Phát Triển Phương Pháp Xây Dựng Hệ Tư Vấn Trong Luận Án Tiến Sĩ Kỹ Thuật

Luận án tiến sĩ kỹ thuật tập trung phát triển các phương pháp xây dựng hệ tư vấn hiệu quả, ứng dụng trong nhiều lĩnh vực công nghệ.

• Tác giả: Đỗ Thị Liên
• Người hướng dẫn: GS.TS Từ Minh Phương
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Phát triển một số phương pháp xây dựng hệ tư vấn
• Loại tài liệu: luận án tiến sĩ

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC THUẬT TOÁN
• MỞ ĐẦU
• 0.1. Tính cấp thiết của luận án
• 0.2. Mục tiêu của luận án
• 0.3. Các đóng góp của luận án
• 0.4. Bố cục của luận án
• 1. CHƯƠNG 1: TỔNG QUAN VỀ HỆ TƯ VẤN
• 1.1. Khái niệm hệ tư vấn
• 1.2. Các lĩnh vực ứng dụng của hệ tư vấn
• 1.3. Phát biểu bài toán tư vấn
• 1.4. Qui trình xây dựng hệ tư vấn
• 1.5. Các hướng tiếp cận xây dựng hệ tư vấn
• 1.6. Kết luận chương 1
• 2. CHƯƠNG 2: PHÁT TRIỂN PHƯƠNG PHÁP LỌC CỘNG TÁC DỰA TRÊN MÔ HÌNH ĐỒ THỊ CHO HỆ TƯ VẤN THEO NGỮ CẢNH
• 2.1. Độ đo tương tự cho lọc cộng tác dựa trên mô hình đồ thị
• 2.2. Biểu diễn đồ thị cho lọc cộng tác
• 2.3. Lọc cộng tác dựa trên mô hình đồ thị cho hệ tư vấn theo ngữ cảnh
• 2.4. Bài toán tư vấn theo ngữ cảnh
• 2.5. Các hướng tiếp cận giải quyết bài toán tư vấn theo ngữ cảnh
• 2.6. Phương pháp đề xuất
• 2.7. Thực nghiệm và kết quả
• 2.7.1. Dữ liệu thực nghiệm
• 2.7.2. Cài đặt thực nghiệm
• 2.7.3. Kết quả thực nghiệm
• 2.8. Kết luận chương 2
• 3. CHƯƠNG 3: PHÁT TRIỂN PHƯƠNG PHÁP LỌC KẾT HỢP BẰNG ĐỒNG HUẤN LUYỆN
• 3.1. Lọc cộng tác bằng phương pháp đồng huấn luyện
• 3.2. Phát biểu bài toán lọc cộng tác bằng phân lớp
• 3.3. Phân lớp bằng phương pháp đồng huấn luyện
• 3.4. Mô hình đồng huấn luyện cho lọc cộng tác
• 3.5. Lọc kết hợp bằng phương pháp đồng huấn luyện
• 3.6. Hợp nhất biểu diễn giá trị các đặc trưng nội dung vào ma trận đánh giá
• 3.7. Mô hình học kết hợp theo người dùng
• 3.8. Mô hình học kết hợp theo sản phẩm
• 3.9. Mô hình đồng huấn luyện cho lọc kết hợp
• 3.10. Thực nghiệm và kết quả
• 3.10.1. Thực nghiệm và kết quả của phương pháp lọc cộng tác bằng đồng huấn luyện
• 3.10.2. Thực nghiệm và kết quả của phương pháp lọc kết hợp bằng đồng huấn luyện
• 3.11. Kết luận chương 3
• KẾT LUẬN CHUNG
• DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Hệ tư vấn và ứng dụng trong luận án tiến sĩ kỹ thuật

Hệ tư vấn là một công cụ quan trọng trong việc giảm tải thông tin và hỗ trợ người dùng đưa ra quyết định phù hợp. Trong luận án tiến sĩ kỹ thuật, tác giả tập trung vào việc phát triển các phương pháp xây dựng hệ tư vấn hiệu quả, đặc biệt là trong bối cảnh dữ liệu thưa và tích hợp thông tin đa dạng. Hệ tư vấn không chỉ giúp người dùng lựa chọn sản phẩm phù hợp mà còn là yếu tố quyết định thành công của các hệ thống thương mại điện tử.

1.1. Khái niệm và vai trò của hệ tư vấn

Hệ tư vấn được định nghĩa là hệ thống hỗ trợ người dùng đưa ra quyết định bằng cách cung cấp các gợi ý phù hợp với sở thích và nhu cầu của họ. Trong luận án tiến sĩ kỹ thuật, tác giả nhấn mạnh vai trò của hệ tư vấn trong việc giải quyết vấn đề thông tin quá tải, đặc biệt trong các lĩnh vực như thương mại điện tử, giáo dục, và giải trí. Hệ tư vấn cũng được xem là công cụ lọc tích cực, giúp người dùng tiếp cận thông tin một cách hiệu quả.

1.2. Ứng dụng của hệ tư vấn trong nghiên cứu khoa học

Trong nghiên cứu khoa học, hệ tư vấn được ứng dụng rộng rãi để giải quyết các bài toán phức tạp như dự đoán sở thích người dùng, tối ưu hóa hệ thống, và phân tích dữ liệu. Luận án tiến sĩ kỹ thuật của tác giả tập trung vào việc phát triển các phương pháp xây dựng hệ tư vấn hiệu quả, đặc biệt là trong bối cảnh dữ liệu thưa và tích hợp thông tin đa dạng. Các ứng dụng thực tiễn của hệ tư vấn bao gồm gợi ý sản phẩm, phim ảnh, và tài nguyên học tập.

II. Phương pháp xây dựng hệ tư vấn hiệu quả

Trong luận án tiến sĩ kỹ thuật, tác giả đề xuất các phương pháp xây dựng hệ tư vấn hiệu quả, tập trung vào việc giải quyết vấn đề dữ liệu thưa và tích hợp thông tin đa dạng. Các phương pháp này bao gồm lọc cộng tác dựa trên mô hình đồ thị và lọc kết hợp bằng đồng huấn luyện, nhằm nâng cao độ chính xác của kết quả dự đoán.

2.1. Lọc cộng tác dựa trên mô hình đồ thị

Lọc cộng tác dựa trên mô hình đồ thị là phương pháp được đề xuất trong luận án tiến sĩ kỹ thuật để giải quyết vấn đề dữ liệu thưa. Phương pháp này sử dụng độ đo tương tự giữa các cặp người dùng hoặc sản phẩm dựa trên mô hình đồ thị, giúp khai thác các mối quan hệ trực tiếp và bắc cầu. Kết quả thực nghiệm cho thấy phương pháp này cải thiện đáng kể chất lượng tư vấn, đặc biệt trong các hệ thống tư vấn theo ngữ cảnh.

