Phát Triển Ứng Dụng Web Gợi Ý Cho Rạp Chiếu Phim

Khóa luận tốt nghiệp về mạng máy tính và phát triển ứng dụng web gợi ý cho rạp chiếu phim, mang đến giải pháp tối ưu cho người dùng.

• Tác giả: Nguyễn Hồng Vi
• Người hướng dẫn: PGS. Lê Trung Quân
• Trường học: Đại Học Quốc Gia TP Hồ Chí Minh
• Chuyên ngành: Khoa Mạng Máy Tính Và Truyền Thông
• Đề tài: Phát Triển Ứng Dụng Web Gợi Ý Cho Rạp Chiếu Phim
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Phương pháp nghiên cứu
• 1.2. Phạm vi và giới hạn
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU, CÔNG NGHỆ
• 2.1. Giải pháp liên quan
• 2.2. Ứng dụng của IOT trong hệ thống rạp chiếu phim
• 2.3. Những công nghệ phát triển liên quan .Net, Django, C++, ReactJS, IoTs apps dev
• 3. CHƯƠNG 3: THIẾT KẾ KIẾN TRÚC VÀ CHỨC NĂNG HỆ THỐNG
• 3.1. Thiết kế kiến trúc
• 3.2. Giải thuật, hướng tiếp cận
• 3.3. Hiện thực giải thuật
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Phương pháp thực nghiệm
• 4.2. Phân tích kết quả và đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Triển Ứng Dụng Web Gợi Ý Cho Rạp Chiếu Phim

Trong thời đại công nghệ số, việc phát triển ứng dụng web gợi ý cho rạp chiếu phim trở nên cần thiết hơn bao giờ hết. Hệ thống gợi ý không chỉ giúp người dùng tìm kiếm phim một cách dễ dàng mà còn nâng cao trải nghiệm người dùng. Các ứng dụng này sử dụng các thuật toán phức tạp để phân tích sở thích của người dùng và đưa ra những gợi ý phù hợp nhất. Điều này không chỉ giúp người dùng tiết kiệm thời gian mà còn tăng khả năng hài lòng với lựa chọn của họ.

1.1. Lợi Ích Của Hệ Thống Gợi Ý Trong Rạp Chiếu Phim

Hệ thống gợi ý giúp người dùng dễ dàng tìm kiếm và lựa chọn phim phù hợp với sở thích cá nhân. Nó cũng giúp rạp chiếu phim tối ưu hóa doanh thu bằng cách tăng cường khả năng bán vé cho các bộ phim được đề xuất.

1.2. Công Nghệ Đằng Sau Hệ Thống Gợi Ý

Các công nghệ như Machine Learning và Big Data được sử dụng để phân tích dữ liệu người dùng và tạo ra các gợi ý chính xác. Hệ thống này có thể học hỏi từ hành vi của người dùng để cải thiện độ chính xác của các gợi ý trong tương lai.

II. Vấn Đề Và Thách Thức Trong Phát Triển Ứng Dụng Gợi Ý

Mặc dù có nhiều lợi ích, việc phát triển ứng dụng web gợi ý cho rạp chiếu phim cũng gặp phải nhiều thách thức. Một trong những vấn đề lớn nhất là việc thu thập và xử lý dữ liệu người dùng một cách hiệu quả. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những gợi ý sai lệch, gây thất vọng cho người dùng. Ngoài ra, việc bảo mật thông tin cá nhân của người dùng cũng là một vấn đề cần được chú trọng.

2.1. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu từ người dùng có thể gặp khó khăn do người dùng không muốn chia sẻ thông tin cá nhân. Điều này làm giảm khả năng chính xác của hệ thống gợi ý.

2.2. Vấn Đề Bảo Mật Thông Tin

Bảo mật thông tin cá nhân của người dùng là một thách thức lớn. Các ứng dụng cần đảm bảo rằng dữ liệu được bảo vệ an toàn và không bị lạm dụng.

III. Phương Pháp Phát Triển Ứng Dụng Gợi Ý Hiệu Quả

Để phát triển một ứng dụng web gợi ý hiệu quả cho rạp chiếu phim, cần áp dụng các phương pháp như lọc cộng tác và lọc dựa trên nội dung. Lọc cộng tác dựa trên sở thích của người dùng tương tự, trong khi lọc dựa trên nội dung sử dụng thông tin về phim để đưa ra gợi ý. Sự kết hợp của cả hai phương pháp này có thể tạo ra một hệ thống gợi ý mạnh mẽ và chính xác hơn.

3.1. Lọc Cộng Tác

Phương pháp lọc cộng tác dựa trên việc phân tích hành vi của người dùng tương tự để đưa ra gợi ý. Điều này giúp tạo ra những gợi ý cá nhân hóa hơn cho từng người dùng.

3.2. Lọc Dựa Trên Nội Dung

Lọc dựa trên nội dung sử dụng thông tin về các bộ phim như thể loại, diễn viên và đạo diễn để đưa ra gợi ý. Phương pháp này giúp người dùng tìm kiếm phim theo sở thích cá nhân.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Gợi Ý Trong Rạp Chiếu Phim

Hệ thống gợi ý đã được áp dụng thành công tại nhiều rạp chiếu phim lớn. Ví dụ, các ứng dụng như CGV và Galaxy Cinema đã tích hợp hệ thống gợi ý để cải thiện trải nghiệm người dùng. Những ứng dụng này không chỉ giúp người dùng tìm kiếm phim mà còn cung cấp thông tin chi tiết về các bộ phim, từ đó nâng cao sự hài lòng của khách hàng.

