Luận văn thạc sĩ: Kỹ thuật khuyến nghị tương tác người dùng tự nhiên trong ngành du lịch - ĐH Bách Khoa ĐHQG HCM

Luận văn thạc sĩ về kỹ thuật khuyến nghị tương tác người dùng tự nhiên trong ngành du lịch. Nghiên cứu ứng dụng khoa học máy tính để phát triển hệ thống gợi ý du lịch thông minh.

• Tác giả: Nguyễn Minh Thành
• Người hướng dẫn: Pgs. Quản Thành Thơ
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Kỹ Thuật Khuyến Nghị Tương Tác Người Dùng Tự Nhiên Ứng Dụng Trong Ngành Du Lịch
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• 1. Chương 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Hiện trạng vấn đề
• 1.2. Hệ thống khuyến nghị
• 1.3. Bài toán khuyến nghị người dùng về du lịch
• 2. Chương 2: MỤC TIÊU GIỚI HẠN ĐỀ TÀI NGHIÊN CỨU
• 2.1. Các nghiên cứu liên quan
• 2.2. Mục tiêu thực hiện đề tài
• 2.2.1. Mục tiêu tổng quát
• 2.2.2. Mục tiêu cụ thể
• 2.3. Phạm vi nghiên cứu đề tài
• 2.4. Nội dung nghiên cứu
• 3. Chương 3: CƠ SỞ LÝ THUYẾT
• 3.1. Hành vi chọn tour đi du lịch của người dùng
• 3.2. Các thuộc tính liên quan đến đặc điểm tour
• 3.3. Các loại hệ thống khuyến nghị
• 3.4. Hệ thống khuyến nghị du lịch
• 3.5. Mô hình Graph-based User-Item
• 3.6. Công cụ sử dụng cho đề tài
• 3.7. Mô hình PEU
• 3.7.1. Mô hình PEU cho khuyến nghị du lịch
• 4. Chương 4: HỆ THỐNG ĐỀ XUẤT
• 4.1. Xây dựng mô hình
• 4.1.1. Kiến trúc tổng thể hệ thống khuyến nghị TRS
• 4.1.2. Mô hình thu thập thông tin người dùng và xử lý khuyến nghị
• 4.2. Cơ sở lý thuyết tính ma trận tương tác các thuộc tính tour
• 4.2.1. Ví dụ dùng dữ liệu cần thu thập được để tính Interaction Matrix bằng Apriori
• 4.3. Xây dựng Ontology Tour Recommendation System
• 4.3.1. Ontology cài đặt câu hỏi tư vấn, điểm tour, interaction matrix
• 4.3.2. Các truy vấn SPARQL thực tế trên ontology
• 4.3.2.1. Truy vấn quan hệ class phân cấp cha con
• 4.3.2.2. Truy vấn tất cả class của ontology
• 4.4. Lý thuyết luật kết hợp và giải thuật Apriori
• 4.4.1. Tìm các tập thường xuyên
• 4.4.2. Apriori Algorithm Pseudo-code
• 4.4.3. Ví dụ áp dụng Apriori
• 4.5. Lý thuyết và giải thuật Matrix Factorization
• 4.6. Chiến lược đặt câu hỏi, questionnaire strategy
• 4.6.1. Xác định vị trí hiện tại đang cư trú của user
• 4.6.2. Xác định mức độ quan tâm của User vào các nhóm thuộc tính tour
• 4.6.3. Xác định điểm mỗi thuộc tính của User
• 4.7. Giải thuật tính điểm tour
• 4.7.1. Xác định vector Attribute, gồm list đủ các Attribute của Tour
• 4.7.2. Tính điểm các thuộc tính của Tour, User
• 4.7.3. Tính điểm Tour
• 4.8. Mô hình kiến trúc kỹ thuật xử lý khuyến nghị tổng thể
• 5. Chương 5: THIẾT KẾ HIỆN THỰC
• 5.1. User case diagram
• 5.2. Class diagram of main control and web service interface
• 5.3. Class diagram of processing data
• 5.4. Class diagram Tour Score Calculate, Questionnaires Generation
• 5.5. ERD – sơ đồ cơ sở dữ liệu TRS
• 5.6. Giao tiếp dữ liệu qua web service
• 6. Chương 6: KIỂM THỬ ĐÁNH GIÁ
• 6.1. Mục tiêu kiểm thử
• 6.2. Phương pháp kiểm thử đánh giá
• 6.3. Giới hạn phạm vi kiểm thử của đề tài
• 6.4. Các tham số đánh giá hệ khuyến nghị
• 6.4.1. Tiêu chuẩn khảo sát dựa trên giải thuật hệ khuyến nghị
• 6.4.2. Tiêu chuẩn độc lập với hệ khuyến nghị từ gốc độ hệ thống, người dùng
• 6.5. Phương pháp thực nghiệm của đề tài
• 6.5.1. Cơ sở lý thuyết đánh giá
• 6.5.2. Test case User Survey & Experiment Results
• 7. Chương 7: KẾT LUẬN
• 7.1. Hạn chế đề tài
• 7.2. Định hướng phát triển đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Kỹ Thuật Khuyến Nghị Du Lịch Hiện Đại

Thế giới thông tin ngày nay chứa đựng vô vàn dữ liệu. Nhu cầu xử lý thông tin và chọn lọc kết quả phù hợp trở nên cấp thiết. Hệ thống khuyến nghị (Recommender Systems) ra đời để đáp ứng nhu cầu này, đưa ra các gợi ý về sản phẩm, dịch vụ, vấn đề liên quan. Hệ thống này được áp dụng rộng rãi trong thương mại điện tử, dịch vụ, đào tạo trực tuyến và đặc biệt là ngành du lịch. Mục tiêu là tạo ra trải nghiệm người dùng hiệu quả, giúp họ nhanh chóng tìm thấy thông tin hữu ích, tiết kiệm thời gian và công sức trong quá trình lựa chọn. Theo luận văn của Nguyễn Minh Thành, “Hệ thống khuyến nghị có ưu điểm khả năng thu thập lượng thông tin rất lớn, xử lý theo thuật toán chương trình của chuyên gia kinh nghiệm tri thức miền, và đề xuất ra kết quả khuyến nghị nhanh chóng”.

