Hệ Thống Gợi Ý Phim Ảnh Với Tiếp Cận Nhân Tố Trong Mô Hình Láng Giềng

Chuyên khảo phân tích Luan van he thong goi y phim anh 2013, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Triệu Vĩnh Viêm
• Người hướng dẫn: TS. Nguyễn Thái Nghe
• Trường học: Trường Đại Học Cần Thơ
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Hệ Thống Gợi Ý Phim Ảnh Với Tiếp Cận Nhân Tố Trong Mô Hình Láng Giềng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Cần Thơ

Mục lục chi tiết

• LỜI BẢN QUYỀN
• LỜI CÁM ƠN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Giới thiệu
• 1.2. Lý do chọn đề tài
• 1.3. Mục đích của đề tài
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa khoa học và thực tiễn của đề tài
• 1.6.1. Ý nghĩa khoa học
• 1.6.2. Ý nghĩa thực tiễn
• 1.7. Bố cục luận văn
• 2. CHƯƠNG 2: HỆ THỐNG GỢI Ý VÀ NGHIÊN CỨU LIÊN QUAN
• 2.1. Vấn đề gợi ý và hệ thống gợi ý
• 2.2. Tổng quát hệ thống gợi ý
• 2.3. Các khái niệm cơ bản của hệ thống gợi ý
• 2.4. Các kỹ thuật gợi ý chính
• 2.4.1. Gợi ý dựa trên nội dung (Content-based filtering - CB)
• 2.4.2. Hệ thống gợi ý kết hợp nhiều phương pháp (Hybrid RS)
• 2.4.3. Gợi ý dựa vào nhân khẩu học (Demographic Recommendation Methods)
• 2.5. Các vấn đề cơ bản của hệ thống gợi ý
• 2.5.1. Cold start problem
• 2.5.2. Vấn đề dữ liệu cực thưa (Data Sparsity Problem)
• 2.5.3. Khả năng mở rộng (Scalability Problem)
• 2.6. So sánh giữa các kỹ thuật gợi ý
• 2.7. Các tiếp cận liên quan
• 2.7.1. Ước lượng cơ sở
• 2.7.2. Mô hình láng giềng
• 2.7.3. Mô hình nhân tố tiềm ẩn
• 3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG
• 3.1. Mô hình nhân tố láng giềng (Factor in the Neighbors)
• 3.2. Asymmetric SVD với chính tắc hóa trên từng tham số
• 3.3. Tích hợp giải thuật và xây dựng hệ thống
• 3.3.1. Kiến trúc tổng quát
• 3.3.2. Biểu đồ trường hợp sử dụng
• 3.3.3. Mô hình quan niệm dữ liệu (Conceptual Data Model – CDM)
• 3.3.4. Từ điển dữ liệu
• 3.3.5. Mô hình cơ sở dữ liệu
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 4.1. Mô tả công việc
• 4.2. Kỹ thuật huấn luyện và kết quả
• 4.3. Giới thiệu các tiếp cận dự đoán xếp hạng
• 4.3.1. Dự đoán với trung bình toàn cục (Global Average)
• 4.3.2. Dự đoán với trung bình xếp hạng trên bộ phim (Movie Average)
• 4.3.3. Dự đoán với trung bình xếp hạng trên người dùng (User Average)
• 4.3.4. Dự đoán với tiếp cận phân rã ma trận (Matrix Factorization - MF)
• 4.4. Biểu đồ biểu diễn kết quả RMSE
• 4.5. Kịch bản chứng minh khả năng gợi ý của hệ thống
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết quả đạt được
• 5.2. Về giải thuật
• 5.3. Về ứng dụng
• 5.4. Các bài báo đã công bố có liên quan đến đề tài
• 5.5. Những mặt hạn chế
• 5.6. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A - TRIỂN KHAI MÃ NGUỒN CỦA ĐỀ TÀI
• PHỤ LỤC B - KẾT QUẢ CHO QUÁ TRÌNH HUẤN LUYỆN

Tóm tắt

I. Tổng quan về Hệ Thống Gợi Ý Phim Ảnh Dựa Trên Mô Hình Láng Giềng

Hệ thống gợi ý phim ảnh dựa trên mô hình láng giềng là một công nghệ tiên tiến giúp người dùng tìm kiếm và lựa chọn phim phù hợp với sở thích của họ. Hệ thống này sử dụng dữ liệu từ hành vi người dùng để đưa ra các gợi ý chính xác. Việc áp dụng mô hình láng giềng cho phép hệ thống phân tích mối quan hệ giữa các phim và người dùng, từ đó tạo ra những gợi ý cá nhân hóa.

