Thiết kế Website Thương mại Điện tử Ứng dụng Recommender System - Đồ án Tốt nghiệp

Tìm hiểu cách thiết kế website thương mại điện tử hiệu quả với recommender system. Tối ưu trải nghiệm người dùng, tăng tỷ lệ chuyển đổi và doanh thu bán hàng.

• Tác giả: Trần Hồng Phương
• Người hướng dẫn: ThS. Lê Minh
• Trường học: Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật máy tính
• Đề tài: Thiết kế website thương mại điện tử ứng dụng recommender system
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Thiết kế website thương mại điện tử với recommender system Hướng dẫn chi tiết

Thiết kế website thương mại điện tử là một quá trình phức tạp, đòi hỏi sự kết hợp giữa kỹ thuật và kinh nghiệm. Việc ứng dụng recommender system vào website là một bước tiến quan trọng, giúp nâng cao trải nghiệm người dùng và tăng doanh thu. Trong bài viết này, chúng ta sẽ khám phá cách thức thiết kế website thương mại điện tử với recommender system, từ các bước cơ bản đến các ứng dụng thực tiễn.

1.1. Khái niệm và vai trò của recommender system

Recommender system, hay hệ thống khuyến nghị, là một công cụ mạnh mẽ giúp cá nhân hóa trải nghiệm người dùng trên website. Nó phân tích hành vi và sở thích của người dùng, sau đó đưa ra các khuyến nghị sản phẩm hoặc nội dung phù hợp. Với recommender system, website thương mại điện tử có thể cung cấp trải nghiệm cá nhân hóa, tăng sự tương tác và giữ chân khách hàng.

1.2. Các bước thiết kế website thương mại điện tử

Thiết kế website thương mại điện tử bao gồm nhiều bước, từ nghiên cứu thị trường đến phát triển và triển khai. Đầu tiên, cần xác định đối tượng mục tiêu và nhu cầu của họ. Sau đó, lên kế hoạch thiết kế, bao gồm giao diện người dùng, chức năng và tính năng. Tiếp theo, phát triển website với các công nghệ phù hợp, đảm bảo tính bảo mật và khả năng mở rộng. Cuối cùng, triển khai và tối ưu hóa website, bao gồm thử nghiệm và phân tích dữ liệu.

1.3. Ứng dụng recommender system trong website thương mại điện tử

Khi ứng dụng recommender system vào website thương mại điện tử, chúng ta có thể tận dụng sức mạnh của trí tuệ nhân tạo và học máy. Hệ thống này có thể phân tích dữ liệu người dùng, bao gồm lịch sử mua hàng, hành vi tìm kiếm và tương tác. Dựa trên dữ liệu này, recommender system đưa ra các khuyến nghị sản phẩm, giúp người dùng dễ dàng tìm thấy những sản phẩm phù hợp với sở thích và nhu cầu của họ. Ngoài ra, recommender system còn giúp tăng tương tác và giữ chân khách hàng, cải thiện tỷ lệ chuyển đổi và doanh thu.

II. Cách thức hoạt động của recommender system

Recommender system hoạt động dựa trên các thuật toán học máy và trí tuệ nhân tạo. Nó phân tích dữ liệu người dùng, bao gồm hành vi và sở thích, sau đó sử dụng các thuật toán để đưa ra các khuyến nghị sản phẩm. Có nhiều loại recommender system, bao gồm: dựa trên nội dung, dựa trên cộng đồng và dựa trên hợp tác. Mỗi loại có cách thức hoạt động khác nhau, nhưng đều hướng đến mục tiêu cá nhân hóa trải nghiệm người dùng.

2.1. Recommender system dựa trên nội dung

Recommender system dựa trên nội dung phân tích các thuộc tính và đặc điểm của sản phẩm, sau đó so sánh với sở thích và hành vi người dùng. Nó sử dụng các thuật toán học máy để tìm ra các sản phẩm phù hợp, dựa trên các đặc điểm tương đồng. Ví dụ, nếu người dùng thường mua quần áo thể thao, hệ thống sẽ khuyến nghị các sản phẩm liên quan đến thể thao, như giày chạy bộ hoặc áo thun thể thao.

