Science & Technology Development Journal: Economics- Law & Management

An official journal of University of Economics and Law, Viet Nam National University Ho Chi Minh City, Viet Nam

Skip to main content Skip to main navigation menu Skip to site footer

 Research article

HTML

315

Total

36

Share

Applying machine learning methods to analyze customer comments about fresh food on e-commerce platforms in Vietnam






 Open Access

Downloads

Download data is not yet available.

Abstract

In recent years, farmers have developed the sale of agricultural products toward consumers via e-commerce platforms. E-commerce has become a new and effective way to help farmers access the market. Thus, in comparison to other commodities, agricultural products are heavily affected by seasonality, with complex factors such as short shelf life, vulnerability to damage, and high transportation costs. Consumers set high standards for the quality, speed of delivery, frequency of consumption, and unit price of these products. Analyzing customer reviews helps businesses discover consumer decision-making mechanisms, thereby forming an appropriate marketing strategy for their agricultural products. Besides, they will see what customers are unsatisfied with to solve and improve the quality of products and services. In this study, the authors research and propose machine research methods to classify and screen customers' comments about agricultural products on three e-commerce platforms: Tiki, Sendo and Voso. Experimenting with the model on the collected data set with the results of the sgdclassifier algorithm combined with the One-vs-Rest method gave the best prediction results with 87%. The study also builds charts and directly shows the amount of data analyzing the factors affecting customer satisfaction with quality products as well as seller's services and e-commerce platforms. In addition, the study proposes recommendations to help businesses improve the quality of products and services, thereby providing better strategies to attract and retain customers.

GIỚI THIỆU

TMĐT đang ngày càng phát triển và chiếm vai trò đáng kể trong nền kinh tế. Nông nghiệp từ xưa đến nay luôn là một ngành chủ lực của Việt Nam. Việc kết hợp cả hai ngành chắc chắn sẽ giúp kinh tế Việt Nam phát triển theo hướng tích cực. Các doanh nghiệp tham gia vào thị trường TMĐT trong lĩnh vực nông sản ngày càng nhiều vì thế việc cạnh tranh là điều bắt buộc. Để có thể nâng cao hiệu quả cạnh tranh, các doanh nghiệp cần hiểu rõ nhu cầu của khách hàng thông qua các bình luận của khách hàng. Để giải quyết bài toán này, nghiên cứu đã thu thập các bình luận về nông sản trên các sàn TMĐT. Nhưng dữ liệu chỉ ở mức sơ cấp, do đó, các phương pháp học máy đã được áp dụng vào nghiên cứu để có thể phân loại ra được các bình luận tích cực hay tiêu cực và kết hợp với các nhãn chủ đề liên quan như chất lượng nông sản, giá cả, dịch vụ, giao hàng, hệ thống trực tuyến và dùng các phương pháp phân tích, trực quan hóa dữ liệu trên các biểu đồ. Bài nghiên cứu sẽ đưa ra cái nhìn tổng quan về sản phẩm nông sản trên các sàn TMĐT (cụ thể ở đây là Tiki, Sendo, Voso) và các ngành hàng (rau, củ, trái cây, thịt), bên cạnh đó là đề xuất một mô hình phân tích cảm xúc dựa trên bình luận của họ về các sản phẩm nông sản trên các sàn TMĐT. Các biểu đồ được phân tích sẽ chỉ ra những yếu tố tác động đến sự hài lòng của khách hàng về chất lượng sản phẩm cũng như dịch vụ của người bán và sàn TMĐT.

CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN

Khai phá văn bản, còn được gọi là phân tích văn bản, là một kỹ thuật trí tuệ nhân tạo để chuyển đổi dữ liệu phi cấu trúc thành dữ liệu có cấu trúc bằng cách sử dụng NLP phân tích bằng các thuật toán học máy 1 . Các kỹ thuật khai thác văn bản như phân tích cấp độ từ (ví dụ: phân tích tần suất), phân tích liên kết từ (ví dụ: network analysis) và các kỹ thuật nâng cao (ví dụ: phân loại văn bản, phân cụm văn bản, mô hình hóa chủ đề, truy xuất thông tin và phân tích cảm xúc) 2 . Trong bài nghiên cứu này, nhóm tác giả tập trung vào việc phân tích cảm xúc thông qua bình luận khách hàng.

