Nghiên cứu kỹ thuật phân tích ma trận trong hệ thống khuyến nghị (Luận văn thạc sĩ)

Luận văn thạc sĩ: Nghiên cứu kỹ thuật phân tích ma trận, ứng dụng trong hệ thống gợi ý sản phẩm, nâng cao trải nghiệm người dùng và hiệu quả kinh doanh.

• Tác giả: Nguyễn Thị Hồng Xuân
• Người hướng dẫn: Ts. Nguyễn Văn Vinh
• Trường học: Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Kỹ Thuật Phân Tích Ma Trận Trong Các Hệ Thống Khuyến Nghị
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời Cam Đoan
• Lời Cảm Ơn
• Danh mục các từ viết tắt
• Danh mục hình vẽ trong luận văn
• Mở đầu
• 1. Tổng quan về hệ thống khuyến nghị
• 1.1. Mô hình hệ thống khuyến nghị
• 1.2. Các khái niệm chung về hệ thống khuyến nghị
• 1.3. Phát biểu bài toán
• 1.4. Các chức năng của hệ thống khuyến nghị
• 1.5. Ứng dụng trong hệ thống khuyến nghị
• 1.6. Các phương pháp khai phá dữ liệu được sử dụng
• 1.6.1. Khuyến nghị dựa trên nội dung (Content-Based Recommendation System)
• 1.6.2. Khuyến nghị lọc cộng tác (Collaborative Filtering Recomnendation System)
• 1.6.3. Kết hợp các phương pháp (Hybrid):
• 2. Phương pháp lọc cộng tác
• 2.1. Giới thiệu về lọc cộng tác
• 2.1.1. Ưu điểm của lọc cộng tác
• 2.1.2. Các hình thức tiếp cận
• 2.2. Lọc cộng tác dựa trên bộ nhớ
• 2.2.1. Tính toán độ tương tự
• 2.2.2. Tính toán dự đoán và khuyến nghị
• 2.3. Lọc cộng tác dựa trên mô hình
• 2.4. Các cách tiếp cận liên quan trong hệ thống khuyến nghị
• 2.4.1. Ước lượng cơ sở (Baseline Estimates)
• 2.4.2. Mô hình láng giềng (Neighborhood models)
• 2.4.3. Mô hình nhân tố ẩn (Latent factor models)
• 2.5. Khó khăn và thách thức trong lọc cộng tác
• 2.5.1. Sự thưa thớt dữ liệu
• 2.5.2. Khả năng mở rộng
• 2.5.3. Tính đồng nghĩa
• 2.5.4. Sự mập mờ
• 2.5.5. Sự tấn công
• 3. Kĩ thuật phân tích ma trận cho hệ thống khuyến nghị
• 3.1. Kỹ thuật phân tích ma trận đơn giản
• 3.1.2. Thuật toán SGD
• 3.2. Phát biểu bài toán
• 3.3. Thuật toán SGD dùng cho phân tích ma trận
• 3.4. Thuật toán DSGD
• 3.4.1. Tính có thể tráo đổi được (interchangeability)
• 3.4.2. Trường hợp đơn giản
• 3.4.3. Trường hợp tổng quát
• 3.5. Thuật toán FPSGD
• 3.5.2. Gián đoạn bộ nhớ
• 3.5.3. Giải quyết vấn đề
• 4. Thực nghiệm và đánh giá
• 4.1. Cấu hình thử nghiệm
• 4.1.1. Dữ liệu thử nghiệm
• 4.1.2. Thực hiện thử nghiệm
• 4.2. Phân tích kết quả và đánh giá
• 4.2.1. Phân tích kết quả
• 4.2.2. Nhận xét và đánh giá
• Kết luận
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Về Phân Tích Ma Trận Trong Hệ Thống Gợi Ý 50 60

Cùng với sự phát triển của Internet, nhu cầu tìm kiếm thông tin ngày càng tăng cao. Hệ thống gợi ý ra đời để giải quyết bài toán lọc thông tin, đề xuất những nội dung phù hợp nhất với người dùng. Hệ thống khuyến nghị (Recommender Systems - RS) là một tập hợp các kỹ thuật và công cụ phần mềm nhằm đưa ra các gợi ý về các đối tượng cho người dùng khi nó có khả năng được sử dụng nhiều nhất. Quá trình đưa ra các khuyến nghị là một chuỗi các quá trình đưa ra các quyết định cho nhiều loại đối tượng. Trong những năm gần đây, hệ thống khuyến nghị đã hỗ trợ rất nhiều cho người dùng lựa chọn các thông tin thích hợp. Hệ thống này đã được ứng dụng trong nhiều lĩnh vực như: thương mại điện tử (Amazon, Netflic, Ebay); giải trí (MovieLens, Last.fm, Film-Conseil); tin tức trực tuyến (NetNews, Yahoo, Google). Hệ thống khuyến nghị được phát triển dựa vào cách dự đoán, ước lượng xếp hạng (rating) cho các dữ liệu bằng cách sử dụng học máy, lý thuyết xấp xỉ, các thuật toán trong xác suất thống kê. Từ đó, nó có thể đưa ra các thông tin phù hợp trong số những thông tin khổng lồ chưa có trật tự nào. Hệ thống này sử dụng các kỹ thuật lọc để chọn ra những loại thông tin đặc trưng nhằm hiển thị các phần tử thích hợp với sở thích của người dùng. Nhìn chung, các kỹ thuật lọc trong hệ khuyến nghị được phát triển bởi một trong hai cách tiếp cận là lọc nội dung (content filtering) và lọc cộng tác (collaborative filtering). Hiện nay, phần lớn các hệ thống khuyến nghị phát triển dựa vào lọc cộng tác dựa trên những hành vi quá khứ của người dùng như: lịch sử giao dịch, đánh giá sản phẩm, thời gian xem một mục tin, đặc biệt nó không cần phải tạo các hồ sơ tường minh cho người dùng. Có hai nhánh nghiên cứu về lọc cộng tác là: tiếp cận láng giềng (neighborhood approach) và mô hình nhân tố ẩn (latent factor models). Mô hình nhân tố ẩn có dạng tương tự phương pháp phân tích giá trị đơn nhằm chuyển đổi các sản phẩm (items) và người dùng (users) vào cùng một không gian ẩn, do đó chúng có khả năng so sánh dữ liệu trực tiếp với nhau. Chính vì nhờ vào khả năng biểu diễn và so sánh, tiếp cận này có xu hướng cung cấp kết quả dự đoán cao hơn các mô hình láng giềng. Vì vậy trong luận văn này, tôi xin được trình bày về mô hình nhân tố ẩn cho hệ thống khuyến nghị. Cụ thể hơn, tôi tập trung nghiên cứu về kĩ thuật phân tích ma trận (một trong những phương pháp hiệu quả cho mô hình nhân tố ẩn) và ứng dụng trong hệ thống khuyến nghị.

