Gợi ý sản phẩm dựa trên ước đoán quan điểm khách hàng

đa nghĩa và các từ mang nghĩa “bóng”. Bảng 3 trình bày một số câu bình luận có chứa từ mà hệ thống chúng tôi đề xuất hiện tại chưa xử lý được. Bảng 3. Một số bình luận hệ thống không thể xử lý Tên sản phẩm Bình luận Điểm đánh giá (số ) Lý do Asus_Zenfone 4 Max_Pro (No.00393814) camera 16 m nhưng chỉ tiếc màn hình hd nên hình ảnh cũng k đc đẹp cho lắm 5 Kí tự „k‟ có thể diễn tả cho 1000 trong tiếng Việt không chính thống, cũng có thể là từ viết tắt cho chữ “không”, “khó”. Chuỗi “đc” có thể là từ viết tắt cho chữ “được” hoặc “địa chỉ”. Asus_Zenfone 4 Max_Pro (No.00393814) ok đáng đồng tiền bát gạo 4 Hệ thống không nhận dạng được ngữ “đáng đồng tiền bát gạo”. Vấn đề thứ hai cũng ảnh hưởng nhiều đến độ chính xác đó là yếu tố con người trong việc cho điểm đánh giá. Ở đây chúng tôi muốn nói đến cách cho điểm đánh giá của các người dùng khác nhau là rất khác nhau. Ví dụ như câu bình luận có ý nói sản phẩm chất lượng trung bình nhưng điểm đánh giá lại được 5 sao trong khi một số bình luận có quan điểm tiêu cực nhưng cũng có điểm đánh giá là 4 sao. Bảng 4 minh họa cho một số trường hợp bình luận và điểm đánh giá không tương ứng. Bảng 4. Một số bình luận và điểm đánh giá không tương xứng Sản phẩm Bình luận Đánh giá Asus_Zenfone 4 Max_Pro (No.00393814) Máy sử dụng ổn 3 Asus_Zenfone 4 Max (No.00415196) Chụp hình ổn 5 Asus_Zenfone 4 Max_Pro (No.00393814) Máy hơi dày và nặng 4 Nokia 3310 (No.00349644) Tuy nhiên đồ làm bằng nhựa bóng nên cầm hơi trơn tay. 4 V. KẾT LUẬN Trong bài báo này chúng tôi đã đề xuất giải pháp xây dựng hệ thống gợi ý sản phẩm theo tính năng dựa trên việc thu thập và phân tích quan điểm của khách hàng về nhóm sản phẩm tương ứng. Giải pháp mà chúng tôi xây dựng có đồng thời 2 ưu điểm so với những hệ thống gợi ý khác: 1- Sản phẩm được gợi ý theo tính năng nên sẽ phù hợp hơn với yêu cầu của người dùng. Đặc biệt là đối với các nhóm sản phẩm/dịch vụ có nhiều tính năng, khía cạnh khác nhau. Sản phẩm được gợi ý sẽ có tính năng người dùng mong muốn tìm kiếm là tốt nhất dựa trên quan điểm của những khách hàng đã sử dụng sản phẩm/dịch vụ đó. 2- Hệ thống thể hiện được xu hướng tiêu dùng của khách hàng theo thời gian. Hệ thống đề xuất đã được thực nghiệm trên tập dữ liệu bao gồm gần 15.000 bình luận về các sản phẩm điện thoại thông minh trong đó 1/3 được dùng làm tập dữ liệu huấn luyện và 2/3 dùng làm tập dữ liệu kiểm thử. Hai kịch bản thực nghiệm được đề xuất và cho kết quả khả quan, đặc biệt là đối với các bình luận bằng ngôn ngữ tiếng Việt, ngôn ngữ chưa có các công cụ phân tích văn phạm chuẩn xác. Chúng tôi cũng phân tích và đánh giá những vấn đề còn tồn tại mà hệ thống chưa giải quyết được đó là yếu tố con người trong việc sử dụng từ ngữ cũng như trong việc đưa ra điểm đánh giá. Bên cạnh đó chúng tôi cũng nghĩ rằng quan điểm của người dùng trong bình luận sẽ được phán đoán chính xác hơn nếu như các từ cảm xúc không được xử lý một cách riêng lẻ mà kết hợp với tính năng của sản phẩm. Ví dụ thuật ngữ “pin trâu” nếu được xử lý cùng nhau sẽ có được quan điểm rất tích cực cho tính năng dung lượng pin của điện thoại, trong khi xử lý riêng lẻ thì thuật ngữ này sẽ bị bỏ qua. Đây cũng là hướng nghiên cứu mà chúng tôi nhắm đến trong các nghiên cứu tiếp theo. VI. TÀI LIỆU THAM KHẢO [1] Hu R, Pu P. Potential acceptance issues of personality-ASED recommender systems. In: Proceedings of ACM conference on recommender systems (RecSys‟09), New York City, NY, USA; October 2009. p. 22–5. 198 GỢI Ý SẢN PHẨM DỰA TRÊN ƯỚC ĐOÁN QUAN ĐIỂM KHÁCH HÀNG [2] Pu P, Chen L, Hu R. A user-centric evaluation framework for recommender systems. In: Proceedings of the fifth ACM conference on Recommender Systems (RecSys‟11), ACM, New York, NY, USA; 2011. p. 57–164. [3] Pilaszy I., & Tikk D. (2009). Recommending new movies: Even a few ratings are more valuable than metadata. In Proceedings of the Third ACM Conference on Recommender Systems (RecSys 2009), (p. 93-100). NY, ACM. [4] Wei R., Xu H. A Formal Cost-Effectiveness Analysis Model for Product Evaluation in E-Commerce. In: SEKE, p. 287–293, 2013. [5] Esuli A, Sebastiani F. Sentiwordnet: A Publicly Available Lexical Resource for Opinion Mining. In: Proceedings of the 5th Conference on Language Resources and Evaluation, p. 417-412, 2006. [6] Baccianella S., A. Esuli, and F. Sebastiani. SentiWordNet 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining. In: Proceedings of the International Conference on Language Resources and Evaluation, p.17-23, 2010. [7] Nguyen H. N., et al. Domain Specific Sentiment Dictionary for Opinion Mining of Vietnamese Text. In: Proceedings of the 8th International Workshop on Multidisciplinary Trends in Artificial Intelligence, p.136-148. [8] Nitin Jindal and Bing Liu. 2006. Identifying