Sentiment Analysis là gì? Cách AI phân tích cảm xúc và quan điểm trong văn bản

3430

20-09-2026

Một doanh nghiệp có thể nhận hàng nghìn bình luận, đánh giá, email và cuộc trò chuyện với khách hàng mỗi ngày. Vấn đề không phải thiếu dữ liệu, mà là làm thế nào biết khách hàng đang hài lòng với điều gì, khó chịu ở đâu và phản hồi nào cần được xử lý trước. Sentiment Analysis giải quyết bài toán đó bằng cách sử dụng NLP và AI để nhận diện thái độ, quan điểm được thể hiện trong ngôn ngữ, từ đó biến những đoạn văn bản rời rạc thành dữ liệu có thể phân tích và hành động.

Sentiment Analysis là gì?

Sentiment Analysis, hay phân tích sắc thái/quan điểm, là một bài toán trong Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) nhằm xác định thái độ hoặc quan điểm được thể hiện trong một đoạn văn bản. Ở dạng cơ bản nhất, hệ thống có thể phân loại nội dung thành:

• Positive: Tích cực
• Negative: Tiêu cực
• Neutral: Trung tính
• Một số hệ thống bổ sung Mixed: Cùng tồn tại cả ý kiến tích cực và tiêu cực

IBM gọi Sentiment Analysis là quá trình phân tích lượng lớn văn bản để xác định chúng thể hiện sentiment tích cực, tiêu cực hay trung tính. Amazon Comprehend cũng sử dụng bốn nhóm Positive, Negative, Neutral và Mixed trong hệ thống phân tích sentiment của mình.

Ví dụ với đánh giá:

“Giao hàng rất nhanh nhưng ứng dụng thường xuyên bị lỗi khi thanh toán.”

Nếu chỉ phân loại toàn bộ câu, hệ thống có thể đánh giá đây là Mixed Sentiment.

Nhưng nếu phân tích chi tiết theo từng khía cạnh, kết quả sẽ hữu ích hơn:

Đây là điểm quan trọng khi ứng dụng Sentiment Analysis trong doanh nghiệp. Biết rằng một khách hàng “không hài lòng” chưa đủ. Điều doanh nghiệp thực sự cần biết là họ không hài lòng về điều gì.

Sentiment Analysis thực sự phân tích điều gì?

Tên gọi “phân tích cảm xúc” đôi khi khiến Sentiment Analysis bị hiểu thành công nghệ có thể đọc toàn bộ trạng thái tâm lý của con người. Thực tế, nhiệm vụ chính của Sentiment Analysis thường là xác định polarity, tức chiều hướng đánh giá của người viết đối với một đối tượng hoặc vấn đề.

Ví dụ: “Chiếc laptop này có màn hình rất đẹp nhưng pin quá yếu.”

Trong câu trên tồn tại ít nhất hai quan điểm:

• Màn hình → Positive
• Pin → Negative

Nếu chỉ gắn một nhãn cho cả câu, một phần thông tin sẽ bị mất. Đó là lý do các hệ thống Sentiment Analysis hiện đại có thể hoạt động ở nhiều cấp độ khác nhau.

Document-level Sentiment Analysis

Hệ thống đánh giá sentiment chung của toàn bộ tài liệu, chẳng hạn một bài review hoặc một phản hồi khảo sát. Cách này phù hợp khi văn bản tương đối ngắn và chủ yếu nói về một đối tượng.

Ví dụ một review: “Dịch vụ tốt, nhân viên hỗ trợ nhanh và tôi sẽ tiếp tục sử dụng.” Toàn bộ review có thể được phân loại là Positive. Tuy nhiên, document-level sentiment dễ bỏ sót những ý kiến trái chiều nằm trong cùng một nội dung.

Sentence-level Sentiment Analysis

Thay vì đánh giá toàn bộ tài liệu, hệ thống phân tích từng câu.

Ví dụ: “Giao diện rất dễ sử dụng. Tuy nhiên, quá trình thanh toán khá chậm.”

Hai câu có thể nhận hai kết quả khác nhau:

• “Giao diện rất dễ sử dụng.” → Positive
• “Quá trình thanh toán khá chậm.” → Negative

Doanh nghiệp nhờ đó nhìn thấy chi tiết hơn những điểm khách hàng thích và không thích.