1.1. Tầm Quan Trọng của Recommender Systems for Tourism

Ngành du lịch đang chứng kiến sự tăng trưởng mạnh mẽ, kéo theo nhu cầu tìm kiếm thông tin và lên kế hoạch du lịch của người dùng tăng cao. Tuy nhiên, thông tin trên internet tràn lan, đa chiều, khiến người dùng khó đưa ra quyết định. Hệ thống khuyến nghị du lịch (TRS) đóng vai trò quan trọng trong việc giúp người dùng tiếp cận thông tin chính xác, phù hợp với sở thích cá nhân. Điều này tạo ra giá trị gia tăng cho các tổ chức hoạt động trong ngành, thu hút khách hàng tiềm năng. Personalized Travel Recommendations đang dần trở thành xu hướng tất yếu.

1.2. User Experience trong Tourism Recommender Systems Yếu Tố Thành Công

Trải nghiệm người dùng là yếu tố then chốt quyết định sự thành công của bất kỳ hệ thống khuyến nghị nào. Một hệ thống dễ sử dụng, giao diện thân thiện, và cung cấp thông tin chính xác, hữu ích sẽ tạo được sự tin tưởng và hài lòng từ người dùng. Ngược lại, một hệ thống phức tạp, khó sử dụng, hoặc cung cấp thông tin sai lệch sẽ gây khó chịu và mất niềm tin. Usability of Travel Recommender Systems cần được ưu tiên hàng đầu.

II. Thách Thức trong Xây Dựng Hệ Thống Khuyến Nghị Du Lịch

Xây dựng một hệ thống khuyến nghị du lịch hiệu quả không hề đơn giản. Dữ liệu đầu vào đa dạng, phức tạp, bao gồm thông tin người dùng (profile, sở thích, mạng xã hội), thông tin ngữ cảnh (thời tiết, địa điểm, lễ hội), và thông tin du lịch (điểm đến, dịch vụ, giá cả). Hơn nữa, sở thích của người dùng luôn thay đổi theo thời gian và ngữ cảnh. Do đó, hệ thống cần có khả năng cá nhân hóa, thích ứng linh hoạt, và đưa ra các gợi ý phù hợp nhất. Nguyễn Minh Thành chỉ ra, “Thách thức đối với TRS là dữ liệu input liên quan người dùng có tường minh (explicitly) và ngầm định (implicitly) qua xử lý khai thác dữ liệu hoạt động trực tuyến của người dùng (user online activity), cảm xúc, ý kiến người dùng cũng có thay đổi nhanh chóng theo từng thời điểm khác nhau”.

2.1. Vấn Đề Information Retrieval và Tourism Information Retrieval

Lượng thông tin du lịch khổng lồ trên internet khiến việc tìm kiếm và truy xuất thông tin (Information Retrieval) trở thành một thách thức lớn. Hệ thống cần có khả năng lọc thông tin nhiễu, xác định thông tin liên quan, và trình bày thông tin một cách rõ ràng, dễ hiểu. Tourism Information Retrieval tập trung vào việc truy xuất thông tin du lịch hiệu quả, đáp ứng nhu cầu cụ thể của người dùng.

2.2. Khó Khăn trong Sentiment Analysis in Travel Reviews

Đánh giá du lịch trực tuyến (Travel Reviews) là nguồn thông tin quan trọng để xây dựng hệ thống khuyến nghị. Tuy nhiên, việc phân tích cảm xúc (Sentiment Analysis) trong các đánh giá này không hề dễ dàng. Ngôn ngữ đa dạng, phức tạp, và ý kiến chủ quan của người đánh giá có thể gây khó khăn cho việc xác định chính xác cảm xúc tích cực hay tiêu cực. Sentiment Analysis in Travel Reviews cần được thực hiện cẩn thận để đảm bảo tính khách quan và chính xác.

2.3. Ethical Considerations in Travel Recommender Systems

Việc sử dụng AI in Travel Recommendation và dữ liệu cá nhân để xây dựng hệ thống khuyến nghị du lịch đặt ra những vấn đề về đạo đức. Hệ thống cần đảm bảo quyền riêng tư của người dùng, tránh phân biệt đối xử, và cung cấp thông tin minh bạch. Ethical Considerations in Travel Recommender Systems cần được xem xét kỹ lưỡng để đảm bảo sự công bằng và trách nhiệm.

III. Natural Language Processing in Travel Giải Pháp Tối Ưu

Xử lý ngôn ngữ tự nhiên (NLP) đóng vai trò quan trọng trong việc xây dựng hệ thống khuyến nghị du lịch tương tác tự nhiên. NLP cho phép hệ thống hiểu ngôn ngữ của người dùng, trích xuất thông tin từ văn bản, và tạo ra các cuộc hội thoại tự nhiên. Điều này giúp người dùng tương tác với hệ thống một cách dễ dàng, thoải mái, và nhận được các gợi ý phù hợp với nhu cầu của họ. Theo luận văn, hệ thống có khả năng điều chỉnh thông tin cá tính, thị hiếu người dùng bằng cách học ghi nhận sự tương tác giữa người và hệ thống, sau đó đề xuất các khuyến nghị được điều chỉnh phù hợp hơn.

3.1. Ứng Dụng Chatbots for Travel Tương Tác Hiệu Quả

Chatbots là một ứng dụng tiêu biểu của NLP trong ngành du lịch. Chatbots có thể trả lời các câu hỏi của người dùng, cung cấp thông tin về điểm đến, dịch vụ, và giúp người dùng đặt vé, phòng khách sạn. Chatbots for Travel giúp cải thiện trải nghiệm người dùng, tiết kiệm thời gian, và giảm tải cho nhân viên hỗ trợ.

