Báo Cáo Đề Tài Hệ Thống Tư Vấn Món Ăn Dựa Trên Thói Quen Và Đánh Giá Của Khách Hàng

Hệ thống tư vấn món ăn dựa trên thói quen khách hàng là một công cụ hữu ích giúp người dùng tìm… 53 trang · Học viện Công nghệ Bưu chính Viễn thông · 2022.

• Tác giả: Hoàng Tăng Khải
• Người hướng dẫn: PGS.TS Trần Đình Quế
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Hệ Thống Tư Vấn Món Ăn Dựa Trên Thói Quen Khách Hàng
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• NHẬN XÉT, ĐÁNH GIÁ, CHO ĐIỂM (CỦA GIẢNG VIÊN HƯỚNG DẪN)
• NHẬN XÉT, ĐÁNH GIÁ, CHO ĐIỂM (CỦA GIẢNG VIÊN PHẢN BIỆN)
• MỤC LỤC
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: XÁC ĐỊNH BÀI TOÁN
• 1.1. Giới thiệu về hệ thống tư vấn
• 1.2. Các phương pháp tư vấn
• 1.3. Bài toán tổng quát của hệ thống tư vấn
• 1.4. Phương pháp sử dụng dữ liệu tư vấn
• 1.5. Một số ứng dụng thực tế của hệ thống tư vấn
• 2. CHƯƠNG 2: HỆ THỐNG TƯ VẤN
• 2.1. Thuật toán phân tích suy biến (Singular Value Decomposition)
• 2.2. Thử nghiệm đánh giá
• 3. CHƯƠNG 3: PHÁT TRIỂN ỨNG DỤNG XEM CÔNG THỨC NẤU ĂN
• 3.1. Phân tích, thiết kế và xây dựng hệ thống
• 3.2. Biểu đồ ca sử dụng và kịch bản các chức năng
• 3.3. Biểu đồ trạng thái và biểu đồ lớp thiết kế
• 3.4. Một số giao diện minh họa của ứng dụng
• 3.5. Hướng phát triển
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC VIẾT TẮT

Tóm tắt

I. Tổng quan về hệ thống tư vấn món ăn dựa trên thói quen khách hàng

Hệ thống tư vấn món ăn dựa trên thói quen khách hàng là một công cụ hữu ích giúp người dùng tìm kiếm và lựa chọn món ăn phù hợp với sở thích cá nhân. Hệ thống này không chỉ đơn thuần là gợi ý món ăn mà còn phân tích thói quen ăn uống của khách hàng để đưa ra những lựa chọn tối ưu nhất. Việc áp dụng công nghệ vào lĩnh vực ẩm thực đang ngày càng trở nên phổ biến, giúp người dùng tiết kiệm thời gian và nâng cao trải nghiệm ẩm thực.

1.1. Khái niệm về hệ thống tư vấn món ăn

Hệ thống tư vấn món ăn là một ứng dụng sử dụng công nghệ để phân tích và gợi ý món ăn dựa trên sở thích và thói quen ăn uống của người dùng. Hệ thống này thường sử dụng các thuật toán học máy để cải thiện độ chính xác của các gợi ý.

1.2. Tại sao cần hệ thống tư vấn món ăn

Hệ thống tư vấn món ăn giúp người dùng dễ dàng tìm kiếm món ăn mới lạ, phù hợp với khẩu vị của mình. Nó cũng giúp giảm thiểu thời gian tìm kiếm và nâng cao sự hài lòng của khách hàng trong việc lựa chọn món ăn.

II. Vấn đề và thách thức trong việc tư vấn món ăn

Mặc dù hệ thống tư vấn món ăn mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức cần giải quyết. Một trong những vấn đề lớn nhất là việc thu thập và phân tích dữ liệu thói quen ăn uống của khách hàng. Dữ liệu này thường không đầy đủ và có thể gây khó khăn trong việc đưa ra gợi ý chính xác.

2.1. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu thói quen ăn uống của khách hàng gặp nhiều khó khăn do tính chất riêng tư của thông tin. Nhiều khách hàng không muốn chia sẻ thông tin cá nhân, điều này ảnh hưởng đến độ chính xác của hệ thống.

2.2. Vấn đề dữ liệu thưa trong hệ thống

Dữ liệu thưa là một vấn đề phổ biến trong các hệ thống tư vấn. Khi số lượng người dùng và món ăn tăng lên, việc có đủ dữ liệu để đưa ra gợi ý chính xác trở nên khó khăn hơn.

III. Phương pháp chính trong hệ thống tư vấn món ăn

Để giải quyết các vấn đề trên, nhiều phương pháp đã được áp dụng trong hệ thống tư vấn món ăn. Các phương pháp này bao gồm lọc cộng tác, lọc nội dung và phương pháp lai ghép. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Lọc cộng tác trong tư vấn món ăn

Lọc cộng tác là phương pháp dựa trên đánh giá của người dùng khác để đưa ra gợi ý. Phương pháp này có thể hoạt động hiệu quả khi có đủ dữ liệu từ nhiều người dùng.

3.2. Lọc nội dung và ứng dụng của nó

Lọc nội dung dựa trên thông tin mô tả món ăn và sở thích của người dùng. Phương pháp này giúp gợi ý những món ăn tương tự với những món đã được người dùng yêu thích.

3.3. Phương pháp lai ghép trong hệ thống tư vấn

Phương pháp lai ghép kết hợp cả lọc cộng tác và lọc nội dung, giúp cải thiện độ chính xác của gợi ý. Phương pháp này tận dụng ưu điểm của cả hai phương pháp để đưa ra gợi ý tốt nhất cho người dùng.

