Bối cảnh và vấn đề nghiên cứu

Trong xu thế phát triển mạnh mẽ của công nghệ thông tin, thương mại điện tử đã trở thành một phần thiết yếu trong đời sống kinh tế xã hội, mang lại nhiều cơ hội kinh doanh cho các doanh nghiệp và sự tiện ích cho người tiêu dùng. Nhằm nâng cao năng lực cạnh tranh và tối ưu hóa trải nghiệm khách hàng, các hệ thống thương mại điện tử hiện đại ngày càng chú trọng đến hai yếu tố công nghệ mang tính tương tác và cá nhân hóa cao: hệ thống khuyến nghị (Recommendation System) và kỹ thuật phát hình trực tiếp (Livestream).

Hệ thống khuyến nghị đóng vai trò hỗ trợ người dùng tiếp cận nhanh chóng các sản phẩm phù hợp với thói quen và sở thích cá nhân, qua đó gia tăng tỷ lệ chuyển đổi và doanh số bán hàng. Đồng thời, kỹ thuật livestream mở ra kênh tương tác hai chiều trực tiếp, chân thực giữa người bán và người mua, tạo dựng niềm tin và thúc đẩy quyết định mua hàng tức thời.

Tuy nhiên, thông qua khảo sát thực tế các nền tảng thương mại điện tử phổ biến tại thời điểm nghiên cứu (2024), nhóm tác giả ghi nhận một khoảng trống công nghệ: các nền tảng lớn hiện nay chưa hỗ trợ toàn diện tính năng livestream bán hàng trực tiếp trên nền tảng website:

Tiêu chí Shopee Lazada TikTok Shop
Tính năng Livestream Chỉ hỗ trợ phát và xem livestream trên ứng dụng di động (Mobile App). Chỉ hỗ trợ phát và xem livestream trên ứng dụng di động (Mobile App). Có hỗ trợ xem live trên website nhưng tính năng mua hàng chỉ có trên Mobile App.
Cơ chế Khuyến nghị Khuyến nghị sản phẩm dựa trên lịch sử xem của người dùng; gợi ý các sản phẩm bán chạy. Tương tự Shopee (dựa trên lịch sử xem và sản phẩm bán chạy). Khuyến nghị các phiên phát trực tiếp theo nội dung và hành vi xem của người dùng.

Xuất phát từ thực tiễn trên, khóa luận tốt nghiệp ngành Kỹ thuật Phần mềm với đề tài "Nghiên cứu giải thuật khuyến nghị và kĩ thuật livestream ứng dụng vào hệ thống thương mại điện tử" do sinh viên Đặng Hồ Anh Quân và Lê Hoàng Phúc thực hiện (Trường Đại học Công nghệ Thông tin, Đại học Quốc gia TP. Hồ Chí Minh) đã tập trung giải quyết các nhiệm vụ sau:

  1. Mục tiêu nghiên cứu: Phân tích, đánh giá và đề xuất giải pháp tích hợp tối ưu giữa giải thuật khuyến nghị sản phẩm và kỹ thuật truyền phát trực tiếp trên nền tảng web; từ đó xây dựng hoàn chỉnh website thương mại điện tử mang tên Pescue.
  2. Nhiệm vụ cụ thể:
    • Xây dựng website thương mại điện tử đầy đủ các tính năng cho ba nhóm người dùng: Khách hàng (User), Người bán hàng (Merchant), và Quản trị viên (Admin).
    • Tích hợp công nghệ livestream tương tác trực tiếp trên giao diện web kèm cơ chế khóa/mở đơn hàng theo thời gian thực của phiên live.
    • Ứng dụng giải thuật học máy (Machine Learning) để phân tích ma trận đánh giá và đưa ra danh sách sản phẩm gợi ý cá nhân hóa.
    • Tích hợp các giải pháp thanh toán điện tử trực tuyến (VNPay) kết hợp thanh toán khi nhận hàng (COD).
  3. Đối tượng và phạm vi nghiên cứu:
    • Đối tượng nghiên cứu: Giải thuật lọc cộng tác phân rã ma trận suy biến (SVD), giao thức WebRTC, nền tảng truyền thông đa phương tiện OpenVidu, và quy trình xử lý đơn hàng trong thương mại điện tử.
    • Đối tượng sử dụng hệ thống: Người tiêu dùng có nhu cầu mua sắm trực tuyến cần tương tác trực tiếp với nhà bán hàng; các cửa hàng/người bán trực tuyến; ban quản trị hệ thống.
    • Phạm vi: Nền tảng ứng dụng web, thời gian thực hiện và nghiệm thu trong năm 2024.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp đồng thời phương pháp phân tích - tổng hợp lý thuyết, thiết kế kiến trúc hệ thống phân tán, và thực nghiệm giải thuật học máy trên dữ liệu đánh giá sản phẩm.