4.1. Ví Dụ Về Ứng Dụng Gợi Ý Tại CGV

CGV đã triển khai hệ thống gợi ý dựa trên sở thích của người dùng, giúp họ dễ dàng tìm kiếm và đặt vé cho các bộ phim yêu thích.

4.2. Galaxy Cinema Và Hệ Thống Gợi Ý

Galaxy Cinema cũng đã áp dụng hệ thống gợi ý để cải thiện trải nghiệm người dùng, từ đó tăng cường doanh thu và sự hài lòng của khách hàng.

V. Kết Luận Và Tương Lai Của Ứng Dụng Gợi Ý Cho Rạp Chiếu Phim

Tương lai của ứng dụng web gợi ý cho rạp chiếu phim rất hứa hẹn. Với sự phát triển của công nghệ, các hệ thống gợi ý sẽ ngày càng trở nên thông minh và chính xác hơn. Việc áp dụng các công nghệ mới như trí tuệ nhân tạo và machine learning sẽ giúp cải thiện khả năng gợi ý, từ đó nâng cao trải nghiệm người dùng và tăng cường doanh thu cho các rạp chiếu phim.

5.1. Xu Hướng Công Nghệ Mới

Công nghệ mới như AI và machine learning sẽ tiếp tục phát triển, giúp hệ thống gợi ý trở nên thông minh hơn và chính xác hơn.

5.2. Tương Lai Của Hệ Thống Gợi Ý

Hệ thống gợi ý sẽ ngày càng trở nên phổ biến và cần thiết trong ngành công nghiệp điện ảnh, giúp người dùng có những trải nghiệm tốt hơn khi xem phim.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh bùng nổ công nghệ thông tin và chuyển đổi số, khối lượng dữ liệu phát sinh từ các giao dịch trực tuyến, mạng xã hội và thiết bị kết nối gia tăng theo cấp số nhân. Tuy nhiên, khối lượng thông tin khổng lồ này thường thiếu tính nhất quán; nếu không được phân loại và khai phá hợp lý, dữ liệu sẽ bị lãng phí và gây ra hiện tượng quá tải thông tin, buộc người dùng phải tìm kiếm lặp đi lặp lại để tiếp cận nội dung mong muốn. Đồng thời, sự phát triển mạnh mẽ của các phương tiện truyền thông xã hội (như Facebook, Zalo, TikTok, Twitter) đã tạo tiền đề cho hoạt động tư vấn người dùng khai thác dữ liệu đặc trưng xã hội. Theo nghiên cứu của Jiliang Tang và cộng sự (2014), tư vấn xã hội (social recommendation) được định hình thông qua việc bổ sung thông tin từ mạng xã hội vào hệ thống tư vấn cá nhân hóa truyền thống. Bên cạnh đó, theo Ludovico Boratto (2011), các đặc trưng cộng đồng còn mở rộng bài toán sang hướng tư vấn nhóm (group recommendation) bằng cách kết hợp sở thích của các cá nhân trong cùng một tập thể.

Tại thị trường Việt Nam, ngành dịch vụ giải trí và rạp chiếu phim ghi nhận sự hiện diện của nhiều đơn vị lớn như Galaxy Cinema, CJ CGV, LOTTE Cinema VN, Cinestar và BHD Star Cineplex. Các doanh nghiệp này đều đã xây dựng nền tảng website phục vụ hoạt động tra cứu lịch chiếu, cập nhật phim mới, chọn vị trí ghế ngồi, mua combo đồ ăn và thanh toán trực tuyến. Mặc dù các tính năng đặt vé cơ bản đã tương đối hoàn thiện, các hệ thống rạp chiếu phim thương mại trong nước nhìn chung vẫn tồn tại một số hạn chế:

• Chưa tích hợp cơ chế gợi ý, đề xuất phim tự động phù hợp với lịch sử xem và sở thích cá nhân hóa của từng khách hàng.
• Mức giá vé còn tương đối cao so với khả năng chi trả của nhóm khách hàng học sinh, sinh viên.

Trái ngược với các rạp chiếu phim truyền thống, các nền tảng dịch vụ phát trực tuyến như Netflix đã triển khai thành công hệ sinh thái khuyến nghị dựa trên xếp hạng hiện có và mức độ phổ biến của nội dung nhằm dự đoán thị hiếu tương lai. Trên phạm vi thương mại điện tử quốc tế, các tập đoàn như Amazon, CDNOW, eBay, Alibaba, MovieFinder hay YouTube đều xem hệ thống khuyến nghị (Recommender System - RS) là công cụ trọng tâm để tối ưu hóa trải nghiệm khách hàng, gia tăng tỷ lệ bán thêm (up-sale) và bán chéo (cross-sale). Từ khoảng trống thực tế đó, đề tài khóa luận tập trung giải quyết bài toán: "Làm như thế nào để gợi ý, đề xuất cho người dùng những thông tin mà họ yêu thích?" thông qua việc phát triển một ứng dụng web bán vé xem phim tích hợp hệ thống khuyến nghị cá nhân hóa.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định cụ thể như sau:

1. Nghiên cứu tổng quan thị trường dịch vụ đặt vé xem phim trực tuyến tại Việt Nam và mô hình hệ thống gợi ý của các nền tảng quốc tế tiêu biểu như Netflix.
2. Hệ thống hóa cơ sở lý thuyết về hệ thống đề xuất (Recommender System), bao gồm phương pháp lọc dựa trên nội dung (Content-Based Filtering), lọc cộng tác (Collaborative Filtering: User-User CF, Item-Item CF) và phân tích nhân tử ma trận (Matrix Factorization).
3. Khảo cứu các công nghệ web hiện đại (Django, ReactJS, PostgreSQL) và tiềm năng ứng dụng của Internet vạn vật (IoT) trong quản lý, vận hành cụm rạp chiếu phim thông minh.
4. Thiết kế kiến trúc tổng thể, mô hình cơ sở dữ liệu quan hệ và lược đồ ca sử dụng (Use Case) cho hai nhóm đối tượng: Quản trị viên (Admin) và Người dùng cuối (Client/User).
5. Hiện thực hóa các thuật toán tính toán ma trận độ tương đồng (Cosine Similarity, Pearson correlation), chuẩn hóa ma trận hữu dụng (utility matrix) và dự đoán điểm đánh giá.
6. Xây dựng và kiểm thử hoàn chỉnh ứng dụng web đặt vé xem phim có tính năng gợi ý phim tự động, đánh giá sai số thuật toán bằng chỉ số sai số toàn phương trung bình (RMSE).

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các thuật toán khuyến nghị (Content-Based, Collaborative Filtering, Matrix Factorization), kiến trúc ứng dụng web hướng dịch vụ và cơ chế tương tác dữ liệu phản hồi tiềm ẩn (implicit feedback).
• Phạm vi không gian: Khảo sát thực tế giá vé và quy trình đặt vé tại các hệ thống rạp chiếu phim lớn trên địa bàn Thành phố Hồ Chí Minh (Galaxy, CGV, BHD Star Cineplex).
• Phạm vi dữ liệu: Sử dụng tập dữ liệu chuẩn MovieLens để thực nghiệm, huấn luyện và đánh giá độ chính xác của các mô hình đề xuất.
• Thời gian thực hiện: Khóa luận tốt nghiệp kỹ sư ngành Mạng máy tính và Truyền thông, hoàn thành năm 2023 tại Trường Đại học Công nghệ Thông tin - Đại học Quốc gia TP. Hồ Chí Minh.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài dựa trên mô hình toán học của bài toán hệ thống khuyến nghị (Recommender System - RS). Hệ thống tiếp nhận đầu vào gồm:

• Tập hợp người dùng $U = {u_1, u_2, ..., u_n}$, trong đó mỗi cá nhân có các thuộc tính đặc trưng $I = {i_1, i_2, ..., i_n}$.
• Tập hợp sản phẩm/dịch vụ $P = {p_1, p_2, ..., p_m}$, với các thuộc tính đặc trưng $J = {j_1, j_2, ..., j_m}$ (thể loại, đạo diễn, diễn viên, thời lượng).
• Ma trận hữu dụng (Utility Matrix) $P = (r_{ij})$ biểu thị mức độ đánh giá của người dùng $u_i$ dành cho sản phẩm $p_j$.
• Hàm mục tiêu $F(u_i, p_j)$ có nhiệm vụ đo lường mức độ phù hợp giữa người dùng và sản phẩm để trích xuất danh sách đề xuất tối ưu kèm giải thích ngắn gọn.

Về phân loại thuật toán, văn bản nghiên cứu và đối chiếu các phương pháp chính:

• Lọc dựa trên nội dung (Content-Based Filtering): Khai thác vector đặc trưng của các bộ phim để tìm kiếm sự tương đồng, cụ thể là phân tích tương quan thể loại phim mà người dùng ưa thích trong lịch sử.
• Lọc cộng tác (Collaborative Filtering - CF): Bao gồm hai hướng tiếp cận chính:
  • User-User Collaborative Filtering (uuCF): Xác định các tập người dùng có cùng xu hướng đánh giá để đưa ra đề xuất chéo.
  • Item-Item Collaborative Filtering (iiCF): Tính toán độ tương đồng giữa các bộ phim dựa trên lịch sử đánh giá của toàn bộ cộng đồng người dùng.
• Phân rã ma trận (Matrix Factorization - MF): Phân tích ma trận đánh giá thưa thớt thành tích của các ma trận hạng thấp đại diện cho các nhân tử ẩn (latent factors), tối ưu hóa bằng cách giảm thiểu hàm mất mát (loss function) kết hợp điều chuẩn.
• Các phương pháp bổ trợ và nâng cao được khảo cứu: Demographic Filtering, Knowledge-Based Filtering, Factorization Machines (FM), Học sâu (Recurrent Neural Networks - RNN, Long Short-Term Memory - LSTM), Học tăng cường (Reinforcement Learning) và Gợi ý theo phiên (Session-based Recommendation).
• Độ đo tương tự: Ứng dụng công thức Cosine Similarity và hệ số tương quan Pearson trên ma trận hữu dụng đã chuẩn hóa (Normalized Utility Matrix).

Phương pháp nghiên cứu thực tế bao gồm:

• Phương pháp khảo sát và phân tích so sánh: Thu thập biểu giá vé phim 2D tại các rạp chiếu phim lớn ở TP.HCM và biểu phí dịch vụ phát trực tuyến của Netflix để xác định định vị thị trường.
• Phương pháp mô hình hóa và thiết kế phần mềm: Xây dựng biểu đồ ca sử dụng (Use Case Diagram), mô hình thực thể quan hệ cơ sở dữ liệu và thiết kế kiến trúc phân tầng MVT/MVC.
• Phương pháp thực nghiệm thuật toán: Hiện thực các lớp giải thuật bằng ngôn ngữ Python, phân tách dữ liệu MovieLens thành tập huấn luyện (training set) và tập kiểm thử (test set), tính toán ma trận tương tự và đo lường độ chính xác dự đoán thông qua chỉ số Root Mean Square Error (RMSE).

