I. Tổng quan về khóa luận xây dựng ứng dụng thương mại điện tử hỗ trợ gợi ý sản phẩm
Khóa luận tốt nghiệp xây dựng ứng dụng thương mại điện tử hỗ trợ gợi ý sản phẩm được thực hiện bởi nhóm sinh viên Nguyễn Thị Tâm và Bùi Thanh Tùng thuộc Khoa Công nghệ Phần mềm, Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM, dưới sự hướng dẫn của ThS. Trần Anh Dũng, năm 2020. Đề tài tập trung giải quyết bài toán thực tiễn trong lĩnh vực thương mại điện tử đang phát triển mạnh tại Việt Nam và toàn cầu. Thương mại điện tử được Chính phủ Việt Nam xác định là động lực phát triển kinh tế, được quy hoạch tổng thể qua Quyết định 1073/QĐ-TTg năm 2010. Ứng dụng kết hợp nền tảng mua sắm trực tuyến với hệ thống gợi ý sản phẩm thông minh, giúp người dùng tiếp cận hàng hóa phù hợp nhu cầu một cách nhanh chóng. Hệ thống không chỉ đơn thuần là một sàn thương mại điện tử mà còn tích hợp các thuật toán học máy để phân tích hành vi người dùng, từ đó đưa ra các gợi ý cá nhân hóa. Đây là hướng nghiên cứu có giá trị ứng dụng cao trong bối cảnh cạnh tranh thị trường số ngày càng khốc liệt.
1.1. Bối cảnh và động lực nghiên cứu của khóa luận
Thương mại điện tử đang thay đổi cách thức mua bán hàng hóa trên toàn cầu. Người tiêu dùng có thể lựa chọn sản phẩm từ khắp nơi chỉ bằng vài thao tác đơn giản. Tại Việt Nam, lĩnh vực này được coi là nhân tố chính thúc đẩy quá trình quốc tế hóa kinh tế. Trong môi trường cạnh tranh đó, các hệ thống gợi ý sản phẩm trở thành yếu tố then chốt giúp doanh nghiệp giữ chân khách hàng và tăng doanh thu. Nhóm nghiên cứu nhận thấy nhu cầu cấp thiết phải xây dựng một ứng dụng tích hợp hai yếu tố này một cách hiệu quả.
1.2. Mục tiêu và phạm vi nghiên cứu của đề tài
Đề tài hướng đến xây dựng một ứng dụng thương mại điện tử hoàn chỉnh, tích hợp module gợi ý sản phẩm dựa trên thuật toán học máy. Phạm vi nghiên cứu bao gồm thiết kế cơ sở dữ liệu, xây dựng giao diện người dùng, lập trình back-end xử lý nghiệp vụ và triển khai các thuật toán gợi ý. Kết quả cuối cùng là một hệ thống có khả năng phân tích lịch sử mua sắm, hành vi duyệt web của người dùng để đưa ra gợi ý sản phẩm chính xác, cá nhân hóa theo từng cá nhân.
II. Phân tích hệ thống gợi ý sản phẩm trong thương mại điện tử
Hệ thống gợi ý sản phẩm là thành phần cốt lõi quyết định sự thành công của các nền tảng thương mại điện tử hiện đại. Bài toán đặt ra là làm thế nào để hệ thống hiểu được nhu cầu của từng người dùng trong hàng triệu khách hàng với hàng nghìn sản phẩm khác nhau. Có hai hướng tiếp cận chính được nghiên cứu rộng rãi trong lĩnh vực này. Lọc dựa trên nội dung phân tích đặc tính sản phẩm và sở thích người dùng để tìm ra sự tương đồng. Lọc cộng tác khai thác hành vi của cộng đồng người dùng để dự đoán sở thích cá nhân. Mỗi phương pháp có ưu và nhược điểm riêng. Lọc dựa trên nội dung gặp khó khăn với sản phẩm mới chưa có đủ dữ liệu mô tả. Lọc cộng tác gặp vấn đề cold start khi người dùng mới chưa có lịch sử tương tác. Các hệ thống thực tế thường kết hợp cả hai phương pháp để đạt hiệu quả tối ưu. Biểu diễn tf-idf là một trong những kỹ thuật phổ biến được áp dụng để mô tả đặc trưng sản phẩm trong không gian vector.
