabachnick và Fidell (2013), các hệ số tương quan giữa các biến độc lập nên nhỏ hơn 0,90 để đảm bảo giả định được đáp ứng.

Hồi quy logistic tập trung vào việc ước lượng tỷ lệ cược log của một sự kiện Về mặt toán học, phương pháp này ước tính hàm hồi quy tuyến tính đa biến.

2.2.1.2 Các khái niệm liên quan

Overfiting 2 : Khi chọn mô hình cho phân tích hồi quy logistic, một xem xét quan trọng khác là sự phù hợp của mô hình Việc thêm các biến độc lập vào mô hình hồi quy logistic sẽ luôn tăng lượng phương sai được giải thích trong tỷ lệ cược log (thường được biểu thị bằng R²) Tuy nhiên, việc thêm ngày càng nhiều biến vào mô hình có thể dẫn đến quá mức, điều này làm giảm tính tổng quát của mô hình ngoài dữ liệu mà mô hình phù hợp

Báo cáo R2 3 chỉ ra rằng nhiều giá trị giả R2 đã được phát triển cho hồi quy logistic, nhưng cần được giải thích cẩn thận do các vấn đề tính toán có thể làm cho chúng trở nên cao hoặc thấp một cách giả tạo Thay vào đó, một cách tiếp cận hiệu quả hơn là trình bày các bài kiểm tra phù hợp hiện có để đánh giá độ chính xác của mô hình.

2 Machine Learning cơ bản – Overfiting: https://machinelearningcoban.com/2017/03/04/overfitting/

3 R2 (R square) score: https://scikit - learn.org/stable/modules/generated/sklearn.metrics.r2_score.html

Support Vector Machine (SVM) là một trong những thuật toán phân loại phổ biến nhất trong Machine Learning Thuật toán này hoạt động theo nguyên tắc phân loại tuyến tính, cho phép tạo ra các siêu phẳng để phân chia các lớp dữ liệu sau quá trình huấn luyện, tương tự như thuật toán Logistic Regression.

Mục tiêu của thuật toán này là không chỉ phân chia các lớp dữ liệu mà còn tối đa hóa khoảng cách giữa đường phân chia và các điểm dữ liệu trong từng lớp, nhằm đạt được khoảng cách tối đa (maximum margin).

Hình 2.2 Mô hình phân loại tuyến tính thông thường

4 Machine Learning cơ bản – Support Vector Machine: https://machinelearningcoban.com/2017/04/09/smv/

Hình 2.3 Mô hình phân loại SVM

Thuật toán SVM sẽ tìm một số vector đặc biệt (gọi là support vectors).

Mô hình (Model) dự đoán (predict) kết quả đầu ra của những điểm dữ liệu mới dựa trên các vector đặc biệt này

2.2.2.2 Điểm đặc biệt của Suport Vector Machine

- Hầu hết các thuật toán Machine Learning khác đều phân chia dữ liệu dựa trên các điểm dữ liệu đặc trưng nhất của lớp dữ liệu đó

- Trong khi đó, Support Vector Machine phân chia dữ liệu dựa trên các điểm dữ liệu dễ gây nhầm lẫn nhất giữa các lớp dữ liệu

Mô hình MultinomialNB chủ yếu được áp dụng trong phân loại văn bản, trong đó các vector đặc trưng được tính toán bằng phương pháp Bags of Words Mỗi văn bản được đại diện bởi một vector có độ dài bằng số từ trong từ điển, với giá trị của thành phần thứ i thể hiện số lần từ thứ i xuất hiện trong văn bản.

Ta tính xác suất từ xuất hiện trong văn bản P(xi y) như sau

• Ni là tổng số lần từ xi xuất hiện trong văn bản

Nc là tổng số lần xuất hiện của tất cả các từ x1, …, xn trong văn bản Một hạn chế của công thức này là nếu từ xi không xuất hiện trong văn bản, thì Ni sẽ bằng 0, dẫn đến P(xi | y) cũng sẽ bằng 0.

