Luận văn: Mô hình hóa chuỗi hành vi người dùng trong hệ gợi ý (ĐHBK Hà Nội)

Luận văn mô hình hóa chuỗi hành vi người dùng cho hệ gợi ý. Nghiên cứu hành vi, xây dựng mô hình dự đoán, cải thiện hiệu quả gợi ý sản phẩm/dịch vụ.

• Tác giả: Nguyên Văn Túc
• Người hướng dẫn: PGS.TS. Thân Quang Khoát
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Khoa học máy tính
• Đề tài: Mô hình hoá chuỗi hành vi người dùng trong bài toán Hệ gợi ý
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. Giới Thiệu Để Tài
• 2. Cơ sử lý thuyết
• 2.1. 'lổng quan về hệ gợi ý
• 2.2. Các nhám phương pháp chính trong hệ gửi ÿ
• 2.2.1. Gợi ý dựa trên nội dung (Content-based)
• 2.2.2. Gai ¥ ding loc cdng the (Collaborative Filtering)
• 2.2.3. Phan ra ma tran (MF - Matrix Factorization)
• 2.3. Lap các mô hình mạng ndron loc cing tac
• 2.3.1. Nhược điểm của các mô hình phân tách ma trận
• 2.3.2. Mé hinh NeuMF
• 3. Các nghiên cứu liền quan
• 3.1. Hành ví tiềm ẩn và hành vì rõ rằng trong bài toán gợi ý
• 3.2. Bài loán hệ gợi ý với dữ liệu bành vi tiềm ẩn và rõ rằng
• 3.2.1. Mé hinh Implicit lo lxpReit (HE)
• 3.2.2. Mõ lành Sequential Implicit
• 3.3. Sử dụng mạng đồ thị tích chập (GCNS) trong học biểu diễn từ đô thị c wee
• 3.3.1. Xây đựng đồ thị tri thức
• 3.3.2. Mô hình GCNs
• 4. Các mâ hình thứ nghiệm
• 4.1. NGF-HeG
• 4.2. NCF-HoG
• 4.3. TTEHAG
• 4.4. TTER-HeEG
• 5. Thử nghiệm và đánh giá
• 5.1. Tập đữ liệu
• 5.2. Nhóm các mô hình thử nghiệm
• 5.3. Phuong pháp đánh giá và độ do sử dụng
• 5.4. 'Lhiết lập tham số và kết quá thực nghiệm
• 5.5. Một số kịch bản thử nghiệm
• 5.5.1. Hiệu quả của việc sử đụng GENS để ¿ học biểu diễn cho userfitem
• 5.6. Hiệu quả khi mô hình hóa các liên kết bậc cao kết hợp với hầm dự đoán phỉ tuyến
• 5.7. Hiệu quả của các mô hình khi sẽ lượng chiêu của vector ẩn thay đổi
• 5.8. liệu quả của mô hình khi số lượng epochs thay đổi
• 5.9. Hiện quả của mô hình đối với số lượng các hàng xóm khi laymiu a
• 5.10. Hiệu quả của mô hình đối với đỏ thưa của dữ liệu.6 Phân tích lý thuyết và thực nghiệm
• 6. Kết luận
• 7. Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Luận Văn Mô Hình Chuỗi Hành Vi Người Dùng