IV. Ứng dụng thực tiễn của hệ thống tư vấn món ăn

Hệ thống tư vấn món ăn đã được áp dụng trong nhiều ứng dụng thực tiễn, từ các trang web ẩm thực đến các ứng dụng di động. Những ứng dụng này không chỉ giúp người dùng tìm kiếm món ăn mà còn tạo ra trải nghiệm ẩm thực phong phú hơn.

4.1. Ứng dụng trong ngành ẩm thực

Nhiều nhà hàng và quán ăn đã áp dụng hệ thống tư vấn món ăn để cải thiện dịch vụ khách hàng. Hệ thống này giúp khách hàng dễ dàng tìm kiếm món ăn phù hợp với khẩu vị của họ.

4.2. Kết quả nghiên cứu về hiệu quả của hệ thống

Nghiên cứu cho thấy rằng việc sử dụng hệ thống tư vấn món ăn giúp tăng cường sự hài lòng của khách hàng và tăng doanh thu cho các nhà hàng. Khách hàng có xu hướng quay lại nhiều hơn khi họ nhận được gợi ý chính xác.

V. Kết luận và tương lai của hệ thống tư vấn món ăn

Hệ thống tư vấn món ăn dựa trên thói quen khách hàng đang ngày càng trở nên quan trọng trong ngành ẩm thực. Với sự phát triển của công nghệ, hệ thống này hứa hẹn sẽ mang lại nhiều giá trị hơn cho người dùng trong tương lai.

5.1. Tương lai của hệ thống tư vấn món ăn

Trong tương lai, hệ thống tư vấn món ăn sẽ tiếp tục phát triển với sự hỗ trợ của trí tuệ nhân tạo và học máy. Điều này sẽ giúp cải thiện độ chính xác và khả năng cá nhân hóa của các gợi ý.

5.2. Những thách thức cần vượt qua

Mặc dù có nhiều tiềm năng, nhưng hệ thống tư vấn món ăn vẫn phải đối mặt với nhiều thách thức như bảo mật dữ liệu và sự chấp nhận của người dùng. Việc giải quyết những vấn đề này sẽ quyết định sự thành công của hệ thống trong tương lai.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong đời sống thường nhật, ăn uống là nhu cầu thiết yếu nhằm cung cấp năng lượng và duy trì hoạt động của con người. Cùng với sự phát triển của xã hội, số lượng công thức nấu ăn ngày càng trở nên đa dạng với vô số nguyên liệu và phương thức chế biến khác nhau. Thực tế này dẫn đến tình trạng người dùng gặp nhiều khó khăn trong việc tìm kiếm và lựa chọn những món ăn vừa mới lạ vừa phù hợp với khẩu vị cá nhân. Tác giả chỉ ra rằng đa số mọi người có xu hướng chọn lại các món ăn quen thuộc, dễ nấu và ngại thử sức với các món mới. Câu hỏi "Hôm nay ăn gì?" trở thành nỗi băn khoăn thường trực, thậm chí khiến một bộ phận không nhỏ giới trẻ lựa chọn bỏ bữa do mệt mỏi trong quá trình chọn lựa thực đơn.

Để giải quyết bài toán bùng nổ thông tin và hỗ trợ người dùng ra quyết định, hệ thống tư vấn (Recommender System - RS) đóng vai trò định hướng các dữ liệu phù hợp từ nguồn thông tin khổng lồ chưa có trật tự. Đồ án xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể như sau:

1. Nghiên cứu tổng quan về hệ thống tư vấn, các mô hình tiếp cận phổ biến và phân tích bài toán khuyến nghị trong thực tế.
2. Nghiên cứu cơ sở toán học và cơ chế hoạt động của thuật toán phân tích suy biến (Singular Value Decomposition - SVD) thuộc nhóm phân rã ma trận (Matrix Factorization) để giải quyết bài toán dữ liệu thưa trong lọc cộng tác.
3. Thực nghiệm đánh giá thuật toán SVD trên tập dữ liệu công thức nấu ăn thực tế để xác định sai số dự đoán.
4. Phân tích, thiết kế và xây dựng ứng dụng di động hỗ trợ người dùng tra cứu công thức nấu ăn và tự động gợi ý món ăn dựa trên thói quen, chế độ dinh dưỡng và lịch sử đánh giá.

Đối tượng nghiên cứu của đồ án là thuật toán phân tích suy biến SVD ứng dụng trong kỹ thuật lọc cộng tác và hệ thống tư vấn món ăn trên thiết bị di động. Phạm vi không gian và thời gian của dữ liệu thực nghiệm được giới hạn trên tập dữ liệu tương tác thực tế từ nền tảng Food.com (tập dữ liệu ghi nhận trong 18 năm với hơn 180.000 công thức và hơn 1.000.000 lượt tương tác).

Cơ sở lý thuyết và phương pháp

Đồ án tổng hợp ba hướng tiếp cận chính trong hệ thống tư vấn:

• Lọc dựa trên nội dung (Content-based filtering): Khuyến nghị sản phẩm dựa trên sự tương đồng về đặc tính giữa sản phẩm mới và sản phẩm người dùng từng đánh giá cao trong quá khứ. Phương pháp này có ưu điểm là không phụ thuộc vào số lượng người dùng lớn, nhưng tồn tại nhược điểm là quá tập trung chuyên ngành (over-specialization) và gặp khó khăn trong việc trích chọn đặc trưng đối với dữ liệu đa phương tiện.
• Lọc cộng tác (Collaborative filtering - CF): Dự đoán sở thích của một người dùng dựa trên phản hồi của những người dùng khác có cùng thị hiếu. CF bao gồm hai nhóm: dựa trên bộ nhớ (memory-based) và dựa trên mô hình (model-based). Ưu điểm của CF là tính toán nhanh, không cần mô tả thuộc tính nội dung tường minh. Tuy nhiên, phương pháp này gặp phải ba hạn chế lớn: vấn đề người dùng mới (New User Problem), vấn đề sản phẩm mới (New Item Problem) và vấn đề dữ liệu thưa (Sparsity Data Problem).
• Phương pháp lai ghép (Hybrid): Kết hợp hai phương pháp trên nhằm bổ trợ khiếm khuyết cho nhau.