Các kỹ thuật phân tích cảm xúc có thể chia thành hai loại là cách tiếp cận dựa trên từ vựng và cách tiếp cận dựa trên máy học 3 . Ngoài ra, có một phương pháp kết hợp kết hợp một số thuật toán phân loại cơ sở để tối ưu kết quả phân loại cuối cùng được gọi là các phương pháp tổng hợp (ensemble methods).

Hassan et.al 4 tiến hành nghiên cứu để cải thiện mô hình phân tích cảm xúc của Twitter. Nghiên cứu đã so sánh kết quả giữa các thuật toán: SVM, Logistic Regression, Naïve Bayes, Bayes Net, REP Tree, Random Tree, và RBF Neural Network. Kết quả cho thấy phương pháp tổng hợp đạt được độ chính xác cao hơn. Wang et.al 5 cũng tiến hành phân loại cảm xúc dùng 5 thuật toán là Support Vector Machine, K Nearest Neighbor, Decision Tree, Maximum Entropy và Naive Bayes. Thêm vào đó, nghiên cứu áp dụng thêm 3 phương pháp tổng hợp là Random Subspace, Boosting, and Bagging. Kết quả cho thấy Random Subspace cho ra kết quả tốt nhất.

Các nghiên cứu trước đó đã đạt được những kết quả tốt trong lĩnh vực phân tích cảm xúc. Trong nghiên cứu này, hóm tiến hành xây dựng mô hình tổng hợp 2 phương pháp Binary Relevance và One-vs-Rest. Mỗi phương pháp sẽ kết hợp với một thuật toán học máy để tiến hành huấn luyện và dự đoán dựa trên tập kiểm thử đã được chia trước đó. Điều này sẽ tối ưu hóa kết quả dự đoán bình luận khách hàng, phân tích từng cụm từ để xác định cảm xúc tích cực hay tiêu cự.

PHƯƠNG PHÁP NGHIÊN CỨU

Figure 1 trình bày mô hình nghiên cứu bình luận của khách hàng về nông sản trên các sàn thương mại điện tử dựa trên phương pháp học máy. Mô hình bài toán được chia ra làm 4 phần: Thu thập dữ liệu, Tiền xử lý dữ liệu, Huấn luyện mô hình và Phân tích trực quan hóa. Sử dụng các thư viện Request và BeautifulSoup trong ngôn ngữ lập trình Python để thu thập dữ liệu từ các sàn TMĐT như Tiki, Sendo và Voso. Các dữ liệu đầu vào được xử lý sạch như xóa dòng rỗng, kí tự icon, kí tự đặc biệt, chuyển về kí tự thường,... trước khi được đưa vào huấn luyện mô hình thông qua các thư viện có sẵn trong ngôn ngữ lập trình Python, việc này làm cho dữ liệu thô được điều chỉnh lại phù hợp với các bước sau. Dữ liệu còn được hệ thống hóa và gán nhãn dựa vào những khía cạnh khác nhau, sự quan tâm hay thái độ,... để phục vụ cho việc dự đoán. Các thuật toán học máy được sử dụng để huấn luyện kết hợp với các ensemble method để đưa ra độ chính xác cao nhất. Cuối cùng là thực hiện trực quan hóa dữ liệu với Power BI thông qua các biểu đồ từ đó có cơ sở đưa ra những đề xuất giải pháp.

