Phát Triển Phương Pháp Lọc Thông Tin Cho Hệ Tư Vấn

Luận án tiến sĩ trình bày các phương pháp lọc thông tin hiệu quả cho hệ tư vấn, góp phần nâng cao chất lượng dịch vụ và trải nghiệm người dùng.

• Tác giả: Nguyễn Duy Phương
• Người hướng dẫn: PGS TS Từ Minh Phương
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phát Triển Một Số Phương Pháp Lọc Thông Tin Cho Hệ Tư Vấn
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2011
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Về Lọc Thông Tin Cho Hệ Tư Vấn 55 ký tự

Lĩnh vực lọc thông tin (IF) tập trung nghiên cứu quy trình cung cấp thông tin phù hợp, đồng thời ngăn chặn và loại bỏ thông tin không thích hợp cho từng người dùng. Thông tin này có thể bao gồm văn bản, trang web, phim, ảnh, dịch vụ hoặc bất kỳ dạng thông tin nào được tạo ra từ các phương tiện truyền thông. Ứng dụng của lọc thông tin rất đa dạng trong nhiều lĩnh vực của khoa học máy tính. Ví dụ điển hình bao gồm lọc kết quả tìm kiếm trong các công cụ tìm kiếm, lọc email dựa trên nội dung và hồ sơ người dùng, lọc thông tin văn bản trên các máy chủ để cung cấp thông tin cho các cá nhân hoặc nhóm phù hợp, và loại bỏ những trang thông tin có nội dung không lành mạnh. Đặc biệt, lọc thông tin đóng vai trò quan trọng trong các hệ thống tư vấn (RS) được sử dụng trong thương mại điện tử. Các hệ thống này có thể khác nhau về nguyên tắc, phương pháp, kỹ thuật và phạm vi ứng dụng.

1.1. Tổng Quan Kiến Trúc Hệ Thống Lọc Thông Tin

Hệ thống lọc thông tin thường bao gồm các thành phần chính như nguồn dữ liệu đầu vào, bộ lọc (filter), và cơ chế cung cấp thông tin. Dữ liệu đầu vào có thể là bất kỳ loại thông tin nào, từ văn bản đến hình ảnh và video. Bộ lọc sử dụng các thuật toán lọc thông tin để xác định thông tin nào phù hợp với người dùng. Cơ chế cung cấp thông tin quyết định cách thông tin được trình bày cho người dùng. Theo tài liệu nghiên cứu, "Kiến trúc tổng quát của hệ thống lọc thông tin... Các thành phần của hệ thống lọc cộng tác" (Nguyễn Duy Phương, 2011). Các thành phần này phối hợp để đảm bảo người dùng nhận được thông tin hữu ích và phù hợp nhất.

1.2. So Sánh Lọc Thông Tin và Truy Vấn Thông Tin

Lọc thông tin và truy vấn thông tin (IR) là hai lĩnh vực liên quan nhưng khác biệt. Trong khi truy vấn thông tin tập trung vào việc tìm kiếm thông tin dựa trên truy vấn cụ thể của người dùng, lọc thông tin tập trung vào việc cung cấp thông tin phù hợp một cách chủ động, dựa trên hồ sơ và sở thích của người dùng. Lọc thông tin thường được sử dụng trong các hệ thống tư vấn, nơi người dùng có thể không biết chính xác những gì họ đang tìm kiếm.

II. Phương Pháp Lọc Theo Nội Dung Cho Hệ Tư Vấn 59 ký tự

Phương pháp lọc theo nội dung (Content-Based Filtering - CBF) khai thác các khía cạnh liên quan đến nội dung của sản phẩm mà người dùng đã từng sử dụng để đưa ra gợi ý. Phương pháp này phân tích thông tin về sản phẩm, ví dụ như mô tả, thể loại, hoặc từ khóa, và so sánh nó với hồ sơ của người dùng. Hồ sơ người dùng được xây dựng dựa trên thông tin về những sản phẩm mà họ đã thích trong quá khứ. Một trong những ưu điểm của phương pháp này là khả năng đưa ra gợi ý cho các sản phẩm mới mà không cần thông tin từ những người dùng khác.

