Luận Văn: Nghiên Cứu Mô Hình Hóa Hành Vi Người Dùng Dựa Trên Dữ Liệu Web

Luận văn nghiên cứu mô hình hóa hành vi người dùng từ dữ liệu web. Tìm hiểu phương pháp, ứng dụng phân tích để tối ưu trải nghiệm và hiệu quả kinh doanh.

• Tác giả: Trần Trung Hiếu
• Người hướng dẫn: Ts. Nguyễn Bình Minh
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên Cứu Phương Pháp Mô Hình Hóa Hành Vi Người Dùng Dựa Trên Dữ Liệu Web
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ
• MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Tổng quan về hành vi người dùng
• 1.2. Yếu tố ảnh hưởng hành vị người dùng
• 1.3. Khai phá dữ liệu
• 1.3.1. Khái niệm
• 1.3.2. Quá trình khai phá trí thức
• 1.3.3. Các phương pháp khai phá dữ liệu
• 1.4. Xây dựng ma trận Utility
• 1.5. Gợi ý dựa trên nội dung
• 1.6. Lọc cộng tác
• 1.7. Phương pháp đánh giá sai số
• 1.7.1. Đánh giá độ chính xác của dự đoán
• 1.7.2. Đánh giá việc sử dụng các dự đoán
• 2. CHƯƠNG 2: MÔ HÌNH HÓA HÀNH VI
• 2.1. Cơ sở mô hình hóa hành vi
• 2.1.1. Hành vi người dùng trong dữ liệu web
• 2.2. Quy trình khai phá hành vi
• 2.2.1. Quy trình tổng quát
• 2.2.2. Tiền xử lý dữ liệu
• 2.2.3. Biểu diễn kết quả
• 2.2.4. Kiến trúc hệ thống
• 2.2.4.1. Kiến trúc phân tầng
• 2.2.4.2. Kiến trúc các thành phần của hệ thống
• 3. CHƯƠNG 3: THỬ NGHIỆM
• 3.1. Mô tả dữ liệu
• 3.1.1. Giới thiệu nguồn gốc dữ liệu
• 3.1.2. Cấu trúc dữ liệu
• 3.2. Phân tích bài toán
• 3.3. Quá trình khai phá hành vi
• 3.3.1. Tựa chọn dữ liệu
• 3.3.2. Tiền xử lý dữ liệu
• 3.3.3. Huấn luyện và dự báo
• 3.3.4. Biểu diễn kết quả
• 3.4. Chức năng các thành phần
• 3.5. Kết quả thu được và nhận xét
• 3.5.1. Kết quả dự đoán dựa rd
• 3.5.2. Kết quả của phân loại phê bình
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

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

Luận văn nghiên cứu về mô hình hóa hành vi người dùng dựa trên dữ liệu web là một lĩnh vực quan trọng trong bối cảnh số hiện nay. Việc hiểu rõ cách người dùng tương tác trực tuyến, từ việc duyệt web, mua sắm, đến tương tác trên mạng xã hội, mang lại những thông tin giá trị cho nhiều lĩnh vực khác nhau. Các công ty có thể sử dụng thông tin này để cải thiện trải nghiệm người dùng, cá nhân hóa dịch vụ và tăng doanh thu. Các nhà nghiên cứu có thể sử dụng nó để hiểu rõ hơn về hành vi người dùng trên Internet và phát triển các mô hình dự đoán chính xác hơn. Luận văn này sẽ trình bày một tổng quan về các phương pháp nghiên cứu hành vi người dùng hiện có, các thách thức liên quan đến việc thu thập và xử lý dữ liệu web, và các ứng dụng tiềm năng của mô hình hóa hành vi trực tuyến. Dữ liệu nhật ký web đóng vai trò then chốt trong việc phân tích này, cung cấp bằng chứng thực tế về các tương tác người dùng.