Figure 1 . Mô hình nghiên cứu tổng quan

Thu thập dữ liệu

Dựa trên lập trình bằng ngôn ngữ Python, chúng tôi sử dụng một số thư viện sẵn có để giúp cho việc khai phá dữ liệu như: Request, Pandas, NumPy . Tùy vào mỗi cấu trúc của website mà quyết định thu thập thông tin qua cấu trúc Hypertext Markup Language (HTML) hay Application Programming Interface (API) của website.

Mô tả dữ liệu

Bộ dữ liệu được nhóm nghiên cứu sử dụng gồm có dữ liệu từ 3 sàn giao dịch TMĐT là Tiki, Sendo và Voso với chủ đề về nông sản Việt Nam từ tháng 10/2021 trở về trước và từ sau tháng 10/2021 đến đầu tháng 05/2022. Chi tiết là các sản phẩm về rau củ quả, thịt, trái cây của sàn Tiki, các sản phẩm thịt trứng, rau củ quả của sàn Sendo và đặc sản các miền của sàn Voso. Tổng cộng gồm 180,609 bình luận đến từ cả 3 sàn.

Tiền xử lý dữ liệu

Do tập dữ liệu về bình luận sản phẩm của người dùng cần phải lọc sạch trước khi đưa vào huấn luyện mô hình, để giải quyết vấn đề này chúng tôi sử dụng một số phương pháp xử lý ký tự, từ ngữ trong câu như sửa lỗi chính tả, làm rõ nghĩa của từ. Đồng thời cũng loại bỏ đi icon, ký tự đặc biệt trong câu và xóa tất cả các bình luận rỗng (chỉ gồm các dấu cách khoảng). Cuối cùng là chuyển tất cả câu về chữ thường.

Hệ thống hóa và gán nhãn dữ liệu

Table 1 thể hiện các trường dữ liệu được thu thập từ 03 sàn thương mại điện tử. Dữ liệu được hệ thống hóa có các cột với các thông tin bao gồm User_ID (Mã khách hàng bình luận sản phẩm), Item_ID (Mã sản phẩm), Rating (Điểm đánh giá), Comment (Bình luận khách hàng), Product Name (Tên sản phẩm).

Table 1 Bảng dữ liệu được hệ thống hóa trước khi gán nhãn

Dựa trên công trình của Fang Lyu và Jaewon Choi 6 , chúng tôi ghi nhận được nhiều khía cạnh khác nhau về sự quan tâm, yêu cầu và thái độ của khách hàng đối với sản phẩm nông sản và dịch vụ được cung cấp trên các sàn TMĐT, thông qua đó cô đọng thành các nhóm vấn đề mà doanh nghiệp cần quan tâm phát triển hay cải thiện hoạt động kinh doanh của họ trong Table 2 . Các thẻ chủ đề được nhóm đưa ra trong nghiên cứu là Food quality; Product affordability; Online system quality; Customer service; Packaging design; Delivery. Bên cạnh đó, để có thể bình luận và nghiên cứu sâu hơn, nhóm đã thêm vào yếu tố Tích cực (1) và Tiêu cực (2) cho từng thẻ chủ đề dựa trên nội dung các bình luận của người mua hàng. Với mỗi thẻ chủ đề thì yếu tố tích cực, tiêu cực sẽ có các từ mô tả tương ứng như bảng bên dưới.

Table 2 Các chủ đề và cụm từ nhận diện

Nhóm nghiên cứu thực hiện quá trình gán nhãn thủ công dựa trên nội dung bình luận của người mua hàng trên từng sàn TMĐT. Nội dung bình luận sẽ được gán nhãn theo các thẻ chủ đề mà nhóm đã đề xuất bên trên và dựa vào ngữ cảnh của nội dung mà sẽ xét đến các yếu tố tiêu cực và tích cực cho từng trường hợp. Như vậy ứng với từng chủ đề như chất lượng sản phẩm, đóng gói sản phẩm, … sẽ có hai yếu tố tích cực và tiêu cực, tổng cộng là 12 nhãn dán. Tuy nhiên, trong một bình luận, khách hàng có thể đề cập đến nhiều chủ đề và với mỗi chủ đề lại có bình luận tích cực và tiêu cực khác nhau. Do đó, tùy thuộc vào nội dung bình luận, nội dung dán nhãn sẽ khác nhau và không cố định. Table 3 trình bày về một số ví dụ chi tiết.

