Tên sản phẩm P R F1 HTC One E8 % 97,58 100% % 98,78
Sony Z3 % 96,85 100% % 98,40
Sony Aqua M4 % 97,03 % 99,24 % 98,12
Bảng tổng hợp các ý kiến đánh giá của người tiêu dùng theo tính năng của sản phẩm HTC One E8có thể được biểu diễn như hình 4.2.
Hình 4.2.Tổng hợp ý kiến theo tính năng của sản phẩm HTC One E8
Qua biểu đồ trên, chúng ta có thể thấy được pin, camera là 2 tính năng được người tiêu dùng đánh giá thấp nhất, còn giá và cấu hình được người tiêu dùng ủng hộ cao. Người mua hàng có thể căn cứ vào kết quả đánh giá sản phẩm của những người dùng trước và nhu cầu sử dụng của mình để lựa chọn sản phẩm phù hợp.
Chương 5. Kết luận
5.1. Những vấn đề đã giải quyết trong luận văn này
Luận văn đã tiến hành nghiên cứu bài toán khai phá quan điểm mà cụ thể là tổng hợp quan điểm theo tính năng của sản phẩm. Luận văn đã trình bày một số các phương pháp liên quan đến tổng hợp quan điểm theo tính năng của sản phẩm trên thế giới cũng như ở Việt Nam
Trong luận văn này, tôi đã trình bày một phương pháp tổng hợp ý kiến đánh giá trực tuyến của người tiêu dùng Việt Nam đối với các tính năng của sản phẩm. Hệ thống đã thực hiện trích xuất tính năng của sản phẩm dựa vào từ quan điểm. Đặc biệt, luận văn đã thực hiện tách các câu phức và câu ghép thành các câu đơn. Theo đó, mỗi câu đơn chỉ chứa một tính năng của sản phẩm và một từ quan điểm. Luận văn cũng thực hiện phân nhóm các câu quan điểm phát biểu về cùng một tính năng và tổng hợp quan điểm theo các từ quan điểm trong câu dựa vào nhãn của từ quan điểmtheo chiều hướng tích cực, tiêu cực và trung lập.
Bên cạnh đó, trong phạm vi của luận văn, luận văn chưa thực hiện được việc trích xuất sản phẩm mà người tiêu dùng đánh giá trong mỗi câu quan điểm và lọc các quan điểm spam.
Trong quá trình thực hiện luận văn, tôi đã cố gắng tiếp cận phương pháp tổng hợp ý kiến theo tính năng của sản phẩm của người tiêu dùng Việt Nam và tham khảo các tài liệu liên quan cả về xử lý ngôn ngữ tự nhiên và học máy trên thế giới cũng như ở Việt Nam. Tuy nhiên do thời gian và trình độ có hạn nên không tránh khỏi những hạn chế và thiếu sót nhất định. Do vậy tôi thật sự mong muốn nhận được những góp ý cả về kiến thức chuyên môn lẫn cách trình bày.
5.2. Hướng nghiên cứu tiếp theo trong tương lai
Khai phá quan điểm được khá nhiều nhà nghiên cứu trên thế giới quan tâm bởi nó được ứng dụng rộng rãi trong các lĩnh vực. Trong luận văn của tôi, tôi cũng chỉ chọn một hướng nhỏ để nghiên cứu.
Trong tương lai, tôi muốn mở rộng nghiên cứu của mình và cải thiện một số vấn đề còn tồn tại để cải thiện kết quả cho mô hình tổng hợp ý kiến theo tính năng của sản phẩm:
Nghiên cứu phương pháp trích xuất thực thể (sản phẩm) trong các câu đánh giá để có hệ thống có kết quả tối ưu hơn
Cải tiến mô hình trích xuất tính năng cho sản phẩm
Cải tiến phương pháp tách câu ghép và câu phức thành các câu đơn
Xử lý tốt hơn việc nhóm các từ chỉ về cùng một tính năng
Thực hiện xử lý quan điểm Spam, loại bỏ các câu đánh giá không phải là các đánh giá dành cho sản phẩm mà hệ thống đang xử lý
Các công trình đã công bố
Vũ Thị Nhạn, Nguyễn Việt Anh, Nguyễn Khắc Giáo (2015) Một phương pháp tổng hợp ý kiến đánh giá trên tính năng của sản phẩm của người tiêu dùng Việt Nam, Kỷ yếu Hội thảo quốc gia lần thứ XVIII: Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông, tr.185-190
TÀI LIỆU THAM KHẢO
1. Blair-Goldensohn, S.,Hannan, K., McDonald, R., Neylon, T., Reis,G.A., and Reyna,J. (2008), Building a sentiment summarizer for local service reviews. In Proceedings of International Conference on World Wide Web Workshop of NLPIX.
2. Blei, D.M., Ng, A.Y., Jordan,M.I.(2003), Latent dirichlet allocation.The Journal of Machine Learning Research. p. 993-1022
3. Carenini, G., Ng, R., Pauls, A.. (2006), Multi-Document summarization of evaluative text. In Proceeding of Conference of the European Chapter of the ACL(EACL-2006). 4. Guo, H., Zhu, H., Guo, H., Zhang, X., Su, Z. (2009), Product feature categorization
with multilevel latent semantic association. In Proceedings of ACM International Conference on Information and Knowledge Management.