1.1. Khái niệm về Hệ Thống Gợi Ý Phim Ảnh

Hệ thống gợi ý phim ảnh là một công cụ thông minh giúp người dùng tìm kiếm các bộ phim dựa trên sở thích cá nhân. Nó sử dụng các thuật toán để phân tích dữ liệu và đưa ra các gợi ý phù hợp.

1.2. Lợi ích của Hệ Thống Gợi Ý Phim Ảnh

Hệ thống gợi ý giúp người dùng tiết kiệm thời gian tìm kiếm phim, đồng thời nâng cao trải nghiệm xem phim bằng cách cung cấp các lựa chọn phù hợp với sở thích cá nhân.

II. Vấn Đề và Thách Thức Trong Hệ Thống Gợi Ý Phim Ảnh

Mặc dù hệ thống gợi ý phim ảnh mang lại nhiều lợi ích, nhưng vẫn tồn tại một số vấn đề và thách thức cần giải quyết. Các vấn đề như dữ liệu thưa, cold start, và khả năng mở rộng là những thách thức lớn mà các nhà phát triển phải đối mặt.

2.1. Vấn Đề Dữ Liệu Thưa Data Sparsity

Dữ liệu thưa xảy ra khi người dùng chỉ đánh giá một số ít phim, dẫn đến khó khăn trong việc dự đoán sở thích của họ. Điều này làm giảm độ chính xác của hệ thống gợi ý.

2.2. Vấn Đề Cold Start

Cold start là vấn đề khi hệ thống không có đủ dữ liệu để đưa ra gợi ý cho người dùng mới hoặc phim mới. Điều này gây khó khăn trong việc cung cấp trải nghiệm tốt cho người dùng.

III. Phương Pháp Gợi Ý Phim Ảnh Dựa Trên Mô Hình Láng Giềng

Phương pháp gợi ý dựa trên mô hình láng giềng sử dụng các thuật toán để phân tích mối quan hệ giữa người dùng và phim. Các thuật toán này giúp xác định độ tương đồng giữa các phim và người dùng, từ đó đưa ra gợi ý chính xác.

3.1. Gợi Ý Dựa Trên Nội Dung

Gợi ý dựa trên nội dung phân tích các đặc điểm của phim để tìm kiếm các phim tương tự mà người dùng có thể thích. Phương pháp này giúp cải thiện độ chính xác của gợi ý.

3.2. Gợi Ý Dựa Trên Người Dùng

Gợi ý dựa trên người dùng phân tích hành vi của người dùng tương tự để đưa ra gợi ý. Phương pháp này giúp tối ưu hóa trải nghiệm người dùng bằng cách cung cấp các lựa chọn phù hợp.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Gợi Ý Phim Ảnh

Hệ thống gợi ý phim ảnh đã được áp dụng rộng rãi trong nhiều nền tảng trực tuyến như Netflix, YouTube. Những ứng dụng này không chỉ giúp người dùng tìm kiếm phim mà còn nâng cao trải nghiệm xem phim của họ.

4.1. Ứng Dụng Trong Nền Tảng Streaming

Nền tảng streaming như Netflix sử dụng hệ thống gợi ý để cung cấp các bộ phim phù hợp với sở thích của người dùng, từ đó tăng cường sự hài lòng và giữ chân người dùng.

4.2. Ứng Dụng Trong Thương Mại Điện Tử

Hệ thống gợi ý cũng được áp dụng trong thương mại điện tử để gợi ý các sản phẩm liên quan đến phim, giúp tăng doanh thu cho các nền tảng này.

V. Kết Luận và Tương Lai Của Hệ Thống Gợi Ý Phim Ảnh

Hệ thống gợi ý phim ảnh dựa trên mô hình láng giềng có tiềm năng lớn trong việc cải thiện trải nghiệm người dùng. Tương lai của hệ thống này sẽ tiếp tục phát triển với sự tiến bộ của công nghệ và dữ liệu lớn.

5.1. Xu Hướng Phát Triển

Xu hướng phát triển của hệ thống gợi ý sẽ tập trung vào việc cải thiện độ chính xác và cá nhân hóa gợi ý cho người dùng thông qua việc sử dụng trí tuệ nhân tạo và học máy.

