--- format: "aidr-story-markdown/v1" id: "468fbd02e69f3d0e53dd6da65dad014c32711f7cfc0e8c42e2f1bd400f4075b5" canonical_url: "https://aidr.today/468fbd02?lang=vi" title: "Phân loại cảm xúc chi tiết từ đánh giá ứng dụng di động: Nghiên cứu thực nghiệm với các mô hình ngôn ngữ lớn" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-06T04:00:00.000Z" category: "Research" topics: ["llm"] source_urls: ["https://arxiv.org/abs/2610.03802"] summary: "Bối cảnh: Phân loại cảm xúc chi tiết các đánh giá ứng dụng di động cho phép thực hiện các hoạt động kỹ thuật yêu cầu vượt ra ngoài việc khai thác ý kiến dựa trên tính cực, bao gồm ưu tiên vấn đề được thông báo theo cảm xúc và phân tích phản hồi hướng đến tính năng. Tuy nhiên, việc trích xuất cảm xúc chi tiết tự động từ đánh giá ứng dụng vẫn chưa được nghiên cứu đầy đủ. Mục tiêu: Dựa trên một khung công trình chú thích đã công bố trước đó và dữ liệu thực tế được dán nhãn thủ công phỏng theo phân loại của Plutchik, bài báo này khảo sát cách tận dụng các mô hình ngôn ngữ lớn để phân loại cảm xúc đa nhãn tự động trong điều kiện mất cân bằng lớp nghiêm trọng. Phương pháp: Chúng tôi so sánh việc fine-tune chỉ dựa vào encoder theo các công thức đa nhãn và tập hợp nhị phân, việc prompt zero-shot và few-shot chỉ dựa vào decoder trên các mô hình open-source và độc quyền, cùng với một danh mục các chiến lược giảm thiểu mất cân bằng, với bộ tạo đánh giá tổng hợp và chiến lược prompt được chọn thông qua xếp hạng tiện ích tăng cường nội tại." --- # Phân loại cảm xúc chi tiết từ đánh giá ứng dụng di động: Nghiên cứu thực nghiệm với các mô hình ngôn ngữ lớn > [Open the canonical story]() **Published:** 2026-10-06T04:00:00.000Z **Category:** Research **Topics:** llm ## Summary Bối cảnh: Phân loại cảm xúc chi tiết các đánh giá ứng dụng di động cho phép thực hiện các hoạt động kỹ thuật yêu cầu vượt ra ngoài việc khai thác ý kiến dựa trên tính cực, bao gồm ưu tiên vấn đề được thông báo theo cảm xúc và phân tích phản hồi hướng đến tính năng\. Tuy nhiên, việc trích xuất cảm xúc chi tiết tự động từ đánh giá ứng dụng vẫn chưa được nghiên cứu đầy đủ\. Mục tiêu: Dựa trên một khung công trình chú thích đã công bố trước đó và dữ liệu thực tế được dán nhãn thủ công phỏng theo phân loại của Plutchik, bài báo này khảo sát cách tận dụng các mô hình ngôn ngữ lớn để phân loại cảm xúc đa nhãn tự động trong điều kiện mất cân bằng lớp nghiêm trọng\. Phương pháp: Chúng tôi so sánh việc fine\-tune chỉ dựa vào encoder theo các công thức đa nhãn và tập hợp nhị phân, việc prompt zero\-shot và few\-shot chỉ dựa vào decoder trên các mô hình open\-source và độc quyền, cùng với một danh mục các chiến lược giảm thiểu mất cân bằng, với bộ tạo đánh giá tổng hợp và chiến lược prompt được chọn thông qua xếp hạng tiện ích tăng cường nội tại\. ## Sources - [Story source]()