Luận văn tập trung vào việc mô hình hóa chuỗi hành vi người dùng trong bài toán hệ gợi ý. Trong bối cảnh thương mại điện tử phát triển mạnh mẽ, lượng thông tin trực tuyến khổng lồ khiến người dùng gặp khó khăn trong việc tìm kiếm sản phẩm phù hợp. Hệ gợi ý ra đời để giải quyết vấn đề này, giúp người dùng tiết kiệm thời gian và tăng trải nghiệm hài lòng. Các hệ thống này phân tích lịch sử tương tác của người dùng với sản phẩm, dịch vụ để đưa ra gợi ý sản phẩm phù hợp. Bài toán gợi ý sản phẩm dựa trên lịch sử tương tác là một lĩnh vực được quan tâm rộng rãi trong cả nghiên cứu và doanh nghiệp. Một hướng nghiên cứu lớn giả định rằng có một mối tương tác tiềm ẩn giữa người dùng và sản phẩm, đồng thời mối quan hệ giữa chúng có thể mô hình hóa bởi một lớp các hàm phi tuyến. Nhiều nghiên cứu đã sử dụng các kiến trúc học sâu khác nhau để mô hình hóa quan hệ tiềm ẩn giữa người dùng và sản phẩm và cho thấy hiệu quả tốt trên nhiều bộ dữ liệu nghiên cứu khác nhau. Luận văn này chỉ ra rằng việc sử dụng một vector biểu diễn ẩn tốt hơn trước khi được đưa vào lớp các hàm phi tuyến hoàn toàn có thể cải thiện hiệu quả của mô hình hệ gợi ý. Nghiên cứu tiến hành phân tích, đánh giá và nhận xét hiệu quả của việc sử dụng vector biểu diễn ẩn lấy từ mô hình Graph Neural Networks (GNNs), cụ thể là Graph Convolutional Networks (GCNs) - một mô hình có thể học ra biểu diễn cho các đỉnh của đồ thị trước khi đưa vào lớp các hàm phi tuyến để đưa ra gợi ý sản phẩm cho người dùng. Nội dung của luận văn đang được gửi đăng tại tạp chí User Modeling and User-Adapted Interaction. Luận văn này sử dụng khai thác dữ liệu hành vi để cải thiện độ chính xác gợi ý. Các mô hình mạng nơ-ron hồi quy (RNN) như LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit) được xem xét để nắm bắt chuỗi tương tác người dùng.

1.1. Tổng Quan về Bài Toán Hệ Gợi Ý và Các Phương Pháp

Hệ gợi ý là một công cụ quan trọng trong việc cá nhân hóa trải nghiệm người dùng trên các nền tảng trực tuyến. Mục tiêu chính của hệ gợi ý là dự đoán sở thích của người dùng và đề xuất các sản phẩm hoặc nội dung phù hợp. Có nhiều phương pháp tiếp cận khác nhau để xây dựng hệ gợi ý, bao gồm lọc nội dung (content-based filtering), lọc cộng tác (collaborative filtering) và các phương pháp kết hợp (hybrid recommendation systems). Lọc nội dung dựa trên đặc điểm của sản phẩm và hồ sơ người dùng để đưa ra gợi ý nội dung. Lọc cộng tác khai thác thông tin về sự tương tác của người dùng với các sản phẩm khác để tìm ra những người dùng có sở thích tương đồng và đưa ra gợi ý sản phẩm dựa trên sự lựa chọn của họ. Các phương pháp kết hợp tận dụng ưu điểm của cả hai phương pháp để cải thiện hiệu quả gợi ý sản phẩm.

1.2. Ý Nghĩa và Phạm Vi Ứng Dụng của Hệ Gợi Ý Hiện Đại

Hệ gợi ý có ý nghĩa vô cùng quan trọng trong nhiều lĩnh vực, từ thương mại điện tử đến giáo dục và giải trí. Trong thương mại điện tử, hệ gợi ý giúp tăng doanh số bán hàng bằng cách đề xuất các sản phẩm mà người dùng có khả năng mua. Trong giáo dục, hệ gợi ý có thể đề xuất các khóa học hoặc tài liệu học tập phù hợp với trình độ và sở thích của học sinh. Trong giải trí, hệ gợi ý giúp người dùng khám phá nội dung mới và thú vị, chẳng hạn như phim ảnh, âm nhạc hoặc sách. Phạm vi ứng dụng của hệ gợi ý ngày càng mở rộng nhờ sự phát triển của công nghệ và sự gia tăng của lượng dữ liệu người dùng.

II. Thách Thức và Vấn Đề trong Mô Hình Hóa Chuỗi Hành Vi

Việc mô hình hóa chuỗi hành vi người dùng đối mặt với nhiều thách thức. Dữ liệu hành vi người dùng thường rời rạc, nhiễu và thiếu thông tin rõ ràng. Các chuỗi tương tác người dùng có thể rất dài và phức tạp, gây khó khăn cho việc nắm bắt các mẫu hành vi quan trọng. Bài toán cold start (khởi đầu lạnh), khi hệ thống không có đủ thông tin về người dùng hoặc sản phẩm mới, cũng là một vấn đề lớn. Ngoài ra, các mô hình cần phải xử lý được sự thay đổi của sở thích người dùng theo thời gian và ngữ cảnh. Việc đánh giá hiệu quả của hệ gợi ý cũng không đơn giản, vì cần xem xét nhiều yếu tố như độ chính xác gợi ý, độ bao phủ gợi ý và đa dạng gợi ý. Để giải quyết những thách thức này, cần có các phương pháp khai thác dữ liệu hành vi tiên tiến và các mô hình học máy phù hợp.

