Bối cảnh và vấn đề nghiên cứu

Trong kỷ nguyên số hóa, sự phát triển nhanh chóng của internet cùng các thiết bị thông minh giúp người dùng tiếp cận nguồn tài nguyên sách điện tử khổng lồ thông qua các nền tảng trực tuyến như Amazon Kindle hay Google Play Books. Tuy nhiên, tình trạng này dẫn đến hiện tượng "khủng hoảng thừa" thông tin, khi số lượng tác phẩm quá lớn khiến độc giả gặp khó khăn trong việc lựa chọn đầu sách phù hợp với sở thích cá nhân. Để giải quyết rào cản này, các hệ thống khuyến nghị (Recommender Systems) đã được triển khai nhằm tự động hóa việc đưa ra các gợi ý có tính cá nhân hóa.

Mặc dù vậy, tác giả Đỗ Đức Thịnh chỉ ra rằng phần lớn các hệ thống gợi ý sách hiện nay chủ yếu dựa vào các thông tin thuộc tính cơ bản như tiêu đề, tác giả, thể loại hoặc lịch sử đánh giá (rating) từ cộng đồng. Những hệ thống này chưa khai thác sâu nguồn dữ liệu văn bản phi cấu trúc hoặc bán cấu trúc rất giàu thông tin là nội dung tóm tắt và đoạn mô tả (description) của từng cuốn sách. Đoạn mô tả chứa đựng nhiều thuộc tính ngữ nghĩa ẩn có thể phản ánh chính xác chủ đề và phong cách của tác phẩm.

Nhiệm vụ và mục tiêu nghiên cứu của khóa luận được xác định cụ thể như sau:

  1. Nghiên cứu cơ sở lý thuyết về các hệ khuyến nghị, bao gồm phương pháp lọc theo nội dung (Content-based Filtering - CBF) và lọc cộng tác (Collaborative Filtering - CF).
  2. Nghiên cứu và áp dụng các kỹ thuật truy hồi thông tin (Information Retrieval - IR) gồm Bag-of-Words, TF-IDF, Word2Vec và Doc2Vec để trích xuất đặc trưng ngữ nghĩa từ đoạn văn bản mô tả của các đầu sách.
  3. Xây dựng mô hình khuyến nghị kết hợp (hybrid) tận dụng hồ sơ biểu diễn văn bản và lịch sử đánh giá của người dùng thông qua mô hình hồi quy Ridge (Ridge Regression).
  4. Thực nghiệm, so sánh độ chính xác và tính tin cậy giữa các phương pháp tiếp cận trên tập dữ liệu thực tế bằng độ đo sai số căn quân phương (Root Mean Squared Error - RMSE).
  5. Hiện thực hóa mô hình thành một ứng dụng web thử nghiệm có khả năng tương tác trực tiếp.

Đối tượng nghiên cứu của đề tài là các kỹ thuật truy hồi thông tin dạng văn bản và thuật toán gợi ý trong hệ khuyến nghị. Phạm vi nghiên cứu thực nghiệm được giới hạn trên tập dữ liệu sách tiếng Anh thuộc bộ dữ liệu goodbooks-10k và lịch sử đánh giá tương ứng của người dùng, thực hiện tại Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM trong năm 2023.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết dựa trên sự giao thoa giữa hệ thống lọc thông tin và kỹ thuật xử lý ngôn ngữ tự nhiên. Về hệ khuyến nghị, tác giả phân tích hai phương pháp tiếp cận cơ bản:

  • Lọc theo nội dung (Content-based Filtering - CBF): Xây dựng hồ sơ (profile) cho người dùng dựa trên các mục (items) mà họ đã đánh giá tích cực trong quá khứ thông qua việc véc-tơ hóa đặc trưng của item, tính toán độ tương đồng (cosin hoặc khoảng cách Euclidean) và thiết lập ngưỡng đề xuất. Phương pháp này có ưu điểm về khả năng giải thích và xử lý tốt vấn đề khởi đầu lạnh (cold-start) đối với người dùng mới nếu có sẵn dữ liệu đặc trưng của item, nhưng hạn chế về tính đa dạng và tính bất ngờ.
  • Lọc cộng tác (Collaborative Filtering - CF): Đưa ra khuyến nghị dựa trên hành vi của các người dùng có sự tương đồng. Khóa luận phân tích hai biến thể gồm Lọc cộng tác người dùng - người dùng (User-User Collaborative Filtering - UUCF) và Lọc cộng tác mục - mục (Item-Item Collaborative Filtering - IICF). Đi kèm với đó là khái niệm ma trận tiện ích (utility matrix) thể hiện tương tác hai chiều giữa người dùng và sản phẩm, cùng các thách thức đặc trưng như tính thưa thớt (sparsity) và độ lệch theo mức độ phổ biến.

Về kỹ thuật truy hồi thông tin và nhúng văn bản, các mô hình toán học được tác giả trình bày bao gồm:

  • Bag-of-Words (BoW): Biểu diễn văn bản dựa trên tần suất xuất hiện của từ vựng thông qua ma trận tài liệu - từ (Document-Term Matrix - DTM), bỏ qua hoàn toàn thứ tự và ngữ pháp.
  • TF-IDF (Term Frequency - Inverse Document Frequency): Phương pháp gán trọng số thống kê nhằm cân bằng tầm quan trọng của từ vựng dựa trên tần suất xuất hiện trong văn bản cụ thể ($TF$) và tần số nghịch của từ đó trong toàn bộ kho ngữ liệu ($IDF$).
  • Word2Vec: Biểu diễn từ dưới dạng véc-tơ phân tán trong không gian ngữ nghĩa với hai kiến trúc Continuous Bag-of-Words (CBOW - dự đoán từ mục tiêu dựa trên ngữ cảnh xung quanh) và Skip-gram (dự đoán các từ ngữ cảnh dựa trên từ mục tiêu).
  • Doc2Vec: Kỹ thuật mở rộng của Word2Vec để biểu diễn toàn bộ tài liệu thành một véc-tơ cố định, bao gồm kiến trúc Bộ nhớ phân tán (Distributed Memory - DM) kết hợp véc-tơ tài liệu với véc-tơ từ ngữ cảnh, và Túi từ phân tán (Distributed Bag-of-Words - DBOW) dự đoán từ vựng trực tiếp từ véc-tơ tài liệu.

Phương pháp nghiên cứu thực nghiệm của đề tài sử dụng mô hình hồi quy Ridge (Ridge Regression) để ánh xạ các véc-tơ đặc trưng của sách với điểm số đánh giá của từng người dùng nhằm tạo lập ma trận trọng số đại diện cho sở thích cá nhân. Nguồn dữ liệu sử dụng là bộ dữ liệu công khai goodbooks-10k thu thập từ API của nền tảng Goodreads (chia sẻ qua kho mã nguồn GitHub của tác giả Zygmunt Zając). Độ đo đánh giá chính là Root Mean Squared Error (RMSE), đồng thời sử dụng mô hình phân rã ma trận không âm (Non-negative Matrix Factorization - NMF) làm đường cơ sở (baseline) so sánh.

Thiết kế và triển khai

Hệ thống khuyến nghị được thiết kế theo quy trình xử lý dữ liệu và suy luận đa tầng, kết hợp giữa kỹ thuật trích xuất văn bản và lọc cộng tác:

Dữ liệu thô (Mô tả & Ratings)

Quy trình hoạt động chi tiết gồm 4 bước kỹ thuật:

  1. Xử lý dữ liệu thô: Chuẩn hóa dữ liệu văn bản mô tả (loại bỏ từ dừng, chuyển chữ thường, lemmatization) và làm sạch tập dữ liệu ratings (loại bỏ item không hợp lệ, lọc người dùng tương tác dưới 3 lần, chuẩn hóa giá trị điểm đánh giá về đoạn $[0, 1]$).
  2. Véc-tơ hóa dữ liệu văn bản: Sử dụng TF-IDF (thử nghiệm cả cấu hình nguyên bản và cấu hình giảm chiều xuống 4.000 đặc trưng) và Doc2Vec (với các kích thước véc-tơ 1.000 và 4.000) để chuyển đổi mỗi đoạn văn bản mô tả thành một véc-tơ số học cố định.
  3. Tạo hồ sơ người dùng và lập ma trận người dùng (User Matrix): Áp dụng mô hình hồi quy Ridge trên tập dữ liệu huấn luyện. Trong đó, các véc-tơ đặc trưng của sách mà người dùng đã đọc đóng vai trò là biến độc lập, điểm số đánh giá đã chuẩn hóa đóng vai trò là biến phụ thuộc. Hệ số góc thu được sau khi khớp mô hình hồi quy cho từng người dùng sẽ được lưu trữ lại để cấu thành các hàng của ma trận người dùng.
  4. Tạo gợi ý tổng hợp: Khi tiếp nhận một mã định danh người dùng (user_id), hệ thống tái tạo hồ sơ sở thích để tính toán điểm dự đoán cho các đầu sách chưa đọc; đồng thời tính toán độ tương đồng giữa các véc-tơ trong ma trận người dùng để tìm nhóm độc giả có gu đọc tương tự, từ đó tổng hợp và đề xuất những cuốn sách được đánh giá cao nhất.

Về công nghệ triển khai:

  • Môi trường phát triển: Toàn bộ quá trình tiền xử lý, huấn luyện và kiểm thử thuật toán được thực hiện trên nền tảng Jupyter Notebook sử dụng ngôn ngữ Python và các thư viện chuyên dụng như NLTK, Scikit-learn, Gensim.
  • Đóng gói mô hình: Mô hình và ma trận trọng số sau khi hoàn tất huấn luyện được tuần tự hóa và lưu trữ vào tệp tin nhị phân bằng thư viện Joblib để tối ưu hóa khả năng nạp vào bộ nhớ khi vận hành.
  • Giao diện người dùng: Ứng dụng web thử nghiệm được xây dựng bằng framework mã nguồn mở Streamlit. Giao diện tương tác cung cấp hai tính năng chính:
    • Đề xuất theo mã sách (book_id): Người dùng cung cấp mã định danh cuốn sách và chỉ định số lượng gợi ý mong muốn; hệ thống tính toán khoảng cách nội dung để trả về danh sách các tác phẩm có nội dung tương đồng nhất.
    • Đề xuất theo mã người dùng (user_id): Người dùng cung cấp mã tài khoản; hệ thống trích xuất hồ sơ tương ứng, thực thi thuật toán gợi ý kết hợp và hiển thị danh sách các đầu sách được cá nhân hóa phù hợp nhất.

Nội dung chính theo từng chương

Chương 1. Giới thiệu đề tài

Chương mở đầu phân tích bối cảnh bùng nổ thông tin trong lĩnh vực xuất bản số và rào cản người đọc gặp phải trước số lượng đầu sách khổng lồ. Tác giả chỉ ra lỗ hổng của các hệ thống gợi ý phổ biến khi bỏ quên phần văn bản mô tả sách, từ đó định hình giải pháp kết hợp giữa kỹ thuật truy hồi thông tin và lọc cộng tác thông qua mô hình hồi quy Ridge. Chương này cũng phân định rõ cấu trúc 6 chương của toàn bộ khóa luận.

Chương 2. Các nghiên cứu liên quan

Chương 2 trình bày tổng quan lý thuyết nền tảng. Tác giả phân tích chuyên sâu về cấu trúc hệ khuyến nghị, nguyên lý hoạt động của ma trận tiện ích, cùng các ưu - nhược điểm của Content-based Filtering và Collaborative Filtering (UUCF, IICF). Về mảng truy hồi thông tin, tác giả phân tích chi tiết cơ chế hoạt động của Bag-of-Words, công thức toán học của TF-IDF, và các mô hình biểu diễn véc-tơ phân tán Word2Vec, Doc2Vec.

