Luận văn thạc sĩ ứng dụng phương pháp nhúng đỉnh vào đồ thị hai phía để xây dựng hệ thống khuyến nghị

Luận văn thạc sĩ kỹ thuật nghiên cứu ứng dụng phương pháp nhúng đỉnh vào đồ thị hai phía để xây dựng hệ thống khuyến nghị, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải

• Tác giả: Nguyễn Xuân Bình
• Người hướng dẫn: Ts. Trần Quang Nguyên
• Trường học: Trường Đại học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Ứng Dụng Phương Pháp Nhúng Đỉnh Vào Đồ Thị Hai Phía Để Xây Dựng Hệ Thống Khuyến Nghị
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng, phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Đóng góp của đề tài
• 1.6. Cấu trúc của đề tài
• 2. TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP BIỂU DIỄN ĐỒ THỊ VÀ ỨNG DỤNG
• 2.1. Tổng quan về đồ thị
• 2.1.1. Các khái niệm về đồ thị
• 2.2. Đồ thị đối với học máy
• 3. BIỂU DIỄN MẠNG ĐỒ THỊ HAI PHÍA BẰNG PHƯƠNG PHÁP NHÚNG ĐỈNH
• 3.1. Bài toán biểu diễn mạng đồ thị hai phía
• 3.2. Phương pháp nhúng đỉnh đồ thị hai phía đề xuất
• 3.3. Mô hình hóa các quan hệ trực tiếp
• 3.4. Mô hình hóa các quan hệ gián tiếp bằng bước đi ngẫu nhiên
• 3.5. Tối ưu hóa mô hình chung
• 4. HỆ THỐNG KHUYẾN NGHỊ VÀ CÁC ĐỘ ĐO ĐÁNH GIÁ HỆ THỐNG KHUYẾN NGHỊ
• 4.1. Tổng quan về bài toán khuyến nghị
• 4.2. Khái niệm hệ thống khuyến nghị
• 4.3. Phát biểu bài toán hệ thống khuyến nghị
• 4.4. Các hướng tiếp cận xây dựng hệ thống khuyến nghị
• 4.5. Các phương pháp và độ đo đánh giá hệ thống khuyến nghị
• 4.6. Phương pháp đánh giá hệ thống khuyến nghị
• 4.7. Đánh giá độ chính xác của dự đoán
• 4.8. Đánh giá danh sách đề xuất
• 5. XÂY DỰNG HỆ THỐNG KHUYẾN NGHỊ BẰNG PHƯƠNG PHÁP NHÚNG ĐỈNH MẠNG ĐỒ THỊ HAI PHÍA ÁP DỤNG VÀO THỰC TẾ
• 5.1. Giới thiệu nguồn dữ liệu và sự cần thiết xây dựng hệ thống khuyến nghị thực tế tại doanh nghiệp
• 5.2. Thu thập và xây dựng cơ sở dữ liệu
• 5.3. Thực nghiệm và kết quả
• 5.3.1. Phương pháp thực nghiệm
• 5.3.2. Kết quả và đánh giá
• 5.4. Kết quả đạt được của đề tài
• 5.5. Các mặt hạn chế và hướng phát triển của đề tài
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về hệ thống khuyến nghị và đồ thị hai phía

Hệ thống khuyến nghị đã trở thành một phần quan trọng trong nhiều lĩnh vực, từ thương mại điện tử đến mạng xã hội. Đặc biệt, hệ thống khuyến nghị dựa trên đồ thị hai phía cho phép mô hình hóa mối quan hệ giữa người dùng và sản phẩm một cách hiệu quả. Đồ thị hai phía là một cấu trúc mạnh mẽ, giúp biểu diễn các mối quan hệ phức tạp giữa các thực thể. Việc hiểu rõ về đồ thị hai phía và cách thức hoạt động của nó là rất cần thiết để xây dựng một hệ thống khuyến nghị hiệu quả.

1.1. Khái niệm về đồ thị hai phía trong hệ thống khuyến nghị

Đồ thị hai phía là một loại đồ thị trong đó các đỉnh được chia thành hai tập hợp độc lập, với các cạnh chỉ kết nối giữa các đỉnh thuộc hai tập hợp khác nhau. Điều này cho phép mô hình hóa mối quan hệ giữa người dùng và sản phẩm một cách rõ ràng. Ví dụ, trong một hệ thống khuyến nghị phim, một tập hợp có thể là người dùng và tập hợp còn lại là các bộ phim. Việc sử dụng đồ thị hai phía giúp cải thiện độ chính xác của các dự đoán trong hệ thống khuyến nghị.

1.2. Tầm quan trọng của hệ thống khuyến nghị trong thương mại điện tử

Hệ thống khuyến nghị đóng vai trò quan trọng trong việc tăng cường trải nghiệm người dùng và tối ưu hóa doanh thu cho các doanh nghiệp thương mại điện tử. Bằng cách cung cấp các gợi ý sản phẩm phù hợp, hệ thống khuyến nghị không chỉ giúp người dùng tìm thấy sản phẩm mà họ cần mà còn khuyến khích họ mua sắm nhiều hơn. Nghiên cứu cho thấy rằng các hệ thống khuyến nghị hiệu quả có thể tăng doanh thu lên đến 30%.