2.1. Khó Khăn trong Thu Thập và Tiền Xử Lý Dữ Liệu Hành Vi

Dữ liệu hành vi người dùng thường được thu thập từ nhiều nguồn khác nhau, chẳng hạn như nhật ký truy cập trang web, lịch sử giao dịch, đánh giá sản phẩm và tương tác trên mạng xã hội. Việc tích hợp và làm sạch dữ liệu từ các nguồn khác nhau này là một quá trình phức tạp và tốn thời gian. Dữ liệu có thể bị thiếu, không nhất quán hoặc chứa các lỗi. Ngoài ra, việc bảo vệ quyền riêng tư của người dùng là một vấn đề quan trọng cần được xem xét khi thu thập và xử lý dữ liệu hành vi người dùng. Các kỹ thuật như ẩn danh hóa và mã hóa dữ liệu có thể được sử dụng để giảm thiểu rủi ro vi phạm quyền riêng tư.

2.2. Vấn Đề Sparsity và Cold Start trong Hệ Gợi Ý

Sparsity (tính thưa thớt) xảy ra khi ma trận tương tác người dùng-sản phẩm có rất nhiều giá trị thiếu (người dùng chưa tương tác với sản phẩm). Điều này gây khó khăn cho các thuật toán lọc cộng tác, vì không có đủ thông tin để tìm ra những người dùng có sở thích tương đồng. Cold start (khởi đầu lạnh) xảy ra khi có người dùng hoặc sản phẩm mới mà hệ thống chưa có thông tin. Các phương pháp collaborative filtering truyền thống không thể đưa ra gợi ý sản phẩm cho những người dùng hoặc sản phẩm mới này. Các giải pháp cho vấn đề sparsity và cold start bao gồm sử dụng thông tin bổ sung về người dùng hoặc sản phẩm (chẳng hạn như thông tin nhân khẩu học hoặc mô tả sản phẩm), áp dụng các kỹ thuật matrix factorization hoặc sử dụng các mô hình học sâu.

III. Phương Pháp Mô Hình Hóa Chuỗi Tương Tác Sử Dụng RNN và Attention

Để giải quyết các thách thức trong việc mô hình hóa chuỗi hành vi người dùng, luận văn này tập trung vào việc sử dụng các mô hình recurrent neural networks (RNNs), đặc biệt là LSTM và GRU. Các mô hình này có khả năng nắm bắt các phụ thuộc theo thời gian trong chuỗi tương tác người dùng. Ngoài ra, attention mechanism được sử dụng để tập trung vào các phần quan trọng nhất của chuỗi tương tác người dùng, giúp cải thiện hiệu quả dự đoán hành vi người dùng. Mô hình hóa phiên (session-based modeling) cũng được xem xét để xử lý các trường hợp khi không có thông tin về người dùng, chỉ có thông tin về phiên tương tác.

3.1. Ứng Dụng Mạng Nơ ron Hồi Quy RNN trong Hệ Gợi Ý Tuần Tự

Mạng nơ-ron hồi quy (RNN) là một lựa chọn phổ biến để mô hình hóa chuỗi hành vi người dùng trong hệ gợi ý tuần tự (sequential recommendation). RNN có khả năng duy trì trạng thái ẩn, cho phép chúng ghi nhớ thông tin từ các bước thời gian trước đó trong chuỗi tương tác người dùng. Các biến thể của RNN như LSTM và GRU được thiết kế để giải quyết vấn đề biến mất gradient, cho phép chúng học các phụ thuộc dài hạn trong chuỗi tương tác người dùng. Bằng cách huấn luyện RNN trên lịch sử tương tác của người dùng, hệ thống có thể học cách dự đoán sản phẩm tiếp theo mà người dùng có khả năng tương tác.