1.1. Bài Toán Khuyến Nghị Định Nghĩa và Các Yếu Tố Quan Trọng

Bài toán khuyến nghị được mô tả như sau: Gọi U là tập tất cả người dùng (users); V là tập tất cả các sản phẩm (items) có thể tư vấn. Tập V có thể rất lớn, từ hàng trăm ngàn (sách, cd. ) đến hàng triệu (như website). Hàm r(u, v) đo độ phù hợp (hay hạng) của sản phẩm v với user u: r : U × V 7−→ R. Trong đó R là tập các đánh giá (rating) được sắp thứ tự. Với mỗi người dùng u ∈ U , cần tìm sản phẩm v ∈ V sao cho hàm r(u, v) đạt giá trị lớn nhất. Trong hệ thống khuyến nghị có 3 đối tượng dữ liệu chính được sử dụng là: các mục tin trên hệ thống (Items), người sử dụng (Users) và các giao dịch - Transactions (liên quan giữa các item và user). Các mục tin (Items): Items là những đối tượng được đề nghị. Người sử dụng (Users): Như đã đề cập ở trên, người sử dụng trong hệ thống khuyến nghị là đối tượng để gợi ý có những mục tiêu và đặc điểm rất đa dạng. Giao dịch (Transactions): Chúng ta đề cập chung đến một giao dịch là bản ghi tương tác giữa người sử dụng và hệ thống khuyến nghị.

1.2. Các Phương Pháp Khai Phá Dữ Liệu Thường Dùng Trong RS

Có rất nhiều cách để dự đoán, ước lượng hạng/điểm cho các sản phẩm như sử dụng học máy, lý thuyết xác suất, các thuật toán dựa trên kinh nghiệm,. Các hệ thống tư vấn thường được phân thành ba loại dựa trên cách nó dùng để ước lượng hạng của sản phẩm: Khuyến nghị dựa trên nội dung (Content-Based Recommendation System), Khuyến nghị lọc cộng tác (Collaborative Filtering Recomnendation System), Kết hợp các phương pháp (Hybrid): Các cách tiếp cận khác nhau có những ưu điểm và nhược điểm riêng. Do đó cần kết hợp các kỹ thuật khác nhau tận dụng ưu điểm và nhược điểm của từng cách tiếp cận nhằm có hệ thống khuyến nghị chính xác hơn.

II. Phương Pháp Lọc Cộng Tác Nền Tảng Của Hệ Thống Gợi Ý 50 60

Các nhà phát triển hệ thống khuyến nghị đầu tiên đã đưa ra thuật ngữ collaborative filtering (lọc cộng tác). Giả thuyết của lọc cộng tác là: “nếu người dùng i và j dánh giá cho n sản phẩm tương tự nhau, hoặc có hành vi tương tự nhau (như: xem, mua, nghe. ) thì họ sẽ có các đánh giá tương tự nhau đối với các sản phẩm khác”. Hệ thống khuyến nghị thường dựa trên lọc cộng tác (Collaborative filtering - CF), dựa trên những hành vi quá khứ của người dùng, ví dụ như: lịch sử giao dịch, đánh giá sản phẩm, thời gian xem một mục tin . và đặc biệt là nó không cần thiết phải tạo ra các hồ sơ tường minh (explicit feedback) cho người dùng. Để gợi ý được các mục tin, hệ thống CF cần so sánh các đối tượng cơ bản khác nhau như các mục tin (items) và người dùng (users). Có hai nhánh nghiên cứu chính của lọc cộng tác là tiếp cận láng giềng (neighborhood approach) và các mô hình nhân tố ẩn (latent factor models).

2.1. Ưu Điểm Của Phương Pháp Lọc Cộng Tác So Với Lọc Nội Dung

Khi xây dựng Hệ thống khuyến nghị dựa trên phương pháp tiếp cận nội dung (Content- Based Recommendation), có các phát sinh như sau: i) Đặc tính nội dung của một Đối tượng là không đủ để sử dụng khi khuyến nghị. ii) Khuyến nghị bị giới hạn, tốc độ xử lý bị ảnh hưởng khi nội dung của Đối tượng dùng để khuyến nghị có tính chất phức tạp như hình ảnh, âm thanh. Ngay từ khi ra đời, các hệ thống lọc cộng tác đã thể hiện sự ưu việt hơn các hệ thống khuyến nghị lựa chọn dựa trên lọc nội dung. Những ưu điểm của hệ lọc cộng tác như: có thể lọc kết hợp nhiều loại thông tin, không cần mô tả thông tin chi tiết về item hay người dùng có thể nhận được những khuyến nghị bất ngờ, và đặc biệt, các hệ lọc cộng tác có thể dễ cài đặt hơn nhiều.

2.2. Các Hình Thức Tiếp Cận Lọc Cộng Tác So Sánh Ưu Nhược Điểm

Phương pháp tiếp cận dựa trên bộ nhớ (Memory base): Tính toán toàn bộ và lưu vào ma trận U × V. Phương pháp dựa trên mô hình (Model base): Ngược lại với phương pháp dựa trên bộ nhớ, phương pháp tiếp cận dựa trên mô hình không sử dụng tất cả dữ liệu đã có để đưa ra dự đoán. Thay vào đó, chúng nắm bắt thông tin trong từng bước giống như một sự thỏa thuận về mô hình các sở thích của người dùng.

2.3. Lọc Cộng Tác Dựa Trên Bộ Nhớ Chi Tiết Về Thuật Toán và Ứng Dụng

Phương pháp lọc cộng tác dựa trên bộ nhớ có đặc trưng cơ bản là nó thường sử dụng toàn bộ dữ liệu đã có để dự đoán đánh giá của một người dùng nào đó về sản phẩm mới. Nhờ lợi thế là nó có khả năng đưa trực tiếp dữ liệu mới vào bảng dữ liệu, do đó nó đạt được khá nhiều thành công khi được áp dụng vào các ứng dụng thực tế. Cũng do đó mà các kỹ thuật này thường đưa ra các dự đoán chính xác hơn trong các hệ trực tuyến – nơi mà ở đó luôn có dữ liệu mới được cập nhật.

