Bối cảnh và vấn đề nghiên cứu

Sự phát triển của thương mại điện tử (E-Commerce) và Internet đã làm thay đổi phương thức trao đổi, mua bán hàng hóa, mở ra nhiều cơ hội kinh doanh trực tuyến cho các doanh nghiệp. Trong môi trường này, các đơn vị bán hàng trực tuyến có thể trưng bày số lượng hàng hóa không giới hạn. Tuy nhiên, việc có quá nhiều sản phẩm trên một giao diện website lại dẫn đến hiện tượng quá tải thông tin, gây khó khăn cho người tiêu dùng trong việc tìm kiếm và lựa chọn sản phẩm phù hợp với nhu cầu. Trong bán hàng truyền thống, nhân viên bán hàng đóng vai trò tư vấn trực tiếp; trong khi đó, ở môi trường kỹ thuật số, việc xây dựng một "người trợ giúp" tự động là yêu cầu cấp thiết nhằm hỗ trợ khách hàng ra quyết định mua sắm nhanh chóng, từ đó nâng cao hiệu suất kinh doanh.

Đề tài "Ứng dụng AI để xây dựng Website Thương mại điện tử" được thực hiện bởi sinh viên Nguyễn Võ Hoàng Long, dưới sự hướng dẫn của TS. Nguyễn Năng Hùng Vân tại Khoa Công nghệ Thông tin – Trường Đại học Kiến Trúc Đà Nẵng (năm 2022). Nghiên cứu tập trung giải quyết bài toán tư vấn tự động thông qua việc xây dựng một hệ thống gợi ý (Recommender System - RS) tích hợp trực tiếp vào website thương mại điện tử.

Mục tiêu nghiên cứu của đề tài được tác giả xác định cụ thể như sau:

  1. Hỗ trợ người dùng tìm kiếm thông tin sản phẩm và đặt hàng một cách nhanh chóng.
  2. Giúp quản trị viên quản lý chặt chẽ các thông tin về sản phẩm và khách hàng.
  3. Nghiên cứu các lý thuyết và phương pháp kỹ thuật xây dựng hệ thống gợi ý; từ đó áp dụng vào website để hỗ trợ đề xuất các sản phẩm phù hợp.
  4. Áp dụng các công nghệ mới nhằm nâng cao hiệu quả hoạt động của website bán hàng trực tuyến (giao diện thân thiện, cải thiện trải nghiệm, tích hợp phương thức thanh toán và các công cụ quản lý).

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các phương pháp lọc thông tin trong hệ thống gợi ý, trọng tâm là phương pháp lọc cộng tác (Collaborative Filtering) và giải thuật lọc cộng tác dựa trên sản phẩm (Item-based Collaborative Filtering); các dòng sản phẩm điện – điện tử bao gồm Laptop, Tablet (máy tính bảng) và Điện thoại.
  • Phạm vi nghiên cứu: Ứng dụng hệ thống gợi ý cho nhóm hàng laptop, tablet, điện thoại trên nền tảng website; nghiên cứu và triển khai trên nền tảng công nghệ Frontend (ReactJS), Backend (NodeJS) và hệ quản trị cơ sở dữ liệu quan hệ MySQL.

Cơ sở lý thuyết và phương pháp

Về mặt lý thuyết, tác giả tổng hợp các định nghĩa nền tảng về thương mại điện tử từ các tổ chức quốc tế:

  • Tổ chức Thương mại Thế giới (WTO): Thương mại điện tử bao gồm việc sản xuất, quảng cáo, bán hàng và phân phối sản phẩm được mua bán và thanh toán qua mạng Internet, được giao nhận hữu hình hoặc số hóa.
  • Ủy ban Thương mại điện tử thuộc APEC: Thương mại điện tử liên quan đến các giao dịch trao đổi hàng hóa và dịch vụ giữa các cá nhân/nhóm mang tính điện tử trên nền tảng Internet qua email, EDI, Extranet.
  • Ủy ban Châu Âu (EC): Thương mại điện tử là sự mua bán, trao đổi hàng hóa hay dịch vụ giữa doanh nghiệp, gia đình, cá nhân thông qua các giao dịch điện tử.