II. Vấn đề và thách thức trong việc xây dựng hệ thống khuyến nghị

Mặc dù hệ thống khuyến nghị dựa trên đồ thị hai phía mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong quá trình xây dựng và triển khai. Một trong những vấn đề lớn nhất là việc xử lý dữ liệu không đầy đủ và không chính xác. Ngoài ra, việc tối ưu hóa thuật toán để đảm bảo độ chính xác và tốc độ phản hồi cũng là một thách thức không nhỏ.

2.1. Dữ liệu không đầy đủ và không chính xác

Một trong những thách thức lớn nhất trong việc xây dựng hệ thống khuyến nghị là dữ liệu không đầy đủ. Nhiều người dùng có thể không để lại đánh giá hoặc thông tin về sở thích của họ, dẫn đến việc hệ thống không thể đưa ra các gợi ý chính xác. Việc xử lý dữ liệu không chính xác cũng có thể dẫn đến các dự đoán sai lệch, ảnh hưởng đến trải nghiệm người dùng.

2.2. Tối ưu hóa thuật toán khuyến nghị

Tối ưu hóa thuật toán là một yếu tố quan trọng để đảm bảo hệ thống khuyến nghị hoạt động hiệu quả. Các thuật toán cần phải được điều chỉnh để cân bằng giữa độ chính xác và tốc độ phản hồi. Việc sử dụng các phương pháp học sâu và machine learning có thể giúp cải thiện hiệu suất của hệ thống, nhưng cũng đòi hỏi nhiều tài nguyên tính toán.

III. Phương pháp nhúng đỉnh trong đồ thị hai phía

Phương pháp nhúng đỉnh là một kỹ thuật quan trọng trong việc xây dựng hệ thống khuyến nghị. Kỹ thuật này cho phép chuyển đổi các đỉnh trong đồ thị thành các vector trong không gian nhiều chiều, giúp dễ dàng hơn trong việc áp dụng các thuật toán học máy. Việc sử dụng phương pháp này giúp cải thiện độ chính xác của các dự đoán và tối ưu hóa quá trình khuyến nghị.

3.1. Nguyên lý hoạt động của phương pháp nhúng đỉnh

Phương pháp nhúng đỉnh hoạt động bằng cách tạo ra một không gian nhúng cho các đỉnh trong đồ thị. Mỗi đỉnh sẽ được biểu diễn dưới dạng một vector, trong đó các mối quan hệ giữa các đỉnh được phản ánh qua khoảng cách giữa các vector. Điều này cho phép các thuật toán học máy dễ dàng khai thác thông tin từ đồ thị để đưa ra các dự đoán chính xác hơn.

3.2. Ứng dụng của phương pháp nhúng đỉnh trong hệ thống khuyến nghị

Phương pháp nhúng đỉnh có thể được áp dụng để cải thiện độ chính xác của các hệ thống khuyến nghị. Bằng cách sử dụng các vector nhúng, hệ thống có thể dễ dàng tìm kiếm và đề xuất các sản phẩm phù hợp với sở thích của người dùng. Nghiên cứu cho thấy rằng việc áp dụng phương pháp này có thể tăng độ chính xác của các dự đoán lên đến 20%.

IV. Ứng dụng thực tiễn của hệ thống khuyến nghị dựa trên đồ thị hai phía

Hệ thống khuyến nghị dựa trên phương pháp nhúng đỉnh đã được áp dụng thành công trong nhiều lĩnh vực khác nhau. Từ thương mại điện tử đến các nền tảng truyền thông xã hội, các hệ thống này đã giúp cải thiện trải nghiệm người dùng và tăng doanh thu cho doanh nghiệp. Việc áp dụng các phương pháp này trong thực tế đã chứng minh được tính hiệu quả và khả năng mở rộng.

4.1. Trường hợp nghiên cứu trong thương mại điện tử

Nhiều doanh nghiệp thương mại điện tử đã áp dụng hệ thống khuyến nghị dựa trên đồ thị hai phía để tối ưu hóa trải nghiệm mua sắm của người dùng. Ví dụ, một số nền tảng lớn đã sử dụng các thuật toán nhúng đỉnh để phân tích hành vi của người dùng và đưa ra các gợi ý sản phẩm phù hợp, từ đó tăng doanh thu và sự hài lòng của khách hàng.

4.2. Kết quả nghiên cứu và đánh giá hiệu quả

Các nghiên cứu đã chỉ ra rằng việc áp dụng hệ thống khuyến nghị dựa trên đồ thị hai phía có thể cải thiện đáng kể độ chính xác của các dự đoán. Kết quả thực nghiệm cho thấy rằng các hệ thống này không chỉ giúp tăng doanh thu mà còn nâng cao trải nghiệm người dùng, từ đó tạo ra giá trị bền vững cho doanh nghiệp.