Để giải quyết tình trạng ma trận đánh giá bị thưa và giảm số chiều dữ liệu, tác giả sử dụng thuật toán phân tích suy biến SVD (do Gene Golub và William Kahan giới thiệu năm 1965). Về mặt toán học, một ma trận thực $A_{m \times n}$ được phân tích thành tích của ba ma trận: $$A_{m \times n} = U_{m \times m} \Sigma_{m \times n} (V_{n \times n})^T$$ Trong đó, $U$ và $V$ là các ma trận trực giao; $\Sigma$ là ma trận đường chéo chứa các giá trị suy biến (singular values) $\sigma_1 \ge \sigma_2 \ge \dots \ge \sigma_r > 0$, với $r = \text{rank}(A)$. Bản chất các giá trị $\sigma_i$ chính là căn bậc hai của các trị riêng của ma trận nửa xác định dương $A A^T$ (thu được từ phép phân rã phổ Eigen Decomposition $A A^T = U \Sigma \Sigma^T U^{-1}$).

Về mặt hình học, phép biến đổi SVD trải qua ba giai đoạn: xoay không gian (nhân với ma trận trực giao $U$), co giãn độ lớn các chiều theo các trị riêng trên đường chéo chính (nhân với ma trận $\Sigma$) và xoay không gian một lần nữa (nhân với ma trận chuyển vị $V^T$). Để tối ưu hóa chi phí tính toán và không gian lưu trữ trên ma trận lớn, tác giả trình bày hai biến thể:

• Compact SVD: Chỉ giữ lại $r$ cột đầu tiên của $U$, $V$ và ma trận con $\Sigma_r$ bậc $r \times r$ tương ứng với các trị riêng khác 0 ($A = U_r \Sigma_r V_r^T$).
• Truncated SVD: Giữ lại $k < r$ giá trị suy biến lớn nhất để xấp xỉ ma trận $A \approx A_k = U_k \Sigma_k V_k^T$. Sai số chuẩn Frobenius giữa ma trận gốc $A$ và ma trận xấp xỉ $A_k$ được xác định theo định lý: $$|A - A_k|F^2 = \sum{i=k+1}^n \sigma_i^2$$ Đây đồng thời là nghiệm tối ưu của bài toán Best low-rank Approximation nhằm tìm ma trận hạng $k$ xấp xỉ tốt nhất với ma trận gốc theo chuẩn Frobenius.

Khi áp dụng vào hệ thống tư vấn món ăn, SVD trích xuất các tính chất ẩn (latent features) liên kết giữa người dùng và món ăn (chẳng hạn như nhóm nguyên liệu, lượng calo, hoặc các đặc tính kết hợp). Món ăn được biểu diễn bằng vector $x$, người dùng được mô tả bằng vector $w$. Dự báo mức độ yêu thích được tính thông qua tích vô hướng $x \cdot w$.

Nguồn dữ liệu thực nghiệm được lấy từ bộ dữ liệu công khai Food.com Recipes and Interactions, gồm hai tệp dữ liệu chính: RAW_interactions.csv (chứa các trường user_id, recipe_id, date, rating, review) và RAW_recipes.csv (chứa thông tin chi tiết về món ăn).

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình kiến trúc phân tán gồm ba thành phần độc lập:

• Client: Ứng dụng di động hoạt động trên hệ điều hành Android, có nhiệm vụ tiếp nhận thao tác của người dùng, hiển thị danh sách món ăn, chi tiết công thức, bảng dinh dưỡng và gửi các đánh giá, thông tin đăng ký lên hệ thống máy chủ.
• Database: Hệ quản trị cơ sở dữ liệu quan hệ chịu trách nhiệm lưu trữ thông tin tài khoản, danh mục món ăn, công thức nấu và toàn bộ lịch sử xếp hạng của người dùng.
• RecSys: Thành phần dịch vụ phân tích được triển khai dưới dạng một Web Service API. RecSys sử dụng dữ liệu đánh giá từ Database để huấn luyện mô hình dự đoán bằng thuật toán SVD, sau đó tiếp nhận các truy vấn đề xuất từ Client và trả về danh sách mã món ăn phù hợp nhất.

