Luận văn: Hệ thống Gợi ý Sản phẩm sử dụng Bản đồ Tương tác và Mạng Tích chập hướng Lọc Cộng tác

Luận văn: Hệ thống gợi ý sử dụng bản đồ tương tác và mạng tích chập. Nghiên cứu hướng lọc cộng tác, nâng cao hiệu quả gợi ý sản phẩm.

• Tác giả: Vũ Nhật Anh
• Người hướng dẫn: TS. Vũ Tuyết Trinh
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Hệ Thống Gợi Ý Sử Dụng Bản Đồ Tương Tác Và Mạng Tích Chập Hướng Lọc Cộng Tác
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. CHƯƠNG 1: DAT VANDE
• 1.1. Phát biểu bài taám
• 1.2. Mộtsố nghiên cứu dựa trên hướng tiến cận lọc cộng tác
• 1.3. Mue tiéu và đồng góp của luận văn
• 1.4. Bỏ cục của luận văn
• 2. CHUONG 2: BIAU DIEN DU LIEU VA BẢN ĐỒ TƯƠNG TÁC
• 2.1. Biểu diễn one-hot encoding vector
• 2.2. Biéu dién embedding vector
• 2.3. Ban dỖ tương tác
• 2.4. Phương pháp xếp chồng biểu chền
• 2.5. Phép toán tích ngoại
• 2.6. Phương pháp lẫu mẫu tiêu cực đối phó với vẫn đề thiếu bụt ât hiệu tương ide (missing data)
• 3. CIVONG 3: MO DINU GOI Y STACKED EMBEDDING NETWORK COLLABORATIVE FILTERING
• 3.1. M6 hinh Stacked embedding Neural CoHuborative Filtering
• 3.2. Mô hình kải hop ciia SeNCF va ConvNCF
• 3.3. Các thông xố đề đánh giá mô lành
• 3.4. Độ lợi luỹ kế khẩu hao chuẩn hoá (NDCG)
• 4. CHƯƠNG 4: CÀI ĐẶT THỨ NGHIÊM VA DANE GIA
• 4.1. Thiết kế thí nghiệm
• 4.2. Tập đữ liệu thử nghiệm
• 4.3. Một số phương pháp trước dây dược dùng dễ sơ sánh
• 4.4. Tham số mnê hình
• 4.5. Kết quả thử nghiệm và so sánh các phương pháp khác
• 4.6. Thử nghiệm với tham số K đặc trưng án
• 4.7. Thử nghiệm với tham số X số lượng feature map của mạng CNN
• 4.8. So sánh và đánh giá
• 5. CHUONG 5: KET LUẬN
• 5.1. Kết quả dạt dược
• 5.2. Những điềm còn hạn chế
• 5.3. Hướng phát triển
• TÀI LHÿU THAM KHẢO
• PHỤ LỤC A
• A.1. Framework NCP
• A.2. Phương pháp xép chẳng embedding
• A.3. Mô hình SeNCF
• A.4. Mô hình SeConvNCF
• A.5. Các bước chạy thí nghiệm
• ANH MỤC TỪ VIET TAT VA THUAT NCU
• DANH MUC HINH VE
• ĐANH MỤC BẰNG