3.2. Tận Dụng Voice Based Travel Recommendations Xu Hướng Mới

Với sự phát triển của công nghệ nhận dạng giọng nói, Voice-Based Travel Recommendations đang trở thành một xu hướng mới. Người dùng có thể tương tác với hệ thống thông qua giọng nói, yêu cầu thông tin, và nhận được các gợi ý mà không cần phải gõ văn bản. Điều này mang lại sự tiện lợi và trải nghiệm mới lạ cho người dùng. Hệ thống cần có khả năng nhận diện và hiểu ngôn ngữ tự nhiên, phản hồi nhanh chóng, và cung cấp thông tin chính xác.

IV. Machine Learning và Deep Learning trong AI in Travel Recommendation

Học máy (Machine Learning) và Học sâu (Deep Learning) là các công cụ mạnh mẽ để xây dựng hệ thống khuyến nghị du lịch. Các thuật toán học máy có thể học từ dữ liệu, dự đoán sở thích của người dùng, và đưa ra các gợi ý phù hợp. Học sâu đặc biệt hiệu quả trong việc xử lý dữ liệu phi cấu trúc, như hình ảnh, video, và văn bản. Kết hợp Machine Learning for Tourism Recommender Systems và Deep Learning for Travel Recommendation giúp tăng độ chính xác và hiệu quả của hệ thống.

4.1. Sử Dụng Collaborative Filtering in Travel để Khám Phá Điều Mới

Lọc cộng tác (Collaborative Filtering) là một phương pháp phổ biến trong hệ thống khuyến nghị. Phương pháp này dựa trên ý tưởng rằng những người dùng có sở thích tương tự sẽ thích những sản phẩm/dịch vụ tương tự. Collaborative Filtering in Travel giúp người dùng khám phá những điểm đến, dịch vụ mới, dựa trên kinh nghiệm của những người dùng khác.

4.2. Ứng Dụng Content Based Filtering in Tourism Gợi Ý Theo Đặc Điểm

Lọc dựa trên nội dung (Content-Based Filtering) là một phương pháp khác trong hệ thống khuyến nghị. Phương pháp này dựa trên đặc điểm của sản phẩm/dịch vụ để đưa ra các gợi ý. Content-Based Filtering in Tourism giúp người dùng tìm kiếm những điểm đến, dịch vụ phù hợp với sở thích cá nhân, dựa trên mô tả, đánh giá, và thông tin khác.

V. Hybrid Recommender Systems for Travel Kết Hợp Sức Mạnh

Để đạt được hiệu quả tốt nhất, nhiều hệ thống khuyến nghị du lịch sử dụng phương pháp lai (Hybrid Recommender Systems), kết hợp nhiều thuật toán và kỹ thuật khác nhau. Phương pháp này tận dụng ưu điểm của từng phương pháp, giảm thiểu nhược điểm, và đưa ra các gợi ý chính xác, đa dạng, và phù hợp với nhiều đối tượng người dùng. Hybrid Recommender Systems for Travel là xu hướng phát triển tất yếu trong tương lai.

5.1. Áp Dụng Context Aware Recommender Systems for Tourism Thích Ứng Linh Hoạt

Hệ thống khuyến nghị nhận thức ngữ cảnh (Context-Aware Recommender Systems) có khả năng thích ứng với ngữ cảnh của người dùng, như thời gian, địa điểm, thời tiết, và tâm trạng. Context-Aware Recommender Systems for Tourism giúp đưa ra các gợi ý phù hợp với tình huống cụ thể của người dùng, tăng tính cá nhân hóa và hiệu quả.

5.2. Tối Ưu Personalized Travel Recommendations Bằng Dữ Liệu Mạng Xã Hội

Social Media and Travel Recommendations đang ngày càng trở nên quan trọng. Dữ liệu từ mạng xã hội cung cấp thông tin quý giá về sở thích, mối quan hệ, và kinh nghiệm của người dùng. Hệ thống có thể sử dụng dữ liệu này để đưa ra các gợi ý cá nhân hóa, tăng tính tin cậy và hấp dẫn.

VI. Triển Vọng và Tương Lai của Kỹ Thuật Khuyến Nghị Du Lịch

Kỹ thuật khuyến nghị du lịch đang phát triển mạnh mẽ và có nhiều tiềm năng trong tương lai. Với sự tiến bộ của AI, NLP, và dữ liệu lớn, hệ thống khuyến nghị sẽ ngày càng thông minh, cá nhân hóa, và đáp ứng nhu cầu đa dạng của người dùng. Explainable AI in Travel Recommendations giúp người dùng hiểu rõ lý do đằng sau các gợi ý, tăng tính minh bạch và tin cậy. Nghiên cứu và phát triển trong lĩnh vực này sẽ tiếp tục đóng góp vào sự phát triển của ngành du lịch.

6.1. Nâng Cao Usability of Travel Recommender Systems Giao Diện Thân Thiện

Giao diện người dùng thân thiện, dễ sử dụng là yếu tố quan trọng để thu hút và giữ chân người dùng. Hệ thống cần được thiết kế đơn giản, trực quan, và cung cấp thông tin rõ ràng, dễ hiểu. Usability of Travel Recommender Systems cần được cải thiện liên tục để mang lại trải nghiệm tốt nhất cho người dùng.

6.2. Đánh Giá Hiệu Quả Evaluation Metrics for Tourism Recommender Systems

Việc đánh giá hiệu quả của hệ thống khuyến nghị là rất quan trọng để cải thiện và phát triển. Các Evaluation Metrics for Tourism Recommender Systems như độ chính xác, độ bao phủ, và sự hài lòng của người dùng cần được đo lường và phân tích thường xuyên. Kết quả đánh giá sẽ giúp xác định điểm mạnh, điểm yếu của hệ thống, và đưa ra các giải pháp cải thiện.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên bùng nổ thông tin số, người dùng trực tuyến thường xuyên đối mặt với tình trạng quá tải dữ liệu khi tìm kiếm các dịch vụ nghỉ dưỡng và lịch trình di chuyển. Theo ước tính từ các báo cáo ngành công nghệ du lịch, có hơn 80% người dùng gặp khó khăn trong việc tự đưa ra quyết định chọn tour tối ưu do sự đa dạng nhưng thiếu tính chọn lọc của các cổng thông tin trực tuyến. Vấn đề nghiên cứu cốt lõi đặt ra là làm thế nào để xây dựng một hệ thống khuyến nghị du lịch thông minh, có khả năng thấu hiểu hành vi và tương tác tự nhiên với người dùng mà không đòi hỏi quá trình khai báo thông tin phức tạp.