1.1. Tầm Quan Trọng của Phân Tích Hành Vi Người Dùng

Phân tích hành vi người dùng là quá trình thu thập, đo lường và giải thích các hành động của người dùng trên môi trường số. Quá trình này cung cấp cái nhìn sâu sắc về nhu cầu, mong muốn và thói quen của người dùng. Từ đó, các nhà phát triển sản phẩm, nhà marketing và các nhà nghiên cứu có thể đưa ra các quyết định sáng suốt hơn để cải thiện sản phẩm, dịch vụ và trải nghiệm người dùng. Ví dụ: một trang web thương mại điện tử có thể sử dụng phân tích hành vi để xác định những sản phẩm mà người dùng quan tâm, những trang mà họ thường xuyên truy cập và những yếu tố nào ảnh hưởng đến quyết định mua hàng của họ.

1.2. Giới Thiệu Các Loại Dữ Liệu Web Phổ Biến

Dữ liệu web có nhiều dạng khác nhau, bao gồm dữ liệu nhật ký web, dữ liệu giao dịch, dữ liệu mạng xã hội và dữ liệu đánh giá sản phẩm. Mỗi loại dữ liệu này cung cấp những thông tin khác nhau về hành vi người dùng. Dữ liệu nhật ký web ghi lại các hành động của người dùng trên trang web, chẳng hạn như các trang họ đã truy cập, thời gian họ ở lại trên mỗi trang và các liên kết họ đã nhấp vào. Dữ liệu giao dịch ghi lại các giao dịch mua bán mà người dùng đã thực hiện. Dữ liệu mạng xã hội ghi lại các tương tác của người dùng trên mạng xã hội, chẳng hạn như các bài đăng họ đã thích, các bình luận họ đã để lại và các người dùng mà họ đã kết nối. Dữ liệu đánh giá sản phẩm ghi lại các đánh giá và nhận xét của người dùng về các sản phẩm và dịch vụ.

II. Thách Thức Trong Mô Hình Hóa Hành Vi Từ Dữ Liệu Web

Mặc dù mô hình hóa hành vi người dùng dựa trên dữ liệu web mang lại nhiều lợi ích, nhưng cũng đi kèm với nhiều thách thức. Một trong những thách thức lớn nhất là khối lượng lớn và tính phức tạp của dữ liệu web. Dữ liệu web thường xuyên được tạo ra với tốc độ chóng mặt và có thể bao gồm nhiều loại thông tin khác nhau, từ văn bản, hình ảnh, video đến các tương tác phức tạp trên trang web. Việc xử lý và phân tích khối lượng dữ liệu lớn này đòi hỏi các kỹ thuật và công cụ mạnh mẽ. Thêm vào đó, vấn đề về bảo mật dữ liệu hành vi người dùng và quyền riêng tư hành vi người dùng cũng ngày càng được quan tâm. Các phương pháp mô hình hóa dữ liệu người dùng cần tuân thủ các quy định về bảo vệ dữ liệu và đảm bảo rằng thông tin cá nhân của người dùng được bảo vệ.

2.1. Vấn Đề Về Chất Lượng và Độ Tin Cậy Của Dữ Liệu Web

Không phải tất cả dữ liệu web đều có chất lượng tốt. Dữ liệu web có thể bị thiếu, không chính xác hoặc không nhất quán. Ví dụ: dữ liệu nhật ký web có thể bị thiếu do lỗi kỹ thuật hoặc do người dùng chặn theo dõi. Dữ liệu mạng xã hội có thể bị sai lệch do các tài khoản giả mạo hoặc do các chiến dịch quảng cáo. Việc đảm bảo chất lượng và độ tin cậy của dữ liệu web là rất quan trọng để đảm bảo tính chính xác của các mô hình hóa hành vi.