2.1. Bài Toán Lọc Theo Nội Dung Chi Tiết

Bài toán lọc theo nội dung có thể được định nghĩa như sau: Cho một tập hợp các sản phẩm, một tập hợp người dùng, và một mô tả về nội dung của từng sản phẩm, hãy dự đoán xem người dùng nào sẽ thích sản phẩm nào. Để giải quyết bài toán này, cần phải xây dựng một mô hình về sở thích của người dùng và một mô hình về nội dung của sản phẩm. Các thuật toán lọc thông tin sau đó sẽ sử dụng hai mô hình này để đưa ra dự đoán.

2.2. Các Phương Pháp Lọc Nội Dung Phổ Biến

Có hai phương pháp lọc nội dung chính: dựa trên bộ nhớ và dựa trên mô hình. Lọc nội dung dựa trên bộ nhớ sử dụng thông tin về các sản phẩm mà người dùng đã thích trong quá khứ để đưa ra dự đoán. Lọc nội dung dựa trên mô hình xây dựng một mô hình về sở thích của người dùng và sử dụng mô hình này để đưa ra dự đoán. Mô hình hóa tri thức cũng có thể được áp dụng để nâng cao hiệu quả lọc.

2.3. Vấn Đề Tồn Tại Của Lọc Theo Nội Dung

Một trong những vấn đề chính của lọc theo nội dung là yêu cầu về thông tin nội dung chi tiết và chính xác. Nếu thông tin nội dung không đầy đủ hoặc không chính xác, hiệu quả của phương pháp có thể bị giảm sút. Ngoài ra, phương pháp này có thể gặp khó khăn trong việc đưa ra gợi ý cho các sản phẩm hoàn toàn mới, vì không có thông tin lịch sử về chúng.

III. Phương Pháp Lọc Cộng Tác Cải Tiến Cho Hệ Tư Vấn 58 ký tự

Phương pháp lọc cộng tác (Collaborative Filtering - CF) dựa trên ý tưởng rằng những người dùng có sở thích tương tự nhau sẽ thích những sản phẩm tương tự nhau. Phương pháp này sử dụng thông tin về lịch sử tương tác của người dùng với các sản phẩm, ví dụ như đánh giá, mua hàng, hoặc xem, để đưa ra gợi ý. Một trong những ưu điểm của phương pháp này là không yêu cầu thông tin chi tiết về nội dung của sản phẩm.

3.1. Bài Toán Lọc Cộng Tác và Ứng Dụng

Bài toán lọc cộng tác có thể được định nghĩa như sau: Cho một tập hợp các người dùng, một tập hợp các sản phẩm, và một ma trận đánh giá cho biết mức độ thích của người dùng đối với sản phẩm, hãy dự đoán các đánh giá còn thiếu. Ứng dụng của nó giúp xây dựng các recommendation system hoạt động hiệu quả. Các kỹ thuật khai phá dữ liệu (data mining) đóng vai trò quan trọng trong việc xử lý và phân tích dữ liệu lớn.

3.2. Lọc Cộng Tác Dựa Trên Bộ Nhớ và Mô Hình

Lọc cộng tác có hai loại chính: dựa trên bộ nhớ và dựa trên mô hình. Lọc cộng tác dựa trên bộ nhớ sử dụng thông tin về các người dùng tương tự nhau để đưa ra dự đoán. Lọc cộng tác dựa trên mô hình xây dựng một mô hình về sở thích của người dùng và sử dụng mô hình này để đưa ra dự đoán. Cả hai phương pháp đều có ưu và nhược điểm riêng.

3.3. Vấn Đề Dữ Liệu Thưa Trong Lọc Cộng Tác

Một trong những vấn đề lớn nhất của lọc cộng tác là vấn đề dữ liệu thưa (sparsity). Trong nhiều trường hợp, ma trận đánh giá chỉ chứa một phần nhỏ các đánh giá, khiến cho việc tìm kiếm những người dùng tương tự trở nên khó khăn. Vấn đề này đặc biệt nghiêm trọng đối với các sản phẩm mới, vì không có nhiều thông tin về chúng.