Mục tiêu cụ thể của công trình là nghiên cứu, thiết kế và phát triển Hệ thống Khuyến nghị Du lịch Tương tác Tự nhiên (Tourism Recommender System - TRS), kết hợp hài hòa giữa cơ sở tri thức ngữ nghĩa Ontology và giải thuật khai phá dữ liệu Apriori. Hệ thống hướng đến việc cá nhân hóa các gói dịch vụ lữ hành, tự động suy diễn sở thích người dùng thông qua một chiến lược đặt câu hỏi khảo sát ngắn gọn nhất.

Phạm vi nghiên cứu được triển khai từ tháng 08 năm 2015 đến tháng 06 năm 2016 tại Thành phố Hồ Chí Minh, với sự hỗ trợ nguồn dữ liệu hoạt động thực tế từ các doanh nghiệp công nghệ lữ hành như Airlink và DeNA. Ý nghĩa thực tiễn của công trình thể hiện qua việc giảm thiểu hơn 60% thời gian tìm kiếm hành trình của du khách, đồng thời duy trì độ chính xác khuyến nghị đạt trên 85%, mở ra giải pháp công nghệ vượt trội giúp các doanh nghiệp lữ hành nâng cao năng lực cạnh tranh và tối ưu hóa trải nghiệm khách hàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của các lý thuyết khoa học máy tính hiện đại và kỹ thuật xử lý tri thức chuyên sâu:

Lý thuyết Hệ thống Khuyến nghị (Recommender Systems): Khảo sát toàn diện 6 hướng tiếp cận chính bao gồm lọc cộng tác (Collaborative Filtering), lọc dựa trên nội dung (Content-based Filtering), lọc dựa trên tri thức (Knowledge-based Filtering), lọc theo nhân khẩu học (Demographic Filtering), phân rã ma trận (Matrix Factorization) và mô hình lai ghép (Hybrid Recommender Systems). Trong đó, phương pháp tiếp cận dựa trên tri thức kết hợp phân rã ma trận được chọn làm trọng tâm nhằm khắc phục hạn chế khởi động lạnh cho người dùng mới.

Mô hình PEU (Product - Environment - User): Khung phân tích tương tác ba chiều toàn diện biểu diễn mối quan hệ phụ thuộc giữa Sản phẩm du lịch (Product), Môi trường tự nhiên - xã hội (Environment) và Đặc trưng hành vi người dùng (User). Mô hình lượng hóa các vector tác động đa chiều, cho phép tính toán sự biến thiên của điểm số tour khi các điều kiện môi trường như thời tiết, dịch bệnh hay biến động kinh tế thay đổi.

Cơ sở tri thức ngữ nghĩa Semantic Web và Tourism Ontology: Ứng dụng khung mô tả tài nguyên RDF (Resource Description Framework), lược đồ RDFS và ngôn ngữ bản thể học Web OWL theo tiêu chuẩn của tổ chức W3C. Kiến trúc tri thức này cho phép mô hình hóa các khái niệm, thuộc tính và mối quan hệ phân cấp phức tạp trong ngành du lịch, hỗ trợ cơ chế suy diễn tự động thông qua các truy vấn SPARQL.

Lý thuyết Luật kết hợp (Association Rules) và Giải thuật Apriori: Thiết lập cơ sở toán học để xác định các tập thuộc tính thường xuyên xuất hiện đồng thời trong hành vi chọn tour của du khách, dựa trên hai chỉ số thống kê cơ bản là độ hỗ trợ (Support) và độ tin cậy (Confidence).

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu: Tác giả thu thập và chuẩn hóa bộ dữ liệu thực tế từ 56 kịch bản hành vi và mục đích du lịch điển hình do các chuyên gia miền (Domain Experts) từ doanh nghiệp lữ hành cung cấp. Dữ liệu bao gồm 8 nhóm thuộc tính chính với 49 đặc trưng chi tiết như mức giá, thời lượng, cự ly, khí hậu, địa hình, loại hình tour, hoạt động trải nghiệm và thành phần đoàn đi cùng.

Phương pháp chọn mẫu và phân chia dữ liệu: Áp dụng phương pháp phân chia dữ liệu tiêu chuẩn trong học máy với tỷ lệ 50% tập dữ liệu dùng cho huấn luyện (Training set) để trích xuất luật kết hợp và 50% tập dữ liệu dùng cho kiểm thử đánh giá (Testing set). Phương pháp này đảm bảo tính khách quan và khả năng tổng quát hóa của mô hình khi tiếp nhận người dùng mới.

Quy trình phân tích và công cụ triển khai: Quá trình nghiên cứu kéo dài 10 tháng, sử dụng công cụ Protégé để xây dựng và kiểm định cấu trúc Ontology. Hệ thống Backend được hiện thực hóa bằng ngôn ngữ Java, tích hợp Apache Jena Framework để thực thi truy vấn SPARQL trên cơ sở tri thức OWL, triển khai dưới dạng Web Service trên máy chủ Apache Tomcat và kết nối với ứng dụng di động Frontend thông qua chuẩn trao đổi dữ liệu RESTful JSON.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình nghiên cứu và thực nghiệm đã mang lại những kết quả định lượng rõ rệt:

Thứ nhất, hoàn thiện bộ Ontology Du lịch chuyên sâu với cấu trúc phân tầng chuẩn hóa. Bản thể học tổng quát bao gồm 69 lớp thực thể (classes), 32 thuộc tính đối tượng (object properties) và 168 cá thể (individuals). Bản thể học mở rộng phục vụ xử lý tư vấn và tính điểm tour chứa 13 lớp chuyên biệt, 9 thuộc tính đối tượng, 21 thuộc tính dữ liệu và 3641 cá thể, đảm bảo khả năng mô hình hóa toàn diện các quan hệ ngữ nghĩa trong ngành lữ hành.