2.2. Lọc kết hợp bằng đồng huấn luyện

Lọc kết hợp bằng đồng huấn luyện là phương pháp kết hợp giữa lọc cộng tác và lọc nội dung, được đề xuất trong luận án tiến sĩ kỹ thuật. Phương pháp này cho phép tích hợp thông tin người dùng, sản phẩm, và đánh giá của người dùng vào quá trình dự đoán. Kết quả thực nghiệm trên các bộ dữ liệu thực về phim cho thấy phương pháp này cải thiện đáng kể chất lượng tư vấn, đồng thời giải quyết hiệu quả vấn đề dữ liệu thưa.

III. Đánh giá và ứng dụng thực tiễn

Các phương pháp xây dựng hệ tư vấn được đề xuất trong luận án tiến sĩ kỹ thuật đã được đánh giá thông qua các thực nghiệm trên các bộ dữ liệu thực. Kết quả cho thấy các phương pháp này không chỉ cải thiện độ chính xác của kết quả dự đoán mà còn có tiềm năng ứng dụng rộng rãi trong thực tế, đặc biệt trong các hệ thống thương mại điện tử và giải trí.

3.1. Kết quả thực nghiệm

Các phương pháp xây dựng hệ tư vấn được đề xuất trong luận án tiến sĩ kỹ thuật đã được thử nghiệm trên các bộ dữ liệu thực như MovieLens và DepaulMovie. Kết quả thực nghiệm cho thấy các phương pháp này cải thiện đáng kể độ chính xác của kết quả dự đoán, đặc biệt trong trường hợp dữ liệu thưa. Các độ đo như MAE và RMSE đã được sử dụng để đánh giá hiệu quả của các phương pháp.

3.2. Ứng dụng thực tiễn

Các phương pháp xây dựng hệ tư vấn được đề xuất trong luận án tiến sĩ kỹ thuật có tiềm năng ứng dụng rộng rãi trong thực tế, đặc biệt trong các hệ thống thương mại điện tử và giải trí. Các hệ thống tư vấn như Amazon, Netflix, và YouTube có thể áp dụng các phương pháp này để cải thiện chất lượng tư vấn và tăng cường trải nghiệm người dùng.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ chuyên ngành Hệ thống thông tin với đề tài "Phát triển một số phương pháp xây dựng hệ tư vấn" được thực hiện bởi nghiên cứu sinh Đỗ Thị Liên dưới sự hướng dẫn khoa học của GS.TS. Từ Minh Phương và TS. Nguyễn Duy Phương tại Học viện Công nghệ Bưu chính Viễn thông.

Tính cấp thiết của luận án bắt nguồn từ sự gia tăng nhanh chóng của khối lượng thông tin trực tuyến trên không gian Web, khiến người dùng gặp nhiều trở ngại khi tìm kiếm các dữ liệu, sản phẩm hoặc dịch vụ thực sự phù hợp với nhu cầu cá nhân. Khi người sử dụng không xác định được chính xác từ khóa tìm kiếm trên các công cụ tìm kiếm truyền thống, hệ tư vấn (Recommender System - RS) đóng vai trò như một cơ chế lọc tích cực hỗ trợ quá trình ra quyết định. Mặc dù các kỹ thuật lọc thông tin đã đạt được những thành công nhất định trong thương mại điện tử và dịch vụ số, việc xây dựng hệ tư vấn vẫn đối mặt với các thách thức kỹ thuật lớn: vấn đề dữ liệu thưa (Sparsity Data Problem - SDP), hiện tượng người dùng mới và sản phẩm mới (cold-start), sự thay đổi sở thích theo thời gian, cùng yêu cầu tích hợp đồng thời nhiều nguồn dữ liệu đa dạng trong môi trường dữ liệu quy mô lớn được cập nhật liên tục.

Khoảng trống nghiên cứu trọng tâm mà luận án xác định bao gồm hai vấn đề kỹ thuật:

1. Sự suy giảm chất lượng tư vấn do dữ liệu thưa trong các hệ tư vấn theo ngữ cảnh (Context-Aware Recommender Systems - CARS) và sự phức tạp khi tích hợp yếu tố ngữ cảnh vào quá trình tính toán.
2. Thiếu cơ chế kết hợp hiệu quả giữa đặc trưng nội dung (Content-Based Filtering - CBF) và phản hồi của người dùng trong lọc cộng tác (Collaborative Filtering - CF), dẫn đến hiệu năng hạn chế khi ma trận đánh giá ban đầu có độ thưa cao.

Mục tiêu nghiên cứu của luận án được cụ thể hóa thành các nội dung sau:

• Mục tiêu 1: Nghiên cứu, phát triển các phương pháp xây dựng hệ tư vấn nhằm nâng cao độ chính xác của kết quả dự đoán sản phẩm phù hợp với người dùng trong điều kiện dữ liệu thưa.
• Mục tiêu 2: Xây dựng giải pháp tích hợp hiệu quả đồng thời các nguồn thông tin: dữ liệu sở thích của người dùng, đặc trưng cá nhân của người dùng, thuộc tính nội dung của sản phẩm và ngữ cảnh sử dụng sản phẩm.
• Mục tiêu 3: Thiết kế các thuật toán có cấu trúc tính toán đơn giản, khả thi cho việc cài đặt và triển khai trong các hệ thống thực tế.

Đối tượng nghiên cứu của đề tài là các mô hình, thuật toán xây dựng hệ tư vấn, tập trung vào phương pháp lọc cộng tác dựa trên mô hình đồ thị và phương pháp lọc kết hợp sử dụng kỹ thuật học bán giám sát đồng huấn luyện. Phạm vi nghiên cứu về mặt dữ liệu bao gồm các tập dữ liệu thực nghiệm chuẩn về đánh giá của người dùng đối với phim ảnh và âm nhạc, có chứa thông tin ngữ cảnh và thông tin thuộc tính mô tả.

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu trong luận án phân chia lịch sử phát triển của hệ tư vấn thành hai nhánh tiếp cận chính: tiếp cận truyền thống và tiếp cận mở rộng.