Tiêu chí Word2Vec (Skip-gram) Word2Vec (CBOW) Doc2Vec (DM) Doc2Vec (DBOW)
Mục tiêu dự đoán Dự đoán từ ngữ cảnh từ từ mục tiêu Dự đoán từ mục tiêu từ từ ngữ cảnh Dự đoán từ tiếp theo từ véc-tơ văn bản và từ ngữ cảnh Dự đoán từ trong văn bản từ véc-tơ văn bản
Đầu vào Véc-tơ từ mục tiêu Tổng véc-tơ từ ngữ cảnh Véc-tơ văn bản + véc-tơ từ ngữ cảnh Véc-tơ nhúng của văn bản
Cấp độ nhúng Cấp độ từ vựng Cấp độ từ vựng Cấp độ từ vựng và văn bản Cấp độ văn bản
Đặc điểm tốc độ Huấn luyện chậm, hiệu quả với tập dữ liệu nhỏ/từ hiếm Huấn luyện nhanh, phù hợp tập dữ liệu lớn Huấn luyện chậm hơn, tốn tài nguyên Huấn luyện nhanh, tập trung biểu diễn tài liệu

Chương 3. Mô tả tập dữ liệu và Tiền xử lý dữ liệu

Chương này tập trung vào nguồn gốc dữ liệu và quy trình làm sạch. Từ bộ dữ liệu goodbooks-10k, nghiên cứu trích xuất tập books (23 cột ban đầu) và tập ratings (3 cột: user_id, book_id, rating).

Quá trình tiền xử lý tập books thực hiện lọc ngôn ngữ nhằm giữ lại các đầu sách tiếng Anh:

  • Giữ nguyên các dòng có language_code là eng (6.341 dòng) và chuyển các mã có tiền tố en như en-US (2.070), en-GB (257), en-CA (58), en (4) về chuẩn eng. Các ngôn ngữ khác (tiếng Ả Rập, Pháp, Tây Ban Nha, Đức, Việt...) bị loại bỏ.
  • Đối với 1.084 dòng thiếu thông tin ngôn ngữ, tác giả viết script gửi request lấy nội dung mô tả từ trang web goodreads.com/book/show/{id}, sau đó dùng thư viện NLTK kiểm tra tỷ lệ từ tiếng Anh; toàn bộ các trường hợp này đều vượt ngưỡng 50% nên được giữ lại.
  • Kết quả thu được 9.814 đầu sách hợp lệ (chiếm 98,02% tập dữ liệu gốc).

Đối với văn bản mô tả sách (độ dài trung bình 174 từ/đoạn), tác giả áp dụng quy trình xử lý ngôn ngữ tự nhiên bằng NLTK: tách từ (tokenization), loại bỏ từ dừng, loại bỏ ký tự số và từ không phải tiếng Anh, đưa từ về nguyên mẫu (lemmatization). Thử nghiệm trên một đoạn văn bản thực tế cho thấy số lượng ký tự giảm từ 910 xuống còn 417 ký tự.

Đối với tập ratings:

  • Điểm đánh giá trung bình trong tập dữ liệu là 3,92. Trung bình mỗi người dùng đánh giá 110 đầu sách (nhiều nhất 199 lần, ít nhất 3 lần).
  • Thực hiện đồng bộ mã định danh bằng cách thay thế book_id bằng goodreads_book_id.
  • Loại bỏ các đánh giá liên quan đến các cuốn sách đã bị xóa ở tập books và loại bỏ người dùng có dưới 3 lượt đánh giá.
  • Số lượng bản ghi giảm từ 5.976.479 dòng xuống còn 5.916.140 dòng (chiếm 98,01%), tương ứng 53.410 người dùng trên 9.814 đầu sách. Dữ liệu sau đó được chia theo tỷ lệ 2/3 cho huấn luyện (training) và 1/3 cho kiểm thử (testing), kèm chuẩn hóa thang điểm từ $[1, 5]$ về $[0, 1]$.