Aspect-based Sentiment Analysis

Aspect-based Sentiment Analysis (ABSA) đi thêm một bước: xác định khách hàng đang nói về khía cạnh nào và sentiment đối với chính khía cạnh đó.

Ví dụ: “Camera đẹp nhưng pin kém và máy hơi nóng.”

Hệ thống có thể tách thành:

• Camera → Positive
• Pin → Negative
• Nhiệt độ thiết bị → Negative

Đối với doanh nghiệp có hàng nghìn review, đây thường là dạng dữ liệu có giá trị hơn một con số sentiment chung. AWS gọi cách tiếp cận tương tự là Targeted Sentiment, trong đó sentiment được xác định đối với từng entity trong văn bản.

Sentiment Analysis hoạt động như thế nào?

Không phải mọi hệ thống Sentiment Analysis đều sử dụng cùng một mô hình. Tuy nhiên, một pipeline điển hình thường trải qua các bước từ thu thập dữ liệu đến đưa kết quả vào quy trình kinh doanh.

Bước 1: Thu thập dữ liệu văn bản

Nguồn dữ liệu có thể đến từ:

• Bình luận trên mạng xã hội
• Review sản phẩm
• Email khách hàng
• Ticket hỗ trợ
• Khảo sát
• Tin nhắn chatbot
• Nội dung hội thoại đã được chuyển từ giọng nói sang văn bản

Mỗi nguồn dữ liệu có đặc điểm ngôn ngữ khác nhau. Review thương mại điện tử thường ngắn và trực tiếp, trong khi email khiếu nại có thể dài, chứa nhiều vấn đề và nhiều mức độ sentiment khác nhau. Vì vậy, dữ liệu dùng để xây dựng hoặc đánh giá mô hình nên càng gần với tình huống sử dụng thực tế càng tốt.

Bước 2: Tiền xử lý dữ liệu

Với các phương pháp NLP truyền thống, dữ liệu thường phải trải qua nhiều thao tác như chuẩn hóa chữ viết, loại bỏ ký tự không cần thiết, tokenization hoặc xử lý từ dừng. Các mô hình ngôn ngữ hiện đại giảm bớt nhu cầu tiền xử lý thủ công, nhưng dữ liệu vẫn cần được kiểm tra.

Một bình luận như: “sp ngon nhaaaa 😍 nhưng ship lâu vl” có nhiều tín hiệu khác với câu văn chuẩn: “Sản phẩm tốt nhưng thời gian giao hàng lâu.”

Nếu hệ thống được huấn luyện chủ yếu bằng văn bản trang trọng, khả năng xử lý slang, viết tắt, emoji hoặc ngôn ngữ mạng có thể giảm đáng kể.

Bước 3: Xác định đối tượng và ngữ cảnh

Hệ thống cần hiểu sentiment đang hướng về đối tượng nào.

Xét câu: “Tôi thích thiết kế của sản phẩm nhưng không hài lòng với dịch vụ bảo hành.”

Nếu chỉ tìm những từ mang nghĩa tích cực hoặc tiêu cực, hệ thống có thể nhìn thấy cả “thích” và “không hài lòng” nhưng chưa biết chúng thuộc về đối tượng nào.

Một hệ thống tốt hơn phải liên kết:

• Thiết kế → Positive
• Dịch vụ bảo hành → Negative

Đây chính là lý do Entity Recognition, Aspect Extraction và Sentiment Analysis thường được kết hợp trong các hệ thống phân tích phản hồi khách hàng. Google Cloud cũng cung cấp Entity Sentiment Analysis để xác định sentiment được thể hiện đối với từng entity xuất hiện trong văn bản.

Bước 4: Phân loại sentiment

Mô hình xử lý văn bản và tạo ra nhãn sentiment hoặc điểm số tương ứng.

Ví dụ:

• Positive: 0,03
• Neutral: 0,05
• Negative: 0,90
• Mixed: 0,02

Trong trường hợp này, Negative có xác suất cao nhất nên hệ thống có thể gắn nhãn Negative. Điểm số này cần được hiểu là độ tin cậy của mô hình đối với dự đoán, chứ không phải “khách hàng tiêu cực 90%”. Đây là một khác biệt nhỏ nhưng rất quan trọng khi doanh nghiệp đưa Sentiment Analysis vào hệ thống ra quyết định tự động.