2.2. Khó Khăn Trong Việc Giải Quyết Vấn Đề Quyền Riêng Tư

Việc thu thập và sử dụng dữ liệu web để mô hình hóa hành vi người dùng có thể gây ra những lo ngại về quyền riêng tư. Người dùng có thể không muốn thông tin cá nhân của họ được thu thập và sử dụng mà không có sự đồng ý của họ. Do đó, các nhà nghiên cứu và các công ty cần tuân thủ các quy định về bảo mật dữ liệu và đảm bảo rằng họ thu thập và sử dụng dữ liệu một cách có trách nhiệm. Việc ẩn danh hóa dữ liệu và sử dụng các kỹ thuật bảo vệ quyền riêng tư có thể giúp giảm thiểu những lo ngại này.

2.3. Sự Thay Đổi Liên Tục của Hành Vi Người Dùng Trực Tuyến

Hành vi người dùng trên Internet không phải là tĩnh tại mà liên tục thay đổi theo thời gian. Các xu hướng mới xuất hiện thường xuyên, và người dùng có thể thay đổi sở thích và thói quen của họ. Do đó, các mô hình hóa hành vi cần được cập nhật thường xuyên để phản ánh những thay đổi này. Việc sử dụng các kỹ thuật học máy có thể giúp tự động hóa quá trình cập nhật mô hình.

III. Phương Pháp Mô Hình Hóa Hành Vi Dựa Trên Dữ Liệu Web

Có nhiều phương pháp khác nhau để mô hình hóa hành vi người dùng dựa trên dữ liệu web. Các phương pháp này có thể được chia thành ba loại chính: mô hình hóa dựa trên quy tắc, mô hình hóa thống kê và mô hình hóa học máy. Mô hình hóa dựa trên quy tắc sử dụng các quy tắc được xác định trước để mô tả hành vi người dùng. Mô hình hóa thống kê sử dụng các kỹ thuật thống kê để phân tích dữ liệu web và xác định các mẫu hành vi. Mô hình hóa học máy sử dụng các thuật toán học máy để học các mô hình hóa hành vi từ dữ liệu.

3.1. Ứng Dụng Kỹ Thuật Khai Phá Dữ Liệu Web Để Mô Hình Hóa

Khai phá dữ liệu web là một lĩnh vực liên ngành kết hợp các kỹ thuật từ thống kê, học máy và cơ sở dữ liệu để khám phá các mẫu và xu hướng tiềm ẩn trong dữ liệu web. Các kỹ thuật khai phá dữ liệu web có thể được sử dụng để xác định các nhóm người dùng có hành vi tương tự (phân cụm hành vi người dùng), dự đoán hành động tiếp theo của người dùng (dự đoán hành vi người dùng) và phát hiện các bất thường trong hành vi người dùng.

3.2. Sử Dụng Học Máy để Phân Tích Hành Vi Người Dùng

Học máy cung cấp một bộ công cụ mạnh mẽ để phân tích hành vi người dùng. Các thuật toán học máy có thể học các mô hình hóa hành vi phức tạp từ dữ liệu web mà không cần sự can thiệp thủ công. Ví dụ: các thuật toán phân loại có thể được sử dụng để phân loại người dùng thành các nhóm khác nhau dựa trên hành vi của họ. Các thuật toán hồi quy có thể được sử dụng để dự đoán giá trị của một biến dựa trên các biến khác. Các thuật toán phân cụm có thể được sử dụng để tìm các nhóm người dùng có hành vi tương tự.

IV. Ứng Dụng Thực Tế của Mô Hình Hóa Hành Vi Người Dùng

Việc mô hình hóa hành vi người dùng dựa trên dữ liệu web có nhiều ứng dụng thực tế. Nó có thể được sử dụng để cải thiện trải nghiệm người dùng, cá nhân hóa dịch vụ, tăng doanh thu và ngăn chặn gian lận. Ví dụ: một trang web thương mại điện tử có thể sử dụng mô hình hóa hành vi để đề xuất các sản phẩm mà người dùng có thể quan tâm dựa trên lịch sử duyệt web và mua hàng của họ. Một ngân hàng có thể sử dụng mô hình hóa hành vi để phát hiện các giao dịch gian lận bằng cách xác định các mẫu hành vi bất thường.

