Luận văn thạc sĩ: Hệ thống hỗ trợ tư vấn trong Thương Mại Điện Tử - ĐH Công Nghệ
Luận văn thạc sĩ về hệ thống hỗ trợ tư vấn trong thương mại điện tử. Nghiên cứu giải pháp nâng cao trải nghiệm khách hàng, tăng doanh số bán hàng online.
Trường đại học
Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà NộiChuyên ngành
Công Nghệ Thông TinNgười đăng
Ẩn danhThể loại
Luận Văn Thạc SĩPhí lưu trữ
30 PointMục lục chi tiết
Tóm tắt
I. Tổng Quan Hệ Thống Hỗ Trợ Tư Vấn TMĐT Giới Thiệu Chung
Cùng với sự phát triển nhanh chóng của Internet, thương mại điện tử (TMĐT) đã tạo ra một lượng thông tin khổng lồ về khách hàng và sản phẩm. Khách hàng thường gặp khó khăn trong việc tìm kiếm và lựa chọn thông tin phù hợp. Các công cụ tìm kiếm như Google, Yahoo, Bing,… tỏ ra hữu hiệu nhưng cần nhiều thời gian để lọc thông tin mong muốn. Trong bối cảnh đó, nhu cầu của các hệ tư vấn ngày càng trở nên cấp thiết. Các hệ thống tư vấn sẽ tính toán và dự đoán khả năng một khách hàng quan tâm tới một sản phẩm hay thông tin nào đó, sau đó đưa ra gợi ý phù hợp. Các hệ thống tư vấn có vai trò như một hệ thống lọc thông tin từ những thông tin đã biết về khách hàng và lựa chọn ra những sản phẩm mà khách hàng chưa biết để tư vấn. Các sản phẩm để tư vấn có thể là bất kỳ sản phẩm nào có trong thực tế như sách, báo, phim, trang web, tài chính, ngân hàng, viễn thông,… mà khách hàng có thể lựa chọn. Theo định nghĩa được trích dẫn bởi G.Tuzhilin [13] thì hệ tư vấn là các chương trình có khả năng dự đoán các sản phẩm tới khách hàng mà khách hàng có thể có mối quan tâm về sản phẩm. Như vậy, hệ tư vấn là hệ thống có khả năng tư vấn tới khách hàng khi khách hàng tương tác với hệ thống. Ban đầu, những nghiên cứu về hệ tư vấn được xuất phát từ các công trình nghiên cứu về máy lọc cộng tác kết hợp với các nghiên cứu về lý thuyết xấp xỉ, lý thuyết về dự báo và dự đoán, tìm kiếm thông tin cũng như kết hợp cùng các nghiên cứu về quản lý và các mô hình sự lựa chọn tiêu dùng trong kinh doanh. Sau đó các nghiên cứu hệ tư vấn đã trở thành một lĩnh vực được nghiên cứu độc lập vào giữa thập kỷ 90 [28,34] khi các nhà nghiên cứu tập trung tiến hành giải quyết vấn đề tư vấn một cách tường minh cả trong công nghiệp và khoa học để phát triển hệ tư vấn. Lĩnh vực này được quan tâm nhiều vì nó bao gồm nhiều lĩnh vực cần nghiên cứu cũng như sự phong phú của nó trong những ứng dụng thực tiễn, giúp khách hàng có thể giải quyết khối lượng lớn thông tin, hỗ trợ cung cấp thông tin, tư vấn cụ thể nội dung và dịch vụ tới khách hàng.
1.1. Chức Năng Chính Của Hệ Thống Hỗ Trợ Tư Vấn TMĐT
Các chức năng chính của hệ thống tư vấn được xây dựng có thể hỗ trợ tới khách hàng bao gồm: Tư vấn các sản phẩm tự động cho khách hàng dựa vào lịch sử đánh giá sản phẩm của khách hàng và sở thích của khách hàng. Mỗi khách hàng có một danh sách kết quả tư vấn riêng biệt. Tư vấn các sản phẩm có độ tương tự với các sản phẩm mà khách hàng đang tìm hiểu và so sánh. Giới thiệu các sản phẩm mới tới các khách hàng tiềm năng. Tư vấn sản phẩm tới khách hàng chưa có đánh giá hoặc mối quan tâm tới các sản phẩm của hệ thống. Có khả năng đáp ứng cho các web thương mại có bán nhiều chủng loại hàng hóa.