Bước 5: Tổng hợp thành insight

Phân loại sentiment mới chỉ là đầu vào. Giá trị kinh doanh xuất hiện khi kết quả được tổng hợp theo: Sản phẩm, tính năng, chi nhánh, thời gian, chiến dịch, nhóm khách hàng hoặc kênh tương tác.

• Thay vì chỉ thấy: “18.000 bình luận đã được phân tích.”
• Doanh nghiệp cần đi đến insight dạng: “Các phản hồi tiêu cực trong tuần này tập trung nhiều vào quá trình thanh toán.”

Từ đây đội Product hoặc Customer Service mới có cơ sở để điều tra nguyên nhân.

Những phương pháp phổ biến để xây dựng Sentiment Analysis

Sentiment Analysis đã trải qua nhiều thế hệ kỹ thuật, từ bộ từ điển đơn giản đến Transformer và Large Language Model. Một khảo sát năm 2026 mô tả quá trình phát triển của lĩnh vực này từ lexicon-based, machine learning, deep learning đến pretrained Transformers và LLM.

Phương pháp dựa trên từ điển và luật

Hệ thống sử dụng một danh sách từ có sentiment được xác định trước.

Ví dụ:

• “tuyệt vời” → Positive
• “hài lòng” → Positive
• “tệ” → Negative
• “thất vọng” → Negative

Sau đó hệ thống tính toán sentiment dựa trên những từ xuất hiện trong câu. Ưu điểm là dễ triển khai, dễ giải thích và không cần nhiều dữ liệu huấn luyện. Nhưng phương pháp này dễ gặp vấn đề với ngữ cảnh. 

Ví dụ: “Không tệ.” Nếu chỉ phát hiện từ “tệ”, hệ thống có thể gán Negative dù cả câu lại mang nghĩa tương đối tích cực.

Machine Learning

Với Machine Learning, mô hình học quy luật từ tập dữ liệu đã được con người gắn nhãn.

Ví dụ doanh nghiệp chuẩn bị hàng nghìn review gồm:

• Review A → Positive
• Review B → Negative
• Review C → Neutral

Mô hình học cách liên hệ đặc điểm ngôn ngữ với từng nhãn rồi dự đoán sentiment cho dữ liệu mới. Các thuật toán truyền thống như Logistic Regression, Naive Bayes hoặc Support Vector Machine từng được sử dụng rộng rãi cho bài toán này. Điểm mạnh là mô hình có thể học nhiều pattern hơn so với bộ luật cố định. Tuy nhiên, chất lượng phụ thuộc lớn vào dữ liệu huấn luyện và cách biểu diễn văn bản.

Deep Learning và Transformer

Các mô hình Deep Learning và đặc biệt là kiến trúc Transformer giúp hệ thống xử lý ngữ cảnh tốt hơn. Thay vì nhìn từng từ một cách tương đối độc lập, mô hình có thể xem xét quan hệ giữa các từ trong câu. 

Điều này đặc biệt quan trọng với những cấu trúc như: “Giá không phải là rẻ, nhưng chất lượng hoàn toàn xứng đáng.”

Ý nghĩa không thể xác định chính xác chỉ bằng việc đếm từ tích cực hoặc tiêu cực. Các pretrained language model như BERT và các Transformer thế hệ sau đã trở thành một hướng quan trọng trong Sentiment Analysis hiện đại.

Large Language Model

LLM mở rộng Sentiment Analysis sang các bài toán phức tạp hơn. Thay vì chỉ yêu cầu: “Positive hay Negative?” hệ thống có thể được yêu cầu: “Xác định sentiment, vấn đề khách hàng đang phàn nàn và lý do dẫn đến sentiment đó.”