IV. Phương Pháp Lọc Kết Hợp Giải Pháp Tối Ưu 51 ký tự

Phương pháp lọc kết hợp (Hybrid Filtering) kết hợp ưu điểm của cả lọc theo nội dung và lọc cộng tác. Phương pháp này sử dụng cả thông tin về nội dung của sản phẩm và thông tin về lịch sử tương tác của người dùng để đưa ra gợi ý. Phương pháp lọc kết hợp có thể giúp cải thiện độ chính xác của gợi ý và giải quyết một số vấn đề của cả hai phương pháp riêng lẻ.

4.1. Bài Toán Lọc Kết Hợp và Các Thách Thức

Bài toán lọc kết hợp phức tạp hơn so với bài toán lọc theo nội dung hoặc lọc cộng tác. Cần phải tìm ra cách kết hợp thông tin từ hai nguồn khác nhau một cách hiệu quả. Thách thức bao gồm việc xử lý dữ liệu không đồng nhất, giải quyết vấn đề trọng số, và đảm bảo hiệu quả tính toán.

4.2. Các Phương Pháp Lọc Kết Hợp Tiêu Biểu

Có nhiều phương pháp lọc kết hợp khác nhau, bao gồm kết hợp song song, kết hợp tuần tự, và kết hợp dựa trên mô hình. Kết hợp song song sử dụng cả hai phương pháp riêng lẻ và kết hợp kết quả. Kết hợp tuần tự sử dụng một phương pháp để lọc trước và sau đó sử dụng phương pháp khác để tinh chỉnh kết quả. Kết hợp dựa trên mô hình xây dựng một mô hình kết hợp sử dụng cả thông tin nội dung và thông tin tương tác.

4.3. Ứng Dụng Lọc Kết Hợp Trong Thực Tế

Lọc kết hợp được ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm thương mại điện tử, giải trí, và tin tức. Ví dụ, các trang web bán hàng trực tuyến có thể sử dụng lọc kết hợp để đưa ra gợi ý sản phẩm phù hợp với sở thích của người dùng, dựa trên cả thông tin về sản phẩm và lịch sử mua hàng của họ. Xử lý ngôn ngữ tự nhiên (NLP) có thể hỗ trợ trích xuất thông tin hữu ích từ nội dung sản phẩm.

V. Ứng Dụng Machine Learning Vào Lọc Thông Tin 51 ký tự

Machine learning (ML) đóng vai trò quan trọng trong việc phát triển các phương pháp lọc thông tin hiệu quả. Các thuật toán machine learning có thể được sử dụng để xây dựng mô hình về sở thích của người dùng, dự đoán đánh giá, và phân loại sản phẩm. Việc ứng dụng machine learning giúp tự động hóa quá trình lọc và thích nghi với sự thay đổi của sở thích người dùng.

5.1. Thuật Toán Machine Learning Phổ Biến

Các thuật toán machine learning phổ biến được sử dụng trong lọc thông tin bao gồm hồi quy, phân loại, và gom cụm. Hồi quy có thể được sử dụng để dự đoán đánh giá. Phân loại có thể được sử dụng để xác định xem người dùng có thích một sản phẩm hay không. Gom cụm có thể được sử dụng để nhóm những người dùng có sở thích tương tự nhau. Biểu diễn tri thức và reasoning cũng đóng vai trò quan trọng trong việc tăng cường khả năng học của máy.

5.2. Học Sâu Deep Learning Cho Lọc Thông Tin

Học sâu (Deep Learning) là một lĩnh vực con của machine learning đang ngày càng được sử dụng nhiều hơn trong lọc thông tin. Các mô hình học sâu có khả năng học các biểu diễn phức tạp của dữ liệu, giúp cải thiện độ chính xác của gợi ý. Các mô hình mạng nơ-ron (neural networks) được sử dụng để phân tích dữ liệu hệ tư vấn và tìm ra các mối quan hệ ẩn.

