đặt vấn đề dẫn nhập lý do chọn đề tài, mục tiêu, nội dung, nghiên cứu, giới han và bố cục đồ án. s* Chương 2: Cơ sở lý thuyết Giới thiệu về một số khái niệm chung về hệ khuyến nghị, những phương thức được sử dụng trong hệ khuyến nghị như: lọc công tác, thuật toán SVD, mạng nơ-ron kết hợp với lọc cộng tác. s* Chương 3: Phân tích thiết kế Xây dựng sơ đồ khối, lưu đồ, sơ đồ ERD của dữ liệu được lưu trữ trên server va mô tả các bảng của dit liệu (nếu có). s Chương 4: Cài đặt, thử nghiệm mô hình khuyến nghị và xây dựng website minh họa.
s Chương 5: Kết luận và hướng phát triển Các kết quả đạt được khi thực hiện chương trình, phân tích, nhận xét, đánh giá kết quả thu được. Tom tắt những kết quả đạt được, những hạn chế và nêu lên các hướng phát triển trong tương lai. Một số khái niệm chung về hệ khuyến nghị "21 Hệ khuyến nghị (Recommender System viết tắt là RS) là hệ thống sử dụng các kỹ thuật và công cụ phần mềm xử lý dữ liệu người dùng và dữ liệu về sản phâm nhằm đáp ứng nhu cầu của người dùng về một sản phẩm hoặc dịch vụ nào đó. Trên cơ sở thông tin trong quá khứ về hành vi của người dùng, hệ thống thực hiện khai phá thông tin về sở thích, thị hiếu tiêu dùng từ đó đưa ra những đề xuất dé hỗ trợ người dùng đưa Ta quyết định lựa chọn sản phẩm, dịch vụ đáp ứng đúng sở thích của mình Mat hang (Item) là thuật ngữ chung dé chỉ những gì người dùng có tương tác trong hệ khuyến nghị.
Item có thé là sách, phim, truyện, tin tức. Thông thường hệ khuyến nghị sẽ được xây dựng phù hợp với một loại hình sản phẩm nhất định để đảm bảo hiệu qua đề xuất cho Item đó. Trên thực tế dé thu thập dữ liệu Hồ sơ người dùng (User profile), người ta thường sử dụng theo hai phương pháp chính là phương pháp phản hoi tường minh (explicit feedback) và phương pháp phan hoi ẩn (implicit feedback). Déi với phương pháp phản hồi tường minh, hệ thống yêu cầu người dùng thực hiện xếp hang cụ thé cho từng Item để xây dựng hỗ sơ người ding.
Phương pháp này cung cấp dữ liệu người dùng trực tiếp cho hệ khuyến nghị (không phải thực hiện các công đoạn biến đổi trung gian) và kết quả đề xuất được đánh giá là đáng tin cậy hơn cả. Tuy được cho là đem lại kết quả đề xuất đáng tin cậy hơn nhưng phương pháp này yêu cầu người dùng phải thực hiện thêm một số thao tác với hệ thống, do đó trong một số trường hợp làm giảm trải nghiệm người dùng. Bên cạnh đó, tâm lý chung của người dùng không muốn chia sẻ quá nhiều thông tin mang tính chất riêng tư do đó làm cho phương thức thu thập phản hồi tường minh thường gặp khó khăn trong quá trình triển khai thực tế. Nhằm khắc phục mặt hạn chế của phương pháp thu thập phản hồi tường minh, phương pháp thu thập phản hồi 4n ghi nhận những dấu vết mà người dùng để lại trên hệ thông như lịch sử mua hàng, lịch sử truy cập website, thời gian xem một trang web, số lần click chuột vào các siêu liên kết,.