Table 3 Ví dụ gán nhãn chủ đề dựa theo nội dung đánh giá

Vector hóa bộ dữ liệu

Để bắt đầu quá trình huấn luyện học máy thì ta không thể đưa dữ liệu đầu vào là văn bản cho máy học mà phải chuyển các dữ liệu này sang dạng vector, một số phương pháp thường được sử dụng vào trong bước này như là: Mô hình Bag of Words, TF-IDF,... Trong bài nghiên cứu này chúng tôi chỉ sử dụng mô hình TF-IDF.

TF-IDF là kỹ thuật được dùng để tính toán trọng số của các từ. Trọng số này thể hiện tầm quan trọng của một từ trong một văn bản 7 .

Mô hình dự đoán

Sau khi thực hiện các mô hình học máy, kết quả dự đoán cần xác định được từng yếu tố tích cực và tiêu cực ứng với mỗi chủ để. Vì vậy không thể dùng một phương pháp đơn lẻ mà là phải là sự kết hợp của nhiều phương pháp khác nhau. Nhóm nghiên cứu tiến hành xây dựng mô hình kết hợp 2 phương pháp Binary Relevance 8 và One-vs-Rest 9 và các thuật toán học máy như: Bagging Classifier 10 , Gradient Boosting Classifier 11 , Support Vector Machine (SVM) 12 , Stochastic Gradient Descent (SGDClassifier).

Bagging Classifier là thuật toán giúp chúng ta có thể chia tập dữ liệu huấn luyện thành 2 phần ngẫu nhiên và huấn luyện trong mô hình cây quyết định một nửa. Gradient boosting là một phương pháp giúp phát triển mô hình phân lớp và tuyến tính để cải thiện quá trình học của mô hình. Linear SVC là mô hình cho một khả năng xây dựng mô hình đa dạng các tùy biến. SGD ClassifierStochastic Gradient Descent (SGD) là một thuật toán được áp dụng thành công cho các tập dữ liệu quy mô lớn bởi vì việc cập nhật các hệ số được thực hiện cho mỗi trường hợp huấn luyện, thay vì ở cuối các trường hợp. Ngoài ra thì SGD có thể được huấn luyện sử dụng ngắt quãng (sẽ vẫn có thể chạy tiếp được nếu bị tạm dừng).

Mỗi phương pháp sẽ kết hợp với một thuật toán học máy để tiến hành huấn luyện và dự đoán dựa trên tập kiểm thử đã được chia trước đó. Trong mỗi lần vòng lặp chạy sẽ đưa ra thời gian huấn luyện, thời gian dự đoán, điểm số và độ chính xác cho từng mô hình cụ thể.

KẾT QUẢ & THẢO LUẬN

Table 4 So sánh các mô hình

Kết quả được thực nghiệm và đánh giá mô hình được thể hiện trên Table 4 . Dựa trên các thang đo điểm Precision hay F-score đa số các kết quả cho ra đều trên 80%, đây là một kết quả dự đoán khá cao. Tuy nhiên, khi xét đến khía cạnh thời gian thì thuật toán GradientBoostingClassifier kết hợp với phương pháp Binary Relevance cho ra con số khá cao (4416s cho thời gian huấn luyện) và tương tự với thuật toán BaggingClassifier kết hợp với Binary Relevance (27s cho thời gian dự đoán). Khi xét cùng một tập dữ liệu với nhau mà các thuật toán này cho ra thời gian đã có sự chênh lệch lớn như vậy thì khi tiến hành đưa vào các dữ liệu thực tế có độ lớn gấp nhiều lần đồng nghĩa với việc thời gian cũng sẽ tăng cao.