Về hệ thống gợi ý (Recommender System - RS), đây là dạng hệ thống hỗ trợ ra quyết định mang tính cá nhân hóa dựa trên việc phân tích sở thích của người dùng (user) đối với các sản phẩm (item). Tác giả phân loại ba phương pháp lọc thông tin chính:

  1. Lọc dựa trên nội dung (Content-based filtering): Đưa ra khuyến nghị dựa trên các thuộc tính mô tả của sản phẩm tương tự như những sản phẩm người dùng đã chọn trong quá khứ.
  2. Lọc cộng tác (Collaborative filtering): Khuyến nghị dựa trên sự tương đồng về sở thích giữa các người dùng hoặc sự tương đồng giữa các sản phẩm được đánh giá bởi tập người dùng chung; chia làm hai nhánh kỹ thuật là Memory-based (dựa trên bộ nhớ) và Model-based (dựa trên mô hình).
  3. Lọc kết hợp (Hybrid filtering): Kết hợp giữa lọc cộng tác và lọc dựa trên nội dung nhằm khắc phục nhược điểm dữ liệu thưa; bao gồm 7 kỹ thuật lai: Có trọng số (Weighted), Chuyển đổi (Switching), Hỗn hợp (Mixed), Kết hợp tính năng (Feature Combination), Tính năng tăng cường (Feature Augmentation), Cascade, và Cấp độ meta (Meta-level).

Ngoài ra, văn bản cũng dẫn chứng các kỹ thuật hiện đại như thừa số hóa ma trận (Matrix Factorization), mạng nơ-ron nhân tạo và học sâu (Deep Learning) đang được các nền tảng lớn áp dụng.

Phương pháp nghiên cứu thực tế bao gồm:

  • Phương pháp lý thuyết: Nghiên cứu tài liệu chuyên khảo về các giải thuật lọc thông tin, phương pháp phân tích điều tra số liệu thu thập từ các hệ thống liên quan.
  • Phương pháp thực nghiệm: Xây dựng ma trận đánh giá người dùng - sản phẩm ($m$ người dùng $\times$ $n$ sản phẩm) với thang điểm đánh giá $r \in [0, 5]$ ($r = 0$ khi chưa có đánh giá); áp dụng các công thức toán học để tính độ tương tự giữa hai sản phẩm $i$ và $j$:
    • Độ tương tự dựa trên khoảng cách Euclidean điều chỉnh: $\text{Sim}(i, j)$.
    • Độ tương quan Pearson giữa hai người dùng $U_i$ và $U_j$: đo lường độ lệch đánh giá của các sản phẩm thuộc tập đánh giá chung so với điểm đánh giá trung bình.

Dữ liệu tham khảo thứ cấp được trích dẫn gồm số liệu từ McKinsey (35% doanh thu của Amazon đến từ các tương tác qua hệ thống gợi ý) và Netflix (75% thời lượng xem phim được thực hiện nhờ các khuyến nghị cá nhân hóa).

Thiết kế và triển khai

Hệ thống được thiết kế theo kiến trúc ứng dụng web hướng dịch vụ kết hợp mô hình MVC (Model - View - Controller), phân tách rõ ràng giữa tầng hiển thị và tầng xử lý nghiệp vụ.

Kiến trúc công nghệ (Tech Stack)

  • Frontend: Xây dựng trên nền tảng ReactJS (thư viện JavaScript ra đời năm 2013 bởi Facebook). Tận dụng cú pháp mở rộng JSX và cơ chế Virtual DOM (DOM ảo) để tối ưu hóa hiệu năng render dữ liệu cục bộ dưới Client mà không cần tải lại toàn bộ trang web. Sử dụng Redux làm lớp quản lý trạng thái tập trung (state management store), loại bỏ việc truyền props qua nhiều tầng component.
  • Backend: Xây dựng trên môi trường thực thi NodeJS (phát triển ban đầu năm 2009 bởi Ryan Dahl), sử dụng cơ chế xử lý bất đồng bộ non-blocking I/O. Kết hợp với framework Express để định tuyến (router), xây dựng các API endpoint và tích hợp các middleware: body-parser (xử lý dữ liệu JSON, text và URL-encoding) và multer (xử lý dữ liệu đa phần multipart/form-data).
  • Cơ sở dữ liệu: Hệ quản trị cơ sở dữ liệu quan hệ MySQL để lưu trữ thông tin nghiệp vụ và dữ liệu ma trận phục vụ Recommender System.
  • Tích hợp thanh toán: Tích hợp cổng thanh toán trực tuyến Stripe để xác thực giao dịch thẻ của khách hàng.

