Lý Nhã Kỳ, Mai Phương Thúy: Cơn sốt tìm kiếm dưới góc nhìn công nghệ
Dữ liệu Google Trends về Lý Nhã Kỳ, Mai Phương Thúy hé lộ cách thuật toán và máy học xử lý sự chú ý trên mạng.
Lý Nhã Kỳ là diễn viên, nghệ sĩ và doanh nhân, hoạt động nhiều năm trong lĩnh vực giải trí và kinh doanh. Mai Phương Thúy đăng quang Hoa hậu Việt Nam 2006, sau đó hoạt động trong lĩnh vực người mẫu, đầu tư và vẫn duy trì sức hút với công chúng dù không xuất hiện thường xuyên trong showbiz.
Những ngày đầu tháng 8, tên Lý Nhã Kỳ và Mai Phương Thúy cùng tăng mạnh trên Google Trends, kéo theo nhiều bàn luận trên mạng xã hội. Câu chuyện đã được khai thác ở nhiều góc độ. Tuy nhiên, bài viết này tiếp cận từ công nghệ, dựa trên dữ liệu tìm kiếm và cơ chế đề xuất để lý giải vì sao sự chú ý quanh một cái tên có thể tăng rất nhanh trên môi trường số, nhất là đối với những người nổi tiếng.
Từ khóa Lý Nhã Kỳ, Mai Phương Thúy trên Google Trends
Dữ liệu Google Trends trong 7 ngày cho thấy mức độ quan tâm với hai cái tên tăng gần như cùng thời điểm. Trên biểu đồ tại Việt Nam, Lý Nhã Kỳ đạt đỉnh 100 trên thang đo của Google Trends, trong khi Mai Phương Thúy cũng tăng mạnh trong cùng khoảng thời gian. Sau đỉnh đầu tiên, cả hai tiếp tục xuất hiện thêm một nhịp tăng trước khi giảm dần.
Con số 100 trên Google Trends không phải 100 lượt tìm kiếm hay 100% người dùng. Google lấy mẫu truy vấn, tổng hợp và chuẩn hóa dữ liệu theo thời gian, địa lý rồi quy đổi về thang từ 0 đến 100. Mốc 100 đại diện cho thời điểm có mức quan tâm tương đối cao nhất trong phạm vi dữ liệu đang khảo sát.
Dữ liệu theo thành phố còn cho thấy sự quan tâm không chỉ tập trung ở Hà Nội hoặc TP.HCM. Khi bảng được sắp xếp theo mức độ quan tâm đối với Lý Nhã Kỳ, 5 thành phố đứng đầu phần hiển thị là Đồng Hới, Bà Rịa, Hương Trà, Bến Cát và Long Khánh. Google Trends ghi nhận dữ liệu tại 50 thành phố trong bảng này. Ở nhóm dẫn đầu, mức quan tâm tương đối đối với Lý Nhã Kỳ đều cao hơn Mai Phương Thúy.
Cách Google tính dữ liệu theo khu vực giải thích vì sao một thành phố quy mô nhỏ vẫn có thể đứng trên những đô thị đông dân. Hệ thống không đơn thuần đếm tổng số lượt tìm, mà tính mức quan tâm của chủ đề trong tổng hoạt động tìm kiếm tại khu vực đó. Đồng Hới đứng đầu bảng không đồng nghĩa có nhiều lượt tìm Lý Nhã Kỳ hơn TP.HCM; dữ liệu cho thấy chủ đề này chiếm mức quan tâm tương đối cao hơn trong hoạt động tìm kiếm tại Đồng Hới.
Ở phạm vi toàn thế giới, đường biểu đồ của Lý Nhã Kỳ và Mai Phương Thúy cũng tăng mạnh trong cùng khoảng thời gian. Bảng theo khu vực ghi nhận dữ liệu tại 13 quốc gia và vùng lãnh thổ. Khi sắp xếp theo Lý Nhã Kỳ, 5 vị trí đầu là Lào, Malaysia, Hàn Quốc, Nhật Bản và Đức.
Google Trends qua đó cung cấp ba lớp dữ liệu khá rõ: thời điểm mức quan tâm tăng, cường độ tương đối của đợt tăng và sự phân bố theo địa lý. Từ dấu vết tìm kiếm này, câu chuyện chuyển sang các nền tảng mạng xã hội, nơi mỗi lượt xem, bình luận hay chia sẻ tiếp tục tạo ra dữ liệu mới.
Mỗi người một dòng nội dung
Google Trends ghi nhận nhu cầu tìm kiếm, còn TikTok, Facebook, Instagram hay YouTube sử dụng các hệ thống đề xuất để chọn nội dung phù hợp với từng tài khoản.
TikTok cho biết hệ thống đề xuất dựa trên nhiều tín hiệu như thời gian xem, lượt thích, bình luận, chia sẻ, tài khoản theo dõi, hashtag và thông tin gắn với nội dung. Việc xem hết một video có thể được đánh giá cao hơn một số tín hiệu kỹ thuật khác.
Chẳng hạn, một người xem video liên quan đến Lý Nhã Kỳ, mở phần bình luận, tìm thêm tên nhân vật rồi tiếp tục xem video thứ hai. Chuỗi thao tác này bổ sung dữ liệu về chủ đề đang giữ sự chú ý của tài khoản. Người lướt qua ngay video đầu tiên sẽ để lại chuỗi tín hiệu khác và có thể nhận dòng nội dung khác.