5.2. Thách Thức Tương Lai

Các thách thức trong tương lai bao gồm việc xử lý dữ liệu lớn và đảm bảo tính bảo mật thông tin người dùng trong quá trình gợi ý.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của internet, lượng thông tin trực tuyến về phim ảnh ngày càng tăng lên nhanh chóng, dẫn đến hiện tượng quá tải thông tin đối với người dùng. Theo ước tính, mỗi ngày có hàng triệu video được tải lên các nền tảng chia sẻ như YouTube, với hơn 24 giờ video được đăng tải mỗi phút. Điều này đặt ra thách thức lớn trong việc tìm kiếm và lựa chọn nội dung phù hợp với sở thích cá nhân. Hệ thống gợi ý (Recommender System - RS) ra đời nhằm giải quyết vấn đề này bằng cách dựa trên dữ liệu hành vi quá khứ của người dùng để dự đoán và đề xuất các mục tin mới mà người dùng có thể quan tâm.

Luận văn tập trung nghiên cứu xây dựng hệ thống gợi ý phim ảnh dựa trên mô hình láng giềng kết hợp nhân tố tiềm ẩn, nhằm tận dụng ưu điểm và khắc phục hạn chế của các phương pháp gợi ý truyền thống. Mục tiêu cụ thể bao gồm nghiên cứu các kỹ thuật gợi ý cơ bản, cài đặt và điều chỉnh giải thuật Asymmetric SVD với chính tắc hóa trên từng tham số để cải thiện độ chính xác dự đoán, đồng thời xây dựng hệ thống gợi ý phim ảnh trên nền web tích hợp giải thuật này. Phạm vi nghiên cứu tập trung vào dữ liệu MovieLens 100K với 943 người dùng và 1682 bộ phim, cùng với công nghệ lập trình web servlets/jsp và cơ sở dữ liệu MySQL.

Ý nghĩa của nghiên cứu không chỉ nằm ở việc nâng cao hiệu quả gợi ý phim ảnh, mà còn góp phần thúc đẩy ứng dụng các kỹ thuật gợi ý trong lĩnh vực giải trí trực tuyến tại Việt Nam, nơi mà các hệ thống gợi ý còn chưa được phổ biến rộng rãi. Kết quả nghiên cứu có thể làm nền tảng cho các hệ thống thương mại điện tử và giải trí trực tuyến trong tương lai, giúp giảm thiểu vấn đề quá tải thông tin và nâng cao trải nghiệm người dùng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính trong hệ thống gợi ý: mô hình láng giềng (Neighborhood Models) và mô hình nhân tố tiềm ẩn (Latent Factor Models). Mô hình láng giềng phân tích độ tương tự giữa các mục tin hoặc người dùng để dự đoán sở thích, trong khi mô hình nhân tố tiềm ẩn sử dụng phân rã ma trận (Matrix Factorization) để ánh xạ người dùng và mục tin vào không gian tiềm ẩn, từ đó xác định mối quan hệ tiềm ẩn giữa chúng.

Ba khái niệm chính được sử dụng gồm:

• Ước lượng cơ sở (Baseline Estimates): Bao gồm trung bình toàn cục và các độ lệch của người dùng, mục tin để cải thiện dự đoán.
• Asymmetric SVD: Mô hình nhân tố láng giềng kết hợp trọng số tương tác giữa các mục tin, cho phép biểu diễn người dùng thông qua các mục tin đã đánh giá.
• Chính tắc hóa (Regularization): Áp dụng các hệ số regularization khác nhau cho từng tham số nhằm tránh overfitting và cải thiện độ chính xác dự đoán.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập MovieLens 100K, gồm 100.000 xếp hạng của 943 người dùng trên 1682 bộ phim, với mật độ dữ liệu khoảng 6.3%. Dữ liệu được chia thành 5 tập train-test theo phương pháp kiểm tra chéo 5-fold. Quá trình tiền xử lý bao gồm loại bỏ trường timestamp, trộn ngẫu nhiên dữ liệu và chuẩn bị cho huấn luyện.

Phương pháp phân tích sử dụng giải thuật Stochastic Gradient Descent để huấn luyện mô hình Asymmetric SVD với chính tắc hóa trên từng tham số. Kỹ thuật tìm kiếm lưới (grid search) được áp dụng để xác định các siêu tham số tối ưu như tốc độ học, số nhân tố tiềm ẩn, và các hệ số regularization riêng biệt cho bias người dùng, bias mục tin, vector nhân tố qi và xj.