1.2. Các Phương Pháp Tiếp Cận Trong Hệ Thống Tư Vấn TMĐT
Có nhiều phương pháp đánh giá trọng số như sử dụng học máy, lý thuyết xấp xỉ, các thuật toán dựa kinh nghiệm. Theo [13], từ những nghiên cứu các vấn đề liên quan đến hệ tư vấn và vẫn tiếp tục được thực hiện đến bây giờ hệ thống tư vấn thường được phân thành ba loại dựa theo cách tiếp cận của việc tư vấn: Tư vấn dựa trên lọc nội dung (Content-Based Filter Methods): Người dùng sẽ được tư vấn những sản phẩm tương tự với những sản phẩm đã được người dùng đó ưa thích trước đây. Tư vấn dựa trên lọc cộng tác (Collaborative-Based Filter Methods): Người dùng sẽ được tư vấn những sản phẩm được ưa chuộng xuất phát từ những người có cùng thị hiếu và sở thích với mình. Tư vấn dựa trên cách tiếp cận kết hợp (Hybird Methods): Kết hợp hai phương pháp tiếp cận dựa trên nội dung và tiếp cận dựa cộng tác.
II. Thách Thức Vấn Đề Trong Hệ Thống Tư Vấn TMĐT Hiện Tại
Mặc dù hệ thống tư vấn đã phát triển mạnh mẽ, vẫn còn nhiều thách thức cần giải quyết. Thứ nhất, vấn đề về dữ liệu thưa thớt (data sparsity) xảy ra khi số lượng đánh giá sản phẩm còn hạn chế so với tổng số sản phẩm. Thứ hai, vấn đề khách hàng mới (cold start problem) khiến hệ thống khó khăn trong việc đưa ra gợi ý cho những người dùng chưa có lịch sử tương tác. Thứ ba, vấn đề sản phẩm mới (new item problem) cũng gây khó khăn tương tự khi không có đánh giá cho các sản phẩm mới. Các hệ thống tư vấn cộng tác chỉ dựa vào sở thích của những người dùng để đưa ra những tư vấn. Bởi thế, hệ tư vấn không có khả năng tư vấn tư vấn mới cho đến khi nó được số lượng lớn những người dùng đánh giá.Cuối cùng, hệ thống cần liên tục cải thiện khả năng khám phá (discovery) để giới thiệu những sản phẩm mà người dùng có thể chưa biết đến nhưng sẽ quan tâm. Các hệ thống tư vấn dựa nội dung thường bị giới hạn bởi chính những thuộc tính cấu thành nên đối tượng mà hệ thống đó tư vấn.
2.1. Vấn Đề Thưa Thớt Dữ Liệu Đánh Giá Trong TMĐT
Trong nhiều hệ tư vấn, số những đánh giá đã thu được thường rất nhỏ so với số những đánh giá cần được dự đoán. Kết quả tư vấn của hệ tư vấn cộng tác phụ thuộc nhiều vào những sản phẩm được đại đa số khách hàng đánh giá. Như vậy, với những sản phẩm được đánh giá ít, khả năng tư vấn sản phẩm đó tới khách hàng bị hạn chế. Chẳng hạn, trong hệ tư vấn điện ảnh, có rất nhiều bộ phim đã được đánh giá chỉ bởi một vài người và những bộ phim này khả năng được tư vấn là rất ít, thậm chí ngay cả khi trong số đó có những người dùng đưa ra đánh giá rất cao về chúng.