Trong tiếp cận truyền thống, tác giả điểm lại ba nhóm kỹ thuật:

• Lọc cộng tác: Xuất phát từ giữa thập niên 1990 với công trình đầu tiên của Resnick và cộng sự (1994). Nhóm phương pháp dựa trên bộ nhớ (Memory-based) được phát triển qua các nghiên cứu của Breese, Heckerman và Kadie (1998), Sarwar và cộng sự (2001), Su và Khoshgoftaar (2009), với các giải thuật User-Based k-NN, Item-Based k-NN, cùng các kỹ thuật hiệu chỉnh như đánh trọng số mức độ tương tự (Significance Weighting), thiết lập giá trị mặc định (Default Voting), ước lượng tần suất xuất hiện ngược của người dùng (Inverse User Frequency - IUF) và khuếch đại độ tương tự (Case Amplification). Nhóm phương pháp dựa trên mô hình (Model-based) bao gồm khai phá luật kết hợp, phân cụm K-means và mạng nơ-ron tự tổ chức SOM (Ungar và Foster, 1998), máy vectơ hỗ trợ SVM, cây quyết định, mạng Bayes (Billsus và Pazzani, 1998; Su và Khoshgoftaar, 2006), phân rã ma trận dựa trên nhân tố tiềm ẩn (Matrix Factorization - MF) sử dụng hạ độ dốc ngẫu nhiên SGD (Koren và cộng sự, 2009), mạng nơ-ron nhân tạo và các kỹ thuật SVD, Ontology.
• Lọc theo nội dung: Dựa trên trích chọn đặc trưng văn bản bằng kỹ thuật TF-IDF và độ đo Cosine (Balabanovic, 1997; Pazzani, 1999 với giải thuật Winnow; Pazzani và Billsus, 1997 với bộ phân loại Bayes; Solombo, 2000; Zhang, 2002). Một số hệ thống tiêu biểu được khảo sát gồm News Dude (Billsus và Pazzani, 1999) và LIBRA (Mooney và Roy, 2000).
• Lọc kết hợp: Khảo sát theo phân loại của Burke (2002) với các cơ chế: kết hợp tuyến tính có trọng số (hệ thống P-tango), kết hợp chuyển đổi (hệ thống DailyLearner của Billsus và Pazzani, 2000), kết hợp ghép tầng (hệ thống EntreeC của Burke, 2002), kết hợp hỗn hợp (hệ thống PTV của Smyth và Cotter, 2000; Profinder; PickAFlick), kết hợp đặc tính nội dung vào lọc cộng tác, kết hợp đặc tính lọc cộng tác vào lọc nội dung (hệ thống Pipper), kết hợp tăng cường đặc trưng, và xây dựng mô hình hợp nhất (Basu và cộng sự, 1998; Ansari và cộng sự, 2000).

Trong tiếp cận mở rộng, luận án tổng hợp các hướng nghiên cứu hiện đại: hệ tư vấn theo ngữ cảnh (CARS) theo khảo sát của Adomavicius và Tuzhilin (2011), hệ tư vấn dựa trên mạng xã hội, và các phương pháp lọc dựa trên mối quan tâm (Attention-based) sử dụng học sâu.

Khoảng trống luận án định vị để giải quyết là khắc phục sự suy giảm hiệu năng do ma trận đánh giá thưa thớt ở hai bài toán cụ thể: (1) Khai thác thông tin liên kết đồ thị đa bước để làm mịn độ đo tương tự trong hệ tư vấn theo ngữ cảnh, và (2) Khai thác cơ chế đồng huấn luyện (co-training) từ hai góc nhìn độc lập (người dùng và sản phẩm) kết hợp cùng thông tin nội dung để bù đắp các giá trị đánh giá còn thiếu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng trên nền tảng lý thuyết không gian véc-tơ, lý thuyết đồ thị và học máy bán giám sát (Semi-Supervised Learning).

Hệ thống khái niệm và khung phân tích được chuẩn hóa bao gồm:

• Mô hình dữ liệu cơ bản: Tập $N$ người dùng $U = {u_1, u_2, \dots, u_N}$ với các véc-tơ đặc trưng nhân khẩu học $D_u$; tập $M$ sản phẩm $I = {i_1, i_2, \dots, i_M}$ với các véc-tơ đặc trưng nội dung $C_i$; ma trận đánh giá $R \in \mathbb{R}^{N \times M}$, trong đó $R_{u,i}$ là điểm đánh giá của người dùng $u$ cho sản phẩm $i$.
• Mô hình dữ liệu ngữ cảnh: Ma trận đánh giá đa chiều (MD matrix) $R: U \times I \times C_1 \times C_2 \times \dots \times C_k \to R_{rating}$, trong đó $C_1, \dots, C_k$ là các chiều ngữ cảnh (thời gian, địa điểm, bạn đồng hành...).
• Biểu diễn đồ thị hai phía (Bipartite Graph): Biểu diễn quan hệ đánh giá giữa người dùng và sản phẩm dưới dạng đồ thị $G = (V, E)$, với tập đỉnh $V = U \cup I$ và tập cạnh $E$ nối giữa đỉnh người dùng và đỉnh sản phẩm tương ứng với các phản hồi đã biết.
• Khung học đồng huấn luyện (Co-Training): Mô hình học bán giám sát giả định dữ liệu có thể được phân tách thành hai không gian thuộc tính độc lập và đầy đủ (hai góc nhìn - views). Hai bộ phân loại được huấn luyện đồng thời trên tập dữ liệu đã gán nhãn, sau đó lần lượt gán nhãn cho các mẫu chưa gán nhãn có độ tin cậy cao nhất để bổ sung vào tập huấn luyện của nhau.

Phương pháp nghiên cứu thực tế là phương pháp định lượng kết hợp thực nghiệm thuật toán trên máy tính. Các công cụ và kỹ thuật phân tích được thiết kế gồm:

• Kỹ thuật tính độ đo tương tự đồ thị: Sử dụng ma trận trọng số chuyển đổi để tính toán sự tương đồng giữa các đỉnh dựa trên đường đi trực tiếp và gián tiếp (bắc cầu).
• Kỹ thuật phân rã ngữ cảnh: Phân rã ma trận đánh giá đa chiều thành ma trận hai chiều thông qua cơ chế phân tách sản phẩm theo ngữ cảnh (Item Splitting).
• Kỹ thuật mở rộng ma trận bằng đặc trưng nội dung: Hợp nhất ma trận hồ sơ người dùng và ma trận hồ sơ sản phẩm xây dựng từ TF-IDF vào ma trận đánh giá $R$ để tạo thành các ma trận đánh giá mở rộng.

Phương pháp thẩm định thực nghiệm sử dụng kỹ thuật phân chia ngẫu nhiên (Splitting) và kiểm thử chéo (k-fold cross validation), chia các đánh giá thành tập đã biết $R_{known}$ để huấn luyện và tập cần dự đoán $R_{predict}$ để kiểm nghiệm.

Các độ đo định lượng được sử dụng trong đánh giá:

• Đánh giá sai số dự đoán điểm số: Trung bình giá trị tuyệt đối lỗi (MAE) và Trung bình lỗi lấy căn (RMSE).
• Đánh giá danh sách khuyến nghị Top-N: Độ chính xác tại vị trí N (Precision@N, cụ thể là Precision@10) và Độ chính xác trung bình tuyệt đối (Mean Average Precision - MAP@10).

Nguồn dữ liệu thực nghiệm bao gồm năm bộ dữ liệu thực chuẩn trong lĩnh vực hệ tư vấn: DepaulMovie, MovieLens 100K, InCarMusic, MovieLens 1M và MovieLens 10M.

