Nếu bạn từng thấy email spam tự động rơi vào thư mục rác, hay bình luận chửi bới trên fanpage bị ẩn trong vài giây, thì bạn đã đang nhìn thấy Text Classification hoạt động. Đây là một trong những ứng dụng phổ biến và cũ nhất của NLP, và đến nay vẫn là xương sống của rất nhiều hệ thống AI mà chúng ta dùng mỗi ngày.
Text Classification Là Gì?
Text Classification (phân loại văn bản) là nhiệm vụ để máy tính đọc một đoạn văn bản và gán nó vào một hoặc nhiều nhãn định sẵn. Ví dụ: email này là spam hay không spam, bình luận này là tích cực hay tiêu cực, tin nhắn này thuộc chủ đề khiếu nại hay đặt hàng.
Nói đơn giản hơn: máy tính làm đúng việc con người làm khi sắp thư vào các ngăn. Chỉ khác là nó làm với hàng triệu văn bản mỗi ngày, trong vài mili giây mỗi cái.
Text Classification Hoạt Động Như Thế Nào?
Về bản chất, mô hình phân loại văn bản gồm hai phần. Phần thứ nhất biến văn bản thành số mà máy hiểu được — hồi xưa người ta dùng TF-IDF, ngày nay chủ yếu dùng embedding. Phần thứ hai là bộ phân loại, nhìn vector số đó và quyết định nhãn nào phù hợp nhất.
Với các mô hình hiện đại như BERT, cả hai phần được gộp vào một mạng neural duy nhất. Cuối mạng thường là một hàm softmax, xuất ra xác suất cho từng nhãn. Nhãn nào xác suất cao nhất thì văn bản được gán vào đó, kèm theo một confidence score cho biết mô hình tự tin đến mức nào.
Các Loại Text Classification Phổ Biến
Có ba dạng chính mà bạn sẽ gặp nhiều nhất. Thứ nhất là phân loại nhị phân: spam hay không, tích cực hay tiêu cực. Thứ hai là phân loại đa lớp: tin tức thuộc thể thao, chính trị, hay giải trí, chỉ chọn một trong số đó.
Thứ ba là phân loại đa nhãn: một văn bản có thể mang nhiều nhãn cùng lúc, ví dụ một bài blog vừa thuộc AI vừa thuộc SEO. Đa nhãn thực tế hơn đa lớp trong nhiều bài toán nội dung, vì đời thực hiếm khi thứ gì đó chỉ thuộc đúng một chủ đề.
Sentiment Analysis Là Trường Hợp Đặc Biệt
Cái tên nghe quen thuộc nhất trong nhóm này là Sentiment Analysis — phân tích cảm xúc, tức phân loại văn bản theo thái độ của người viết: tích cực, tiêu cực hay trung lập. Doanh nghiệp dùng nó để đo dư luận sau chiến dịch, thương hiệu điện tử dùng nó để lọc đánh giá sản phẩm giả mạo.
Nhưng sentiment chỉ là một ứng dụng. Text Classification còn được dùng để phân loại ticket hỗ trợ khách hàng, phát hiện ngôn ngữ thù ghét, nhận diện ý định người dùng trong chatbot, hay thậm chí phân loại tài liệu pháp lý theo mức độ rủi ro.
Vì Sao Zero-shot Classification Là Cú Hích Mới?
Trước đây, muốn có bộ phân loại tiếng Việt cho lĩnh vực của mình, bạn phải thu thập hàng nghìn văn bản đã gán nhãn rồi fine-tune mô hình. Tốn kém và chậm. Giờ đây, các LLM làm được việc này ở chế độ zero-shot: bạn chỉ cần mô tả các nhãn bằng lời, mô hình tự phân loại mà không cần một ví dụ huấn luyện nào.
Đánh đổi là chi phí inference và độ ổn định. Với khối lượng lớn và tập nhãn cố định, bộ phân loại nhỏ được fine-tune vẫn rẻ hơn và chính xác hơn gọi LLM cho từng văn bản. Cách nhiều đội làm hiện nay: dùng LLM gán nhãn dữ liệu ban đầu, rồi huấn luyện mô hình nhỏ chạy Production. Kỹ thuật Active Learning càng giúp giảm lượng dữ liệu cần gán nhãn.
Đo Text Classification Bằng Cái Gì?
Bộ chỉ số quen thuộc của bài toán phân loại gồm precision, recall và F1 score cho từng nhãn. Precision trả lời trong số văn bản bị gán nhãn X thì bao nhiêu thực sự là X, còn recall trả lời trong số văn bản thực sự là X thì mô hình bắt được bao nhiêu.
Nhãn nào quan trọng hơn thì ưu tiên chỉ số đó. Với phát hiện spam, người ta thường ưu tiên precision để tránh bỏ nhầm email thật vào thùng rác. Với phát hiện nội dung độc hại, recall lại quan trọng hơn vì bỏ sót thì nguy hiểm hơn báo nhầm. Muốn nhìn tổng thể độ cân bằng giữa các nhãn lệch nhau, dùng macro F1.
Mình Nghĩ Gì Về Text Classification?
Điều mình thấy thú vị là bài toán “cũ” này không hề chết mà đang lặng lẽ quay lại mạnh mẽ trong kỷ nguyên LLM. Mọi hệ thống routing prompt, lọc prompt injection, phân loại intent cho AI agent — tất cả thực chất đều là text classification wearing new clothes.
Nếu bạn đang học AI hay muốn xây sản phẩm thực tế, mình nghĩ đây là bài toán đáng bắt đầu nhất. Rõ ràng, dễ đo kết quả, dữ liệu dễ tự tạo, và có ứng dụng thương mại ngay lập LAP — từ tự động hóa chăm sóc khách hàng đến kiểm duyệt nội dung. Không hào nhoáng như generate ảnh hay video, nhưng hóa đơn tiền về thì không kém.
Kết Luận
Text Classification là nền móng của NLP ứng dụng: cho máy khả năng đọc và sắp văn bản vào đúng ngăn. Từ spam filter đến sentiment analysis đến routing cho AI agent, bản chất đều giống nhau. Hiểu rõ bài toán này, bạn hiểu được một nửa cách AI xử lý ngôn ngữ trong thực tế — và có trong tay một kỹ năng bán được tiền trên thị trường ngay hôm nay.