Tóm tắt

I. Hệ Thống Gợi Ý Tổng Quan Bản Đồ Tương Tác Interactive Map

Hệ thống gợi ý đóng vai trò then chốt trong việc cá nhân hóa trải nghiệm người dùng trên các nền tảng trực tuyến. Từ hệ thống gợi ý phim ảnh, âm nhạc đến sản phẩm mua sắm, chúng giúp người dùng khám phá nội dung phù hợp với sở thích cá nhân. Bản đồ tương tác (interactive map) là một kỹ thuật biểu diễn dữ liệu mạnh mẽ, cho phép hình dung mối quan hệ giữa người dùng và các mục (item) một cách trực quan. Trong bối cảnh lọc cộng tác (collaborative filtering), bản đồ tương tác giúp mô hình học được các mẫu tương tác phức tạp giữa người dùng và sản phẩm. Kỹ thuật xếp chồng biểu diễn và phép tích ngoại (outer product) tạo ra các dạng bản đồ tương tác giữa người dùng và mục tin, sau đó xây dựng mô hình gợi ý. Luận văn này đề xuất phương pháp sử dụng mạng tích chập CNN để trích xuất ra các mối tương quan giữa user-item từ bản đồ tương tác. Các mô hình gợi ý được đề xuất có tên SeNCF và SeConvNCF, trong đó SeConvNCF là mô hình kết hợp của SeNCF với mô hình ConvNCF. Phương pháp này có tiềm năng cải thiện đáng kể độ chính xác và hiệu quả của các thuật toán gợi ý. Theo trích dẫn từ luận văn, "Việc có thể áp dụng những thành tựu của mạng tích chập CNN trong lĩnh vực xử lý ảnh vào hệ gợi ý cũng mở ra rất nhiều cánh cửa nghiên cứu mới trong tương lai."

1.1. Giới Thiệu Chung về Hệ Thống Gợi Ý Recommender Systems

Hệ thống gợi ý (recommender systems) ngày càng trở nên phổ biến và quan trọng trong nhiều lĩnh vực, từ thương mại điện tử đến giải trí. Mục tiêu chính của chúng là dự đoán và gợi ý các mục mà người dùng có khả năng quan tâm. Các thuật toán gợi ý phổ biến bao gồm lọc cộng tác (collaborative filtering), lọc nội dung (content-based filtering) và các phương pháp kết hợp. Việc xây dựng một hệ thống gợi ý hiệu quả đòi hỏi sự hiểu biết sâu sắc về dữ liệu người dùng, mô hình học sâu và các kỹ thuật đánh giá hiệu suất.

1.2. Vai Trò của Bản Đồ Tương Tác trong Lọc Cộng Tác

Bản đồ tương tác (interactive map) cung cấp một cách trực quan để biểu diễn mối quan hệ giữa người dùng và các mục. Thay vì chỉ sử dụng ma trận tương tác thưa thớt, bản đồ tương tác có thể kết hợp thông tin ngữ cảnh, vị trí và các yếu tố khác để tạo ra một biểu diễn phong phú hơn. Điều này cho phép các mô hình học sâu như mạng tích chập (convolutional neural network) học được các mẫu phức tạp và đưa ra các gợi ý chính xác hơn. Bản đồ tương tác giúp cải thiện đáng kể độ chính xác gợi ý.

II. Thách Thức Thiếu Dữ Liệu và Độ Chính Xác Gợi Ý Cần Cải Thiện

Một trong những thách thức lớn nhất trong xây dựng hệ thống gợi ý là vấn đề thiếu dữ liệu (data sparsity). Ma trận tương tác người dùng - sản phẩm thường rất thưa thớt, khiến cho việc học các mối quan hệ ẩn trở nên khó khăn. Ngoài ra, việc cải thiện độ chính xác gợi ý, đa dạng gợi ý và độ tin cậy gợi ý là những mục tiêu quan trọng. Các phương pháp truyền thống như lọc cộng tác dựa trên ma trận phân tích (matrix factorization) có thể không đủ để giải quyết các thách thức này. Do đó, việc áp dụng các kỹ thuật mô hình học sâu và data mining mới như mạng tích chập và embedding là cần thiết. Luận văn này tập trung vào việc giải quyết những vấn đề này bằng cách sử dụng bản đồ tương tác và mạng tích chập để cải thiện hiệu suất của hệ thống gợi ý dựa trên lọc cộng tác. Cụ thể là các điểm còn hạn chế đã được nêu ra ở trang 36 trong phần Kết luận luận văn, tác giả đã diễn đạt lại những điểm đó.

2.1. Vấn Đề Thiếu Hụt Dữ Liệu trong Hệ Thống Gợi Ý

Thiếu hụt dữ liệu là một vấn đề phổ biến trong hệ thống gợi ý, đặc biệt là khi có số lượng lớn người dùng và mục. Khi ma trận tương tác người dùng - sản phẩm rất thưa thớt, các thuật toán gợi ý truyền thống có thể gặp khó khăn trong việc học các mối quan hệ chính xác. Các phương pháp như lấy mẫu tiêu cực (negative sampling) và kỹ thuật tăng cường dữ liệu (data augmentation) có thể được sử dụng để giảm thiểu tác động của vấn đề này.