Nguồn dữ liệu của đề tài:

• Dữ liệu thuật toán: Tập dữ liệu chuẩn mở MovieLens chứa tập hợp người dùng, danh mục phim, thể loại và ma trận điểm xếp hạng (ratings).
• Dữ liệu nghiệp vụ: Dữ liệu vận hành hệ thống rạp (danh mục phim đang chiếu, phim sắp chiếu, suất chiếu, phòng chiếu, vị trí ghế ngồi, combo đồ ăn bắp nước) do tác giả tự xây dựng trên hệ quản trị cơ sở dữ liệu quan hệ.

Thiết kế và triển khai

Hệ thống được xây dựng theo mô hình phân tách rõ ràng giữa máy khách (Client) và máy chủ (Server), tương tác bất đồng bộ thông qua Fetch API với định dạng dữ liệu JSON.

Kiến trúc backend sử dụng framework Django (ngôn ngữ Python) theo cấu trúc Model-Template-View (MVT), một biến thể của mô hình Model-View-Controller (MVC):

Thành phần trong MVC	Thành phần trong MVT	Chức năng tương ứng trong hệ thống
Model	Model	Định nghĩa cấu trúc dữ liệu, quan hệ giữa các bảng và thao tác dữ liệu qua Django ORM
View	Template	Lớp giao diện người dùng hiển thị dữ liệu
Controller	View	Tiếp nhận yêu cầu HTTP, xử lý logic nghiệp vụ, truy vấn dữ liệu từ Model và trả về phản hồi

Công nghệ và nền tảng phát triển:

• Phía Client: Framework ReactJS xây dựng giao diện ứng dụng đơn trang (Single-Page Application). Tận dụng Virtual DOM nhằm tối ưu hóa hiệu năng render lại giao diện, cú pháp JSX, cấu trúc component tái sử dụng (Reusable Components), cùng cơ chế luân chuyển dữ liệu một chiều thông qua Props (bất biến) và State (quản lý trạng thái động nội bộ). Giao diện kết hợp các thư viện định kiểu CSS như Bootstrap và Tailwind CSS.
• Phía Server: Django Framework cung cấp công cụ ORM (Object-Relational Mapping) giúp ánh xạ các lớp đối tượng Python sang cơ sở dữ liệu mà không cần viết câu lệnh SQL thuần; tích hợp hệ thống bảo mật xác thực phiên làm việc, chống tấn công phổ biến và giao diện quản trị Django Admin Site phục vụ quản lý thực thể.
• Cơ sở dữ liệu: Hệ quản trị cơ sở dữ liệu quan hệ mã nguồn mở PostgreSQL, đảm bảo các tiêu chuẩn giao dịch ACID (Atomicity, Consistency, Isolation, Durability), cơ chế kiểm soát đồng thời đa phiên bản (MVCC), tính toàn vẹn dữ liệu qua ràng buộc khóa ngoại và khả năng mở rộng linh hoạt.
• Thư viện và công cụ liên quan được khảo sát: Phân tích khả năng ứng dụng của các thư viện Apache Mahout, LensKit, Surprise, Scikit-learn, Apache Spark MLlib cùng các dịch vụ điện toán đám mây như Amazon Personalize, Google Cloud Recommendations AI và Azure Machine Learning.
• Nghiên cứu giải pháp công nghệ IoT cho rạp chiếu phim: Khảo sát các giải pháp bán vé và kiểm soát ra vào thông minh (Smart Ticketing & Access Control qua mã QR/RFID), chiếu sáng và điều hòa không khí thông minh (Smart Lighting & HVAC Control), bảng hiệu quảng cáo số (Digital Signage), giám sát trạng thái chỗ ngồi (Smart Seat Monitoring), quản lý bảo trì cơ sở vật chất (Facility Management) và phân tích hành vi đối tượng khán giả (Audience Analytics).

Triển khai các phân hệ chức năng:

• Phân hệ Quản trị viên (Admin):
  • Quản lý danh sách tài khoản người dùng và phân quyền truy cập.
  • Thêm, sửa, xóa danh mục các phim đang chiếu và phim sắp chiếu.
  • Thiết lập và cập nhật lịch chiếu, phòng chiếu, khung giờ chiếu cho từng phim.
  • Quản lý và phản hồi thông tin hỗ trợ, giải đáp thắc mắc của khách hàng.
• Phân hệ Người dùng (Client):
  • Trang chủ hiển thị danh sách phim nổi bật và khối phim được đề xuất tự động dựa trên lịch sử tương tác.
  • Xem danh mục phim đang chiếu, phim sắp chiếu, chi tiết nội dung và trailer giới thiệu.
  • Tra cứu lịch chiếu chi tiết theo từng cụm rạp và thời gian.
  • Quy trình đặt vé: Chọn suất chiếu, giao diện sơ đồ chọn ghế ngồi trực quan, chọn danh mục combo đồ ăn thức uống, hoàn tất thanh toán trực tuyến.
  • Khu vực hỏi đáp (FAQ), trang giới thiệu và các chức năng tài khoản (đăng ký, đăng nhập, quên mật khẩu).