4.1. Cải Thiện Trải Nghiệm Người Dùng và Cá Nhân Hóa Dịch Vụ

Mô hình hóa hành vi có thể được sử dụng để cung cấp trải nghiệm người dùng cá nhân hóa hơn. Ví dụ: một trang web có thể hiển thị nội dung khác nhau cho những người dùng khác nhau dựa trên sở thích và hành vi của họ. Một ứng dụng có thể điều chỉnh giao diện của nó dựa trên cách người dùng sử dụng nó.

4.2. Dự Đoán Xu Hướng Hành Vi và Tối Ưu Hóa Marketing

Mô hình hóa hành vi có thể được sử dụng để dự đoán xu hướng hành vi và tối ưu hóa marketing. Ví dụ: một công ty có thể sử dụng mô hình hóa hành vi để xác định những sản phẩm nào sẽ bán chạy nhất trong tương lai và điều chỉnh chiến lược marketing của mình cho phù hợp. Các kỹ thuật segmentation hành vi người dùng cho phép các nhà tiếp thị nhắm mục tiêu đến các nhóm người dùng cụ thể với các thông điệp phù hợp.

4.3. Phát Hiện Gian Lận và Đảm Bảo An Ninh Mạng

Mô hình hóa hành vi có thể được sử dụng để phát hiện gian lận và đảm bảo an ninh mạng. Bằng cách xây dựng một mô hình về hành vi bình thường, có thể dễ dàng phát hiện ra các hành vi bất thường có thể chỉ ra gian lận hoặc tấn công mạng.

V. Đánh Giá và So Sánh Các Phương Pháp Mô Hình Hóa Hiện Nay

Việc đánh giá mô hình hành vi người dùng là một bước quan trọng để đảm bảo hiệu quả và độ tin cậy. Có nhiều phương pháp khác nhau để đánh giá mô hình, bao gồm độ chính xác, độ phủ sóng và khả năng giải thích. Độ chính xác đo lường mức độ chính xác của mô hình trong việc dự đoán hành vi người dùng. Độ phủ sóng đo lường phần trăm hành vi người dùng mà mô hình có thể giải thích. Khả năng giải thích đo lường mức độ dễ dàng để hiểu mô hình và lý do tại sao nó đưa ra những dự đoán nhất định.

5.1. Các Chỉ Số Đánh Giá Độ Chính Xác và Hiệu Quả Của Mô Hình

Các chỉ số phổ biến để đánh giá độ chính xác của mô hình bao gồm precision, recall, F1-score và AUC. Precision đo lường tỷ lệ các dự đoán dương tính là chính xác. Recall đo lường tỷ lệ các trường hợp dương tính thực tế được dự đoán chính xác. F1-score là trung bình điều hòa của precision và recall. AUC đo lường diện tích dưới đường cong ROC, thể hiện khả năng phân biệt giữa các lớp khác nhau của mô hình.

5.2. So Sánh Ưu Điểm và Nhược Điểm Của Các Phương Pháp

Mỗi phương pháp mô hình hóa đều có những ưu điểm và nhược điểm riêng. Mô hình hóa dựa trên quy tắc dễ hiểu và dễ triển khai, nhưng nó có thể không chính xác bằng các phương pháp khác. Mô hình hóa thống kê có thể chính xác hơn mô hình hóa dựa trên quy tắc, nhưng nó có thể khó hiểu hơn. Mô hình hóa học máy có thể chính xác nhất, nhưng nó cũng có thể khó hiểu nhất và đòi hỏi lượng dữ liệu lớn.

