Bối cảnh và vấn đề nghiên cứu

Bối cảnh thực tiễn và lý do chọn đề tài

Theo báo cáo của Cục Thương mại điện tử và Kinh tế số thuộc Bộ Công Thương, thị trường thương mại điện tử (TMĐT) Việt Nam ghi nhận mức tăng trưởng nhanh chóng: năm 2019 đạt doanh số bán lẻ 10,08 tỉ USD với hơn 35,4 triệu người tiêu dùng; đến năm 2021, quy mô thị trường tăng 18%, chạm mốc 11,8 tỉ USD. Sự thay đổi hành vi tiêu dùng từ phương thức truyền thống sang mua sắm trực tuyến được thúc đẩy bởi sự phổ biến của thiết bị di động và đặc biệt là tác động của đại dịch Covid-19, khiến lượng đơn hàng trên các sàn TMĐT lớn như Tiki và Shopee tăng trưởng từ 20% đến 30% so với cùng kỳ năm 2019.

Tuy nhiên, sự bùng nổ của TMĐT đi kèm nhiều bất cập khiến người tiêu dùng e ngại:

  • Tình trạng nâng giá sản phẩm lên cao rồi gán nhãn giảm giá (khuyến mãi ảo).
  • Người mua thiếu công cụ trực quan để so sánh giá và chất lượng giữa các sản phẩm tương tự từ nhiều nhà bán lẻ và sàn TMĐT khác nhau.
  • Khó khăn trong việc xác minh độ tin cậy của nhà bán hàng (shop) và kiểm soát chất lượng hàng hóa.
  • Thiếu các tiện ích theo dõi tự động biến động giá theo thời gian thực và thông báo khi sản phẩm đạt mức giá kỳ vọng.

Từ các vấn đề trên, đề tài khóa luận "Phát triển ứng dụng đa nền tảng hỗ trợ mua sắm trực tuyến" được thực hiện nhằm xây dựng hệ thống HappyCart, cung cấp các giải pháp kỹ thuật hỗ trợ người tiêu dùng đưa ra quyết định mua sắm tối ưu trên hai sàn TMĐT lớn tại Việt Nam là Tiki và Shopee.

Mục tiêu và nhiệm vụ nghiên cứu

Hệ thống HappyCart được thiết kế nhằm thực hiện các mục tiêu và nhiệm vụ cụ thể:

  1. Theo dõi và trực quan hóa biến động giá của sản phẩm trong 3 tháng gần nhất để nhận diện hiện tượng khuyến mãi ảo.
  2. Tự động tìm kiếm và so sánh sản phẩm đang xem với các sản phẩm tương tự từ các nhà cung cấp khác nhau trên cả hai sàn Tiki và Shopee.
  3. Tổng hợp và đánh giá độ tin cậy của nhà cung cấp thông qua các chỉ số: tỉ lệ đánh giá tích cực, số lượng mặt hàng đang bán và thời gian hoạt động của gian hàng.
  4. Cung cấp chức năng quản lý tài khoản người dùng: lưu danh sách sản phẩm quan tâm, gửi thông báo tự động khi giá giảm và thống kê số liệu chi tiêu/tiết kiệm.
  5. Triển khai đồng thời trên hai môi trường: ứng dụng di động (Android Native) và tiện ích mở rộng trình duyệt (Chrome Web Extension).

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Người tiêu dùng trực tuyến sử dụng thiết bị di động chạy hệ điều hành Android hoặc máy tính cá nhân sử dụng trình duyệt web nhân Chromium.
  • Phạm vi dữ liệu: Hệ thống thu thập, xử lý và trích xuất dữ liệu sản phẩm từ hai sàn TMĐT tại Việt Nam là Tiki và Shopee.
  • Phạm vi kỹ thuật: Ứng dụng di động triển khai trên nền tảng Android (ngôn ngữ Java, kiến trúc MVVM); tiện ích mở rộng trình duyệt triển khai cho các trình duyệt nhân Chromium (Chrome, Edge, Opera, Brave).