5.3. Đánh Giá Độ Chính Xác và Hiệu Quả

Việc đánh giá độ chính xác và hiệu quả lọc thông tin là rất quan trọng. Các chỉ số đánh giá phổ biến bao gồm Precision, Recall, F1-score, MAE (Mean Absolute Error), và RMSE (Root Mean Squared Error). Việc so sánh các phương pháp lọc thông tin khác nhau giúp xác định phương pháp nào phù hợp nhất cho từng ứng dụng cụ thể.

VI. Kết Luận và Hướng Phát Triển Lọc Thông Tin 54 ký tự

Lọc thông tin là một lĩnh vực nghiên cứu quan trọng với nhiều ứng dụng thực tế. Các phương pháp lọc thông tin không ngừng phát triển để đáp ứng nhu cầu ngày càng cao của người dùng. Hướng phát triển tương lai bao gồm việc ứng dụng các kỹ thuật machine learning tiên tiến, giải quyết vấn đề dữ liệu thưa, và phát triển các phương pháp lọc thông tin cá nhân hóa.

6.1. Cá Nhân Hóa Hệ Tư Vấn Để Tăng Trải Nghiệm

Xu hướng cá nhân hóa (personalization) ngày càng trở nên quan trọng trong hệ tư vấn. Các phương pháp lọc thông tin cần phải thích nghi với sở thích và hành vi của từng người dùng. Điều này đòi hỏi việc thu thập và phân tích dữ liệu cá nhân một cách thông minh và bảo mật. Giao diện hệ tư vấn cần được thiết kế để hiển thị thông tin một cách dễ dàng và hấp dẫn.

6.2. Ứng Dụng Knowledge Graph Trong Lọc Thông Tin

Knowledge graph là một công cụ mạnh mẽ để biểu diễn và quản lý tri thức. Việc ứng dụng knowledge graph trong lọc thông tin có thể giúp cải thiện khả năng hiểu và lý giải dữ liệu, từ đó đưa ra những gợi ý chính xác và phù hợp hơn. Ontology cũng đóng vai trò quan trọng trong việc xây dựng và quản lý knowledge graph.

6.3. Lọc Thông Tin Thích Ứng Với Thay Đổi Nhu Cầu

Lọc thông tin thích ứng (adaptive filtering) là một lĩnh vực nghiên cứu đầy tiềm năng. Các phương pháp lọc thông tin cần phải có khả năng tự động điều chỉnh để đáp ứng với sự thay đổi của sở thích người dùng và sự xuất hiện của các sản phẩm mới. Việc sử dụng adaptive filtering giúp hệ thống luôn cung cấp thông tin phù hợp và hữu ích.

Trích đoạn nội dung tài liệu

PHẦN MỞ ĐẦU 1. Tính cấp thiết của luận án Vấn đề quá tải thông tin (Information Overload) đƣợc J.Denning nêu ra lần đầu tiên vào năm 1982 [49]. Với những lý lẽ và bằng chứng thuyết phục, Denning khẳng định khả năng lựa chọn thông tin hữu ích của ngƣời dùng máy tính sẽ gặp khó khăn nghiêm trọng bởi sự gia tăng không ngừng lƣợng thông tin khổng lồ đến từ hàng trăm kênh truyền hình, hàng triệu băng hình, sách, báo, tạp chí, tài liệu thông qua các hệ thống giao dịch điện tử. Vấn đề Denning công bố ngay lập tức đƣợc cộng đồng các nhà khoa học máy tính nhiệt tình hƣởng ứng và tập trung nghiên cứu phƣơng pháp hạn chế ảnh hƣởng của vấn đề quá tải thông tin đối với ngƣời dùng, thúc đẩy một lĩnh vực nghiên cứu mới đó là lọc thông tin.