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Chương 1 trình bày bối cảnh phát triển của Internet, sự kết hợp giữa Dữ liệu lớn (Big Data) và IoT, cùng thực trạng lượng dữ liệu khổng lồ nhưng thiếu nhất quán khiến người dùng gặp khó khăn trong việc tìm kiếm thông tin mong muốn. Tác giả tiến hành khảo sát các website rạp chiếu phim tại Việt Nam (Galaxy Cinema, CGV Cinemas, LOTTE Cinema VN, Cinestar) và chỉ ra các điểm chung như cho phép đặt vé, hiển thị lịch chiếu, giới thiệu phim nhưng thiếu tính năng gợi ý phim theo sở thích người dùng.

Chương này tổng hợp các số liệu so sánh chi phí dịch vụ điện ảnh và nền tảng xem phim trực tuyến:

Nền tảng / Rạp chiếu	Gói dịch vụ / Khung giờ chiếu	Mức giá niêm yết (VNĐ)	Đặc điểm dịch vụ
Netflix	Gói Basic	180.000 / tháng	Độ phân giải chuẩn, 1 thiết bị xem cùng lúc
Netflix	Gói Standard	Theo thị trường	Hỗ trợ HD, 2 thiết bị xem cùng lúc
Netflix	Gói Premium	Theo thị trường	Hỗ trợ 4K, 4 thiết bị xem cùng lúc
Galaxy / CGV / BHD Star	Thứ 2 đến Thứ 5 (Trước 17h)	75.000 - 85.000 / vé	Vé xem phim 2D tại TP. Hồ Chí Minh
Galaxy / CGV / BHD Star	Thứ 2 đến Thứ 5 (Sau 17h)	75.000 - 85.000 / vé	Vé xem phim 2D tại TP. Hồ Chí Minh
Galaxy / CGV / BHD Star	Thứ 6 đến Chủ nhật	85.000 / vé	Vé xem phim 2D khung giờ cuối tuần

Từ việc phân tích ví dụ bài toán gợi ý gồm tập người dùng $U$, tập sản phẩm $P$ và ma trận đánh giá $P = (r_{ij})$, chương 1 xác định phương pháp nghiên cứu gồm 7 bước (nghiên cứu thị trường, xác định yêu cầu, thiết kế giao diện, phát triển phần mềm, kiểm thử và tối ưu hóa, triển khai vận hành, phân tích và cải thiện), đồng thời khoanh vùng phạm vi chức năng cho hệ thống Admin và Client.

Chương 2. Các nghiên cứu, công nghệ

Chương 2 đi sâu vào lý thuyết Recommender System, làm rõ mục tiêu cải thiện trải nghiệm người dùng, tối ưu hóa doanh thu bán hàng và chu trình dữ liệu gồm 4 giai đoạn: Thu thập dữ liệu $\rightarrow$ Thiết kế đặc trưng (feature) $\rightarrow$ Xây dựng mô hình $\rightarrow$ Đánh giá mô hình. Chương phân tích nguyên lý của các giải thuật lọc nội dung (Content-Based), lọc cộng tác (User-User CF, Item-Item CF), phân rã ma trận (Matrix Factorization), các hệ gợi ý kết hợp (Hybrid) và các phương pháp nâng cao như Factorization Machines, Deep Learning (RNN, LSTM), Học tăng cường (Reinforcement Learning) và Session-based recommendation.

Đồng thời, chương 2 khảo sát các thư viện và dịch vụ đề xuất chuyên dụng (Apache Mahout, LensKit, Surprise, Amazon Personalize, Google Cloud Recommendations AI) và ứng dụng tiềm năng của IoT trong rạp chiếu phim (Smart Ticketing, Smart Lighting/HVAC, Digital Signage, Smart Seat Monitoring, Facility Management, Audience Analytics). Cuối cùng, tác giả phân tích và so sánh các framework backend (Django, Spring Boot, ExpressJS, ASP.NET Core), frontend (ReactJS, Angular, VueJS), đi sâu vào cơ chế hoạt động của mô hình MVT trong Django và các khái niệm cốt lõi của ReactJS như Virtual DOM, JSX, Component, Props và State.

Chương 3. Thiết kế kiến trúc và chức năng hệ thống

Chương 3 trình bày thiết kế kiến trúc hệ thống tổng thể và luồng truyền nhận dữ liệu qua Fetch API. Tác giả xây dựng biểu đồ ca sử dụng (Use Case Diagram) cho quản trị viên và người dùng, thiết kế mô hình cơ sở dữ liệu quan hệ trên PostgreSQL nhằm đáp ứng đầy đủ quy trình đặt vé và lưu trữ dữ liệu đánh giá.

Về phần thuật toán, chương này chi tiết hóa cách thức xây dựng các lớp xử lý thuật toán bằng Python:

• Lớp MF (Matrix Factorization): Khởi tạo ma trận nhân tử, hàm chuẩn hóa dữ liệu, xác định các tập người dùng, vật phẩm, điểm đánh giá và thiết lập hàm mất mát để tối ưu hóa việc phân rã ma trận.
• Lớp CF (Collaborative Filtering): Thực hiện chuẩn hóa dữ liệu dựa trên giá trị trung bình rating của người dùng (User-based) hoặc vật phẩm (Item-based) nhằm tạo ra Normalized Utility Matrix; tính toán ma trận độ tương tự Cosine Similarity giữa các cặp đối tượng; thiết lập cơ chế cập nhật ma trận động khi có dữ liệu đánh giá mới và thực hiện dự đoán điểm số để đưa ra danh sách khuyến nghị.