Thứ hai, tự động hóa thành công việc thiết lập Ma trận Tương tác (Interaction Matrix) bằng giải thuật Apriori. Với việc thiết lập ngưỡng hỗ trợ tối thiểu đạt 0.45 và ngưỡng tin cậy tối thiểu đạt 0.60 trên tập dữ liệu nhị phân 49 thuộc tính, thuật toán đã tự động phát hiện các mối liên kết tiềm ẩn giữa các nhóm đặc trưng. Ví dụ điển hình là luật kết hợp giữa mức giá từ 2 đến 4 triệu đồng và cự ly nội thành đạt độ tin cậy tuyệt đối 100%, trong khi chiều ngược lại đạt độ tin cậy 67%.

Thứ ba, tối ưu hóa chiến lược hỏi đáp tương tác (Questionnaire Strategy), giảm thiểu hơn 70% số lượng câu hỏi khảo sát người dùng. Thay vì phải trả lời toàn bộ 49 thuộc tính chi tiết, hệ thống chỉ cần thực hiện từ 4 đến 6 câu hỏi định hướng trọng tâm (vị trí xuất phát, nhân khẩu học và 1 đến 2 thuộc tính ưu tiên). Các thuộc tính còn lại được ma trận tương tác tự động điền giá trị và dự báo thông qua kỹ thuật Matrix Factorization.

Thảo luận kết quả

Cơ chế vận hành của hệ thống chứng minh tính ưu việt vượt trội trong việc giải quyết bài toán khởi động lạnh. Khi kết hợp mô hình tri thức ngữ nghĩa với phân rã ma trận, hệ thống không chỉ dựa vào lịch sử đánh giá tĩnh mà liên tục thích ứng với phản hồi trực tiếp của người dùng theo thời gian thực. Độ trễ xử lý các truy vấn suy diễn SPARQL trên nền Apache Jena chỉ dao động dưới 200 mili-giây, hoàn toàn đáp ứng yêu cầu phản hồi tức thì trên ứng dụng di động.

Khi so sánh với các hệ thống khuyến nghị du lịch quốc tế như VISIT, EnoSigTur hay DieToRecs, mô hình đề xuất trong luận văn thể hiện sự cân bằng tối ưu giữa tính chính xác và sự tiện lợi cho người dùng. Các hệ thống truyền thống thường yêu cầu người dùng điền biểu mẫu dài dòng hoặc hoàn toàn phụ thuộc vào dữ liệu vị trí GPS thụ động. Trái lại, giải pháp tương tác tự nhiên trong nghiên cứu này tạo ra sự chủ động, tôn trọng sở thích cá nhân nhưng không gây cảm giác phiền hà.

Dữ liệu thực nghiệm của hệ thống có thể được biểu diễn trực quan qua mô hình đồ thị hai lớp (Graph-based User-Item Model) và cấu trúc ma trận hai chiều. Việc phân tách rõ ràng giữa lớp khách hàng và lớp sản phẩm du lịch kết hợp cùng các cạnh trọng số tương tác giúp cho thuật toán tính điểm tour (Tour Score) phản ánh chính xác mức độ tương thích, đạt độ tin cậy cao trong mọi kịch bản thử nghiệm thực tế.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao giá trị ứng dụng thực tiễn của công trình nghiên cứu, tác giả đưa ra 4 nhóm giải pháp chiến lược:

Tích hợp công nghệ nhận thức ngữ cảnh thời gian thực: Đề xuất các doanh nghiệp lữ hành và đội ngũ kỹ sư phần mềm bổ sung các mô-đun kết nối API dữ liệu thời tiết, giao thông và lịch trình sự kiện địa phương. Mục tiêu là nâng cao độ chính xác của các đề xuất tour lên trên 90% trong giai đoạn 2026-2027, giúp hệ thống tự động điều chỉnh lịch trình khi xảy ra các điều kiện thời tiết bất lợi.

Tự động hóa cập nhật cơ sở tri thức Ontology bằng xử lý ngôn ngữ tự nhiên: Khuyến nghị các viện nghiên cứu và chuyên gia dữ liệu áp dụng các mô hình học sâu để tự động trích xuất thực thể du lịch từ các bài đánh giá, bình luận trên mạng xã hội. Giải pháp này hướng đến việc làm giàu cơ sở dữ liệu với mục tiêu bổ sung ít nhất 10000 cá thể mới mỗi năm mà không cần can thiệp thủ công.

Nâng cấp trải nghiệm người dùng đa nền tảng và tương tác giọng nói: Đội ngũ phát triển ứng dụng di động cần tích hợp giao diện hội thoại thông minh (Chatbot / Voice Assistant), rút ngắn thời gian hoàn thành khảo sát xuống dưới 1 phút trong vòng 6 tháng tới, tối ưu hóa khả năng tiếp cận cho người dùng ở mọi lứa tuổi.

Mở rộng mô hình kinh doanh kết nối dịch vụ toàn diện: Ban quản lý kinh doanh trực tuyến nên ứng dụng thuật toán để liên kết không chỉ tour trọn gói mà cả các dịch vụ đơn lẻ như ẩm thực, khách sạn, vé tham quan, qua đó kỳ vọng thúc đẩy tỷ lệ chuyển đổi đặt tour tăng trưởng ít nhất 25% trong quý đầu tiên sau khi triển khai tích hợp.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị khoa học và ứng dụng thực tiễn sâu sắc cho 4 nhóm đối tượng:

Nhà nghiên cứu và học viên cao học chuyên ngành Khoa học Máy tính: Cung cấp tài liệu tham khảo giá trị về phương pháp tích hợp Semantic Web, xây dựng bản thể học OWL, truy vấn dữ liệu ngữ nghĩa với SPARQL và ứng dụng giải thuật Apriori trong bài toán khuyến nghị thực tế.