Lọc thông tin (Information Filtering) là lĩnh vực nghiên cứu các quá trình lọc bỏ những thông tin không thích hợp và cung cấp thông tin t hích hợp đến với mỗi ngƣời dùng. Lọc thông tin đƣợc xem là phƣơng pháp hiệu quả hạn chế tình trạng quá tải thông tin đƣợc quan tâm nhiều nhất hiện nay. Lọc thông tin đƣợc tiếp cận theo hai xu hƣớng chính, đó là lọc dựa trên tri thức và lọc dựa trên dữ liệu. Trong trƣờng hợp dựa vào tri thức, hệ thống thực hiện lọc thông tin bằng cách sử dụng tập luật xây dựng trƣớc.

Nhƣợc điểm của phƣơng pháp này là để có đƣợc một tập luật đủ tốt đòi hỏi chi phí nhiều thời gian và kinh nghiệm của chuyên gia; việc cập nhật các luật không thể thực hiện đƣợc tự động vì nguồn dữ liệu vào thƣờng không có cấu trúc và luôn trong trạng thái biến động. Chính vì vậy, lọc dựa trên tri thức có xu hƣớng ít đƣợc sử dụng. Đối với các hệ thống lọc dựa trên dữ liệu, các quy tắc lọc đƣợc xây dựng từ dữ liệu mà hệ thống thu thập đƣợc bằng các kỹ thuật thống kê hoặc các thuật toán học máy. Cách tiếp cận này cho phép tự động cập nhật các quy tắc lọc và không lệ thuộc vào tri thức chuyên gia.

Hệ thống lọc dựa trên dữ liệu có khả năng thích nghi cao và tận dụng đƣợc nguồn dữ liệu. Chính vì vậy, cách tiếp cận này đƣợc quan tâm nghiên cứu hơn so với phƣơng pháp dựa vào tri thức.van TIEU LUAN MOI download : [e-mail] Hệ tƣ vấn (Recommender System) là hệ thống có khả năng tự động phân tích, phân loại, lựa chọn và cung cấp cho ngƣời dùng những thông tin, hàng hóa hay dịch vụ mà họ quan tâm. Hệ tƣ vấn đƣợc xem nhƣ một biến thể điển hình có vai trò quan trọng trong lọc thông tin. Nhiều hệ tƣ vấn đã đƣợc thƣơng mại hóa và triển khai thành công, tiêu biểu là hệ tƣ vấn của các hãng Amazon.com, Procter & Gamble.

Hệ tƣ vấn đƣợc xây dựng dựa trên hai kỹ thuật lọc thông tin chính: Lọc theo nội dung (Content-Based Filtering) và lọc cộng tác (Collaborative Filtering). Lọc theo nội dung khai thác những khía cạnh liên quan đến nội dung thông tin sản phẩm ngƣời dùng đã từng sử dụng hay truy nhập trong quá khứ để tạo nên tƣ vấn. Trái lại, lọc cộng tác khai thác những khía cạnh liên quan đến thói quen sử dụng sản phẩm của cộng đồng ngƣời dùng có cùng sở thích để tạo nên tƣ vấn. Trong quá trình nghiên cứu và ứng dụng, bên cạnh những vấn đề chung của bài toán lọc thông tin thông thƣờng, xuất hiện một số vấn đề mang tính đặc thù đối với thông tin tƣ vấn nhƣ tính thƣa thớt dữ liệu huấn luyện, xử lý ngƣời dùng mới, hàng hóa mới, yêu cầu kết hợp các dạng thông tin khác nhau, làm việc với dữ liệu kích thƣớc lớn đƣợc cập nhật thƣờng xuyên.

Mặc dù đã có nhiều nghiên cứu nhắm tới nội dung này, nhƣng đây vẫn là những vấn đề nghiên cứu mở, có tính thời sự và thu hút sự qua tâm của cộng đồng nghiên cứu. Đề tài ―Phát triển một số phương pháp lọc thông tin cho hệ tư vấn‖ đƣợc thực hiện trong khuôn khổ luận án tiến sĩ chuyên ngành khoa học máy tính nhằm góp phần giải quyết một số vấn đề còn tồn tại của lọc thông tin cho các hệ tƣ vấn. Mục tiêu của luận án Mục tiêu của luận án là nghiên cứu áp dụng, cải tiến một số kỹ thuật học máy nhằm cải thiện độ chính xác của lọc thông tin trong các hệ tƣ vấn. Đặc biệt, nghiên cứu tập trung vào việc nâng cao kết quả dự đoán nhu cầu ngƣời dùng trong trƣờng hợp dữ liệu thƣa, cũng nhƣ trong trƣờng hợp có cả dữ liệu sở thích ngƣời dùng và thông tin nội dung sản phẩm.van TIEU LUAN MOI download : skknchat@gmail.

