XÂY DỰNG MÔ HÌNH PHÂN LỚP BÌNH LUẬN VỀ NHÀ HÀNG DỰA VÀO PHƯƠNG PHÁP HỌC MÁY

Lê Văn Hòa và CS. Tập 132, Số 2A, 2023 70 b. Gán nhãn dữ liệu Để có được dữ liệu xây dựng mô hình phân lớp, chúng tôi thu thập dữ liệu là tập các bình luận trên Tripadvisor.com.vn và Foody.vn. Qua quá trình thu thập, tiền xử lý dữ liệu, chúng tôi đã thu thập được 4.355 câu bình luận thuộc lĩnh vực nhà hàng. Sau đó, chúng tôi tiến hành gán nhãn dữ liệu bằng phương pháp thủ công cho 4.355 câu bình luận này. Để xây dựng mô hình phân lớp, chúng tôi sử dụng 3.955 câu bình luận, 400 câu bình luận còn lại sử dụng để kiểm chứng thực tế và đánh giá mô hình phân lớp. Các nhãn dữ liệu liên quan đến lĩnh vực nhà hàng bao gồm: thức ăn (Food), dịch vụ (Service), giá cả (Price), môi trường xung quanh nhà hàng (Ambience) và nhà hàng (Restaurant). Ví dụ về các câu bình luận đã gán nhãn được minh họa như trong Bảng 2. Bảng 2. Các câu bình luận và nhãn dữ liệu STT Câu bình luận Nhãn dữ liệu 1 Pizza ngon, đế bánh giòn, nóng hổi Food 2 Nhân viên ở đây phục vụ nhanh và không phải chờ lâu Service 3 Rẻ lại ngon, khá là hài lòng!! Price 4 Quán rộng rãi, thoáng mát Ambience 5 Đây là một trong những quán Pizza mình rất thích Restaurant c. Xây dựng mô hình theo thuật toán học máy Trong học máy, máy tính không thể hiểu trực tiếp ngôn ngữ tự nhiên mà chỉ hiểu được ngôn ngữ khi chúng được biểu diễn dưới dạng không gian vector. Các chiều thuộc tính đầu vào sẽ được biểu diễn dưới dạng ma trận vector. Có nhiều phương pháp để biểu diễn văn bản sang dạng ma trận vector chẳng hạn như mô hình Bag of word N-grams hay mô hình TF-IDF (Term

Frequency - Inverse Document Frequency). Tuy nhiên, mô hình Bag of word N-grams gặp một vài vấn đề đối với tập dữ liệu lớn, đó là các từ có tần suất xuất hiện nhiều ở đa số các đoạn văn bản, nhưng không có ý nghĩa phân lớp, ví dụ: như các từ “này”, “đó”, “rất”… Khi đó chỉ số TF- IDF sẽ được dùng để tính toán và phát hiện các từ có trọng số cao và thấp. Ngoài ra, thuật toán TF-IDF không biểu diễn giá trị của các thuộc tính bằng giá trị 0 và 1 mà sẽ biểu diễn với giá trị trọng số TF-IDF đã tính. Chính vì vậy, khi biểu diễn trên đồ thị giảm từ nhiều chiều sang 2 chiều, các giá trị của dữ liệu phân bổ phụ thuộc cả hai chiều, khi trục x tăng thay đổi thì cũng kéo theo giá trị trục y thay đổi. Do vậy dữ liệu phân bổ rời rạc và tách biệt hơn, việc này giúp quá trình phân lớp sẽ dễ dàng hơn [8]. Từ những lý do trên, chúng tôi sử dụng phương pháp TF-IDF để biểu diễn văn bản dưới dạng không gian vector trong thuật toán học máy.