VI. Triển Vọng Tương Lai Nghiên Cứu Mô Hình Hóa Hành Vi Người Dùng

Lĩnh vực mô hình hóa hành vi người dùng dựa trên dữ liệu web tiếp tục phát triển nhanh chóng. Trong tương lai, có thể mong đợi sự phát triển của các phương pháp mô hình hóa tiên tiến hơn, chẳng hạn như sử dụng học sâu để mô hình hóa các hành vi phức tạp hơn. Ngoài ra, có thể mong đợi sự chú trọng hơn đến vấn đề quyền riêng tư và bảo mật dữ liệu trong mô hình hóa hành vi.

6.1. Hướng Nghiên Cứu Mới Về Mô Hình Hóa Dữ Liệu Người Dùng

Các hướng nghiên cứu mới bao gồm sử dụng học sâu để mô hình hóa các hành vi phức tạp hơn, phát triển các phương pháp mô hình hóa có thể giải thích hơn và nghiên cứu các yếu tố ảnh hưởng đến hành vi người dùng.

6.2. Tác Động Của Công Nghệ Mới Đến Hành Vi Người Dùng Trực Tuyến

Các công nghệ mới như trí tuệ nhân tạo, thực tế ảo và thực tế tăng cường có thể có tác động lớn đến hành vi người dùng trực tuyến. Việc nghiên cứu những tác động này là rất quan trọng để hiểu rõ hơn về cách người dùng tương tác với thế giới số.

Trích đoạn nội dung tài liệu

BO GIAO DUC VA DAO TAO TRUONG DAI HOC BACH KHOA HA NOL NVA. ETH ANNA Trần Trung Hiếu DNOHL GH NGHIÊN CỨU PHƯƠNG PHÁP MÔ HÌNH HÓA HÀNH VI NGƯỜI DÙNG DỰA TRÊN DỮ LIỆU WEB NLL ONOHL LUẬN VAN THAC SI KHOA HOC HE THONG THONG TN 8/1022 12 Hà nội - 2018 BỘ GIÁO DỤC VÀ DÀO TẠO TRUONG DAI HOC BACH KHOA HA NOI Tran ‘Trung Hiếu NGHIÊN CỬU PHƯƠNG PHÁP MÔ HÌNH HÓA HÀNH VI NGƯỜI DÙNG DỰA TRÊN DỮ LIỆU WEB Chuyên ngành : IIệ thông thông tin LUẬN VĂN THẠC BÏ KHOA HỌC HE THONG THONG TIN NGƯỜI TƯỚNG DẪN KIIOA HỌC 1. Nguyễn Binh Minh Hả Nội - 2018 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập — Tự do - Hạnh phúc BẢN XÁC NHẠN CHÍNH SỬA LUẬN VĂN THẠC SĨ He va tên tác giả luận văn : Trần Trung TIiễu ể tài luận văn: Nghiên cứn phương pháp mô hình hóa hành vi người đừng dựa trên đữ liệu web Chuyên ngành: Hệ thống thông tin. Mã số SV: CBC17019 Tác giả, Người hướng dẫn khoa học và Hội đông chấm luận văn xác nhận.

tác giả đã sửa chữa, bố sung luận văn theo biên bản họp Hội đồng ngày 27/10/2018 với các nội dụng sau: - _ Chính sửa công thức precision vả recall có trong mục 1.4 phương pháp đánh giá sai số, phương T cơ sở lý thuyết -_ Chỉnh sửa vả trình bảy chỉ tiết hơn phẩn quy trình tổng quát khai phả hành vi người dùng cỏ trong mục 2.1, chương 2 mô hình hóa hành vi. -_ Chỉnh sửa phần nêu rõ ưu diém của việc sử dụng thuật toán Naive Baycs trong việc phân loại đữ liệu text trong mục 2.4 huấn luyện, chương 2 mô hình hóa hành ví ~_ Bổ sung tải liệu tham khảo chứng mình những wu diém việc lựa chọn thuật toán Taive Dayes trong việc phân loại đữ liệu bình luận của người đảng, ~_ Chỉnh sửa hình 210 kiến trúc các thánh phân của hệ thông, chương 2 mô hình hỏa hành vi. LOI CAM DOAN Téi—Trén Trung Hiéu, hac vién cao hoc khéa CLC2017B — cam kết Luận văn tắt nghiệp là công trình nghiên cứu của bản thân tôi đưới sự hướng dẫn củu TS. NguyỄn Binh Minh— Viện Công Nghệ Thông Tin và Truyền Thông— Dại bọc Bách Khoa [1à Nội.