Các đóng góp của luận án Đóng góp thứ nhất của luận án là đề xuất áp dụng một kỹ thuật Boosting cải tiến cho nhiều bài toán phân loại vào lọc cộng tác [3, 81], bao gồm: - Đề xuất phƣơng pháp giải quyết bài toán lọc cộng tác bằng kỹ thuật Boosting dựa trên biểu diễn dữ liệu phù hợp cho bài toán phân loại của học máy; - Áp dụng kỹ thuật Boosting cải tiến cho nhiều bài toán phân loại bằng phƣơng pháp học đa nhiệm dựa trên gốc quyết định (Decision Stump) cho lọc cộng tác nhằm hạn chế ảnh hƣởng của vấn đề dữ liệu thƣa; - Thử nghiệm và đánh giá kết quả phƣơng pháp cải tiến, đặc biệt chú trọng đánh giá kết quả dự đoán trong trƣờng hợp dữ liệu thƣa của lọc cộng tác. Hầu hết các phƣơng pháp học máy cho lọc cộng tác hiện nay đều thực hiện những nhiệm vụ học đơn lẻ (Single Task Learning) với giả thiết dữ liệu huấn luyện và dữ liệu kiểm tra đƣợc mô tả trong cùng một không gian các giá trị đặc trƣng với cùng một phân bố. Khi phân bố thay đổi, tập dữ liệu huấn luyện và dữ liệu kiểm tra phải xây dựng lại. Trên thực tế, việc làm này không phải lúc nào cũng thực hiện đƣợc làm cho kết quả dự đoán các phƣơng pháp kém tin cậy.

Mặt khác, tại mỗi thời điểm, phƣơng pháp chỉ thực hiện một nhiệm vụ đơn lẻ, kết quả của mỗi nhiệm vụ cụ thể hoàn toàn độc lập với các nhiệm vụ khác. Chính vì vậy, phƣơng pháp tiếp cận này sẽ gặp khó khăn khi dữ liệu huấn luyện thƣa thớt. Để giải quyết vấn đề này, luận án đề xuất áp dụng phƣơng pháp học đa nhiệm (Multi-Task Learning) cho lọc cộng tác nhằm sử dụng tập thông tin chung giữa các nhiệm vụ học đơn lẻ. Tập thông tin chung tìm đƣợc đóng vai trò chia sẻ và bổ sung thông tin vào quá trình huấn luyện cho mỗi ngƣời dùng khác nhau, góp phần nâng cao kết quả dự đoán và hạn chế đƣợc ảnh hƣởng của tình trạng dữ liệu thƣa trong lọc cộng tác.van TIEU LUAN MOI download : [e-mail] Đóng góp thứ hai của luận án là đề xuất một phương pháp lọc kết hợp dựa trên mô hình đồ thị [2, 80], bao gồm: - Biểu diễn mối liên hệ giữa các đối tƣợng tham gia hệ thống lọc (Ngƣời dùng, sản phẩm và nội dung sản phẩm) dựa vào mô hình đồ thị; - Xây dựng phƣơng pháp dự đoán cho lọc cộng tác dựa trên mô hình đồ thị.