2.2. Yêu Cầu Nâng Cao Độ Chính Xác và Tin Cậy Gợi Ý

Độ chính xác gợi ý là một trong những yếu tố quan trọng nhất để đánh giá hiệu suất của hệ thống gợi ý. Tuy nhiên, việc chỉ tập trung vào độ chính xác có thể dẫn đến việc gợi ý các mục tương tự, làm giảm tính đa dạng và khám phá. Độ tin cậy gợi ý cũng rất quan trọng, đặc biệt là trong các ứng dụng nhạy cảm như gợi ý sản phẩm y tế hoặc tài chính.

III. Phương Pháp Mới Mạng Tích Chập CNN và Bản Đồ Tương Tác

Luận văn này giới thiệu một phương pháp mới để xây dựng hệ thống gợi ý dựa trên việc kết hợp bản đồ tương tác và mạng tích chập CNN (Convolutional Neural Network). Mạng tích chập được sử dụng để trích xuất các đặc trưng quan trọng từ bản đồ tương tác, cho phép mô hình học được các mẫu tương tác phức tạp giữa người dùng và các mục. Phương pháp này đặc biệt hiệu quả trong việc giải quyết vấn đề thiếu dữ liệu và cải thiện độ chính xác gợi ý. Việc sử dụng mạng tích chập CNN thay cho các lớp mạng liên kết đầy đủ đã cải thiện chất lượng gợi ý, đồng thời làm giảm đáng kể kích thước và tăng tính mở rộng của mô hình. Theo tóm tắt luận văn, phương pháp đề xuất cải thiện từ 1.6% trên thông số đánh giá TIR@10.

3.1. Sử Dụng Mạng Tích Chập để Trích Xuất Đặc Trưng Bản Đồ

Mạng tích chập CNN là một loại mô hình học sâu đặc biệt hiệu quả trong việc xử lý dữ liệu hình ảnh và không gian. Trong bối cảnh hệ thống gợi ý, mạng tích chập có thể được sử dụng để trích xuất các đặc trưng quan trọng từ bản đồ tương tác, chẳng hạn như các mẫu tương tác cục bộ và toàn cục.

3.2. Kết Hợp Bản Đồ Tương Tác với Mạng để Nâng Cao Gợi Ý

Việc kết hợp bản đồ tương tác với mạng tích chập cho phép mô hình học được các mối quan hệ phức tạp giữa người dùng và các mục một cách hiệu quả hơn. Bản đồ tương tác cung cấp thông tin ngữ cảnh phong phú, trong khi mạng tích chập có khả năng trích xuất các đặc trưng quan trọng từ dữ liệu này. Điều này dẫn đến việc cải thiện đáng kể độ chính xác gợi ý và khả năng khám phá.

IV. SeNCF và SeConvNCF Mô Hình Gợi Ý Cải Tiến Chi Tiết

Luận văn đề xuất hai mô hình gợi ý mới là SeNCF (Stacked Embedding Neural Collaborative Filtering) và SeConvNCF (Stacked Embedding Convolutional Neural Collaborative Filtering). SeNCF sử dụng kỹ thuật xếp chồng embedding để biểu diễn người dùng và các mục, trong khi SeConvNCF kết hợp SeNCF với mạng tích chập để trích xuất các đặc trưng phức tạp từ bản đồ tương tác. Cả hai mô hình đều được thiết kế để cải thiện hiệu suất của hệ thống gợi ý dựa trên lọc cộng tác (Collaborative Filtering). Hình 9 mô tả mô hình SeNCF. Hình 10 mô tả mô hình SeConvNCF.

4.1. SeNCF Kiến Trúc và Cơ Chế Hoạt Động Chi Tiết

SeNCF (Stacked Embedding Neural Collaborative Filtering) là một mô hình gợi ý sử dụng kỹ thuật xếp chồng embedding để biểu diễn người dùng và các mục. Kỹ thuật xếp chồng embedding cho phép mô hình học được các biểu diễn phong phú hơn về người dùng và các mục, từ đó cải thiện độ chính xác gợi ý. Kỹ thuật xếp chồng embedding đã được mô tả ở phần phụ lục của luận văn.