Timeline nghiên cứu bao gồm các bước: thu thập và xử lý dữ liệu, cài đặt giải thuật, huấn luyện mô hình với nhiều cấu hình siêu tham số, đánh giá kết quả qua chỉ số RMSE, xây dựng hệ thống web tích hợp giải thuật, và thực hiện các kịch bản minh họa khả năng gợi ý.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mô hình Asymmetric SVD với chính tắc hóa riêng biệt:
   Qua 20 lần lặp lại huấn luyện trên tập dữ liệu u1, mô hình đạt RMSE trung bình khoảng 0.2207, thấp hơn đáng kể so với các phương pháp dự đoán truyền thống như trung bình toàn cục (RMSE=1.126), trung bình trên phim (RMSE=1.025), trung bình trên người dùng (RMSE=1.044) và phân rã ma trận cơ bản (RMSE=0.916).

2. Ảnh hưởng của số nhân tố tiềm ẩn và số vòng lặp:
   Số nhân tố càng cao (ví dụ 64) cho kết quả dự đoán chính xác hơn. Tuy nhiên, để giảm chi phí tính toán cho hệ thống trực tuyến, số vòng lặp được giới hạn ở 50 vẫn đảm bảo RMSE thấp (khoảng 0.2196).

3. Khả năng xử lý vấn đề cold start:
   Hệ thống sử dụng giá trị trung bình toàn cục để dự đoán cho người dùng mới và mục tin mới, cho phép gợi ý phim một cách ngẫu nhiên nhưng hợp lý khi chưa có dữ liệu cá nhân.

4. Khả năng cập nhật gợi ý trực tuyến:
   Khi người dùng cập nhật xếp hạng mới, hệ thống có thể ngay lập tức điều chỉnh các đề xuất, minh chứng qua các kịch bản với người dùng giả định newuser1 và newuser2.

Thảo luận kết quả

Kết quả cho thấy việc áp dụng mô hình nhân tố láng giềng với chính tắc hóa riêng biệt trên từng tham số giúp cải thiện đáng kể độ chính xác dự đoán so với các phương pháp truyền thống và phân rã ma trận cơ bản. Việc phân tách regularization cho từng tham số giúp tránh overfitting hiệu quả hơn, đồng thời giữ được khả năng mở rộng và tính toán nhanh chóng phù hợp với hệ thống trực tuyến.

Biểu đồ so sánh RMSE minh họa rõ ràng sự vượt trội của mô hình đề xuất so với các phương pháp khác. Các kịch bản thực nghiệm trên hệ thống web cho thấy tính ứng dụng thực tế cao, đặc biệt trong việc xử lý các vấn đề phổ biến như cold start và cập nhật gợi ý theo thời gian thực.

So với các nghiên cứu trước đây, luận văn đã tích hợp thành công giải thuật Asymmetric SVD với điều chỉnh siêu tham số, đồng thời xây dựng hệ thống minh họa trên nền web, góp phần thúc đẩy ứng dụng công nghệ gợi ý tại Việt Nam. Tuy nhiên, kết quả dự đoán vẫn còn hạn chế do thiếu các thông tin bổ sung về người dùng và phim ảnh, cũng như giao diện hệ thống còn đơn giản.

Đề xuất và khuyến nghị

1. Tích hợp thêm các phản hồi không tường minh (implicit feedback):
   Động từ hành động: Thu thập và khai thác dữ liệu hành vi như thời gian xem, số lần click để bổ sung cho mô hình.
   Target metric: Giảm RMSE thêm khoảng 5-10%.
   Timeline: 6-12 tháng.
   Chủ thể thực hiện: Nhóm phát triển hệ thống và nhà nghiên cứu.

2. Mở rộng thông tin đầu vào cho phim ảnh:
   Động từ hành động: Thu thập dữ liệu về đạo diễn, diễn viên, quốc gia, thể loại phim để tăng tính đa chiều cho mô hình.
   Target metric: Tăng độ chính xác dự đoán và cải thiện trải nghiệm người dùng.
   Timeline: 6 tháng.
   Chủ thể thực hiện: Bộ phận quản trị dữ liệu và phát triển phần mềm.

