Hệ thống khuyến nghị sản phẩm bằng máy học trong kỹ thuật viễn thông

LỜI CẢM ƠN

TÓM TẮT LUẬN VĂN THẠC SĨ

LỜI CAM ĐOAN CỦA TÁC GIẢ LUẬN VĂN

1. CHƯƠNG 1: MỞ ĐẦU

1.1. Lý do chọn đề tài

1.2. Mục đích nghiên cứu

1.3. Đối tượng và phạm vi nghiên cứu

1.4. Phương pháp nghiên cứu

1.5. Ý nghĩa khoa học và thực tiễn

1.5.1. Ý nghĩa khoa học

1.5.2. Ý nghĩa thực tiễn

2. CHƯƠNG 2: TỔNG QUAN

2.1. Giới thiệu về ngôn ngữ python

2.2. Khái niệm về dữ liệu. Khái niệm và quy trình thực hiện khoa học dữ liệu

2.3. Các tiêu chí đánh giá mô hình thuật toán

2.4. Các thuật toán áp dụng để xây dựng mô hình

2.5. Tình trạng nghiên cứu

2.5.1. Business Understanding – Xác định vấn đề kinh doanh

2.5.2. Data Requirements – Phân tích yêu cầu dữ liệu

2.5.3. Data collection – Thu thập dữ liệu

2.5.4. Data preprocessing and analysis – Tiền xử lý và phân tích dữ liệu

2.5.5. Modeling, Algorithms – Thuật toán và mô hình hoá

2.5.6. Data product - Sản phẩm dữ liệu

2.5.7. Communication – Giao tiếp với môi trường

3. CHƯƠNG 3: NỘI DUNG THỰC HIỆN

3.1. Công cụ thu thập tập dữ liệu

3.2. Trích xuất dữ liệu từ Web Api

3.3. Tìm hiểu, phân tích và xử lý dữ liệu

3.3.1. Đọc và tìm hiểu dữ liệu

3.3.2. Phân tích, xử lý dữ liệu trùng, dữ liệu thiếu, dữ liệu ngoại lai

3.3.3. Xử lý dữ liệu văn bản ngôn ngữ tự nhiên tiếng việt

3.4. Phương pháp tiếp cận

3.5. Hệ thống dựa trên nội dung (content-based systems)

3.6. Mô hình máy học sử dụng trong luận văn

3.7. Trực quan hóa dữ liệu

3.8. Thực hiện mô hình hóa, thông số của mô hình và nhận xét

3.9. SVD với thư viện Surprise

3.10. Thực hiện xây dựng GUI - web ứng dụng

3.11. Triển khai ứng dụng Streamlit

3.12. Trình bày đánh giá và bàn luận về kết quả

3.12.1. So sánh các chỉ số tương đồng của Gensim và Cosine

3.12.2. So sánh RMSE và MAE của 2 thuật toán ALS và SVD - Surprise

3.12.3. So sánh kết quả với công trình khác

3.12.4. So sánh 2 nhóm thuật toán Content-based system và Collaborative Filtering

4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

TÀI LIỆU THAM KHẢO

PHỤ LỤC HÌNH

I. Giới thiệu về hệ thống khuyến nghị

Hệ thống khuyến nghị sản phẩm bằng máy học là một công cụ quan trọng trong ngành thương mại điện tử, giúp tối ưu hóa trải nghiệm người dùng và tăng doanh thu cho doanh nghiệp. Các hệ thống này hoạt động dựa trên việc phân tích dữ liệu từ hành vi người dùng, từ đó đưa ra những gợi ý sản phẩm phù hợp. Nhờ vào sự phát triển của máy học, các thuật toán phức tạp như thuật toán Cosine, Gensim, và ALS (Alternating Least Squares) được áp dụng để cải thiện độ chính xác của các gợi ý. Điều này không chỉ giúp người tiêu dùng dễ dàng tìm thấy sản phẩm mà họ cần mà còn tạo ra giá trị cho các doanh nghiệp qua việc tăng cường mức độ tương tác và doanh thu.