4.2. SeConvNCF Kết Hợp Mạng Tích Chập để Tối Ưu Gợi Ý

SeConvNCF (Stacked Embedding Convolutional Neural Collaborative Filtering) là một mô hình gợi ý kết hợp SeNCF với mạng tích chập để trích xuất các đặc trưng phức tạp từ bản đồ tương tác. Mạng tích chập giúp mô hình học được các mẫu tương tác phức tạp giữa người dùng và các mục, từ đó cải thiện đáng kể độ chính xác gợi ý. Các bước chạy thí nghiệm của mô hình đã được trình bày chi tiết ở phần phụ lục của luận văn.

4.3. So Sánh Ưu Nhược Điểm Giữa Mô Hình SeNCF và SeConvNCF

Mặc dù cả SeNCF và SeConvNCF đều là các mô hình gợi ý hứa hẹn, chúng có những ưu và nhược điểm riêng. SeNCF đơn giản hơn và dễ triển khai hơn, trong khi SeConvNCF có khả năng học các mẫu tương tác phức tạp hơn nhờ mạng tích chập. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của ứng dụng.

V. Thử Nghiệm và Đánh Giá Cải Thiện Hiệu Suất Hệ Thống Gợi Ý

Luận văn thực hiện các thử nghiệm trên hai bộ dữ liệu thực tế là MovieLens1M và Pinterest để đánh giá hiệu suất của các mô hình SeNCF và SeConvNCF. Kết quả cho thấy cả hai mô hình đều vượt trội so với các phương pháp lọc cộng tác truyền thống. Đặc biệt, SeConvNCF cho thấy sự cải thiện đáng kể về độ chính xác gợi ý nhờ khả năng trích xuất các đặc trưng phức tạp từ bản đồ tương tác. Bảng 3 và bảng 4 so sánh kết quả gợi ý của các mô hình khác nhau khi thay đổi các tham số.

5.1. Thiết Kế Thử Nghiệm và Bộ Dữ Liệu Sử Dụng MovieLens1M Pinterest

Các thử nghiệm được thiết kế để đánh giá khả năng của các mô hình SeNCF và SeConvNCF trong việc dự đoán các mục mà người dùng có khả năng quan tâm. Hai bộ dữ liệu được sử dụng là MovieLens1M và Pinterest, đại diện cho các lĩnh vực khác nhau. Luận văn cũng mô tả chi tiết thiết kế thử nghiệm ở chương 4.

5.2. So Sánh Hiệu Suất với Các Phương Pháp Lọc Cộng Tác Khác

Hiệu suất của các mô hình SeNCF và SeConvNCF được so sánh với các phương pháp lọc cộng tác truyền thống như ma trận phân tích (matrix factorization) và các mô hình học sâu khác. Kết quả cho thấy các mô hình đề xuất có khả năng vượt trội trong việc dự đoán các mục mà người dùng có khả năng quan tâm. So sánh này đã được thể hiện rõ tại chương 4 của luận văn.

VI. Kết Luận Ưu Điểm và Hướng Phát Triển cho Hệ Thống Gợi Ý

Luận văn này đã giới thiệu một phương pháp mới để xây dựng hệ thống gợi ý dựa trên việc kết hợp bản đồ tương tác và mạng tích chập CNN. Phương pháp này cho thấy tiềm năng cải thiện đáng kể độ chính xác gợi ý và giải quyết vấn đề thiếu dữ liệu. Trong tương lai, có thể mở rộng phương pháp này bằng cách kết hợp thông tin ngữ cảnh, vị trí và các yếu tố khác vào bản đồ tương tác. Ngoài ra, có thể nghiên cứu các kiến trúc mạng tích chập phức tạp hơn để trích xuất các đặc trưng quan trọng từ bản đồ tương tác một cách hiệu quả hơn. Luận văn đã đưa ra những hướng phát triển mới đầy hứa hẹn trong lĩnh vực hệ thống gợi ý.