3. Phát triển giao diện người dùng thân thiện và hấp dẫn hơn:
   Động từ hành động: Thiết kế lại giao diện web với các tính năng tương tác cao, trực quan.
   Target metric: Tăng tỷ lệ giữ chân người dùng và mức độ hài lòng.
   Timeline: 3-6 tháng.
   Chủ thể thực hiện: Nhóm thiết kế UI/UX và phát triển web.

4. Mở rộng ứng dụng hệ thống gợi ý sang các lĩnh vực khác:
   Động từ hành động: Áp dụng mô hình và giải thuật vào các lĩnh vực như giáo dục, du lịch, âm nhạc, thương mại điện tử.
   Target metric: Đa dạng hóa sản phẩm và tăng giá trị ứng dụng.
   Timeline: 12-18 tháng.
   Chủ thể thực hiện: Nhà nghiên cứu và các đối tác doanh nghiệp.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin:
   Lợi ích: Hiểu sâu về các mô hình gợi ý, kỹ thuật phân rã ma trận và ứng dụng thực tế.
   Use case: Phát triển đề tài nghiên cứu hoặc luận văn liên quan đến hệ thống gợi ý.

2. Chuyên gia phát triển hệ thống giải trí trực tuyến:
   Lợi ích: Áp dụng giải thuật gợi ý nâng cao trải nghiệm người dùng trên nền tảng phim ảnh hoặc video.
   Use case: Tích hợp hệ thống gợi ý vào website hoặc ứng dụng xem phim.

3. Doanh nghiệp thương mại điện tử và dịch vụ số:
   Lợi ích: Nâng cao khả năng cá nhân hóa sản phẩm, tăng doanh thu qua đề xuất chính xác.
   Use case: Xây dựng hệ thống gợi ý sản phẩm dựa trên hành vi khách hàng.

4. Nhà quản lý và hoạch định chiến lược công nghệ:
   Lợi ích: Hiểu rõ xu hướng và tiềm năng ứng dụng hệ thống gợi ý trong kinh doanh và giáo dục.
   Use case: Lập kế hoạch đầu tư và phát triển các nền tảng số thông minh.

Câu hỏi thường gặp

1. Hệ thống gợi ý này có thể xử lý người dùng mới như thế nào?
   Hệ thống sử dụng giá trị trung bình toàn cục để dự đoán cho người dùng mới, giúp giải quyết vấn đề cold start bằng cách cung cấp các đề xuất ngẫu nhiên nhưng hợp lý khi chưa có dữ liệu cá nhân.

2. Mô hình Asymmetric SVD có ưu điểm gì so với các mô hình khác?
   Mô hình này kết hợp ưu điểm của mô hình láng giềng và nhân tố tiềm ẩn, cho phép biểu diễn người dùng qua các mục tin đã đánh giá, đồng thời áp dụng chính tắc hóa riêng biệt giúp cải thiện độ chính xác và tránh overfitting.

3. Làm thế nào để chọn các siêu tham số cho mô hình?
   Luận văn sử dụng kỹ thuật tìm kiếm lưới (grid search) kết hợp kiểm tra chéo 5-fold để xác định các siêu tham số tối ưu như tốc độ học, số nhân tố và hệ số regularization, đảm bảo mô hình đạt RMSE thấp nhất.

4. Hệ thống có thể cập nhật gợi ý khi người dùng thay đổi xếp hạng không?
   Có, hệ thống được thiết kế để cập nhật gợi ý trực tuyến ngay khi người dùng thêm hoặc chỉnh sửa xếp hạng, giúp đề xuất luôn phản ánh sở thích mới nhất.

5. Có thể áp dụng mô hình này cho lĩnh vực khác ngoài phim ảnh không?
   Hoàn toàn có thể. Mô hình và giải thuật có tính tổng quát cao, có thể được điều chỉnh và áp dụng cho các lĩnh vực như giáo dục, du lịch, âm nhạc, và thương mại điện tử để cá nhân hóa trải nghiệm người dùng.