3.2. Cơ Chế Attention để Nâng Cao Hiệu Quả Mô Hình Chuỗi Hành Vi

Attention mechanism (cơ chế chú ý) là một kỹ thuật mạnh mẽ để cải thiện hiệu quả của các mô hình RNN trong việc mô hình hóa chuỗi hành vi người dùng. Thay vì xử lý tất cả các bước thời gian trong chuỗi tương tác người dùng một cách đồng đều, attention mechanism cho phép mô hình tập trung vào các bước thời gian quan trọng nhất. Cơ chế này hoạt động bằng cách gán trọng số cho mỗi bước thời gian, cho biết mức độ quan trọng của bước đó trong việc dự đoán sản phẩm tiếp theo. Các trọng số này được học trong quá trình huấn luyện, cho phép mô hình tự động xác định các phần quan trọng nhất của chuỗi tương tác người dùng.

IV. Sử Dụng Mạng Đồ Thị GNNs để Học Biểu Diễn User Item Tối Ưu

Luận văn khám phá việc sử dụng graph neural networks (GNNs), cụ thể là Graph Convolutional Networks (GCNs), để học biểu diễn cho người dùng và sản phẩm. GNNs có khả năng tận dụng cấu trúc đồ thị của dữ liệu tương tác người dùng-sản phẩm để học các biểu diễn chất lượng cao. Các biểu diễn này sau đó được sử dụng để cải thiện hiệu quả gợi ý sản phẩm. Việc sử dụng GNNs giúp giải quyết vấn đề sparsity bằng cách lan truyền thông tin giữa các nút trong đồ thị.

4.1. Xây Dựng Đồ Thị Tương Tác Người Dùng Sản Phẩm cho GNNs

Để sử dụng GNNs, cần xây dựng một đồ thị biểu diễn các mối quan hệ giữa người dùng và sản phẩm. Các nút trong đồ thị đại diện cho người dùng và sản phẩm, và các cạnh đại diện cho sự tương tác giữa chúng (ví dụ: người dùng mua sản phẩm, người dùng đánh giá sản phẩm). Có nhiều cách khác nhau để xây dựng đồ thị, chẳng hạn như sử dụng đồ thị hai phía (bipartite graph) hoặc đồ thị tri thức (knowledge graph). Việc lựa chọn cấu trúc đồ thị phù hợp có thể ảnh hưởng đáng kể đến hiệu quả của GNNs.

4.2. Giải Thích Chi Tiết Kiến Trúc Mạng GCN và Cách Hoạt Động

Graph Convolutional Networks (GCNs) là một loại GNNs phổ biến được sử dụng để học biểu diễn cho các nút trong đồ thị. GCNs hoạt động bằng cách lan truyền thông tin từ các nút lân cận đến nút trung tâm, sử dụng một hàm tổng hợp để kết hợp thông tin từ các nút lân cận. Quá trình này được lặp lại nhiều lần, cho phép GCNs thu thập thông tin từ các nút cách xa nút trung tâm. Kiến trúc của GCNs bao gồm nhiều lớp, mỗi lớp thực hiện một bước lan truyền thông tin. Các tham số của GCNs được học thông qua quá trình huấn luyện, cho phép GCNs tự động học cách trích xuất các đặc trưng quan trọng từ đồ thị.

V. Thử Nghiệm và Đánh Giá Hiệu Quả Mô Hình Gợi Ý Mới Nhất

Luận văn trình bày kết quả thử nghiệm và đánh giá hiệu quả của các mô hình đề xuất trên nhiều bộ dữ liệu khác nhau. Các mô hình được đánh giá dựa trên các độ đo như độ chính xác gợi ý, độ bao phủ gợi ý và đa dạng gợi ý. Kết quả cho thấy rằng việc sử dụng GNNs để học biểu diễn cho người dùng và sản phẩm giúp cải thiện đáng kể hiệu quả hệ gợi ý, đặc biệt là trong các trường hợp sparsity. Phân tích chi tiết về cách các tham số khác nhau ảnh hưởng đến hiệu suất và so sánh với các phương pháp collaborative filtering truyền thống. Luận văn cũng thảo luận về các kịch bản thử nghiệm khác nhau và hiệu quả của việc sử dụng GCNs để học biểu diễn cho user/item.