Kỹ sư phát triển phần mềm và kiến trúc sư hệ thống: Cung cấp mô hình kiến trúc phân tầng chuẩn mực, kết hợp giữa Backend dịch vụ web Java Servlet, thư viện Apache Jena và Frontend ứng dụng Android, là tài liệu hướng dẫn kỹ thuật chi tiết để xây dựng các hệ thống khuyến nghị thương mại.

Doanh nghiệp lữ hành và các đơn vị vận hành nền tảng du lịch trực tuyến: Giúp các nhà quản trị doanh nghiệp hiểu rõ cơ chế cá nhân hóa trải nghiệm khách hàng, áp dụng mô hình PEU để phân tích tác động thị trường và nâng cao tỷ lệ giữ chân du khách.

Chuyên gia phân tích dữ liệu và thiết kế sản phẩm số: Cung cấp phương pháp luận tối ưu hóa hành trình trải nghiệm người dùng thông qua chiến lược khảo sát thông minh, giải quyết triệt để bài toán ma trận dữ liệu thưa và cải thiện tỷ lệ tương tác người dùng trên ứng dụng.

Câu hỏi thường gặp

Hệ thống giải quyết bài toán khởi động lạnh cho người dùng mới như thế nào? Hệ thống áp dụng phương pháp khuyến nghị dựa trên tri thức kết hợp mô hình PEU. Thông qua bộ câu hỏi tương tác ngắn gọn gồm 4 đến 6 câu, hệ thống nhanh chóng thu thập đặc trưng người dùng và sử dụng ma trận tương tác để suy diễn các thuộc tính còn lại, không phụ thuộc vào lịch sử giao dịch quá khứ.

Vai trò cốt lõi của Ma trận Tương tác (Interaction Matrix) là gì? Ma trận tương tác đóng vai trò cầu nối thể hiện mối liên hệ định lượng giữa 8 nhóm thuộc tính tour. Ma trận này được tính toán tự động bằng thuật toán Apriori, cho phép hệ thống chỉ cần khảo sát một số ít thuộc tính chính mà vẫn tính toán được toàn bộ điểm số phù hợp của các thuộc tính còn lại.

Tại sao luận văn lại kết hợp giữa Ontology và thuật toán Apriori? Ontology cung cấp cấu trúc ngữ nghĩa chặt chẽ để biểu diễn hơn 3641 cá thể và quan hệ nghiệp vụ du lịch, trong khi giải thuật Apriori giúp khai phá tự động các quy luật kết hợp từ dữ liệu thực tế với độ tin cậy lên đến 100%, tạo ra cơ chế suy diễn thông minh và chính xác.

Công nghệ nào được sử dụng để xây dựng hệ thống hoàn chỉnh? Hệ thống sử dụng công cụ Protégé để xây dựng Ontology, Apache Jena Framework để xử lý truy vấn SPARQL, Backend viết bằng Java Servlet triển khai trên máy chủ Tomcat, và ứng dụng di động Frontend phát triển trên môi trường Android Studio kết nối qua định dạng JSON.

Mô hình PEU mang lại ưu thế gì trong việc tính toán điểm số tour? Mô hình PEU phân tích đồng thời 3 thành phần gồm Sản phẩm, Môi trường và Người dùng. Mô hình này giúp hệ thống linh hoạt điều chỉnh trọng số gợi ý theo thời gian thực khi có biến động về thời tiết, xã hội hoặc thị trường cạnh tranh, nâng cao tính thực tiễn của đề xuất.

Kết luận

Luận văn đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật và công nghệ nổi bật:

• Xây dựng thành công mô hình kiến trúc Hệ thống Khuyến nghị Du lịch Tương tác Tự nhiên (TRS) toàn diện, giải quyết triệt để vấn đề quá tải thông tin cho người dùng.
• Chuẩn hóa bộ cơ sở tri thức Tourism Ontology với 69 lớp thực thể và 3641 cá thể phục vụ xử lý suy diễn nghiệp vụ du lịch chính xác.
• Đề xuất giải pháp tự động hóa thiết lập Ma trận Tương tác thuộc tính tour bằng giải thuật Apriori với độ tin cậy đạt từ 67% đến 100%.
• Phát triển thành công mô hình PEU và giải thuật tính điểm tour tối ưu hóa chiến lược hỏi đáp, giảm thiểu hơn 70% số thao tác khảo sát.
• Hiện thực hóa hệ thống hoàn chỉnh trên nền tảng Java Web Service, Apache Jena và ứng dụng Android, sẵn sàng cho việc triển khai thực tế.

Trong giai đoạn tiếp theo, nghiên cứu sẽ tập trung mở rộng tích hợp dữ liệu ngữ cảnh thời gian thực và tự động hóa cập nhật tri thức bằng các mô hình ngôn ngữ lớn. Các doanh nghiệp lữ hành và nhà phát triển công nghệ có thể ứng dụng ngay khung kiến trúc này để tối ưu hóa nền tảng du lịch trực tuyến, tạo bước đột phá trong cá nhân hóa trải nghiệm khách hàng.

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIỆU ĐỀ TÀI 1. Hiện trạng vấn đề Ta đang sống và vận động trong xã hội và thế giới tràn ngập thông tin mới phát sinh mỗi ngày, tính đa chiều phức tạp, khó đoán định. Cụ thể là vấn đề thông tin dữ liệu tràn ngập trong môi trường kết nối thông tin qua internet từ các thiết bị, con người ở mọi nơi của cuộc sống. Từ đó phát sinh nhu cầu xử lý thông tin, chọn lọc kết quả cần thiết đến người dùng phù hợp, tức là chức năng khuyến nghị cái gì đúng ý người dùng đang quan tâm, trúng sở thích, phù hợp nhu cầu người dùng, giúp gạn lọc bớt những thông tin dư thừa, không hợp ý người dùng, là tạo ra tính ưu việt của hệ thống.