4.2.3.2 Cải tiến mô hình Để khắc phục vấn đề này, người ta sử dụng kỹ thuật gọi là Laplace Smoothing bằng cách cộng thêm vào cả tử và mẫu để giá trị luôn khác 0

• α thường là số dương, bằng 1

• dα được cộng vào mẫu để đảm bảo ∑iP(xi y) = 1

Huấn luyện mô hình

Tất cả các phương pháp học máy được so sánh đều sử dụng cùng một bộ dữ liệu, được chia theo tỷ lệ 80% cho việc huấn luyện và 20% cho việc kiểm tra Kết quả của các phương pháp này được báo cáo dựa trên tập kiểm tra.

Các mô hình sau khi được xây dựng được đánh giá trên tập test sử dụng phương pháp k - fold cross – validationnhằm hạn chế tối thiểu hiện tượng overfiting

Hình 2.4 Huấn luyện mô hình với phương pháp K-Fold Cross Validation và test_size = 0.2

Chúng ta sẽ sử dụng các tham số mặc định để huấn luyện ba mô hình: Logistic Regression, Support Vector Machine và Multinomial, nhằm so sánh và đánh giá hiệu suất của các mô hình này một cách khách quan.

Hình 2.5 Huấn luyện cả 3 mô hình với các thông số mặc định

BỘ DỮ LIỆU

Thu thập dữ liệu

Việc phân tích sự khác biệt về cảm xúc trong các sản phẩm từ nhiều lĩnh vực, ngôn ngữ và khu vực khác nhau cho thấy rằng tìm kiếm các thuật ngữ tương đương có thể dẫn đến kết quả đa dạng Sau khi xem xét hơn 05 sản phẩm khác nhau, tôi đã quyết định xây dựng và phát triển bộ dữ liệu bình luận cho bài hát “What do you mean” của Justin Bieber trên nền tảng Youtube Tôi đã bắt đầu thu thập dữ liệu bằng phương pháp Web Scraping để lưu trữ các bình luận từ video này Dữ liệu được lưu trữ dưới định dạng Comma-Separated Values (.csv), với thuộc tính “text” chứa nội dung bình luận của người dùng, cùng với một thuộc tính mới được tạo thêm.

“Label” – nhãn thể hiện cảm xúc của bình luận (1: tích cực; 2: trung tính; 3: tiêu cực) để phục vụ cho các thực nghiệm, phân tích sau này

Hình 3.1 Bộ dữ liệu ban đầu

Thách thức ngôn ngữ

Tất cả các bình luận được chú thích chỉ bao gồm các bình luận gốc, có nội dung được xử lý bằng cách:

3.2.1 Xóa các bình luận spam có thể phát hiện được

Sử dụng công cụ Filter trong MS Excel giúp loại bỏ các bình luận không liên quan hoặc giữ lại chỉ một bình luận duy nhất trong số những bình luận trùng lặp.

Hình 3.2 Các bình luận spam có thể thấy được

3.2.2 Xóa các ký tự không phải chữ cái

Chúng tôi tiến hành loại bỏ các ký tự không phải chữ cái vì tin rằng chúng thường không ảnh hưởng đến việc thể hiện cảm xúc của người dùng Những ký tự này thường được thêm vào một cách vô tình hoặc cố ý, gây nhiễu và cần được loại bỏ Việc này được thực hiện bằng cách sử dụng hàm re.sub() có sẵn trong ngôn ngữ Python.

Hình 3.3 Các ký tự không phải chữ cái

3.2.3 Xử lý các biểu tượng cảm xúc

Các biểu tượng cảm xúc (emoji) có thể được chuyển đổi thành dạng văn bản để thuận tiện cho việc xử lý và thực nghiệm sau này bằng hàm emoji.demojize() trong Python.

