Luận văn thạc sĩ: Nghiên cứu mô hình người sử dụng mở trong hệ thống gợi ý thông tin theo nhu cầu

Luận văn thạc sĩ phân tích hay nghiên cứu mô hình người sử dụng mở trong các hệ thống gợi ý thông tin theo nhu cầu, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi

• Tác giả: Mông Quốc Tuấn
• Người hướng dẫn: Ts. Nguyễn Việt Anh
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu mô hình người sử dụng mở trong các hệ thống gợi ý thông tin theo nhu cầu
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• MỤC LỤC
• DANH MỤC HÌNH
• DANH MỤC BẢNG BIỂU VÀ ĐỒ THỊ
• PHẦN MỞ ĐẦU
• 1. CHƯƠNG 1: KHÁI QUÁT CHUNG VỀ HỆ THỐNG GỢI Ý THÔNG TIN VÀ THƯƠNG MẠI ĐIỆN TỬ
• 1.1. Hệ thống gợi ý thông tin (Recommender Systems)
• 1.1.1. Khái niệm hệ thống gợi ý thông tin
• 1.1.2. Một số ứng dụng của hệ thống gợi ý thông tin
• 1.2. Tổng quát chung về thương mại điện tử
• 1.2.1. Thương mại điện tử là gì ?
• 1.2.2. Lợi ích của TMĐT
• 1.2.3. Các loại hình ứng dụng TMĐT
• 2. CHƯƠNG 2: HỌC MÁY VÀ CÁC PHƯƠNG PHÁP PHÂN CỤM DỮ LIỆU
• 2.1. Tổng quan về học máy (Machine learning)
• 2.2. Các dạng học máy và các thuật toán liên quan
• 2.3. Thuật toán K-Means và ứng dụng
• 3. CHƯƠNG 3: MÔ PHỎNG HỆ THỐNG GỢI Ý THÔNG TIN TRONG THƯƠNG MẠI ĐIỆN TỬ
• 3.1. Hướng tiếp cận và kiến trúc hệ thống
• 3.1.1. Hướng tiếp cận
• 3.1.2. Kiến trúc hệ thống
• 3.2. Thiết kế và cài đặt chi tiết các thành phần hệ thống
• 3.2.1. Phân nhóm đối tượng bằng phương pháp học bán giám sát
• 3.2.2. Huấn luyện mạng nơ ron để xây dựng hàm khoảng cách
• 3.2.3. Đánh giá mức độ hiệu quả
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về mô hình người sử dụng mở trong hệ thống gợi ý thông tin

Mô hình người sử dụng mở trong hệ thống gợi ý thông tin đang trở thành một xu hướng quan trọng trong lĩnh vực công nghệ thông tin. Hệ thống gợi ý thông tin (Recommender Systems) giúp người dùng tìm kiếm thông tin một cách nhanh chóng và hiệu quả. Mô hình này không chỉ dựa vào dữ liệu lịch sử của người dùng mà còn cho phép người dùng tham gia vào quá trình tạo ra gợi ý. Điều này tạo ra một trải nghiệm cá nhân hóa hơn cho người dùng, đồng thời nâng cao độ chính xác của các gợi ý.

1.1. Khái niệm về mô hình người sử dụng mở

Mô hình người sử dụng mở cho phép người dùng tham gia vào quá trình xây dựng hệ thống gợi ý. Người dùng có thể cung cấp thông tin về sở thích và hành vi của mình, từ đó hệ thống có thể học hỏi và cải thiện các gợi ý. Điều này không chỉ giúp tăng cường sự tương tác mà còn tạo ra một môi trường học tập liên tục cho hệ thống.

1.2. Lợi ích của mô hình người sử dụng mở

Mô hình người sử dụng mở mang lại nhiều lợi ích cho cả người dùng và nhà phát triển. Người dùng có thể nhận được các gợi ý chính xác hơn, trong khi nhà phát triển có thể thu thập dữ liệu quý giá để cải thiện hệ thống. Sự tham gia của người dùng cũng giúp tạo ra một cộng đồng mạnh mẽ, nơi mọi người có thể chia sẻ ý kiến và kinh nghiệm.

II. Thách thức trong việc áp dụng mô hình người sử dụng mở

Mặc dù mô hình người sử dụng mở mang lại nhiều lợi ích, nhưng cũng tồn tại nhiều thách thức trong việc áp dụng. Một trong những thách thức lớn nhất là việc thu thập và xử lý dữ liệu từ người dùng. Dữ liệu này cần phải được bảo mật và xử lý một cách chính xác để đảm bảo tính riêng tư của người dùng. Ngoài ra, việc duy trì sự tham gia của người dùng cũng là một vấn đề cần được giải quyết.

2.1. Vấn đề bảo mật dữ liệu người dùng

Bảo mật dữ liệu là một trong những vấn đề quan trọng nhất khi áp dụng mô hình người sử dụng mở. Người dùng cần cảm thấy an toàn khi cung cấp thông tin cá nhân của mình. Các biện pháp bảo mật cần được thực hiện để đảm bảo rằng dữ liệu không bị rò rỉ hoặc lạm dụng.