6.1. Tóm Tắt Kết Quả Đạt Được và Đóng Góp của Luận Văn

Luận văn đã đạt được kết quả đáng khích lệ trong việc cải thiện hiệu suất của hệ thống gợi ý dựa trên lọc cộng tác. Việc kết hợp bản đồ tương tác và mạng tích chập đã chứng minh là một hướng đi đầy hứa hẹn. Luận văn đã đề xuất mô hình SeNCF và SeConvNCF, có khả năng vượt trội so với các phương pháp truyền thống.

6.2. Hướng Nghiên Cứu và Phát Triển Tiềm Năng trong Tương Lai

Trong tương lai, có thể nghiên cứu các kiến trúc mạng tích chập phức tạp hơn, kết hợp thông tin ngữ cảnh, vị trí và các yếu tố khác vào bản đồ tương tác, và khám phá các phương pháp đánh giá hiệu suất mới để xây dựng hệ thống gợi ý thông minh và hiệu quả hơn.

6.3. Những Điểm Hạn Chế Cần Nghiên Cứu Thêm để Cải Thiện

Dù đã đạt được những kết quả tích cực, luận văn cũng chỉ ra những điểm hạn chế cần được nghiên cứu thêm trong tương lai. Ví dụ, việc tối ưu hóa các tham số của mạng tích chập và embedding là một thách thức quan trọng. Bên cạnh đó, việc xử lý dữ liệu không cân bằng và cải thiện tính giải thích của mô hình là những vấn đề cần được quan tâm.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: DAT VANDE. Phát biểu bài taám. Mộtsố nghiên cứu dựa trên hướng tiến cận lọc cộng tác. Mue tiéu và đồng góp của luận văn 1.

Bỏ cục của luận văn. CHUONG 2: BIAU DIEN DU LIEU VA BẢN ĐỒ TƯƠNG TÁC. Biểu diễn one-hot encoding vector.2, Biéu dién embedding vector 2.3, Ban dỖ tương tác 3. Phương pháp xếp chồng biểu chền.2 Phép toán tích ngoại.

Phương pháp lẫu mẫu tiêu cực đối phó với vẫn đề thiếu bụt ât hiệu tương ide (missing data). 7 CIVONG 3: MO DINU GOI Y STACKED EMBEDDING NETWORK COLLABORATIVE FILTERING.1, M6 hinh Stacked embedding Neural CoHuborative Filtering. Mô hình kải hop ciia SeNCF va ConvNCF. Các thông xố đề đánh giá mô lành.

Độ lợi luỹ kế khẩu hao chuẩn hoá (NDCG) - - 7 CHƯƠNG 4: CÀI ĐẶT THỨ NGHIÊM VA DANE GIA. Thiết kế thí nghiệm 4. Tập đữ liệu thử nghiệm.2, Một số phương pháp trước dây dược dùng dễ sơ sánh. Tham số mnê hình.

Kết quả thử nghiệm và so sánh các phương pháp khác. Thử nghiệm với tham số K đặc trưng án 31 4.2 Thử nghiệm với tham số X số lượng feature map của mạng CNN. So sánh và đánh giá 34 CHUONG 5: KET LUẬN. Kết quả dạt dược „ 3,2.

Những điềm còn hạn chế. Hướng phát triển. TÀI LHÿU THAM KHẢO. PHỤ LỤC A, Framework NCP.

Phương pháp xép chẳng embedding. Ð Mô hình SeNCF' E. Mô hình SeConvNCF +. Các bước chạy thí nghiệm.2, Một số phương pháp trước dây dược dùng dễ sơ sánh.

Tham số mnê hình. Kết quả thử nghiệm và so sánh các phương pháp khác. Thử nghiệm với tham số K đặc trưng án 31 4.2 Thử nghiệm với tham số X số lượng feature map của mạng CNN. So sánh và đánh giá 34 CHUONG 5: KET LUẬN.

Kết quả dạt dược „ 3,2. Những điềm còn hạn chế. Hướng phát triển. TÀI LHÿU THAM KHẢO.