Kết luận

• Đã nghiên cứu và triển khai thành công mô hình gợi ý phim ảnh dựa trên tiếp cận nhân tố trong mô hình láng giềng với chính tắc hóa riêng biệt, đạt RMSE trung bình khoảng 0.22 trên tập MovieLens 100K.
• Giải thuật Stochastic Gradient Descent được điều chỉnh và cài đặt hiệu quả, giúp cải thiện độ chính xác dự đoán so với các phương pháp truyền thống và phân rã ma trận cơ bản.
• Hệ thống web tích hợp giải thuật có khả năng xử lý cold start, cập nhật gợi ý trực tuyến và minh họa rõ ràng qua các kịch bản thực tế.
• Hạn chế hiện tại gồm thiếu thông tin bổ sung về người dùng và phim, cùng giao diện đơn giản, tạo cơ hội phát triển thêm trong tương lai.
• Đề xuất mở rộng tích hợp dữ liệu phản hồi không tường minh, bổ sung thông tin phim ảnh, cải tiến giao diện và áp dụng mô hình vào các lĩnh vực khác nhằm nâng cao hiệu quả và tính ứng dụng.

Các nhà nghiên cứu và phát triển hệ thống gợi ý được khuyến khích tiếp tục khai thác và mở rộng mô hình này, đồng thời áp dụng vào các lĩnh vực đa dạng để nâng cao trải nghiệm người dùng và giá trị kinh tế xã hội.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1.1 Giới thiệu Sự phát triển của internet đã đưa chúng ta vào thế giới với một lượng lớn các phần tử thông tin như âm nhạc, phim ảnh, sách vở, trang web,… với các đặc tính khác nhau. Kết quả của những thông tin khổng lồ đó, người ta cảm thấy rối rắm và một câu hỏi đặt ra “Cái nào là thích hợp với tôi hơn?” nảy sinh trong tư duy của họ. May thay, hệ thống gợi ý có thể chỉ ra các thông tin phù hợp trong số thông tin khổng lồ chưa có trật tự, nó sử dụng các kỹ thuật lọc để chọn ra những loại thông tin đặc trưng nhằm trình bày các phần tử phù hợp với sở thích của người dùng.2 Lý do chọn đề tài Khi mà kho dữ liệu đủ lớn (ví dụ kho video như YouTube, kho nhạc last.fm, kho sách Amazon, kho đĩa DVD Netflix, …), vấn đề người ta thường quan tâm là tìm kiếm (search). Tuy nhiên, khi tìm kiếm thông thường người ta phải có ý định trong đầu trước; ví dụ, phim đoạt giải Oscar của Tom Hanks, hoặc phim Armour of God có diễn viên Jackie Chan (Thành Long) thủ vai chánh,.

Trong trường hợp người ta chưa có ý định rõ ràng về cái mình tìm kiếm, lúc đó người ta sẽ cần đến sự gợi ý (recommendation). Lĩnh vực giải trí trực tuyến, thương mại điện tử ở Việt Nam đang bước đầu phát triển, trong tương lai gần các hệ thống này sẽ phải đối mặt với vấn đề quá tải thông tin đến với người dùng. Hệ thống gợi ý sẽ mở ra nhiều tiềm năng trong nghiên cứu cũng như trong ứng dụng. Vì vậy, đề tài nghiên cứu này là sự cần thiết đối với nhu cầu thực tiễn cho các hệ thống trực tuyến ở Việt Nam.3 Mục đích của đề tài - Nghiên cứu các tiếp cận gợi ý cơ bản và các vấn đề thường gặp khi xây dựng hệ thống gợi ý.

- Nghiên cứu một giải thuật gợi ý có sẵn, cài đặt và điều chỉnh giải thuật nhằm cải thiện kết quả dự đoán. - Xây dựng và tích hợp giải thuật gợi ý này vào hệ thống gợi ý phim ảnh.4 Đối tượng và phạm vi nghiên cứu 1.1 Đối tượng nghiên cứu - Lý thuyết về hệ hỗ trợ ra quyết định, máy học, mạng nơron. - Giải thuật học cho mạng nơron (Stochastic Gradient Descent). Hệ thống gợi ý phim ảnh với tiếp cận nhân tố trong mô hình láng giếng 1 Luận văn thạc sĩ Triệu Vĩnh Viêm - 2411016 - Lý thuyết ngôn ngữ lập trình Java.

- Phân tích hệ thống, quản trị cơ sở dữ liệu. - Nghiên cứu ngôn ngữ lập trình web.2 Phạm vi nghiên cứu - Nghiên cứu lập trình web với servlets/jsp. - Nghiên cứu lập trình thủ tục lưu trữ và hàm đối với cơ sở dữ liệu MySQL. - Nghiên cứu giải thuật Asymmetric SVD có điều chỉnh.

