CHÚC MỪNG NHÓM SINH VIÊN LỚP HTTT2023.2 CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ SOMET 2026 (SCOPUS – RANK C)

SOMET 2026 – International Conference on Intelligent Software Methodologies, Tools, and Techniques là hội nghị quốc tế tập trung vào các phương pháp luận, công cụ và kỹ thuật mới trong lĩnh vực Kỹ thuật Phần mềm. Hội nghị là diễn đàn để các nhà nghiên cứu, chuyên gia và cộng đồng học thuật trao đổi những kết quả nghiên cứu, ý tưởng mới và kinh nghiệm thực tiễn, đồng thời thảo luận về các vấn đề và thách thức đang đặt ra trong quá trình phát triển phần mềm.

SOMET đặc biệt quan tâm đến những hướng nghiên cứu về kỹ thuật phần mềm thông minh, các phương pháp và công cụ hỗ trợ phát triển phần mềm, cũng như sự kết nối giữa nền tảng lý thuyết và các ứng dụng thực tiễn. Qua đó, hội nghị góp phần thúc đẩy những hướng phát triển mới trong lĩnh vực Kỹ thuật Phần mềm và các công nghệ liên quan.

SOMET 2026 được tổ chức từ ngày 09 đến ngày 11 tháng 09 năm 2026 tại Kuala Lumpur, Malaysia, với sự tham gia của cộng đồng nghiên cứu và chuyên gia trong lĩnh vực Kỹ thuật Phần mềm trên thế giới.

Thông tin chi tiết về hội nghị có thể tham khảo tại: https://www.i-somet.org/somet2026/index.html

Tên bài báo: “An Intelligent Software Analytics Framework for Short-Video Trend Detection Using Multi-Source Features and Machine Learning”

Sinh viên thực hiện:

• Trần Thế Phong – MSSV 23521175 – HTTT2023.2
• Võ Đức Tài – MSSV 23521381 – HTTT2023.2
• Nguyễn Gia Bảo – MSSV 23520121 – HTTT2023.1

Giảng viên hướng dẫn: TS. Đỗ Trọng Hợp, ThS. Nguyễn Ngọc Quí

Abstract:The rapid growth of short-video platforms has created a content environment where information spreads quickly and user engagement changes greatly over time. As a result, early trend detection has become an important task for intelligent software analytics systems. In this study, we propose an analytical framework for detecting trends in short videos on social media using multi-source features and machine learning models. We construct a dataset of 1,922 TikTok videos, of which 172 are labeled as trending based on engagement growth criteria. For each video, we extract features related to metadata, content creators, posting time, captions, background music metadata, contextual information, and semantic representations of captions. Several machine learning models are evaluated, including Logistic Regression, Random Forest, SVM, LightGBM, and XGBoost. The results show that XGBoost achieves the best performance, with an F1-score of 0.8367 for the Trending class and a Macro-F1 score of 0.9108. The results also show that F1-score and PR-AUC are more informative than accuracy alone for this imbalanced trend detection task. Overall, this study shows that combining multi-source features with boosting models is a feasible approach for short-video trend detection. The dataset and source code are available upon reasonable request for research purposes.