Các nền tảng lớn cũng không sử dụng một công thức duy nhất để quyết định nội dung xuất hiện trên màn hình. Meta công bố năm 2025 rằng Instagram đã mở rộng hạ tầng đề xuất lên hơn 1.000 mô hình máy học. Feed, Stories, Reels và Explore đều có các quy trình lựa chọn, chấm điểm và xếp hạng riêng.
Hàng triệu nội dung được lọc trong chưa đầy 100 mili giây
Với Instagram Explore, nội dung phải trải qua nhiều bước trước khi xuất hiện trên màn hình. Hệ thống lấy một tập ứng viên từ kho dữ liệu rất lớn, sau đó tiếp tục xếp hạng qua nhiều vòng. Nguồn dữ liệu có thể gồm cả sở thích dài hạn và những tương tác vừa phát sinh của người dùng.
Tháng 5/2026, Meta công bố hệ thống SilverTorch có thể thu hẹp hàng triệu nội dung xuống vài nghìn ứng viên trong chưa đầy 100 mili giây trước khi chuyển sang các mô hình xếp hạng tiếp theo. Trong thử nghiệm với 80 triệu nội dung, hệ thống đạt thông lượng cao hơn tới 23,7 lần so với phương pháp đối chứng sử dụng cùng kiến trúc mô hình.
Người dùng chỉ thấy một video mới sau thao tác vuốt màn hình, trong khi phía sau, một lượng nội dung rất lớn đã được lọc, chấm điểm và sắp xếp riêng cho tài khoản đó.
Facebook Reels kết hợp dữ liệu hành vi và phản hồi của người dùng để cải thiện quá trình xếp hạng, đề xuất nội dung - Nguồn: Meta.
Tương tác cao chưa chắc hẳn là quan tâm
Một người xem liên tục nội dung về Lý Nhã Kỳ hoặc Mai Phương Thúy chưa chắc là người hâm mộ. Họ có thể tò mò, muốn kiểm chứng thông tin, theo dõi tranh luận hoặc chỉ muốn biết vì sao một cái tên đang được nhắc nhiều.
Các hệ thống máy học nhìn thấy thời gian xem, lượt nhấp, bình luận và chia sẻ. Động cơ thật sự của người dùng khó xác định hơn.
Meta công bố đầu năm 2026 rằng các tín hiệu quen thuộc như thời gian xem, lượt thích và chia sẻ có thể chứa nhiễu. Khi Facebook Reels đối chiếu phương pháp suy đoán sở thích cũ với phản hồi trực tiếp từ người dùng, precision trong nhận diện “sở thích thật” chỉ đạt 48,3%. Sau khi bổ sung dữ liệu khảo sát trực tiếp, precision tăng lên 63,2%, còn accuracy tăng từ 59,5% lên 71,5%.
Kết quả này cho thấy khoảng cách giữa hành vi mà máy quan sát được và động cơ thực tế của con người. Một người dành nhiều thời gian xem ba video liên tiếp về cùng nhân vật vẫn tạo ra nhiều tín hiệu cho hệ thống, dù sự quan tâm ban đầu chỉ xuất phát từ tò mò.
Giáo sư Sinan Aral, chuyên gia về công nghệ thông tin và marketing tại MIT Sloan School of Management, từng mô tả mạng xã hội là “một cỗ máy được thiết kế kỹ, với những mục tiêu mà nó tìm cách tối đa hóa”. Ông nghiên cứu sâu về kinh tế chú ý, nơi thời gian và tương tác của người dùng trở thành nguồn lực có giá trị đối với các nền tảng.
Cách nhìn này phù hợp với kiến trúc của các hệ thống đề xuất hiện nay. Mục tiêu của máy học không dừng ở việc tìm nội dung đang nổi, mà còn dự đoán nội dung nào có khả năng khiến từng tài khoản tiếp tục xem, tương tác hoặc quay lại nền tảng.
Sự chú ý lan truyền trên nhiều nền tảng
Google, TikTok, Facebook, Instagram và YouTube sử dụng các hệ thống riêng. Sự liên kết giữa chúng được tạo ra bởi chính hành vi người dùng.
Một người có thể xem video trên TikTok rồi sang Google tìm “Lý Nhã Kỳ”. Sau khi đọc một bài viết, họ quay lại Facebook chia sẻ đường dẫn hoặc mở YouTube để xem thêm. Người khác bắt gặp nội dung được chia sẻ lại tiếp tục tìm kiếm. Mỗi nền tảng ghi nhận một phần khác nhau trong chuỗi hành vi đó.
Người sản xuất nội dung cũng phản ứng rất nhanh trước nhu cầu đang tăng. Một cái tên nhận nhiều lượt tìm kiếm sẽ kéo theo thêm video, bài đăng, ảnh, bình luận và cả nội dung cũ được đưa trở lại dòng tin. Kho nội dung liên quan lớn hơn cung cấp thêm ứng viên cho hệ thống đề xuất, còn mỗi lượt xem mới tiếp tục tạo dữ liệu cho những vòng xếp hạng sau.
Trường hợp Lý Nhã Kỳ và Mai Phương Thúy cho thấy cơn sốt tìm kiếm không chỉ nằm trên một biểu đồ Google Trends. Từ một đợt tăng sự chú ý, hàng loạt tín hiệu tiếp tục được tạo ra qua tìm kiếm, xem video, bình luận và chia sẻ. Các hệ thống máy học thu nhận chuỗi dữ liệu này, lựa chọn nội dung từ kho hàng triệu ứng viên rồi phân phối trở lại màn hình với tốc độ tính bằng mili giây.
Con người tạo ra sự tò mò. Công nghệ biến sự tò mò thành dữ liệu và sử dụng dữ liệu đó để quyết định nội dung nào có khả năng xuất hiện tiếp theo.