2.2. Recommender system dựa trên cộng đồng

Recommender system dựa trên cộng đồng tập trung vào hành vi và sở thích của nhóm người dùng. Nó phân tích dữ liệu của nhiều người dùng, sau đó đưa ra các khuyến nghị dựa trên sự tương đồng giữa các nhóm. Ví dụ, nếu một nhóm người dùng thường mua đồ công nghệ, hệ thống sẽ khuyến nghị các sản phẩm công nghệ cho nhóm người dùng khác có sở thích tương tự.

2.3. Recommender system dựa trên hợp tác

Recommender system dựa trên hợp tác kết hợp cả dữ liệu người dùng và dữ liệu sản phẩm. Nó sử dụng các thuật toán học máy để tìm ra các mối quan hệ giữa người dùng và sản phẩm, sau đó đưa ra các khuyến nghị dựa trên sự tương tác này. Hệ thống này có thể học hỏi và thích ứng với hành vi người dùng, giúp cải thiện trải nghiệm và tăng tỷ lệ chuyển đổi.

III. Ứng dụng thực tiễn và kết quả nghiên cứu

Ứng dụng recommender system vào website thương mại điện tử đã mang lại nhiều kết quả tích cực. Các nghiên cứu cho thấy, hệ thống này giúp tăng tương tác người dùng, cải thiện tỷ lệ chuyển đổi và doanh thu. Ngoài ra, recommender system còn giúp giảm tỷ lệ bỏ giỏ hàng và tăng sự hài lòng của khách hàng. Với sự phát triển của công nghệ, recommender system ngày càng trở nên thông minh và chính xác hơn, mang lại trải nghiệm người dùng tốt hơn.

3.1. Tăng tương tác và giữ chân khách hàng

Recommender system giúp tăng tương tác người dùng bằng cách cung cấp các khuyến nghị sản phẩm phù hợp. Khi người dùng nhận được các khuyến nghị cá nhân hóa, họ sẽ cảm thấy được quan tâm và tương tác nhiều hơn với website. Điều này giúp giữ chân khách hàng, tăng tỷ lệ quay lại và cải thiện trải nghiệm người dùng.

3.2. Cải thiện tỷ lệ chuyển đổi và doanh thu

Với các khuyến nghị sản phẩm phù hợp, recommender system giúp tăng tỷ lệ chuyển đổi và doanh thu. Khi người dùng nhận được các gợi ý sản phẩm hấp dẫn, họ sẽ dễ dàng quyết định mua hàng hơn. Điều này mang lại lợi ích cho cả người dùng và chủ website, giúp tăng doanh thu và cải thiện hiệu quả kinh doanh.

3.3. Giảm tỷ lệ bỏ giỏ hàng và tăng sự hài lòng

Recommender system giúp giảm tỷ lệ bỏ giỏ hàng bằng cách cung cấp các khuyến nghị sản phẩm bổ sung. Khi người dùng thêm sản phẩm vào giỏ hàng, hệ thống sẽ gợi ý các sản phẩm liên quan, giúp người dùng dễ dàng hoàn tất đơn hàng. Điều này giúp tăng tỷ lệ hoàn tất mua hàng và cải thiện sự hài lòng của khách hàng.

IV. Kết luận và tương lai của recommender system

Recommender system là một công cụ mạnh mẽ, giúp cải thiện trải nghiệm người dùng và tăng hiệu quả kinh doanh. Với sự phát triển của công nghệ, recommender system ngày càng trở nên tinh vi và chính xác hơn. Trong tương lai, chúng ta có thể kỳ vọng thấy các ứng dụng recommender system thông minh hơn, với khả năng cá nhân hóa cao và học hỏi từ hành vi người dùng. Việc ứng dụng recommender system vào website thương mại điện tử là một bước tiến quan trọng, giúp nâng cao trải nghiệm người dùng và mang lại lợi ích cho cả người dùng và chủ website.

4.1. Cải thiện trải nghiệm người dùng

Recommender system giúp cá nhân hóa trải nghiệm người dùng, cung cấp các khuyến nghị sản phẩm phù hợp với sở thích và nhu cầu của họ. Điều này giúp người dùng dễ dàng tìm thấy những sản phẩm mong muốn, cải thiện sự hài lòng và tăng tương tác với website.