Thiết kế cơ sở dữ liệu cho hệ thống gợi ý

Cơ sở dữ liệu được tổ chức thành các bảng thực thể chính như sau:

Tên bảng Các trường dữ liệu (Cột) Kiểu dữ liệu Diễn giải chức năng
Customers idCustomer
name
avatar
phone
password
role		 int
varchar
varchar
varchar
varchar
int		 Lưu thông tin định danh, hình ảnh, liên lạc, mật khẩu và cấp độ phân quyền người dùng
Evalues idCustomer
idProduct
title
content
stars		 int
int
varchar
varchar
varchar		 Lưu trữ phản hồi, tiêu đề, nội dung đánh giá và số sao xếp hạng của khách hàng cho sản phẩm
Products idProduct
idCategory
idBrand
name
price
discount
inventory
desciption		 int
int
varchar
varchar
int
int
int
varchar		 Quản lý mã, danh mục, thương hiệu, tên, giá bán, phần trăm giảm giá, số lượng tồn kho và mô tả sản phẩm
Specifications idSpecification
idProduct
label
value		 int
int
varchar
varchar		 Lưu trữ thông số kỹ thuật chi tiết theo từng cặp nhãn và giá trị của sản phẩm
Brands idBrand
idCategory
name		 int
int
varchar		 Quản lý danh sách thương hiệu theo danh mục sản phẩm
ImagesProduct idProduct
name
url		 int
varchar
varchar		 Lưu trữ danh sách hình ảnh và đường dẫn URL hình ảnh của sản phẩm

Quy trình nghiệp vụ và Use-Case

Hệ thống phân định hai nhóm tác nhân chính:

  • Người dùng (User): Thực hiện đăng ký, đăng nhập; xem danh sách và chi tiết sản phẩm; xem thông tin cá nhân; xem lịch sử đặt hàng; gửi phản hồi và chấm điểm sao cho sản phẩm; thanh toán qua cổng Stripe; nhận danh sách sản phẩm gợi ý tương tự và sản phẩm có đánh giá cao.
  • Quản trị viên (Admin): Quản lý danh mục sản phẩm, quản lý danh sách sản phẩm (thêm/sửa/xóa), quản lý danh sách khách hàng và quản lý danh sách đơn hàng qua trang điều khiển (Dashboard).

Biểu đồ trình tự thể hiện luồng hoạt động: Khi người dùng xem một sản phẩm, hệ thống truy vấn CSDL và đồng thời kích hoạt thuật toán gợi ý dựa trên thông số kỹ thuật (Content-based) hoặc thuật toán lọc cộng tác (nếu sản phẩm có đánh giá) để trả về danh sách các sản phẩm liên quan. Đối với chức năng đánh giá, hệ thống kiểm tra phiên đăng nhập; nếu hợp lệ sẽ hiển thị popup cho phép chọn số sao và nhập nội dung, sau đó cập nhật dữ liệu vào bảng Evalues.

Nội dung chính theo từng chương

Chương 1. Cơ sở lý thuyết

Chương này tổng quan về thương mại điện tử và các định nghĩa từ WTO, APEC, EC. Tác giả đi sâu vào khái niệm hệ thống gợi ý (RS), cơ chế vận hành chủ động dự đoán nhu cầu thay vì phụ thuộc vào từ khóa tìm kiếm. Phân tích chi tiết ba phương pháp lọc thông tin:

  • Lọc dựa trên nội dung: Ưu điểm là cá nhân hóa theo từng người dùng độc lập, không phụ thuộc vào cộng đồng; nhược điểm là không gợi ý được sản phẩm mới ngoài lịch sử xem và dễ sai lệch nếu dữ liệu mô tả sai.
  • Lọc cộng tác: Ưu điểm là không cần hiểu sâu đặc trưng nội dung, có thể gợi ý sản phẩm mới dựa trên hành vi của người dùng tương tự; nhược điểm là gặp vấn đề Cold Start (người dùng mới, sản phẩm mới), dữ liệu thưa (data sparsity), và giảm độ chính xác khi sở thích thay đổi.
  • Lọc kết hợp: Trình bày 7 kỹ thuật lai nhằm tối ưu hóa chất lượng dự đoán.