Chương 4. Thử nghiệm và đánh giá

Chương 4 thực hiện đánh giá định lượng các mô hình biểu diễn văn bản dựa trên sai số RMSE. Tác giả phân chia ngẫu nhiên người dùng thành 3 nhóm độc lập (mỗi nhóm chiếm khoảng 10% tập dữ liệu) để kiểm tra tính ổn định:

  • Nhóm 1: 5.205 người dùng, mỗi cá nhân có từ 2 đến 53 lượt đánh giá sách.
  • Nhóm 2: 5.400 người dùng, mỗi cá nhân có từ 64 đến 69 lượt đánh giá sách.
  • Nhóm 3: 5.365 người dùng, mỗi cá nhân có từ 97 đến 133 lượt đánh giá sách.

Kết quả sai số RMSE trung bình giữa các mô hình được ghi nhận chi tiết:

Mô hình thử nghiệm Tham số cấu hình RMSE Nhóm 1 RMSE Nhóm 2 RMSE Nhóm 3
TF-IDF Không giảm chiều 0,544359 0,506808 0,482686
TF-IDF Giảm chiều (4.000 features) Tương đương Tương đương Tương đương
Doc2Vec Vector size = 1.000 Tương đương Tương đương Tương đương
Doc2Vec Vector size = 4.000 Tương đương Tương đương Tương đương

Qua phân tích thực nghiệm, tác giả rút ra hai phát hiện quan trọng:

  1. Việc giảm chiều véc-tơ ở mô hình TF-IDF xuống 4.000 đặc trưng không tạo ra sự khác biệt về độ chính xác so với việc giữ nguyên số chiều, trong khi khâu xử lý giảm chiều làm gia tăng đáng kể thời gian tính toán.
  2. Hiệu suất của các mô hình là tương đương nhau trên cùng một nhóm dữ liệu. Tuy nhiên, sai số RMSE giảm dần rõ rệt khi số lượng tương tác của người dùng tăng lên (từ ~0,544 ở Nhóm 1 xuống ~0,482 ở Nhóm 3). Mô hình Doc2Vec với kích thước véc-tơ 1.000 được chọn làm giải pháp tối ưu cho hệ thống đề xuất nhờ dung lượng biểu diễn tinh gọn và tốc độ truy vấn nhanh.

Chương 5. Triển khai mô hình

Nội dung chương mô tả chi tiết kiến trúc tích hợp hệ thống khuyến nghị, chuyển đổi các kết quả nghiên cứu trên Jupyter Notebook thành dịch vụ web hoàn chỉnh thông qua công cụ Streamlit và thư viện đóng gói Joblib. Chương này trình bày chi tiết giao diện demo với hai luồng nghiệp vụ tìm kiếm sách tương đồng theo mã định danh sản phẩm và tạo danh mục đề xuất cá nhân hóa theo mã định danh người dùng.

Chương 6. Kết luận và hướng phát triển

Chương tổng kết toàn diện các mục tiêu đã hoàn thành, chỉ ra những điểm còn tồn tại trong việc khai thác dữ liệu và cấu trúc giải thuật, đồng thời vạch ra lộ trình nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Khóa luận đạt được các kết quả cụ thể gắn liền với số liệu thực nghiệm:

  • Xây dựng thành công quy trình thu thập và làm sạch tự động, sàng lọc 9.814 đầu sách tiếng Anh từ 10.000 cuốn ban đầu và xử lý 5.916.140 bản ghi đánh giá của 53.410 người dùng.
  • Đoạn văn bản mô tả sách sau quá trình xử lý ngôn ngữ tự nhiên giảm gần 50% số lượng ký tự (từ trung bình 910 ký tự xuống 417 ký tự đối với mẫu thử nghiệm) mà vẫn bảo toàn các từ khóa mang ý nghĩa ngữ nghĩa cốt lõi.
  • Đánh giá định lượng trên 3 nhóm người dùng đại diện cho các mức độ tương tác khác nhau chứng minh mối tương quan nghịch giữa số lượng đánh giá và sai số dự đoán: người dùng đánh giá càng nhiều sách thì giá trị RMSE càng giảm (đạt mức 0,544 ở nhóm ít tương tác và giảm xuống 0,482 ở nhóm tương tác cao).
  • Chứng minh tính thực tế của việc lựa chọn mô hình Doc2Vec kích thước véc-tơ 1.000 thay vì TF-IDF giảm chiều, giúp tối ưu hóa không gian lưu trữ và thời gian tính toán nhưng vẫn duy trì độ chính xác tương đương.