5.1. Mô Tả Chi Tiết về Bộ Dữ Liệu và Phương Pháp Đánh Giá

Các thử nghiệm được thực hiện trên nhiều bộ dữ liệu khác nhau, bao gồm LastFM, RetailRocket và Recobell. Các bộ dữ liệu này đại diện cho các lĩnh vực khác nhau (âm nhạc, thương mại điện tử) và có các đặc điểm khác nhau (kích thước, sparsity). Các mô hình được đánh giá bằng cách sử dụng các độ đo chuẩn như Precision@K, Recall@K và NDCG@K. Phương pháp đánh giá Hold-out và Cross-validation được sử dụng để đảm bảo tính khách quan của kết quả.

5.2. Phân Tích Kết Quả Thực Nghiệm và So Sánh với Các Mô Hình Khác

Kết quả thực nghiệm cho thấy rằng các mô hình sử dụng GNNs để học biểu diễn cho người dùng và sản phẩm vượt trội hơn so với các mô hình collaborative filtering truyền thống và các mô hình học sâu khác. Các mô hình GNNs có khả năng học các biểu diễn chất lượng cao, giúp cải thiện độ chính xác gợi ý và độ bao phủ gợi ý. Phân tích sâu hơn cho thấy rằng GNNs đặc biệt hiệu quả trong việc xử lý các trường hợp sparsity, nhờ khả năng lan truyền thông tin giữa các nút trong đồ thị.

VI. Kết Luận và Hướng Nghiên Cứu Tương Lai Cho Hệ Gợi Ý

Luận văn đã trình bày một phương pháp hiệu quả để mô hình hóa chuỗi hành vi người dùng trong bài toán hệ gợi ý bằng cách sử dụng GNNs để học biểu diễn cho người dùng và sản phẩm. Kết quả thử nghiệm cho thấy rằng phương pháp này giúp cải thiện đáng kể hiệu quả hệ gợi ý, đặc biệt là trong các trường hợp sparsity. Hướng nghiên cứu tương lai có thể tập trung vào việc phát triển các kiến trúc GNNs phức tạp hơn, kết hợp GNNs với các mô hình attention và khám phá các ứng dụng khác của GNNs trong bài toán gợi ý.

6.1. Tóm Tắt Những Đóng Góp Chính và Ưu Điểm của Luận Văn

Luận văn đóng góp vào lĩnh vực hệ gợi ý bằng cách đề xuất một phương pháp mới để học biểu diễn cho người dùng và sản phẩm sử dụng GNNs. Phương pháp này có ưu điểm là có thể tận dụng cấu trúc đồ thị của dữ liệu tương tác người dùng-sản phẩm để học các biểu diễn chất lượng cao, giúp cải thiện hiệu quả hệ gợi ý, đặc biệt là trong các trường hợp sparsity. Luận văn cũng cung cấp một phân tích toàn diện về hiệu quả của các mô hình đề xuất trên nhiều bộ dữ liệu khác nhau và so sánh với các mô hình khác.

6.2. Đề Xuất Các Hướng Nghiên Cứu Mới và Tiềm Năng Phát Triển

Các hướng nghiên cứu tương lai có thể tập trung vào việc phát triển các kiến trúc GNNs phức tạp hơn, kết hợp GNNs với các mô hình attention và khám phá các ứng dụng khác của GNNs trong bài toán gợi ý. Ví dụ, có thể sử dụng GNNs để học biểu diễn cho các phiên tương tác (sessions) hoặc để mô hình hóa các mối quan hệ giữa các sản phẩm. Ngoài ra, việc kết hợp GNNs với các phương pháp context-aware recommendation (gợi ý dựa trên ngữ cảnh) cũng là một hướng đi tiềm năng.

Trích đoạn nội dung tài liệu

TRƯỜNG ĐẠI HỌC BÁCH KIOA HÀ NỘI LUẬN VĂN THẠC SĨ Mô hình hoá chuỗi hành vi người dùng trong bài toán Hệ gợi ý NGUYÊN VĂN TÚC guryentnel 003@)gznail com Ngành Khoa học máy tính Giảng viền hướng dẫn: PGS. Thin Quang Khost Chữlý của GVHD Viện: Công nghệ Thông tin và Truyền thông HÀ NỘI, 03/2021 Lời Cảm Ơn Đầu tiên, em xin được gửi lời cảm ơn chân thành đến các thầy giáo, cô giáo thuộc trường dại học Bách Khoa Hà Nội. Trong quá trình học tập tại trường, em đã được các thầy cô trang bị những kiến thức quý báu, đặc biệt các thầy cô của Viện Công nghệ thông tìn và truyền thông. VÀ may mắn hơn khi em được tham gia nghiên cứu tại Data Seience Lab cing voi cée thay, cac ban trong nhém Machine Learning, Em xin c&m øn sự giúp đỡ chỉ bão tận tỉnh, những lời khuyên tâm huyết không chỉ trên con đường học tập ca PCS.