Các kắt quả trong Luận văn tôi nghiệp là trung thực, không sao chép loan văn của bắt kỹ công trình nào khác. Hà Nội, ngày 20 tháng 9 năm 2018 Tác giả luận văn Trần Trung Hiếu 'tiển xứ lý dữ liệu. - - - 33 Tiiều diễn kết quả. Kiển trủc hệ thông.

c2 Kiên trúc phân tảng. Kiến trúc các thành phân của hệ thống $6 CHƯƠNG3: THỨ NGHIỆM. Môtä dữ ligu. Giới thiệu nguồn gốc đữ liệu.

Câu trúc đữ lệu - - 5 313. Phan tich bai toan. HH Hư Hee eriodl 63 3. Quátrinhkhai phá hànhvi.săcesieirierererriee 65 Tua chon dit ida.

65 ab = mo oS Tiển xử lý đữ liệu. - - - 66 eo Tuan huyện và dự báo. - - 69 Biểu diễn kết quả. co 222202 222 tren 111e111xrererre T7 ia > w 3.

Chiic ning cae thanh phan. 3,5, Kết quả thu được vả nhận xét. Kết quả dự doàn dựa rd 3. Kết quê cũa phân loại phê bình - 78 KÉT LUẬN - - - - - 81 TAT LIGU TITAM KqGAO.

ce ccsccssessorsssssssrssvsnteessesesseesserassssvassveeenseessseeenrsatsvvasseeseerBO 6 LOI CAM ON Trước hết, tác giả xin gửi lời cảm ơn chân thành của mình tới các thấy cổ giáo trường Đại học Bách Khoa Hà Nội nói chưng và các thấy cô Viện Công Nghệ Thông Tin và Truyền Thông và bộ môn Hệ thống thông tin nói riêng. Các thầy, cô đã giúp đỡ tác giả trong sud qua trình học tập tại Viện, Tác giả xin dược gửi lời cảm ơn sâu sắc nhất đến thầy giáo TS. Nguyễn Bình Minh đã tận tình giứp đô, trục tiếp chỉ bảo, chỉnh sửa, hướng dẫn tác giả trong suốt quá trình làm luận vấn. Trong thời gian làm việc với thây, tác giả không những được tiến thu thêm kiến thức mà còn học tập được tính thần làm việc, thái độ nghiên cửu khoa học nghiém tie, hiéu qua.

Cuỗi cùng, tác giả xin dược gửi lời cam ơn chân thành tới gia đình, ban lãnh dạo công ty, đồng nghiệp vả bạn bẻ đã động viên, khuyến khich, đóng góp ý kiến và tạo điều kiện cho tác giả trong quá trình học tập, nghiên cứu và hoàn thành luận văn “Trân trong ! Ngày 18 tháng 11 năm 2018 Giáo viên hưởng dẫn 'Tác giả luận văn. CHỦ TỊCH HỘI DÒNG DANITI MỤC CÁC HÌNH VẼ TRình 1. Khai phá dữ liệu là một bước trong quá trình khai phá trí thức[11] 1 Hình 1. Phân tích bài toán 8VM.

con nọnnHnh ưng 21 linh 1. Vi du vé ma tran Utility dua trén sé sao mét user rate cho mét item. Ví dụ mô tả lọc cộng tác user-user, a) Ma trận TItility ban đâu, bỳ Ma trận Utility đã được chuẩn hỏa. e) ma trận user tương tự.

d) dự đoán cdc ratings chuẩn hóa càn thiếu. e) ví dụ về dự đoán rating chuẩn hóa. Minh họa kỹ thuật phân rã ma trận - 34 Hinh 1. Minh hoa vi du dé tinh precision va recall.