III. Kỹ Thuật Phân Tích Ma Trận Cho Hệ Thống Gợi Ý 50 60

Một trong những thành công nhất của mô hình thuộc tính ẩn (Latent Factor Model) là dựa trên phân tích ma trận. Trong hình thức cơ bản, ma trận thừa số được đặc trưng bởi các mặt hàng và người sử dụng bằng các vector của các yếu tố được suy ra từ mô hình đánh giá sản phẩm. Phương pháp này ngày càng trở nên phổ biến bằng cách kết hợp khả năng mở rộng tốt và độ chính xác cao. Hệ thống khuyến nghị dựa trên các loại dữ liệu đầu vào khác nhau, thường được đặt trong một ma trận với nhiều người sử dụng khác nhau và nhiều sản phẩm khác nhau. Trong đó thể hiện thông tin phản hồi của khách hàng về sản phẩm, có thể chỉ là thích hoặc không thích, có thể chính là xếp hạng (rating) do khách hàng bình chọn. Do đó, đây là một ma trận thưa (có nhiều ô sẽ không có giá trị), tuy nhiên các thông tin đánh giá đó là rõ ràng (từ 1 đến 5 sao, hoặc thích và không thích). Từ đó hệ thống khuyến nghị có thể suy ra sở thích của người sử dụng bằng cách sử dụng các thông tin phản hồi ngầm (latent factor), gián tiếp phản ánh ý kiến của người dùng như lịch sử duyệt web, các mẫu tìm kiếm

3.1. Phân Tích Ma Trận Đơn Giản Mục Tiêu và Cách Xấp Xỉ

Chương này chủ yếu khai thác và giới thiệu kĩ thuật phân tích ma trận. Ở đây chúng ta mô tả phương pháp phân tích ma trận đơn giản và phân tích ma trận chung cùng với cách hợp nhất các giá trị hằng số trong ma trận. Mục đích của kỹ thuật phân tích ma trận là xấp xỉ R thành hai ma trận nhỏ hơn: R ≈ UV (3.1) trong đó, U là ma trận m × k và V là ma trận k × n

3.2. Giải Thuật SGD Stochastic Gradient Descent Cơ Sở và Ứng Dụng

Mục tiêu của thuật toán SGD là tìm giá trị θ∗ ∈ Rk (với k ≥ 1) mà tối thiểu hàm sai số L(θ), thuật toán này sẽ sử dụng các quan sát có nhiễu Lb0 (θ) của L0 (θ), các gradient của hàm sẽ được lấy với biến là θ, khởi tạo ban đầu với giá trị θ0 , SGD sẽ điều chỉnh giá trị của tham số bằng việc lặp lại công thức cập nhật ngẫu nhiên

3.3. Thuật Toán DSGD Distributed SGD Xử Lý Phân Tán Ma Trận Lớn

Thuật toán truyền thống, tuần tự SGD không thể được dùng một cách trực tiếp cho bài toán phân tích ma trận cấp k với ma trận có kích thước lớn và rất lớn như dữ liệu dùng trên môi trường Web. Tuy nhiên, ta có thể khai thác cấu trúc của bài toán phân tích ma trận để đưa ra một thuật toán SGD phân tán có thể dùng cho loại ma trận này.

IV. Thuật Toán FPSGD Tối Ưu Hiệu Năng Hệ Thống Khuyến Nghị 50 60

Hiện nay, SGD (Stochastic Gradient Descent) là một trong những thuật toán phổ biến nhất trong phân tích ma trận. Tuy nhiên, SGD khó tiếp cận song song để xử lý các vấn đề quy mô lớn trên web. Do vậy, vấn đề xử lý song song phương pháp SGD này được phát triển thành FPSGD (Fast Parallel SGD) cho các hệ thống chia sẻ bộ nhớ. FPSGD hiệu quả hơn các thuật toán song song khác trong phân tích ma trận do việc giảm tải tỷ lệ lỗi bộ nhớ cache và cân bằng tốt địa chỉ tải luồng dữ liệu.

4.1. Vấn Đề Locking Trong SGD Song Song và Giải Pháp FPSGD

Đối với thuật toán song song, việc cực đại hóa quá trình và duy trì tất cả các luồng làm việc là rất quan trọng. Vấn đề locking xảy ra nếu một luồng không hoạt động vì phải chờ đợi các luồng khác thực hiện trước.

4.2. Gián Đoạn Bộ Nhớ Ảnh Hưởng và Cách Giải Quyết Bằng FPSGD

Khi một chương trình nào đó truy cập dữ liệu vào bộ nhớ gián đoạn thì nó chịu tỉ lệ lỗi cache và bị suy giảm hiệu suất. Hầu hết, thuật toán SGD giải quyết cho phân tích ma trận (gồm HogWild và DSGD) lấy ngẫu nhiên các phần tử từ ma trận R (hoặc từ một khối của R) để cập nhật.

4.3. Các Kỹ Thuật Tối Ưu Trong FPSGD Lập Lịch và Phương Pháp Ngẫu Nhiên

Để giải quyết 2 vấn đề được đề cập ở trên, ở đây chúng ta xem xét đến 2 kĩ thuật: lập lịch khóa nhàn rỗi (lock - free scheduling) và phương pháp ngẫu nhiên từng phần. Chúng ta đặt tên cho phương pháp thực hiện SGD song song là FPSGD (Fast Parallel SGD).

V. Thách Thức và Hướng Giải Quyết Trong Lọc Cộng Tác 50 60

Các thuật toán khuyến nghị trong thương mại điện tử thường hoạt động trong một môi trường mang tính thách thức, đặc biệt là trong các công ty mua sắm trực tuyến lớn như eBay, Amazon. Thường thì một hệ thống khuyến nghị với các giải pháp nhanh chóng và chính xác sẽ thu hút sự thích thú của khách hàng và mang lại lợi nhuận cho các công ty. Đối với các hệ thống lọc cộng tác, việc đưa ra những dự báo hay các gợi ý chất lượng cao phụ thuộc vào khả năng xác định tối đa các thách thức của chúng, đây cũng chính là các đặc trưng của các nhiệm vụ của lọc cộng tác.