TS Thin Quang Khoát và Th8 Ngõ Văn Tình, Nhờ những kiến thức trong quá trình dược làm việc với các thầy, em có nhiều kinh nghiệm, kiến thức hơn để có thể hoàn thành luận văn một cách tốt nhất. Em xin gửi lời cảm ơn tới gia đình và bạn bè. Gia đình và bạn bè luồn là chỗ đựa vững chắc giún em có niềm tin để hoàn thành mọi công việc. Nghiên cứu này được tài trợ bởi Công ty TNHH Đầu tư và Phát triển đồ thị Gia Lâm thuộc Tập đoàn Vingroup và hỗ trợ bởi Quỹ Dồi mới sáng tạo Vingroup (VINIF) trong Dy an ma sé VINIF.

Hoc vien thye hién: Ngnyén Van Tric, CR190201 Lời cam đoan tồi - Nguyễn Văn Túe - cam kết luận văn này là công trình nghiên cứu của tới dưi sự hướng dẫn của PGS. T8 Thân Quang Khoái, Các kết qué néu trong luận vị là trung thực, không phải là sao chép của bắt cứ dũng trình đã được ìng bố nào khác. TẤL cả các trích đầu dược tham chiều rõ rằng, Ha Nội, ngày 06 tháng 04 năm 2021 “Tác giá luận vũn Nguyễn Văn Tic Xác nhận của người hướng dan Hạc viên thực hiện: Nguyễn Văn Tic, GBR19020| Mục lục 1 Giới Thiệu Để Tài 13 2 Cơ sử lý thuyết 16 2.1 'lổng quan về hệ gợi ý 16 9.2 Các nhám phương pháp chính trong hệ gửi ÿ .1 Gợi ý dựa trên nội dung (Content-based).2 Gai ¥ ding loc cdng the (Collaborative Filtering).3 Phan ra ma tran (MF - Matrix Factorization) ©.30 Lap các mô hình mạng ndron loc cing tac 6 .1 Nhược điểm của các mô hình phân tách ma trận.2 Mé hinh NeuMF 2L 3 Các nghiên cứu liền quan 23 3.1 Hành ví tiềm ẩn và hành vì rõ rằng trong bài toán gợi ý 23 3.2 Bài loán hệ gợi ý với dữ liệu bành vi tiềm ẩn và rõ rằng.1 Mé hinh Implicit lo lxpReit (HE) .2 Mõ lành Sequential Implicit.3 Sử dụng mạng đồ thị tích chập (GCNS) trong học biểu diễn từ đô thị c wee 3.1 Xây đựng đồ thị tri thức .2 Mô hình GCNs. vu ng vở 4 Các mâ hình thứ nghiệm A.

NGF-HeG 42 NCF-HoG 43 TTEHAG.ẶẶ Qua AA TTER-HeEG. Quy 5 Thử nghiệm và đánh giá GA Tập đữ liệu.2 Nhóm các mô hình thử nghiệm .3 Phuong pháp đánh giá và độ do sử dụng 5.4 'Lhiết lập tham số và kết quá thực nghiệm.5 Một số kịch bản thử nghiệm.1 Hiệu quả của việc sử đụng GENS để ¿ học biểu diễn cho userfitem. 20 ee Hoc vien thye hién: Ngnyén Van Tric, CR190201 Mục lục 1 Giới Thiệu Để Tài 13 2 Cơ sử lý thuyết 16 2.1 'lổng quan về hệ gợi ý 16 9.2 Các nhám phương pháp chính trong hệ gửi ÿ .1 Gợi ý dựa trên nội dung (Content-based).2 Gai ¥ ding loc cdng the (Collaborative Filtering).3 Phan ra ma tran (MF - Matrix Factorization) ©.30 Lap các mô hình mạng ndron loc cing tac 6 .1 Nhược điểm của các mô hình phân tách ma trận.2 Mé hinh NeuMF 2L 3 Các nghiên cứu liền quan 23 3.1 Hành ví tiềm ẩn và hành vì rõ rằng trong bài toán gợi ý 23 3.2 Bài loán hệ gợi ý với dữ liệu bành vi tiềm ẩn và rõ rằng.1 Mé hinh Implicit lo lxpReit (HE) .2 Mõ lành Sequential Implicit.3 Sử dụng mạng đồ thị tích chập (GCNS) trong học biểu diễn từ đô thị c wee 3.1 Xây đựng đồ thị tri thức .2 Mô hình GCNs. vu ng vở 4 Các mâ hình thứ nghiệm A.