Mét sé hanh vi trong dit ligu ngwai ding tuong tie va phan hải sản phẩm. Quá trình khai phả hành vì. Biểu diễn mỗi quan hệ giữa người dùng và sắn phẩm. Tiên xử lý dứ liên [3] - - - 43 Hình 2.

Phương pháp binning cho việc làm mịn đữ liệu. Các ngoại lệ có thể được phát hiện bằng phân cum Hinh 2. Biéu dién quan hé giita user va item bang kỹ thuật phân rã ma trận. Biểu diễn kết quả gợi Ý.

Kién tric phan tang cia hé thang. Kiến trúc các thành phân của hệ thông 57 Tlinh 3. Biéu dé thé hién số lượng review qua các năm 62 Tình 3. Biểu đồ trổ lâ tỉ trọng review giữa các nhóm đanh muục.

Hành vi người dùng trong dữ liệu review của Amtazon. Biểu diễn mỗi quan hệ giữa người dang va sin phim trong bé dit Héu thit aghigm 65 Hình 3. Quy trình phân loại các sản phẩm vào nhóm danh mục. Mô tả số lượng review theo danh mye sau khi da loai bỏ đử liệu review cũ.

Mô tả phân phối chuẩn Poison. 10 MUC LUC TỚI CAM DOAN 7 LỎI CẢM ƠN 8 DANH MỤC CÁC BẢNG. 0 án 228211 eeeeeerrrrereceoÐ) DANH MỤC CÁC HÌNH VẼ. nnHneeaerereiseeoee TÔ, MÔ ĐẦU.

- - - 12 CHUONG1: CO SG LY THUYET. — Tổng quan về hành vi người dùng,. Yếu tô ảnh hưởng hành vị người dùng - - 15 1. Khai pha dit lện Khái niệm.

- Quá trình khai phá trĩ thức. Các phương pháp khai phá đữ liệu. Xay dung ma tran Utility. Goi ¥ dua trén ndi dung.

Toc céng tac. Phuong phap danh gia sai sé. Dánh giá độ chính xác của dự đoán. Bánh giá việc sứ dụng các dự đoán.

CHƯƠNG 2: MO HINH HOA HANH VI. Cosémé hin héa hanh vi 2. - Hànhvi người dùng trong dữ liêu wcb. Qui tinh khai pha hanh vi - 2.

Quytrìnhtổng quát. - - 42 Ngày 18 tháng 11 năm 2018 Giáo viên hưởng dẫn 'Tác giả luận văn. CHỦ TỊCH HỘI DÒNG 'tiển xứ lý dữ liệu. - - - 33 Tiiều diễn kết quả.

Kiển trủc hệ thông. c2 Kiên trúc phân tảng. Kiến trúc các thành phân của hệ thống $6 CHƯƠNG3: THỨ NGHIỆM. Môtä dữ ligu.

Giới thiệu nguồn gốc đữ liệu. Câu trúc đữ lệu - - 5 313. Phan tich bai toan. HH Hư Hee eriodl 63 3.

Quátrinhkhai phá hànhvi.săcesieirierererriee 65 Tua chon dit ida. 65 ab = mo oS Tiển xử lý đữ liệu. - - - 66 eo Tuan huyện và dự báo. - - 69 Biểu diễn kết quả.

co 222202 222 tren 111e111xrererre T7 ia > w 3. Chiic ning cae thanh phan. 3,5, Kết quả thu được vả nhận xét. Kết quả dự doàn dựa rd 3.