Nội dung chính theo từng chương

CHƯƠNG 1: TỔNG QUAN VỀ HỆ TƯ VẤN

Chương 1 hệ thống hóa toàn diện các khái niệm, quy trình và phương pháp kỹ thuật nền tảng của hệ tư vấn.

• Luận điểm chính: Bài toán tư vấn được phát biểu dưới hai dạng chính: dự đoán giá trị đánh giá chưa biết $R_{u,i}$ và tạo danh sách gợi ý Top-N sản phẩm có độ phù hợp cao nhất cho người dùng tích cực. Quy trình xây dựng hệ tư vấn chuẩn bao gồm ba giai đoạn tuần tự: Thu thập thông tin, Xây dựng mô hình, và Dự đoán đánh giá/Đưa ra tư vấn.
• Phân tích kỹ thuật: Chương này mô tả chi tiết các giải thuật lọc cộng tác theo bộ nhớ (tính tương tự Pearson, Cosine và các kỹ thuật chuẩn hóa), lọc cộng tác dựa trên mô hình (luật kết hợp, phân cụm, SVM, cây quyết định, phân loại, mạng Bayes, phân rã ma trận MF, mạng nơ-ron, đồ thị), lọc theo nội dung (biểu diễn TF-IDF, hồ sơ người dùng và độ đo tương đồng), và các phương pháp kết hợp (tuyến tính có trọng số, chuyển đổi, ghép tầng, hỗn hợp, kết hợp đặc tính, tăng cường đặc trưng, mô hình hợp nhất).
• Tổng hợp phương pháp đánh giá: Trình bày quy trình phân chia dữ liệu đánh giá thành $R_{known}$ và $R_{predict}$, thiết lập ma trận nhầm lẫn (Confusion Matrix), cùng công thức toán học của các độ đo MAE, RMSE, Precision, Recall, F1, AP, MAP.
• Bảng tổng hợp các phần mềm hỗ trợ nghiên cứu hệ tư vấn được liệt kê trong chương bao gồm: LensKit, Mahout, MyMediaLite, LibRec, GraphChi, Duine framework, Cofi (Collaborative Filtering Library), và PREA (Personalized Recommendation Algorithms).

CHƯƠNG 2: PHÁT TRIỂN PHƯƠNG PHÁP LỌC CỘNG TÁC DỰA TRÊN MÔ HÌNH ĐỒ THỊ CHO HỆ TƯ VẤN THEO NGỮ CẢNH

Chương 2 trình bày giải pháp hạn chế ảnh hưởng của vấn đề dữ liệu thưa bằng cách tích hợp mô hình đồ thị vào hệ tư vấn theo ngữ cảnh.

• Luận điểm và mô hình: Tác giả đề xuất độ đo tương tự mới dựa trên đồ thị hai phía kết nối người dùng và sản phẩm. Độ đo này không chỉ xét các sản phẩm được đánh giá chung giữa hai người dùng (hoặc các người dùng cùng đánh giá hai sản phẩm) mà còn khai thác liên kết bắc cầu thông qua các đường đi có độ dài lớn hơn trên đồ thị.
• Quy trình tích hợp ngữ cảnh: Để xử lý dữ liệu ngữ cảnh đa chiều mà không làm bùng nổ không gian tính toán, luận án áp dụng kỹ thuật tiền lọc dựa trên phân tách sản phẩm theo ngữ cảnh (Item Splitting). Một sản phẩm $i$ kết hợp với ngữ cảnh $c$ được giả lập thành một sản phẩm mới $i_c$. Ma trận đánh giá đa chiều được chuyển đổi thành ma trận đánh giá hai chiều mở rộng.
• Thuật toán đề xuất:
  • Thuật toán 2.1: IS-UserBased-Graph (Lọc cộng tác dựa trên người dùng kết hợp đồ thị và phân tách ngữ cảnh).
  • Thuật toán 2.2: IS-ItemBased-Graph (Lọc cộng tác dựa trên sản phẩm kết hợp đồ thị và phân tách ngữ cảnh).
• Dữ liệu và kết quả thực nghiệm: Thực nghiệm được tiến hành trên 3 bộ dữ liệu: DepaulMovie, MovieLens 100K (dữ liệu phim ảnh có ngữ cảnh) và InCarMusic (dữ liệu âm nhạc theo ngữ cảnh trong xe hơi). Đánh giá thông qua các chỉ số Precision@10 và MAP@10.

Bảng tổng hợp kết quả đánh giá chất lượng danh sách tư vấn của các phương pháp trên 3 tập dữ liệu (dẫn xuất từ Bảng 2.7, 2.8, 2.9 của luận án):

Bộ dữ liệu	Độ đo	Phương pháp đề xuất (Graph-based CARS)	Phương pháp cơ sở (Item Splitting chuẩn)	Phương pháp lọc cộng tác truyền thống (User/Item k-NN)
DepaulMovie	Precision@10	Cải thiện cao nhất	Đạt mức trung bình	Đạt mức thấp nhất
	MAP@10	Cải thiện vượt trội	Đạt mức trung bình	Đạt mức thấp nhất
MovieLens 100K	Precision@10	Đạt giá trị tối ưu	Đạt mức trung bình	Đạt mức thấp nhất
	MAP@10	Đạt giá trị tối ưu	Đạt mức trung bình	Đạt mức thấp nhất
InCarMusic	Precision@10	Tăng rõ rệt	Đạt mức trung bình	Đạt mức thấp nhất
	MAP@10	Tăng rõ rệt	Đạt mức trung bình	Đạt mức thấp nhất

Các bảng số liệu thực nghiệm chứng minh việc bổ sung liên kết đồ thị bắc cầu giúp cải thiện độ chính xác phân lớp và chất lượng danh sách Top-10 khuyến nghị so với các kỹ thuật User-Based k-NN và Item-Based k-NN thông thường trên cả ba tập dữ liệu có độ thưa khác nhau.

CHƯƠNG 3: PHÁT TRIỂN PHƯƠNG PHÁP LỌC KẾT HỢP BẰNG ĐỒNG HUẤN LUYỆN

Chương 3 tập trung vào giải pháp lọc kết hợp thông qua mô hình học bán giám sát đồng huấn luyện nhằm tận dụng đồng thời cấu trúc ma trận đánh giá và thuộc tính nội dung.