PHỤ LỤC A, Framework NCP. Phương pháp xép chẳng embedding. Ð Mô hình SeNCF' E. Mô hình SeConvNCF +.

Các bước chạy thí nghiệm.2, Một số phương pháp trước dây dược dùng dễ sơ sánh. Tham số mnê hình. Kết quả thử nghiệm và so sánh các phương pháp khác. Thử nghiệm với tham số K đặc trưng án 31 4.2 Thử nghiệm với tham số X số lượng feature map của mạng CNN.

So sánh và đánh giá 34 CHUONG 5: KET LUẬN. Kết quả dạt dược „ 3,2. Những điềm còn hạn chế. Hướng phát triển.

TÀI LHÿU THAM KHẢO. PHỤ LỤC A, Framework NCP. Phương pháp xép chẳng embedding. Ð Mô hình SeNCF' E.

Mô hình SeConvNCF +. Các bước chạy thí nghiệm. ANH MỤC TỪ VIET TAT VA THUAT NCU’ Từ viết tất, Tir day da Y nghita thuat ngit ĐATN Đô ím tốt nghiệp Đổ án lốt nghiệp RS Recommender System Hệ thống gợi ý GE Colarborative Filtering Lọc cộng tác CBF Content-based Filtering Lọc nội dung MF Matrix Factorization Thân rã ma trận Generalized Matrix. GME - Tổng quát hoá phân rã ma tran Factorization MLP Multr-Layors Pereeptron Mang neuron da lop Neural Collaborative Filering ‘Kién tnic mang neuron huéng NCE framework lọc nông lắc - i Mang neiron dựa trên phân tã ma NeuME Neural Matrix Factorization.

tran Deep Neural Mang hoc sau neuron da 16 DNCF P ame lở Colarborative Fikering hướng lọc cộng tác ‘Outer product-based Neural 'Kiển trúc mạng neuron tích chập ONCF Collaborative Filtering hướng lọc công tác đựa trên phép framework tich ngoai Stacked embedding Mạng neuron tích chập hướng lọc SeConvNCF Convolutional Neural công lắc sử dụng xếp chồng Collaborative liltenng embedding Stacked embedding Neural | Mạng neuron hưởng lọc cộng tác sử SeNCF Collaborative Filtering dung xép chéng embedding DANH MUC HINH VE Tình 1: Ma hận lương lắc user-iter. - - - 2 Hinh 2: Framework Neural Collaborative Filtering (NCE [7]). Õ Tĩnh 3: Mô hink MLP (Multi-Layer Perceptran) trước (4) và sau khi được kết hợp thêm meladala và các hàm chuau hoa (12 regularizatior) (b} 7 1linh 4: Mô hinh DNCL được mở rộng tử NeuMI. keHereererier 7 Hinh 5: Framework Outer product-based NCF (ONCE [10]) - 8 Hinh 6: Finbedding vector của 3706 taovios của lập Movielens1M.

14 Tĩnh 7: Embedding vector của 3706 movies của tập MovieLens1M nhóm theo rating. - - - - 14 Hinh 8: Xép chồng crubedding cia user va item - - 16 Hình 9: Mô hình SeNCE. 2 Hình 10 Mô hình SeConvNCF kết hợp của mô hình SeNGF và mô hình ComNCEF. - ve oe 4 linh 11: Gia tri UIR@10, NDCG@10 cúa mô hình SeConvNCI theo sẽ step bing gông cụ true quan TensorboardX - - 31 Hình 12: 8o sảnh các mỗ hinh trén framework NCF va cae m6 hind .35 ANH MỤC TỪ VIET TAT VA THUAT NCU’ Từ viết tất, Tir day da Y nghita thuat ngit ĐATN Đô ím tốt nghiệp Đổ án lốt nghiệp RS Recommender System Hệ thống gợi ý GE Colarborative Filtering Lọc cộng tác CBF Content-based Filtering Lọc nội dung MF Matrix Factorization Thân rã ma trận Generalized Matrix.