1.1. Vai trò của hệ thống khuyến nghị trong thương mại điện tử

Trong bối cảnh thương mại điện tử ngày càng phát triển, hệ thống khuyến nghị trở thành một phần không thể thiếu. Hệ thống này giúp cá nhân hóa trải nghiệm mua sắm của người tiêu dùng bằng cách phân tích dữ liệu mua sắm trước đó và đưa ra các gợi ý sản phẩm phù hợp. Theo nghiên cứu, việc áp dụng hệ thống khuyến nghị có thể tăng tỷ lệ chuyển đổi và doanh thu cho các trang thương mại điện tử. Điều này cho thấy tầm quan trọng của việc phát triển các giải pháp máy học để tối ưu hóa quy trình này.

II. Phân tích dữ liệu và xây dựng mô hình

Quá trình xây dựng hệ thống khuyến nghị bắt đầu bằng việc thu thập và phân tích dữ liệu. Dữ liệu sản phẩm và phản hồi của người tiêu dùng được thu thập từ các nguồn khác nhau, sau đó được xử lý để loại bỏ những thông tin không cần thiết. Việc sử dụng các phương pháp phân tích dữ liệu như trí tuệ nhân tạo và học sâu giúp cải thiện độ chính xác của mô hình. Các thuật toán như Content-Based Filtering và Collaborative Filtering được áp dụng để xây dựng mô hình khuyến nghị. Việc đánh giá mô hình thông qua các chỉ số như Mức độ tương đồng và Căn bậc hai của trung bình bình phương sai số (RMSE) là rất cần thiết để đảm bảo rằng hệ thống hoạt động hiệu quả.

2.1. Thu thập và xử lý dữ liệu

Quá trình thu thập dữ liệu bao gồm việc lấy thông tin từ các trang thương mại điện tử và các nguồn dữ liệu khác. Sau khi thu thập, dữ liệu cần được xử lý để loại bỏ những dữ liệu lỗi hoặc không chính xác. Việc xử lý dữ liệu văn bản cũng rất quan trọng, đặc biệt là trong việc phân tích phản hồi của người tiêu dùng. Các kỹ thuật như xử lý ngôn ngữ tự nhiên (NLP) được áp dụng để cải thiện chất lượng dữ liệu đầu vào cho mô hình. Điều này không chỉ giúp tăng cường độ chính xác của các gợi ý mà còn nâng cao trải nghiệm người dùng.

III. Triển khai ứng dụng và đánh giá kết quả

Sau khi xây dựng mô hình, bước tiếp theo là triển khai ứng dụng để người tiêu dùng có thể tương tác trực tiếp với hệ thống. Việc sử dụng Streamlit để tạo ra giao diện người dùng giúp tối ưu hóa trải nghiệm khách hàng. Đánh giá kết quả của hệ thống khuyến nghị là rất quan trọng, với các chỉ số như RMSE và MAE (Mean Absolute Error) được sử dụng để đo lường hiệu quả của mô hình. Qua đó, các doanh nghiệp có thể điều chỉnh và cải thiện hệ thống khuyến nghị để đáp ứng tốt hơn nhu cầu của người tiêu dùng.

3.1. So sánh hiệu suất của các thuật toán

Việc so sánh hiệu suất của các thuật toán như Gensim, Cosine, và ALS là cần thiết để xác định phương pháp nào hoạt động tốt nhất trong bối cảnh cụ thể. Các chỉ số hiệu suất như Mức độ tương đồng và RMSE giúp đánh giá độ chính xác của các gợi ý sản phẩm. Kết quả cho thấy rằng mỗi thuật toán có những ưu điểm và nhược điểm riêng, và việc lựa chọn thuật toán phù hợp có thể mang lại lợi ích lớn cho hệ thống khuyến nghị.

Luận văn thạc sĩ: Hệ thống khuyến nghị sản phẩm sử dụng máy học trong kỹ thuật viễn thông