Chương 1 cũng phân tích các ứng dụng thực tế (Amazon, Netflix, LastFM, YouTube) và trình bày tổng quan các công nghệ được lựa chọn: ReactJS, JSX, Virtual DOM, Redux, NodeJS, Express, CSDL MySQL và mô hình kiến trúc MVC.

Chương 2. Phương pháp đề xuất lọc cộng tác trong thương mại điện tử

Chương này tập trung chi tiết vào phương pháp lọc cộng tác (CF), so sánh giữa hai hướng tiếp cận: Lọc cộng tác dựa trên người dùng (User-user CF) và Lọc cộng tác dựa trên sản phẩm (Item-item CF). Tác giả chỉ ra rằng Item-item CF hoạt động hiệu quả hơn trong môi trường bán lẻ trực tuyến.

Tác giả mô hình hóa bài toán với tập $m$ người dùng $U = {u_1, u_2, \dots, u_m}$ và $n$ sản phẩm $I = {i_1, i_2, \dots, i_n}$. Xây dựng bảng ma trận đánh giá mẫu minh họa gồm 9 người dùng và 9 sản phẩm với mức đánh giá từ 1 đến 5 sao:

User \ Item $i_1$ $i_2$ $i_3$ $i_4$ $i_5$ $i_6$ $i_7$ $i_8$ $i_9$
$u_1$ 1 2 1 5 0 0 0 0 0
$u_2$ 2 1 3 0 0 1 0 0 0
$u_3$ 3 1 3 0 0 5 4 0 4
$u_4$ 5 2 2 4 5 1 2 1 2
$u_5$ 2 0 1 0 4 2 3 2 0
$u_6$ 5 0 5 5 3 1 0 0 0
$u_7$ 1 3 0 1 2 4 2 5 0
$u_8$ 1 2 0 2 1 2 5 3 2
$u_9$ 0 1 2 1 0 0 0 2 4

Quy trình 4 bước xử lý của thuật toán:

  1. Tiền xử lý dữ liệu: Lọc bỏ người dùng đánh giá quá ít sản phẩm hoặc sản phẩm nhận quá ít đánh giá.
  2. Xây dựng ma trận đánh giá: Biểu diễn ma trận User - Item.
  3. Tính độ tương tự giữa 2 sản phẩm: Áp dụng công thức khoảng cách Euclidean điều chỉnh để đo lường độ tương quan giữa hai vector đánh giá.
  4. Dự đoán và đưa ra gợi ý: Kết hợp các đánh giá của người dùng hiện thời với tập sản phẩm lân cận để đưa ra danh sách sản phẩm khuyến nghị.

Chương 3. Phân tích và thiết kế hệ thống

Chương này đặc tả bài toán xây dựng website kinh doanh các thiết bị laptop, tablet, điện thoại. Tác giả phân rã các yêu cầu chức năng thành 8 chức năng người dùng và 4 chức năng quản trị. Chi tiết hóa các use case qua bảng mô tả và biểu đồ use case:

  • Use case Xem sản phẩm: Hiển thị chi tiết tên, thuộc tính, giá, giảm giá, thông số kỹ thuật.
  • Use case Đánh giá sản phẩm: Nhập nội dung và xếp hạng số sao sau khi đăng nhập.
  • Use case Thanh toán: Nhập địa chỉ, thông tin giao hàng và thanh toán qua cổng Stripe.
  • Use case Đưa ra danh sách gợi ý: Hệ thống Recommender System tự động truy vấn và đề xuất sản phẩm tương tự.

Chương cũng xây dựng 8 biểu đồ trình tự (Sequence Diagrams) mô tả tương tác chi tiết giữa Actor, Giao diện Client, Backend Controller và Cơ sở dữ liệu cho các tác vụ đăng nhập, đăng ký, xem sản phẩm, xem trang cá nhân, xem lịch sử đơn hàng, phản hồi đánh giá, thanh toán và hiển thị danh sách gợi ý.

Chương 4. Xây dựng chức năng đề xuất sản phẩm

Chương này trình bày việc cài đặt thực tế hệ thống gợi ý trên website. Cấu trúc CSDL được cụ thể hóa bằng 6 bảng quan hệ (Customers, Evalues, Products, Specifications, Brands, ImagesProduct).