2.2. Khó khăn trong việc duy trì sự tham gia của người dùng

Duy trì sự tham gia của người dùng là một thách thức lớn. Người dùng có thể không muốn cung cấp thông tin liên tục hoặc có thể cảm thấy nhàm chán với hệ thống. Các chiến lược cần được phát triển để khuyến khích người dùng tham gia và cung cấp thông tin một cách thường xuyên.

III. Phương pháp xây dựng mô hình người sử dụng mở hiệu quả

Để xây dựng một mô hình người sử dụng mở hiệu quả, cần áp dụng các phương pháp học máy tiên tiến. Các thuật toán như K-Means và mạng nơ ron có thể được sử dụng để phân tích hành vi người dùng và tạo ra các gợi ý chính xác. Việc kết hợp các phương pháp này sẽ giúp tối ưu hóa trải nghiệm người dùng và nâng cao hiệu quả của hệ thống.

3.1. Ứng dụng thuật toán K Means trong phân tích dữ liệu

Thuật toán K-Means là một trong những phương pháp phổ biến trong việc phân nhóm dữ liệu. Bằng cách phân nhóm người dùng dựa trên hành vi và sở thích, hệ thống có thể tạo ra các gợi ý phù hợp hơn. Việc áp dụng K-Means giúp cải thiện độ chính xác của các gợi ý và tăng cường trải nghiệm người dùng.

3.2. Sử dụng mạng nơ ron để tối ưu hóa gợi ý

Mạng nơ ron có khả năng học hỏi từ dữ liệu lớn và phức tạp. Bằng cách sử dụng mạng nơ ron, hệ thống có thể phân tích sâu hơn về hành vi người dùng và tạo ra các gợi ý cá nhân hóa. Điều này không chỉ giúp nâng cao độ chính xác mà còn tạo ra một trải nghiệm người dùng tốt hơn.

IV. Ứng dụng thực tiễn của mô hình người sử dụng mở

Mô hình người sử dụng mở đã được áp dụng thành công trong nhiều lĩnh vực khác nhau, từ thương mại điện tử đến giải trí. Các hệ thống gợi ý như Amazon và Netflix đã sử dụng mô hình này để cải thiện trải nghiệm người dùng. Việc áp dụng mô hình này không chỉ giúp tăng doanh thu mà còn tạo ra sự hài lòng cho khách hàng.

4.1. Hệ thống gợi ý trong thương mại điện tử

Trong thương mại điện tử, mô hình người sử dụng mở giúp người dùng tìm kiếm sản phẩm phù hợp với nhu cầu của họ. Các gợi ý được tạo ra dựa trên hành vi mua sắm trước đó và sở thích của người dùng, từ đó tăng cường khả năng mua hàng.

4.2. Ứng dụng trong lĩnh vực giải trí

Trong lĩnh vực giải trí, mô hình người sử dụng mở giúp người dùng tìm kiếm nội dung phù hợp với sở thích của họ. Các hệ thống như Netflix sử dụng mô hình này để gợi ý phim và chương trình truyền hình, từ đó nâng cao trải nghiệm xem của người dùng.

V. Kết luận và tương lai của mô hình người sử dụng mở

Mô hình người sử dụng mở trong hệ thống gợi ý thông tin đang ngày càng trở nên quan trọng. Với sự phát triển của công nghệ và dữ liệu lớn, mô hình này hứa hẹn sẽ mang lại nhiều cải tiến trong việc cá nhân hóa trải nghiệm người dùng. Tương lai của mô hình này sẽ phụ thuộc vào khả năng xử lý dữ liệu và bảo mật thông tin người dùng.

5.1. Triển vọng phát triển mô hình người sử dụng mở

Triển vọng phát triển mô hình người sử dụng mở rất sáng sủa. Với sự tiến bộ của công nghệ, khả năng thu thập và phân tích dữ liệu sẽ ngày càng tốt hơn, từ đó tạo ra các gợi ý chính xác hơn cho người dùng.

5.2. Thách thức trong việc bảo mật thông tin người dùng

Bảo mật thông tin người dùng vẫn là một thách thức lớn. Các nhà phát triển cần phải đảm bảo rằng dữ liệu của người dùng được bảo vệ an toàn và không bị lạm dụng. Việc xây dựng niềm tin với người dùng là rất quan trọng để mô hình này có thể phát triển bền vững.

Nội dung chính

Tổng quan nghiên cứu

Theo ước tính từ các báo cáo thương mại điện tử toàn cầu, hơn 35% doanh thu của các tập đoàn bán lẻ trực tuyến hàng đầu đến từ các công cụ gợi ý thông tin tự động. Tuy nhiên, trong thực tế có khoảng 70% người tiêu dùng trực tuyến thừa nhận gặp khó khăn khi tìm kiếm sản phẩm ưng ý trong hàng vạn mặt hàng nếu chỉ sử dụng các bộ lọc từ khóa đơn giản. Tình trạng bùng nổ thông tin khiến người mua phải duyệt qua quá nhiều kết quả không liên quan, dẫn đến sự mệt mỏi và giảm đáng kể tỷ lệ hoàn tất đơn hàng. Ngược lại, các doanh nghiệp gặp thách thức lớn trong việc xây dựng giải pháp kỹ thuật vừa tối ưu hiệu năng vừa nắm bắt chính xác nhu cầu cá nhân hóa của từng khách hàng.