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và nghiên cứu liên quan

Đề tài dựa trên các nghiên cứu chuyên ngành về xử lý dữ liệu web và tối ưu hóa truy vấn trong TMĐT:

  • Nghiên cứu về tác động của từ ngữ dư thừa đến tốc độ truy vấn trên website TMĐT (Barbara Jo White, 2007): Nghiên cứu chỉ ra rằng người dùng thường rời bỏ trang web nếu độ trễ vượt quá 2 giây. Cơ chế chỉ mục đảo (inverted index) giúp tăng tốc độ tìm kiếm, và việc loại bỏ các từ dừng (stop words) không mang nhiều giá trị thông tin giúp giảm kích thước chỉ mục. Do danh sách từ dừng chuẩn chung (standard stop-word list) không hiệu quả với TMĐT, đề tài xây dựng bộ từ dừng đặc thù cho từng ngành hàng (domain-specific stop words) nhằm nâng cao độ chính xác khi so khớp tên sản phẩm.
  • Kỹ thuật thu thập dữ liệu web (Web Scraping with Python): Áp dụng chiến lược crawl theo chu kỳ Round-robin và crawl ban đêm nhằm giảm tải áp lực mạng, tránh nghẽn băng thông và hạn chế xung đột truy cập với người dùng thực. Về mặt pháp lý và đạo đức, hệ thống chỉ thu thập dữ liệu công khai trên các trang TMĐT mà không xâm nhập dữ liệu riêng tư.
  • Bộ công cụ xử lý ngôn ngữ tự nhiên tiếng Việt (VnCoreNLP): Sử dụng các mô-đun phân tách từ (Word Segmentation) và gán nhãn từ loại (POS Tagging) để phân tích cấu trúc tiêu đề sản phẩm, làm sạch dữ liệu và tạo bộ từ khóa so khớp.

Phương pháp nghiên cứu thực tế

  1. Phương pháp điều tra xã hội học: Tiến hành khảo sát trực tuyến qua biểu mẫu gồm 7 câu hỏi trắc nghiệm và tự luận trong hơn 3 ngày. Khảo sát thu về 132 phiếu phản hồi hợp lệ từ nhóm đối tượng sinh viên và người đi làm (độ tuổi 18–26).
  2. Phương pháp phân tích đối chuẩn (Benchmarking): Khảo sát 3 ứng dụng hỗ trợ mua sắm hiện có trên thị trường gồm BeeCost, Sosanhgia và AliPrice nhằm phân tích ưu, nhược điểm về nền tảng hỗ trợ, khả năng theo dõi biến động giá, so sánh liên sàn và tính năng thông báo.
  3. Phương pháp thiết kế và kỹ nghệ phần mềm: Thiết kế hệ thống theo mô hình kiến trúc phân tán hướng dịch vụ (Service-Oriented Architecture), kết hợp cơ chế bộ nhớ đệm (caching) và cơ sở dữ liệu hỗn hợp (Hybrid Database).

Nguồn dữ liệu và nền tảng công nghệ

  • Cơ sở dữ liệu phi quan hệ (MongoDB): Lưu trữ thông tin sản phẩm, danh mục và lịch sử giá thu thập từ các sàn TMĐT. Cấu trúc Document JSON linh hoạt phù hợp với tính chất thường xuyên thay đổi của dữ liệu TMĐT.
  • Cơ sở dữ liệu quan hệ (MySQL): Quản lý quan hệ danh mục sản phẩm chuẩn (root-category, standard_last_node_category) và bảng từ dừng (stop_word) phục vụ cho dịch vụ so khớp sản phẩm tương tự (Product Relevance).
  • Bộ nhớ đệm (Redis): Đóng vai trò cache layer lưu trữ dữ liệu tạm thời trên RAM với độ phức tạp thao tác $O(1)$ và hỗ trợ cơ chế hết hạn TTL (Time-To-Live), giúp giảm tải cho cơ sở dữ liệu chính và tăng tốc độ phản hồi API.
  • Mô-đun Backend & Web Service: Kết hợp Node.js (Express framework) tận dụng kiến trúc đơn luồng bất đồng bộ dựa trên Event Loop và thư viện libuv; Spring Boot (Java) cho các mô-đun dịch vụ mở rộng; FastAPI (Python) xây dựng API xử lý dữ liệu bất đồng bộ hiệu năng cao.
  • Mô-đun Crawler: Thư viện Selenium (Python) chạy ở chế độ ẩn giao diện (headless mode) nhằm mô phỏng thao tác duyệt web thực tế, vượt qua các rào cản chống bot tự động (anti-scraping) của các sàn TMĐT.