Về mặt giải pháp và đóng góp học thuật:

  • Tác giả đề xuất giải pháp khắc phục nhược điểm của các hệ thống gợi ý sách truyền thống bằng cách tích hợp sâu các mô hình truy hồi thông tin văn bản vào bài toán xếp hạng sách.
  • Thiết lập quy trình kết hợp mô hình hồi quy Ridge với các véc-tơ nhúng tài liệu để sinh ma trận người dùng (User Matrix), kết hợp hiệu quả giữa lọc theo nội dung và lọc cộng tác.
  • Triển khai thành công ứng dụng web demo minh họa khả năng ứng dụng thực tế của mô hình trong môi trường phần mềm tương tác.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ những hạn chế hiện hữu mà tác giả chưa thể giải quyết trong phạm vi nghiên cứu:

  • Chưa khai thác toàn diện các bảng phụ trong bộ dữ liệu goodbooks-10k như bảng to_read, tags, book_tags, cũng như các trường thuộc tính có giá trị trong bảng books như tên tác giả (authors), năm xuất bản (original_publication_year).
  • Hệ thống chỉ mới dừng lại ở việc áp dụng các mô hình học máy truyền thống và truy hồi thông tin cổ điển kết hợp nhúng nông, chưa tích hợp các kiến trúc học sâu (Deep Learning) hay học tăng cường (Reinforcement Learning).
  • Ứng dụng web mới được thử nghiệm trên môi trường phát triển cục bộ (Local Development Environment), chưa được kiểm thử tải hay đánh giá thực tế trên các nền tảng thương mại điện tử quy mô lớn.

Hướng nghiên cứu tiếp theo được tác giả vạch ra gồm:

  • Mở rộng xử lý toàn bộ các nguồn dữ liệu phụ trợ và metadata của sách để làm giàu ma trận tiện ích.
  • Nghiên cứu và áp dụng các kỹ thuật tiên tiến hơn trong lĩnh vực hệ khuyến nghị như mô hình phân rã ma trận nơ-ron (Neural Matrix Factorization - NeuMF), mô hình View-enhanced eALS, hoặc Co-rating Model.
  • Tối ưu hóa kiến trúc ứng dụng web để phục vụ trực tiếp cho các nền tảng phân phối nội dung số và thương mại điện tử thực tế.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo hữu ích cho sinh viên chuyên ngành Công nghệ Thông tin, Khoa học Dữ liệu, Kỹ thuật Phần mềm và Hệ thống Thông tin đang thực hiện đồ án liên quan đến hệ khuyến nghị (Recommender Systems) và xử lý ngôn ngữ tự nhiên (NLP).

Các nội dung có giá trị tham khảo chuyên môn cao bao gồm:

  • Quy trình tiền xử lý và làm sạch dữ liệu văn bản tiếng Anh bằng NLTK kết hợp kỹ thuật thu thập dữ liệu web tự động qua API/Web Scraping để bù đắp các thuộc tính bị thiếu.
  • Bảng so sánh chi tiết về mặt lý thuyết và cơ chế hoạt động giữa các biến thể của thuật toán Word2Vec (Skip-gram và CBOW) và Doc2Vec (DM và DBOW).
  • Kỹ thuật xây dựng véc-tơ hồ sơ người dùng thông qua mô hình hồi quy Ridge kết hợp với véc-tơ nhúng văn bản.
  • Phương pháp luận tổ chức thực nghiệm đánh giá mô hình phân chia theo nhóm hành vi người dùng bằng độ đo RMSE.