2.1. Phương pháp lọc dựa trên nội dung trong gợi ý sản phẩm
Lọc dựa trên nội dung xây dựng hồ sơ người dùng từ hai nguồn thông tin chính: mô hình ưu tiên cá nhân và lịch sử tương tác với hệ thống. Thuật toán phân tích các đặc tính của sản phẩm mà người dùng đã xem hoặc mua, sau đó tìm kiếm các sản phẩm có đặc tính tương tự. Biểu diễn tf-idf được sử dụng rộng rãi để vector hóa thông tin sản phẩm. Phương pháp này hoạt động hiệu quả với người dùng đã có lịch sử tương tác phong phú và phù hợp với các danh mục sản phẩm có nhiều thuộc tính mô tả rõ ràng.
2.2. Phương pháp lọc cộng tác và thuật toán k NN
Lọc cộng tác dựa trên nguyên tắc người dùng có sở thích tương tự nhau sẽ thích các sản phẩm giống nhau. Hệ thống thu thập và phân tích lượng lớn dữ liệu về hành vi, hoạt động của nhiều người dùng để dự đoán sở thích cá nhân. Thuật toán k-nearest neighbor và hệ số tương quan Pearson được ứng dụng phổ biến để đo lường độ tương đồng giữa người dùng. Ưu điểm nổi bật của phương pháp này là không cần phân tích nội dung sản phẩm, cho phép gợi ý chính xác ngay cả với các mặt hàng phức tạp như phim, âm nhạc hay thời trang.
III. Giải pháp xây dựng ứng dụng thương mại điện tử tích hợp gợi ý sản phẩm
Giải pháp kỹ thuật được nhóm nghiên cứu đề xuất là xây dựng một hệ thống hybrid kết hợp lọc cộng tác và lọc dựa trên nội dung. Kiến trúc hệ thống gồm ba lớp chính: lớp giao diện người dùng, lớp xử lý nghiệp vụ và lớp dữ liệu. Lớp giao diện cung cấp trải nghiệm mua sắm trực quan, hiển thị gợi ý sản phẩm ở các vị trí chiến lược. Lớp xử lý nghiệp vụ quản lý đơn hàng, giỏ hàng, tài khoản người dùng đồng thời vận hành engine gợi ý. Lớp dữ liệu lưu trữ thông tin sản phẩm, lịch sử giao dịch và ma trận tương tác người dùng-sản phẩm. Engine gợi ý được thiết kế để cập nhật theo thời gian thực khi người dùng tương tác với hệ thống. Thuật toán xử lý ma trận thưa được tối ưu hóa để đảm bảo tốc độ phản hồi nhanh ngay cả khi số lượng người dùng và sản phẩm tăng trưởng lớn. Giao diện quản trị cho phép người vận hành theo dõi hiệu suất hệ thống gợi ý và điều chỉnh tham số phù hợp.
3.1. Thiết kế kiến trúc hệ thống thương mại điện tử
Kiến trúc ứng dụng được thiết kế theo mô hình MVC, tách biệt rõ ràng giữa xử lý dữ liệu, logic nghiệp vụ và giao diện hiển thị. Cơ sở dữ liệu quan hệ lưu trữ thông tin sản phẩm, danh mục, đơn hàng và hồ sơ người dùng. Module gợi ý sản phẩm hoạt động như một dịch vụ độc lập, nhận đầu vào là ID người dùng và trả về danh sách sản phẩm được gợi ý có thứ tự ưu tiên. Hệ thống hỗ trợ đăng ký tài khoản, xác thực, quản lý phiên làm việc và bảo mật thông tin thanh toán theo tiêu chuẩn hiện hành.