GME - Tổng quát hoá phân rã ma tran Factorization MLP Multr-Layors Pereeptron Mang neuron da lop Neural Collaborative Filering ‘Kién tnic mang neuron huéng NCE framework lọc nông lắc - i Mang neiron dựa trên phân tã ma NeuME Neural Matrix Factorization. tran Deep Neural Mang hoc sau neuron da 16 DNCF P ame lở Colarborative Fikering hướng lọc cộng tác ‘Outer product-based Neural 'Kiển trúc mạng neuron tích chập ONCF Collaborative Filtering hướng lọc công tác đựa trên phép framework tich ngoai Stacked embedding Mạng neuron tích chập hướng lọc SeConvNCF Convolutional Neural công lắc sử dụng xếp chồng Collaborative liltenng embedding Stacked embedding Neural | Mạng neuron hưởng lọc cộng tác sử SeNCF Collaborative Filtering dung xép chéng embedding DANH MUC HINH VE Tình 1: Ma hận lương lắc user-iter. - - - 2 Hinh 2: Framework Neural Collaborative Filtering (NCE [7]). Õ Tĩnh 3: Mô hink MLP (Multi-Layer Perceptran) trước (4) và sau khi được kết hợp thêm meladala và các hàm chuau hoa (12 regularizatior) (b} 7 1linh 4: Mô hinh DNCL được mở rộng tử NeuMI.

keHereererier 7 Hinh 5: Framework Outer product-based NCF (ONCE [10]) - 8 Hinh 6: Finbedding vector của 3706 taovios của lập Movielens1M. 14 Tĩnh 7: Embedding vector của 3706 movies của tập MovieLens1M nhóm theo rating. - - - - 14 Hinh 8: Xép chồng crubedding cia user va item - - 16 Hình 9: Mô hình SeNCE. 2 Hình 10 Mô hình SeConvNCF kết hợp của mô hình SeNGF và mô hình ComNCEF.

- ve oe 4 linh 11: Gia tri UIR@10, NDCG@10 cúa mô hình SeConvNCI theo sẽ step bing gông cụ true quan TensorboardX - - 31 Hình 12: 8o sảnh các mỗ hinh trén framework NCF va cae m6 hind .35 DANH MUC HINH VE Tình 1: Ma hận lương lắc user-iter. - - - 2 Hinh 2: Framework Neural Collaborative Filtering (NCE [7]). Õ Tĩnh 3: Mô hink MLP (Multi-Layer Perceptran) trước (4) và sau khi được kết hợp thêm meladala và các hàm chuau hoa (12 regularizatior) (b} 7 1linh 4: Mô hinh DNCL được mở rộng tử NeuMI. keHereererier 7 Hinh 5: Framework Outer product-based NCF (ONCE [10]) - 8 Hinh 6: Finbedding vector của 3706 taovios của lập Movielens1M.

14 Tĩnh 7: Embedding vector của 3706 movies của tập MovieLens1M nhóm theo rating. - - - - 14 Hinh 8: Xép chồng crubedding cia user va item - - 16 Hình 9: Mô hình SeNCE. 2 Hình 10 Mô hình SeConvNCF kết hợp của mô hình SeNGF và mô hình ComNCEF. - ve oe 4 linh 11: Gia tri UIR@10, NDCG@10 cúa mô hình SeConvNCI theo sẽ step bing gông cụ true quan TensorboardX - - 31 Hình 12: 8o sảnh các mỗ hinh trén framework NCF va cae m6 hind .35 ĐỂ TÀI LUẬN VĂN Ma dé lai: 19BRCT,C-HTTT04 ‘Theo QD sé 24/QH-DHBK-DI-SBH do Hiệu trưởng Trưởng Đại học Bách.

Khoa HÀ Nội ký ngày L1 tháng Ì năm 2019 1. Họ và tên học viên: Vũ Nhật Ảnh MSHV: CBC19017 2. Chuyên ngành: Hệ thông thông tin T.ớp: Hệ thống thông tin (KA) 3. Người hướng đẫn: TS.