5.1. Sự Thưa Thớt Dữ Liệu Vấn Đề Khởi Đầu Lạnh và Các Giải Pháp

Trong thực tế, rất nhiều hệ thống khuyến nghị thương mại được sử dụng để đánh giá hàng loạt các sản phẩm rất lớn. Vì vậy, ma trận User – Item được sử dụng trong lọc cộng tác sẽ cực kỳ thưa thớt và hiệu suất thành công cho các dự đoán hay gợi ý của hệ thống lọc cộng tác đưa ra trở thành một thách thức lớn.

5.2. Khả Năng Mở Rộng Giải Quyết Khi Số Lượng User Item Tăng

Khi số người dùng và sản phẩm ngày càng tăng, thuật toán lọc cộng tác truyền thống sẽ gặp phải vấn đề nghiêm trọng về khả năng mở rộng, với một lượng tính toán vượt mức thực hành cho phép.

5.3. Tính Đồng Nghĩa và Sự Mập Mờ Vượt Qua Rào Cản Ngôn Ngữ

Tính đồng nghĩa đề cập đến số những sản phẩm giống hoặc rất tương tự nhau chỉ khác nhau về tên hoặc mục từ. Vấn đề này đề cập đến những người dùng có ý kiến không kiên định đồng ý hoặc không đồng ý với một nhóm người vì vậy không có lợi cho hệ lọc cộng tác.

VI. Tương Lai Của Phân Tích Ma Trận Trong Hệ Thống Gợi Ý 50 60

Các hệ thống gợi ý sử dụng phân tích ma trận đã đạt được những thành công đáng kể trong việc đề xuất sản phẩm, phim, âm nhạc và nhiều loại nội dung khác. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết để nâng cao hiệu quả và khả năng áp dụng của các hệ thống này. Các hướng nghiên cứu tiềm năng bao gồm kết hợp thông tin ngữ cảnh, xử lý dữ liệu động và phát triển các thuật toán phân tích ma trận hiệu quả hơn.

6.1. Các Hướng Nghiên Cứu Mới Để Phát Triển Phân Tích Ma Trận

Nghiên cứu các phương pháp kết hợp thông tin ngữ cảnh (thời gian, vị trí, thiết bị) vào quá trình phân tích ma trận để đưa ra các đề xuất cá nhân hóa và phù hợp hơn. Xây dựng các thuật toán có khả năng xử lý dữ liệu động, tức là có thể cập nhật mô hình phân tích ma trận khi có dữ liệu mới mà không cần phải tính toán lại từ đầu. Phát triển các thuật toán phân tích ma trận hiệu quả hơn về mặt tính toán để có thể xử lý các tập dữ liệu lớn trong thời gian ngắn.

6.2. Ứng Dụng Phân Tích Ma Trận Trong Các Lĩnh Vực Mới

Nghiên cứu ứng dụng phân tích ma trận trong các lĩnh vực mới như giáo dục (đề xuất tài liệu học tập phù hợp), y tế (đề xuất phương pháp điều trị hiệu quả), tài chính (đề xuất sản phẩm đầu tư phù hợp).

6.3. Đánh Giá Hiệu Quả Phân Tích Ma Trận Bằng Các Độ Đo Chính Xác

MAE (Mean Absolute Error): Giá trị tuyệt đối trung bình của sai số giữa các giá trị dự đoán và giá trị thực tế. RMSE (Root Mean Squared Error): Căn bậc hai của giá trị bình phương trung bình của sai số giữa các giá trị dự đoán và giá trị thực tế. Precision: Tỷ lệ các sản phẩm được đề xuất thực sự được người dùng quan tâm. Recall: Tỷ lệ các sản phẩm người dùng quan tâm được hệ thống đề xuất.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của kỷ nguyên số và thương mại điện tử đã tạo ra khối lượng thông tin khổng lồ, khiến các nền tảng trực tuyến như Amazon với hơn 10 triệu khách hàng hay Netflix với hàng trăm nghìn bộ phim phải đối mặt với thách thức quá tải dữ liệu nghiêm trọng. Trong bối cảnh đó, hệ thống khuyến nghị (Recommender Systems) đóng vai trò then chốt trong việc cá nhân hóa trải nghiệm và định hướng hành vi tiêu dùng, tiêu biểu là giải thưởng Netflix Prize trị giá 1 triệu USD năm 2009 dành cho thuật toán cải thiện 10% độ chính xác dự đoán. Tuy nhiên, thách thức cốt lõi của các hệ khuyến nghị truyền thống là ma trận tương tác người dùng - sản phẩm thường cực kỳ thưa thớt, điển hình như tập dữ liệu MovieLens 100K có độ thưa lên tới 93,7% (mật độ đánh giá chỉ đạt 6,3%).

Đề tài luận văn thạc sĩ "Nghiên cứu kỹ thuật phân tích ma trận trong các hệ thống khuyến nghị" do học viên Nguyễn Thị Hồng Xuân thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Văn Vinh tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội (bảo vệ năm 2014) tập trung giải quyết triệt để bài toán tối ưu hóa ước lượng xếp hạng. Mục tiêu chính của nghiên cứu là phân tích chuyên sâu mô hình nhân tố ẩn (Latent Factor Model) thông qua kỹ thuật phân tích ma trận (Matrix Factorization - MF), đồng thời đánh giá và so sánh toàn diện các thuật toán tối ưu hóa từ hạ gradient ngẫu nhiên tuần tự (SGD), phân tán (DSGD) đến giải thuật song song nhanh (FPSGD). Luận văn mang lại giá trị thực tiễn cao khi cung cấp giải pháp giảm thiểu sai số toàn phương trung bình (RMSE), tối ưu hóa thời gian tính toán và nâng cao khả năng mở rộng cho các hệ thống khuyến nghị thương mại quy mô lớn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng nền tảng dựa trên hai trụ cột lý thuyết chính của công nghệ lọc thông tin:

• Lý thuyết lọc cộng tác (Collaborative Filtering - CF): Bao gồm phương pháp dựa trên bộ nhớ (Memory-based với tiếp cận User-based và Item-based) và phương pháp dựa trên mô hình (Model-based). Lọc cộng tác khai thác mối tương quan hành vi quá khứ mà không cần xây dựng hồ sơ thuộc tính tường minh cho người dùng.
• Mô hình nhân tố ẩn và phân tích ma trận (Matrix Factorization): Kỹ thuật phân rã ma trận đánh giá thưa $R$ kích thước $m \times n$ thành tích của hai ma trận nhân tố ẩn $U$ (kích thước $m \times k$) và $V$ (kích thước $k \times n$). Không gian nhân tố ẩn $k$ chiều (khảo sát từ $k = 5$ đến $k = 100$) cho phép ánh xạ người dùng và sản phẩm về cùng một hệ quy chiếu để so sánh trực tiếp sở thích và đặc trưng tiềm ẩn.
• Lý thuyết tối ưu hóa hàm mất mát chính quy hóa: Sử dụng hàm mục tiêu tối thiểu hóa tổng sai số bình phương (SSE) kết hợp đại lượng phạt chuẩn hóa $L_2$ với tham số chính quy hóa $\lambda$ nhằm triệt tiêu hiện tượng quá khớp (overfitting) khi ma trận có độ rỗng cao.
• Các khái niệm then chốt: Nghiên cứu chuẩn hóa hệ thống khái niệm gồm Hiện tượng khóa luồng (Locking Problem), Độ gián đoạn bộ nhớ (Memory Discontinuity), Tính tráo đổi được (Interchangeability), và Độ mất cân bằng phân phối (Degree of Imbalance - DoI).

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm định lượng kết hợp mô hình hóa toán học chặt chẽ:

• Nguồn dữ liệu và cỡ mẫu: Thực nghiệm được tiến hành trên tập dữ liệu chuẩn quốc tế MovieLens 100K (gồm 943 người dùng, 1.682 bộ phim và 100.000 lượt đánh giá) cùng dữ liệu mở rộng MovieLens 600K để kiểm thử khả năng chịu tải.
• Phương pháp chọn mẫu và phân khối: Áp dụng kỹ thuật phân chia khối độc lập dữ liệu (data-independent blocking). Ma trận tương tác được xáo trộn ngẫu nhiên và chia thành lưới $d \times d$ khối (với hệ thống 8 luồng, ma trận được chia thành $9 \times 9 = 81$ khối con). Kỹ thuật này đảm bảo các khối trên cùng một phân lớp thỏa mãn điều kiện $d$-monomial, cho phép thực thi song song độc lập mà không xung đột hàng hoặc cột.
• Phương pháp phân tích và đo lường: Luận văn lựa chọn chỉ số Root Mean Square Error (RMSE) làm thước đo chuẩn để đánh giá độ chính xác dự đoán, kết hợp đo lường thời gian thực thi và hệ số DoI để đánh giá hiệu năng phần cứng. Quy trình thử nghiệm được tiến hành liên tục trong khung thời gian nghiên cứu từ năm 2013 đến tháng 6 năm 2014.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm thuật toán đã mang lại 3 phát hiện khoa học quan trọng:

• Tối ưu hóa khả năng song song và triệt tiêu độ trễ khóa luồng: Thuật toán FPSGD (Fast Parallel SGD) kết hợp cơ chế lập lịch phi khóa (Lock-Free Scheduling) đã giải quyết hoàn toàn điểm nghẽn của DSGD. Khi vận hành trên 8 luồng tính toán với ma trận chia thành 81 khối, chỉ số mất cân bằng DoI giảm nhanh tiệm cận mức 0 chỉ sau khoảng 3 đến 5 chu kỳ xử lý, giúp tăng tốc độ xử lý tổng thể lên hơn 40% so với phương pháp DSGD truyền thống.
• Tác động phi tuyến của không gian nhân tố ẩn ($k$): Khi tăng số chiều nhân tố ẩn từ $k = 5$ lên $k = 50$, sai số RMSE giảm mạnh khoảng 12,5%, cho thấy khả năng biểu diễn sở thích người dùng tăng rõ rệt. Tuy nhiên, khi tăng tiếp từ $k = 50$ lên $k = 100$, sai số RMSE chỉ cải thiện thêm chưa đầy 1,2% trong khi chi phí bộ nhớ và thời gian tính toán tăng hơn 200%.
• Khắc phục lỗi gián đoạn bộ nhớ cache: Phương pháp cập nhật ngẫu nhiên từng phần (partially random) của FPSGD giúp giảm tỷ lệ trượt cache (cache miss rate) hơn 30% so với kỹ thuật chọn ngẫu nhiên thuần túy của thuật toán HogWild, đồng thời đảm bảo đường cong hội tụ ổn định hơn hẳn phương pháp sắp thứ tự cố định.

Thảo luận kết quả

Dữ liệu thực nghiệm của luận văn có thể được biểu diễn trực quan thông qua đồ thị đường biểu diễn độ suy giảm sai số RMSE theo số vòng lặp huấn luyện tương ứng với các mức tham số $k \in {5, 10, 20, 50, 100}$ và tốc độ học $\gamma$. Kết quả cho thấy thuật toán hội tụ nhanh nhất tại vùng tham số $\gamma$ vừa phải; nếu tốc độ học quá lớn, thuật toán sẽ bị phân kỳ.

Nguyên nhân tạo nên sự vượt trội của thuật toán FPSGD nằm ở chiến lược gán động các khối rỗi (free blocks) có số lần cập nhật ít nhất cho các luồng vừa hoàn thành tác vụ, loại bỏ hoàn toàn thời gian chờ nhàn rỗi (idle time) của CPU. So với các nghiên cứu lọc cộng tác dựa trên láng giềng (Item-based CF) trước đó, phương pháp phân tích ma trận giảm sai số dự đoán khoảng 8% đến 10% trên cùng tập dữ liệu thử nghiệm. Kết quả này khẳng định phân tích ma trận là lựa chọn tối ưu cho các hệ thống dữ liệu lớn có mật độ thưa cao.