Chương 4. Thực nghiệm và đánh giá

Chương 4 thực hiện quá trình thực nghiệm các thuật toán trên tập dữ liệu chuẩn MovieLens. Dữ liệu được nạp và phân tách thành tập huấn luyện (training set) và tập kiểm thử (test set). Tác giả tiến hành đo lường và đánh giá sai số dự đoán thông qua chỉ số Root Mean Square Error (RMSE) giữa các giải thuật Matrix Factorization, User-User Collaborative Filtering (uuCF) và Item-Item Collaborative Filtering (iiCF).

Bên cạnh việc đánh giá thuật toán, chương 4 trình bày kết quả triển khai giao diện người dùng và chức năng vận hành thực tế của trang web:

• Giao diện trang chủ tích hợp khối hiển thị phim được đề xuất tự động theo tài khoản người dùng; giao diện phim đang chiếu, phim sắp chiếu và lịch chiếu chi tiết.
• Giao diện giải đáp thắc mắc và hỗ trợ khách hàng (FAQ).
• Quy trình đặt vé xem phim trực tuyến qua các màn hình: Chọn loại vé, chọn vị trí ghế ngồi theo sơ đồ rạp, chọn combo đồ ăn thức uống kèm theo và giao diện xác nhận thanh toán.

Chương 5. Kết luận và hướng phát triển

Chương 5 tổng kết lại toàn bộ các kết quả đạt được của khóa luận: Hoàn thành việc nghiên cứu lý thuyết hệ thống đề xuất, xây dựng thành công ứng dụng web đặt vé xem phim có tính năng gợi ý cá nhân hóa vận hành ổn định trên nền tảng Django và ReactJS, đáp ứng được các yêu cầu chức năng cho cả quản trị viên và người dùng. Tác giả cũng chỉ ra những hạn chế hiện tại và đề xuất các định hướng mở rộng nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm chính của đề tài:

• Xây dựng hoàn chỉnh một ứng dụng web bán vé xem phim tích hợp hệ thống gợi ý cá nhân hóa, đáp ứng đầy đủ quy trình nghiệp vụ từ tra cứu, gợi ý phim, chọn ghế, chọn đồ ăn đến thanh toán trực tuyến.
• Hiện thực thành công hai lớp thuật toán khuyến nghị trên mã nguồn Python: Lớp phân rã ma trận MF và lớp lọc cộng tác CF (gồm cả User-User CF và Item-Item CF) sử dụng độ đo Cosine Similarity.
• Đánh giá định lượng độ chính xác dự đoán của các thuật toán trên tập dữ liệu MovieLens thông qua chỉ số sai số toàn phương trung bình (RMSE), được tổng hợp trong các bảng kết quả: Bảng 20 ghi nhận độ chính xác dự đoán của thuật toán Matrix Factorization và Bảng 21 so sánh trực tiếp chỉ số sai số RMSE giữa Matrix Factorization và Collaborative Filtering (User-user CF và Item-item CF).

Giải pháp và kiến nghị tác giả đề xuất:

• Khai thác dữ liệu phản hồi tiềm ẩn (implicit feedback) và ma trận tương quan thể loại phim để khắc phục vấn đề thiếu hụt dữ liệu đánh giá ban đầu trên các trang web rạp chiếu phim quy mô vừa và nhỏ.
• Đề xuất chính sách giá vé linh hoạt và các chương trình ưu đãi dành riêng cho học sinh, sinh viên nhằm gia tăng tính cạnh tranh so với các chuỗi rạp lớn.
• Khuyến nghị tích hợp các giải pháp công nghệ IoT vào quản lý rạp chiếu phim trong tương lai, đặc biệt là kiểm soát vé tự động bằng mã QR/RFID và cảm biến theo dõi trạng thái ghế ngồi theo thời gian thực.

Đóng góp của đề tài so với các nghiên cứu trước:

• Tác giả tự xác định đề tài đã thu hẹp khoảng cách ứng dụng thực tiễn tại thị trường Việt Nam, nơi các hệ thống rạp chiếu phim trực tuyến phổ biến (Galaxy, CGV, Lotte, Cinestar) đều chưa trang bị tính năng gợi ý phim tự động cho khách hàng.
• Kết hợp thành công giữa lý thuyết mô hình toán học của Recommender System với kiến trúc phát triển web hiện đại (ReactJS, Django, PostgreSQL), cung cấp một mô hình hệ thống hoàn chỉnh từ thuật toán cốt lõi đến giao diện người dùng tương tác thực tế thay vì dừng lại ở các bài toán mô phỏng lý thuyết độc lập.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

• Dữ liệu thực nghiệm để huấn luyện và đánh giá thuật toán gợi ý chủ yếu dựa trên tập dữ liệu chuẩn MovieLens, chưa được kiểm chứng trực tiếp trên tập dữ liệu người dùng thực tế quy mô lớn của các cụm rạp tại Việt Nam.
• Hệ thống tập trung giải quyết bài toán gợi ý bằng các phương pháp lọc cộng tác và phân rã ma trận cơ bản; các kỹ thuật học sâu phức tạp (RNN, LSTM) hoặc dịch vụ điện toán đám mây chuyên sâu (Amazon Personalize, Google Cloud Recommendations AI) mới dừng lại ở mức độ khảo sát lý thuyết, chưa được cài đặt trực tiếp vào hệ thống do giới hạn hạ tầng tính toán.
• Các nội dung liên quan đến ứng dụng IoT trong rạp chiếu phim (Smart Ticketing, Smart Lighting, Smart Seat Monitoring) chỉ dừng ở góc độ nghiên cứu giải pháp kỹ thuật, chưa được tích hợp phần cứng cảm biến thực tế vào ứng dụng web.