Câu hỏi thường gặp

1. Khóa luận sử dụng bộ dữ liệu nào và quy mô sau tiền xử lý là bao nhiêu?
Khóa luận sử dụng bộ dữ liệu goodbooks-10k thu thập từ nền tảng Goodreads. Sau quá trình tiền xử lý và lọc ngôn ngữ tiếng Anh, tập books còn lại 9.814 đầu sách (chiếm 98,02% dữ liệu gốc) và tập ratings còn lại 5.916.140 lượt đánh giá từ 53.410 người dùng đối với 9.814 đầu sách này.

2. Tác giả giải quyết 1.084 dòng dữ liệu bị rỗng trường mã ngôn ngữ (language_code) như thế nào?
Tác giả sử dụng trường goodreads_book_id để gửi request lên trang web Goodreads nhằm cào đoạn văn bản mô tả của từng cuốn sách. Sau đó, tác giả sử dụng thư viện NLTK để kiểm tra từng ký tự trong đoạn mô tả; nếu đoạn văn chứa trên 50% ký tự thuộc từ vựng tiếng Anh thì cuốn sách đó được xác nhận là tiếng Anh và được giữ lại trong tập dữ liệu.

3. Tại sao tác giả quyết định chọn mô hình Doc2Vec với kích thước véc-tơ 1.000 thay vì TF-IDF?
Kết quả thực nghiệm trên cả 3 nhóm người dùng cho thấy độ chính xác dựa trên sai số RMSE giữa TF-IDF (cả bản nguyên và bản giảm chiều về 4.000 features) và Doc2Vec (vector size 1.000 và 4.000) là tương đương nhau. Tuy nhiên, kỹ thuật giảm chiều ở TF-IDF tiêu tốn nhiều thời gian tính toán, trong khi Doc2Vec với vector size 1.000 cho véc-tơ biểu diễn cô đọng, lưu giữ ngữ nghĩa tốt và tốc độ thực thi nhanh hơn.

4. Mô hình hồi quy Ridge đóng vai trò gì trong kiến trúc hệ khuyến nghị của đề tài?
Mô hình hồi quy Ridge được sử dụng để xây dựng hồ sơ sở thích (profile) cho từng người dùng. Mô hình lấy các véc-tơ văn bản của những cuốn sách người dùng đã đọc làm biến độc lập và điểm số đánh giá tương ứng làm biến phụ thuộc; các hệ số góc thu được sau khi huấn luyện sẽ tạo thành các hàng trong ma trận người dùng (User Matrix) phục vụ cho bước dự đoán điểm số và tìm kiếm người dùng tương đồng.

5. Ứng dụng demo của khóa luận được triển khai bằng công nghệ gì và cung cấp những chức năng nào?
Ứng dụng demo được xây dựng bằng ngôn ngữ Python sử dụng framework Streamlit và nạp mô hình đã huấn luyện thông qua thư viện Joblib. Giao diện cung cấp hai chức năng chính: đề xuất danh sách các cuốn sách tương đồng theo mã định danh sách (book_id) và đề xuất danh mục sách cá nhân hóa dựa trên mã định danh người dùng (user_id).

Kết luận

Khóa luận tốt nghiệp của tác giả Đỗ Đức Thịnh đã giải quyết trọn vẹn bài toán tích hợp kỹ thuật truy hồi thông tin văn bản vào hệ khuyến nghị sách, khắc phục hạn chế của các phương pháp gợi ý truyền thống chỉ dựa trên thuộc tính tĩnh. Bằng việc kết hợp mô hình nhúng Doc2Vec với thuật toán hồi quy Ridge trên tập dữ liệu chuẩn hóa goodbooks-10k, nghiên cứu đã chứng minh hiệu quả giảm thiểu sai số dự đoán khi lượng tương tác của người dùng tăng lên. Kết quả của đề tài được hiện thực hóa qua ứng dụng web thử nghiệm trực quan bằng Streamlit, tạo tiền đề thực tiễn cho việc phát triển các hệ thống gợi ý thương mại điện tử chuyên sâu trong tương lai.