Thiết kế và triển khai hệ thống

Kiến trúc tổng thể hệ thống

Hệ thống HappyCart được cấu thành từ 4 phân hệ chính:

  1. Mô-đun Crawler: Thu thập dữ liệu sản phẩm định kỳ (8 giờ/lần) và cập nhật cấu trúc cây danh mục hàng tuần (tối thứ Bảy) từ Tiki và Shopee; đồng thời tiếp nhận yêu cầu crawl tức thời từ Server đối với các sản phẩm chưa có trong CSDL.
  2. Mô-đun Server: Xử lý logic nghiệp vụ và chia nhỏ thành các dịch vụ độc lập:
    • Service cung cấp thông tin sản phẩm: Trích xuất và định dạng dữ liệu chi tiết, lịch sử giá, thông tin nhà bán.
    • Service tìm kiếm sản phẩm tương tự: Tiếp nhận thông tin sản phẩm đang xem, sử dụng thuật toán tính độ tương đồng chuỗi sau khi loại bỏ stop words để truy vấn các sản phẩm tương đương trên cả hai sàn.
    • Service thu thập stop word: Phân tích tiêu đề sản phẩm bằng VnCoreNLP để tạo và cập nhật tập từ dừng đặc thù theo danh mục.
    • Service hỗ trợ: Giảm tải cho service chính và tiếp nhận URL chưa có trong hệ thống để điều phối crawler.
    • Service chức năng người dùng: Quản lý đăng ký, đăng nhập, theo dõi sản phẩm (watchlist) và gửi cảnh báo giá.
  3. Phân hệ Lưu trữ Dữ liệu: Gồm MongoDB (chứa các collection: categories, items, prices, user, tracked_items), MySQL (chứa các bảng quan hệ phục vụ Product Relevance) và Redis Cache.
  4. Mô-đun Hiển thị (Giao diện người dùng): Ứng dụng di động Android (Java, kiến trúc MVVM) và Chrome Web Extension (JavaScript, HTML/CSS).
Tên bảng / Collection Hệ quản trị CSDL Mục đích lưu trữ
categories MongoDB Danh mục sản phẩm thu thập từ Tiki và Shopee
items MongoDB Thông tin chi tiết sản phẩm (tên, ảnh, liên kết, mô tả)
prices MongoDB Lịch sử các mốc giá theo thời gian của từng sản phẩm
user MongoDB Thông tin tài khoản, thông tin định danh người dùng
tracked_items MongoDB Danh sách các sản phẩm người dùng đăng ký theo dõi giá
root_category MySQL Cây danh mục chuẩn trung gian kết nối các sàn
standard_last_node_category MySQL Danh mục nút lá tiêu chuẩn để phân loại sản phẩm
stop_word MySQL Danh sách từ khóa dư thừa theo từng danh mục hàng

Thiết kế giao diện lập trình ứng dụng (API Endpoints)

Mô-đun Server cung cấp hệ thống RESTful API cho các phân hệ client:

  • GET /api/v1/items/info: Tiếp nhận tham số url và danh sách trường include (price, item, seller) để trả về thông tin chi tiết sản phẩm.
  • GET /api/v1/items/seller/<id>: Tham số id và platform (Tiki/Shopee), trả về thông tin định lượng về uy tín người bán.
  • GET /api/v1/items/<id>/review: Tham số id và platform, trả về dữ liệu nhận xét, đánh giá từ người mua trước.
  • GET /api/v1/items/search: Tham số q (từ khóa tìm kiếm) và platform, trả về danh sách sản phẩm tương ứng.
  • GET /api/v1/items/most-decreasing-item: Tham số platform, trả về danh sách các sản phẩm có mức giảm giá mạnh nhất (sản phẩm hot).