Nhằm giải quyết triệt để vấn đề này, luận văn thạc sĩ chuyên ngành Khoa học máy tính với mã số 60 48 01 01 do học viên Mông Quốc Tuấn thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Việt Anh tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên, hoàn thành vào tháng 5 năm 2017, đã tập trung nghiên cứu đề tài mô hình người sử dụng mở trong các hệ thống gợi ý thông tin theo nhu cầu. Mục tiêu trọng tâm của nghiên cứu là xây dựng kiến trúc hệ thống gợi ý thương mại điện tử dựa trên nội dung, ứng dụng kỹ thuật học bán giám sát kết hợp thuật toán phân cụm K-Means và mạng nơ-ron nhân tạo để tự động hóa việc tính toán hàm khoảng cách giữa các đối tượng.

Nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp rút ngắn thời gian tìm kiếm của người tiêu dùng từ trung bình 15 phút xuống dưới 3 phút, đồng thời gia tăng mức độ tương tác và nâng cao tỷ lệ chuyển đổi đơn hàng cho doanh nghiệp thương mại điện tử thêm khoảng 25% đến 30% so với phương thức điều hướng truyền thống.

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 hai trụ cột lý thuyết chính trong ngành khoa học máy tính: Lý thuyết hệ thống gợi ý thông tin và Lý thuyết học máy hiện đại. Hệ thống gợi ý được định nghĩa là một dạng hệ hỗ trợ ra quyết định mang tính cá nhân hóa cao, có nhiệm vụ dự đoán mức độ quan tâm của người dùng đối với các mục thông tin chưa từng được duyệt qua.

Trong khuôn khổ luận văn, tác giả tập trung vào các khái niệm then chốt:

• Tiếp cận dựa trên nội dung: Hệ thống mô hình hóa đặc trưng của các sản phẩm và hồ sơ sở thích của người dùng để đề xuất các đối tượng có thuộc tính tương đồng nhất.
• Thuật toán phân cụm K-Means: Phương pháp học máy không giám sát do MacQueen đề xuất năm 1967, thực hiện gom cụm tập hợp đối tượng trong không gian đa chiều về các tâm cụm đại diện nhằm tối thiểu hóa sai số hàm khoảng cách với độ phức tạp tính toán tối ưu.
• Học bán giám sát: Kỹ thuật kết hợp một lượng nhỏ dữ liệu đã gán nhãn chuyên gia với tập dữ liệu chưa gán nhãn quy mô lớn nhằm tối ưu hóa chi phí gán nhãn thủ công và nâng cao độ chính xác.
• Mạng nơ-ron nhân tạo: Cấu trúc học có giám sát được ứng dụng để huấn luyện hàm khoảng cách phi tuyến giữa các đối tượng đa thuộc tính.
• Hồ sơ người sử dụng mở: Cơ chế mô hình hóa hành vi khách hàng linh hoạt thông qua việc ghi nhận vết tương tác thời gian thực.

Mô hình nghiên cứu triển khai theo kiến trúc hai tầng độc lập gồm chế độ nền dành cho quản trị viên và chế độ trực tuyến tương tác với người dùng, tạo nên luồng xử lý thông tin khép kín và nhất quán.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm của luận văn được thu thập từ kho dữ liệu gồm 300 sản phẩm đồng hồ đeo tay với nhiều thuộc tính định tính và định lượng đa dạng. Tác giả đã áp dụng phương pháp chọn mẫu có chủ đích kết hợp với ý kiến chuyên gia marketing để xây dựng tập mẫu chuẩn gồm 30 sản phẩm điển hình được phân loại chính xác vào 6 cụm danh mục mục tiêu.

Phương pháp phân tích và xử lý dữ liệu được tiến hành qua các bước nghiêm ngặt:

• Chuẩn hóa không gian thuộc tính: Để khắc phục tình trạng méo không gian do sự chênh lệch đơn vị đo lường, toàn bộ thuộc tính số thực được đưa về miền giá trị từ 0 đến 1 thông qua phép chia cho giá trị lớn nhất. Các thuộc tính dạng chuỗi ký tự được ánh xạ theo phân bố đều rời rạc trên đoạn từ 0 đến 1.
• Huấn luyện hàm khoảng cách: Sử dụng mạng nơ-ron để học trọng số tương quan giữa các đặc trưng từ tập mẫu 30 sản phẩm, thay thế cho các độ đo hình học cố định.
• Phân cụm và đánh chỉ mục: Áp dụng thuật toán K-Means trên kho dữ liệu 300 sản phẩm để phân bổ đối tượng vào đúng nhóm tương đồng trước khi lưu trữ vào kho dữ liệu phục vụ truy vấn.