Hướng nghiên cứu và phát triển tiếp:

• Nghiên cứu tích hợp các giải thuật học sâu (Deep Learning) và học tăng cường (Reinforcement Learning) nhằm nâng cao độ chính xác dự đoán đối với các phiên tương tác ngắn hạn (session-based) của người dùng.
• Kết nối ứng dụng web với hệ thống phần cứng IoT thực tế tại rạp, đặc biệt là các cổng kiểm soát vé thông minh quét mã QR và hệ thống cảm biến trạng thái ghế ngồi.
• Phát triển thêm ứng dụng trên nền tảng di động (Mobile Application) đồng bộ với hệ thống backend Django hiện có để tối ưu hóa trải nghiệm người dùng.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho:

• Sinh viên, học viên ngành Mạng máy tính và Truyền thông, Công nghệ Thông tin, Kỹ thuật Phần mềm và Khoa học Dữ liệu đang thực hiện đồ án, khóa luận tốt nghiệp liên quan đến bài toán hệ thống khuyến nghị (Recommender System) hoặc phát triển ứng dụng web full-stack.
• Các kỹ sư phần mềm cần tài liệu hướng dẫn mô hình tích hợp giữa backend Django (sử dụng mô hình MVT, Django ORM) với frontend ReactJS (Virtual DOM, JSX, Fetch API) và cơ sở dữ liệu PostgreSQL.
• Các nhà phát triển hệ thống và quản lý rạp chiếu phim đang tìm kiếm giải pháp chuyển đổi số, tối ưu hóa giao diện đặt vé và định hướng ứng dụng công nghệ IoT vào quản lý rạp thông minh.

Nội dung có giá trị tham khảo nổi bật nhất nằm ở Chương 3 và Chương 4: Cung cấp chi tiết quy trình toán học và các bước cài đặt bằng Python cho các thuật toán Matrix Factorization, User-User CF và Item-Item CF (từ khâu chuẩn hóa ma trận, tính toán độ tương tự Cosine, thiết lập hàm mất mát đến đo lường sai số RMSE), cùng thiết kế giao diện đặt vé trực quan kết nối qua Fetch API.

Câu hỏi thường gặp

1. Khóa luận sử dụng các thuật toán gợi ý nào và đánh giá trên tập dữ liệu gì?

Khóa luận tập trung nghiên cứu và hiện thực các thuật toán: Lọc cộng tác (Collaborative Filtering gồm User-User CF và Item-Item CF), Phân rã ma trận (Matrix Factorization - MF) và Lọc dựa trên nội dung (Content-Based Filtering sử dụng tương quan thể loại phim). Toàn bộ quá trình thực nghiệm, huấn luyện và kiểm thử độ chính xác dự đoán được thực hiện trên tập dữ liệu chuẩn MovieLens, sử dụng chỉ số sai số toàn phương trung bình (Root Mean Square Error - RMSE) để đo lường.

2. Kiến trúc công nghệ của ứng dụng web được xây dựng bằng những thành phần nào?

Ứng dụng web được xây dựng theo mô hình phân tách Client - Server giao tiếp bất đồng bộ qua Fetch API:

• Phía Client: Framework ReactJS, sử dụng Virtual DOM, JSX, kiến trúc Components, Props và State, định kiểu bằng Bootstrap và Tailwind CSS.
• Phía Server: Framework Django (ngôn ngữ Python) triển khai theo kiến trúc MVT (Model-View-Template), sử dụng Django ORM để quản lý dữ liệu và Django Admin Site để hỗ trợ quản trị.
• Cơ sở dữ liệu: Hệ quản trị cơ sở dữ liệu quan hệ PostgreSQL tuân thủ chuẩn ACID.

3. Tác giả khảo sát mức giá vé của các rạp chiếu phim nào để so sánh và đặt vấn đề nghiên cứu?

Tác giả đã lập bảng khảo sát giá vé phim 2D tại khu vực TP. Hồ Chí Minh của ba cụm rạp lớn gồm Galaxy Cinema, CGV Cinemas và BHD Star Cineplex (dao động từ 75.000đ đến 85.000đ tùy khung giờ trước/sau 17h và ngày trong tuần/cuối tuần). Mức giá này được đối chiếu với biểu phí dịch vụ phát trực tuyến của Netflix (gói Basic 180.000đ/tháng, Standard và Premium) để làm căn cứ đề xuất giải pháp giá vé hợp lý hơn cho đối tượng học sinh, sinh viên.

4. Hệ thống phân chia các chức năng cụ thể như thế nào cho quản trị viên và người dùng?

Hệ thống được thiết kế hai phân hệ rõ ràng:

• Phân hệ Admin: Quản lý tài khoản người dùng; thêm, sửa, xóa danh mục phim đang chiếu và sắp chiếu; thiết lập lịch chiếu cho từng phim; tiếp nhận và quản lý thông tin hỗ trợ khách hàng.
• Phân hệ User: Xem danh sách phim đang chiếu, sắp chiếu, phim nổi bật; nhận khối đề xuất phim cá nhân hóa theo lịch sử tương tác; tra cứu lịch chiếu; xem chi tiết phim và trailer; thực hiện đặt vé trực tuyến (chọn suất chiếu, chọn ghế trên sơ đồ phòng chiếu, chọn combo bắp nước, thanh toán); xem trang giới thiệu, hỏi đáp thắc mắc và quản lý tài khoản cá nhân.