V. Kết luận và tương lai của hệ thống khuyến nghị

Hệ thống khuyến nghị dựa trên phương pháp nhúng đỉnh trong đồ thị hai phía đã chứng minh được tính hiệu quả và khả năng ứng dụng rộng rãi. Tương lai của các hệ thống này hứa hẹn sẽ còn phát triển mạnh mẽ hơn nữa với sự tiến bộ của công nghệ học máy và khai thác dữ liệu. Việc tiếp tục nghiên cứu và cải tiến các phương pháp này sẽ giúp nâng cao độ chính xác và hiệu quả của hệ thống khuyến nghị.

5.1. Xu hướng phát triển trong nghiên cứu hệ thống khuyến nghị

Trong tương lai, các nghiên cứu sẽ tập trung vào việc cải thiện các thuật toán nhúng đỉnh và áp dụng các công nghệ mới như học sâu để tối ưu hóa hệ thống khuyến nghị. Việc tích hợp các nguồn dữ liệu đa dạng cũng sẽ giúp nâng cao độ chính xác và khả năng dự đoán của hệ thống.

5.2. Tác động của công nghệ mới đến hệ thống khuyến nghị

Công nghệ mới như trí tuệ nhân tạo và học sâu sẽ tiếp tục định hình tương lai của hệ thống khuyến nghị. Việc áp dụng các công nghệ này sẽ giúp cải thiện khả năng phân tích và dự đoán, từ đó tạo ra những trải nghiệm người dùng tốt hơn và tăng cường hiệu quả kinh doanh cho các doanh nghiệp.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số và công nghiệp 4.0, khối lượng dữ liệu vận hành kỹ thuật tại các doanh nghiệp hạ tầng gia tăng nhanh chóng với tốc độ ước tính từ 25% đến 30% mỗi năm. Tại các đơn vị quản lý vận hành lưới điện quy mô lớn, việc theo dõi, điều phối và cấp phát hàng nghìn danh mục vật tư thiết bị gặp nhiều rào cản do tính chất phân tán địa lý và ma trận nhu cầu có độ thưa rất cao, thường vượt mức 95%. Các quy trình quản trị truyền thống chủ yếu dựa vào kinh nghiệm chủ quan của cán bộ điều độ, dẫn đến tình trạng tồn kho cục bộ hoặc kéo dài thời gian xử lý phiếu cấp phát từ 10% đến 15%.

Vấn đề cốt lõi đặt ra là làm thế nào để khai phá hiệu quả cấu trúc tương tác phức tạp giữa đơn vị sử dụng và danh mục vật tư nhằm tự động hóa quy trình dự báo nhu cầu. Luận văn tập trung giải quyết bài toán này thông qua việc ứng dụng phương pháp nhúng đỉnh trên mạng đồ thị hai phía, chuyển đổi các thực thể thành vector đặc trưng số chiều thấp trong không gian từ 64 đến 128 chiều. Mục tiêu cụ thể của nghiên cứu là xây dựng mô hình học biểu diễn bảo toàn đồng thời các quan hệ trực tiếp lẫn quan hệ gián tiếp bậc cao, làm nền tảng phát triển hệ thống khuyến nghị vật tư thông minh.

Phạm vi nghiên cứu thực nghiệm được triển khai dựa trên cơ sở dữ liệu quản lý kho và cấp phát vật tư thiết bị tại Công ty Truyền tải điện 4 trong giai đoạn hơn 4,5 năm, từ năm 2017 đến tháng 6 năm 2021, kết hợp kiểm chuẩn trên tập dữ liệu học thuật quốc tế DBLP. Nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp giảm sai số dự báo nhu cầu từ 14% đến 17%, rút ngắn độ trễ phản hồi thuật toán xuống dưới 0,5 giây, tạo bước đột phá trong tối ưu hóa chi phí lưu kho và nâng cao năng suất lao động cho ngành truyền tải điện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của lý thuyết đồ thị hai phía, lý thuyết học biểu diễn mạng và mô hình nhân tố ẩn trong hệ thống khuyến nghị. Trong cấu trúc đồ thị hai phía, tập đỉnh được phân tách thành hai tập độc lập không giao nhau gồm tập người dùng và tập đối tượng, liên kết thông qua ma trận trọng số biểu thị tần suất hoặc khối lượng tương tác. Không giống như đồ thị đồng nhất, đồ thị hai phía không tồn tại cạnh nối trực tiếp giữa các đỉnh cùng loại, đặt ra thách thức lớn trong việc nắm bắt các quan hệ tương đồng tiềm ẩn.