Hình 3.4 Quá trình xử lý các biểu tượng cảm xúc thành văn bản

3.2.4 Xử lý văn bản với Bag-of-Words (BOW)

Bag-of-Words 7 [5] là một mô hình dùng để biểu diễn các bình luận thành các vector bằng cách sử dụng Scikit-learns CountVectorizer 8 [6]: Lúc này, mỗi văn bản

5 Regular expression operations: https://docs.python.org/2/library/re.html

6 Convert emoji Unicode to text in Python: https://docs.python.org/2/library/re.html

7 Bag of Words mode in NLP: https://www.geeksforgeeks.org/bag - of - words - bow - model - in - nlp/

8 About CountVectorizer: https://scikit - learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html

Số 14 được biểu diễn bằng một vector có độ dài d, tương ứng với số từ trong từ điển Mỗi thành phần thứ i trong vector thể hiện số lần xuất hiện của từ thứ i trong văn bản.

+ Một từ điển có 6 từ gồm: a, am, good, I, not, student.

+ Biểu diễn của các từ là:

Bảng 3.1 Ví dụ về biểu diễn từ trong mô hình Bag-of-Words a [1; 0; 0; 0; 0; 0] am [0; 1; 0; 0; 0; 0] good [0; 0; 1; 0; 0; 0]

+ Để biểu diễn một câu trong BOW, ta cộng các vector biểu diễn từng từ trong câu lại với nhau:

Bảng 3.2.Ví dụ về biểu diễn câu trong mô hình Bag-of-Words

Việc chuyển đổi mã bằng tiếng Anh có thể chứa một số bình luận với mã thông báo tiếng Hindi và tiếng Tây Ban Nha, dẫn đến khả năng gây nhầm lẫn Mặc dù đã loại bỏ hầu hết các bình luận này để giảm thiểu sự nhiễu, nhưng những bình luận còn lại vẫn có thể ảnh hưởng đến độ chính xác của dữ liệu.

Hình 3.5 Các bình luận có chứa tiếng Tây Ban Nha, Hindi,

Sau khi hoàn tất quá trình tiền xử lý và làm sạch dữ liệu, các nhà chú thích đã gặp phải vấn đề thiếu bối cảnh do quá trình chuẩn hóa gây ra.

Hình 3.6 Biểu đồ tần suất xuất hiện của các từ phổ biến (Trước khi xử lý)

Hình 3.7 Biểu đồ tần suất xuất hiện của các từ phổ biến (Sau khi xử lý)

Quá trình gán nhãn/ chú thích

Dựa trên dư luận chung và kiến thức ngôn ngữ, tôi đã đánh giá cách mọi người nhìn nhận và phản ứng với sản phẩm này Bên cạnh đó, tôi cũng đã cung cấp các chú thích cho một số từ ngữ để làm rõ hơn nội dung.

Dưới đây là 16 từ tiếng Anh tiếng lóng mà bạn có thể chưa biết Do tính chất căng thẳng và khó khăn của nhiệm vụ, tôi nhắc nhở các nhà chú thích không để ý kiến cá nhân của mình về các chủ đề thảo luận trong bình luận ảnh hưởng đến quyết định chú thích của họ.

Bài viết này phân tích các bình luận tiêu cực, nhấn mạnh rằng những bình luận này có thể chứa nhiều sắc thái cảm xúc khác nhau Tác giả tập trung vào việc chú thích các bình luận mang tính xúc phạm và ghét bỏ, vì chúng không nhất thiết phải thô tục, gây khó khăn trong việc gán nhãn Việc phân biệt đối xử với cá nhân hoặc nhóm người có thể diễn ra theo nhiều cách, do đó, tác giả quyết định không sử dụng nhiều lớp chú thích Ví dụ, một bình luận phân biệt giới tính có thể thể hiện sự thiếu tôn trọng hoặc gây khó chịu cho phụ nữ Nhãn gán được xây dựng dựa trên các hành vi xã hội phổ biến mà mọi người thường gặp Ngoài ra, tác giả cũng giải quyết vấn đề dương tính giả bằng cách yêu cầu chú thích ghi nhận cả thuộc tính và nhóm mục tiêu.

