chương 1, giới thiệu chung về hệ thống khuyến nghị, sự cần thiết, hiệu quả đem lại và các mô hình của hệ thống khuyến nghị. Chương 2 sẽ giải quyết vấn đề 2, giới thiệu dịch vụ VAS trong ngành Viễn thông, phân tích bài toán. Chương 3 tìm hiểu một số mô hình, kỹ thuật áp dụng vào bài toán VAS. Và cuối cùng, phần thử nghiểm chương trình sẽ được trình bày trong chương 4.
TỔNG QUAN VỀ HỆ THỐNG KHUYẾN NGHỊ 1. Giới thiệu chung Hệ thống khuyến nghị (Recommender System – RS) [2], hay còn gọi là hệ thống tư vấn là một hệ thống lọc thông tin nhằm dự đoán đánh giá sở thích, mối quan tâm, nhu cầu của người dùng để đưa ra một hoặc nhiều mục, sản phẩm, dịch vụ mà người dùng có thể sẽ quan tâm với xác suất lớn nhất. Trong những năm gần đây, hệ thống khuyến nghĩ đã trở lên phổ biến và được sử dụng trong nhiều lĩnh vực khác nhau như truyền hình, tin tức, dịch vụ tài chính,viễn thông, thương mại điện tử và mạng xã hội … Một vài ví dụ phổ biến và dễ gặp nhất như là gợi ý kết bạn trên Facebook dựa vào các đặc điểm như sinh sống cùng vị trí, học cùng trường, làm cùng cơ quan, hay đơn giản là có cùng sở thích, quan tâm với một lĩnh vực nào đó trên Facebook. Amazone có hệ thống khuyến nghị các sản phẩm cho người dùng… Hình 1.1 Ví dụ về hệ thống khuyến nghị của Amazon.
Một trong những mô hình đơn giản nhất của hệ thống khuyến nghị đó chính là bảng xếp hạng: bài hát có nhiều người nghe nhất, các bộ phim nhiều người xem nhất, các sản phẩm có nhiều người mua nhất … Hệ thống không có thông tin gì của người sử dụng, nó sẽ dự đoán ở mức đơn giản nhất là có nhiều 10 người mua sản phẩm này nhất thì xác suất người dùng nó đang tư vấn sẽ mua sản phầm này cũng cao nhất. Ý tưởng của hệ thống khuyến nghị cũng xuất phát từ hành vi của người mua hàng: người mua hàng thường sẽ hỏi bạn bè, chuyên gia, hay từ chính người bán hàng tư vấn cho mình về sản phẩm họ có ý định mua. Người được hỏi sẽ tiến hành thu tập thông tin từ người mua bao gồm: nhu cầu sử dụng, đặc điểm sản phẩm, màu sắc chức năng yêu thích …, kết hợp với kiến thức hiểu biết của mình về sản phẩm để đưa ra đề xuất, lời khuyên sản phẩm phù hợp nhất cho người mua. Ở một mức cao hơn, người được hỏi sẽ liên hệ, liên tưởng những người đã từng mua sản phẩm mà có đặc điểm tương đồng với người mua, từ đó họ dự đoán người mua sẽ có khả năng thích sản phẩm nào nhất để đưa ra khuyến nghị cho người mua.
Bài toán khuyến nghị Phát biểu bài toán: Input: + Cho tập người dùng U, mỗi người dùng ui thuộc U có các đặc điểm I = {i1, i2,… ik}. + Một tập các sản phẩm, dịch vụ (gọi chung là sản phẩm) P, mối sản phẩm pj có các đặc điểm đặc trựng J = {j1, j2,… jx} + Một ma trận R= (rij) với i=1,. M, thể hiện mối quan hệ giữa tập người dùng U và tập sản phẩm P. Trong đó rij là đánh giá của người dùng ui cho sản phẩm pj, N và M lần lượt là số người dùng và số sản phẩm.