4.2. Tăng hiệu quả kinh doanh

Với recommender system, website thương mại điện tử có thể tăng tỷ lệ chuyển đổi và doanh thu. Hệ thống này giúp chủ website hiểu rõ hơn về hành vi và sở thích của người dùng, từ đó đưa ra các chiến lược kinh doanh hiệu quả hơn. Recommender system là một công cụ quan trọng, giúp tối ưu hóa trải nghiệm người dùng và mang lại lợi ích cho cả người dùng và chủ website.

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIỆU - Chương 2 CƠ SỞ LÝ THUYẾT - Chương 3 PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG WEBSITE - Chương 4 KẾT QUẢ - Chương 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 3 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 Giới thiệu Ngày nay thương mại điện tử (e commerce) đã bùng nổ trong kinh doanh hiện đại. Trong Ecommerce, việc mua, bán, trao đổi hàng hóa, dịch vụ và thanh toán thông qua Internet (bằng tiền mặt, tiền điện tử, dữ liệu,.), và đang dần thay đổi hoàn toàn tư duy kinh doanh. Với sự thay đổi này, nó đang ngày càng tạo ra sự tăng trưởng kinh tế vượt bậc trên toàn cầu và Việt Nam. Với việc, Internet đã gần như là thiết yếu, nhiều công ty mới với nhiều mô hình kinh doanh trực tuyến được ra đời, việc ứng dụng các kỹ thuật máy học hay học sâu cũng đang góp phần thúc đẩy lãnh vực này ngày một lớn mạnh.2 Giới thiệu Framework Django Django là thư viện lập trình website viết bằng Python nhằm cung cấp các tính năng phát triển nhanh, an toàn, dễ bảo trì.

Django giải quyết các rắc rối của quá trình phát triển web, giúp người dùng dễ dàng xây dựng ứng dụng mà không cần phải xây dựng mọi thứ từ đầu. Nó là nguồn mở, một cộng đồng lớn và tích cực, tài liệu tuyệt vời và nhiều tùy chọn hỗ trợ miễn phí và trả phí. Dự án Django vốn được nhen nhóm khoảng từ năm 2003. Sau khi thiết kế một số website, nhóm phát triển django sử dụng, tích hợp nhiều mẫu mã thiết kế phổ biến và phát triển thành dự án django mà ta hay dùng ngày nay vào tháng 7 năm 2005.1 Giới thiệu Việc ứng dụng recommender system vào ecommerce đang ngày càng quan trọng trong thế giới kỹ thuật số hiện nay.

Có thể nói, việc tận dụng được 4 recommender system hay hệ thống gợi ý sản phẩm một cách tối ưu nhất không những giúp ta đạt được nhiều mục đích trong việc kinh doanh ( buôn bán sản phẩm dễ dàng hơn, quảng bá sản phẩm một cách tối đa, tiết kiệm chi phí quảng cáo,.), mà còn giúp cuộc sống của người dùng hằng ngày dễ dàng hơn( dễ dàng chọn lựa sản phẩm cần thiết hơn, nhiều sự lựa chọn tạo ra sự tối ưu cho giá thành phải bỏ ra cho các sản phẩm, tiết kiệm thời gian, công sức, chi phí,. Qua đó, ta có thể thấy rõ, tầm quan trọng mà công nghệ hay thứ hệ thống gợi ý hay recommender system này mang lại. Việc tận dụng nó và kết hợp với các ý tưởng kinh doanh nhất là trong các website thương mại điện tử đã và đang và sẽ luôn là những sự lựa chọn hoàn hảo cho quá trình khởi nghiệp hay kinh doanh sản phẩm. Về vấn đề học thuật, một recommender system hay hệ thống gợi ý sẽ có 3 kiểu hệ thống, trong đó có 2 loại hệ thống thường xuyên được sử dụng, đó là: Collaborative filtering Recommenders: là một hệ thống gợi ý dựa vào khả năng tập hợp của một nhóm kiến thức, trải nghiẹm của người dùng đưa ra khuyến nghị.

Nó được thành lập trên quan điểm rằng trí tuệ tập thể của một cộng đồng về người dùng mạnh hơn bất kỳ cá nhân nào. Các trí tuệ tập thể của một cộng đồng có thể được khai thác để đưa ra khuyến nghị tốt hơn bất kỳ cá nhân nào. Hệ thống dựa trên trí tuệ kết hợp của cộng đồng để tạo ra các đề xuất. Hệ thống có thể khai thác sự đóng góp khi nó biết rằng những người khác cũng đóng góp.