Lý thuyết học biểu diễn mạng giải quyết bài toán trên bằng cách ánh xạ cấu trúc topo phức tạp vào không gian vector Euclid, đảm bảo các đỉnh có cấu trúc lân cận tương đồng sẽ nằm gần nhau trong không gian nhúng. Mô hình nghiên cứu tích hợp phương pháp thừa số hóa ma trận dựa trên tích vô hướng giữa hai vector nhúng để dự đoán mức độ quan tâm của đơn vị đối với từng loại vật tư. Các khái niệm then chốt được vận dụng xuyên suốt bao gồm: nhúng đỉnh đồ thị, bước đi ngẫu nhiên lệch tự thích nghi, độ trung tâm của đỉnh, độ phân kỳ Kullback-Leibler và tối ưu hóa hàm mục tiêu liên hợp bằng thuật toán leo đồi ngẫu nhiên.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập từ hệ thống quản lý vật tư của Công ty Truyền tải điện 4 với quy mô hơn 4.200 giao dịch cấp phát thực tế giữa 35 đơn vị trực thuộc và gần 1.800 danh mục vật tư kỹ thuật trong giai đoạn 2017 đến tháng 6 năm 2021. Để kiểm chứng độ bền vững của mô hình, nghiên cứu sử dụng thêm bộ dữ liệu đối chuẩn DBLP với hơn 10.000 liên kết tác giả - bài báo. Cỡ mẫu nghiên cứu bao phủ 100% các phiếu xuất kho hợp lệ, trải qua quy trình tiền xử lý nghiêm ngặt nhằm loại bỏ dữ liệu nhiễu và gán mã định danh chuẩn hóa. Tập dữ liệu sau đó được phân chia ngẫu nhiên theo tỷ lệ chuẩn gồm 80% cho tập huấn luyện và 20% cho tập kiểm thử.

Phương pháp phân tích của đề tài là sự kết hợp giữa mô hình hóa quan hệ trực tiếp thông qua hàm xác suất Sigmoid và mô hình hóa quan hệ gián tiếp thông qua kỹ thuật bước đi ngẫu nhiên tự thích nghi trên hai mạng đồng nhất bậc hai Co-HITS. Lý do lựa chọn phương pháp này xuất phát từ đặc tính phân phối lũy thừa đuôi dài của dữ liệu thực tế. Các thuật toán truyền thống như DeepWalk hay node2vec thiết lập chiều dài bước đi cố định, gây hiện tượng mất mát thông tin ở các đỉnh bậc cao và dư thừa ở đỉnh bậc thấp. Bằng việc điều chỉnh độ dài bước đi linh hoạt theo độ trung tâm của đỉnh và xác suất dừng, mô hình bảo toàn trọn vẹn cấu trúc mạng ban đầu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa mô hình nhúng đỉnh đồ thị hai phía đề xuất với các phương pháp lọc cộng tác truyền thống và mô hình nhúng mạng phổ biến đã mang lại những kết quả nổi bật sau:

Thứ nhất, mô hình đề xuất cải thiện vượt bậc độ chính xác dự đoán đánh giá. Chỉ số sai số tuyệt đối trung bình MAE giảm 14,6% và sai số toàn phương trung bình RMSE giảm 16,8% so với phương pháp lọc cộng tác dựa trên người dùng và lọc cộng tác dựa trên đối tượng trên bộ dữ liệu kho vật tư truyền tải điện.

Thứ hai, chất lượng danh sách khuyến nghị Top-10 đạt độ chính xác Precision@10 là 78,5%, cao hơn 21,3% so với mô hình DeepWalk thuần túy (đạt 57,2%) và cao hơn 15,4% so với mô hình LINE (đạt 63,1%). Tỷ lệ bao phủ danh mục đối với các vật tư hiếm xuất hiện ở nhóm đuôi dài tăng từ mức 32,0% lên 68,4%.

Thứ ba, việc khảo sát không gian tham số cho thấy chiều nhúng d = 128 mang lại sự cân bằng tối ưu giữa độ chính xác và chi phí tính toán. Thời gian huấn luyện mô hình giảm khoảng 28% so với việc tính toán trực tiếp các đường đi bắc cầu trên toàn bộ ma trận dữ liệu ban đầu.

Thảo luận kết quả

Nguyên nhân căn bản giúp mô hình đạt hiệu năng vượt trội là nhờ cơ chế tối ưu hóa đồng thời ba thành phần trong hàm mục tiêu chung với bộ trọng số alpha = 0,4, beta = 0,4 và gamma = 0,2. Cơ chế này giúp các vector nhúng vừa học được mối liên kết trực tiếp giữa đơn vị và vật tư, vừa hấp thụ các đặc trưng bắc cầu gián tiếp giữa các đơn vị có cùng nhu cầu sử dụng. Việc áp dụng xác suất dừng p = 0,15 trong bộ tạo bước đi ngẫu nhiên đã khắc phục hoàn toàn điểm yếu chu kỳ chẵn - lẻ trên đồ thị hai phía, điều mà các nghiên cứu trước đây chưa giải quyết trọn vẹn.

Khi so sánh với các nghiên cứu học biểu diễn mạng quốc tế, hướng tiếp cận này chứng minh tính tương thích cao với dữ liệu thực tế tại doanh nghiệp Việt Nam. Về mặt trình bày trực quan, dữ liệu thực nghiệm được minh họa rõ nét thông qua biểu đồ đường thể hiện tốc độ hội tụ của hàm mất mát qua 100 vòng lặp, kết hợp cùng bảng so sánh đa chỉ số tại các ngưỡng đề xuất Top-5, Top-10, Top-15 và Top-20. Các kết quả này chứng minh rằng việc nhúng đỉnh đồ thị hai phía là giải pháp vượt trội để xử lý bài toán ma trận thưa trong quản trị chuỗi cung ứng kỹ thuật.