5. H Lee, A Chang, Y Peirsman, N Chambers, M Surdeanu, D Jurafsky Deterministic Coreference Resolution Based on Entity-Centric, Precision-Ranked Rules. Journal Computational Linguistics (4), December 2013 Pages 885-916).
6. Hofmann, Thomas. (1999), Probabilistic latent semantic indexing. In Proceedings of Conference on Uncertainty in Artificial Intelligence (UAI-1999).
7. Hu, M., Liu, B. (2004), Mining and summarizing customer reviews. In Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining.
8. Jin, Wei, Ho,H.H., (2009), A novel lexicalized HMM-based learning framework for web opinion mining. In Proceedings of International Conference on Machine Learning (ICML-2009).
9. Kim, S., Zhang, J., Chen, Z., Oh, A.H., Liu, S. (2013), “A hierarchical aspect – sentiment model for online reviews”, AAAI
10. Lafferty, John, Andrew McCallum, and Fernando Pereira (2001), Conditional random fields: Probabilistic models for segmenting and labeling sequence data. In Proceedings of International Conference on Machine Learning (ICML-2001).
11. Liu, B. (2009),Handbook Chapter: “Sentiment Analysis and Subjectivity”. Handbook of Natural Language Processing. Marcel Dekker, Inc. New York, NY, USA.
12. Liu,
B.( 2010),“Sentimentanalysisandsubjectivity”,InHandbookofNaturalLanguageProcessi ng,SecondEdition.
13. Liu, B.( 2012), “Sentiment analysis and Opinion mining”, University Of Illinois at Chicago.
14. Liu, B. (2012), Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.
15. Moghaddam, S.,Ester, M. (2010), Opinion digger: an unsupervised opinion miner from unstructured product reviews. In Proceedings of ACM International conference on Information and Knowledge Management, 2010.
16. Moghaddam, S.,Ester, M. (2011), ILDA: interdependent LDA model for learning latent aspects and their ratings from online product reviews. In 46 Proceedings of ACM SIGIR International Conference on Information Retrieval.
17. Qiu, G., Liu, B., Bu, J., Chen, C. (2011), Opinion word expansion and target extraction through double propagation. Computational Linguistics.
18. Rabiner, Lawrence R. (1989), A tutorial on hidden Markov models and selected applications in speech recognition.Proceedings of the IEEE, 77(2): pp. 257-286
19. Titov, I., and McDonald, R.(2008a), Modeling online reviews with multi-grain topic models. In Proceedings of International Conference on World Wide Web.
20. Titov, I., and McDonald, R.(2008b), A joint model of text and aspect ratings for sentiment summarization. In Proceedings of Annual Meeting of the Association for Computational Linguistics.
21. Yu, J., Zha, Z., Wang, M., Wang, K.,Chua, T (2011b).Domain-Assisted product aspect hierarchy generation: towards hierarchical organization of unstructured consumer reviews. In Proceedings of Conference on Empirical Methods in Natural Language Processing.
22. Zhang, L., Liu, B.(2014), "Aspect and Entity Extraction for Opinion Mining", book chapter in Data Mining and Knowledge Discovery for Big Data: Methodologies, Challenges, and Opportunities.
23. Zhang, L., Liu, B., Lim, S., O’Brien-Strain, E., (2010), Extracting and ranking product features in opinion documents. In Proceedings of International Conference on Computational Linguistics (COLING-2010).
24. Pang, B., Lee, B.(2008), Opinion mining and sentiment analysis, Found. Trends Inf. Retr. 2, 1-2, 1–135
25. Haseena,R.P. (2014)“Opinion Mining and Sentiment Analysis -Challenges and Applications”, International Journal of Application or Innovation in Engineering & Management (IJAIEM)
26. Seerat,B., Azam, F. (2012), “Opinion Mining: Issues and Challenges”, International Journal of Computer Applications.
27. Thuy, H.Q. , Thanh, V.T., Trang, P.H., To,. L.C. (2011) An upgrading feature-based opinion mining model on Vietnamese product reviews. In: Active Media Technology, Lecture Notes in Computer Science, Springer Berlin Heidelberg, pp. 173–185.
28. Jindal, Nitin, Liu, B.(2007) Review spam detection. In Proceedings of WWW(Poster paper).
29. Jindal, Nitin, Liu, B. (2008) Opinion spam and analysis. In Proceedings of the Conference on Web Search and Web Data Mining (WSDM-2008).
30. Mauge, K., Rohanimanesh, K., Ruvini, J.D. (2012) Structuring e-commerce inventory. In Proceedings of Annual Meeting of the Association for Computational Linguistics (ACL-2012).
31. Zhai, Z., Liu, B., Xu, H., Jia, P. (2010) Grouping product features using semisupervised learning with soft-constraints. In Proceedings of International Conference on Computational Linguistics (COLING-2010).