NGF-HeG 42 NCF-HoG 43 TTEHAG.ẶẶ Qua AA TTER-HeEG. Quy 5 Thử nghiệm và đánh giá GA Tập đữ liệu.2 Nhóm các mô hình thử nghiệm .3 Phuong pháp đánh giá và độ do sử dụng 5.4 'Lhiết lập tham số và kết quá thực nghiệm.5 Một số kịch bản thử nghiệm.1 Hiệu quả của việc sử đụng GENS để ¿ học biểu diễn cho userfitem. 20 ee Hoc vien thye hién: Ngnyén Van Tric, CR190201 Danh sách các kí hiệu dùng trong đồ án u “Tập các người dùng » Tập các sắn phẩm AM — |, —|V| Số lượng các người dùng và sản phẩm X—[#u)wxw — Dữ liệu tưởng tắc ( n ầm Y =(wa)avw — Dữ liệu tương tác tường minh AT Tap c&c tuong tic quan sat dugc trong X XxX “lập các tương tác khöng quan sat duge trong X “lập các tương tác quan sát được trong Y “TRỊ các Lượng; Lắp không, quan gắt được trong ¥ Veclor biển diễn Ấn của người dùng œ Lại lằng thứ k Vecbor biểu diễn ẩn cña sản phẩm ¡ tại tang thứ k Ma trận trọng số tai tang thứ / Ma trận biểu diễn của tắt cả các đỉnh tại tầng thứ ¿ A Ma trận kề của các đỉnh trong đồ thị D Ma trận bạc của các đỉnh trong đồ thị r Ma tran don vi Ne Tap ode sắm phẩm dược tưởng bác bởi người dũng ír Ny "Tập các người dùng tương tác với sản pham i lel Chuẩn bậc hai của vector œ of) am kich hoạt x “Trọng sé diéu chinh gié tri regularization (le Chuan Frobenius ctia ma tran W Hạc viên thực hién: Ngnyén Van Tric, CR190201 10 Danh sách hình vẽ Hình mình họa hướng tiếp cận dựa trên lọc nội dung và lọc công the ớ Minh họa phan 1rã ma trần. Ví dụ cho thấy hạn chế cha ME NeuME.

Kiến trúc mỏ hình bnpliett To o Explictt Kién tric m6 hinh Sequential Implicit To Explicit Kién trée mé hinh Sequential Tinplicit, To Explicit, 2. Xay dung dé thi déng nh&t user graph, item graph Xây dựng đồ thi khéng déng nhat user - item graph. Kién trie mé hinh NCT-IloG. Kiến trúc mỗ hình NGF-HeG su ha Mô hình ITE-IIeG.

Kiến Irúc mỗ hình TTE-HSG. Hiệu quả của c§e mô hình trên bộ dữ liên LastEim khi số biến ân K thay đổi. Giá trị cao hơn là tốt hơn,. + Hiệu quả của.

các mô bình trên bộ đữ liệu LastFm-2E khi số biến Ấn K thay dối. Giá trị cao hơn là tốt hứa. cu na Hiệu quả của các mô hình trên bệ dữ liệu Itetail Itocket khi số biến ẩn K thay đổi. Giá trị cao hơn là tốt hứn.

Hiệu quả của. các mé hinh trén b6 dit ligu Recobell khi số biến ấm K thay dối. Giá trị cao hau Baét hon 18 Hiệu quả của các mö hình trên bộ đữ liệu LastEra khi số biến ấn K thay đổi, GHá trị cao hơn atéb hon 2 Ls 19 Hiệu quả của các mỡ hình trên bộ đữ liệu LastEm-2K khi số hiển an # thay đổi. Giá trị cao hơn là tốt hdn.