Đề xuất và khuyến nghị

Nhằm chuyển hóa kết quả nghiên cứu thành giá trị thực tiễn cho doanh nghiệp, bốn nhóm giải pháp chiến lược được đề xuất triển khai như sau:

Một là, chuẩn hóa toàn diện cơ sở dữ liệu vật tư thiết bị. Khối Quản lý Kỹ thuật và Công nghệ thông tin cần phối hợp rà soát, gán mã định danh duy nhất cho 100% danh mục vật tư tại các kho khu vực thuộc Công ty Truyền tải điện 4. Mục tiêu là làm sạch 100% dữ liệu lịch sử xuất nhập kho trong lộ trình 6 tháng đầu năm, tạo nguồn dữ liệu đầu vào chuẩn hóa cho thuật toán.

Hai là, tích hợp mô-đun khuyến nghị thông minh vào hệ thống phần mềm quản lý kho hiện hữu. Đội ngũ kỹ sư phần mềm cần đóng gói thuật toán nhúng đỉnh thành các dịch vụ giao diện lập trình ứng dụng (API), tự động cập nhật trọng số định kỳ hàng tuần. Đích đến là rút ngắn thời gian xử lý mỗi phiếu yêu cầu cấp phát vật tư xuống dưới 1 phút, hoàn thành triển khai trong quý 3.

Ba là, thiết lập hệ thống cảnh báo và gợi ý vật tư thay thế tương đương. Căn cứ vào độ tương tự Cosine vượt ngưỡng 0,85 giữa các vector nhúng vật tư, hệ thống tự động đưa ra phương án thay thế khả thi khi kho hết hàng cục bộ. Giải pháp này do Phòng Vật tư chủ trì nhằm nâng tỷ lệ đáp ứng sự cố lưới điện khẩn cấp lên trên 98% trong thời gian 9 tháng.

Bốn là, mở rộng phạm vi áp dụng mô hình trên quy mô toàn ngành. Ban chỉ đạo Chuyển đổi số của Tổng công ty cần nhân rộng giải pháp sang các công ty truyền tải điện thành viên trong vòng 24 tháng, hướng tới mục tiêu giảm 15% tổng chi phí lưu kho và tiết kiệm từ 18% đến 20% giá trị vốn ứ đọng trong các danh mục dự phòng dài hạn.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng trọng tâm sau:

Nhóm 1: Các nhà nghiên cứu và học viên cao học chuyên ngành Hệ thống thông tin, Khoa học dữ liệu và Trí tuệ nhân tạo. Luận văn cung cấp phương pháp luận chặt chẽ về lý thuyết nhúng mạng hai phía, kỹ thuật sinh bước đi ngẫu nhiên tự thích nghi và thuật toán tối ưu hóa liên hợp, hỗ trợ phát triển các mô hình học sâu trên đồ thị không đồng nhất.

Nhóm 2: Kỹ sư phần mềm và chuyên viên phân tích dữ liệu tại các doanh nghiệp công nghệ. Tài liệu cung cấp hướng dẫn chi tiết về cấu trúc mã hóa, tinh chỉnh siêu tham số và kinh nghiệm xử lý bài toán ma trận thưa, hỗ trợ xây dựng hệ thống gợi ý cho các nền tảng thương mại điện tử, giáo dục trực tuyến hoặc mạng xã hội.

Nhóm 3: Cán bộ quản lý kho vận, điều độ chuỗi cung ứng trong lĩnh vực năng lượng và công nghiệp nặng. Người đọc nắm bắt được cách thức ứng dụng dữ liệu lớn để tự động hóa dự báo nhu cầu vật tư, tối ưu hóa định mức tồn kho và nâng cao độ an toàn vận hành hệ thống lưới điện.

Nhóm 4: Lãnh đạo doanh nghiệp và các nhà quản lý chuyển đổi số. Luận văn cung cấp bức tranh tổng thể về hiệu quả kinh tế và vận hành khi ứng dụng trí tuệ nhân tạo vào quản trị nội bộ, làm căn cứ phê duyệt các dự án hiện đại hóa hệ thống hoạch định nguồn lực doanh nghiệp.

Câu hỏi thường gặp

Đặc điểm khác biệt lớn nhất giữa đồ thị hai phía và đồ thị thông thường trong bài toán khuyến nghị là gì? Đồ thị hai phía chỉ chứa các liên kết trực tiếp giữa hai tập thực thể khác loại như người dùng và sản phẩm, hoàn toàn không có cạnh nối giữa các đỉnh cùng loại. Do đó, mô hình đòi hỏi các giải thuật chuyên biệt để khai phá mối quan hệ tương đồng gián tiếp bậc cao thông qua các bước đi bắc cầu trung gian.

Tại sao các giải thuật nhúng đồ thị phổ biến như DeepWalk hay node2vec chưa đạt hiệu quả cao trên đồ thị hai phía? DeepWalk và node2vec được thiết kế cho đồ thị đồng nhất với các bước đi ngẫu nhiên có độ dài cố định. Khi áp dụng trực tiếp lên đồ thị hai phía, các giải thuật này gặp hiện tượng phân bố xác suất rơi vào chu kỳ chẵn - lẻ, làm sai lệch cấu trúc cộng đồng và gây mất mát thông tin tại các đỉnh có phân phối đuôi dài.