Nội dung chính theo từng chương

Chương 1: Mở đầu

Trình bày tổng quan thực trạng phát triển thương mại điện tử tại Việt Nam giai đoạn 2019–2021 với quy mô doanh số 11,8 tỉ USD. Phân tích nguyên nhân chuyển đổi hành vi mua sắm sang nền tảng số do tác động của dịch Covid-19 (đơn hàng Tiki, Shopee tăng 20–30%). Nêu rõ các rào cản người dùng gặp phải: khuyến mãi ảo, thiếu công cụ so sánh sản phẩm liên sàn, khó thẩm định uy tín gian hàng. Từ đó, xác định mục tiêu xây dựng ứng dụng HappyCart trên nền tảng di động Android và tiện ích mở rộng trình duyệt Chromium.

Chương 2: Khảo sát hiện trạng và cơ sở lý thuyết

Công bố kết quả điều tra từ 132 phiếu khảo sát:

  • 99,2% người tham gia thường xuyên mua sắm trực tuyến (chỉ 1 người chiếm 0,8% chưa từng mua).
  • Tỷ lệ nền tảng sử dụng: Shopee chiếm 80,1% (105 người), tiếp theo là Tiki (94 người), Lazada (50 người), Thế Giới Di Động chiếm 19,5% (25 người).
  • Thiết bị mua sắm: Điện thoại thông minh chiếm ưu thế với 62,1%.
  • Khó khăn lớn nhất: Tốn thời gian so sánh giá giữa các nơi bán (67,2% - 88 người), chất lượng sản phẩm không đảm bảo (66,4% - 87 người), khuyến mãi ảo/đội giá (chiếm tỷ lệ cao), khó tìm mã giảm giá phù hợp (38,2% - 50 người).
  • 72% người được hỏi khẳng định sự cần thiết của một công cụ hỗ trợ mua sắm tự động.
  • Mức độ biết đến công cụ hỗ trợ: 50,8% đã từng nghe qua các ứng dụng như BeeCost, Sosanhgia, AliPrice, nhưng chỉ có 12,3% là người dùng thường xuyên.

Phân tích ưu nhược điểm của 3 công cụ tiêu biểu (BeeCost, Sosanhgia, AliPrice) và trình bày cơ sở lý thuyết về mô hình stop words trong TMĐT, quy trình xử lý ngôn ngữ tự nhiên với VnCoreNLP, các đặc tính kỹ thuật của MongoDB, MySQL, Redis, Node.js, Spring Boot, FastAPI và Selenium.

Chương 3: Phân tích và thiết kế hệ thống HappyCart

Mô hình hóa kiến trúc 4 thành phần tổng quát của hệ thống. Định nghĩa chi tiết cấu trúc dữ liệu lưu trữ trên MongoDB và MySQL. Xác định luồng màn hình của ứng dụng Android theo kiến trúc MVVM gồm: Màn hình chào, Hướng dẫn sử dụng, Giao diện chính (Yêu thích, Tìm kiếm, Sản phẩm hot, Cài đặt), Màn hình chi tiết sản phẩm (Lịch sử giá, Thông tin nhà bán, Hình ảnh/Đánh giá, Sản phẩm tương tự) và cụm màn hình xác thực tài khoản (Đăng nhập, Đăng ký, Lấy lại mật khẩu). Đối với Chrome Extension, thiết kế luồng nhúng trực tiếp giao diện phân tích vào trang chi tiết sản phẩm trên sàn TMĐT cùng cửa sổ Popup điều khiển. Đặc tả danh mục các API RESTful giao tiếp giữa client và server.

Chương 4: Hệ thống hỗ trợ mua sắm HappyCart

Chi tiết hóa quy trình triển khai kỹ thuật cho 4 nhóm chức năng:

  1. Nhóm chức năng thu thập và xử lý dữ liệu: Xây dựng crawler bằng Selenium/Python, giải quyết bài toán đồng bộ danh mục giữa Tiki và Shopee bằng cách định nghĩa bảng danh mục trung gian (root_category), chuẩn hóa tên sản phẩm thông qua VnCoreNLP để loại bỏ stop words đặc thù ngành hàng (như danh mục điện thoại).
  2. Nhóm chức năng hỗ trợ mua sắm: Cung cấp biểu đồ trực quan biến động giá 3 tháng, hiển thị bảng điểm uy tín nhà bán và trả về danh sách sản phẩm tương tự có mức giá thấp hơn.
  3. Nhóm chức năng người dùng cơ bản: Hiện thực luồng xác thực qua tài khoản hệ thống hoặc bên thứ ba, theo dõi sản phẩm vào watchlist, lưu trữ lịch sử tiết kiệm.
  4. Nhóm chức năng quản lý hệ thống: Xây dựng giao diện web cho quản trị viên theo dõi hiệu năng hệ thống, quản lý tài khoản người dùng, tùy chỉnh danh sách từ khóa bộ lọc stop words và quản lý lịch trình cấu hình crawler.

Chương 5: Kết luận và hướng phát triển

Tổng kết các kết quả đạt được về mặt lý thuyết và sản phẩm thực nghiệm. Nhận diện các hạn chế tồn đọng và đề xuất định hướng nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả chính

Hệ thống HappyCart đã được xây dựng hoàn chỉnh và đáp ứng các yêu cầu kỹ thuật:

  • Thu thập và chuẩn hóa thành công dữ liệu sản phẩm từ hai sàn TMĐT Tiki và Shopee theo chu kỳ tự động 8 giờ/lần.
  • Tích hợp thành công bộ công cụ VnCoreNLP để trích xuất từ loại, tự động sinh tập từ dừng chuyên biệt cho từng ngành hàng, giúp tăng tốc độ truy vấn chỉ mục và nâng cao độ chính xác khi tìm kiếm sản phẩm tương tự liên sàn.
  • Triển khai thành công ứng dụng di động Android Native đạt hiệu năng ổn định theo mô hình MVVM và tiện ích mở rộng Chrome Web Extension hoạt động mượt mà trên các trình duyệt Chromium.

So sánh HappyCart với các ứng dụng khảo sát

Tính năng / Đặc điểm BeeCost Sosanhgia AliPrice HappyCart (Khóa luận)
Nền tảng hỗ trợ Website, Extension Website Website, Extension, Mobile App Extension, Android App
Xem lịch sử giá trực tiếp Có (lên tới 1 năm) Không Có Có (3 tháng gần nhất)
So sánh sản phẩm tương tự liên sàn Hạn chế (trên web) Có (trên web) Không hỗ trợ gợi ý giá rẻ hơn Có (Trực tiếp trên App & Extension)
Đánh giá độ uy tín nhà bán Có Không Không Có (Định lượng tỷ lệ đánh giá, thâm niên)
Phân tích khuyến mãi ảo Có Không Không Có
Thông báo khi giá giảm Có Không Có Có
Lọc từ khóa tối ưu bằng NLP Không công bố Không Không Có (Tích hợp VnCoreNLP tiếng Việt)

Đóng góp của đề tài

  1. Đề xuất quy trình tiền xử lý tiêu đề sản phẩm TMĐT tiếng Việt bằng công cụ gán nhãn từ loại VnCoreNLP, giải quyết tình trạng nhiễu từ khóa trong quá trình so khớp sản phẩm tương tự giữa các sàn khác nhau.
  2. Xây dựng mô hình cơ sở dữ liệu danh mục trung gian (root_category) chuẩn hóa cấu trúc phân cấp ngành hàng giữa các sàn TMĐT có cấu trúc dữ liệu không đồng nhất (Tiki và Shopee).
  3. Cung cấp một giải pháp tích hợp đa nền tảng (Mobile App và Web Extension) giúp người dùng tiếp cận dữ liệu phân tích giá và độ uy tín gian hàng mà không cần chuyển đổi phức tạp giữa nhiều trang web.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế còn tồn tại