Output: Danh sách các sản phẩm pj thuộc P có độ phù hợp với người dung ui thuộc U nhất. Để giả bài toán này chúng ta cần xây dựng hàm F(ui,pi) để đo độ phù hợp sản phẩm p i đối với người dùng ui, từ đó sẽ lấy ra được danh sách các sản phẩm/dịch vụ phù hợp (có khả năng người dùng chọn) cao nhất. 11 Tùy thuộc vào phương pháp sử dụng ta có nhiều cách xây dựng hàm F, các cách xây dựng hàm F phụ thuộc chủ yếu bởi các yếu tố sau: + Đặc điểm của người dùng ui (lọc theo nội dung người dùng) : điều này được đánh giá chủ quan bởi các quy luật tự nhiên, hoặc các quy tắc cơ bản. Ví dụ ui là nam thì sẽ có xu hướng mua các sản phẩm của nam hơn các sản phẩm của nữ, ui trẻ tuổi sẽ thích nghe những bản nhạc trẻ… + Đặc điểm của sản phẩm pj (lọc theo nội dung sản phẩm): giống như lọc theo nội dung người dùng, các sản phẩm có đặc điểm giống nhau, thì cũng có khả năng được một người dùng đánh giá như nhau.
Ví dụ về đặc điểm của các bộ phim có thể là thể loại phim, chủ đề phim, loại kỹ xảo sử dụng trong phim… + Lịch sử giao dịch của người dùng ui : từ lịch sử giao dịch có thể suy ra ngành/vấn đề/chủ đề mà ui quan tâm, do đó những sản phẩm có cùng lĩnh vực sẽ có độ liên quan cao hơn. Ví dụ một người đã từng mua áo và giầy đá bóng thì có thể dự đoán người này yêu bóng đá, thích thể thao. Từ đó suy ra người này sẽ có khả năng sử dụng dịch vụ hoặc mua các sản phẩm thể thao cao hơn các dịch vụ/sản phẩm khác. + Những người dùng u t khác có cùng các đặc điểm giống ui: với quan niệm rằng những người dùng giống nhau sẽ thích, đánh giá những sản phẩm giống nhau.
Các đặc điểm của ut bao gồm tập đặc điểm I ban đầu, kết hợp với các đặc điểm cộng tác như cùng mua mặt hàng nào đó, có các hành vi mua hàng giống nhau… Việc tìm hiểu những mặt hàng/dịch vụ mà ut đã từng quan tâm sẽ đưa ra được những gợi ý phù hợp cho người dùng ui. Các hướng tiếp cận Có 2 hướng tiếp cấn chính để xây dựng bài toán khuyến nghị. Cách 1 là Dựa trên nội dung (Content-based): Hệ thống dựa trên nội dung tập trung vào các thuộc tính của mặt hàng, tính tương tự của sản phẩm được xác định bằng cách đo sự tương tự trong các thuộc tính của chúng. Cách 2 là Lọc cộng tác (Collaborative-Filtering) tập trung vào mối quan hệ giữa người sử dụng và các mặt hàng.
Tính tương tự của các mặt hàng được xác định bởi sự tương tự của xếp hạng của những mặt hàng đó bởi những người dùng đã đánh giá cả hai mặt hàng. Các hệ thống khuyến nghị ngày nay thường kết hợp cả 2 hướng tiếp cận trên gọi là hệ thống khuyến nghị lai (Hybrid). 12 Lọc dựa trên nội dung (Content-based) dựa trên mô tả của sản phẩm và thông tin của người dùng. Trong hệ thống khuyến nghị dựa trên nội dung, từ khoá được sử dụng để mô tả các mục và hồ sơ người dùng được xây dựng để chỉ ra loại mục mà người dùng này thích.
Nói cách khác, các thuật toán này cố gắng đề xuất các mục tương tự như các mục mà người dùng thích trong quá khứ (hoặc đang kiểm tra trong hiện tại). Đặc biệt, các ứng viên khác nhau được so sánh với các mục được đánh giá trước đây bởi người sử dụng và các mục phù hợp nhất được khuyến khích. Vấn đề chính của phương pháp này là bị giới hạn bởi nội dung của sản phẩm, chỉ tư vấn được các sản phẩm tương tự trong cùng mục nội dung.2 Ví dụ một mô hình kỹ thuật lọc dựa theo nội dung [5] Trong hình 1.2, ta thấy người dùng A thích bộ phim A; bộ phim C có tính chất tương tự như phim A. Do đó bộ phim C được giới thiệu cho người dùng A.