- Nghiên cứu kỹ thuật điều chỉnh tham số cho mô hình học. - Cài đặt tích hợp giải thuật gợi ý vào hệ thống gợi ý phim.5 Phương pháp nghiên cứu Phương pháp nghiên cứu tài liệu: tham khảo nhiều bài báo khoa học, tạp chí và sách vở trong nước cũng như ngoài nước chuyên về lĩnh vực gợi ý, máy học và lĩnh vực lập trình web. Phương pháp thực nghiệm: nghiên cứu sử dụng các công cụ lập trình web và triển khai ứng dụng thực tế.6 Ý nghĩa khoa học và thực tiễn của đề tài 1.1 Ý nghĩa khoa học Đề tài đã sử dụng một giải thuật gợi ý mà phối hợp cả tiếp cận láng giềng và nhân tố tiềm ẩn nhằm tận dụng các ưu điểm và khắc phục khuyết điểm của các tiếp cận này. Nghiên cứu đã chứng minh được sự hiệu quả của việc điều chỉnh các hằng số regularization trên từng tham số học khác nhau sẽ hiệu quả hơn thay vì chỉ dùng duy nhất một regularization cho tất cả các tham số.

Bên cạnh đó, hệ thống mà đề tài xây dựng sẽ làm nổi lên sự hào hứng trong nghiên cứu khoa học cho việc ứng dụng các kỹ thuật gợi ý ở Việt Nam.2 Ý nghĩa thực tiễn Hiện tại, ở Việt Nam các trang web chia sẻ phim ảnh hầu như chưa có tích hợp hệ thống gợi ý, đa phần chỉ thể hiện các bộ phim có cùng thể loại (genre). Bên cạnh đó cũng có một số trang hiển thị tần số xem nhiều (trong ngày/tuần/tháng) của bộ phim và đưa ra các đề cử tương ứng. Một số trang web chia sẽ phim ảnh trong nước như: movie.com, http://phimnoi. Hệ thống gợi ý phim ảnh với tiếp cận nhân tố trong mô hình láng giếng 2 Luận văn thạc sĩ Triệu Vĩnh Viêm - 2411016 Vì vậy, nghiên cứu này giữ vai trò như là nền tảng cho việc tích hợp giải thuật gợi ý vào các hệ thống giải trí, thương mại điện tử ở Việt Nam.

Đồng thời, đề tài cũng được dùng để so sánh với những nghiên cứu tiếp theo trong tương lai.7 Bố cục luận văn Quyển luận văn này bao gồm năm chương chính và nội dung của bốn chương tiếp theo được mô tả như sau: Chương 2 cung cấp một giới thiệu tổng quát về vấn đề gợi ý và hệ thống gợi ý. Nó biểu diễn quá trình gợi ý và mô tả các khái niệm cơ bản của quá trình này. Chương này cũng giới thiệu sơ lược về các kỹ thuật gợi ý chính bao gồm các kỹ thuật gợi ý có liên quan đến đề tài và các kỹ thuật khác. Nội dung chương cũng nêu các vấn đề mà các hệ thống gợi ý phải đối mặt và phân tích so sánh giữa các kỹ thuật gợi ý dựa trên những vấn đề này.

Chương 3 sẽ giới thiệu một cách thức điều chỉnh một tiếp cận gợi ý đã có nhằm cải thiện độ chính xác dự đoán. Chương này biểu diễn các mô hình của hệ thống để tổ chức lưu trữ các mục tin dùng để gợi ý và xử lý các vấn đề mà hệ thống có thể vấp phải. Chương 4 mô tả các công việc cần thực hiện để tìm các tham số học, cách thức tìm các siêu tham số khá tốt cho mô hình. Nội dung chương sẽ trình bày các kết quả huấn luyện và nó còn so sánh tiếp cận đã sử dụng của đề tài với một số tiếp cận khác thông qua biểu đồ.

Hơn nữa, chương này sẽ minh họa và giải thích một số giao diện chính của hệ thống website có tích hợp kỹ thuật gợi ý. Thông qua việc tự xây dựng một số kịch bản gợi ý để chứng minh rằng hệ thống có khả năng đối phó với một số vấn đề gợi ý. Chương 5 kết luận các công việc mà luận văn làm được, đặt các vấn đề còn tồn tại chưa giải quyết được của luận văn. Ngoài ra, chương này còn trình bày hướng phát triển tiếp theo của đề tài để cải tiến sự tối ưu cũng như độ chính xác gợi ý của hệ thống.