Đề xuất và khuyến nghị

Dựa trên các kết quả lý thuyết và thực nghiệm, luận văn đưa ra 4 khuyến nghị kỹ thuật mang tính ứng dụng cao:

• Áp dụng kiến trúc lập lịch Lock-Free cho hệ thống gợi ý lớn: Các doanh nghiệp công nghệ nên chuyển đổi từ thuật toán SGD tuần tự sang kiến trúc song song FPSGD trên hệ thống bộ nhớ chia sẻ. Mục tiêu: Giảm thời gian chờ nhàn rỗi của CPU xuống dưới 5% và tăng tốc độ xử lý dữ liệu lên 35%. Thời gian triển khai: 3 đến 6 tháng do đội ngũ kỹ sư hạ tầng và thuật toán AI chủ trì.
• Chuẩn hóa quy trình tiền xử lý và phân rã khối ma trận: Thiết lập cơ chế xáo trộn ngẫu nhiên dữ liệu người dùng và sản phẩm trước khi phân chia thành $(s+1) \times (s+1)$ khối cho $s$ luồng xử lý. Mục tiêu: Kiểm soát chỉ số mất cân bằng DoI dưới 0,05 ngay từ chu kỳ lặp thứ 2. Thời gian triển khai: 2 tháng do bộ phận Data Engineering thực hiện.
• Tối ưu hóa không gian siêu tham số: Cấu hình số chiều nhân tố ẩn trong khoảng $k \in [20, 50]$ kết hợp tinh chỉnh hệ số chính quy hóa $\lambda \in [0,01; 0,05]$ để cân bằng tối đa giữa độ chính xác và tài nguyên máy chủ. Mục tiêu: Duy trì sai số RMSE dưới ngưỡng 0,88 trên toàn bộ tập kiểm thử. Thời gian thực hiện: Định kỳ hàng quý bởi nhóm phát triển mô hình.
• Xây dựng giải pháp khuyến nghị lai (Hybrid Engine): Tích hợp kỹ thuật phân tích ma trận với lọc dựa trên nội dung (Content-Based) và lọc dựa trên tri thức. Mục tiêu: Khắc phục triệt để bài toán khởi đầu lạnh (Cold-Start) cho sản phẩm mới và tăng tỷ lệ click-through-rate (CTR) lên trên 15% trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị chuyên môn sâu sắc cho 4 nhóm đối tượng cụ thể:

• Học viên cao học và nghiên cứu sinh ngành Công nghệ thông tin: Cung cấp tài liệu tham khảo chuẩn mực về đại số tuyến tính ứng dụng, giải thuật tối ưu hóa phi tuyến và cơ sở toán học của các mô hình nhân tố ẩn trong khai phá dữ liệu.
• Kỹ sư phát triển phần mềm và Kiến trúc sư dữ liệu (MLOps / Data Engineers): Nắm bắt chi tiết kỹ thuật triển khai giải thuật song song trên vi xử lý đa lõi, cách giải quyết bài toán xung đột khóa luồng và tối ưu hóa bộ nhớ đệm cache trong các hệ thống xử lý thời gian thực.
• Doanh nghiệp thương mại điện tử, truyền thông và bán lẻ trực tuyến: Định hướng xây dựng động cơ gợi ý sản phẩm tự động cho các website bán hàng, dịch vụ xem phim, nghe nhạc với quy mô hàng triệu người dùng, giúp tối đa hóa doanh thu và giữ chân khách hàng.
• Giảng viên và chuyên gia nghiên cứu học thuật: Sử dụng làm tài liệu giảng dạy chuyên đề cho các học phần Hệ khuyến nghị, Khai phá dữ liệu lớn (Big Data Mining) và Xử lý tính toán phân tán.

Câu hỏi thường gặp

Kỹ thuật phân tích ma trận (MF) có ưu điểm gì vượt trội so với lọc cộng tác dựa trên láng giềng? Phân tích ma trận ánh xạ cả người dùng và sản phẩm vào cùng một không gian nhân tố ẩn $k$ chiều, cho phép so sánh trực tiếp sở thích tiềm ẩn thay vì chỉ dựa vào các đánh giá trùng lặp. Nhờ đó, MF xử lý tốt hơn tình trạng dữ liệu thưa 93,7% của MovieLens và mang lại sai số RMSE thấp hơn từ 8% đến 10%.

Vấn đề khóa luồng (Locking Problem) trong thuật toán DSGD là gì? Trong DSGD, khi $s$ luồng cùng xử lý $s$ khối độc lập, nếu khối lượng tính toán giữa các khối không đều, luồng chạy nhanh sẽ phải dừng lại chờ luồng chạy chậm nhất hoàn thành trước khi chuyển sang phân lớp tiếp theo. Hiện tượng này gây lãng phí tài nguyên vi xử lý và làm chậm tốc độ hội tụ của toàn hệ thống.

Thuật toán FPSGD giải quyết bài toán gián đoạn bộ nhớ (Memory Discontinuity) bằng cách nào? FPSGD áp dụng phương pháp ngẫu nhiên từng phần: duy trì việc truy cập tuần tự theo danh tính người dùng hoặc sản phẩm bên trong từng khối dữ liệu đã được gán, đồng thời chỉ áp dụng lựa chọn ngẫu nhiên giữa các khối. Cơ chế này giảm tỷ lệ lỗi cache bộ nhớ hơn 30% và đảm bảo tốc độ đọc ghi liên tục.

Độ thưa dữ liệu (Data Sparsity) ảnh hưởng như thế nào đến chất lượng hệ khuyến nghị? Khi mật độ đánh giá chỉ đạt khoảng 6,3%, số lượng sản phẩm được cùng đánh giá bởi hai người dùng là cực kỳ nhỏ, khiến các phép đo tương tự Pearson hay Cosine mất tính chuẩn xác. Phân tích ma trận giải quyết vấn đề này bằng cách suy diễn các yếu tố ẩn gián tiếp từ toàn bộ ma trận.

Làm thế nào để xác định số lượng nhân tố ẩn $k$ tối ưu trong thực tế? Số lượng nhân tố ẩn tối ưu thường được xác định thông qua kỹ thuật kiểm tra chéo (Cross-Validation). Thực nghiệm chỉ ra rằng giá trị $k$ trong khoảng từ 20 đến 50 mang lại sự cân bằng tốt nhất giữa độ chính xác dự đoán (RMSE giảm 12,5%) và thời gian tính toán trên vi xử lý đa nhân.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về hệ thống khuyến nghị, làm rõ ưu nhược điểm của các phương pháp lọc dựa trên nội dung, lọc cộng tác và mô hình nhân tố ẩn.
• Chuẩn hóa thành công kỹ thuật phân tích ma trận và giải thuật hạ gradient ngẫu nhiên phân tán (DSGD) trên cơ sở lý thuyết phân lớp ma trận $d$-monomial có tính tráo đổi.
• Đánh giá chuyên sâu thuật toán song song nhanh FPSGD, chứng minh tính vượt trội của cơ chế lập lịch Lock-Free và kỹ thuật ngẫu nhiên từng phần trong việc triệt tiêu độ trễ khóa luồng và lỗi bộ nhớ cache.
• Thực nghiệm kiểm chứng thành công trên tập dữ liệu MovieLens với quy mô phân rã 81 khối ma trận trên 8 luồng xử lý, đạt tốc độ hội tụ nhanh và kiểm soát sai số RMSE tối ưu.
• Mở ra hướng nghiên cứu tiếp nối trong lộ trình 12 đến 24 tháng tới về việc kết hợp phân tích ma trận với mạng nơ-ron tích chập (CNN) và học sâu (Deep Learning) để khai thác thông tin đa phương tiện.