Thuật toán SGDClassifier với 2 phương pháp kết hợp đều cho kết quả dự đoán ở 2 thang đo Precision và F-score đạt lần lượt là 87% và 82%, tuy nhiên với phương pháp Binary Relevance (BR) thì thời gian huấn luyện cũng như dự đoán lâu hơn (40.5s huấn luyện và 0.5s dự đoán) so với phương pháp One-vs-Rest (OvR) chỉ với 0.2s huấn luyện và 0.003s dự đoán, có thể nói SGDClassifier kết hợp với One-vs-Rest là thuật toán tối ưu nhất cho bài toán và bộ dữ liệu này.

Figure 2 . Thực trạng kinh doanh đến tháng 10/2021 của các ngành hàng nông sản

Biểu đồ trong Figure 2 được tạo ra để trực quan hóa thực trạng kinh doanh của các ngành hàng nông sản tính đến tháng 10/2021. Số lượng sản phẩm thu thập được từ các sàn TMĐT là 3032 sản phẩm trải dài trên 6 ngành hàng bao gồm thịt heo, thịt bò, thịt gia cầm, rau, củ, trái cây. Với tổng số khách hàng là hơn 28000 người, và trung bình bình luận của các sàn là xấp xỉ 4.7 sao. Sau khi phân loại các đánh giá, tỷ lệ tích cực ở các lượt bình luận ở khách hàng là rất cao chiếm xấp xỉ 61% trên tổng số.

Số lượng bình luận khách hàng để lại bắt đầu từ các tháng giữa năm của 2021 có những chuyển biến rõ rệt, tăng dần theo thời gian và đạt đỉnh vào tháng 8 cùng năm, tháng 8 là khoảng thời gian dịch bệnh bùng phát mạnh nhất với chiều hướng xấu nhưng lại là cú hích tích cực cho các hoạt động kinh doanh nông sản trên các sàn TMĐT.

Một số tiêu chí như chăm sóc khách hàng, giao hàng, quản lý hệ thống có tỷ lệ tích cực và tiêu cực không quá chênh lệch, điều này cũng có thể lý giải bởi tình hình dịch bệnh làm ảnh hưởng không nhỏ. Khi các lệnh giãn cách được ban hành, đã trở thành rào cản đối với việc đảm bảo thời gian, chất lượng giao hàng của các sàn thương mại điện từ; bên cạnh đó, lượng mua tăng đột biến dẫn đến việc các cửa hàng không bao quát được quá trình chăm sóc khách hàng và hệ thống quá tải phát sinh các trục trặc ảnh hưởng đến trải nghiệm mua hàng của khách hàng.

Có một sự khác biệt lớn khi nhân tố thứ hai mà người tiêu dùng quan tâm là việc vận chuyển sản phẩm, trong khi đối với các nghiên cứu trước đó đã chỉ ra rằng giá cả là ưu tiên hàng đầu khi người tiêu dùng quyết định mua sản phẩm trên các trang TMĐT. Đối với những mặt hàng tươi sống, người tiêu dùng rất quan trọng việc giao hàng đúng giờ, giao chậm thì thịt rau đến tay khách hàng đã mất ngon, thậm chí hư hỏng.

Figure 3 . Thực trạng kinh doanh từ tháng 10/2021 đến tháng 05/2022 của các ngành hàng nông sản

Nhóm nghiên cứu tiến hành thu thập tiếp dữ liệu từ cuối tháng 10/2021 đến tháng 5/2022 và thể hiện qua Figure 3 . Tình hình dịch cơ bản đã được kiểm soát trong thời điểm. Mục tiêu của việc nghiên cứu này giúp xác định liệu sau khi dịch bệnh được kiểm soát khách hàng có còn tiếp tục mua hàng nông sản trên các sàn TMĐT hay không và phản hồi của họ như thế nào.