1. Khung lý thuyết và mô hình giải thuật

  • Mô hình Lọc cộng tác (Collaborative Filtering): Tác giả phân tích hai hướng tiếp cận chính là lọc dựa trên người dùng (User-based) và lọc dựa trên sản phẩm (Item-based). Để khắc phục vấn đề dữ liệu thưa (Data Sparsity) và tối ưu độ chính xác, hệ thống lựa chọn giải thuật Phân tích suy biến (Singular Value Decomposition - SVD).
  • Giải thuật SVD (Singular Value Decomposition): Mô hình tiến hành phân rã ma trận tiện ích Utility Matrix $A$ kích thước $m \times n$ (với $m$ sản phẩm, $n$ người dùng, giá trị là điểm đánh giá từ 1 đến 5 sao) thành ba ma trận thành phần: $$A = U \Sigma V^T$$ Trong đó: $U$ là ma trận trực giao chứa các vector riêng của $A A^T$; $\Sigma$ là ma trận đường chéo chứa các giá trị suy biến của $A$; $V$ là ma trận trực giao chứa các vector riêng của $A^T A$.
  • Độ tương đồng Cosine (Cosine Similarity): Sử dụng để đo lường góc giữa hai vector đặc trưng của các sản phẩm sau khi giảm chiều dữ liệu: $$\text{sim}(i, j) = \cos(i, j) = \frac{W_i \cdot W_j}{|W_i| |W_j|}$$ Kết quả cho ra ma trận tương quan nằm trong đoạn $[-1; 1]$, từ đó hệ thống truy xuất và sắp xếp để đưa ra 5 sản phẩm tương đồng cao nhất.

2. Nền tảng kỹ thuật và giao thức mạng

  • Giao thức WebRTC (Web Real-Time Protocol): Giao thức truyền tải dữ liệu media thời gian thực giữa các trình duyệt mà không cần cài đặt plugin bổ sung, sử dụng gói tin SDP (Session Description Protocol) để thiết lập kết nối.
  • Cơ chế vượt tường lửa (NAT Traversal): Phân tích cơ chế hoạt động của STUN Server (hỗ trợ client tìm IP/Port công khai) và TURN Server (đóng vai trò relay server trung gian khi client nằm sau mạng Symmetric NAT).
  • Nền tảng OpenVidu: Giải pháp truyền thông đa phương tiện hoạt động dựa trên Kurento Media Server (KMS), chuyển đổi WebRTC P2P sang mô hình Client-Server để hỗ trợ các phiên truyền phát nhiều người tham gia và quản lý luồng video tập trung.

Thiết kế và triển khai hệ thống

Hệ thống Pescue được xây dựng theo kiến trúc hướng dịch vụ (Service-Oriented Architecture), phân tách độc lập giữa tầng giao diện, tầng logic nghiệp vụ, tầng dịch vụ gợi ý và các hạ tầng lưu trữ.

1. Kiến trúc phân tầng và ngăn xếp công nghệ (Tech Stack)

  • Tầng Client: Xây dựng bằng Angular (dựa trên TypeScript) theo mô hình ứng dụng đơn trang (SPA), tích hợp thư viện openvidu-browser.js để tương tác luồng media.
  • Tầng Logic nghiệp vụ (System Logic Service): Phát triển trên nền tảng Java Spring Boot, áp dụng kiến trúc 3 tầng:
    • Controller: Tiếp nhận yêu cầu HTTP/REST API, xử lý phân quyền và xác thực qua Spring Security.
    • Service: Xử lý logic nghiệp vụ thương mại điện tử và điều phối tương tác hệ thống.
    • Repository: Thực hiện truy xuất, cập nhật dữ liệu thông qua Spring Data JPA/Hibernate và Lombok.
  • Tầng Khuyến nghị (Recommendation Service): Phát triển độc lập bằng Python Flask nhằm tối ưu tốc độ tính toán ma trận và mô hình học máy. Service này cung cấp REST API cho System Logic Service gọi sang để lấy kết quả gợi ý.
  • Hạ tầng dữ liệu:
    • Main Database (PostgreSQL): Cơ sở dữ liệu quan hệ lưu trữ tập trung dữ liệu người dùng, sản phẩm, đơn hàng, hóa đơn, tin nhắn và lịch sử hệ thống.
    • Data Storage & Search (Elasticsearch): Lưu bản sao dữ liệu sản phẩm và người bán hàng từ PostgreSQL để phục vụ tìm kiếm toàn văn tốc độ cao, thống kê doanh số và cung cấp tập dữ liệu lớn huấn luyện mô hình SVD.
  • Dịch vụ tích hợp bên thứ ba:
    • OpenVidu Media Server: Máy chủ quản lý phòng ảo (Session), kết nối (Connection), khóa xác thực (Token) và luồng dữ liệu (Stream).
    • Cloudinary: Lưu trữ và phân phối tệp tin hình ảnh sản phẩm, cửa hàng.
    • VNPay: Cổng thanh toán trực tuyến bảo mật.