Bộ dữ liệu thí điểm

Em đã khởi tạo các mẫu bình luận trên hệ thống Google Docs, kèm theo chú thích cho người xem và danh sách các nhãn mô tả để dễ dàng theo dõi và quản lý nội dung.

(a) cho dù đó là lời nói trực tiếp hay gián tiếp;

(b) thuộc tính mục tiêu của bình luận;

(c) liệu các chú thích có cảm thấy tức vui vẻ, phấn khích, tức giận,sợ hãi hay không có phản ứng gì về các bình luận

Mỗi bình luận đã được gán nhãn bởi ba chú thích khác nhau Tôi đã cung cấp cho họ văn bản bổ sung với các trường cần điền vào nhãn hoặc tính từ.

(1) mô tả tốt hơn về bình luận,

(2) mô tả cách họ cảm nhận về nó chính xác hơn.

Bộ dữ liệu hoàn chỉnh

Bộ dữ liệu bao gồm 1056 bình luận tiếng Anh về bài hát "What do you mean", với các cảm xúc tích cực, tiêu cực và trung tính Các nhãn đã được thiết kế để phân loại rõ ràng các phản hồi này.

Nghiên cứu mối tương quan giữa người dùng, cảm xúc truyền tải, thuộc tính mục tiêu, nhóm đối tượng, phản ứng của mọi người và hiệu suất học đơn nhiệm trên các nhiệm vụ là rất quan trọng Việc này giúp hiểu rõ hơn về cách mà các yếu tố này tương tác và ảnh hưởng đến kết quả học tập.

Hình 3.8 Các quan sát đầu tiên của bộ dữ liệu (10 điểm dữ liệu đầu tiên)

3.5.1 Code book: Code book mô tả bộ dữ liệu

Bảng 3.3 Codebook mô tả các thông tin của bộ dữ liệu

STT Thông tin Nội dung

1 Tên bộ dữ liệu WDYM-EC

2 Nguồn thu thập https://www.youtube.com/watch?v=DK_0jXPuIr0

4 Kích thước bộ dữ liệu Bộ dữ liệu gồm 1.056 bình luận đã được gán nhãn chia ra trong 2 bộ: train, test (80%, 20%).

Với số lượng câu trong mỗi bộ cụ thể như sau:

5 Số thuộc tính Có 02 thuộc tính

6 Thông tin thuộc tính text: bình luận, kiểu dữ liệu: string label: nhãn cảm xúc, giá trị của mỗi nhãn là một trong 3 giá trị sau: “1”, “2”, “3”.

7 Ý nghĩa các nhãn Có 3 nhãn cảm xúc là “1,2,3” lần lượt tương ứng với tích cực, trung tính và tiêu cực:

- Tích cực: là nhãn “1” gán cho những bình luận thể hiện sự hân hoan, sự phấn khích, hạnh phúc, vui sướng, vui lòng, ….

VD: “His new music is good I like this song”

- Trung tính: là nhãn “2” gán cho những bình luận không rõ ràng về nghĩa hoặc không chứa đựng cảm xúc đánh giá về sản phẩm

VD: “I do not know what Justin Biber was doing with that girl on the bed”

Nhãn “3” được sử dụng để chỉ những bình luận tiêu cực, thể hiện sự không hài lòng của sinh viên về giảng viên, chương trình giảng dạy và cơ sở vật chất Những phản ánh này thường liên quan đến yêu cầu cải thiện chất lượng giáo dục và trải nghiệm học tập.

