CHÚC MỪNG NHÓM SINH VIÊN LỚP CTTT2021 VÀ HỌC VIÊN CAO HỌC NGÀNH HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ MAPR 2026
MAPR 2026 (The 9th International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị quốc tế thường niên về phân tích đa phương tiện và nhận dạng mẫu (Multimedia Analysis and Pattern Recognition), do Trường Đại học Công nghệ Thông tin (UIT), ĐHQG-HCM đăng cai tổ chức, phối hợp cùng Hội Nhận dạng mẫu Việt Nam (VAPR), Trường ĐH Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST); IEEE là nhà tài trợ kỹ thuật (Technical Sponsor). Đây là lần tổ chức thứ 9. MAPR 2026 diễn ra tại Silk Path Grand Huế Hotel, số 2 Lê Lợi, phường Thuận Hóa, TP. Huế, ngày 13 – 14/08/2026.
MAPR 2026 là diễn đàn dành cho các nhà nghiên cứu và chuyên gia đến từ các trường đại học, viện nghiên cứu và doanh nghiệp để chia sẻ những kết quả nghiên cứu mới nhất, đồng thời thúc đẩy hợp tác trong các lĩnh vực trí tuệ nhân tạo (AI), nhận dạng mẫu, phân tích đa phương tiện và các lĩnh vực ứng dụng mới nổi.
Thông tin chi tiết về hội nghị có thể tham khảo tại: https://mapr.uit.edu.vn/
Kỷ yếu các kỳ trước (IEEE Xplore): https://ieeexplore.ieee.org/xpl/conhome/1825404/all-proceedings
Tên bài báo: “Summarization of Movie Transcript and Relevance Evaluation Between Comments and Movie Content in Vietnamese”
Sinh viên và học viên thực hiện:
- Dương Lý Tuyết Mai – MSSV: 21522318 – Lớp CTTT2021
- Nguyễn Toàn Khang – MSSV: 21522195 – Lớp CTTT2021
- Nguyễn Minh Nhựt – Học viên Cao học ngành Hệ thống Thông tin, Khóa 2022
Giảng viên hướng dẫn: PGS. TS. Nguyễn Đình Thuân
Abstract: We propose a unified framework that couples a transducer-based abstractive summarization model with a sentence embedding-based semantic similarity approach for Vietnamese movie transcript summarization and comment relevance assessment. The proposed system generates concise and coherent summaries from long movie transcripts while evaluating the consistency between user comments and movie content. It further determines whether viewer comments accurately reflect or reveal the underlying content. The framework is computationally efficient, requires minimal manual feature engineering, and is well-suited for large-scale multimedia platforms with noisy and diverse user-generated comments.