2. Mô hình Wrapper Livestream và cơ chế phiên (LiveSession)

Nhằm giải quyết hạn chế của OpenVidu (vốn chỉ hỗ trợ truyền tải video/audio thô sơ, không có nghiệp vụ bán hàng), nhóm tác giả đã thiết kế một lớp trừu tượng hóa (Wrapper/Abstract Layer) lấy mô hình LiveSession làm trung tâm:

  • Bảo mật kết nối: Che giấu khóa kết nối (Session Key) trực tiếp từ OpenVidu, chỉ cấp Token ủy quyền cho Client sau khi đã xác thực qua Spring Security nhằm ngăn chặn tấn công vào máy chủ media.
  • Quản lý vòng đời phiên live: LiveSession kiểm soát chặt chẽ hai trạng thái:
    • ACTIVE: Phiên phát sóng đang diễn ra; người mua được phép xem stream, tương tác, thêm sản phẩm live vào giỏ hàng và tiến hành đặt hàng.
    • DONE: Phiên phát sóng kết thúc; toàn bộ chức năng mua bán, giỏ hàng gắn với phiên live lập tức bị khóa, ngoại trừ các hóa đơn đã hoàn tất thanh toán trước đó.

3. Thiết kế cơ sở dữ liệu quan hệ

Hệ thống thiết kế mô hình dữ liệu gồm hơn 20 thực thể bảng, phân bổ thành các nhóm nghiệp vụ chính:

  • Nhóm sản phẩm và phân loại: Product, Category, SubCategory, Variety, VarietyAttribute, VarietiesAttributes.
  • Nhóm giỏ hàng và đơn hàng tiêu chuẩn: Cart, CartItem, Invoice, InvoiceItem.
  • Nhóm nghiệp vụ Livestream: LiveSession, LiveItem, LiveCart, LiveCartItem, LiveInvoice, LiveInvoiceItem.
  • Nhóm tương tác và tiện ích: ChatMessage, ChatRoom, Voucher, OTP, ViewAuditLog, ErrorLog.

Nội dung chính theo từng chương

Chương 1. Giới thiệu đề tài

Chương 1 trình bày lý do chọn đề tài dựa trên sự bùng nổ của thương mại điện tử và xu hướng mua sắm kết hợp giải trí (Shoppertainment). Tác giả làm rõ mục tiêu xây dựng website Pescue nhằm lấp đầy khoảng trống thiếu vắng tính năng bán hàng livestream trên môi trường web. Nội dung chương phân tích chi tiết đối tượng sử dụng hệ thống (User, Merchant, Admin) và đưa ra bảng đánh giá so sánh tính năng với ba nền tảng Shopee, Lazada và TikTok Shop.

Chương 2. Cơ sở lý thuyết

Chương này tổng hợp các kiến trúc, công nghệ và cơ sở toán học được áp dụng trong toàn bộ đồ án:

  • Công cụ và ngôn ngữ: Trình bày nguyên lý thiết kế giao diện bằng Figma; phân tích ưu điểm (tổ chức mã nguồn chặt chẽ, hướng đối tượng) và nhược điểm của TypeScript; đánh giá khả năng hỗ trợ Single Page Application, cơ chế chia module/component và tích hợp Unit Test của Angular.
  • Nền tảng Back-End: Trình bày cơ chế cấu hình tự động, quản lý phụ thuộc bằng Maven và xử lý đa luồng của Spring Boot; phân tích ưu điểm tốc độ thực thi và cấu trúc gọn nhẹ của Python Flask.
  • Công nghệ truyền phát thời gian thực: Giải thích chi tiết giao thức WebRTC, cơ chế trao đổi gói tin SDP, vai trò định tuyến của STUN Server và TURN Server trong xử lý tường lửa/NAT; mô hình 3 thành phần của OpenVidu (Deployment Server, Application Server, Client).
  • Hệ thống khuyến nghị: Trình bày bài toán Lọc cộng tác, cấu trúc phân rã ma trận SVD ($A = U \Sigma V^T$) và công thức tính độ tương tự Cosine Similarity.