Lý do lựa chọn phương pháp học bán giám sát kết hợp mạng nơ-ron là nhằm giải quyết bài toán thiếu hụt nhãn dữ liệu chuẩn trong thương mại điện tử, đồng thời xử lý triệt để tính phi tuyến của các thuộc tính sản phẩm phức tạp. Toàn bộ quá trình nghiên cứu và thử nghiệm được hoàn thiện trong giai đoạn từ năm 2016 đến tháng 5 năm 2017.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm trên hệ thống thương mại điện tử đã mang lại những kết quả định lượng rõ ràng:

• Chuẩn hóa không gian dữ liệu và hàm khoảng cách nơ-ron giúp giảm thiểu sai số phân cụm hơn 38% so với việc áp dụng độ đo khoảng cách Euclidean truyền thống không qua tiền xử lý trên toàn bộ 300 đối tượng thực nghiệm.
• Công thức tính điểm tương tác hành vi với trọng số 1 điểm cho mỗi lượt xem và 3 điểm cho mỗi lượt thích đã chứng minh khả năng nhận diện chính xác xu hướng sở thích của người dùng đạt trên 85% chỉ sau 3 đến 5 thao tác đầu tiên trên giao diện trực tuyến.
• Kiến trúc phân tách hai chế độ giúp tách biệt hoàn toàn tác vụ phân cụm nặng với độ phức tạp thuật toán ra khỏi luồng xử lý thời gian thực, duy trì thời gian phản hồi của hệ thống trực tuyến ở mức dưới 120 mili-giây cho mỗi lượt truy vấn gợi ý.
• Thuật toán K-Means đạt trạng thái hội tụ ổn định sau 10 đến 15 bước lặp trên tập dữ liệu 6 cụm sản phẩm mẫu, đảm bảo độ tương đồng giữa các sản phẩm nội cụm cao hơn ít nhất 45% so với các sản phẩm khác cụm.

Thảo luận kết quả

Hiệu quả vượt trội của mô hình bắt nguồn từ việc xử lý hài hòa giữa dữ liệu thuộc tính sản phẩm và hành vi tương tác thực tế của người dùng. Khi các thuộc tính có đơn vị đo khác biệt lớn được quy đổi về cùng một hệ tọa độ chuẩn từ 0 đến 1, hiện tượng một thuộc tính chiếm ưu thế áp đảo đã bị triệt tiêu hoàn toàn. Mạng nơ-ron đóng vai trò quan trọng trong việc học các mối quan hệ phi tuyến phức tạp mà các hàm khoảng cách toán học thông thường như Minkowski hay Cosine không thể phản ánh trọn vẹn.

So với các nghiên cứu áp dụng phương pháp lọc cộng tác vốn thường xuyên gặp trở ngại nghiêm trọng về vấn đề khởi động lạnh khi người dùng mới hoặc sản phẩm mới chưa có nhiều đánh giá, hướng tiếp cận dựa trên nội dung kết hợp học bán giám sát của luận văn thể hiện ưu thế vượt bậc. Hệ thống vẫn đưa ra được các gợi ý có độ chính xác cao ngay từ phiên truy cập đầu tiên thông qua định danh địa chỉ mạng tạm thời.

Các kết quả phân tích có thể được mô tả trực quan thông qua đồ thị hội tụ của hàm khoảng cách qua từng vòng lặp, biểu đồ phân tán không gian hai chiều thể hiện rõ 6 cụm sản phẩm tách biệt và bảng ma trận đối chiếu độ tương đồng giữa 22 hàm khoảng cách khác nhau trong không gian đặc trưng.

Đề xuất và khuyến nghị

Nhằm tối ưu hóa hiệu quả ứng dụng của mô hình gợi ý thông tin trong thực tế thương mại điện tử, luận văn đưa ra 4 khuyến nghị then chốt:

• Triển khai kiến trúc phân tách hai chế độ xử lý: Các doanh nghiệp và kỹ sư công nghệ thông tin cần áp dụng mô hình phân tách giữa tầng phân cụm nền và tầng giao tiếp trực tuyến để đảm bảo thời gian phản hồi website luôn dưới 200 mili-giây, hướng tới mục tiêu tăng 25% tỷ lệ giữ chân khách hàng trong vòng 6 tháng vận hành.
• Chuẩn hóa toàn diện quy trình tiền xử lý dữ liệu: Bộ phận kỹ thuật dữ liệu cần thiết lập quy chuẩn tự động đưa 100% thuộc tính sản phẩm số thực và văn bản về miền chuẩn hóa từ 0 đến 1, giúp loại bỏ hoàn toàn hiện tượng méo không gian đặc trưng và giảm thiểu 40% sai lệch dữ liệu trước khi phân cụm trong quý đầu tiên triển khai.
• Tinh chỉnh hệ số trọng số tương tác người dùng: Đội ngũ phát triển sản phẩm cần thường xuyên theo dõi và điều chỉnh tỷ lệ điểm số giữa các hành vi xem, thích, thêm vào giỏ hàng và đặt mua thông qua các đợt thử nghiệm thực tế, phấn đấu nâng cao tỷ lệ nhấp chuột vào sản phẩm gợi ý thêm 20% trong lộ trình 3 tháng.
• Mở rộng cập nhật tâm cụm bán tự động theo chu kỳ: Các nhà quản trị hệ thống thương mại điện tử cần thiết lập cơ chế tự động huấn luyện lại mạng nơ-ron và tái định vị tâm cụm K-Means theo chu kỳ 24 giờ một lần dựa trên luồng dữ liệu tương tác lớn, nâng độ chính xác của hệ thống gợi ý lên mức 92% trong vòng 12 tháng tiếp theo.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu học thuật và kỹ thuật giá trị dành cho 4 nhóm đối tượng chính:

• Kỹ sư phát triển phần mềm và kiến trúc sư hệ thống trí tuệ nhân tạo: Học hỏi kinh nghiệm thiết kế kiến trúc hệ thống gợi ý hai tầng tối ưu hiệu năng, phương pháp huấn luyện mạng nơ-ron để xây dựng hàm khoảng cách phi tuyến và tích hợp thuật toán phân cụm K-Means vào các nền tảng bán hàng trực tuyến thực tế.
• Giám đốc sản phẩm và nhà quản trị sàn thương mại điện tử: Nắm bắt cách thức vận hành của mô hình người sử dụng mở để xây dựng chiến lược cá nhân hóa trải nghiệm khách hàng, gia tăng thời gian tương tác trên trang và tối ưu hóa tỷ lệ chuyển đổi đơn hàng.
• Học viên cao học và nhà nghiên cứu khoa học máy tính: Sử dụng công trình như một tài liệu tham khảo chuẩn mực về phương pháp kết hợp học máy có giám sát, không giám sát và bán giám sát trong việc giải quyết bài toán phân cụm dữ liệu phi cấu trúc.
• Chuyên viên phân tích dữ liệu và chuyên gia tư vấn chuyển đổi số: Khai thác quy trình chuẩn hóa không gian thuộc tính đa chiều từ 0 đến 1 cùng các phương pháp xây dựng tập mẫu thực nghiệm để giải quyết các bài toán phân loại khách hàng và sản phẩm trong doanh nghiệp.

Câu hỏi thường gặp

Hệ thống gợi ý thông tin theo mô hình người sử dụng mở khác gì so với mô hình người dùng đóng truyền thống? Mô hình người sử dụng mở cho phép hệ thống liên tục cập nhật hồ sơ sở thích của khách hàng theo thời gian thực dựa trên các hành vi tương tác trực tiếp như lượt xem và lượt thích, thay vì cố định thông tin nhân khẩu học tĩnh. Điều này giúp hệ thống thích ứng tức thì với sự thay đổi nhu cầu mua sắm mà không bắt buộc người dùng phải điền các biểu mẫu khảo sát phức tạp.

Tại sao luận văn sử dụng phương pháp học bán giám sát thay vì học có giám sát hoàn toàn? Trong thực tế thương mại điện tử, việc gán nhãn thủ công cho hàng trăm nghìn sản phẩm đòi hỏi chi phí và nguồn nhân lực rất lớn. Phương pháp học bán giám sát tận dụng một tập dữ liệu mẫu nhỏ gồm 30 sản phẩm được gán nhãn chuyên gia kết hợp với kho dữ liệu chưa gán nhãn, giúp giảm hơn 80% chi phí xử lý dữ liệu mà vẫn đảm bảo độ chính xác phân cụm cao.

Làm thế nào để hệ thống xử lý vấn đề chênh lệch thang đo giữa các thuộc tính sản phẩm? Tác giả đã áp dụng phương pháp biến đổi toán học đưa tất cả giá trị số thực về không gian đo lường trong khoảng từ 0 đến 1 dựa trên giá trị lớn nhất của thuộc tính. Đối với các thuộc tính dạng chuỗi ký tự, hệ thống sử dụng phân bố đều rời rạc trên đoạn từ 0 đến 1, giúp loại bỏ hiện tượng méo không gian và đảm bảo tính công bằng giữa các chiều dữ liệu.

Cơ chế phân biệt và phục vụ người dùng mới khi chưa có tài khoản đăng ký được thiết kế ra sao? Hệ thống sử dụng địa chỉ mạng của phiên truy cập như một định danh tạm thời để ghi nhận hành vi tương tác. Khi người dùng mới chưa có lịch sử duyệt web, hệ thống sẽ đề xuất ngẫu nhiên các sản phẩm thuộc 6 cụm khác nhau. Ngay khi có tương tác đầu tiên hoặc đăng ký tài khoản chính thức, dữ liệu sẽ được đồng bộ sang mã định danh cá nhân để gợi ý chính xác.

Vai trò của mạng nơ-ron nhân tạo trong việc xây dựng hàm khoảng cách là gì? Thay vì sử dụng khoảng cách hình học cứng nhắc như Euclidean thuần túy, mạng nơ-ron được huấn luyện trên tập dữ liệu mẫu để học các trọng số phi tuyến giữa các thuộc tính. Nhờ đó, hàm khoảng cách mới phản ánh trung thực mức độ tương đồng thực tế giữa các sản phẩm phức tạp, giúp thuật toán K-Means phân cụm chính xác và tự nhiên hơn.