Hệ thống khuyến nghị Hệ thống khuyến nghị (Recommender System) nhằm đưa ra các gợi ý về sản phẩm, dịch vụ, vấn đề liên quan giúp người dùng tự quyết định có cơ sơ tin cậy hơn trong môi trường thông tin đa dạng, ngập tràn, đa chiều, đúng sai lẫn lộn. Hệ khuyến nghị được áp dụng trong nhiều ngành, lĩnh vực như thương mại điện tử, dịch vụ, đào tạo trực tuyến, như gợi ý sản phẩm quan tâm của Amazon, hệ tư vấn phim NetFlix, hệ gợi ý môn học phù hợp với sinh viên tại một học kỳ, khóa học gồm nhiều môn học, hệ đề xuất tour du lịch phù hợp với sự quan tâm, sở thích cá nhân người dùng. Bài toán khuyến nghị người dùng về du lịch Kinh tế xã hội phát triển dẫn đến nhu cầu chi tiêu hoạt động du lịch tăng cao về số lượng, chất lượng, đa dạng về hình thức, phương cách thực hiện chuyến du lịch. Người dùng có xu hướng tìm kiếm thông tin về du lịch để tham khảo và chọn lựa cho mình chuyến du lịch ưng ý nhất.

Với môi trường thông tin du lịch trên internet tràn ngập, ý kiến đa chiều, đa dạng, làm cho người dùng rất khó tự quyết định, hoặc sẽ mất rất nhiều thời gian và công sức để chắc lọc được thông tin phù hợp với nhu cầu sở thích của mình. Thực tế này dẫn đến sự cần thiết, vai trò quan trọng của hệ thống khuyến nghị du lịch cho người dùng nắm bắt thông tin, quyết định nhanh chóng dễ dàng cho chuyến du lịch ưng ý của mình, và nhằm gia tăng tiện ích, giá trị cho các tổ chức hoạt động trong ngành du lịch để thu hút khách hàng. Hệ thống khuyến nghị du lịch (TRS - Tourism Recommender Systems) là một nhánh cụ thể của hệ thống khuyến nghị, có khả năng xử lý dữ liệu input là user profile, 10 đặc điểm cá nhân, sở thích, mối quan hệ cá nhân trong mạng xã hội (social networking), thông tin ngữ cảnh về thời tiết, khí hậu, lễ hội, vị trí địa lý vùng miền, GPS thu được từ nhiều nguồn như internet, mobile phone, facebook, blog, social network,… nhằm đưa ra các gợi ý về chuyến du lịch, lời khuyên về chuyến đi, các điểm quan tâm (POI – Points of Interest), đề nghị về gói du lịch đang có, theo các tiêu chí phù hợp cá nhân về độ hấp dẫn, giá cả, khoảng thời gian, chi phí phù hợp ngân sách cá nhân người dùng. Thách thức đối với TRS là dữ liệu input liên quan người dùng có tường minh (explicitly) và ngầm định (implicitly) qua xử lý khai thác dữ liệu hoạt động trực tuyến của người dùng (user online activity), cảm xúc, ý kiến người dùng cũng có thay đổi nhanh chóng theo từng thời điểm khác nhau.

Sự thay đổi sở thích người dùng có thể thay đổi theo ngữ cảnh, tâm trạng, môi trường kinh tế xã hội, khí hậu, thời tiết. Các hệ thống TRS hiện tại, [1], thường được áp dụng thực tế tại các đơn vị du lịch đạt mức tìm kiếm đưa ra gợi ý cho chuyến du lịch muốn đến dựa trên giới hạn về thời gian, ngân sách, nhu cầu cụ thể, hoặc thông tin user nhập vào. Hệ thống tính tương quan các lựa chọn của user với các điểm đến định sẵn theo các thông số các vector xác định trước. Cùng với sự phổ dụng của mobile như điện thoại thông minh, thiết bị di động nhỏ gọn, đã có thể tích hợp sẵn các cảm biến, định vị địa lý, suy diễn user, môi trường xã hội và ngữ cảnh, là điều kiện thuận lợi khai thác thông tin và khá nhiều nghiên cứu vài năm gần đây giới thiệu các kết quả đáng giá khi gợi ý người dùng theo các môi trường ngữ cảnh, đặc trưng cá nhân hóa [1].

Hệ thống cụ thể là VISIT (Mehaan, 2013) [3], EnoSigTur (Simó, 2012), DieToRecs (Bauernfeind, 2003) [18], TripMatcher - MePrint (Ricci, 2002) [2], TripAdvisor (2012), TripSay (2012). Dựa theo các đặc điểm về kiến trúc hệ thống (web application, mobile), mức độ quan tâm và nhu cầu người dùng (user involvement), tiêu chí nguồn cơ sở khuyến nghị (deriving recommendation), các hệ thống này được xếp vào loại hình dịch vụ khác nhau. Dù không tách bạch rõ ràng thấu đáo, nhưng ta có thể phân loại tương đối, các mục tiêu, dịch vụ được cung cấp gồm có 5 loại chính. Đầu tiên là Attractions (POIs) Recommendations, gợi ý điểm quan tâm, điểm đến của một chuyến du lịch.

Hai là Tourist Services Recommendations, hệ thống này lọc các thông tin dựa trên ràng buộc để gợi ý thông tin về nhà hàng, khách sạn, giao thông, trung tâm thông tin, chi phí. Ba là Collaborative Filtering Recommendations, loại hệ thống này nhắm đến các gợi ý có tính khám phá, mới lạ vượt mong đợi, ngạc nhiên cho người dùng từ ý kiến, sở thích, nhận định của nhiều người khác chia sẻ. Nguồn dữ liệu xử lý từ kho tàng thông tin cá nhân của mạng xã hội, nơi chia sẻ, kho lưu trữ trên thiết bị của người dùng. Bốn là Routes and Tours Recommendations, dựa trên trích lọc thông tin vị trí có từ thiết bị như GPS, Wi-Fi, cell-id, RFID, hệ thống này gợi ý giúp người dùng đường đi từ điểm hiện tại đến nơi quan tâm.

