Mô hình khai phá ý kiến và phân tích cảm xúc khách hàng trực tuyến trong ngành thực phẩm

Nguyễn Đặng Lập Bằng; Nguyễn Văn Hồ; Hồ Trung Thành

doi:10.46223/HCMCOUJS.econ.vi.16.1.1388.2021

16 (1) 2021

Mô hình khai phá ý kiến và phân tích cảm xúc khách hàng trực tuyến trong ngành thực phẩm

Tác giả - Nơi làm việc:

Nguyễn Đặng Lập Bằng - Trường Đại học Kinh tế - Luật, ĐHQG-HCM , Việt Nam

Nguyễn Văn Hồ - Trường Đại học Kinh tế TP.HCM , Việt Nam

Hồ Trung Thành - Trường Đại học Kinh tế - Luật, ĐHQG-HCM , Việt Nam

Tác giả liên hệ, Email: Nguyễn Đặng Lập Bằng - thanhht@uel.edu.vn

DOI:10.46223/HCMCOUJS.econ.vi.16.1.1388.2021

Ngày nộp: 05-01-2021
Ngày duyệt đăng:
Ngày xuất bản: 06-02-2021

Tóm tắt

Với sự phát triển mạnh mẽ của công nghệ thông tin và Internet, các website Thương mại điện tử ra đời như một phương tiện hữu ích giúp khách hàng thực hiện mua hàng, đặt thực phẩm trực tuyến cũng như chia sẻ những trải nghiệm, bình luận và đánh giá sau giao dịch. Chính vì vậy để có thể thấu hiểu hành vi khách hàng thông qua ý kiến tích cực hay tiêu cực về sản phẩm và dịch vụ được trải nghiệm là một trong những vấn đề quan trọng. Giải pháp cho vấn đề này, nghiên cứu đề xuất phương pháp khai thác ý kiến và phân tích cảm xúc khách hàng thông qua việc thu thập tập dữ liệu là ý kiến bình luận của khách hàng trên website Foody.vn – một trang Thương mại điện tử hàng đầu trong lĩnh vực dịch vụ đặt hàng trực tuyến. Sau đó, tiến hành thực nghiệm bằng phương pháp học máy để khai phá ý kiến từ bình luận dạng văn bản của khách hàng và trực quan hóa kết quả hỗ trợ ra quyết định. Kết quả thực nghiệm cho thấy độ chính xác 90% của phương pháp đề xuất và kết quả khai thác được tập thông tin, tri thức tiềm ẩn có giá trị từ tập ngữ liệu nhằm giúp các cửa hàng, nhà quản trị hiểu được các ưu nhược điểm về sản phẩm, dịch vụ để cải thiện chiến lược kinh doanh tốt hơn.

Từ khóa

học máy; khai phá ý kiến; phân tích cảm xúc; thương mại điện tử; ý kiến khách hàng

Toàn văn:

PDF

Trích dẫn:

Nguyen, D. L. B., Nguyen, V. H., & Ho, T. T. (2021). Mô hình khai phá ý kiến và phân tích cảm xúc khách hàng trực tuyến trong ngành thực phẩm [A text-based model for opinion mining and sentiment analysis from online customer reviews in food industry]. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh – Kinh tế và Quản trị Kinh doanh, 16(1), 64-78. doi:10.46223/HCMCOUJS. econ.vi.16.1.1388.2021

Tài liệu tham khảo

Agarwal, B., & Mittal, N. (2016). Machine learning approach for sentiment analysis. In Prominent feature extraction for sentiment analysis (pp. 21-45). Berlin, Germany: Springer.

Boiy, E., & Moens, M. F. (2009). A machine learning approach to sentiment analysis in multilingual Web texts. Information Retrieval, 12(5), 526-558.

Buche, A., Chandak, D., & Zadgaonkar, A. (2013). Opinion mining and analysis: A survey. International Journal on Natural Language Computing (IJNLC , 2(3), 39-48.

Das, S., Dey, A., Pal, A., & Roy, N. (2015). Applications of artificial intelligence in machine learning: Review and prospect. International Journal of Computer Applications, 115(9), 31-41.

Eisenstein, J. (2019). Introduction to natural language processing. Cambridge, MA: The MIT Press.

Gautam, G., & Yadav, D. (2014). Sentiment analysis of twitter data using machine learning approaches and semantic analysis. In 2014 Seventh international conference on contemporary computing (IC3) (pp. 437-442). Noida, India: IEEE.

Hao, M., Rohrdantz, C., Janetzko, H., Dayal, U., Keim, D. A., Haug, L. E., & Hsu, M. C. (2011). Visual sentiment analysis on twitter data streams. In 2011 IEEE conference on visual analytics science and technology (VAST) (pp. 277-278). Providence, MA: IEEE.

Hieu, N. T. (2018). Dạy học hàm số logistic ở Mĩ [Teaching logistics functions in America]. Tạp chí Khoa học, 15(1), 60-67.

Hossein, B. (2004). The internet encyclopedia. Hobiken, NJ: John Wiley & Sons Inc.

Jurafsky, D., & Martin, J. H. (2008). Speech and language processing: An introduction to speech recognition, computational linguistics and natural language processing. Upper Saddle River, NJ: Prentice Hall.

Kumar, K. S., Desai, J., & Majumdar, J. (2016). Opinion mining and sentiment analysis on online customer review. In 2016 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC) (pp. 1-4). Chennai, India: IEEE.

Liu, B. (2012). Sentiment analysis and opinion mining. New York, NY: Morgan & Claypool Publishers.

Liu, B. (2017). Many facets of sentiment analysis. In A practical guide to sentiment analysis (pp. 11-39). Cham, Switzerland: Springer.

Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and trends in information retrieval, 2(1/2), 1-135.

Popescu, A. M., & Etzioni, O. (2007). Extracting product features and opinions from reviews. In Natural language processing and text mining (pp. 9-28). London, UK: Springer.

Sarkar, D. (2019). Text analytics with Python: A practitioner's guide to natural language processing. New York, NY: Apress.

Sharma, V., Agarwal, A., Dhir, R., & Sikka, G. (2016). Sentiments mining and classification of music lyrics using SentiWordNet. In 2016 Symposium on Colossal Data Analysis and Networking (CDAN) (pp. 1-6). Noida, India: IEEE.

Shmueli, G., & Koppius, O. R. (2011). Predictive analytics in information systems research. MIS Quarterly, 35(3), 553-572.

Srinivasa-Desikan, B. (2018). Natural language processing and computational linguistics: A practical guide to text analysis with Python, Gensim, spaCy, and Keras. Birmingham, UK: Packt Publishing Ltd.

Sun, S., Luo, C., & Chen, J. (2017). A review of natural language processing techniques for opinion mining systems. Information Fusion, 36(2017), 10-25.

Thanh, H., & Phuc, D (2015). Analyzing users’ interests with the temporal factor based on topic modeling. In Asian conference on intelligent information and database systems (pp. 105-115). Pa Tong, Thailand: Springer.

Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., ... Zhou, Z. H. (2008). Top 10 algorithms in data mining. Knowledge and Information Systems, 14(1), 1-37.

Ye, Z., Tafti, A. P., He, K. Y., Wang, K., & He, M. M. (2016). Sparktext: Biomedical text mining on big data framework. PloS One, 11(9), 1-15.

DOI: https://doi.org/10.46223/HCMCOUJS.econ.vi.16.1.1388.2021

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.