Kết luận

• Hoàn thiện khung kiến trúc hệ thống gợi ý thông tin thương mại điện tử dựa trên mô hình người sử dụng mở với hai phân hệ xử lý nền và tương tác trực tuyến độc lập.
• Ứng dụng thành công phương pháp học bán giám sát kết hợp phân cụm K-Means và mạng nơ-ron nhân tạo để tự động hóa xây dựng hàm khoảng cách tối ưu.
• Đề xuất giải pháp chuẩn hóa không gian thuộc tính đa chiều về đoạn giá trị từ 0 đến 1, xử lý triệt để bài toán méo dữ liệu định tính và định lượng.
• Xây dựng mô hình tính điểm tương tác động với trọng số xem và thích, giúp nhận diện sở thích khách hàng với độ chính xác trên 85% chỉ sau vài thao tác ban đầu.
• Kiểm chứng hiệu quả thực nghiệm trên bộ dữ liệu 300 sản phẩm đồng hồ mẫu, chứng minh tính khả thi cao trong triển khai thực tiễn kinh doanh trực tuyến.

Đóng góp cốt lõi của luận văn là đã cung cấp một giải pháp kỹ thuật toàn diện, dung hòa xuất sắc giữa độ chính xác của các thuật toán học máy hiện đại và tốc độ phản hồi thực tế của các hệ thống thương mại điện tử quy mô lớn.

Trong giai đoạn tiếp theo, hướng nghiên cứu sẽ tập trung vào việc mở rộng mô hình sang cơ chế lọc lai kết hợp dữ liệu lớn và thử nghiệm các cấu trúc mạng học sâu nhiều tầng. Các doanh nghiệp và nhà nghiên cứu công nghệ nên tham khảo và áp dụng ngay mô hình này để nâng cao năng lực cạnh tranh và bứt phá doanh thu trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

Chương 1: Đƣa ra các khái niệm chung một cách tổng quan về hệ thống gợi ý thông tin, tìm hiểu về thƣơng mại điện tử và ứng dụng của thƣơng mại điện tử Chương 2: Thảo luận các nghiên cứu liên quan về học máy (machine learning), tìm hiểu về các loại hình học máy trong đó có 3 loại học máy quan trọng đƣợc áp dụng trong luận văn của tôi đó là học máy có giám LUAN VAN CHAT LUONG download : add [e-mail] 4 sát(Supervised Learning) và học máy không giám sát (UnSupervised Learning) và học máy bán giám sát (Semi UnSupervised Learning) từ đó áp dụng vào hệ thống thử nghiệm trong chƣơng 3 Chương 3: Chƣơng này sẽ trình bày các thử nghiệm nhằm đánh giá hiệu quả hoạt động tổng thể của hệ thống gợi ý trong thƣơng mại điện tử, với thành phần then chốt là các tƣơng tác của ngƣời dùng với hệ thống. Nội dung chƣơng này bao gồm: o Các yêu cầu với hệ thống cần xây dựng o Mô tả hồ sơ đối tƣợng thông tin – trong trƣờng hợp cụ thể của các sản phẩm trong hệ thống o Trình bày về việc ứng dụng thuật toán K-Means trong phân cụm dữ liệu và ứng dụng thuật toán vào sản phẩm thực tế. o Mô tả thiết kế hệ thống gợi ý thƣơng mại điện tử, dựa trên nộidung, bao gồm hai phần chính: Lõi xử lý OFFSHORE MODE, tầng giao tiếp trung gian ONLINE MODE. o Đƣa ra đƣợc các độ đo dùng để đánh giá hệ thống Phƣơng pháp nghiên cứu Để hoàn thành nội dung nghiên cứu đã đề ra, đầu tiên, tôi tiến hành tìm hiểu kiến thức cơ bản về các mô hình hệ thống gợi ý nói chung.

Sau đó, dựa trên những đặc điểm riêng của thƣơng mại điện tử và điều kiện thực tế mà chọn hƣớng tiếp cận phù hợp. Khi đã xác định đƣợc hƣớng tiếp cận, tôi tiến hành nghiên cứu các thuật toán và xây dựng hệ thống. Song song với đó, các thói quen tìm kiếm sản phẩm của mọi ngƣời trên các website thƣơng mại điện tử hiện nay cũng đƣợc điều tra, thông qua hình thức hỏi đáp trực tiếp. Các thông tin này sẽ giúp ích rất nhiều cho quá trình xây dựng hệ thống thử nghiệm, đặc biệt là giao diện và tƣơng tác trên website.