Chương 3. Phân tích và thiết kế hệ thống

Chương 3 là phần trọng tâm về mặt kỹ thuật công nghệ, bao gồm:

  • Thiết kế kiến trúc hệ thống: Phân chia chi tiết luồng dữ liệu giữa Spring Boot (System Logic), Flask (Recommendation), PostgreSQL, Elasticsearch và các dịch vụ thứ ba.
  • Giải thuật khuyến nghị chi tiết: Xác định rõ đầu vào (ID sản phẩm mục tiêu và ma trận đánh giá [1; 5]), quy trình tiền xử lý vector đặc trưng, tính toán ma trận tương quan $[-1; 1]$ và đầu ra là Top 5 sản phẩm tương đồng nhất.
  • Mô hình hóa nghiệp vụ: Xây dựng 3 sơ đồ Use case tổng quát cho Merchant, Admin, User cùng danh mục 16 Use case chi tiết; lập bảng đặc tả kịch bản chính (Main Flow) và kịch bản nhánh (Alternative Flow) cho các chức năng then chốt: Đăng nhập, Đăng ký (xác thực OTP), Xem hàng, Thêm vào giỏ hàng, Mua ngay, Nhắn tin, Quản lý tài khoản, Thanh toán, Đánh giá sản phẩm (thang điểm 1-5), Quản lý sản phẩm, Quản lý voucher, Quản lý đơn hàng.
  • Thiết kế dữ liệu chi tiết: Trình bày lược đồ cơ sở dữ liệu vật lý và mô tả cấu trúc trường của các bảng thực thể.

Chương 4. Thực nghiệm và đánh giá

Chương 4 mô tả kết quả cài đặt thực tế của hệ thống Pescue:

  • Thiết kế và kiểm thử thành công hệ thống 26 màn hình giao diện (Đăng nhập, Đăng ký, Quên/Đặt lại mật khẩu, Trang chủ người dùng, Cửa hàng, Chi tiết sản phẩm, Giỏ hàng, Cổng thanh toán VNPay, Trang quản trị Admin, Hộp thoại tin nhắn, Đánh giá sản phẩm, Danh sách sản phẩm, Màn hình Livestream tương tác, Quản lý đơn hàng, Quản lý voucher, Quản lý danh sách đối tác).
  • Kiểm tra luồng hoạt động đồng bộ của quá trình phát video trực tiếp, bình luận, thêm hàng vào giỏ và thanh toán trong phiên livestream.
  • Tổng kết các kết quả kỹ thuật đạt được, phân tích các điểm hạn chế tồn tại và đề xuất định hướng phát triển trong tương lai.

Kết quả và đóng góp

1. Kết quả đạt được

  • Hoàn thiện website thương mại điện tử Pescue: Triển khai thành công một hệ sinh thái bán hàng trực tuyến hỗ trợ đầy đủ 3 phân hệ người dùng (Khách hàng, Người bán hàng, Quản trị viên).
  • Tích hợp tính năng Livestream trên nền tảng Web: Hiện thực hóa giải pháp truyền phát video trực tiếp với độ trễ thấp thông qua OpenVidu và WebRTC; xây dựng cơ chế quản lý danh mục sản phẩm và giỏ hàng thời gian thực trực tiếp trên phiên live.
  • Triển khai thành công dịch vụ gợi ý sản phẩm độc lập: Xây dựng module Recommendation Service bằng Flask sử dụng giải thuật SVD và Cosine Similarity, tự động gợi ý danh sách Top 5 sản phẩm tương đồng dựa trên dữ liệu đánh giá từ 1 đến 5 sao của người dùng.
  • Hoàn thiện hạ tầng thanh toán và bảo mật: Tích hợp đồng thời cổng thanh toán trực tuyến VNPay và hình thức COD; triển khai xác thực tài khoản qua mã OTP gửi về email; lưu vết kiểm toán qua ViewAuditLog và ErrorLog.