• Mô hình đồng huấn luyện cho lọc cộng tác:
  • Bài toán lọc cộng tác được chuyển đổi thành bài toán phân lớp. Ma trận đánh giá được quan sát dưới hai góc nhìn đối ngẫu: góc nhìn theo người dùng (các dòng biểu diễn thuộc tính của cột) và góc nhìn theo sản phẩm (các cột biểu diễn thuộc tính của dòng).
  • Thuật toán 3.1: Thuật toán đồng huấn luyện chuẩn Co-Training.
  • Thuật toán 3.2: CoTraining-UserItem (Góc nhìn người dùng huấn luyện cho góc nhìn sản phẩm).
  • Thuật toán 3.3: CoTraining-ItemUser (Góc nhìn sản phẩm huấn luyện cho góc nhìn người dùng).
• Cơ chế hợp nhất đặc trưng nội dung:
  • Xây dựng ma trận đặc trưng sản phẩm $C$ và ma trận đặc trưng người dùng $T$.
  • Tính toán ma trận hồ sơ người dùng (User Profile Matrix) và ma trận hồ sơ sản phẩm (Item Profile Matrix).
  • Ghép nối trực tiếp ma trận hồ sơ người dùng vào ma trận đánh giá $R$ để hình thành ma trận đánh giá mở rộng theo hồ sơ người dùng.
  • Ghép nối trực tiếp ma trận hồ sơ sản phẩm vào ma trận đánh giá $R$ để hình thành ma trận đánh giá mở rộng theo hồ sơ sản phẩm.
• Thuật toán đề xuất: Thuật toán 3.4 CoTraining-HybridFiltering. Thuật toán thực hiện huấn luyện lặp giữa hai bộ phân loại trên hai ma trận đánh giá mở rộng, bổ sung các dự đoán có độ tin cậy cao nhất vào ma trận dữ liệu nhằm giải quyết triệt để sự thiếu hụt phần tử đánh giá.
• Kết quả thực nghiệm và số liệu:
  • Thực nghiệm kiểm chứng lọc cộng tác bằng đồng huấn luyện trên ba tập dữ liệu chuẩn: MovieLens-100K, MovieLens-1M và MovieLens-10M.
  • Thực nghiệm so sánh phương pháp lọc kết hợp bằng đồng huấn luyện trên tập MovieLens-1M. Đánh giá sai số dự đoán qua hai chỉ số MAE và RMSE.

Bảng so sánh sai số dự đoán MAE và RMSE trên tập dữ liệu MovieLens-1M (dẫn xuất từ Bảng 3.14 của luận án):

Phương pháp thực nghiệm	Độ đo MAE	Độ đo RMSE
CoTraining-HybridFiltering (Đề xuất)	Thấp nhất (Độ chính xác cao nhất)	Thấp nhất (Độ chính xác cao nhất)
CoTraining-CF (Lọc cộng tác đồng huấn luyện)	Mức trung bình	Mức trung bình
Lọc cộng tác dựa trên phân rã ma trận (MF)	Mức khá	Mức khá
Lọc cộng tác theo bộ nhớ (k-NN)	Mức cao	Mức cao
Lọc theo nội dung thuần túy (CBF)	Mức cao nhất	Mức cao nhất

Kết quả định lượng cho thấy phương pháp lọc kết hợp đồng huấn luyện đạt sai số MAE và RMSE thấp hơn so với các phương pháp lọc đơn lẻ và phương pháp lọc cộng tác đồng huấn luyện khi chưa tích hợp thuộc tính nội dung.

Kết quả và những đóng góp mới

Luận án tự xác định các đóng góp mới về mặt khoa học lý luận và kỹ thuật thực tiễn:

1. Đóng góp về phương pháp lọc cộng tác đồ thị cho hệ tư vấn theo ngữ cảnh:

   • Đề xuất độ đo tương tự mới trên mô hình đồ thị hai phía, cho phép tính toán mức độ tương đồng giữa các cặp người dùng hoặc cặp sản phẩm thông qua cả mối quan hệ trực tiếp và quan hệ bắc cầu. Cơ chế này hạn chế tác động tiêu cực của hiện tượng thưa dữ liệu ma trận đánh giá so với các độ đo dựa trên bộ nhớ truyền thống (Pearson, Cosine).
   • Thiết lập khung tích hợp độ đo tương tự đồ thị vào hệ tư vấn theo ngữ cảnh kết hợp kỹ thuật phân tách sản phẩm (Item Splitting), tạo ra hai giải thuật cụ thể IS-UserBased-Graph và IS-ItemBased-Graph. Giải pháp giúp cá nhân hóa danh sách gợi ý theo từng tình huống ngữ cảnh và có độ phức tạp cài đặt thấp, thuận tiện cho việc áp dụng vào hệ thống thực tế.

2. Đóng góp về phương pháp lọc kết hợp bằng đồng huấn luyện:

   • Phát triển mô hình bài toán lọc cộng tác dưới dạng phân lớp bán giám sát bằng thuật toán đồng huấn luyện, khai thác tính độc lập tương đối giữa hai không gian quan sát: người dùng và sản phẩm (CoTraining-UserItem và CoTraining-ItemUser).
   • Đề xuất cơ chế hợp nhất đặc trưng nội dung (hồ sơ người dùng và hồ sơ sản phẩm xây dựng qua TF-IDF) trực tiếp vào ma trận đánh giá ban đầu, xây dựng các ma trận đánh giá mở rộng.
   • Hoàn thiện thuật toán lọc kết hợp CoTraining-HybridFiltering, cho phép tích hợp đồng thời thông tin đánh giá, thuộc tính người dùng và thuộc tính sản phẩm. Quá trình tự gán nhãn tương hỗ giúp điền khuyết các vị trí thưa trong ma trận, làm giảm sai số dự đoán.

3. Giải pháp đề xuất:

   • Các thuật toán đề xuất được thiết kế nhằm duy trì cấu trúc thuật toán tường minh, sử dụng các phép toán ma trận cơ bản, tránh việc phụ thuộc vào các kiến trúc học sâu quá phức tạp về mặt phần cứng, giúp nâng cao tính khả thi khi triển khai trên các hệ thống vừa và nhỏ.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung văn bản và phạm vi nghiên cứu được xác định trong luận án:

• Hạn chế về phạm vi dữ liệu: Các mô hình và thuật toán đề xuất mới chỉ được kiểm nghiệm trên các bộ dữ liệu thực nghiệm mô phỏng và chuẩn hóa trong lĩnh vực giải trí (phim ảnh: MovieLens, DepaulMovie; âm nhạc: InCarMusic). Luận án chưa tiến hành thử nghiệm trên các miền dữ liệu có tính biến động và cấu trúc phức tạp hơn như tài chính, y tế hoặc giáo dục trực tuyến.
• Hạn chế về độ phức tạp tính toán trên đồ thị: Việc tính toán các đường đi gián tiếp và ma trận chuyển đổi trên mô hình đồ thị có thể phát sinh chi phí tính toán đáng kể khi quy mô người dùng và sản phẩm mở rộng lên hàng chục triệu nút trong các hệ thống trực tuyến thời gian thực.
• Hướng nghiên cứu tiếp:
  • Nghiên cứu tối ưu hóa tốc độ xử lý của thuật toán lọc trên đồ thị nhằm đáp ứng các bài toán tư vấn quy mô cực lớn (Big Data).
  • Tích hợp thêm các dạng thông tin quan hệ xã hội (mạng xã hội, độ tin cậy giữa các thành viên) và các yếu tố ngữ cảnh liên tục biến đổi theo thời gian vào mô hình đồng huấn luyện.
  • Nghiên cứu mở rộng việc kết hợp các kỹ thuật biểu diễn đặc trưng tiềm ẩn từ học sâu vào khung học bán giám sát của hệ tư vấn.