để suy luận thông tin về sở thích của người dùng. Phương pháp này giúp cải thiện trải nghiệm của người dùng đối với hệ thống tuy nhiên khả năng mô tả sở thích của người dùng được cho là không tốt bằng phương pháp phản hồi tường minh do hệ thống phải thực hiện các khâu biến đổi trung gian để trích xuất thông tin từ hành vi của người dùng. Ma trận tương tác Người dàng — Sản phẩm (Utility Matrix/User — Item matrix) là một cơ sở dữ liệu mô tả sở thích của mỗi User với từng Item trong hệ thống. Về mặt hình thức, cơ sở dữ liệu này có thể biểu diễn dưới dang ma trận trong đó mỗi hàng tương ứng với một User, mỗi cột tương ứng với một Item, giá trị tai mỗi ô của ma trận chính là giá tri rating cua User cho Item đó.1: Ma trận tương tác Người dùng — San Phẩm.
Mặt hàng I Mặt hàng2 Mặt hàng 3 Mặt hàng n Người dùng 1 1 3 2 ? Người dùng 2 2 ? 1 " 3 Người dùng m 5 4 4 a 5 Xuất phát từ nguyên nhân tâm lý, người dùng không phải khi nao cũng đánh giá tat cả các Item mà họ đã từng trải nghiệm, thông thường người dùng chỉ đánh giá Item trong trạng thái tích cực (rat thích) hoặc tiêu cực (rat ghét). Vi vay trén thuc tế ma trận tương tác Người dùng — Sản phẩm nói trên thường bị khuyết giá trị ở rất nhiều ô, vấn đề này được gọi là van dé dữ liệu thưa (data sparsity). Vẫn đề dit liệu thưa của ma trận tương tác dẫn đến hệ quả các thuật toán khuyến nghị dựa trên bộ nhớ (memory-based recommendation algorithms) hoạt động không hiệu quả. Bên cạnh đó, trường hợp trong hệ thống xuất hiện người dùng hoặc item mới chưa có tương tác nào thì ma trận Người dùng — Sản phẩm sẽ xuất hiện các hàng/cột bị trống hoàn toàn.
Vấn để này được gọi là vấn đề khởi động nguội (cold-start problem) xảy ra đỗi với các hệ khuyến nghị dựa trên cộng tác khi hệ thống gặp phải những item hoàn toàn không có tương tác nào, hệ khuyến nghị không thé khai thác được thông tin sở thích giống nhau giữa các nhóm người dùng/sản phẩm đề đưa ra đề xuất. Trong thực tế, khi người dùng thực hiện hành vi mua hàng, việc ra quyết định của họ thường được đưa ra theo hai cách tiếp cận chính: xem xét những thông tin chỉ tiết về sản phẩm như tính năng, công dụng, thành phan,. Tùy thuộc vào mức độ phù hợp với nhu cầu sử dụng để đưa ra quyết định, người dùng có thể tham khảo ý kiến của những người xung quanh về mức độ hài lòng đối với sản phẩm để đưa ra quyết định mua sam của mình. Xuất phát từ quan sát nêu trên, hệ khuyến nghị mô phỏng lại quá trình ra quyết định của người dùng theo hai cách tiếp cận chính là khuyến nghị dựa trên lọc theo nội dung và khuyến nghị dựa trên lọc theo cộng tác.
Trong cách tiếp cận dựa trên lọc theo nội dung, hệ khuyến nghị dựa trên lịch sử tương tác của người dùng đối với đối tượng và thông tin thuộc tính của đối tượng (nội dung của đối tượng) đề tìm ra các thuộc tính (đặc tính) có ảnh hưởng lớn đến đánh giá của người dùng đó. Đặc điểm sở thích của người dùng dựa trên đặc tính sản phâm được biểu diễn bởi vector Profile(U) = (W;,w;, .,w„) có các phan tử tương ứng với các yêu tố nội dung cấu tạo nên sản phẩm, giá tri trong số w; mô tả tam quan trọng của thành phần nội dung thứ i ảnh hưởng tới sở thích của người dùng. Tương tự với việc xây dung User Profile, hệ khuyến nghị sử dụng các kỹ thuật Truy hồi thông tin 10 (Information Retrieval — IR) nhằm phân tích đối tượng I dưới dạng vector trọng số Coment(I) = (W;,w;, .,w„) của các thành phần nội dung. Ví dụ, thông thường thông tin mô tả về đối tượng thường được thể hiện dưới dạng văn bản như các đoạn văn, bài viết, mau tin ngắn,.