Mô hình dữ liệu quan hệ của hệ thống bao gồm ba thực thể nòng cốt:

Tên bảng	Trường dữ liệu	Kiểu dữ liệu	Mô tả
Account	user_id email username password diet	int varchar(100) varchar(100) varchar(100) int	Khóa chính, mã định danh người dùng Địa chỉ thư điện tử Tên đăng nhập hệ thống Mật khẩu xác thực Chế độ ăn (ăn chay hoặc ăn mặn)
Receipt	Receipt_id Contributor_id name submitted ingredients_id steps_id nutrition_id food_type	int int varchar(50) date int int int int	Khóa chính, mã định danh công thức Mã người dùng đóng góp công thức Tên món ăn Thời gian gửi công thức Mã liên kết bảng nguyên liệu Mã liên kết bảng các bước thực hiện Mã liên kết bảng thành phần dinh dưỡng Phân loại món ăn (món chay hoặc món mặn)
Rating	rating_id user_id receipt_id rating date review	int int int int date varchar(255)	Khóa chính, mã định danh đánh giá Khóa ngoại, mã người dùng đánh giá Khóa ngoại, mã công thức được đánh giá Điểm xếp hạng từ 1 đến 5 sao Thời điểm thực hiện đánh giá Nội dung nhận xét chi tiết

Kiến trúc phần mềm phía ứng dụng di động được phân tách thành các tầng giao diện (View: ActivityLogin, ActivityHome, ActivityRecipeDetail, ActivityRating), tầng điều khiển (Controller: AccountController, RecipeController, RatingController), tầng truy xuất dữ liệu (DAO: AccountDAO, RecipeDAO, RatingDAO) và tầng mô hình nghiệp vụ (Model: Account, Profile, Recipe, Rating, Nutrition, Ingredient, Step).

Quy trình xử lý logic của các ca sử dụng chính:

• Đăng ký và Đăng nhập: Khi đăng ký, người dùng khai báo thông tin cá nhân kèm chế độ ăn (diet: Non-Veg hoặc Veg) để hệ thống lọc các gợi ý ban đầu. Khi đăng nhập thành công, nếu là người dùng mới (chưa có dữ liệu đánh giá), hệ thống sẽ truy vấn danh sách các món ăn phổ biến nhất (được nhiều người đánh giá nhất) từ cơ sở dữ liệu để hiển thị lên màn hình chính (ActivityHome).
• Xem chi tiết công thức: Giao diện ActivityRecipeDetail thể hiện đầy đủ các chỉ số dinh dưỡng (Calories, Total Fat, Sugar, Sodium, Protein, Saturated Fat, Carbohydrates), danh sách nguyên liệu (Ingredients), các bước thao tác (Instructions) và danh sách phản hồi từ các thành viên khác.
• Đánh giá và Cập nhật tư vấn: Người dùng gửi đánh giá từ 1 đến 5 sao kèm bình luận thông qua ActivityRating. Nếu người dùng bỏ trống điểm và nhận xét, hệ thống tự động gán giá trị mặc định là 5 sao. Dữ liệu đánh giá mới lập tức được lưu vào cơ sở dữ liệu để RecSys tính toán lại vector đặc trưng, từ đó cập nhật các gợi ý tương đồng cho các phiên truy cập tiếp theo.

Nội dung chính theo từng chương

Chương 1: Xác định bài toán

Chương này khái quát hóa bài toán khuyến nghị thông tin trong kỷ nguyên số. Tác giả phân tích mô hình toán học tổng quát của hệ thống tư vấn với tập người dùng $U$, tập sản phẩm $I$ và tập tương tác $D = {u, i, r_{ui}}$, trong đó mục tiêu cốt lõi là ước lượng giá trị đánh giá kỳ vọng $\hat{r}_{ni}$ của người dùng $u_n$ đối với sản phẩm chưa từng trải nghiệm $i_m$. Dữ liệu đầu vào được phân loại thành dữ liệu rõ ràng (explicit data như điểm số đánh giá, hồ sơ người dùng) và dữ liệu ẩn (implicit data như hành vi xem, lịch sử thao tác).

Để làm rõ giá trị thực tiễn, chương 1 phân tích các hệ thống tư vấn quy mô lớn:

• Netflix: Phục vụ hơn 208 triệu người dùng tại hơn 190 quốc gia với kho phim 13.000 tác phẩm; đội ngũ kỹ sư thiết lập cơ chế tái tính toán thuật toán cá nhân hóa theo chu kỳ 24 giờ một lần.
• YouTube: Quản lý hơn 1 tỷ người dùng, giải quyết bài toán dữ liệu tải lên liên tục và chất lượng siêu dữ liệu kém bằng phương pháp lan truyền từ video hạt giống (seed video) kết hợp ba nhóm tín hiệu xếp hạng (chất lượng video, đặc trưng người dùng, đa dạng hóa); các video khuyến nghị chiếm khoảng 60% tổng số nhấp chuột trên trang chủ.
• Amazon: Tăng khoảng 35% doanh thu thông qua tích hợp gợi ý xuyên suốt hành trình mua hàng, áp dụng thuật toán lọc cộng tác giữa các sản phẩm (item-to-item collaborative filtering) nhằm xử lý bài toán đuôi dài (Long-tail) và học cách xếp hạng (learning to rank).

Từ các cơ sở trên, tác giả xác định mục tiêu xây dựng hệ thống tư vấn món ăn nhằm loại bỏ sự băn khoăn khi lựa chọn thực đơn, hỗ trợ người dùng lọc món ăn theo khẩu vị và chế độ ăn.

Chương 2: Hệ thống tư vấn

Chương 2 tập trung đi sâu vào cơ sở lý thuyết giải thuật và tiến hành thử nghiệm mô hình toán học. Tác giả chứng minh chi tiết các tính chất của SVD, nguồn gốc tên gọi từ phép phân rã phổ của ma trận hiệp phương sai $AA^T$, cơ chế co giãn không gian qua ma trận đường chéo $\Sigma$ và định lý tối ưu hóa chuẩn sai số Frobenius khi cắt tỉa số chiều (Truncated SVD).