3.2. Triển khai thuật toán gợi ý và tối ưu hóa hiệu suất
Thuật toán gợi ý được triển khai theo hai giai đoạn: offline training và online serving. Giai đoạn offline xử lý toàn bộ lịch sử dữ liệu để xây dựng mô hình tương đồng người dùng và sản phẩm. Giai đoạn online sử dụng mô hình đã huấn luyện để trả về gợi ý trong thời gian thực. Kỹ thuật caching được áp dụng để giảm tải tính toán lặp lại. Đánh giá hiệu suất dựa trên các chỉ số precision, recall và F1-score trên tập dữ liệu kiểm tra, đảm bảo chất lượng gợi ý đáp ứng yêu cầu thực tế.
IV. Kết quả ứng dụng và giá trị thực tiễn của khóa luận thương mại điện tử
Kết quả nghiên cứu cho thấy hệ thống thương mại điện tử tích hợp gợi ý sản phẩm mang lại giá trị thực tiễn rõ ràng cho cả doanh nghiệp lẫn người tiêu dùng. Tỷ lệ chuyển đổi mua hàng tăng lên đáng kể khi người dùng nhận được gợi ý phù hợp nhu cầu. Thời gian tìm kiếm sản phẩm giảm xuống, nâng cao trải nghiệm mua sắm tổng thể. Từ góc độ kinh doanh, hệ thống gợi ý giúp tăng giá trị đơn hàng trung bình thông qua upselling và cross-selling thông minh. Mô hình này có thể nhân rộng và áp dụng trong nhiều lĩnh vực khác nhau ngoài thương mại điện tử, bao gồm tin tức, giải trí, giáo dục trực tuyến và dịch vụ ăn uống. Khóa luận đóng góp một nguồn tài liệu tham khảo có giá trị cho sinh viên và nhà nghiên cứu muốn tìm hiểu về giao điểm giữa học máy và phát triển phần mềm ứng dụng. Hướng phát triển tiếp theo có thể khai thác deep learning để cải thiện độ chính xác của mô hình gợi ý.
4.1. Đánh giá hiệu quả hệ thống gợi ý sản phẩm sau triển khai
Hệ thống gợi ý được kiểm thử trên tập dữ liệu thực tế với nhiều kịch bản người dùng khác nhau. Kết quả cho thấy phương pháp hybrid kết hợp lọc cộng tác và lọc nội dung cho độ chính xác vượt trội so với từng phương pháp riêng lẻ. Giao diện người dùng được thiết kế thân thiện, hiển thị gợi ý tại trang chủ, trang sản phẩm và giỏ hàng. Thời gian phản hồi của API gợi ý duy trì dưới 200ms, đảm bảo không ảnh hưởng đến tốc độ tải trang. Phản hồi từ người dùng thử nghiệm cho thấy mức độ hài lòng cao với chất lượng gợi ý được cá nhân hóa.
4.2. Tiềm năng mở rộng và hướng nghiên cứu tương lai
Khóa luận mở ra nhiều hướng nghiên cứu tiếp theo có giá trị. Ứng dụng deep learning, đặc biệt là mạng neural embedding, có thể nâng cao đáng kể chất lượng biểu diễn sản phẩm và người dùng. Tích hợp xử lý ngôn ngữ tự nhiên giúp phân tích đánh giá sản phẩm từ cộng đồng để làm giàu dữ liệu huấn luyện. Mô hình gợi ý theo thời gian thực dựa trên session người dùng là hướng cải tiến tiếp theo. Hệ thống cũng có tiềm năng ứng dụng trong các nền tảng khác như học trực tuyến, streaming nội dung và đặt phòng khách sạn với điều chỉnh phù hợp.
