Đề xuất mô hình Phobert trong phân loại tự động yêu cầu hỗ trợ sinh viên tại Đại Học Kinh Tế Thành Phố Hồ Chí Minh (UEH)

Abstract

Tại Trường Đại học Kinh tế TP. Hồ Chí Minh (UEH), khối lượng yêu cầu hỗ trợ do người học gửi đến qua hệ thống CRM/Ticket có xu hướng gia tăng nhanh, nhất là vào những đợt cao điểm hành chính như đăng ký môn học, hoàn tất nghĩa vụ học phí, chốt điểm và xét công nhận tốt nghiệp. Khâu phân loại ticket về đúng phòng ban xử lý hiện chủ yếu vẫn dựa vào thao tác thủ công, trong khi dữ liệu thực tế có dung lượng lớn, nội dung phân tán và thường chồng lấn giữa nhiều mảng nghiệp vụ. Đề án phát biểu bài toán này dưới dạng nhiệm vụ phân loại đa lớp và đề xuất sử dụng PhoBERT làm mô hình trọng tâm. Dữ liệu được kết xuất từ hệ thống CRM/Ticket của UEH trong giai đoạn 06/2022 - 31/10/2025; sau khi làm sạch và chuẩn hoá, tập dữ liệu còn 46.874 ticket, gắn nhãn theo 06 phòng ban chức năng. Đầu vào mô hình được tạo bằng cách ghép hai trường "Tiêu đề" và "Mô tả". Phần thực nghiệm so sánh hai họ mô hình: nhóm học máy cổ điển trên đặc trưng TF-IDF (Logistic Regression, Linear SVM, Random Forest) và nhóm Transformer (mBERT, XLM-R, PhoBERT). Kết quả cho thấy nhóm Transformer vượt trội so với nhóm truyền thống; trong nội bộ nhóm Transformer, PhoBERT nhờ được huấn luyện chuyên cho tiếng Việt đạt hiệu quả cao hơn hai mô hình đa ngôn ngữ. Cấu hình PhoBERT Weighted, áp dụng trọng số lớp để xử lý mất cân bằng dữ liệu, được giữ làm phương án đề xuất với Accuracy 0,94, Macro-F1 0,94, Weighted-F1 0,94 và Macro Recall 0,95. Phân tích lỗi cho thấy phần lớn dự đoán sai rơi vào những ticket có nội dung giao thoa giữa nhiều mảng nghiệp vụ hoặc chịu tác động bởi cách phối hợp xử lý liên phòng ban trong thực tiễn vận hành. Trên cơ sở đó, đề án đề xuất triển khai PhoBERT Weighted trong pipeline demo và định hướng tích hợp vào hệ thống CRM/Ticket của Trường qua API, góp phần chuẩn hoá khâu phân loại yêu cầu hỗ trợ người học tại UEH