Giá trị tham khảo

Luận án mang lại các giá trị tham khảo học thuật và kỹ thuật ứng dụng rõ ràng:

• Đối với nghiên cứu sinh và học viên cao học chuyên ngành Công nghệ thông tin, Hệ thống thông tin, Khoa học dữ liệu:
  • Chương 1 là tài liệu tổng quan hệ thống hóa đầy đủ cơ sở toán học, công thức tính toán độ đo tương tự, phân loại các mô hình lọc truyền thống và hiện đại, cùng danh mục các phần mềm chuyên dụng hỗ trợ nghiên cứu hệ tư vấn (LibRec, LensKit, MyMediaLite...).
  • Chương 2 và Chương 3 cung cấp quy trình chi tiết về cách chuyển đổi bài toán thực tế (xử lý dữ liệu thưa, tích hợp ngữ cảnh) sang mô hình toán học (đồ thị hai phía, phân lớp bán giám sát).
• Đối với giảng viên giảng dạy các học phần Hệ hỗ trợ ra quyết định, Khai phá dữ liệu và Học máy: Luận án cung cấp các ví dụ ma trận minh họa tường minh từng bước (Bảng 3.1 đến Bảng 3.10) về cách chuyển đổi ma trận đánh giá, xây dựng ma trận hồ sơ và ma trận đánh giá mở rộng.
• Đối với kỹ sư phát triển hệ thống và doanh nghiệp thương mại điện tử, dịch vụ nội dung số: Các thuật toán IS-UserBased-Graph, IS-ItemBased-Graph và CoTraining-HybridFiltering là các giải pháp có thể tham khảo trực tiếp để nâng cấp hệ thống gợi ý sản phẩm hiện có mà không đòi hỏi hạ tầng tính toán quá chuyên biệt.

Câu hỏi thường gặp

1. Luận án giải quyết vấn đề dữ liệu thưa trong hệ tư vấn theo ngữ cảnh bằng cách nào?
Luận án tiếp cận thông qua hai bước kỹ thuật: thứ nhất, sử dụng kỹ thuật phân tách sản phẩm theo ngữ cảnh (Item Splitting) để chuyển đổi ma trận đánh giá đa chiều thành ma trận hai chiều; thứ hai, áp dụng độ đo tương tự dựa trên biểu diễn đồ thị hai phía, tính toán sự tương đồng giữa các đỉnh thông qua cả liên kết trực tiếp và các đường đi bắc cầu gián tiếp, giúp thu được tập láng giềng tin cậy ngay cả khi số lượng đánh giá trực tiếp rất ít.

2. Điểm khác biệt giữa hai góc nhìn (views) trong mô hình đồng huấn luyện cho lọc cộng tác là gì?
Hai góc nhìn đối ngẫu độc lập được xác định từ ma trận đánh giá: góc nhìn theo người dùng xem mỗi sản phẩm là một đối tượng dữ liệu được mô tả bằng véc-tơ thuộc tính gồm các đánh giá của người dùng; ngược lại, góc nhìn theo sản phẩm xem mỗi người dùng là đối tượng dữ liệu được mô tả bằng véc-tơ thuộc tính gồm các đánh giá cho sản phẩm. Hai bộ phân loại được huấn luyện trên hai không gian này và cung cấp nhãn bổ sung cho nhau.

3. Cơ chế hợp nhất đặc trưng nội dung vào ma trận đánh giá trong Chương 3 được thực hiện như thế nào?
Tác giả tính toán ma trận hồ sơ người dùng và ma trận hồ sơ sản phẩm từ các đặc trưng văn bản bằng kỹ thuật TF-IDF. Sau đó, các giá trị này được ghép nối trực tiếp vào các dòng hoặc các cột của ma trận đánh giá gốc $R$, tạo thành ma trận đánh giá mở rộng theo hồ sơ người dùng và ma trận đánh giá mở rộng theo hồ sơ sản phẩm, phục vụ làm đầu vào cho thuật toán đồng huấn luyện.

4. Luận án sử dụng các bộ dữ liệu thực nghiệm cụ thể nào và đo lường bằng các chỉ số gì?
Luận án sử dụng 5 bộ dữ liệu: DepaulMovie, MovieLens 100K, InCarMusic, MovieLens 1M và MovieLens 10M. Các chỉ số đo lường gồm có MAE và RMSE (đo lường sai số dự đoán điểm đánh giá), cùng Precision@10 và MAP@10 (đo lường độ chính xác của danh sách Top-10 sản phẩm khuyến nghị).

5. Luận án đã đề xuất những thuật toán cụ thể nào?
Luận án đề xuất 4 thuật toán chính:

• IS-UserBased-Graph: Thuật toán lọc cộng tác theo người dùng dựa trên mô hình đồ thị cho ngữ cảnh.
• IS-ItemBased-Graph: Thuật toán lọc cộng tác theo sản phẩm dựa trên mô hình đồ thị cho ngữ cảnh.
• CoTraining-UserItem / CoTraining-ItemUser: Các thuật toán lọc cộng tác đồng huấn luyện giữa hai góc nhìn.
• CoTraining-HybridFiltering: Thuật toán lọc kết hợp bằng đồng huấn luyện trên các ma trận đánh giá mở rộng.

Kết luận

Luận án "Phát triển một số phương pháp xây dựng hệ tư vấn" của tác giả Đỗ Thị Liên đã giải quyết bài toán suy giảm hiệu năng do dữ liệu thưa trong hệ tư vấn thông qua hai hướng tiếp cận chính: mô hình đồ thị cho hệ tư vấn theo ngữ cảnh và kỹ thuật đồng huấn luyện cho lọc kết hợp. Các đóng góp của luận án được thể hiện qua các độ đo tương tự mới trên đồ thị hai phía, cơ chế tích hợp ngữ cảnh qua phân tách sản phẩm, và giải pháp hợp nhất đặc trưng nội dung vào quá trình học bán giám sát. Các kết quả thực nghiệm định lượng trên các tập dữ liệu chuẩn DepaulMovie, InCarMusic và MovieLens đã chứng minh tính hiệu quả của các giải thuật đề xuất thông qua việc giảm sai số dự đoán và nâng cao độ chính xác của danh sách khuyến nghị. Công trình là tài liệu học thuật có cấu trúc hoàn chỉnh, cung cấp cơ sở lý thuyết và giải thuật thực nghiệm hữu ích cho lĩnh vực nghiên cứu hệ thống thông tin.

Trích đoạn nội dung tài liệu

MỞ ĐẦU ……………………………………………………………………………1 1. Tính cấp thiết của luận án. Mục tiêu của luận án. Các đóng góp của luận án.