Nội dung trọng tâm của chương là quá trình thực nghiệm đánh giá thuật toán SVD trên tập dữ liệu Food.com:

• Môi trường thử nghiệm phần cứng: Vi xử lý Intel Core i7, bộ nhớ trong RAM 16 GB, kiến trúc hệ điều hành 64-bit.
• Môi trường phần mềm: Ngôn ngữ lập trình Python 3.5, môi trường phát triển Visual Studio Code, hệ điều hành Microsoft Windows 10, kết hợp các thư viện đại số tuyến tính numpy và thư viện học máy scikit-learn.
• Tiền xử lý dữ liệu: Để đảm bảo mật độ đánh giá đủ cho thuật toán học các đặc trưng ẩn, tác giả tiến hành lọc dữ liệu từ tệp RAW_interactions.csv, chỉ giữ lại phản hồi của những người dùng có từ 50 lượt nhận xét trở lên. Tập dữ liệu sau lọc ghi nhận 606.866 lượt đánh giá của 2.755 người dùng.
• Cấu trúc ma trận: Dữ liệu huấn luyện và kiểm thử được chuyển đổi thành ma trận đánh giá người dùng - công thức có kích thước $2.755 \times 186.021$.

Chỉ số đánh giá độ chính xác được lựa chọn là sai số bình phương trung bình (Root Mean Square Error - RMSE): $$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{u,i} (r_{ui} - \hat{r}{ui})^2}$$ Trong đó $r{ui}$ là điểm đánh giá thực tế, $\hat{r}_{ui}$ là giá trị dự đoán do mô hình sinh ra và $n$ là tổng số lượt dự đoán. Kết quả thử nghiệm cho thấy mô hình đạt sai số rất thấp và sai số giảm dần khi tham số số chiều ẩn $k$ tăng lên.

Chương 3: Phát triển ứng dụng xem công thức nấu ăn

Chương 3 trình bày toàn bộ quá trình hiện thực hóa mô hình toán học thành sản phẩm phần mềm hoàn chỉnh. Tác giả xây dựng các sơ đồ thiết kế hệ thống theo chuẩn UML bao gồm: biểu đồ ca sử dụng tổng quát (Use Case Diagram), kịch bản chi tiết cho 4 chức năng cốt lõi (Đăng ký, Đăng nhập, Xem công thức món ăn, Đánh giá công thức món ăn), biểu đồ trạng thái (State Machine Diagram) mô tả các nhánh rẽ dữ liệu hợp lệ/không hợp lệ, biểu đồ lớp thiết kế chi tiết (Class Diagram) ánh xạ quan hệ giữa các tầng trong ứng dụng và các biểu đồ tuần tự (Sequence Diagram).

Phần cuối của chương trình bày các giao diện thực tế của ứng dụng trên thiết bị di động:

• Giao diện đăng nhập và đăng ký: Tiếp nhận thông tin xác thực và tùy chọn chế độ ăn chay/mặn (diet).
• Giao diện chính (Recipe Recommend): Liệt kê danh sách các món ăn được hệ thống tư vấn kèm hình ảnh minh họa, điểm đánh giá trung bình và số lượng người nhận xét.
• Giao diện chi tiết công thức (Recipe Detail): Thể hiện định lượng dinh dưỡng chuẩn hóa, thành phần nguyên liệu, hướng dẫn nhiệt độ nấu (ví dụ: làm nóng lò ở 350°F) cùng lịch sử đánh giá của cộng đồng.
• Giao diện đánh giá (Rating): Cho phép người dùng chấm điểm sao trực quan và nhập ý kiến nhận xét.

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả cụ thể về mặt tính toán và phát triển ứng dụng:

Lần thử nghiệm	Tham số số chiều ẩn ($k$)	Sai số bình phương trung bình (RMSE)
1	10	0.0023
2	20	Giảm so với $k=10$
3	50	Giảm so với $k=20$
4	100	Đạt giá trị thấp nhất trong dải thử nghiệm

Dựa trên kết quả thực nghiệm, tác giả lựa chọn cấu hình $k = 100$ để tích hợp vào hệ thống nhằm khai thác tối đa sự tương đồng giữa các đặc trưng ẩn của món ăn và thị hiếu người dùng.

Các đóng góp chính được tác giả tự xác định bao gồm:

• Hệ thống hóa cơ sở lý thuyết về bài toán phân rã ma trận trong hệ thống tư vấn, đặc biệt là việc chứng minh và áp dụng các định lý giảm chiều Truncated SVD để xử lý ma trận đánh giá thưa.
• Thử nghiệm thành công mô hình SVD trên tập dữ liệu tương tác thực tế quy mô lớn của Food.com, chứng minh tính khả thi của thuật toán với chỉ số sai số dự đoán rất nhỏ.
• Triển khai thành công kiến trúc tích hợp giữa mô hình học máy dạng Web Service API với ứng dụng di động Android, cung cấp giải pháp tra cứu và gợi ý món ăn có tính cá nhân hóa dựa trên thói quen ăn uống và điểm đánh giá thực tế.