Content-based Recommenders: là một hệ thống được sử dụng để đề xuất sản phẩm cho khách hàng theo sự giống nhau của mặt hàng. Nó thường được sử dụng trong các hệ thống gợi ý để tìm các mặt hàng tương tự với những mặt hàng mà người dùng đã bày tỏ quan tâm. Nội dung được sử dụng để xác định sự giống nhau của các mục có thể là bất cứ thứ gì từ văn bản đến hình ảnh đến xếp hạng của sản phẩm. Mục tiêu của người dùng với hệ thống dựa trên các đề xuất sàng lọc nội dung cho sản phẩm ương tự như những gì các sản phẩm đã thể hiện quan tâm đến.

Hybrid Recommenders: Là phương pháp được kết hợp giữa hai hệ thống Collaborative filtering Recommenders và Content-based Recommenders. Rất 5 nhiều công ty lớn, nhất là các công ty về thương mại điện tử đã và đang sử dụng hệ thống gợi ý kết hợp loại này cho phép dễ dàng tìm kiếm đối tượng, phát triển sản phẩm, phát triển hướng kinh doanh, quảng bá sản phẩm một cách tối ưu hơn.2 Image Similarity Image similarity là một kỹ thuật trong phân nhóm nghiên cứu Vision Computer, kỹ thuật này tuy phát triển chưa lâu nhưng đã được ứng dụng mạnh mẽ vào Ecommerce trong những năm gần đây, nhất là các công ty lớn. Ý tưởng về một hệ thống sử dụng Image Similarity được xây dựng dựa trên kỹ thuật Image Embedding. Hầu hết các thuật toán học máy dùng để phân loại, hồi quy hoặc phân cụm không thể hoạt động trực tiếp trên hình ảnh.

Để thực hiện phân tích, chúng ta cần chuyển đổi chúng thành những vectơ có thành phần là số gọi là embedding (hay vecto nhúng). Image Embedding là một biểu diễn véc-tơ của một hình ảnh trong đó các hình ảnh có động cơ tương tự có cấu hình véc-tơ tương tự. Nói tổng quan, Embedding (hay nhúng ) là một không gian có số chiều tương đối nhỏ (low-dimensional) mà ta có thể dịch các vectơ có số chiều lớn (high- dimensional) vào đó. Tính năng embedding hay nhúng giúp máy học dễ dàng đưa vào đầu vào có số chiều lớn tập dữ liệu nhiều, phức tạp hơn.

Chính vì sự thuận tiện đó, việc sử dụng kỹ thuật Image Embedding để phát triển mô hình Image similarity tương đối khả quan. Việc sử dụng kỹ thuật này gồm có hai bước chính, đó là Trích xuất các đặc trưng của ảnh thành các vector đặc trừng và tính toán khoảng cách giữa các vector sao cho các vector này gần nhau nhất để tạo thành những cụm. Trích xuất đặc trưng của ảnh thành Vector Giả sử như có một bức ảnh RBG, với kích thước là 1080p, vầy tức là chúng ta cần lưu trữ 1920 x 1080 x 3 = 6. Các pixel này là biểu diễn trực quan của thông tin như con người, đồ vật, v.

Vì nếu ta cố gắng xây dựng một hệ thống đề xuất hình ảnh bằng việc sử dụng ~6 triệu pixel để xác định điểm tương đồng sẽ cực kỳ tốn kém về mặt tính toán, hay lãng phí thời gian. Thay vì sử dụng pixel hình ảnh, chúng ta có thể sử dụng Image Embedding mà em đã đề 6 cập ở trên. Image embedding hay nhúng hình ảnh có thể được coi là biểu diễn vector của một hình ảnh. Nó có thể nắm bắt các tính năng đặc trưng của hình ảnh và thông tin thông qua một vector.

