Có nhãn: tính thêm Accuracy, Precision, Recall, F1. Chấp nhận SAFE/TOXIC hoặc UIT-ViHSD: 0 → SAFE, 1 và 2 → TOXIC. Nhãn không hợp lệ được bỏ khỏi phép tính chỉ số, câu vẫn được dự đoán.
THỰC NGHIỆM CÓ THỂ KIỂM CHỨNG
Đánh giá trên cùng dữ liệu.
Chỉ số của các mô hình đang triển khai, với nhãn chuẩn từ UIT-ViHSD.
Mỗi thanh tương ứng một mô hình trên cùng tập đánh giá. Không dùng điểm Test để chọn lại mô hình.
Ma trận nhầm lẫn
Bảng chỉ số đầy đủ
Precision / Recall / F1: macro và lớp TOXIC
Giao thức đánh giá, nguồn số liệu & giới hạn
Tác vụ có thể lâu trên CPU. Kết quả mới mở ở trang Xử lý hàng loạt; không tự ghi đè báo cáo đã đóng gói.
Đối chiếu thực nghiệm gốc
LƯU VẾT NGHIÊN CỨU
Điểm Dev dùng chọn mô hình; điểm Test dùng đánh giá. Bảng dưới giữ riêng kết quả gốc, bao gồm các cấu hình chưa có trọng số và các seed PhoBERT.
MỌI CẤU HÌNH ĐỀU ĐƯỢC GHI NHẬN
Danh mục mô hình.
Trạng thái trọng số, nguồn mô hình và khả năng suy luận được hiển thị rõ ràng.
ⓘ
Các notebook có 30 cấu hình học sâu phân biệt; 27 cấu hình trong số đó chưa có checkpoint để dự đoán câu mới. Mạng học sâu đang chạy là Word2Vec + BiLSTM128 từ notebook BiLSTM riêng. Điểm Dev của chúng vẫn có trong phần Đánh giá. Gói mã có công cụ xuất hoặc huấn luyện bổ sung, và web tự nhận khi khởi động lại.
Toàn bộ mô hình
TỪ DỮ LIỆU ĐẾN KẾT QUẢ
Hiểu đúng điều mô hình đo được.
Hệ thống phân tích lan truyền thông tin độc hại trên mạng xã hội.
01 / PHẠM VI
Phân loại nội dung tiếng Việt
Đầu vào là bài viết hoặc bình luận. Đầu ra là SAFE hoặc TOXIC. UIT-ViHSD được chuyển nhị phân: CLEAN = SAFE; OFFENSIVE và HATE = TOXIC.
Demo này thực hiện thành phần nhận diện nội dung độc hại. Các tệp cung cấp chưa có thời gian, liên kết chia sẻ và cạnh tương tác để đo lan truyền thực tế. Tỷ lệ TOXIC trong CSV chỉ là tỷ lệ trong tập tải lên.
02 / ĐẶC TRƯNG
Đúng pipeline cho từng mô hình
Teen code: token chữ-số chỉ được giải mã khi từ kết quả có trong pipeline huấn luyện; URL, email, số điện thoại và các mã như F0/H1N1 được bảo vệ. Mọi thay thế đều hiện trên giao diện và file xuất.
TF-IDF: chuẩn hóa, PyVi, loại stopword theo notebook. Word2Vec / FastText: trung bình vector từ cho baseline; embedding và chuỗi 53 token cho mạng Keras BiLSTM. PhoBERT: nhận cùng câu đã giải mã rồi dùng RDRSegmenter; tối đa 128 BPE token.
03 / CÁCH ĐỌC
Confidence, margin & vote
Confidence: max(P(SAFE), P(TOXIC)), chưa bảo đảm là xác suất dự đoán đúng. SVM: điểm decision_function; dương nghiêng TOXIC, âm nghiêng SAFE. Không biến margin thành phần trăm tùy ý.
Vote: số phiếu TOXIC chia số mô hình dự đoán thành công, loại đối chứng Majority. CẦN XEM XÉT: guardrail thấy teen code đi cùng cụm công kích; đây không phải phiếu và không sửa đầu ra mô hình.
04 / CHỈ SỐ
Đánh giá với nhãn chuẩn
Accuracy: tỷ lệ câu dự đoán đúng. Precision: trong các câu gán TOXIC, bao nhiêu câu đúng là TOXIC. Recall: tìm được bao nhiêu câu TOXIC thật. F1: trung bình điều hòa Precision và Recall.
Macro tính trung bình đều hai lớp SAFE/TOXIC; báo cáo riêng lớp TOXIC giúp nhìn rõ lớp ít mẫu. CSV không có nhãn chuẩn chỉ cho phép suy luận, không tính Accuracy.