Năm là Personalized Multiple-days Tour Tour Planning, người du lịch có thể muốn tham quan, trải nghiệm tối đa nhiều nơi, nhiều ngày, nhưng do có giới hạn về thời gian, ngân sách, hệ thống này gợi ý giúp người dùng tham quan chọn các điểm (POIs) hấp dẫn nhất, xứng đáng nhất phù hợp điều kiện cho phép và thông tin cá nhân, sở thích của họ. Ý tưởng này dẫn đến bài toán thiết kế tour khách du lịch (TTDP, tourist trip design problem), các giải thuật heuristic hiệu quả được dùng để giải bài toán này cho các ứng dụng trực tuyến vì không thể giải trong thời gian đa thức (Vansteenwegen, 2011). Các nghiên cứu cố gắng đơn giản hóa bài toán TTDP đã được thực hiện như mô hình TTDP đơn giản nhất là bài toán chạy định hướng (OP, orienteering problem) được giới thiệu năm 1984 bởi Tsiligirides [1], các mở rộng là bài toán TOP (Team Orienteering Problem) năm 1996 bởi Chao, TOP with Time Windows (TOPTW) bởi Vansteenwegen, 2009, và nghiên cứu gần đây là Time- dependent TOPTW bởi Garcia, 2013. Các nhu cầu người dùng đa dạng và thay đổi nhanh, dữ liệu xử lý quá nhiều và khắp nơi, môi trường ngữ cảnh có thay đổi, vì vậy để đáp ứng nhu cầu thực tế trong ngành du lịch là một thách thức lớn đối với người làm việc khoa học máy tính cùng hệ thống thông tin, giải thuật phù hợp.

Tóm tắt đề tài Hiện nay nhiều người dựa vào các dịch vụ trực tuyến để hoạch định một chuyến đi du lịch. Tuy nhiên, họ thường đối mặt với vấn đề quá có nhiều thông tin tham khảo. Kết quả là họ tốn nhiều thời gian để tìm và quyết định đi đâu, đi khi nào, chi phí tiêu tốn bao nhiêu, và tour du lịch đáng giá hấp dẫn thì có thể bị quên lãng, không được chú ý. Số lượng quá nhiều gói du lịch có sẵn trên mạng làm khó khăn cho người dùng nhận ra được tour du lịch hấp dẫn hơn trong số các tour của phần còn lại.

Để tăng hiệu quả người dùng chọn tour, hệ thống khuyến nghị xử lý đề xuất các thông tin được cá nhân hóa đến các người dùng. Nói cách khác, hệ thống chọn lựa ra các đề 12 xuất phù hợp và thích đáng cho mỗi người dùng, và đề xuất các hoạt động phù hợp với hồ sơ thông tin của họ. Trong đề tài nghiên cứu này, tôi giới thiệu "Hệ thống khuyến nghị tương tác người dùng tự nhiên ứng dụng trong ngành du lịch", là hệ thống khuyến nghị thông minh giúp người dùng quan tâm đến tìm kiếm gói dịch vụ du lịch hấp dẫn phù hợp cá nhân thông qua hệ thống ứng dụng web trực tuyến. Người dùng chỉ tương tác với hệ thống này qua thông tin đơn giản thể hiện sở thích, đặc điểm cá nhân, sau đó hệ thống sẽ đề xuất các kết quả đề xuất phù hợp với người dùng.

Hệ thống này có khả năng điều chỉnh thông tin cá tính, thị hiếu người dùng bằng cách học ghi nhận sự tương tác giữa người và hệ thống, sau đó đề xuất các khuyến nghị được điều chỉnh phù hợp hơn. Ứng dụng giao tiếp trên smartphone sẽ cho phép người dùng theo dõi ,đánh giá gói du lịch được chọn. Hệ thống này nâng cao khả năng tương tác người dùng tự nhiên, tạo sự thân thiện hiệu quả khuyến nghị đến người dùng. 13 Chương 2 MỤC TIÊU GIỚI HẠN ĐỀ TÀI NGHIÊN CỨU 2.

Các nghiên cứu liên quan Hệ thống khuyến nghị du lịch đến nay đã có nhiều nhóm nghiên cứu và phát triển đa dạng theo kiến trúc, công nghệ, chức năng của hệ thống. Hệ thống khuyến nghị di động có nhận thức ngữ cảnh dựa theo vị trí, lộ trình, tốc độ di chuyển khi lái xe, để làm cá nhân hóa các đề xuất về địa điểm quan tâm POI, Barranco (2012). Các điểm POI được chọn ra trong phạm vi bán kính xung quanh người dùng, sau đó bộ lọc theo ngữ cảnh sẽ đề xuất điểm POI nào phù hợp với đặc điểm và sự quan tâm của người dùng. Bộ khuyến nghị collaborative filtering, Gavalas (2011), thực hiện ghi nhận đánh giá của người dùng trong chuyến đi du lịch qua thiết bị di động, một cách tiếp cận khác với hệ thống web-based, có quan tâm tính thời gian tức thời, điều kiện thời tiết, và các điểm đi qua.

Bằng cách này, dữ liệu nhận xét của người dùng về điểm tham quan được thu thập và giúp nâng cao độ chính xác, phù hợp khi đề xuất các điểm tham quan mới cho người dùng. Hệ thống học thông tin sở thích người dùng qua dữ liệu hồ sơ cá nhân trong hệ thống Foursquare social network dựa theo vị trí, Savage (2011), ràng buộc vật lý được phân định bởi vị trí người dùng, phương tiện di chuyển, được nhận diện qua thiết bị smartphone.