Hệ thống gợi ý phim ảnh với tiếp cận nhân tố trong mô hình láng giếng 3 Luận văn thạc sĩ Triệu Vĩnh Viêm - 2411016 CHƯƠNG 2 HỆ THỐNG GỢI Ý VÀ NGHIÊN CỨU LIÊN QUAN 2.1 Vấn đề gợi ý và hệ thống gợi ý Hiện nay, Việt Nam là đất nước có xu hướng hội nhập cao và trong đà phát triển chung của nền kinh tế thế giới. Từ đó sẽ xảy ra một thực trạng là các nguồn thông tin ở các lĩnh vực như giải trí, giáo dục, thương mại sẽ ngày càng lớn dần cả về số lượng và chất lượng. Sự phát triển của các lĩnh vực này trên internet sẽ làm cho người dùng đối mặt với quá tải thông tin. Do đó, trong tương lai gần những lời gợi ý là một phần không thể thiếu của cuộc sống hằng ngày mà thỉnh thoảng con người sẽ tin tưởng vào những nguồn tri thức sẵn có để đưa ra một sự lựa chọn về sở thích cũng như các hành động tiếp theo của họ.

Ví dụ, một người có thể đọc các thông tin tổng quát về các bộ phim trên các tờ báo để chọn lựa phim mà họ sẽ xem, hay là một cách nhìn khác là một người có thể đến một cửa hàng bán CD phim mà họ đã từng mua trước đây để có được những lời gợi ý xem các CD phim có thể họ sẽ thích từ chủ cửa hàng này. Tồn tại các nhân tố của CD phim mà ảnh hưởng đến sở thích của người mua. Các ví dụ này sẽ giúp chúng ta hình thành khái niệm về sự gợi ý trên các hệ thống trực tuyến (online). Một hệ thống gợi ý (Recommender System – RS) là một hệ thống thông minh mà tính toán được các đề xuất cho các sưu liệu đến người dùng.

Nó sử dụng những lịch sử hành vi trước đây của người dùng để đề xuất các mục tin mà có thể họ sẽ thích. Ví dụ, hệ thống sẽ cố gắng dự đoán các sở thích của người dùng thông qua việc xếp hạng cho những mục tin cụ thể. Hệ thống thông minh này sẽ tính toán được một danh sách có thứ tự các mục tin được xếp hạng đến người dùng cụ thể. Điều này còn được gọi là lời gợi ý cá nhân của một hệ thống trực tuyến [22].

Theo thống kê trong [17], Youtube được sáng lập vào tháng 2/2005, nó đã nhanh chóng trở thành một trong các website chia sẽ video phổ biến nhất thế giới hiện nay. Người dùng đến với youtube khám phá, xem và chia sẽ các video (tự tạo, nguyên gốc). Mỗi ngày, trên một tỷ video clip được tạo ra xuyên qua hàng triệu video bởi hàng triệu người dùng, và mỗi phút người dùng tải trên 24 giờ video lên Youtube. Sự thành công của Youtube cũng nhờ vào khả năng gợi ý của hệ thống.

Nền tảng của hệ gợi ý cần xem xét là khoa học thực nghiệm, thuyết tương đối, tìm kiếm thông tin và các thuyết về dự báo (dự đoán) [1]. Trong những năm giữa thập niên 90, các hệ gợi ý đã trở thành một lĩnh vực nghiên cứu độc lập khi những nhà nghiên cứu bắt đầu tập trung vào các vấn đề về sự gợi ý tường minh mà tin cậy Hệ thống gợi ý phim ảnh với tiếp cận nhân tố trong mô hình láng giếng 4 Luận văn thạc sĩ Triệu Vĩnh Viêm - 2411016 dựa trên các đánh giá có cấu trúc và xuất bản những tờ báo đầu tiên của lĩnh vực này [1]. Với một nhìn nhận tổng quát thì vấn đề gợi ý được quy về việc dự đoán xếp hạng cho các mục tin mà người dùng chưa từng thấy. Sau khi dự đoán xếp hạng xong thì các mục tin được ước lượng dự đoán cao nhất sẽ có thể được đề xuất đến người dùng.2 Tổng quát hệ thống gợi ý Các mục tin Cập nhật được đề xuất sở thích Rate, rerate, browse, transactions,.