2.2. Giới Hạn Phân Tích Nội Dung Và Tính Khám Phá Sản Phẩm
Phương pháp tư vấn dựa trên nội dung thường bị giới hạn bởi chính những thuộc tính cấu thành nên đối tượng mà hệ thống đó tư vấn. Thông thường, các kỹ thuật truy vấn thông tin làm việc tốt với cách trích rút các thuộc tính từ tài liệu text. Tuy nhiên, phương pháp tư vấn dựa nội dung gặp khó khăn khi phân tích đối với các thuộc tính có kiểu dữ liệu đa phương tiện như ảnh đồ họa, luồng audio và video. Hệ tư vấn với phương pháp tư vấn dựa nội dung thường đưa ra các sản phẩm tương đương với những sản phẩm đã được đánh giá cao bởi khách hàng trong quá khứ. Sản phẩm được tư vấn có nội dung tương đồng với các sản phẩm khách hàng đã đánh giá.
III. Phương Pháp Tư Vấn Dựa Nội Dung TMĐT Cách Xây Dựng
Trong phương pháp tư vấn dựa trên nội dung, hàm tiện ích u(c,s) của sản phẩm s ứng với khách hàng c được đánh giá dựa trên những hàm ước lượng u(c,si) được gán bởi khách hàng c với những sản phẩm si Є S tương tự với sản phẩm s. Chẳng hạn, trong ứng dụng tư vấn về điện ảnh, để tư vấn những bộ phim cho khách hàng c, hệ tư vấn dựa trên nội dung cố gắng nắm bắt được những điểm chung giữa các bộ phim trước đây được đánh trọng số cao của khách hàng c (chỉ rõ những diễn viên, đạo diễn, thể loại, chủ đề chính,…). Sau đó, chỉ những bộ phim có mức giống nhau cao với bất kì sở thích nào của khác thì sẽ được tư vấn. Phương pháp tiếp cận dựa trên nội dung để tư vấn bắt nguồn từ việc truy vấn thông tin và những nghiên cứu về kỹ thuật lọc thông tin. Do tầm quan trọng cũng như là những thuận lợi của việc truy vấn thông tin, các phương diện của kỹ thuật lọc, các ứng dụng dựa trên một vài văn bản text nên nhiều hệ thống dựa trên nội dung hiện thời đều tập trung vào những sản phầm tư vấn chứa thông tin theo đúng nguyên bản, như những tài liệu Web sites (URLs), và những thông điệp mới của khách hàng.
3.1. Xây Dựng Hệ Thống Dựa Trên Hàm Kinh Nghiệm TF IDF
Giả sử với mỗi sản phẩm s coi Content(s) là thông tin riêng của sản phẩm, là tập các giá trị thuộc tính (tập giá trị đặc trưng) của sản phẩm s. Do hệ thống tư vấn dựa nội dung được thiết kế chủ yếu dành cho các sản phẩm text và nội dung của sản phẩm được biểu diễn bằng các từ khóa (keyword). Với mỗi sản phẩm s trọng số wis đo tầm quan trọng của từ i trong sản phẩm, Content(s) = (w1s,w2s,…wks) với w1s,w2s,…wks là trọng số của các từ khóa từ 1 tới k (có thể được tính bằng TF-IDF).
3.2. Ứng Dụng Mô Hình Phân Lớp Naïve Bayes Trong Tư Vấn
Bên cạnh phương pháp truy vấn thông tin với các hàm kinh nghiệm truyền thống, tư vấn dựa nội dung còn sử dụng nhiều phương pháp học máy khác như phân lớp Bayes [21,25], phân cụm, cây quyết định [26], phương pháp di truyền học [36], mạng neural nhân tạo [37]. Những kỹ thuật này khác với việc truy vấn thông tin, các phương pháp này không tính toán hàm tiện ích bằng hàm kinh nghiệm mà dựa trên mô hình được biết từ tập dữ liệu đào tạo (tập dữ liệu huấn luyện) bằng các kỹ thuật học máy và thống kê.