Kết quả khi đó có thể ở dạng:

• Sentiment: Negative
• Aspect: Delivery
• Reason: Giao hàng chậm hơn thời gian cam kết
• Urgency: High

LLM đặc biệt hữu ích với các bài toán cần hiểu ngữ cảnh hoặc phân loại theo taxonomy riêng của doanh nghiệp. Tuy nhiên, khả năng diễn giải tốt không đồng nghĩa kết quả luôn đúng. Với các workflow quan trọng, doanh nghiệp vẫn cần tập dữ liệu kiểm thử, threshold và cơ chế con người kiểm tra những trường hợp không chắc chắn.

Sentiment Analysis được ứng dụng vào đâu?

Sentiment Analysis có giá trị nhất khi doanh nghiệp sở hữu lượng lớn dữ liệu phản hồi mà con người khó đọc thủ công toàn bộ.

Phân tích Voice of Customer

Doanh nghiệp có thể tổng hợp review, email, khảo sát và hội thoại để xác định khách hàng thường xuyên khen hoặc phàn nàn về vấn đề gì.

Thay vì đọc từng phản hồi, đội ngũ có thể theo dõi: Sentiment theo sản phẩm, sentiment theo tính năng, sentiment trước và sau một bản cập nhật hoặc các vấn đề tạo nhiều sentiment tiêu cực nhất. Đây là cách biến dữ liệu phản hồi thành đầu vào cho Product, Marketing và Customer Experience.

Phát hiện vấn đề trong chăm sóc khách hàng

Không phải ticket nào cũng có mức độ ưu tiên giống nhau.

• Một tin nhắn: “Tôi chưa nhận được hóa đơn.”
• khác với: “Tôi đã liên hệ ba lần nhưng vấn đề vẫn chưa được xử lý.”

Sentiment Analysis có thể trở thành một tín hiệu bổ sung để hệ thống ưu tiên các cuộc hội thoại có dấu hiệu không hài lòng cao. Tuy nhiên, sentiment không nên là tiêu chí duy nhất. Một khách hàng viết rất bình tĩnh vẫn có thể đang gặp một sự cố nghiêm trọng.

Phân tích review sản phẩm

Nếu một sản phẩm có hàng chục nghìn review, điểm đánh giá trung bình chỉ cho biết mức độ hài lòng chung. Aspect-based Sentiment Analysis có thể chỉ ra:

• Khách hàng thích camera nhưng phàn nàn về pin
• Khách hàng đánh giá cao giao diện nhưng thường gặp lỗi đăng nhập
• Insight này hữu ích hơn nhiều cho đội Product khi quyết định vấn đề nào cần cải thiện

Theo dõi phản ứng đối với thương hiệu

Sentiment Analysis có thể kết hợp với Social Listening để theo dõi sự thay đổi trong phản ứng của cộng đồng đối với thương hiệu, chiến dịch hoặc sự kiện. Điều quan trọng là không nên nhìn sentiment riêng lẻ. Nếu tỷ lệ sentiment tiêu cực tăng, doanh nghiệp vẫn cần kiểm tra chủ đề nào gây ra sự thay đổi. Một dashboard chỉ hiển thị “Negative tăng 15%” chưa trả lời được câu hỏi quan trọng nhất: “Vì sao?”

Phân tích hội thoại trong Tổng đài AI

Sentiment Analysis cũng có thể trở thành một lớp trong pipeline phân tích cuộc gọi. Một kiến trúc đơn giản có thể là: Cuộc gọi → Speech-to-Text → Nội dung hội thoại → Sentiment/Intent Analysis → Routing hoặc Analytics

Ví dụ, sau khi cuộc hội thoại được chuyển thành văn bản, hệ thống phát hiện khách hàng liên tục thể hiện sự không hài lòng và yêu cầu khiếu nại. Đây có thể trở thành tín hiệu để chuyển cuộc gọi sang nhân viên phù hợp hoặc đưa cuộc hội thoại vào nhóm cần kiểm tra.

Cần phân biệt rằng nếu hệ thống phân tích trực tiếp cao độ, tốc độ nói hoặc đặc điểm âm thanh để nhận biết tức giận, căng thẳng…, đó là Speech Emotion Recognition hoặc multimodal analysis, không còn là Sentiment Analysis văn bản thuần túy.

Đây cũng là một điểm Sentiment Analysis có thể kết nối tự nhiên với các bài toán Tổng đài AI, Voicebot và NLP mà doanh nghiệp đang triển khai trên nền tảng cloud.