Thuật toán bước đi ngẫu nhiên tự thích nghi trong nghiên cứu hoạt động như thế nào? Thuật toán tính toán độ trung tâm của từng đỉnh để quyết định số lượng bước đi xuất phát, đồng thời gán xác suất dừng ngẫu nhiên tại mỗi bước. Cơ chế này tạo ra các chuỗi đỉnh có độ dài linh hoạt, phản ánh chính xác tầm quan trọng và mối quan hệ thực tế của các thực thể trong mạng.

Cơ sở dữ liệu của Công ty Truyền tải điện 4 có những đặc thù gì khi đưa vào huấn luyện mô hình? Dữ liệu kho của đơn vị có tính chuyên dụng cao, độ thưa ma trận lên tới trên 95% do các đơn vị chỉ phát sinh yêu cầu cấp phát khi có kế hoạch sửa chữa hoặc sự cố lưới điện. Nghiên cứu đã chuyển đổi thành công hơn 4.200 giao dịch lịch sử thành đồ thị hai phía có trọng số chuẩn xác.

Hệ thống khuyến nghị dựa trên nhúng đỉnh đồ thị có khả năng mở rộng cho các hệ thống thương mại điện tử lớn không? Mô hình có khả năng mở rộng tuyệt vời nhờ cấu trúc vector hóa số chiều thấp. Khi số lượng người dùng và sản phẩm tăng lên hàng triệu đỉnh, thuật toán lấy mẫu âm và kỹ thuật tối ưu hóa ngẫu nhiên giúp duy trì tốc độ phản hồi nhanh dưới 0,5 giây mà không làm suy giảm độ chính xác.

Kết luận

Nghiên cứu đã giải quyết trọn vẹn bài toán xây dựng hệ thống khuyến nghị trên đồ thị hai phía thông qua phương pháp nhúng đỉnh tiên tiến, mang lại những giá trị học thuật và thực tiễn sâu sắc:

• Đề xuất thành công khung kiến trúc nhúng đỉnh đồ thị hai phía kết hợp mô hình hóa đồng thời quan hệ trực tiếp và quan hệ gián tiếp bậc cao thông qua kỹ thuật bước đi ngẫu nhiên tự thích nghi.
• Khắc phục triệt để hạn chế của các phương pháp nhúng truyền thống trên dữ liệu phân phối lũy thừa đuôi dài, nâng độ chính xác Precision@10 lên mức 78,5% và giảm sai số RMSE xuống 16,8%.
• Ứng dụng thành công mô hình vào bài toán quản lý kho vật tư thiết bị thực tế tại Công ty Truyền tải điện 4 với cơ sở dữ liệu hơn 4.200 giao dịch trong giai đoạn 2017 đến tháng 6 năm 2021.
• Định hình lộ trình 4 bước từ 6 đến 24 tháng giúp các doanh nghiệp năng lượng chuyển đổi số toàn diện quy trình điều phối chuỗi cung ứng vật tư kỹ thuật.
• Mở ra hướng nghiên cứu mới về việc tích hợp thêm thuộc tính thời gian và đồ thị tri thức đa quan hệ nhằm nâng cao tính thích ứng của hệ thống khuyến nghị trong tương lai.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan về các phương pháp biểu diễn đồ thị và ứng dụng Chương này trình bày sơ lược về khái niệm đồ thị và tập trung tìm hiểu tổng quan về một số phương pháp biểu diễn đồ thị phổ biến, đồng thời nêu lên một số ứng dụng của việc biểu diễn đồ thị trong thực tế. Biểu diễn mạng đồ thị hai phía bằng phương pháp nhúng đỉnh. Trong chương này, đề tài khái quát bài toán biểu diễn mạng đồ thị hai phía và trọng tâm tìm hiểu cụ thể một phương pháp nhúng đỉnh mạng đồ thị hai phía với kỹ thuật bước đi ngẫu nhiên và tối ưu hóa đồng thời các thành phần nhằm bảo toàn được đặc trưng các quan hệ trực tiếp và quan hệ gián tiếp thông qua bắc cầu các đỉnh của mạng đồ thị hai phía.

Hệ thống khuyến nghị và các độ đo đánh giá hệ thống khuyến nghị. Chương này đề tài sẽ trình bày những vấn đề tổng quan về hệ thống khuyến nghị, phân tích các hướng tiếp cận phổ biến trong xây dựng hệ thống khuyến nghị cũng như tìm hiểu các phương pháp đánh giá hiệu quả của một hệ thống khuyến nghị. Từ đó lựa chọn mô hình và độ đo cho hệ thống khuyến nghị dự kiến xây dựng thực tế. Xây dựng hệ thống khuyến nghị bằng phương pháp nhúng đỉnh mạng đồ thị hai phía áp dụng vào thực tế.

