Hệ thống khuyến nghị sức khỏe dựa trên phân tích tâm trạng từ mạng xã hội

Abstract

Nghiên cứu này phát triển một hệ thống khuyến nghị chăm sóc sức khỏe tinh thần cá nhân hóa dựa trên phân tích cảm xúc từ mạng xã hội. Mục tiêu chính là tận dụng dữ liệu văn bản và mối quan hệ xã hội để hiểu rõ trạng thái cảm xúc người dùng, từ đó đưa ra các khuyến nghị phù hợp nhằm hỗ trợ sức khỏe tinh thần một cách hiệu quả. GraphMoodRF, kết hợp ba thành phần chính: Mạng đồ thị tích chập (Graph Convolutional Network - GCN) để tính toán điểm phân tích cảm xúc (SA Score) từ nội dung bài đăng và cấu trúc mạng xã hội; logic mờ (Fuzzy Logic - Fz) để phân loại SA Score thành các mức độ cảm xúc như rất tiêu cực đến rất tích cực; và lọc cộng tác dựa trên mạng nơ-ron (Neural Collaborative Filtering – NCF) để học các mối quan hệ phi tuyến giữa người dùng và hành động khuyến nghị. Kết quả thực nghiệm trên 1000 tweet thu thập từ Twitter cho thấy hệ thống đạt F1-score 0,87 trong phân loại cảm xúc và Precision@3 0,85 trong khuyến nghị, vượt trội so với các mô hình như LSTM, BERT và lọc cộng tác (Collaborative Filtering - CF) truyền thống. Nghiên cứu đề xuất mô hình mới, hiệu quả và có khả năng mở rộng cao, kết hợp GCN, Fz và NCF để cá nhân hóa khuyến nghị dựa trên cảm xúc. GraphMoodRF có tiềm năng ứng dụng thực tế trong các nền tảng hỗ trợ sức khỏe tinh thần theo thời gian thực.