IV. Tiếp Cận Tư Vấn Dựa Cộng Tác TMĐT Ưu Điểm Nhược Điểm
Không giống như phương pháp tư vấn dựa nội dung, hệ tư vấn dựa cộng tác cố gắng dự đoán hàm tiện ích của các sản phẩm cho những khách hàng cụ thể dựa trên trọng số ban đầu của sản phẩm được cung cấp bởi khách hàng khác. Hệ thống cộng tác dự đoán kết quả hàm u(c,s) của một sản phẩm s với người dùng c dựa trên kết quả đánh giá u(ci, s) giữa người dùng ci và s, trong đó ci là người có cùng sở thích với c. Ví dụ, để gợi ý một bộ phim cho người dùng c, đầu tiên hệ thống cộng tác tìm những người dùng khác có cùng sở thích phim ảnh với c. Sau đó, những bộ phim được họ đánh giá cao sẽ được dùng để tư vấn cho c. Ngoài cách tính độ tương đồng về đánh giá của một khách hàng với các khách hàng khác. Hệ tư vấn cộng tác có thể kết hợp so sánh độ tương đồng của giữa các khách hàng bằng các thuộc tính là thông tin cá nhân của khách hàng. Hệ thống tư vấn cộng tác khắc phục được nhiều nhược điểm của hệ thống dựa trên nội dung.
4.1. Xây Dựng Hệ Thống Tư Vấn Trên Hàm Kinh Nghiệm
Các thuật toán dựa trên kinh nghiệm dự đoán đánh giá của một sản phẩm dựa trên toàn bộ các sản phẩm đã được đánh giá trước đó bởi người dùng. Nghĩa là, đánh giá của sản phẩm s với người dùng c (rc,s) được tổng hợp từ đánh giá của những người dùng khác về s (thường là N người có sở thích tương đồng nhất với c).
4.2. Các Hạn Chế Của Tư Vấn Dựa Cộng Tác Khách Hàng Sản Phẩm Mới
Để đưa ra những tư vấn chính xác, hệ thống đầu tiên phải hiểu những sở thích của người dùng từ những đánh giá mà người dùng đưa ra. Đối với một khách hàng mới của hệ thống, nếu khách hàng chưa có đánh giá gì về các sản phẩm mà họ quan tâm thì hệ tư vấn chắc chắn sẽ không xác định được sản phẩm tốt nhất cho khách hàng. Vấn đề về khách hàng mới cũng là một trong những vấn đề mà phương pháp tiếp cận dựa cộng tác không giải quyết được.
4.3. Hạn Chế Sự Thưa Thớt Dữ Liệu Đánh Giá
Trong nhiều hệ tư vấn, số những đánh giá đã thu được thường rất nhỏ so với số những đánh giá cần được dự đoán. Kết quả tư vấn của hệ tư vấn cộng tác phụ thuộc nhiều vào những sản phẩm được đại đa số khách hàng đánh giá. Như vậy, với những sản phẩm được đánh giá ít, khả năng tư vấn sản phẩm đó tới khách hàng bị hạn chế.
V. Phương Pháp Tư Vấn TMĐT Kết Hợp Giải Pháp Tối Ưu
Từ những hạn chế của phương pháp tư vấn dựa nội dung và phương pháp tư vấn dựa cộng tác, các nhà nghiên cứu đã xây dựng một số hệ tư vấn bằng phương pháp kết hợp để tránh những hạn chế của hai phương pháp trên. Có thể phân loại thành bốn cách kết hợp như sau: Thực thi phương pháp tư vấn dựa nội dung và phương pháp tư vấn dựa cộng tác riêng rẽ, độc lập sau đó kết hợp những dự đoán của chúng. Tích hợp các đặc trưng của phương pháp dựa trên nội dung vào hệ thống cộng tác. Tích hợp các đặc trưng của phương pháp cộng tác vào hệ thống dựa trên đặc trưng. Xây dựng mô hình hợp nhất, bao gồm các đặc trưng của cả hai phương pháp.