Đon vị Viện Công nghệ Thông tin và Iruyễn thông, Trường Đại học Bách Khoa Hà Nội 5. 'Yên để tải (tiếng Việt) Hệ thống gợi ‡ sử dụng bản đỗ tương tác và mạng tích chập hướng lọc cộng tác 6 Tên đề tải (tiếng Anh) Collaborative filtering recommender system using interaction map and convolutional neural network Giáo viên hướng dan Kỳ và ghỉ rã họ tên ANH MỤC TỪ VIET TAT VA THUAT NCU’ Từ viết tất, Tir day da Y nghita thuat ngit ĐATN Đô ím tốt nghiệp Đổ án lốt nghiệp RS Recommender System Hệ thống gợi ý GE Colarborative Filtering Lọc cộng tác CBF Content-based Filtering Lọc nội dung MF Matrix Factorization Thân rã ma trận Generalized Matrix. GME - Tổng quát hoá phân rã ma tran Factorization MLP Multr-Layors Pereeptron Mang neuron da lop Neural Collaborative Filering ‘Kién tnic mang neuron huéng NCE framework lọc nông lắc - i Mang neiron dựa trên phân tã ma NeuME Neural Matrix Factorization. tran Deep Neural Mang hoc sau neuron da 16 DNCF P ame lở Colarborative Fikering hướng lọc cộng tác ‘Outer product-based Neural 'Kiển trúc mạng neuron tích chập ONCF Collaborative Filtering hướng lọc công tác đựa trên phép framework tich ngoai Stacked embedding Mạng neuron tích chập hướng lọc SeConvNCF Convolutional Neural công lắc sử dụng xếp chồng Collaborative liltenng embedding Stacked embedding Neural | Mạng neuron hưởng lọc cộng tác sử SeNCF Collaborative Filtering dung xép chéng embedding ĐANH MỤC BẰNG Bang 1: So sauh vac kĩ thuật đựa rên lọc cộng tác (CF}.

- 4 Bang 2: Một số thông tin vẻ dữ liệu được sứ dụng. Tăng 3: So sánh kết quả gợi ý trên ITR(@;10 của các mô hình khi thay đếi 33 Bang 4: So sánh kết quả gợi ý trên HR@Q10 của các rô hình khi thay đổi lượng X feature map của mạng CNN. ii ĐANH MỤC BẰNG Bang 1: So sauh vac kĩ thuật đựa rên lọc cộng tác (CF}. - 4 Bang 2: Một số thông tin vẻ dữ liệu được sứ dụng.

Tăng 3: So sánh kết quả gợi ý trên ITR(@;10 của các mô hình khi thay đếi 33 Bang 4: So sánh kết quả gợi ý trên HR@Q10 của các rô hình khi thay đổi lượng X feature map của mạng CNN. ii ĐANH MỤC BẰNG Bang 1: So sauh vac kĩ thuật đựa rên lọc cộng tác (CF}. - 4 Bang 2: Một số thông tin vẻ dữ liệu được sứ dụng. Tăng 3: So sánh kết quả gợi ý trên ITR(@;10 của các mô hình khi thay đếi 33 Bang 4: So sánh kết quả gợi ý trên HR@Q10 của các rô hình khi thay đổi lượng X feature map của mạng CNN.

ii MỤC LỰC CHƯƠNG 1: DAT VANDE. Phát biểu bài taám. Mộtsố nghiên cứu dựa trên hướng tiến cận lọc cộng tác. Mue tiéu và đồng góp của luận văn 1.

Bỏ cục của luận văn. CHUONG 2: BIAU DIEN DU LIEU VA BẢN ĐỒ TƯƠNG TÁC. Biểu diễn one-hot encoding vector.2, Biéu dién embedding vector 2.3, Ban dỖ tương tác 3. Phương pháp xếp chồng biểu chền.2 Phép toán tích ngoại.

Phương pháp lẫu mẫu tiêu cực đối phó với vẫn đề thiếu bụt ât hiệu tương ide (missing data). 7 CIVONG 3: MO DINU GOI Y STACKED EMBEDDING NETWORK COLLABORATIVE FILTERING.1, M6 hinh Stacked embedding Neural CoHuborative Filtering. Mô hình kải hop ciia SeNCF va ConvNCF .