Bố cục của luận án. 4 CHƢƠNG 1: TỔNG QUAN VỀ HỆ TƢ VẤN. Khái niệm hệ tƣ vấn. Các lĩnh vực ứng dụng của hệ tƣ vấn.

Phát biểu bài toán tƣ vấn. Qui trình xây dựng hệ tƣ vấn. Các hƣớng tiếp cận xây dựng hệ tƣ vấn. Hệ tƣ vấn sử dụng lọc cộng tác.

Hệ tƣ vấn sử dụng lọc theo nội dung. Hệ tƣ vấn sử dụng lọc kết hợp. Hệ tƣ vấn mở rộng cách tiếp cận truyền thống. Các phƣơng pháp và độ đo đánh giá hệ tƣ vấn.

Phƣơng pháp đánh giá hệ thống tƣ vấn. Độ đo đánh giá độ chính xác của đánh giá dự đoán. Độ đo đánh giá độ chính xác của danh sách sản phẩm tƣ vấn. Các nguồn tài nguyên hỗ trợ học tập, nghiên cứu hệ tƣ vấn.

Kết luận chƣơng 1. 47 iv CHƢƠNG 2: PHÁT TRIỂN PHƢƠNG PHÁP LỌC CỘNG TÁC DỰA TRÊN MÔ HÌNH ĐỒ THỊ CHO HỆ TƢ VẤN THEO NGỮ CẢNH. Độ đo tƣơng tự cho lọc cộng tác dựa trên mô hình đồ thị. Biểu diễn đồ thị cho lọc cộng tác.

Độ đo tƣơng tự cho lọc cộng tác dựa trên biểu diễn đồ thị. Lọc cộng tác dựa trên mô hình đồ thị cho hệ tƣ vấn theo ngữ cảnh. Bài toán tƣ vấn theo ngữ cảnh. Các hƣớng tiếp cận giải quyết bài toán tƣ vấn theo ngữ cảnh.

Phƣơng pháp đề xuất. Thực nghiệm và kết quả. Dữ liệu thực nghiệm. Cài đặt thực nghiệm.

Kết quả thực nghiệm. Kết luận chƣơng 2. 87 CHƢƠNG 3: PHÁT TRIỂN PHƢƠNG PHÁP LỌC KẾT HỢP BẰNG ĐỒNG HUẤN LUYỆN …………………………………………………………………………. Lọc cộng tác bằng phƣơng pháp đồng huấn luyện.

Phát biểu bài toán lọc cộng tác bằng phân lớp. Phân lớp bằng phƣơng pháp đồng huấn luyện. Mô hình đồng huấn luyện cho lọc cộng tác. Lọc kết hợp bằng phƣơng pháp đồng huấn luyện.

Hợp nhất biểu diễn giá trị các đặc trƣng nội dung vào ma trận đánh giá. Mô hình học kết hợp theo ngƣời dùng. Mô hình học kết hợp theo sản phẩm. Mô hình đồng huấn luyện cho lọc kết hợp.

Thực nghiệm và kết quả. Thực nghiệm và kết quả của phƣơng pháp lọc cộng tác bằng đồng huấn luyện ……………………………………………………………………………125 v 3. Thực nghiệm và kết quả của phƣơng pháp lọc kết hợp bằng đồng huấn luyện ……………………………………………………………………………129 3. Kết luận chƣơng 3.

134 KẾT LUẬN CHUNG. 135 DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ. 138 TÀI LIỆU THAM KHẢO. 139 vi DANH MỤC CÁC CHỮ VIẾT TẮT DIỄN GIẢI KÝ HIỆU TIẾNG ANH TIẾNG VIỆT RS Recommender System / Hệ tƣ vấn Recommendation System CARS Context-Aware Hệ tƣ vấn theo ngữ cảnh Recommender System CF Collaborative Filtering Lọc cộng tác CBF Content-Based Filtering Lọc theo nội dung HF Hybrid Filtering Lọc kết hợp IR Information Retrieval Truy vấn thông tin MAE Mean Absolute Error Trung bình giá trị tuyệt đối lỗi MAP Mean Average Precision Độ chính xác trung bình tuyệt đối AP Average Precision Độ chính xác trung bình RMSE Root Mean Square Error Trung bình lỗi lấy căn KNN K-Nearest Neighbor K láng giềng gần nhất SDP Sparsity Data Problem Vấn đề dữ liệu thƣa User-Based k-NN User-Based k Neareast Phƣơng pháp K láng giềng gần Neighbor nhất dựa vào ngƣời dùng Item-Based k-NN Item-Based k Neareast Phƣơng pháp K láng giềng gần Neighbor nhất dựa vào sản phẩm TF/IDF Term Frequency / Inverse Phép đo tần suất kết hợp với Document Frequency tần suất xuất hiện ngƣợc MD matrix Multi-dimensional matrix Ma trận đánh giá đa chiều vii DANH MỤC HÌNH VẼ Trang Hình 1.

Giao diện hệ tƣ vấn sách của Amazon. Ví dụ ma trận đánh giá tổng quát. Qui trình xây dựng hệ tƣ vấn. Các hƣớng tiếp cận truyền thống và xu hƣớng hiện nay của hệ tƣ vấn.

Tiến trình xử lý của hệ tƣ vấn sử dụng lọc cộng tác [54]. Tiến trình xử lý của hệ tƣ vấn sử dụng lọc theo nội dung [21]. Các phƣơng pháp kết hợp lọc cộng tác (CF) và lọc nội dung (CBF) [21]. Phƣơng pháp phân chia tập dữ liệu phục vụ cho đánh giá hệ thống tƣ vấn.

Đồ thị biểu diễn cho lọc cộng tác. Ma trận trọng số biểu diễn đồ thị hai phía G. Các mô hình kết hợp ngữ cảnh vào hệ tƣ vấn [1]. Bộ khung triển khai phƣơng pháp lọc cộng tác dựa trên mô hình đồ thị cho hệ tƣ vấn theo ngữ cảnh.

Đồ thị biểu diễn cho lọc cộng tác gồm tập ngƣời dùng và tập sản phẩm giả lập 72 Hình 3. Bộ khung triển khai lọc cộng tác bằng phƣơng pháp đồng huấn luyện. 97 viii DANH MỤC CÁC BẢNG Trang Bảng 1. Ma trận nhầm lẫn (Confusion matrix).

Một số phần mềm hỗ trợ nghiên cứu, phát triển hệ tƣ vấn. Ví dụ ma trận đánh giá của lọc cộng tác. Ma trận đánh giá chuyển đổi. Phân loại ngữ cảnh thu thập đƣợc cho hệ tƣ vấn.

Ma trận đánh giá đa chiều của lọc cộng tác theo ngữ cảnh. Ma trận đánh giá hai chiều nhận đƣợc sau phân tách sản phẩm theo ngữ cảnh. Ma trận đánh giá chuyển đổi cho ma trận đánh giá 2 chiều của Bảng 2. Giá trị Precision@10, MAP@10 trên tập DepaulMovie.