  • Phạm vi nguồn dữ liệu: Hệ thống mới chỉ hỗ trợ thu thập và xử lý dữ liệu trên 2 sàn TMĐT tại Việt Nam là Tiki và Shopee; chưa mở rộng sang các sàn lớn khác như Lazada, Sendo hay các nền tảng quốc tế.
  • Nền tảng ứng dụng: Ứng dụng di động mới chỉ triển khai trên hệ điều hành Android, chưa có phiên bản dành cho iOS.
  • Khả năng tự động hóa stop words: Quy trình phân tích và bổ sung stop words đặc thù theo danh mục sản phẩm vẫn cần sự can thiệp, kiểm duyệt thủ công từ quản trị viên thông qua giao diện quản lý.
  • Tính phụ thuộc giao diện nguồn: Crawler dựa trên Selenium có thể bị ảnh hưởng nếu các sàn TMĐT thay đổi cấu trúc mã nguồn HTML hoặc áp dụng các biện pháp chặn bot nghiêm ngặt hơn.

Hướng phát triển

  1. Mở rộng phạm vi thu thập dữ liệu sang các sàn TMĐT khác như Lazada, Sendo, Amazon.
  2. Phát triển phiên bản ứng dụng di động cho hệ điều hành iOS bằng ngôn ngữ Swift hoặc các khung đa nền tảng.
  3. Nâng cấp thuật toán so khớp sản phẩm bằng việc ứng dụng các mô hình học máy (Machine Learning) và học sâu (Deep Learning) trong xử lý ngôn ngữ tự nhiên để tự động hóa hoàn toàn việc nhận diện thực thể và phân loại stop words.
  4. Tối ưu hóa hiệu năng hệ thống crawler phân tán để rút ngắn thời gian cập nhật dữ liệu giá theo thời gian thực.

Giá trị tham khảo

Đối tượng tham khảo phù hợp

  • Sinh viên ngành Mạng máy tính, Truyền thông, Công nghệ thông tin: Là tài liệu tham khảo thực tế về quy trình phân tích, thiết kế và hiện thực một hệ thống phân tán từ khâu thu thập dữ liệu (Crawling), thiết kế kiến trúc Backend (Node.js, Spring Boot, FastAPI, Redis, MongoDB, MySQL) đến xây dựng Client (Android MVVM, Chrome Extension).
  • Người nghiên cứu về Data Mining và NLP tiếng Việt trong E-commerce: Cung cấp phương pháp ứng dụng VnCoreNLP để trích xuất đặc trưng, tối ưu hóa tiêu đề sản phẩm và xây dựng bộ từ dừng đặc thù ngành hàng.
  • Nhà phát triển ứng dụng thương mại điện tử: Cung cấp giải pháp kỹ thuật cụ thể về thiết kế cơ sở dữ liệu kết hợp NoSQL - SQL để giải quyết bài toán đồng bộ dữ liệu không đồng nhất giữa các sàn TMĐT.

Các phần nội dung có giá trị chuyên môn cao

  • Chương 2 và 3: Phương pháp phân tích kiến trúc Event Loop của Node.js, cơ chế Caching với Redis và thiết kế hệ thống CSDL kép (MongoDB lưu trữ Document, MySQL lưu trữ cây quan hệ danh mục).
  • Chương 4: Kỹ thuật xử lý cấu trúc danh mục trung gian và cơ chế sử dụng POS Tagging từ VnCoreNLP để tối ưu hóa chuỗi tìm kiếm sản phẩm tương tự.

Câu hỏi thường gặp

1. Tại sao hệ thống HappyCart sử dụng kết hợp cả MongoDB và MySQL thay vì chỉ dùng một hệ quản trị CSDL?

Trong hệ thống HappyCart, dữ liệu sản phẩm từ các sàn TMĐT thường xuyên thay đổi cấu trúc và cập nhật liên tục, đòi hỏi cơ chế lưu trữ linh hoạt, ít ràng buộc và tốc độ đọc/ghi nhanh, do đó MongoDB (NoSQL) được chọn để lưu trữ các collection sản phẩm, danh mục thô và lịch sử giá. Ngược lại, dữ liệu liên quan đến việc so khớp sản phẩm tương tự (Product Relevance) như cây danh mục chuẩn trung gian (root_category, standard_last_node_category) và danh sách từ dừng (stop_word) đòi hỏi tính toàn vẹn dữ liệu và liên kết quan hệ chặt chẽ, do đó MySQL được sử dụng để đảm bảo tính nhất quán.