48 20 Hiệu quả của các mô hình trên bộ dữ liệu Retail rocket khi số hiến an £ thay đổi. Giá trị cao hơn là tốt hơn. 4g Hiệu quả của. các mô hình trên bộ dữ liệu Recolsell khi sốó biển ấn K thay đổi.

Giá trị cao hơn là tốt hơn 49 Hiệu quả của các mö hình trên bợ dữ liệu Lastfñn khi số lượng spoch tăng dần. Từ trái qua phải # € {8;16;32;64}. Giá trị cao hơn là tất hơn. " Hạc viên thực hién: Ngnyén Van Tric, CR190201 Danh sách các từ viết tắt và thuật ngữ ME Phân rã ma trận MP Mang lan Lruyền tiển nhiều Lằng Minibateh Doan di lieu ‘Lrain Hoe - hudn luyén Neural network Mang no-ron Implicit Module Thành phần tiểm ẩn Esplioit Modnle Thanh phần lưỡng mình Hạc viên thực hiện: Nguyễn Văn Tic, GBR19020| ‘Yom 'Tét Luận Văn Với sự phát triển ngày càng mạnh mẽ của các lĩnh vực thương mại điện tử, các giao dịch trực tuyến diễn ra ngày càng nhiều và phố biến.

“Theu đó, với một số lượng cực kỳ lồn thông lin trên inleruel, người đùng cần biết chọn lọc ra những thông tìn phù hợp với nhu cẩu và sở thích của mí nhân. Bài boán gợi ý ra dời nhầm giải quyết vẫn 4 này, một hệ thống với một cơ chế gợi # hợp lý sẽ thúc đẩy sự tương tác cña người dừng đi với he thống băng các gợi ý các sản phẩm, địch vụ hợp lý. Trong thực 1 một hệ thống gợi ý hợp lý sẽ giấp tiết kiệm thời gian của người dùng và tăng sự hài lòng của người dùng khi sử dụng hệ thông. Cho đến nay dã cá rất nhiền nghiên cứ khác nhan đã đưa ra những mö hình gợi ý và được áp dụng rộng rãi trên nhiều lĩnh vực như: các webzire thương mnại điện tử, trang web tín tức trực tuyến.

Bài toán đưa ra. gợi ý dựa trên các lịch sử tương tác giữa người dùng. và sân phẩm là một. bài toán dược rÃi, nhiều sự quan tầm Trong cả nghiên cứu và doanh nghiệp.

“1rong đó, một hướng nghiền cứu lớn giả định rằng cá một mỗi tương tác tiềm ẩn giữa các người đùng và sin phẩm, đồng thoi indi quan hé gitta chúng có thể mô hình hóa bởi một, lớp các hàm phí tuyến [7|. Từ đó nhiều nghiên cứu đã đưa các kiên. trúc học gân khác nhan để mũ hình hóa quan hệ tiểm ấn giữa người dùng và sản phẩm '12,14, 19,20] và điều đó thực sự cho thấy hiệu quả. tốt trên nhiều bộ dữ liệ nghiên cứu khác nhau.

Trong luận văn này, chúng tôi chỉ ra rằng việc sử dụng một vector biểu diễn ẩn tốt hơn trước khi được vào lắp các hàm phì tuyến hoàn toàn có thể cải thiện hiệu quả của mô hình hệ gợi ý. Chúng tôi tiến hành phân tích, đánh gid và nhận xết hiệu quả bửa việc sử dung vector biéu didn ấn lây tit mô hình QƠNs - một mỡ hình có thể học ra biểu diễn cho các đỉnh của đỗ thị trước khi đưa vào lớp các hàm phi tuyến để dưa ra gợi ý cho người dùng. Nội dụng củn luận vấn dang dược gửi đãng tại tạp chí User Mad- cling and Uscr-Adapted Intoraction ` ThEtps://wwew.cnm/jaurnal/11357 Hạc viên thục hién: Ngnyén Van Tric, CR190201 Mục lục 1 Giới Thiệu Để Tài 13 2 Cơ sử lý thuyết 16 2.1 'lổng quan về hệ gợi ý 16 9.2 Các nhám phương pháp chính trong hệ gửi ÿ .1 Gợi ý dựa trên nội dung (Content-based).