2. Đóng góp về mặt giải pháp kỹ thuật

  • Đề xuất mô hình lớp bao bọc trừu tượng LiveSession giải quyết triệt để bài toán đồng bộ giữa luồng truyền thông thời gian thực và luồng nghiệp vụ giao dịch thương mại điện tử, đồng thời bảo vệ an toàn cho máy chủ media bên dưới.
  • Tối ưu hóa hiệu năng truy vấn và thống kê bằng cách kết hợp cơ sở dữ liệu quan hệ PostgreSQL với hệ thống lưu trữ/tìm kiếm Elasticsearch, giảm tải cho cơ sở dữ liệu chính khi hệ thống thực hiện huấn luyện mô hình học máy.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế của hệ thống

  • Dung lượng và thời gian build mã nguồn: Ứng dụng front-end Angular và back-end Spring Boot có kích thước dự án tương đối lớn, đòi hỏi cấu hình hệ thống cao hơn và thời gian đóng gói/build kéo dài.
  • Ràng buộc kiến trúc từ OpenVidu: Việc xây dựng lớp bao bọc LiveSession dựa trên OpenVidu khiến hệ thống có nguy cơ gặp khó khăn khi bảo trì nếu phiên bản OpenVidu nền tảng thay đổi cấu trúc API hoặc cơ chế vận hành.
  • Độ trễ truyền thông khi qua TURN Server: Trường hợp client nằm trong mạng có cơ chế bảo mật nghiêm ngặt (Symmetric NAT) bắt buộc phải truyền dữ liệu qua TURN Server trung gian, có thể làm gia tăng độ trễ và tiêu tốn băng thông máy chủ.
  • Xử lý mở rộng ở tầng Python Flask: Do Flask không tích hợp sẵn ORM (Object-Relational Mapping), việc bổ sung các yêu cầu nghiệp vụ phức tạp đòi hỏi phải cấu hình và lập trình thủ công nhiều thành phần.
  • Vấn đề dữ liệu thưa ban đầu: Khi hệ thống mới triển khai, lượng đánh giá còn ít (ma trận thưa cao) có thể làm giảm độ chính xác của giải thuật SVD.

2. Hướng phát triển tiếp theo

  • Nghiên cứu tối ưu hóa hiệu năng truyền phát livestream và giảm thiểu độ trễ cho các máy khách kết nối qua mạng bảo mật phức tạp.
  • Kết hợp đa dạng các thuật toán gợi ý (lai ghép giữa lọc cộng tác, lọc dựa trên nội dung và mô hình học sâu) nhằm gia tăng độ phủ và khắc phục triệt để vấn đề khởi động nguội (Cold Start) khi dữ liệu còn thưa.
  • Nâng cấp khả năng mở rộng tự động (Auto-scaling) cho hệ thống máy chủ và tối ưu hóa chi phí băng thông video.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo hữu ích cho:

  • Sinh viên và học viên chuyên ngành Kỹ thuật Phần mềm, Công nghệ Thông tin, Hệ thống Thông tin: Tham khảo quy trình phân tích thiết kế hệ thống thương mại điện tử hoàn chỉnh theo chuẩn công nghiệp, từ việc thiết kế sơ đồ Use case, đặc tả kịch bản, đến mô hình hóa cơ sở dữ liệu quan hệ với hơn 20 bảng thực thể.
  • Lập trình viên và kỹ sư phát triển ứng dụng Web: Học hỏi giải pháp kỹ thuật thực tế trong việc tích hợp WebRTC và OpenVidu vào môi trường web, kỹ thuật thiết kế mô hình LiveSession để quản lý phiên bán hàng trực tiếp.
  • Người nghiên cứu hệ thống khuyến nghị: Tham khảo phương pháp toán học phân rã ma trận SVD và độ tương đồng Cosine, cùng mô hình kiến trúc tách rời (Microservice) giữa Spring Boot và Flask trong việc xử lý mô hình học máy.

Câu hỏi thường gặp

1. Khóa luận giải quyết khoảng trống công nghệ nào so với các sàn thương mại điện tử lớn hiện nay?

Khảo sát thực tế trong khóa luận cho thấy các sàn thương mại điện tử phổ biến như Shopee và Lazada chỉ hỗ trợ phát và xem livestream bán hàng trên ứng dụng di động (Mobile App), trong khi TikTok Shop cho phép xem live trên website nhưng bắt buộc phải chuyển sang ứng dụng di động mới có thể mua hàng. Đề tài đã giải quyết khoảng trống này bằng cách xây dựng hệ thống Pescue cho phép người dùng thực hiện toàn bộ quy trình từ xem livestream, tương tác, chọn phân loại hàng, đưa vào giỏ và đặt hàng thanh toán trực tiếp trên giao diện website.