comparative sentences in text documents. In Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval (SIGIR '06). ACM, New York, NY, USA, 244-251. [9] Yue Lu, ChengXiang Zhai, and Neel Sundaresan. Rated aspect summarization of short comments. In: Proceedings of the 18th international conference on World wide web, pp. 131–140, 2009. [10] Samuel Brody and Noemie Elhadad. An unsupervised aspect-sentiment model for online reviews. In: Proceeding HLT ‟10 Human Language Technologies: The 2010 Annual Conference of the North American, Chapter of the Association for Computational Linguistics, pp. 804–812, 2010. [11] C. Sauper, Aria Haghighi, and Regina Barzilay. Content Models with Attitude. In: Proceeding HLT ‟11 Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies - Volume 1, pp. 350–358. [12] Christina Sauper and Regina Barzilay. Automatic Aggregation by Joint Modeling of Aspects and Values. Journal of Artificial Intelligence Research, Volume 46, pp. 89-127, 2013. [13] Himabindu Lakkaraju, Chiranjib Bhattacharyya, Srujana Merugu, and Indrajit Bhattacharya. Exploiting Coherence for the Simultaneous Discovery of Latent Facets and associated Sentiments. In: Proceedings of the Eleventh SIAM International Conference on Data Mining, SDM 2011, p. 498–509. [14] Angeliki Lazaridou, Ivan Titov, and Caroline Sporleder. A Bayesian Model for Joint Unsupervised Induction of Sentiment, Aspect and Discourse Representations. In: Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics, ACL 2013, p. pages 1630–1639. [15] M. Baumgarten, M. D. Mulvenna, N. Rooney, and J. Reid. 2013. Keyword-Based Sentiment Mining using Twitter. Int. J. Ambient Comput. Intell. 5, 2 (April 2013), 56-69. [16] Lucie Flekov, Oliver Ferschk and Iryna Gurevych. UKPDIPF: A Lexical Semantic Approach to Sentiment Polarity Prediction in Twitter Data. In: Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014), Dublin, Ireland, pp. 704-710, 23-24 August (2014). [17] W. Y. Wang and D. Yang. 2015. That‟s so annoying!!!: A lexical and frame-semantic embedding based data augmentation approach to automatic categorization of annoying behaviors using #petpeeve tweets. In Empirical Methods in Natural Language Processing (EMNLP). [18] Le B., Nguyen H. (2015) Twitter Sentiment Analysis Using Machine Learning Techniques. In: Le Thi H., Nguyen N., Do T. (eds) Advanced Computational Methods for Knowledge Engineering. Advances in Intelligent Systems and Computing, vol 358. Springer, Cham. [19] Aliaksei Severyn and Alessandro Moschitti. 2015. Twitter Sentiment Analysis with Deep Convolutional Neural Networks. In Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '15). ACM, New York, NY, USA, 959-962. [20] A. C. Pandey, D. S. Rajpoot, M. Saraswat. Twitter sentiment analysis using hybrid cuckoo search method. Information Processing & Management, vol. 53, no. 4, pp. 764-779, 2017. [21] F. Balage, P. Pedro and T. A. S. Pardo. NILC-USP: A Hybrid System for Sentiment Analysis in Twitter Messages. In: Proceedings of the Seventh International Workshop on Semantic Evaluation (SemEval 2013), Georgia, 2013, pp. 568-572. [22] T. L. Griffiths and M. Steyvers. Finding scientific topics. Proceedings of the National Academy of Sciences of the United States of America, 101(Suppl 1):5228--5235, 2004. [23] P. Le-Hong. An empirical study of maximum entropy approach for part-of-speech tagging of Vietnamese texts. In: Proceedings of Traitement Automatique des Langues Naturelles (TALN-2010), Montreal, Canada, 2010. Trần Thị Thúy, Trương Quốc Định, Nguyễn Văn Thọ, Huỳnh Trung Long 199 [24] Konstantin Bauman, Bing Liu, and Alexander Tuzhilin. 2017. Aspect Based Recommendations: Recommending Items with the Most Valuable Aspects Based on User Reviews. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '17). ACM, New York, NY, USA, 717-725. DOI: https://doi.org/10.1145/3097983.3098170. PRODUCT RECOMMENDATION SYSTEM BASED ON CUSTOMER REVIEWS ANALYSIS Tran Thi Thuy, Truong Quoc Dinh, Nguyen Van Tho, Huynh Trung Long ABSTRACT: Nowadays, many e-commerce websites implement recommendation function which is based on customer reviews/feedbacks analysis. The majority of these systems make the suggestions by using only the overall product ratings. By using this approach, systems may suggest products that are not relevant to the customer needs, especially in the case that they take into account only several product features. To deal with this problem, in this paper, we propose construct a feature-based recommendation system. The proposed system will collect customer reviews/feedbacks concerning given product and then uses natural language processing techniques to discover customer opinion. Experimental results conducted on 10.000 Vietnamese smartphone reviews show the feasibility of proposed system.