5.1. Kết Hợp Thuộc Tính Của Khách Hàng Và Sản Phẩm TMĐT
Kết hợp đồng thời thuộc tính của khách hàng và thuộc tính của sản phẩm thành bộ thuộc tính chung. Giả sử mỗi khách hàng có một tập thuộc tính {fc1,fc2,.fcn} và mỗi sản phẩm có tập thuộc tính {fs1,fs2,.fsk} và ta có thể coi rằng các thuộc tính này độc lập tuyến tính. Khi đó, ta có thể sử dụng mô hình phân lớp với bộ đặc trưng lớn hơn chứa đựng thông tin của cả khách hàng và sản phẩm.
5.2. Tư Vấn Nội Dung Trước Cộng Tác Sau CinemaScreen
Không giống như phương pháp kết hợp các thuộc tính của khách hàng với thuộc tính của sản phẩm. Phương pháp tư vấn thực hiện nội dung trước sau đó thực hiện cộng tác sau vẫn sử dụng hai phương pháp tư vấn dựa nội dung và tư vấn dựa cộng tác độc lập riêng rẽ nhưng có thứ tự.
5.3. Tư Vấn Cộng Tác Trước Nội Dung Sau Lọc Tinh Sản Phẩm
Hệ thống tư vấn thực hiện phương pháp tư vấn dựa cộng tác để xác định những khách hàng có độ tương đồng với khách hàng hiện thời. Từ đó, trích lọc ra danh sách các sản phẩm quan tâm dựa trên sự tương đồng với các khách hàng khác về đánh giá đối với sản phẩm hoặc sự tương đồng về thông tin cá nhân của khách hàng.
VI. Ứng Dụng Mô Hình Học Máy Naïve Bayes Cho Tư Vấn TMĐT
Mô hình Naïve Bayes là một mô hình phân lớp dựa trên thống kê. Phương pháp này giúp ta có thể dự đoán xác suất của các lớp trong tập dữ liệu dựa và kết quả tính xác suất, ta có thể xếp các mẫu vào các lớp riêng biệt. Phương pháp phân lớp Bayes giả thiết rằng giá trị các thuộc tính của một lớp là độc lập với các giá trị của lớp khác. Giả thiết này được gọi là lớp độc lập có điều kiện và được sử dụng trong phương pháp phân tích Bayes để đơn giản hóa các bước tính toán. Lý thuyết Bayes Cho X là một mẫu dữ liệu chưa được phân lớp, gọi H là các giả thiết nào đó sao cho mẫu X thuộc về một lớp xác định C. Vấn đề phân lớp là xác định xác suất P(H|X), là xác suất giả thiết H được chọn với mẫu dữ liệu X cho trước.
6.1. Cơ Chế Hoạt Động Của Mô Hình Phân Lớp Naïve Bayes
Mỗi mẫu dữ liệu được biểu diễn bằng một vector đặc trưng n chiều X=(f1,f2,…fn). Mỗi thuộc tính fi nhận giá trị vij thuộc bộ giá trị {vi1,vi1,…,vik} Giả sử có m lớp l1,l2,.lm (tập các nhãn), lấy một mẫu dữ liệu X chưa biết thuộc lớp nào. Mô hình phân lớp sẽ dự đoán X thuộc về lớp có xác suất hậu nghiệm cao nhất với điều kiện biết trước X. Bộ phân lớp Naïve Bayes sẽ xếp mẫu dữ liệu X vào lớp l* (X được gán nhãn l*) nếu và chỉ nếu: P(l*|X) > P(li|X) với mọi i = 0,1,.m và l* là một nhãn trong tập các phân lớp
6.2. Áp Dụng Lý Thuyết Bayes Vào Phân Lớp Dữ Liệu TMĐT
Như vậy là cần xác định l* để P(l*|X) đạt cực đại. Với f k nhận các giá trị rời rạc thì P( f k | li ) , trong đó count (vki ) là số lượng mẫu trong tập dữ liệu học thuộc nhãn li có giá trị thuộc tính f k bằng v ki. Còn count (v i ) là tổng số các mẫu học thuộc lớp có nhãn li. Đối với đối tượng có count (vki ) 0 tức là không có mẫu nào trong tập dữ liệu học thuộc nhãn li có giá trị thuộc tính f k bằng v ki người ta thay thế xác suất.
24/09/2025