Kết quê cũa phân loại phê bình - 78 KÉT LUẬN - - - - - 81 TAT LIGU TITAM KqGAO. ce ccsccssessorsssssssrssvsnteessesesseesserassssvassveeenseessseeenrsatsvvasseeseerBO 6 Ngày 18 tháng 11 năm 2018 Giáo viên hưởng dẫn 'Tác giả luận văn. CHỦ TỊCH HỘI DÒNG DANII MUC CAC BANG Bang 3. Số liệu sai số trường hợp | Bang 3.

Số liệu sai số trường hợp 2. Số liệu sai số trường hợp 3. Số liệu sai số trường hợp 4 Bang 3. Số liệu sai số toàn bộ dữ liệu xếp hạng 9 LOI CAM ON Trước hết, tác giả xin gửi lời cảm ơn chân thành của mình tới các thấy cổ giáo trường Đại học Bách Khoa Hà Nội nói chưng và các thấy cô Viện Công Nghệ Thông Tin và Truyền Thông và bộ môn Hệ thống thông tin nói riêng.

Các thầy, cô đã giúp đỡ tác giả trong sud qua trình học tập tại Viện, Tác giả xin dược gửi lời cảm ơn sâu sắc nhất đến thầy giáo TS. Nguyễn Bình Minh đã tận tình giứp đô, trục tiếp chỉ bảo, chỉnh sửa, hướng dẫn tác giả trong suốt quá trình làm luận vấn. Trong thời gian làm việc với thây, tác giả không những được tiến thu thêm kiến thức mà còn học tập được tính thần làm việc, thái độ nghiên cửu khoa học nghiém tie, hiéu qua. Cuỗi cùng, tác giả xin dược gửi lời cam ơn chân thành tới gia đình, ban lãnh dạo công ty, đồng nghiệp vả bạn bẻ đã động viên, khuyến khich, đóng góp ý kiến và tạo điều kiện cho tác giả trong quá trình học tập, nghiên cứu và hoàn thành luận văn “Trân trong ! DANITI MỤC CÁC HÌNH VẼ TRình 1.

Khai phá dữ liệu là một bước trong quá trình khai phá trí thức[11] 1 Hình 1. Phân tích bài toán 8VM. con nọnnHnh ưng 21 linh 1. Vi du vé ma tran Utility dua trén sé sao mét user rate cho mét item.

Ví dụ mô tả lọc cộng tác user-user, a) Ma trận TItility ban đâu, bỳ Ma trận Utility đã được chuẩn hỏa. e) ma trận user tương tự. d) dự đoán cdc ratings chuẩn hóa càn thiếu. e) ví dụ về dự đoán rating chuẩn hóa.

Minh họa kỹ thuật phân rã ma trận - 34 Hinh 1. Minh hoa vi du dé tinh precision va recall. Mét sé hanh vi trong dit ligu ngwai ding tuong tie va phan hải sản phẩm. Quá trình khai phả hành vì.

Biểu diễn mỗi quan hệ giữa người dùng và sắn phẩm. Tiên xử lý dứ liên [3] - - - 43 Hình 2. Phương pháp binning cho việc làm mịn đữ liệu. Các ngoại lệ có thể được phát hiện bằng phân cum Hinh 2.

Biéu dién quan hé giita user va item bang kỹ thuật phân rã ma trận. Biểu diễn kết quả gợi Ý. Kién tric phan tang cia hé thang. Kiến trúc các thành phân của hệ thông 57 Tlinh 3.

Biéu dé thé hién số lượng review qua các năm 62 Tình 3. Biểu đồ trổ lâ tỉ trọng review giữa các nhóm đanh muục. Hành vi người dùng trong dữ liệu review của Amtazon. Biểu diễn mỗi quan hệ giữa người dang va sin phim trong bé dit Héu thit aghigm 65 Hình 3.