Quý độc giả, nghiên cứu sinh và các kỹ sư hệ thống quan tâm có thể khai thác các công thức toán học và giải thuật trong công trình này để ứng dụng trực tiếp vào việc tối ưu hóa hiệu năng các nền tảng số hóa hiện đại.

Trích đoạn nội dung tài liệu

Chương 1 Tổng quan về hệ thống khuyến nghị 1.1 Mô hình hệ thống khuyến nghị 1.1 Các khái niệm chung về hệ thống khuyến nghị Hệ thống khuyến nghị là hệ thống bao gồm các kỹ thuật và công cụ phần mềm nhằm đưa ra những gợi ý cho người sử dụng, đáp ứng nhu cầu của họ về một sản phẩm, dịch vụ nào đó trên Internet. Những gợi ý được cung cấp nhằm hỗ trợ người sử dụng đưa ra quyết định lựa chọn những sản phẩm, dịch vụ phù hợp với nhu cầu và thị hiếu của mình, chẳng hạn như: mua sản phẩm nào, nghe thể loại nhạc gì hay tin tức trực tuyến nào nên đọc,. Item là thuật ngữ chung dùng để chỉ định những gì người dùng cần tương tác trong hệ thống khuyến nghị. Hệ thống khuyến nghị thông thường sẽ tập trung vào một thể loại Item cụ thể nào đó (CD, tin tức) theo thiết kế và giao diện đồ họa người dùng kết hợp với kỹ thuật, thuật toán gợi ý nhằm sinh ra các gợi ý tùy chỉnh, cung cấp những gợi ý có ích và hiệu quả cho Item đó.

Hệ thống khuyến nghị nhằm hướng dẫn những người dùng thiếu kinh nghiệm hoặc chưa đủ thẩm quyền để đánh giá số lượng áp đảo các Item thay thế. Ví dụ, hệ thống khuyến nghị giúp người dùng lựa chọn sách trên trang web của Amazon đã sử dụng hệ thống khuyến nghị để cá nhân hóa các cửa hàng trực tuyến cho từng khách hàng (User). Khi hệ thống khuyến nghị được cá nhân hóa thì mỗi người dùng hay nhóm người dùng sẽ nhận được những gợi ý khác nhau từ những cá nhân khác. Mô hình đơn giản nhất của hệ thống khuyến nghị khi được cá nhân hóa là danh sách xếp hạng các Item.

Khi thực hiện bảng xếp hạng này, hệ thống khuyến nghị sẽ thử dự đoán những sản phẩm hoặc dịch vụ phù hợp nhất với người dùng dựa trên sở thích và nhu cầu của họ. Để thực hiện được nhiệm vụ đó, RS thu thập sở thích của người dùng được thể hiện qua hệ thống (xếp hạng cho các sản phẩm) hoặc suy ra từ cách giải thích hành động của người dùng - là một tính năng ẩn có ưu tiên cho phần hiển thị của trang hoặc xem xét chuyến hướng đến một trang khác. Hệ thống khuyến nghị bắt đầu phát triển từ một quan sát khá đơn giản: một cá nhân thường dựa trên những gợi ý được cung cấp bởi những người khác trong việc đưa ra TIEU LUAN MOI download : skknchat@gmail.1 Mô hình hệ thống khuyến nghị 2 những quyết định. Ví dụ, chúng ta thường dựa trên những gì bạn bè giới thiệu khi lựa chọn một cuốn sách để đọc, một bộ phim để xem; người dùng có khuynh hướng đọc và dựa vào các nhận xét của nhà phê bình phim nào đó viết và xuất hiện trên các trang báo họ đọc.

Trong việc tìm kiếm để bắt chước hành vi này, đầu tiên hệ thống khuyến nghị áp dụng các thuật toán tận dụng các gợi ý được cung cấp bởi một cộng đồng người dùng sau đó sẽ cung cấp cho người dùng đang hoạt động (người đang tìm kiếm các đề xuất). Các gợi ý đã cho các hạng mục mà người dùng tương tự (người có sở thích tương tự) đã thích. Phương pháp này được gọi là lọc cộng tác và nguyên lý hoạt động của nó là: nếu người dùng thỏa thuận trong quá khứ với một số người dùng khác, sau đó sẽ sử dụng các gợi ý khác đến từ những người dùng tương tự có cùng sự quan tâm liên quan đến người dùng đang hoạt động. Các website thương mại điện tử ngày càng phát triển, người dùng phải rất khó khăn để tìm kiếm những lựa chọn thích hợp khi mà các Item( sản phẩm và dịch vụ) ngày càng đa dạng và phong phú trên các website;do vậy một nhu cầu cấp bách đặt ra là cung cấp hệ thống khuyến nghị xuất phát từ lọc cộng tác các lựa chọn thay thế có sẵn.

Trong những năm gần đây, hệ thống khuyến nghị là một phương tiện có giá trị để đối phó với vấn đề quá tải thông tin. Đích cuối cùng mà hệ thống khuyến nghị muốn hướng tới là hướng dẫn cho một người dùng mới về các Item chưa hoặc không được xem trước đó nhưng lại có liên quan đến tác vụ hiện hành của người dùng. Theo yêu cầu của người dùng, nó có thể được khớp nối hay không phụ thuộc vào phương pháp tiếp cận gợi ý theo bối cảnh và nhu cầu người dùng. Hệ thống khuyến nghị đưa ra các gợi ý sử dụng các biến thể khác nhau của kiến thức và dữ liệu người dùng, các Item có sẵn và các giao dịch trước đó được lưu trong cơ sở dữ liệu tùy biến.