- Xây dựng phƣơng pháp trích chọn đặc trƣng nội dung sản phẩm dựa trên thói quen sử dụng sản phẩm của ngƣời dùng; - Cá nhân hóa ảnh hƣởng của các đặc trƣng nội dung đối với thói quen sử dụng sản phẩm của ngƣời dùng; - Áp dụng thuật toán lan truyền mạng trên đồ thị kết hợp để dự đoán, phân bổ các sản phẩm cho mỗi ngƣời dùng; - Thử nghiệm và đánh giá kết quả phƣơng pháp đề xuất. Để tận dụng lợi thế của mỗi phƣơng pháp lọc, luận án đề xuất phƣơng pháp kết hợp giữa lọc cộng tác và lọc nội dung dựa trên biểu diễn đồ thị các đối tƣợng tham gia quá trình lọc, bao gồm: ngƣời dùng, sản phẩm, đánh giá ngƣời dùng và nội dung sản phẩm. Để tránh những hạn chế của các phƣơng pháp lọc kết hợp trƣớc đây (phƣơng pháp trích chọn đặc trƣng nội dung chỉ dựa vào nội dung sản phẩm), luận án đề xuất phƣơng pháp trích chọn đặc trƣng nội dung dựa vào thói quen ngƣời dùng đối với sản phẩm. Dựa trên phƣơng pháp này, những đặc trƣng nội dung đƣợc xem là quan trọng với mỗi ngƣời dùng đƣợc giữ lại để phục vụ mục tiêu dự đoán.

Việc tìm ra những đặc trƣng có ảnh hƣởng quan trọng đến thói quen ngƣời dùng không chỉ làm giảm chi phí tính toán của phƣơng pháp (vì số lƣợng các đặc trƣng nội dung quan trọng đối với mỗi ngƣời dùng còn lại rất ít), mà còn loại bỏ đƣợc những đặc trƣng không ảnh hƣởng hoặc ảnh hƣởng không tốt đến thói quen sử dụng sản phẩm của ngƣời dùng. Phƣơng pháp dự đoán đƣợc đƣa về bài toán tìm kiếm trên đồ thị không chỉ tận dụng đƣợc các thuật toán hiệu quả trên đồ thị mà còn tận dụng đƣợc mối liên hệ gián tiếp giữa các đối tƣợng tham gia hệ thống.van TIEU LUAN MOI download : [e-mail] Phƣơng pháp lọc kết hợp đề xuất đƣợc thử nghiệm và áp dụng cho hệ thống tƣ vấn lựa chọn phim đã cho lại kết quả dự đoán tốt. Hệ thống cho phép xem, đánh giá, bình luận và gợi ý những phim đƣợc xem hợp với sở thích ứng với mỗi ngƣời dùng. Hệ thống gồm bốn chức năng chính: Chức năng cập nhật, phân tích thông tin ngƣời dùng và sản phẩm; chức năng học; chức năng lọc và chức năng tƣ vấn.

Trong đó, chức năng học và lọc đƣợc thực hiện theo phƣơng pháp lọc kết hợp đề xuất. Bố cục của luận án Nô ̣i dung luận án đƣợc xây dựng thành ba chƣơng và một phụ lục, trong đó: Chƣơng 1. giới thiệu tổng quan về lọc thông tin. Trình bày những nghiên cứu cơ bản của lọc thông tin, các phƣơng pháp lọc thông tin cho hệ tƣ vấn và những vấn đề cần tiếp tục nghiên cứu của mỗi phƣơng pháp.

Trên cơ những nghiên cứu cơ bản, xác định rõ hƣớng nghiên cứu của đề tài. Một kết quả nghiên cứu cơ bản của đề tài đƣợc công bố trong [4]. trình bày phƣơng pháp hạn chế ảnh hƣởng của vấn đề dữ liệu thƣa trong lọc cộng tác bằng phƣơng pháp học đa nhiệm. Nội dung trình bày trong chƣơng này đƣợc tổ ng hơ ̣p dƣ̣a trên kết quả nghiên cƣ́u đã công bố trong [3, 81].

trình bày phƣơng pháp kết hợp giữa lọc cộng tác và lọc nội dung dựa trên mô hình đồ thị. Nội dung trình bày trong chƣơng này đƣợc tổng hợp từ kết quả nghiên cứu đã công bố trong [2, 80]. Cuối cùng là một số kết luận và đề xuất các nghiên cứu tiếp theo. Phần phụ lục.