2. Mô-đun Crawler giải quyết rào cản chống thu thập dữ liệu (Anti-scraping) của các sàn TMĐT bằng cách nào?

Nhóm tác giả đã thử nghiệm các công cụ như Scrapy và Splash nhưng bị các cơ chế bảo vệ của sàn TMĐT chặn lại. Do đó, hệ thống chuyển sang sử dụng thư viện Selenium viết bằng Python chạy ở chế độ ẩn giao diện (headless mode). Selenium mô phỏng chính xác các hành vi của người dùng thực tế (như mở trình duyệt, tải DOM, cuộn trang, click chuột), kết hợp với chiến lược crawl theo chu kỳ Round-robin và đặt lịch vào ban đêm để vượt qua các lớp kiểm soát bot tự động mà không làm quá tải máy chủ nguồn.

3. Nhóm tác giả tối ưu hóa độ chính xác và tốc độ khi tìm kiếm sản phẩm tương đương giữa Tiki và Shopee như thế nào?

Nhóm tác giả sử dụng bộ công cụ VnCoreNLP để phân tích cú pháp và gán nhãn từ loại (POS Tagging) cho tiêu đề sản phẩm, từ đó xây dựng danh sách từ dừng (stop words) đặc thù cho từng ngành hàng (ví dụ: loại bỏ các từ như [HOT], Chính hãng, VN/A trong ngành điện thoại). Sau khi làm sạch chuỗi tiêu đề, hệ thống so sánh độ tương đồng chuỗi kết hợp với việc ánh xạ danh mục sản phẩm từ hai sàn về cùng một cây danh mục chuẩn trung gian định nghĩa trên MySQL.

4. Kết quả khảo sát người dùng thực tế chỉ ra những khó khăn lớn nhất nào khi mua sắm trực tuyến?

Theo khảo sát trên 132 người dùng (chủ yếu từ 18–26 tuổi), 4 rào cản lớn nhất được ghi nhận gồm:

  • Tốn nhiều thời gian khi phải chuyển đổi qua lại giữa các trang web để so sánh sản phẩm (67,2%).
  • Chất lượng sản phẩm thực tế không được bảo đảm so với quảng cáo (66,4%).
  • Tình trạng nâng giá khống rồi gắn mác giảm giá ảo (chiếm tỷ lệ cao trong ý kiến khảo sát).
  • Khó tìm kiếm mã giảm giá/coupon phù hợp với điều kiện đơn hàng (38,2%).

5. Chu kỳ thu thập dữ liệu định kỳ của HappyCart được thiết lập ra sao?

Mô-đun Crawler của hệ thống được lập lịch thực hiện tự động theo 2 mốc thời gian:

  • Cập nhật thông tin và lịch sử giá của các sản phẩm: Định kỳ 8 giờ một lần.
  • Cập nhật và đồng bộ cấu trúc danh mục sản phẩm từ các sàn: Mỗi tuần một lần (vào tối thứ Bảy).
  • Crawl tức thời (On-demand): Kích hoạt khi người dùng gửi yêu cầu phân tích một sản phẩm chưa tồn tại trong cơ sở dữ liệu của hệ thống.

Kết luận

Khóa luận tốt nghiệp của Hoàng Ngọc Hùng và Nguyễn Hùng Phúc đã hoàn thành việc xây dựng hệ thống HappyCart hỗ trợ người tiêu dùng mua sắm trực tuyến trên hai sàn TMĐT Tiki và Shopee. Bằng việc kết hợp kiến trúc phân tán giữa Selenium, FastAPI, Node.js, Spring Boot cùng hệ thống CSDL MongoDB, MySQL và Redis, công trình đã giải quyết hiệu quả bài toán theo dõi lịch sử giá 3 tháng, phát hiện khuyến mãi ảo và gợi ý sản phẩm liên sàn. Việc ứng dụng công cụ xử lý ngôn ngữ tự nhiên VnCoreNLP để tối ưu hóa tiêu đề sản phẩm tiếng Việt là điểm sáng về mặt kỹ thuật, mang lại giá trị thực tiễn và tính ứng dụng cao cho cộng đồng người dùng mua sắm trực tuyến.