Sau đó người dùng có thể duyệt các gợi ý: chấp nhận hay không và ngay lập tức đưa ra thông tin phản hồi ngầm hay rõ ràng ở giai đoạn tiếp theo. Tất cả những hành động và phản hồi của người dùng được lưu trữ trong cơ sở dữ liệu và có thể được sử dụng để đưa ra các khuyến cáo mới trong sự tương tác với người sử dụng hệ thống tiếp theo. Một vài ứng dụng nổi tiếng về hệ thống khuyến nghị như: khuyến nghị sản phẩm của Amazon [26], hệ tư vấn phim của NetFlix [27]. Hệ thống khuyến nghị đã chứng minh được ý nghĩa to lớn trong việc giúp người sử dụng trực tuyến đối phó với tình trạng quá tải thông tin.

Chính vì vây, hệ thống khuyến nghị trở thành một trong những công cụ mạnh mẽ và phổ biến trong thương mại điện tử và trên nhiều lĩnh vực khác. Trong hầu hết các trường hợp, bài toán khuyến nghị được coi là bài toán ước lượng xếp hạng (rating) của các Item (phim, cd, nhà hàng. ) chưa được người dùng xem xét. Việc ước lượng này thường dựa trên những đánh giá đã có của chính người dùng đó hoặc từ những người dùng khác.

Những Item có xếp hạng cao nhất sẽ được dùng để khuyến nghị. Từ đó người dùng có những lựa chọn thích hợp với nhu cầu và thị hiếu của mình.2 Phát biểu bài toán Bài toán khuyến nghị được mô tả như sau: Gọi U là tập tất cả người dùng (users); V là tập tất cả các sản phẩm (items) có thể tư TIEU LUAN MOI download : skknchat@gmail.1 Mô hình hệ thống khuyến nghị 3 vấn. Tập V có thể rất lớn, từ hàng trăm ngàn (sách, cd. ) đến hàng triệu (như website).

Hàm r(u, v) đo độ phù hợp (hay hạng) của sản phẩm v với user u: r : U × V 7−→ R Trong đó R là tập các đánh giá (rating) được sắp thứ tự. Với mỗi người dùng u ∈ U , cần tìm sản phẩm v ∈ V sao cho hàm r(u, v) đạt giá trị lớn nhất. Trong hệ thống khuyến nghị có 3 đối tượng dữ liệu chính được sử dụng là: các mục tin trên hệ thống (Items), người sử dụng (Users) và các giao dịch - Transactions (liên quan giữa các item và user) Các mục tin (Items): Items là những đối tượng được đề nghị. Các mục tin có đặc tính phức tạp và có giá trị hữu ích.

Giá trị của một item có thể là tích cực nếu nó có ích cho người sử dụng hoặc tiêu cực nếu nó không phù hợp khi người có lựa chọn sai. Lưu ý rằng khi người dùng nhận một item nào đó thì anh ta phải chịu một chi phí bao gồm việc tìm kiếm các item và chi phí thực để trả tiền cho item đó. Khi đó, các nhà thiết kế hệ thống khuyến nghị phải đưa sự phức tạp này của item vào tài khoản người dùng, ví dụ về cấu trúc, văn bản đại diện và thời gian phụ thuộc sự quan trọng của bất kì một item tin tức nào. Nhưng đồng thời các nhà thiết kế phải hiểu rằng thâm chí khi người dùng không trả tiền để đọc tin tức thì luôn có một chi phí nhận thức liên quan đến tìm kiếm và đọc các mục tin.

Nếu một sản phẩm được chọn có liên quan đến người dùng chi phí này được chi phối bởi các lợi ích của việc có nên mua lại một thông tin hữu ích nào đó hay không, trong khi đó nếu các item không liên quan đến giá trị thực của sản phẩm thì khi được đề nghị nó sẽ là item tiêu cực. Trong các lĩnh vực khác như xe hơi, đầu tư tài chính thì chi phí tiền tệ thực của sản phẩm trở thành một yếu tố quan trọng để xem xét khi lựa chọn các phương pháp khuyến nghị thích hợp nhất. Một số item được phân loại theo giá trị và chức năng như sau: - Các item phức tạp có giá trị thấp: tin tức, trang web, sách, đĩa CD, phim ảnh. - Các item phức tạp có giá trị cao: máy ảnh kĩ thuật số, điện thoại di động, máy tính,.

- Các item phức tạp nhất là những chính sách bảo hiểm, đầu tư tài chính, phương tiện đi lại, việc làm. Công nghệ cốt lõi của hệ thống khuyến nghị là sử dụng một loạt các tính chất và tính năng của các item. Ví dụ như trong hệ thống khuyến nghị phim bao gồm: thể loại (hài, kinh dị, .), đạo diễn, diễn viên,. để mô tả một bộ phim và tìm hiểu các tiện ích của một item phụ thuộc vào tính năng của nó.

Các item được đại diện bằng cách sử dụng thông tin và đại diện các cách tiếp cận khác nhau, chẳng hạn như một mã id duy nhất hoặc trong hình phức phong phú hơn là tập các thuộc tính, phức tạp hơn là khái niệm đại diện tên miền. TIEU LUAN MOI download : skknchat@gmail.1 Mô hình hệ thống khuyến nghị 4 Người sử dụng (Users): Như đã đề cập ở trên, người sử dụng trong hệ thống khuyến nghị là đối tượng để gợi ý có những mục tiêu và đặc điểm rất đa dạng. Để cá nhân hóa các khuyến nghị và tương tác người máy, hệ thống khuyến nghị khai thác một loạt các thông tin về người sử dụng. Những thông tin này có thể được cấu trúc theo nhiều cách khác nhau và việc chọn thông tin phụ thuộc vào kĩ thuật khuyến nghị.

Ví dụ, trong lọc cộng tác người dùng được mô hình hóa dưới dạng danh sách đơn giản chứa các xếp hạng được cung cấp bởi người sử dụng đối với một số item. Trong hệ thống khuyến nghị nhân khẩu học, các thuộc tính được sử dụng là tuổi, giới tính, nghề nghiệp, trình độ học vấn. Từ đó, các dữ liệu người dùng sẽ tạo nên mô hình cá nhân người dùng để mã hóa sở thích và nhu cầu của người đó. Người sử dụng cũng có thể được mô tả bằng mô hình hành vi của họ, ví dụ trong mô hình trình duyệt (hệ thống khuyến nghị Website), mô hình tìm kiếm du lịch (hệ thống khuyến nghị du lịch).