Lọc cộng tác (Collaborative-Filtering)[4] dựa trên việc thu thập và phân tích một lượng lớn thông tin về hành vi, hoạt động hoặc sở thích của người dùng và dự đoán những gì người dùng sẽ thích dựa trên sự tương đồng với người dùng khác. Ưu điểm chính của phương pháp tiếp cận lọc cộng tác là nó không dựa vào nội dung có thể phân tích được của máy và do đó nó có khả năng đề xuất chính xác các hạng mục phức tạp như phim ảnh mà không đòi hỏi sự hiểu biết về chính bản thân nó. Lọc cộng tác dựa trên giả định rằng những người đồng ý trong quá khứ sẽ đồng ý trong tương lai và rằng họ sẽ thích các loại mặt hàng tương tự như họ thích trong quá khứ. Khi xây dựng một mô hình từ hành vi 13 của người dùng, sự phân biệt thường được thực hiện giữa các hình thức thu thập dữ liệu rõ ràng và tiềm ẩn.
Ví dụ về thu thập dữ liệu rõ ràng bao gồm: - Yêu cầu người dùng xếp hạng mục trên thang trượt. - Yêu cầu người dùng tìm kiếm. - Yêu cầu người dùng xếp hạng các bộ sưu tập từ yêu thích đến ít yêu thích nhất. - Trình bày hai mục cho người dùng và yêu cầu họ chọn một trong số họ tốt hơn.
- Yêu cầu người dùng tạo danh sách các mặt hàng mà họ thích. Các ví dụ về thu thập dữ liệu ngầm bao gồm: - Quan sát các mục mà người dùng xem trong một cửa hàng trực tuyến. - Phân tích thời gian xem của sản phẩm / người dùng. - Giữ bản ghi các mục mà người dùng mua hàng trực tuyến.
- Lấy danh sách các mục mà người dùng đã nghe hoặc xem trên máy tính của mình. - Phân tích mạng xã hội của người dùng và khám phá những sở thích và không thích tương tự. Các phương pháp tiếp cận lai (Hybrid) [4] có thể được thực hiện bằng nhiều cách: bằng cách đưa ra các dự đoán dựa trên nội dung và dựa trên cộng tác một cách riêng biệt và sau đó kết hợp chúng; bằng cách thêm các tính năng dựa trên nội dung vào một cách tiếp cận hợp tác (và ngược lại). Một số nghiên cứu thực nghiệm so sánh hiệu suất của lai với các phương pháp hợp tác và dựa trên nội dung thuần túy và chứng minh rằng các phương pháp lai có thể đưa ra các khuyến nghị chính xác hơn các phương pháp thuần túy.
Một số cách kết hợp như sau: Sử dụng cả hai phương pháp, sau đó dùng hai kết quả thu được để quyết định: + Sử dụng kết quả của phương pháp nào tốt hơn (tùy từng thời điểm) + Dùng cả hai kết quả để đánh giá. 14 Xây dựng hệ thống lọc cộng tác có sử dụng các đặc trưng của phương pháp lọc dựa trên nội dụng. Xây dựng hệ thống lọc dựa trên nội dung có sử dụng các đặc trưng của phương pháp lọc cộng tác. Xây dựng hệ thống kết hợp cả lọc cộng tác và lọc dựa trên nội dung (chia làm nhiều pha, mỗi pha là lọc cộng tác hoặc lọc nội dung).
Chức năng Cải thiện trải nghiệm người dùng: từ việc dự đoán và đưa ra những mặt hàng/dịch vụ đúng với sở thích của khách hàng sẽ làm tăng sự hài lòng của khách hàng.