Tại sao Sentiment Analysis vẫn có thể phân tích sai?

Ngôn ngữ của con người chứa rất nhiều thông tin ngầm mà một mô hình khó hiểu hoàn toàn.

Mỉa mai và châm biếm

Ví dụ: “Tuyệt vời, ứng dụng lại lỗi đúng lúc tôi cần thanh toán.” Từ “tuyệt vời” mang nghĩa tích cực nếu đứng riêng, nhưng toàn bộ câu rõ ràng là một lời phàn nàn. IBM liệt kê sarcasm và irony là một trong những thách thức đáng chú ý của Sentiment Analysis.

Phủ định

Các câu như: “Không tệ.”, “Không thực sự tốt.”, “Không phải tôi không thích.” Có thể đảo hoặc làm yếu sentiment theo những cách rất khác nhau. Nếu mô hình chỉ dựa trên từ khóa, kết quả rất dễ sai.

Một câu có nhiều quan điểm trái chiều

“Khách sạn đẹp nhưng dịch vụ rất chậm.” Toàn bộ câu là Mixed, nhưng điều doanh nghiệp quan tâm thực sự là:

• Khách sạn → Positive
• Dịch vụ → Negative

Đây là lý do Aspect-based Sentiment Analysis có giá trị lớn trong phân tích trải nghiệm khách hàng.

Ngôn ngữ phụ thuộc lĩnh vực

Cùng một từ có thể mang ý nghĩa khác nhau tùy ngành. “Máy này rất nhẹ.”

• Với laptop → Có thể Positive. “Âm bass rất nhẹ.”
• Với tai nghe → Có thể Negative tùy ngữ cảnh.
  

Do đó, một mô hình hoạt động tốt trên review phim chưa chắc hoạt động tốt trên dữ liệu ngân hàng, thương mại điện tử hoặc dịch vụ cloud.

Tiếng lóng, viết tắt và ngôn ngữ pha trộn

Người dùng trên Internet hiếm khi luôn viết theo ngôn ngữ chuẩn: “app lag quá”, “support ok nha”, “ship hơi lâu nhưng sp xịn” Emoji, từ viết tắt, tiếng Anh xen tiếng Việt và cách kéo dài ký tự đều làm Sentiment Analysis khó hơn.

Vì vậy, kiểm thử bằng dữ liệu thật của doanh nghiệp quan trọng hơn việc chỉ nhìn vào benchmark chung của mô hình.

Làm thế nào đánh giá một hệ thống Sentiment Analysis?

Không nên đánh giá mô hình bằng vài câu thử ngẫu nhiên rồi kết luận rằng hệ thống “hiểu cảm xúc rất tốt”. Doanh nghiệp nên xây dựng một tập dữ liệu kiểm thử có con người gắn nhãn và phản ánh đúng dữ liệu thực tế.

Sau đó có thể theo dõi các chỉ số như:

• Precision: Trong những mẫu mô hình dự đoán là Negative, bao nhiêu mẫu thực sự Negative?
• Recall: Trong toàn bộ phản hồi Negative, mô hình phát hiện được bao nhiêu?
• F1-score: Cân bằng giữa Precision và Recall.
• Confusion Matrix: Mô hình thường nhầm nhóm nào với nhóm nào?

Accuracy vẫn có thể sử dụng nhưng dễ gây hiểu nhầm khi dữ liệu mất cân bằng. Ví dụ, nếu phần lớn phản hồi đều Neutral, một mô hình liên tục dự đoán Neutral vẫn có thể đạt Accuracy cao nhưng gần như không giúp doanh nghiệp phát hiện phản hồi tiêu cực.

Doanh nghiệp nên bắt đầu Sentiment Analysis như thế nào?

Một dự án Sentiment Analysis không nên bắt đầu bằng câu hỏi: “Mô hình AI nào mạnh nhất?” Trước tiên cần xác định quyết định nào sẽ được đưa ra từ kết quả phân tích.

