Phân tích ý kiến khách hàng trong thương mại điện tử –  Tiếp cận theo phương pháp học máy kết hợp kiểm định Bootstrap

Thành Hồ Trung; Ánh Trần Thị; Tuyền Huỳnh Thanh

doi:10.24311/jabes/2020.31.11.4

Các tác giả

Hồ Trung Thành Trường Đại học Kinh tế - Luật, Đại học Quốc Gia TP. Hồ Chí Minh Tác giả
Trần Thị Ánh Trường Đại học Kinh tế - Luật, Đại học Quốc Gia TP. Hồ Chí Minh Tác giả
Huỳnh Thanh Tuyền Trường Đại học Kinh tế - Luật, Đại học Quốc Gia TP. Hồ Chí Minh Tác giả

DOI:

https://doi.org/10.24311/jabes/2020.31.11.4

Từ khóa:

SOM, K-Means, Kiểm định Bootstrap, Xử lý ngôn ngữ tự nhiên, Ý kiến khách hàng trực tuyến, Thương mại điện tử

Tóm tắt

Sự phát triển của thế hệ Web 2.0 đã tạo ra cơ hội tương tác dễ dàng hơn giữa khách hàng và doanh nghiệp thông qua kênh thương mại điện tử. Khách hàng có thể phản hồi ý kiến bằng cách để lại những bình luận dạng văn bản là ngôn ngữ tự nhiên về sản phẩm hay dịch vụ mà họ trải nghiệm. Từ đó, doanh nghiệp có thể quản lý và phân tích ý kiến để hiểu được những trải nghiệm khách hàng nhằm thu hút và giữ chân khách hàng được tốt hơn. Đây là cách tiếp cận quan trọng và hiệu quả để doanh nghiệp có thể tạo được lợi thế cạnh tranh. Trong bài báo này, nhóm tác giả tập trung đề xuất phương pháp phân tích ý kiến khách hàng dựa theo phương pháp xử lý ngôn ngữ tự nhiên kết hợp với phương pháp bản đồ tự tổ chức (SOM) và K-Means. Bên cạnh đó, kỹ thuật kiểm định T với phương pháp Bootstrap được áp dụng để đánh giá kết quả nhằm lựa chọn phương pháp gom cụm phù hợp cho trường hợp dữ liệu là tập văn bản được thu thập từ những phản hồi của khách hàng trên trang thương mại điện tử Tiki.vn. Phương pháp đề xuất có độ chính xác cao và khả năng áp dụng vào phân tích trải nghiệm của khách hàng hiệu quả.

Tài liệu tham khảo

Jaye, A. B., Bruyère, C. L., & Done, J. M. (2019). Understanding future changes in tropical cyclogenesis using Self-Organizing Maps. Weather and Climate Extremes, 26, 100235. doi: 10.1016/j.wace.2019.100235

Ettaouil, M., Lazaar, M., Elmoutaouakil, K., & Glanou, Y. (2011). A new architecture optimization model for the Kohonen networks and clustering. Journal of Advanced Research, 3(1), 14–32.

Honkela, T., Kaski, S., Lagus, K., & Kohonen, T. (1997). Websom-self-organizing maps of document collections. Proceedings of the Work shop on Self-Organizing Maps (WSOM '97) (pp. 310–315), Espoo, Finland.

Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical transactions of the Royal society A Mathematical Physical and Engineering Sciences, 374(2065). doi: 10.1098/rsta.2015.0202

Kaski, S., Honkela, T., Lagus, K., & Kohonen, T. (1998). Websom-self-organizing maps of document collections. Neurocomputing, 21(1–3), 101–117.

Kohonen, T. (1995). Self-Organizing Maps. Berlin: Spinger-Verlag.

Kohonen, T. (2013). Essentials of the self-organizing map. Neural Networks, 37, 52–65.

Kohonen, T., Kaski, S., Lagus, K., Salojarvi, J., Honkela, J., Paatero, V., & Saarela, A. (2000). Self organization of a massive document collection. IEEE Transactions on Neural Networks, 11(3), 574–585.

Kumar, V. (2016). Introduction: Is Customer Satisfaction (Ir)relevant as a Metric?. Journal of Marketing, 80(5), 108–109. doi:10.1509/jm.80.5.1

Lin, G., & Li, S. (2009). Clustering method using hypergraph models based on Set Pair Analysis. 2009 IEEE International Symposium on IT in Medicine & Education (1194–1197). doi: 10.1109/ITIME.2009.5236279

Liu, Y.-C., Liu, M., & Wang, X.-L. (2012). Application of self-organizing maps in text clustering: A review. In M. Johnsson (Ed.), Applications of Self-Organizing Maps (Chapter 10). Rijeka: InTech.

Michalski, R. S., Bratko, I., & Kubat, M. (1999). Machine Learning And Data Mining Methods And Applications. Wiley

Nakano, T., Nagai, S., Yamatogi, T., Kunhara, T., & Okamura, K. (2020). Use of sea surface discoloration to monitor and discriminate the causative genera of harmful algal blooms (HABs): Practical use of digital repeat photography. Ecological Informatics, 59. doi: /10.1016/j.ecoinf.2020.101114

Ultsch, A., & Herrmann, L. (2005). The Architecture of Emergent Self-Organizing Maps to Reduce Projection Errors. ESANN 2005, 13th European Symposium on Artificial Neural Networks, Bruges, Belgium.

Rumelhart, D. E., & Zipser, D. (1985). Feature discovery by competitive learning. Cognitive Science, 9, 75–112.

Syakur, M. A., Khotimah, B. K., Rochman, E. M. S., & Satoto, B. D. (2018). Integration k-means clustering method and elbow method for identification of the best customer profile cluster. IOP Conference Series: Materials Science and Engineering, 336(1). Retrieved from https://iopscience.iop.org/article/10.1088/1757-899X/336/1/012017

Till, B. C., Longo, J., Dobell, A. R., & Driessen, P. F. (2014). Self-organizing maps for latent semantic analysis of free-form text in support of public policy analysis. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 4(1), 71–86.

Thanh, H., & Phuc, D. (2015). Discovering Communities of Users on Social Networks Based on Topic Model Combined with Kohonen Network. 2015 Seventh International Conference on Knowledge and Systems Engineering (KSE) (pp. 268-273). doi: 10.1109/KSE.2015.54

Thanh, H. T., Hung, N. Q., & Thanh, T. D. (2019). Applying topic model combined with Kohonen networks to discover and visualize communities on social networks. Science & Technology Development Journal-Economics-Law and Management, 3(3), 311–326.

Yen, G. G., & Wu, Z. (2008). Ranked Centroid Projection: A Data Visualization Approach with Self-Organizing Maps. IEEE Transactions on Neural Networks, 19(2), 245–259.

Zhu, J., & Liu, S. (2014). SOM network-based clustering analysis of real estate enterprises. American Journal of Industrial and Business Management, 4(3), 167–173.