5. Khóa luận đã đề cập những ứng dụng tiềm năng nào của IoT trong rạp chiếu phim?

Khóa luận khảo cứu các giải pháp IoT bao gồm: Kiểm soát truy cập và bán vé thông minh (Smart Ticketing qua mã QR và RFID), kiểm soát môi trường và chiếu sáng thông minh (Smart Lighting và hệ thống điều hòa HVAC), bảng hiệu quảng cáo kỹ thuật số (Digital Signage), giám sát trạng thái chỗ ngồi thông minh (Smart Seat Monitoring qua cảm biến gắn tại ghế), quản lý và bảo trì cơ sở vật chất (Facility Management) và phân tích hành vi của khán giả (Audience Analytics).

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Hồng Vĩ đã giải quyết bài toán tích hợp hệ thống gợi ý cá nhân hóa vào ứng dụng web thương mại cho rạp chiếu phim. Đề tài kết hợp cơ sở lý thuyết toán học của các giải thuật lọc cộng tác (User-User CF, Item-Item CF) và phân rã ma trận (Matrix Factorization) trên tập dữ liệu MovieLens với kiến trúc phần mềm hiện đại dựa trên Django, ReactJS và PostgreSQL. Kết quả nghiên cứu đáp ứng đầy đủ quy trình nghiệp vụ đặt vé trực tuyến, đồng thời mở ra định hướng kết hợp các công nghệ IoT vào tự động hóa vận hành cụm rạp thông minh trong tương lai.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. Tổng quan Web đã trở thành một phần hiển nhiên của toàn cau; và sự xuất hiện của nó như một bộ máy quan trọng đề phá vỡ các rào cản đa dạng giữa các biến thể vật lý và ranh giới toàn cầu. Việc đưa web vào các hoạt động đời sống hàng ngày của chúng ta trong thời kỳ đương đại này đã trở nên gần như không thê tránh khỏi và khá nhiều người dan dựa vào web cho nhiều mục đích khác nhau, từ đặt trên quan điểm của họ và đọc xem của người khác trong khi cũng bình luận về những quan điểm đó, e- learning , ngân hàng điện tử, thư viện điện tử và thương mại điện tử, v. Số lượng tài liệu có sẵn trên web đủ để cải thiện các cách thức giáo dục và nhu cầu nghiên cứu đa dạng của công chúng bây giờ và sau đó.

Con đường học tập trên web chỉ cần biết cách tốt nhất dé khám phá và tiễn bộ hơn là phát minh lại bánh xe cho khía cạnh kiến thức đã được nghiên cứu trước đó. Trong tương lai của internet, mà các đường viền của nó dần trở nên rõ ràng, hai sự phát triển này - Dữ liệu lớn và IoT - gắn bó chặt chẽ với nhau trong một hệ sinh thái rộng lớn và phức tạp. Trong hệ thống này, dữ liệu được thu thập trên cơ sở các trang web đã truy cập của chúng tôi, các hoạt động của chúng tôi trên mạng xã hội, điện thoại thông minh và thông qua nhiều cảm biến của thế giới vật lý. Chính dòng chảy này là nền tảng của Dữ liệu lớn.

Một luồng dữ liệu (hoặc luồng các luồng khác nhau) về cơ bản, không cần diễn giải, có ít giá trị hơn, nhưng dựa trên phân tích tạo ra thông tin mà chúng ta có thể sử dụng, do đó dữ liệu trở nên có giá trị. Kết quả của phân tích - chăng hạn như chiếc xe của Google cũng có thể được chuyên đồi trực tiếp trong hành động mà không cần sự can thiệp của con người: rẽ phải hoặc giảm tốc độ để vượt qua người đi xe đạp (Vanderbilt, 2012). Internet nay là một cỗ máy chuyển động liên tục của đầu vào và đầu ra mà dữ liệu là nguyên liệu thô. Khi ngày càng nhiều sản phẩm và dịch vụ có đữ liệu là một thành phần quan trọng, tác động của hệ thống này trở nên lớn hơn và thâm nhập vào các mao mạch của xã hội chúng ta.

Không phải là không có gì, chính phủ Hoa Kỳ gần đây đã công bố khoảng 200 triệu đô la để đầu tư vào nghiên cứu về Dữ liệu lớn (Kalil, 2012). Do đó, điều quan trọng là phải hiểu rõ hơn về cách thức hoạt động của hệ thống này, vai trò của các bên liên quan và công nghệ cũng như xác định những phát triển của nó. 15 | Page Cách thức mà hệ thống này được phát triển cũng đặt ra những câu hỏi quan trọng liên quan đến sức mạnh sáng tạo của internet trong tương lai. Như được mô tả bởi Wheeler (2012) trong bài thuyết trình của mình, sự đổi mới web cho thấy sự phát triển của Internet đã trải qua nhiều giai đoạn như thé nào.

Dat vấn đề Trong thời dai 4.0, số lượng giao dịch dữ liệu xảy ra mỗi phút đã tăng lên theo cấp số nhân. Lượng dữ liệu khổng lồ đã tăng lên đáng kể cùng với số lượng người dùng trên Internet. Tuy nhiên, không phải tất cả dữ liệu có sẵn trên Internet đều được sử dụng hoặc cung cấp kết quả thỏa đáng cho người dùng. Dữ liệu với khối lượng khổng lồ như vậy thường không nhất quán và nếu không xử lý thông tin nay đúng cách, nó sẽ bị lãng phí.