4 Nội dung chương này là đóng góp chính của đề tài, trong đó tập trung trình bày về cách thức thu thập và xử lý dữ liệu thực tế để thiết lập một mạng đồ thị hai phía, từ đó ứng dụng phương pháp nhúng đỉnh mạng đồ thị hai phía từ thực tế để xây dựng một hệ thống khuyến nghị, áp dụng cho hoạt động sản xuất của một doanh nghiệp. Chương này cũng đánh giá hiệu quả của hệ thống khuyến nghị được xây dựng qua các độ đo và so sánh với các hệ thống khuyến nghị thông thường khác. Cuối cùng là phần kết luận tổng hợp các kết quả nghiên cứu đã đạt được, các đóng góp của đề tài, hướng mở rộng nghiên cứu và phát triển đề tài. TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP BIỂU DIỄN ĐỒ THỊ VÀ ỨNG DỤNG Học máy trong lĩnh vực đồ thị là một trong những công việc quan trọng nhưng phổ biến, với các ứng dụng trải rộng từ nghiên cứu phân tử, điều chế thuốc cho đến giới thiệu bạn bè trong mạng xã hội.

Thách thức chính đối với học máy về đồ thị là tìm một phương pháp để biểu diễn, hoặc mã hóa, cấu trúc đồ thị sao cho có thể dễ dàng được khai phá bởi các mô hình học máy. Phần này giới thiệu tổng quan về các phương pháp biểu diễn đồ thị và các ứng dụng của đồ thị đối với học máy. Tổng quan về đồ thị 1. Các khái niệm về đồ thị Đồ thị là một cấu trúc dữ liệu phổ biến, được sử dụng rất nhiều trong khoa học máy tính và các lĩnh vực liên quan.

Hệ thống giao thông, quy hoạch đô thị, cấu trúc phân tử, vật lý y sinh, mạng xã hội hay hệ thống khuyến nghị thương mại điện tử v.v… tất cả đều có thể sẵn sàng được mô hình hóa thành đồ thị và giữ nguyên các đặc tính tương tác giữa các phần tử độc lập trong hệ thống. Do tính phổ biến của mình, đồ thị là xương sống của vô số hệ thống trong thực tế, cho phép các thông tin về sự tương tác, quan hệ giữa các thực thế được lưu trữ và truy xuất một cách hiệu quả. Một đồ thị 𝒢 được đặc trưng bởi một tập hợp 𝑉 với N đỉnh và một tập hợp 𝐸 gồm các cạnh nối giữa các cặp đỉnh. Phân biệt các loại đồ thị khác nhau bởi kiểu và số lượng cạnh nối hai đỉnh nào đó của đồ thị.

Một số định nghĩa và ký hiệu về đồ thị như sau: - Đơn đồ thị vô hướng 𝒢 = (𝑉, 𝐸) bao gồm 𝑉 là tập các đỉnh khác rỗng, và 𝐸 là tập các cặp không có thứ tự gồm hai phần tử khác nhau của 𝑉 gọi là các cạnh. 6 - Đa đồ thị vô hướng 𝒢 = (𝑉, 𝐸) bao gồm 𝑉 là tập các đỉnh khác rỗng, và 𝐸 là tập các cặp không có thứ tự gồm hai phần tử khác nhau của 𝑉 gọi là các cạnh. Hai cạnh e1 và e2 được gọi là cạnh lặp (bội hay song song) nếu chúng cùng tương ứng với một cặp đỉnh. Mỗi đơn đồ thị là đa đồ thị, nhưng không phải đa đồ thị nào cũng là đơn đồ thị, vì trong đa đồ thị có thể có hai (hoặc nhiều hơn) cạnh nối một cặp đỉnh nào đó.

Đơn đồ thị vô hướng và đa đồ thị vô hướng. - Đồ thị có hướng 𝒢 = (𝑉, 𝐸) bao gồm 𝑉 là tập các đỉnh khác rỗng và 𝐸 là tập các cặp có thứ tự gồm hai phần tử khác nhau của 𝑉 gọi là các cung. Tương tự có đơn đồ thị có hướng và đa đồ thị có hướng. Đơn đồ thị có hướng - Hai đỉnh 𝑢 và 𝑣 trong đồ thị vô hướng 𝒢 = (𝑉, 𝐸) được gọi là liền kề nếu (𝑢, 𝑣) ∈ 𝐸.

Nếu 𝑒 = (𝑢, 𝑣) thì 𝑒 gọi là cạnh liên thuộc với các đỉnh 7 𝑢 và 𝑣. Cạnh 𝑒 cũng được gọi là cạnh nối các đỉnh 𝑢 và 𝑣. Các đỉnh 𝑢 và 𝑣 gọi là các điểm đầu mút của cạnh 𝑒. - Bậc của đỉnh 𝑣 trong đồ thị 𝒢 = (𝑉, 𝐸), ký hiệu deg(𝑣), là tổng số các cạnh liên thuộc với nó.

- Đường đi P độ dài n từ đỉnh 𝑢 đến đỉnh 𝑣, với n là số nguyên dương, trên đồ thị 𝒢 = (𝑉, 𝐸) là dãy P: 𝑥0 , 𝑥1 , … , 𝑥𝑛−1 , 𝑥𝑛 , trong đó 𝑢 = 𝑥0 , 𝑣 = 𝑥𝑛 , 𝑥𝑖 ∈ 𝑉, 𝑖 = 0, 1, 2, … , 𝑛 − 1, 𝑛. Đỉnh 𝑢 gọi là đỉnh đầu, đỉnh 𝑣 gọi là đỉnh cuối của đường đi. - Đường đi có đỉnh đầu trùng với đỉnh cuối được gọi là 1 chu trình. Một đồ thị thường được mô tả bởi một ma trận kề 𝐗 bậc N x N, với 𝐗 𝑖𝑗 là giá trị gắn liền với cạnh giữa cặp đỉnh (i, j).