hệ khuyến nghị sẽ sử dụng các kỹ thuật IR trích xuất đặc tính như từ khóa, thực thể,. để xây dựng mô hình đối tượng dưới dạng vector từ khóa. Như vậy, theo cách tiếp cận lọc dựa trên nội dung, hệ khuyến nghị đã thực hiện ánh xạ sở thích của người dùng và nội dung của đối tượng vào cùng một không gian vector (không gian thuộc tính của sản phẩm). Do đó dé đánh giá độ phù hợp giữa sản phẩm I với người dùng U, hệ khuyến nghị có thể sử dụng độ đo cosine để đo lường sự tương đồng giữa hai vector.
r(U,]) = cos(Profile(U), Content(1)) Trong cách tiếp cận dựa trên lọc cộng tác, hệ khuyến nghị khai phá những nhóm người dùng “tương tự” nhau dựa trên hành vi quá khứ của người dùng được ghi nhận trong ma trận tương tác Người dùng — Sản phẩm. Hệ khuyến nghị sẽ dự đoán độ phù hợp r(U, 1) giữa người dùng hiện tại U với đối tượng J thông qua độ phù hợp r(U, I) của những người dùng U; khác có cùng sở thích với U. Phát biếu bài toán khuyến nghị Inputs: - Cho U tap hop tất cả người dùng trong hệ thống; mỗi người dùng u; € U có các đặc điểm u; = {ujq, Uj). - Cho 7 là tap hợp tắt cả các đối tượng (sách, bài hát, phim.); mỗi đối tượng 1; € V có các đặc điểm Đj = {vj L ees Vix}.
- Dữ liệu xếp hạng 7 € R là giá trị xếp hang của người dùng 1; đối với sản phẩm vy. Output: -_ Giá trị xếp hang dự đoán fÐ của người dùng +¡ cho những đối tượng 1; chưa có tương tác (xếp hạng). - Để giải bài toán này cần xây dựng hàm rẮu;, 1/) ước lượng giá trị xếp hạng của người dùng u; cho đối tượng 1; sao cho sai số giữa giá trị dự đoán ty với các giá trị xếp hạng ry đã biết trong ma trận tương tác là nhỏ nhất. Các phương pháp tiếp cận xây dựng hệ khuyến nghị.
| Recommender System Content-based Collaborative Hybrid filtering filtering filtering Model-based Memor filtering filte f đa, Association Technique, a Phased > aN Clustering Technique, Bayesian Network, “ ned NC” Neural Networks Hình 2.1 Sơ đồ các phương thức của hệ khuyến nghị. Sau đây chúng ta xem xét về tổng quan các phương pháp tiếp cận để xây dựng hệ khuyến nghị. Lọc dựa trên nội dung !3!#l Hệ khuyến nghị ghi nhận user profile dưới dạng i = (u,wạ, ., Up), trong đó +; là trọng số thé hiện mức độ quan tâm của người dùng đối với từng thuộc tính của sản phẩm. Vector item profile Ö = (v1,V2, .,V,) biểu diễn thông tin sản phâm 13 thông qua các thuộc tính vj.
Như vậy thông tin về sở thích của người dùng và thông tin của sản phẩm được ánh xạ vào cùng không gian vector các thuộc tính của sản phẩm, sự phù hợp giữa sở thích người dùng và sản phẩm được đo bằng góc lệch giữa hai vector profile như hình minh họa trong Hình 2.86 tương tự nhất cos(@) = 0 cos(@) = —1,vector khác nhất Hình 2.2 Cách thức hoạt động của lọc dựa trên nội dung. Đề đánh giá độ tương đồng giữa 2 vector ui và ở để đưa ra đề xuất, hệ thống so sánh bằng cosine góc lệch giữa hai vector: TL ị ¿= 1 Hi similarity = cos(@) = (2) Tel Wel WE sẻ (Soe 14 Các bộ phim tương tự nhau Hình 2.3 Cơ chế hoạt động lọc dựa trên nội dung.