Ví dụ:

• Nếu mục tiêu là phát hiện ticket cần xử lý sớm, có thể chỉ cần phân loại Negative và Non-negative.
• Nếu mục tiêu là cải thiện sản phẩm, Aspect-based Sentiment Analysis sẽ hữu ích hơn vì cần biết khách hàng đang phàn nàn về tính năng nào.
• Nếu mục tiêu là theo dõi thương hiệu, hệ thống còn cần xác định entity, topic và xu hướng sentiment theo thời gian.

Một quy trình thực tế có thể bắt đầu từ một use case nhỏ, xây dựng tập dữ liệu đại diện, đo Precision/Recall/F1, kiểm tra các lỗi thường gặp rồi mới mở rộng quy mô.

Khi hệ thống cần xử lý lượng lớn review, chat hoặc transcript cuộc gọi, lớp hạ tầng cũng trở thành một phần của bài toán. Doanh nghiệp cần tính đến nơi lưu trữ dữ liệu, năng lực xử lý, API tích hợp, bảo mật và khả năng mở rộng của pipeline NLP. Đây là điểm các dịch vụ cloud có thể hỗ trợ khi Sentiment Analysis chuyển từ thử nghiệm sang hệ thống thực tế.

FAQ về Sentiment Analysis

Sentiment Analysis có phải là AI không?

Sentiment Analysis là một bài toán thuộc NLP và có thể được triển khai bằng nhiều phương pháp khác nhau. Các hệ thống hiện đại thường sử dụng Machine Learning, Deep Learning, Transformer hoặc Large Language Model nên thường được xem là một ứng dụng của AI.

Sentiment Analysis có thể phân tích tiếng Việt không?

Có. Tuy nhiên, độ chính xác phụ thuộc vào mô hình, dữ liệu huấn luyện và lĩnh vực sử dụng. Với tiếng Việt thực tế trên social media, hệ thống còn phải xử lý viết tắt, tiếng lóng, emoji, từ tiếng Anh xen kẽ và các cách diễn đạt phụ thuộc ngữ cảnh.

Sentiment Analysis có thể phân tích cuộc gọi không?

Có, nhưng thường cần một bước chuyển giọng nói thành văn bản trước. Pipeline có thể là Speech-to-Text → transcript → Sentiment Analysis. Nếu phân tích trực tiếp đặc điểm giọng nói như cao độ hay tốc độ nói, hệ thống đang kết hợp thêm Speech Emotion Recognition.

Sentiment Analysis và Social Listening có giống nhau không?

Không. Social Listening là quá trình thu thập và phân tích các cuộc thảo luận liên quan đến thương hiệu hoặc chủ đề trên các kênh trực tuyến. Sentiment Analysis có thể là một thành phần bên trong hệ thống Social Listening để xác định chiều hướng quan điểm của từng nội dung.

Sentiment Analysis có chính xác 100% không?

Không. Mỉa mai, phủ định, tiếng lóng, ngữ cảnh, câu có nhiều khía cạnh và sự khác biệt giữa các lĩnh vực đều có thể khiến mô hình dự đoán sai. Vì vậy các trường hợp có độ tin cậy thấp hoặc ảnh hưởng lớn đến khách hàng nên có cơ chế kiểm tra bổ sung.

Sentiment Analysis có thể hoạt động theo thời gian thực không?

Có. Sentiment Analysis có thể được tích hợp vào API hoặc pipeline streaming để phân tích nội dung khi chat, review hoặc transcript được tạo ra. Tuy nhiên, kiến trúc thực tế còn phụ thuộc vào mô hình, lưu lượng dữ liệu, yêu cầu độ trễ và hạ tầng xử lý.

Kết luận

Sentiment Analysis không đơn giản là tìm vài từ tích cực hoặc tiêu cực trong một câu. Giá trị thực sự nằm ở khả năng biến hàng nghìn phản hồi không có cấu trúc thành thông tin doanh nghiệp có thể sử dụng: khách hàng đang nói về vấn đề nào, họ đánh giá nó theo hướng nào và đâu là tín hiệu cần được xử lý trước. Khi được kết hợp với NLP, phân tích theo từng khía cạnh và một pipeline dữ liệu phù hợp, Sentiment Analysis có thể trở thành một lớp quan trọng trong hệ thống chăm sóc khách hàng, phân tích sản phẩm, Social Listening và Tổng đài AI.