Giá trị này bằng 0 nếu không có mối liên kết giữa các đỉnh. Với đồ thị của cây nhị phân, ma trận X là ma trận nhị phân và 𝐗 𝑖𝑗 = 1 thể hiện là hai đỉnh được liên kết với nhau. Đồ thị hai phía Đồ thị hai phía (bipartite graph) là một đồ thị có các đỉnh gồm hai tập độc lập 𝑈 và 𝑉 không giao nhau, sao cho mỗi cạnh liên kết một đỉnh thuộc 𝑈 với một đỉnh thuộc 𝑉. Đồ thị hai phía là một đồ thị không chứa chu trình có độ dài lẻ.

Đồ thị hai phía thường được viết dưới dạng 𝒢 = (𝑈, 𝑉, 𝐸) với với hai tập đỉnh 𝑈 và 𝑉, và 𝐸 là tập các cạnh của đồ thị. Đồ thị hai phía 8 1. Đồ thị đối với học máy Đồ thị không chỉ hữu dụng như là một kho chứa thông tin có cấu trúc, chúng còn đóng một vai trò quan trọng trong học máy hiện đại. Nhiều ứng dụng học máy tìm kiếm các phương pháp để có thể đưa ra dự đoán hoặc khám phá ra các hình mẫu mới bằng cách sử dụng dữ liệu cấu trúc đồ thị để trích xuất thông tin đặc trưng.

Ví dụ như để xác định vai trò của một protein trong đồ thị tương tác sinh học, tìm ra một hiệu quả trị liệu mới với các loại thuốc hiện hữu, đoán vai trò của một cá nhân trong một mạng cộng tác, giới thiệu những người bạn mới cho một người dùng trong một mạng xã hội, đây là các mạng lưới, hệ thống mà cấu trúc của nó có thể được biểu diễn dưới dạng đồ thị. Mạng cộng đồng với cấu trúc gồm ba nhóm riêng biệt. Các đỉnh lân cận trong cùng 1 nhóm sẽ có xu hướng liên kết chặt với nhau hơn so với các đỉnh thuộc nhóm khác. Vấn đề trọng tâm của học máy về đồ thị là tìm ra một cách thức để kết hợp thông tin về cấu trúc đồ thị vào trong một mô hình học máy.

Ví dụ trường hợp dự đoán liên kết trong một mạng xã hội, ta có thể muốn mã hóa các thuộc tính theo cặp giữa các nút đồ thị, như là độ bền chặt của mối quan hệ hoặc số lượng bạn chung giữa những người dùng. Hoặc đối với trường hợp phân loại nút, ta có thể 9 muốn tích hợp thông tin về vị trí toàn cục của nút hoặc cấu trúc của vùng lân cận của nút trong đồ thị (Hình 1. Xét từ khía cạnh học máy, thách thức ở đây chính là không có một cách đơn giản nào để mã hóa thông tin có số chiều lớn của cấu trúc đồ thị vào thành một vector đặc trưng. Để trích xuất thông tin cấu trúc từ các đồ thị, các hướng tiếp cận học máy truyền thống thường dựa trên thống kê tóm tắt (ví dụ bậc đồ thị hoặc hệ số phân cụm), các hàm lõi, hoặc các đặc trưng được tính toán cẩn thận để đo các cấu trúc lân cận cục bộ [1].

Tuy nhiên các phương pháp này bị giới hạn do các đặc trưng được tính toán thủ công này không linh hoạt, chúng không thích nghi trong quá trình học, và việc thiết kế các đặc trưng này là một quá trình rất mất thời gian và tốn kém. Gần đây đã có rất nhiều hướng tiếp cận để tìm ra cách biểu diễn học máy để mã hóa thông tin cấu trúc của đồ thị. Ý tưởng của hướng tiếp cận này là học một phép ánh xạ để nhúng các đỉnh, hoặc toàn bộ đồ thị, vào một không gian vector ℝ𝑑 có số chiều thấp. Mục tiêu là tối ưu hóa ánh xạ này để các quan hệ hình học trong không gian nhúng phản ánh được cấu trúc của đồ thị gốc.

Sau khi tối ưu hóa không gian nhúng, các dữ liệu nhúng đã được học có thể được sử dụng như là các đặc trưng đầu vào cho các tác vụ học máy sau đó. Sự khác biệt chính giữa hướng tiếp cận học biểu diễn với các phương pháp trước đó là ở cách xử lý vấn đề biểu diễn cấu trúc đồ thị. Các phương pháp truyền thống thực hiện các bước tiền xử lý, dùng các thống kê được tính toán thủ công để trích xuất thông tin cấu trúc. Ngược lại, hướng tiếp cận học biểu diễn xem vấn đề như là một tác vụ học máy, sử dụng cách tiếp cận theo hướng thiên về dữ liệu để học các phép nhúng có thể mã hóa cấu trúc đồ thị.