Tổng số bình luận thu về được là 2547 bình luận, sau khi phân loại các đánh giá, tỷ lệ tiêu cực ở các lượt bình luận ở khách hàng là rất cao trên 62% trên tổng số. Từ tháng 2/2022, số lượng bình luận tích cực và tiêu cực xấp xỉ nhau, cho thấy sau dịch tình hình nông sản trên các sàn TMĐT có chiều hướng đi xuống. Ngược lại với những bình luận trước tháng 11/2021, thịt bò và thịt gia cầm là hai ngành hàng có số bình luận tiêu cực cao nhất với 48%, trước đó thịt bỏ chì có 134% bình luận tiêu cực. Thịt heo là ngành có số lượng bình luận tiêu cực thấp nhất, xấp xỉ 11%.

Trong nghiên cứu tiếp theo chúng tôi sẽ tiến hành cài đặt hệ thống để tự động cập nhật dữ liệu. Dữ liệu sẽ tự trích xuất dữ liệu từ trên website các sàn TMĐT, loại bỏ dữ liệu trùng lặp trước khi lưu vào cơ sở dữ liệu và tự động đưa vào biểu đồ để trực quan hóa.

KẾT LUẬN

Bài nghiên cứu đã giải quyết được ba vấn đề quan trọng đóng góp về mặt khoa học và thực tiễn trong lĩnh vực phân tích dữ liệu bình luận khách hàng:

Thứ nhất, nghiên cứu đã tìm ra những khía cạnh nào ảnh hưởng đến trải nghiệm người dùng về nông sản trên các sàn TMĐT. Mức độ mà những khía cạnh này ảnh hưởng đến cảm xúc của người mua được coi là tích cực hay tiêu cực. Các khía cạnh bao gồm: chất lượng sản phẩm, đóng gói sản phẩm, vận chuyển, giá thành, dịch vụ khách hàng và hệ thống đặt hàng.

Thứ hai, nghiên cứu đã phát triển mô hình học máy tự động phát hiện và gán nhãn cho tất cả các chủ đề cùng xuất hiện trong một câu đánh giá. Mô hình cũng tự động gán nhãn cảm xúc cho các bình luận.

Thứ ba, xây dựng các biểu đồ và thể hiện trực quan số liệu phân tích, giúp doanh nghiệp có chiến lược phát triển các sản phẩm từ nông sản và tham gia thị trường tốt hơn. Dựa vào đó mà doanh nghiệp có thể phân tích điểm mạnh và điểm yếu của mình cũng như đối thủ cạnh tranh để có các chiến lược tốt hơn.

LỜI CẢM ƠN

Nghiên cứu này được tài trợ bởi Trường Đại học Kinh tế - Luật, ĐHQG-HCM và nhóm tác giả gửi lời cảm ơn đến anh Võ Trần Đông Dương, sinh viên khoa Khoa học và Kỹ thuật thông tin, trường Đại học Công Nghệ Thông Tin, ĐHQG-HCM đã hỗ trợ nhóm.

DANH MỤC TỪ VIẾT TẮT

TMĐT - Thương mại điện tử;

NLP: Natural Language Process (Xử lý ngôn ngữ tự nhiên);

TF-IDF: Term Frequency–Inverse Document Frequency;

HTTP: Hypertext Transfer Protocol (Giao thức truyền siêu văn bản);

JSON: JavaScript Object Notation (Một kiểu dữ liệu mở trong Javascript);

API: Application Programming Interface (Giao diện lập trình ứng dụng);

BR: Binary Relevance;

OvR: One-vs-Rest.

XUNG ĐỘT LỢI ÍCH

Nhóm tác giả xin cam đoan rằng không có bất kì xung đột lợi ích nào trong công bố bài báo.

ĐÓNG GÓP CỦA CÁC TÁC GIẢ

Các tác giả cùng đóng góp về ý tưởng, mục tiêu, lựa chọn phương pháp nghiên cứu, thảo luận các kết quả nghiên cứu và các vấn đề liên quan đến trực quan hoá dữ liệu và kết quản nghiên cứu.