Hạn chế và hướng nghiên cứu tiếp

Văn bản đồ án ghi nhận các hạn chế và hướng mở phát triển kỹ thuật như sau:

• Hạn chế: Kỹ thuật phân rã ma trận SVD yêu cầu tính toán lại trên toàn bộ ma trận khi có lượng dữ liệu đánh giá mới phát sinh, đòi hỏi chi phí tài nguyên máy tính đáng kể nếu mở rộng hệ thống trong môi trường thời gian thực. Bên cạnh đó, các trường hợp người dùng mới hoặc công thức mới đưa vào hệ thống vẫn phải phụ thuộc vào danh mục phổ biến mà chưa thể cá nhân hóa sâu ngay từ đầu.
• Hướng nghiên cứu tiếp: Tiếp tục tối ưu hóa thuật toán để tăng tốc độ xử lý khi quy mô dữ liệu mở rộng; hoàn thiện các mô hình cập nhật ma trận trực tuyến (online matrix factorization); phát triển thêm các tính năng tương tác chuyên sâu trên ứng dụng di động nhằm thu thập dữ liệu hành vi ẩn đa dạng hơn.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên chuyên ngành Công nghệ thông tin, Kỹ thuật phần mềm và Khoa học dữ liệu đang thực hiện các khóa luận tốt nghiệp liên quan đến hệ thống khuyến nghị (Recommender Systems). Cụ thể:

• Phần cơ sở toán học ở chương 2 cung cấp tài liệu giải thích chi tiết, chặt chẽ về phép biến đổi hình học SVD, phép phân rã phổ Eigen Decomposition và các định lý xấp xỉ ma trận hạng thấp (low-rank approximation).
• Các kỹ sư phần mềm có thể tham khảo mô hình kiến trúc phân tầng kết nối giữa ứng dụng di động Android với dịch vụ phân tích học máy thông qua API, cùng hệ thống đặc tả biểu đồ tuần tự, biểu đồ lớp và kịch bản ca sử dụng được trình bày đầy đủ ở chương 3.

Câu hỏi thường gặp

1. Tác giả đã sử dụng tập dữ liệu nào để thử nghiệm thuật toán SVD và kích thước ma trận huấn luyện là bao nhiêu? Tác giả sử dụng tập dữ liệu Food.com Recipes and Interactions (gồm hơn 180.000 công thức và hơn 1.000.000 đánh giá). Sau khi lọc những người dùng có trên 50 lượt nhận xét, tập dữ liệu thực nghiệm còn lại 606.866 lượt đánh giá từ 2.755 người dùng, tạo thành ma trận đánh giá có kích thước $2.755 \times 186.021$.

2. Kết quả sai số RMSE của mô hình SVD đạt mức bao nhiêu trong các thử nghiệm? Tại giá trị tham số $k = 10$, sai số RMSE ghi nhận trong bảng số liệu là 0.0023. Khi tăng dần các mốc $k$ lên 20, 50 và 100, biểu đồ kết quả thử nghiệm cho thấy sai số RMSE tiếp tục giảm dần, và tác giả chọn mốc $k = 100$ để áp dụng vào hệ thống gợi ý.

3. Hệ thống xử lý bài toán "người dùng mới" (khi chưa có lịch sử đánh giá) như thế nào? Khi người dùng đăng nhập lần đầu tiên và chưa tạo bất kỳ đánh giá nào, ứng dụng sẽ tự động truy vấn và đề xuất các món ăn phổ biến nhất (những công thức có số lượt đánh giá nhiều nhất trong cơ sở dữ liệu), kết hợp lọc theo chế độ ăn (ăn chay hoặc ăn mặn) mà người dùng đã khai báo lúc đăng ký.

4. Môi trường phần cứng và phần mềm cụ thể được sử dụng để chạy thử nghiệm thuật toán là gì? Thử nghiệm được thực hiện trên máy tính trang bị vi xử lý Intel Core i7, RAM 16 GB, hệ điều hành Windows 10 64-bit; mã nguồn thuật toán viết bằng ngôn ngữ Python 3.5 trong môi trường VS Code, sử dụng hai thư viện đại số và học máy là numpy và sklearn.

5. Nếu người dùng gửi đánh giá nhưng bỏ trống số sao và nhận xét thì hệ thống xử lý ra sao? Theo kịch bản ca sử dụng đánh giá công thức, trong luồng ngoại lệ khi người dùng bỏ trống nhận xét và điểm số, ứng dụng sẽ tự động gán giá trị mặc định là 5 sao và không yêu cầu bổ sung nhận xét văn bản trước khi lưu vào cơ sở dữ liệu.

Kết luận

Đồ án tốt nghiệp của sinh viên Hoàng Tăng Khải đã giải quyết trọn vẹn bài toán tư vấn món ăn thông qua việc kết hợp giữa giải thuật phân tích suy biến SVD và mô hình ứng dụng di động phân tán. Bằng việc phân rã ma trận đánh giá trên tập dữ liệu Food.com, nghiên cứu đã chứng minh hiệu quả giảm chiều dữ liệu và đạt sai số dự đoán RMSE thấp ở các mức tham số $k$ khác nhau. Hệ thống phần mềm được thiết kế bài bản theo quy trình kỹ thuật phần mềm, tạo nên một giải pháp hoàn chỉnh từ khâu phân tích dữ liệu, tính toán thuật toán đến giao diện người dùng thực tế.

Trích đoạn nội dung tài liệu

Chương 1: Xác định bài toán. Trình bày ý tưởng và nội dung tổng quan của hệ thống tư vấn. Chương 2: Hệ thống tư vấn. Trình bày và phân tích thuật toán sử dụng trong đồ án cũng như thử nghiệm đánh giá thuật toán sử dụng Chương 3: Phát triển ứng dụng.

Trình bày quá trình phát triển ứng dụng với sử dụng mô hình đã được thử nghiệm ở chương 2 HOANG TANG KHẢI - B17DCCN335 2 DO AN TOT NGHIỆP ĐẠI HOC Chương | CHUONG 1 XÁC ĐỊNH BÀI TOÁN Trong chương này, đồ án sẽ giới thiệu về hệ thống tư vấn và khái quát về hệ thong tư van. Đồng thời trình bay và phân tích ý tưởng áp dụng hệ thống tư vấn cho việc tư vấn món ăn 1. Giới thiệu về hệ thống tư vấn 1. Các phương pháp tư vẫn Có rat nhiều cách dé tư van, ước lượng hang/diém cho các sản phâm nhờ sử dụng học máy, lý thuyết xấp xỉ, các thuật toán dựa trên kinh nghiệm.