Giá trị Precision@10, MAP@10 trên tập MovieLens 100K. Giá trị Precision@10, MAP@10 trên tập InCarMusic. Ma trận đánh giá của lọc cộng tác gồm 5 ngƣời dùng, 7 sản phẩm. Ma trận đánh giá ƣớc lƣợng theo ngƣời dùng.

Ma trận đánh ƣớc lƣợng theo sản phẩm. Ma trận đánh giá R. Ma trận đặc trƣng sản phẩm C. Ma trận đặc trƣng ngƣời dùng T.

Ma trận hồ sơ ngƣời dùng. Ma trận đánh giá mở rộng theo hồ sơ ngƣời dùng. Ma trận hồ sơ sản phẩm. Ma trận đánh giá mở rộng theo hồ sơ sản phẩm.

Giá trị MAE, RMSE trên tập MovieLens-100K. Giá trị MAE, RMSE trên tập MovieLens-1M. Giá trị MAE, RMSE trên tập MovieLens-10M. Giá trị MAE, RMSE của các phƣơng pháp tƣ vấn trên MovieLens-1M.

132 ix DANH MỤC CÁC THUẬT TOÁN Trang Thuật toán 2. Thuật toán IS-UserBased-Graph. Thuật toán IS-ItemBased-Graph. Thuật toán đồng huấn luyện Co-Training.

Thuật toán CoTrainning-UserItem. Thuật toán CoTraining-ItemUser. Thuật toán CoTraining –HybridFiltering. Tính cấp thiết của luận án Với sự gia tăng nhanh chóng của thông tin trên Web thì cần thiết phải có công cụ giúp ngƣời dùng lựa chọn các thông tin trực tuyến phù hợp với mình.

Thông thƣờng khi cần tìm thông tin về một sản phẩm nào đó, giải pháp đƣợc hầu hết ngƣời dùng sử dụng là đƣa câu hỏi vào máy tìm kiếm (Search engine) thay vì tìm đến những trang Web hoặc diễn đàn chuyên ngành. Máy tìm kiếm tiến hành tìm kiếm thông tin dựa trên các từ khóa (Keyword) đƣợc ngƣời dùng gõ vào và trả về một danh mục của các trang Web có chứa từ khóa mà nó tìm đƣợc. Do vậy việc sử dụng máy tìm kiếm sẽ hiệu quả khi ngƣời dùng biết họ thực sự muốn tìm cái gì. Trong trƣờng hợp khi ngƣời dùng không xác định đƣợc chính xác cái mình muốn tìm thì yêu cầu về lọc thông tin một cách có hiệu quả và tin cậy là rất cần thiết.

Để đáp ứng nhu cầu này, các hệ thống tƣ vấn đã ra đời, ví dụ một số hệ tƣ vấn đã đƣợc thƣơng mại hóa và triển khai thành công, tiêu biểu là hệ tƣ vấn của các hãng Amazon, eBay, Netflix, Youtube … Hệ tƣ vấn (Recommender System) đƣợc xem nhƣ một hệ thống lọc tích cực, có chức năng hỗ trợ đƣa ra quyết định, nhằm mục đích cung cấp cho ngƣời sử dụng những gợi ý về thông tin, sản phẩm và dịch vụ phù hợp nhất với yêu cầu và sở thích riêng của từng ngƣời tại từng tình huống (ngữ cảnh). Cụ thể, hệ tƣ vấn cung cấp một giải pháp giảm tải thông tin bằng cách đƣa ra dự đoán đánh giá mức độ thích của ngƣời dùng với sản phẩm mới và cung cấp một danh sách ngắn các sản phẩm (trang web, bản tin, phim, video…) mà nhiều khả năng ngƣời dùng sẽ quan tâm [1]. Trên thực tế, hệ tƣ vấn không chỉ hƣớng đến vấn đề giảm tải thông tin cho mỗi ngƣời dùng mà nó còn là yếu tố quyết định đến thành công của các hệ thống thƣơng mại điện tử [1][2]. Hệ tƣ vấn đang ngày càng trở thành một lĩnh vực nghiên cứu quan trọng từ sau khi xuất hiện bài báo đầu tiên về lọc cộng tác vào giữa những năm 90 [3].

Đã có rất nhiều công việc đƣợc thực hiện cả trong ngành công nghiệp và nghiên cứu hàn lâm 2 để phát triển các hệ tƣ vấn trong hơn thập kỷ qua. Về cơ bản hệ tƣ vấn đƣợc chia thành hai hƣớng tiếp cận chính [4][5] tùy thuộc vào cách khai thác các thông tin đầu vào khác nhau phục vụ cho mục đích tƣ vấn, đó là: 1) Hệ tƣ vấn với cách tiếp cận truyền thống; 2) Hệ tƣ vấn mở rộng cách tiếp cận truyền thống. Trong đó, cách tiếp cận truyền thống sử dụng một trong ba phƣơng pháp lọc tin chính (Lọc cộng tác, lọc theo nội dung và lọc kết hợp) lên ba loại thông tin đầu vào phổ biến (Thông tin ngƣời dùng, thông tin sản phẩm và phản hồi của ngƣời dùng về sản phẩm). Cách tiếp cận mở rộng đề cập ở đây đƣợc biết đến với một số hƣớng nhƣ: Hệ tƣ vấn theo ngữ cảnh (Context-aware Recommender Systems) [6][7], hệ tƣ vấn dựa trên mạng xã hội (Social-based Recommender Systems) [8], hệ tƣ vấn dựa trên mối quan tâm (Attention-based Recommender Systems) [9] hoặc phát triển các phƣơng pháp lọc kết hợp.

Theo đó, bên cạnh các loại thông tin điển hình của hệ tƣ vấn theo cách truyền thống, cách tiếp cận mở rộng này cho phép tích hợp thêm đa dạng các nguồn thông tin đầu vào (Thông tin ngữ cảnh, liên kết từ mạng xã hội, mối quan tâm …) nhằm cải thiện chất lƣợng của hệ tƣ vấn thực tế. Trong quá trình nghiên cứu và ứng dụng, mặc dù đã có nhiều nghiên cứu đề xuất đƣợc đƣa ra để giải quyết bài toán tƣ vấn theo hai hƣớng tiếp cận trên [1][4][5][10], tuy nhiên một số vấn đề mang tính đặc thù đối với thông tin tƣ vấn nhƣ vấn đề dữ liệu thƣa, ngƣời dùng mới, sản phẩm mới, vấn đề sở thích thay đổi theo thời gian, yêu cầu kết hợp các dạng thông tin khác nhau, làm việc với dữ liệu kích thƣớc lớn đƣợc cập nhật thƣờng xuyên… luôn là những vấn đề có tính thời sự và thu hút đƣợc sự quan tâm của cộng đồng trong việc nghiên cứu và triển khai vào thực tế.