References

  1. Humphreys A, Wang RJ. Automated text analysis for consumer research. Journal of Consumer Research. 2018 Apr 1;44(6):1274-306. . ;:. Google Scholar
  2. Tao D, Yang P, Feng H. Utilization of text mining as a big data analysis tool for food science and nutrition. Comprehensive reviews in food science and food safety. 2020 Mar;19(2):875-94. . ;:. PubMed Google Scholar
  3. Balazs JA, Velásquez JD. Opinion mining and information fusion: a survey. Information Fusion. 2016 Jan 1;27:95-110. . ;:. Google Scholar
  4. Hassan A, Abbasi A, Zeng D. Twitter sentiment analysis: A bootstrap ensemble framework. In2013 international conference on social computing 2013 Sep 8 (pp. 357-364). IEEE. . ;:. PubMed Google Scholar
  5. Wang G, Sun J, Ma J, Xu K, Gu J. Sentiment classification: The contribution of ensemble learning. Decision support systems. 2014 Jan 1;57:77-93. . ;:. Google Scholar
  6. Lyu F, Choi J. The forecasting sales volume and satisfaction of organic products through text mining on web customer reviews. Sustainability. 2020 Jan;12(11):4383. . ;:. Google Scholar
  7. Yun-tao Z, Ling G, Yong-cheng W. An improved TF-IDF approach for text classification. Journal of Zhejiang University-Science A. 2005 Aug;6(1):49-55. . ;:. Google Scholar
  8. Zhang ML, Li YK, Liu XY, Geng X. Binary relevance for multi-label learning: an overview. Frontiers of Computer Science. 2018 Apr;12(2):191-202. . ;:. Google Scholar
  9. Ramírez J, Górriz JM, Ortiz A, Martínez-Murcia FJ, Segovia F, Salas-Gonzalez D, Castillo-Barnes D, Illán IA, Puntonet CG, Alzheimer's Disease Neuroimaging Initiative. Ensemble of random forests One vs. Rest classifiers for MCI and AD prediction using ANOVA cortical and subcortical feature selection and partial least squares. Journal of neuroscience methods. 2018 May 15;302:47-57. . ;:. PubMed Google Scholar
  10. Dong L, Yuan Y, Cai Y. Using Bagging classifier to predict protein domain structural class. Journal of biomolecular structure & dynamics. 2006 Dec 1;24(3):239-42. . ;:. Google Scholar
  11. Lusa L. Gradient boosting for high-dimensional prediction of rare events. Computational Statistics & Data Analysis. 2017 Sep 1;113:19-37. . ;:. Google Scholar
  12. Noble WS. What is a support vector machine?. Nature biotechnology. 2006 Dec;24(12):1565-7. . ;:. PubMed Google Scholar


Author's Affiliation
Article Details

Issue: Vol 6 No 4 (2022)
Page No.: 3682-3690
Published: Jan 31, 2023
Section: Research article
DOI: https://doi.org/10.32508/stdjelm.v6i4.1132

 Copyright Info

Creative Commons License

Copyright: The Authors. This is an open access article distributed under the terms of the Creative Commons Attribution License CC-BY 4.0., which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited.

 How to Cite
Anh, N., Giang, P., Giang, V., An, N., Dat, N., Ai, H., & Nguyen, H. (2023). Applying machine learning methods to analyze customer comments about fresh food on e-commerce platforms in Vietnam. Science & Technology Development Journal: Economics- Law & Management, 6(4), 3682-3690. https://doi.org/https://doi.org/10.32508/stdjelm.v6i4.1132

 Cited by



Article level Metrics by Paperbuzz/Impactstory
Article level Metrics by Altmetrics

 Article Statistics
HTML = 315 times
PDF   = 36 times
XML   = 0 times
Total   = 36 times