Và với ý tưởng như vậy, các model, nhất là các model Convolution neural network có thể đáp ứng rất tốt về khoản trích xuất các đặc trừng hình ảnh. Ở đây, nhóm xin được sử một pre-trained model đã được xây dựng từ lâu là model mạng Convolution neural network ResNet50 Giới thiệu tổng quan về mạng ResNet50: ResNet là viết tắt của Residual Network. Đây là mạng neural network lần đầu tiên được giới thiệu trong một bài nghiên cứu của Kaiming He, Xiangyu Zhang, Shaoqing Ren và Jian Sun vào năm 2015. ResNet-50 có kiến trúc dựa trên mô hình Convolution neural network truyền thống, nhưng có một điểm khác biệt quan trọng.

ResNet là sử dụng một nối tắt đồng nhất để thực hiện xuyên qua một hay nhiều lớp bằng phép cộng. Một khối như vậy được gọi là một residual block như trong hình sau: Hình 2.1 Mô hình ResNet [4] Nhìn chung có thể thấy, với một số lượng lớn các lớp Neural lại với nhau, model ResNet50 vẫn có thể đạt được độ chính xác khá cao theo nhiều nghiên cứu. Ngoài ra, để thuận tiện hơn trong việc sử dụng, nhóm đã sử dụng tập trọng số do ImageNet, là tập trọng số của một tập dữ liệu số lượng rất lớn về thể loại, nội dung hay nghiên cứu về lý thuyết Vision computer và deep learning. Việc sử 7 dụng tập trọng số của một tổ chức lớn với quy mô dữ liệu lên tới hàng nghàn như vậy vừa cho phép đảm bảo được độ chính xác cao và sự thuận tiện cho việc sử dụng.

Tuy nhiên, thay vì sử dụng lớp cuối cùng, nhóm sẽ sử dụng lớp kế cuối thứ 2 của kiến trúc Resnet50. Nó chứa một vectơ có kích thước 2048, là một đại diện của hình ảnh. Đây sẽ là Image embedding cần tìm của model của chúng ta, nó chứa tập hơn toàn bộ các vector đặc trưng của tập dữ liệu của chúng ta. Vì vậy, thay vì sử dụng pixel, giờ đây chúng ta có thể sử dụng image embedding hay nhúng hình ảnh để thể hiện các tính năng của hình ảnh.

Phân cụm các Vector gần nhau nhất Ý tưởng phân cụm vector dựa vào việc tính khoảng cách của một vector này so với một vector khác. Để tính được điều ấy ta sẽ sử dụng công thức: Hình 2.2 Công thức tính góc của hai vector Công thức này sẽ tính toán cho ta được khoảng cách giữa 2 vector. Nếu Cosine = 0 tức là góc giữa 2 vector không phải bằng 0 hay 2 vector không thực sự nằm gần nhau. Ngược lại, nếu cosine của 2 vector này bằng 1 tức là góc giữa 2 vector này sẽ bằng 0.

Hay 2 vector này trùng nhau. Theo ý tưởng như vậy, ta sẽ tìm khoảng cách giữa 2 vector sao cho chúng gần nhau nhất hay cosine của chúng sẽ gần bằng 1. Dựa trên ý tưởng như thế, nhóm sẽ sử dụng thuật toán Nearest Neighbor, một thuật toán lâu đời để tính toán khoảng cách giữa các vector đã được tính toán ở phần trích xuất đặc trừng của ảnh và xuất ra được ảnh có vector đặc trưng gần với ảnh cần sử dụng nhất. Tổng quan về Nearest Neighbor: Nearest neighbor là một thuật toán của nhánh supervised-learning, thuật toán này tương đối dễ dùng và dễ triển khai, độ tính toán tương đối ít phức tạp.

Giống như đã giới thiệu ở phần trên, thuật toán là một loại thuật toán học có giám sát được sử dụng cho cả hồi quy và phân loại. 8 Nearest Neighbor cố gắng dự đoán lớp chính xác cho dữ liệu thử nghiệm bằng cách tính toán khoảng cách giữa dữ liệu thử nghiệm và tất cả các điểm huấn luyện. Sau đó chọn K số điểm gần nhất với dữ liệu thử nghiệm. Thuật toán Nearest Neighbor tính toán xác suất của dữ liệu thử nghiệm thuộc các lớp của dữ liệu huấn luyện 'K' và lớp có xác suất cao nhất sẽ được chọn.

Trong trường hợp hồi quy, giá trị là giá trị trung bình của các điểm đào tạo 'K' đã chọn.