Các hệ thống tư vấn thường được phân ba loại dựa trên cách nó dùng để ước lượng hạng của sản phẩm: - Dựa trên nội dung (content-based): người dùng được tư vấn những sản phẩm tương tự như các sản pham từng được họ đánh giá cao. - Cộng tac (collaborative): người dùng được tư van những sản phâm mà những người cùng sở thích với họ đánh giá cao. - Lai ghép (hybrid): kết hợp cả phương pháp dựa trên. Phương pháp tư van dựa trên nội dung Hệ tư vấn dựa trên lọc nội dung là mô hình tư vấn thực hiện dựa trên việc so sánh nội dung thông tin mô tả sản phâm, nhằm tìm ra các sản pham tương tự với những sản phẩm mà người dùng đã từng quan tâm dé giới thiệu cho họ những sản phẩm này.

Ví dụ, trong hệ tư vấn phim, hệ thống sẽ tìm ra các đặc tính chung của các phim như diễn viên, đạo diễn, thé loại mà người đã đánh giá cao trong quá khứ dé giới thiệu các phim có đặc tính tương tự mà người dùng chưa xem. Các phương pháp tiếp cận cho mô hình tư vấn dựa trên lọc nội dung có nguồn gốc từ lĩnh vực truy van thông tin, trong đó mỗi sản phẩm được biểu diễn bằng một hồ sơ sản phẩm, mỗi người dùng được biểu diễn bằng một hồ sơ người dùng. Các phương pháp dự đoán của mô hình này thực hiện dựa vào việc xem xét các hô sơ sản phâm có mức độ phù hợp cao với hô sơ người dùng. HOANG TANG KHẢI - B17DCCN335 3 DO AN TOT NGHIỆP ĐẠI HOC Chương | Phương pháp tư van dựa vào nội có một điểm mạnh sau: phương pháp không yêu cầu số lượng người dùng lớn; dựa vào thông tin có sẵn đề thực hiện tư vẫn các sản phẩm mới.

Tuy nhiên, phương pháp này còn chứa một dãy nhược điểm sau: Quá ứập trung chuyên ngành - hệ tư vấn dựa trên lọc nội dung có khuynh hướng giới thiệu các sản phẩm có sự tương đồng với các sản pham mà người dùng đã mua hoặc xếp hạng cao. Ví dụ, một người dùng thường xem những bộ phim siêu anh hùng sẽ khó tiếp cận đến những bộ phim thuộc thê loại khác; Van đề trích chọn đặc trưng - hệ tư van dựa trên lọc nội dung kế thừa và phát triển chủ yếu dựa vào các phương pháp trích chọn đặc trưng trong lĩnh vực truy van thông tin. Dé có một tập các đặc trưng day đủ, các thuộc tinh sản phẩm và hồ sơ người dùng phải được biểu diễn đưới dạng phù hợp dé máy tinh có thê tự động phân tích, tính toán trọng số các đặc trưng nội dung. Vấn đề này sẽ càng khó khăn hơn khi phải trích chọn các đặc trưng nội dung cho các đối tượng đữ liệu đa phương tiện như hình ảnh, âm thanh hay dịch vụ.

Phương pháp tư van dựa trên lọc cộng tác Hệ tư van dựa trên lọc cộng tác (collaborative filtering) đã được ứng dụng thành công trong nhiều ứng dụng thương mại điện tử như Amazon , Netflix, Youtube,. Nó là một trong những giải pháp hiệu quả dé giải quyết van dé bùng né thông tin cho các hệ thống trực tuyến nơi mà số lượng người dùng tăng lên rất nhanh. Hệ tư vấn dựa trên lọc cộng tác giới thiệu các sản phẩm cho người dùng cụ thé dựa trên sự tương đồng của các sản pham đã được xếp hạng bởi các người dùng khác. Hệ thống tìm các sản pham cho các người dùng khác mà họ có cùng sở thích với người dùng cần tư vấn.

Ví dụ, trong hệ thống lọc cộng tác giới thiệu phim cho người dùng, hệ thống tìm nhóm người dùng trong quá khứ có cùng sở thích với người dùng cần tư vấn. Sau đó, hệ thống giới thiệu các phim 10 được đánh giá cao bởi nhóm người dùng này cho người dùng cần tư vấn. Hệ tư vấn dựa trên lọc cộng tác được phân chia thành hai nhóm: - Nhóm dựa trên bộ nhớ: Các hệ tư vân thuộc nhóm này sử dụng toàn bộ các sản phẩm được xếp hạng đề sinh ra kết quả tư vấn hoặc dự đoán. HOANG TANG KHẢI - B17DCCN335 4 DO AN TOT NGHIỆP ĐẠI HOC Chương | - Nhóm dựa trên mô hình: Các hệ tu van thuộc nhóm nay cho phép hệ thống học cách nhận dạng mẫu trong tập dữ liệu đề sinh ra kết quả tư vấn hoặc dự đoán.