VD: “This is the worst song I have ever heard like you and disgusting get NOOBED nauseated face face vomiting”

8 Tác giả Phạm Anh Quân

3.5.2.1 Thống kê dữ liệu trên bộ dữ liệu tổng

Bảng 3.4 Bảng thống kê dữ liệu trên bộ dữ liệu tổng

STT Nhãn Số lượng Tỉ lệ

3.5.2.2 Thống kê dữ liệu trên tập Train

Bảng 3.5 Bảng thống kê dữ liệu trên tập Train

3.5.2.3 Thống kê dữ liệu trên tập Train

Bảng 3.6 Bảng thống kê dữ liệu trên tập Test

ĐÁNH GIÁ HIỆU SUẤT MÔ HÌNH

Logistic Regression

Hình 5.1 Confusion matrix trên tập Test - LR Theo ma trận trên, ta thấy:

 Số lượng dữ liệu được phân loại đúng là 85 + 37 + 50 = 172 điểm dữ liệu.

 Số lượng dữ liệu phân loại sai là 7 + 8 + 7 + 9 + 4 + 5 = 40 điểm dữ liệu.

 Tỉ lệ điểm dữ liệu phân loại đúng là 172/212 = 0.81132%

Bảng 5.1 Classification report trên tập Test – LR

9 What is difference between R2 score and Accuracy score: https://stackoverflow.com/questions/58163026/what - is difference - between - metrics - r2 - score - and - acccuracy - score

Hình 5.2 Biểu đồ các giá trị độ đo Classification - LR trên tập Test Đối với mô hình hồi quy Logistic, ta nhận thấy:

 Kết quả đánh giá trung bình của mô hình phân loại là 81%

Kết quả từ các chỉ số precision, recall và F1-score của mô hình Logistic Regression được trình bày trong bảng và hình ảnh cho thấy mô hình phân loại hoạt động hiệu quả với nhãn “1” đạt 86% và nhãn “3” đạt 81% Tuy nhiên, đối với nhãn “2”, kết quả chỉ đạt 73%, cho thấy hiệu suất không cao bằng hai nhãn còn lại.

 Điều này cũng có thể hiểu được do sự không cân đối của bộ dữ liệu, dữ liệu với nhãn “2” chỉ chiếm 25% trên bộ dữ liệu

Suport Vector Machine

Hình 5.3 Confusion matrix trên tập Test - SVM Theo ma trận trên, ta thấy:

Bảng 4.2 Classification report trên tập Test – SVM

Hình 4.4 Biểu đồ các giá trị độ đo Classification - SVM trên tập Test Đối với mô hình Support Vector Machine, ta nhận thấy:

Kết quả của mô hình Support Vector Machine được đánh giá qua các chỉ số precision, recall và F1-score, cho thấy mô hình phân loại hiệu quả với nhãn “1” đạt 86% và nhãn “3” đạt 82% Tuy nhiên, đối với nhãn “2”, kết quả chỉ đạt 73%, cho thấy hiệu suất phân loại chưa cao bằng các nhãn còn lại.

MultinomialNB

Hình 4.5 Confusion matrix trên tập Test - MultinomialNB Theo ma trận trên, ta thấy:

Bảng 4.3 Classification report trên tập Test – MultinomialNB

Hình 4.6 Biểu đồ các giá trị độ đo Classification - MultinomialNB trên tập Test Đối với mô hình MultinomialNB, ta nhận thấy:

Kết quả của mô hình sử dụng MultinomialNB cho các chỉ số precision, recall và F1-score được trình bày trong Bảng và hình Mô hình này đạt hiệu suất phân loại tốt với nhãn “1” (89%) và nhãn “3” (82%), nhưng hiệu suất đối với nhãn “2” chỉ đạt 78%.

Tiêu đề	Phân Loại Bình Luận Trên Một Sản Phẩm
Tác giả	Phạm Anh Quân
Người hướng dẫn	Vương Như Quỳnh
Trường học	Trường Đại Học Mỏ - Địa Chất
Chuyên ngành	Học máy thống kê
Thể loại	đề tài
Năm xuất bản	2024
Thành phố	Hà Nội

Định dạng
Số trang	34
Dung lượng	1,14 MB