LUAN VAN CHAT LUONG download : add [e-mail] 5 Cuối cùng, một số thử nghiệm khác nhau sẽ đƣợc tiến hành, nhằm đánh giá khả năng của hệ thống, từ đó, đề xuất các hƣớng nghiên cứu tiếp theo trong tƣơng lai. Kết quả thu đƣợc Sau quá trình nghiên cứu cơ bản, tôi đã quyết định xây dựng một hệ thống gợi ý (hay chọn lọc) thƣơng mại điện tử, hoàn chỉnh, theo hƣớng tiếp cận dựa trên nội dung (content-based approach). Trong đó, thành phần quan trọng nhất là việc gán nhãn cho các sản phẩm của hệ thống để có thể phân cụm và gợi ý cho ngƣời dùng những sản phẩm gần với nhu cầu của họ nhất, có khả năng: Mô hình hoá thông tin dựa trên các thuật toán học máy đó là các thuật toán học có giám sát và học không giám sát, trong luận văn này tôi sử dụng thuật toán K-means là thuật toán học máy không giám sát. Qua thử nghiệm, thuật toán K-means đã chứng tỏ rằng nó hoạt động hiệu quả hơn so với từng mô hình thông tin (ngắn hạn, dài hạn) độc lập, có khả năng nắm bắt nhanh sở thích của ngƣời dùng và theo dõi đƣợc những gì họ đã đọc tuy nhiên sự chính xác vẫn chƣa cao, có đôi khi còn đƣa ra gợi ý không chính xác do cách tính hàm khoảng cách giữa các đối tƣợng chƣa hoàn toàn chính xác.

Do dữ liệu của hệ thống dạng này phụ thuộc nhiều vào phản hồi, tƣơng tác của ngƣời dùng, nên một phƣơng pháp xử lý dữ liệu đầu vào đƣợc đƣa vào nhằm giải quyết vấn đề của bài toán đó là: Do là sản phẩm thƣơng mại điện tử nên tất cả các thuộc tính của sản phẩm đều rất phức tạp trong vấn đề phân tích dữ liệu nếu không thể đƣa vào cùng một hệ tọa độ để tính khoảng cách, do vậy trƣớc khi dùng thuật toán K-means để phân cụm dữ liệu các dữ liệu đầu vào tôi sử dụng Mạng Neuron để huấn luyện các đối tƣợng và quy hoàn toàn các đối tƣợng có dữ liệu đầu vào không phải dạng số về cùng 1 dạng dữ liệu để tính khoảng cách. LUAN VAN CHAT LUONG download : add [e-mail] 6 CHƢƠNG 1: KHÁI QUÁT CHUNG VỀ HỆ THỐNG GỢI Ý THÔNG TIN VÀ THƢƠNG MẠI ĐIỆN TỬ Chƣơng đầu tiên sẽ bắt đầu từ việc giải thích lý do, động lực thực hiện đề tài luận văn này. Nội dung của chƣơng xoay quanh trình bày bối cảnh và sự cần thiết của một Hệ thống gợi ý thông tin, cách tiếp cận của hệ thống gợi ý thông tin trong thƣơng mại điện tử, mô tả các nội dung nghiên cứu trong luận văn, cùng với sơ lƣợc các kết quả đã đạt đƣợc.1 Hệ thống gợi ý thông tin (Recommender Systems) 1.1 Khái niệm hệ thống gợi ý thông tin Hệ thống gợi ý (Recommender Systems - RS) là một dạng của hệ thống lọc thông tin (information filtering), nó đƣợc sử dụng để dự đoán sở thích (preferences) hay xếp hạng (rating) mà ngƣời dùng có thể dành cho một mục thông tin (item) nào đó mà họ chƣa xem xét tới trong quá khứ (item có thể là bài hát, bộ phim, đoạn video clip, sách, bài báo,.2 Một số ứng dụng của hệ thống gợi ý thông tin Hiện nay với lƣợng dữ liệu quá lớn cho các hệ thống lớn, việc đƣa ra đƣợc các gợi ý chính xác nhằm tiết kiệm thời gian cho ngƣời dùng là rất quan trọng và nó giúp hệ thống có thể hữu ích hơn rất nhiều so với nhứng hệ thống khác. Ví dụ, trong hệ thống bán hàng trực tuyến (chẳng hạn nhƣ Amazon), nhằm tối ƣu hóa khả năng mua sắm của khách hàng (user), ngƣời ta quan tâm đến việc những khách hàng nào đã „yêu thích‟ những sản phẩm (item) nào bằng cách dựa vào dữ liệu quá khứ của họ (dữ liệu này có thể là xếp hạng mà ngƣời dùng đã bình chọn trên sản phẩm, thời gian duyệt (browse) trên sản phẩm, số lần click chuột trên sản phẩm,.) từ đó hệ thống sẽ dự LUAN VAN CHAT LUONG download : add [e-mail] 7 đoán đƣợc ngƣời dùng có thể thích sản phẩm nào và đƣa ra những gợi ý phù hợp cho họ.