Phương pháp tư vấn dựa vào lọc cộng tác có ưu điểm: việc tính toán tương đối đơn giản, nhanh chóng và hiệu quả trong quá trình tư van. Bởi vì hệ này không yêu cầu mô tả nội dung một cách tường minh mà chỉ dựa vào sự đánh giá của người dùng dé ước lượng xem có bao nhiêu người dùng đồng ý và không đồng ý. Tuy nhiên, phương pháp nay tồn tại các nhược điểm sau: Vấn đề người dùng mới (New User Problem)- Giỗng như hệ tư vấn dựa trên lọc nội dung, để tìm chính xác các sản phẩm người dùng quan tâm, hệ tư vấn dựa trên lọc cộng tác phải ước lượng được sở thích của người dùng đối với các sản phâm mới thông qua những đánh giá của ho trong quá khứ. Trong trường hợp một người dùng mới, chưa có bất cứ đánh giá nào cho các sản phẩm, khi đó hệ thống không thé đưa ra những kết quả tư van chính xác cho người dùng này; Vấn dé sản phẩm mới (New Item Problem)- trong hệ thông thương mại điện tử, các sản phâm thường xuyên được bồ sung mới.

Một sản phẩm mới sẽ không có bat cứ đánh giá nào của người dùng cho sản phẩm này. Do đó, hệ thống không thể tư vấn sản phâm này cho bất kỳ người dùng nào trong hệ thống; Van đề dữ liệu thưa (Sparsity Data Problem)- kết qua dự đoán của hệ tư vấn dựa trên lọc cộng tác phụ thuộc chủ yếu vào các đánh giá của người dùng đối với các sản phẩm trong quá khứ (ma trận xếp hạng của người dùng cho các sản phẩm). Tuy nhiên, trong các hệ thống thực tế, số lượng người dùng và số lượng sản phẩm là rất lớn (hàng triệu người dùng và hàng nghìn sản phẩm), nhưng mỗi người dùng chỉ đánh giá trên một số sản phẩm mà họ quan tâm và mỗi sản phẩm chỉ được đánh giá bởi một nhóm người dùng. Vì thế ma trận xếp hạng của người dùng cho các sản phẩm luôn là một ma trận dữ liệu thưa.

Phương pháp tư vấn lai Một hệ thong lai la su két hop hai kỹ thuật lọc nội dung va lọc cộng tác va cố gang sử dụng ưu điểm của mỗi kỹ thuật dé hỗ trợ cho những thiếu sót của kỹ thuật kia. Ví dụ, phương pháp lọc cộng tác gặp vẫn đề với các sản phẩm mới, nó không có thể tư vân đôi với các sản phâm mà không có xêp hạng. Tuy nhiên việc này lại đơn giản đôi HOANG TANG KHẢI - B17DCCN335 5 DO AN TOT NGHIỆP ĐẠI HOC Chương | với phương pháp tiếp cận dựa trên nội dung khi việc dự đoán cho các sản phẩm mới dựa trên thông tin của người dùng là tính năng có sẵn và khá dễ dàng. Với hai (hoặc nhiều) kỹ thuật tư vấn cơ bản, một số cách đã được đề xuất cho việc kết hợp chúng để tạo ra một hệ thống lai mới.

Bài toán tổng quát của hệ thống tư van Từ nhưng doanh nghiệp lớn đến các người buôn bán nhỏ lẻ luôn tự mình đặt ra những câu hỏi như: “Làm sao dé bán được nhiều hàng?”, “Làm sao dé khách hàng hai lòng với những sản phẩm của mình?”. Van đề quyết định cho câu trả lời trên chính là quảng cáo và tư vân sản phâm đên với người tiêu dùng. Hiện nay, các hệ thống có hiển thị quảng cáo trên internet đa phần đều tích hợp hệ thống tư vấn dé thúc đây doanh thu và kiếm được nhiều khách hàng hơn. Dé làm được điều đó hệ thống tư van sử dụng các thuật toán phân tích, dự đoán dựa trên dữ liệu hành vi người dùng được lưu lại.

Nhờ đó mà quảng cáo mang tính cá nhân hóa tới cho người dùng. Hệ thống sẽ biết chính xác từng người sử dụng có nhu cầu gì, muốn mua gi, xem gì dé đưa ra tư van. Trước khi đi vào bài toán, ta cần biết đến 2 thuật ngữ được sử dụng chủ yếu đó là: người dùng (user) và sản pham (item). Thứ nhất, người dùng ở đây là người sử dụng hệ thống dé thực hiện các thao tác mua bán, giao dịch, xem, đánh giá.

Thứ hai, khái niệm sản phẩm là mặt hàng được giao bán, video, bộ phim, bản nhạc, món ăn. Trong hầu hết các hệ thống tư van, dữ liệu được dé dưới dang đánh giá của người dùng về sản phẩm. Bài toán được đặt ra như sau: Với các dữ liệu tập người dùng U, tập các sản phẩm I và tập dữ liệu D = {u, I, ?„;}, trong đó, u €U, 1€ I, 7,; là đánh giá của người dùng u cho sản phẩm i. Can dự đoán đánh giá sản phẩm của một người dùng thứ n nao đó u,, cho sản phâm i, HOANG TANG KHẢI - B17DCCN335 6 DO AN TOT NGHIỆP ĐẠI HOC Chương | L, eee L, U, “ vee An u, ly 2 eee J2 n U, ly o eee Fan Hình 1.1: Ma trận đánh giá của người dùng Bài toán tư vấn được coi là bài toán ước lượng hang (rating) của các sản pham chưa được người dùng đánh giá, xem xét.

Việc ước lượng này thường được dựa trên những đánh giá đã có của chính người dùng đó hoặc nhưng người dùng khác. Nhưng sản phẩm được xếp hạng cao nhất sẽ được sử dụng đề tư vấn khi người dùng sử dụng hệ thống. Phương pháp sử dung dữ liệu tư van Dé giải quyết bài toán tư van, có nhiều phương pháp như đã trình bay ở trên.