I. Giới thiệu chung
Trong bối cảnh công nghệ thông tin phát triển nhanh chóng, hệ thống khuyến nghị đã trở thành một công cụ quan trọng giúp các nhà cung cấp dịch vụ hiểu rõ hơn về nhu cầu và sở thích của người dùng. Hệ thống khuyến nghị không chỉ giúp tối ưu hóa doanh thu mà còn nâng cao trải nghiệm người dùng. Đặc biệt, bài toán khuyến nghị theo phiên (Session-based Recommendation) đã thu hút sự chú ý lớn nhờ vào khả năng xử lý dữ liệu tuần tự của các mô hình học sâu như Graph Neural Network (GNN). Luận văn này nghiên cứu việc ứng dụng GNN trong việc xây dựng hệ thống khuyến nghị, nhằm cải thiện độ chính xác và hiệu quả của các gợi ý sản phẩm trong các phiên hoạt động của người dùng.
1.1. Mô tả Bài toán khuyến nghị theo phiên
Bài toán khuyến nghị theo phiên tập trung vào việc dự đoán sản phẩm tiếp theo mà người dùng có khả năng quan tâm dựa trên các hành vi tương tác trước đó. Hệ thống khuyến nghị sẽ phân tích hành vi của người dùng trong một khoảng thời gian ngắn để đưa ra gợi ý chính xác hơn. Đặc điểm quan trọng nhất của bài toán này là tính ngắn hạn và tính tuần tự của các hành vi tương tác. Việc khai thác thông tin từ các phiên hoạt động giúp hệ thống khuyến nghị có thể đưa ra các gợi ý phù hợp hơn với nhu cầu thực tế của người dùng tại thời điểm đó.
II. Cơ sở lý thuyết
Chương này sẽ tổng hợp các lý thuyết và mô hình liên quan đến hệ thống khuyến nghị, đặc biệt là các phương pháp sử dụng Graph Neural Network. Mô hình GNN cho phép biểu diễn các phiên hoạt động dưới dạng đồ thị, từ đó khai thác mối quan hệ giữa các sản phẩm một cách hiệu quả. Cơ chế học sâu và các mô hình như Mạng nơ ron nhân tạo (ANN) và Mạng nơ ron hồi tiếp (RNN) cũng sẽ được phân tích để hiểu rõ hơn về cách thức hoạt động của hệ thống khuyến nghị. Việc áp dụng GNN trong hệ thống khuyến nghị không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa quá trình học tập của mô hình.
2.1. Mô hình Graph Neural Network
Mô hình Graph Neural Network (GNN) cho phép xử lý dữ liệu dưới dạng đồ thị, giúp khai thác các mối quan hệ phức tạp giữa các sản phẩm trong một phiên hoạt động. GNN có khả năng học hỏi từ cấu trúc đồ thị, từ đó tạo ra các đại diện cho sản phẩm dựa trên các kết nối của chúng. Điều này cực kỳ quan trọng trong bài toán khuyến nghị theo phiên, nơi mà mối quan hệ giữa các sản phẩm có thể ảnh hưởng lớn đến quyết định của người dùng. GNN không chỉ nâng cao khả năng dự đoán mà còn hỗ trợ việc tối ưu hóa quá trình tìm kiếm và đề xuất sản phẩm.
III. Mô hình đề xuất
Luận văn đề xuất hai mô hình cải tiến cho hệ thống khuyến nghị dựa trên GNN. Mô hình đầu tiên tập trung vào việc bổ sung thông tin về mức độ yêu thích của người dùng dựa trên thời gian tương tác với sản phẩm. Mô hình thứ hai sử dụng cơ chế Self-Attention để cải thiện khả năng học của mô hình. Cả hai mô hình này đều được kiểm nghiệm trên các tập dữ liệu thực tế, cho thấy sự cải thiện đáng kể về độ chính xác của các gợi ý sản phẩm. Điều này chứng tỏ rằng việc tích hợp thời gian và mối quan hệ giữa các sản phẩm có thể giúp hệ thống khuyến nghị hoạt động hiệu quả hơn.
3.1. Đề xuất 1 Đánh giá lại mức độ quan tâm
Đề xuất đầu tiên là cải thiện độ chính xác của hệ thống khuyến nghị bằng cách đánh giá lại mức độ quan tâm của người dùng dựa trên thời gian mà họ dành cho từng sản phẩm. Việc này giúp mô hình hiểu rõ hơn về sở thích thực sự của người dùng trong một phiên hoạt động, từ đó đưa ra các gợi ý phù hợp hơn. Kết quả thực nghiệm cho thấy rằng việc bổ sung yếu tố thời gian đã giúp cải thiện đáng kể độ chính xác của mô hình.
IV. Kết quả thực nghiệm và thảo luận
Kết quả thực nghiệm từ các mô hình đề xuất cho thấy rằng việc sử dụng Graph Neural Network trong hệ thống khuyến nghị đã mang lại những kết quả ấn tượng. Các mô hình đã được kiểm tra trên ba tập dữ liệu khác nhau và đều cho thấy sự cải thiện về độ chính xác so với các mô hình truyền thống. Điều này chứng tỏ rằng GNN có thể khai thác tốt hơn các mối quan hệ phức tạp giữa các sản phẩm, từ đó cải thiện chất lượng gợi ý cho người dùng. Hơn nữa, việc áp dụng cơ chế Self-Attention cũng giúp mô hình tăng cường khả năng học hỏi từ dữ liệu, tạo ra các gợi ý chính xác hơn.
4.1. Hạn chế và vấn đề tồn đọng
Dù đạt được nhiều kết quả khả quan, luận văn cũng chỉ ra một số hạn chế trong nghiên cứu. Một trong những vấn đề tồn đọng là việc khai thác thông tin từ các phiên hoạt động có thể gặp khó khăn khi dữ liệu không đầy đủ hoặc không chính xác. Hơn nữa, việc mở rộng mô hình để áp dụng cho các lĩnh vực khác cũng cần được xem xét. Nghiên cứu trong tương lai có thể tìm kiếm giải pháp cho những vấn đề này nhằm nâng cao hiệu quả của hệ thống khuyến nghị.