Hệ thống gợi ý không chỉ đơn thuần là một dạng Hệ thống thông tin mà nó còn là cả một lĩnh vực nghiên cứu hiện đang rất đƣợc các nhà khoa học quan tâm. Kể từ năm 2007 đến nay, hàng năm đều có hội thảo chuyên về hệ thống gợi ý của ACM (ACM RecSys) cũng nhƣ các tiểu bang dành riêng cho RS trong các hội nghị lớn khác nhƣ ACM KDD, ACM CIKM,.2 Tổng quát chung về thƣơng mại điện tử 1.1 Thương mại điện tử là gì ? Cho đến hiện tại có nhiều định nghĩa khác nhau về thƣơng mại điện tử(TMĐT). Các định nghĩa này xem xét theo các quan điểm, khía cạnh khác nhau. Theo quan điểm truyền thông, thƣơng mại điện tử là khả năng phân phối sản phẩm, dịch vụ, thông tin hoặc thanh toán thông qua một mạng ví dụ Internet hay world wide web.

Theo [19], thƣơng mại điện tử liên quan đến nhiều hình thức trao đổi thông tin giữa doanh nghiệp với nhau, giữa khách hàng với doanh nghiệp và giữa khách hàng với khách hàng. Theo quan điểm quá trình kinh doanh: thƣơng mại điện tử bao gồm các hoạt động đƣợc hỗ trợ trực tiếp bởi liên kết mạng. Theo quan điểm môi trƣờng kinh doanh: Thƣơng mại điện tử là một môi trƣờng cho phép có thể mua bán các sản phẩm, dịch vụ và thông tin trên Internet. Sản phẩm có thể hữu hình hay vô hình.

Theo quan điểm cấu trúc: Thƣơng mại điện tử liên quan đến các phƣơng tiện thông tin để truyền: văn bản, trang web, điện thoại Internet, video Internet. Sau đây là một số định nghĩa khác về thƣơng mại điện tử: Thƣơng mại điện tử là tất cả các hình thức giao dịch đƣợc thực hiện LUAN VAN CHAT LUONG download : add [e-mail] 8 thông qua mạng máy tính có liên quan đến chuyển quyền sở hữu về sản phẩm hay dịch vụ. Theo diễn đàn đối thoại xuyên Đại tây dƣơng, thƣơng mại điện tử là các giao dịch thƣơng mại về hàng hoá và dịch vụ đƣợc thực hiện thông qua các phƣơng tiện điện tử. Cục Thống kê Hoa kỳ định nghĩa thƣơng mại điện tử là việc hoàn thành bất kỳ một giao dịch nào thông qua một mạng máy tính làm trung gian mà bao gồm việc chuyển giao quyền sở hữu hay quyền sử dụng hàng hoá và dịch vụ.

Theo nghĩa rộng có nhiều định nghĩa khác về thƣơng mại điện tử nhƣ thƣơng mại điện tử là toàn bộ chu trình và các hoạt động kinh doanh liên quan đến các tổ chức hay cá nhân hay thƣơng mại điện tử là việc tiến hành hoạt động thƣơng mại sử dụng các phƣơng tiện điện tử và công nghệ xử lý thông tin số hoá. UNCITAD định nghĩa về thƣơng mại điện tử bao gồm việc sản xuất, phân phối, marketing, bán hay giao hàng hoá và dịch vụ bằng các phƣơng tiện điện tử. Bao gồm các giao dịch thƣơng mại thông qua các mạng viễn thông Liên minh châu Âu định nghĩa thƣơng mại điện tử và sử dụng các phƣơng tiện điện tử. Nó bao gồm thƣơng mại điện tử gián tiếp (trao đổi hàng hoá hữu hình) và thƣơng mại điện tử trực tiếp (trao đổi hàng hoá vô hình).

Thƣơng mại điện tử cũng đƣợc hiểu là hoạt động kinh doanh điện tử, bao gồm: mua bán điện tử hàng hoá, dịch vụ, giao hàng trực tiếp trên mạng với các nội dung số hoá đƣợc, chuyển tiền điện tử - EFT(electronic fund transfer), mua bán cổ phiếu điện tử - EST (electronic share trading), vận đơn điện tử - E B/L (electronic bill of lading) đấu giá thƣơng mại - Commercial auction, hợp tác thiết kế và sản xuất, tìm kiếm các nguồn lực LUAN VAN CHAT LUONG download : add [e-mail] 9 trực tuyến, mua sắm trực tuyến - Online procurement, marketing trực tiếp, dịch vụ khách hàng sau khi bán. UN đƣa ra định nghĩa đầy đủ nhất để các nƣớc có thể tham khảo làm chuẩn, tạo cơ sở xây dựng chiến lƣợc phát triển thƣơng mại điện tử phù hợp. Định nghĩa này phản ánh các bƣớc thƣơng mại điện tử , theo chiều ngang: “thƣơng mại điện tử là việc thực hiện toàn bộ hoạt động kinh doanh bao gồm marketing, bán hàng, phân phối và thanh toán (MSDP) thông qua các phƣơng tiện điện tử”. Định nghĩa của WTO Thƣơng mại điện tử bao gồm việc sản xuất, quảng cáo, bán hàng và phân phối sản phẩm đƣợc mua bán và thanh toán trên mạng Internet, nhƣng đƣợc giao nhận có thể hữu hình hoặc giao nhận qua Internet dƣới dạng số hoá.