2. Thuật toán khuyến nghị trong hệ thống Pescue hoạt động với đầu vào, đầu ra và cơ chế toán học như thế nào?

  • Đầu vào (Input): ID của sản phẩm cần tìm sản phẩm tương tự và ma trận đánh giá giữa người dùng với sản phẩm (mỗi ô chứa điểm đánh giá từ 1 đến 5).
  • Cơ chế tính toán: Sử dụng giải thuật Phân tích suy biến (SVD) để phân rã ma trận tiện ích $A = U \Sigma V^T$, giảm chiều dữ liệu và trích xuất vector đặc trưng; sau đó áp dụng công thức Cosine Similarity để tính điểm tương quan giữa các vector trong đoạn $[-1; 1]$.
  • Đầu ra (Output): Danh sách 5 ID sản phẩm có độ tương đồng cao nhất với sản phẩm đầu vào.

3. Mô hình Wrapper LiveSession được thiết kế nhằm mục đích gì trong kiến trúc livestream?

Mô hình LiveSession được xây dựng như một lớp trừu tượng hóa bao bọc OpenVidu nhằm hai mục đích chính:

  1. Bảo mật: Che giấu khóa kết nối trực tiếp đến OpenVidu Media Server, kiểm soát quyền truy cập của client thông qua Token đã xác thực bởi Spring Security.
  2. Đồng bộ nghiệp vụ bán hàng: Kiểm soát chặt chẽ trạng thái của phiên livestream. Khi ở trạng thái ACTIVE, người mua mới có thể thao tác với giỏ hàng livestream và thanh toán; khi chuyển sang trạng thái DONE, toàn bộ các thao tác mua bán liên quan đến phiên live sẽ tự động bị khóa.

4. Tại sao hệ thống lại sử dụng đồng thời hai cơ sở dữ liệu PostgreSQL và Elasticsearch?

PostgreSQL đóng vai trò là Main Database duy nhất lưu trữ toàn bộ dữ liệu quan hệ có cấu trúc (người dùng, đơn hàng, hóa đơn, sản phẩm) nhằm đảm bảo tính toàn vẹn và an toàn dữ liệu. Trong khi đó, Elasticsearch lưu bản sao dữ liệu sản phẩm và nhà bán hàng để thực hiện các truy vấn tìm kiếm toàn văn nhanh chóng, hỗ trợ thống kê doanh thu đa chiều và đọc lượng dữ liệu lớn phục vụ việc huấn luyện mô hình SVD của Recommendation Service mà không làm ảnh hưởng đến hiệu năng đọc/ghi của cơ sở dữ liệu chính.

5. Hệ thống hỗ trợ những phương thức thanh toán nào và quy trình xác thực đơn hàng diễn ra ra sao?

Pescue hỗ trợ hai phương thức thanh toán gồm thanh toán trực tuyến qua cổng VNPay và thanh toán tiền mặt khi nhận hàng (COD). Khi người dùng hoàn tất đặt hàng, đơn hàng được chuyển đến giao diện quản lý của Merchant để xử lý và bàn giao cho đơn vị vận chuyển. Khi giao hàng thành công, người bán hoặc người mua có thể bấm xác nhận hoàn thành, hoặc bấm hoàn đơn nếu phát sinh khiếu nại. Toàn bộ dữ liệu đơn hàng được lưu vết và tổng hợp tự động vào màn hình thống kê doanh số của Merchant và Admin.

Kết luận

Khóa luận tốt nghiệp của sinh viên Đặng Hồ Anh Quân và Lê Hoàng Phúc đã nghiên cứu và ứng dụng thành công kỹ thuật phát hình trực tiếp thời gian thực kết hợp giải thuật khuyến nghị phân rã ma trận suy biến vào hệ thống thương mại điện tử Pescue. Công trình không chỉ hoàn thành trọn vẹn việc thiết kế kiến trúc phân tán đa dịch vụ (Spring Boot, Flask, Angular, PostgreSQL, Elasticsearch) mà còn giải quyết được bài toán mua hàng livestream hoàn chỉnh ngay trên giao diện web. Đề tài có tính ứng dụng thực tiễn cao, đáp ứng đúng xu hướng công nghệ thương mại điện tử hiện đại và đóng vai trò là tài liệu tham khảo kỹ thuật giá trị cho các nghiên cứu phát triển phần mềm liên quan.