Về giải thuật xử lý:

  • Thuật toán đánh giá sản phẩm: Kiểm tra tính hợp lệ của người dùng đăng nhập, lưu trữ đánh giá và tính toán độ tương quan Pearson giữa các người dùng dựa trên tập sản phẩm cùng đánh giá ($S_{xy}$) và điểm trung bình $\bar{r}_{u}$.
  • Thuật toán gợi ý sản phẩm tương tự: Kết hợp giải thuật Content-based so sánh các cặp thuộc tính trong bảng Specifications và giải thuật lọc cộng tác để xuất danh sách sản phẩm tương đồng ra giao diện.

Chương cũng trình bày hệ thống giao diện thực tế của ứng dụng gồm: Trang chủ, Danh sách sản phẩm, Chi tiết sản phẩm kèm khối gợi ý, Giỏ hàng, Trang thanh toán, Đăng ký/Đăng nhập, Thông tin cá nhân; cùng các giao diện Quản trị viên (Dashboard, Quản lý danh mục, Quản lý sản phẩm, Quản lý đơn hàng, Quản lý khách hàng).

Kết quả và đóng góp

Kết quả chính

  • Xây dựng hoàn chỉnh một website thương mại điện tử chuyên kinh doanh các mặt hàng thiết bị công nghệ (Laptop, Tablet, Điện thoại) với đầy đủ quy trình bán hàng trực tuyến.
  • Hiện thực hóa thành công mô hình cơ sở dữ liệu quan hệ gồm 6 bảng phục vụ đồng thời cho việc vận hành website thương mại điện tử và lưu trữ ma trận dữ liệu phục vụ Recommender System.
  • Cài đặt và tích hợp thử nghiệm hai thuật toán gợi ý: thuật toán lọc cộng tác (sử dụng độ đo khoảng cách Euclidean điều chỉnh và hệ số tương quan Pearson) và thuật toán lọc theo nội dung (dựa trên thông số kỹ thuật sản phẩm).
  • Hoàn thiện các phân hệ giao diện người dùng và hệ thống quản trị nội dung/đơn hàng/khách hàng, tích hợp thành công cổng thanh toán trực tuyến Stripe.

Giải pháp và đề xuất của tác giả

  • Đề xuất bước tiền xử lý tối ưu hóa dữ liệu đầu vào bằng cách loại bỏ các tài khoản người dùng hoặc sản phẩm có quá ít lượt đánh giá nhằm giảm tải tính toán trên ma trận thưa.
  • Ứng dụng cấu trúc phân tách Frontend (ReactJS/Redux) và Backend (NodeJS/Express) theo mô hình MVC để tăng tốc độ phản hồi giao diện và dễ dàng mở rộng các module thuật toán độc lập.

Đóng góp tự nêu

  • Hệ thống hóa các kiến thức lý thuyết về các phương pháp lọc tin trong hệ thống gợi ý (Content-based, Collaborative, Hybrid).
  • Cung cấp mô hình cài đặt thực nghiệm cụ thể về việc tích hợp thuật toán lọc cộng tác dựa trên sản phẩm vào website thương mại điện tử thực tế.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Hệ thống lọc cộng tác phụ thuộc chặt chẽ vào lịch sử đánh giá; do đó không thể đưa ra gợi ý chính xác đối với người dùng mới hoặc các sản phẩm mới đưa lên hệ thống chưa có lượt tương tác (vấn đề Cold Start).
  • Khi danh mục sản phẩm mở rộng nhưng số lượng khách hàng tham gia đánh giá còn ít, ma trận dữ liệu bị thưa, làm giảm hiệu quả gợi ý.
  • Độ chính xác của thuật toán bị suy giảm khi sở thích của người dùng thay đổi theo thời gian.
  • Về mặt kỹ thuật, hệ quản trị cơ sở dữ liệu MySQL có thể gặp hạn chế về hiệu năng truy xuất khi dung lượng bản ghi đánh giá tăng trưởng lớn; cần áp dụng thêm các giải pháp phân tải hoặc bộ nhớ đệm (cache).
  • Đồ án còn một số hạn chế về mặt thời gian và phạm vi triển khai thực tế như tác giả đã tự nhận định trong phần mở đầu.

Hướng nghiên cứu tiếp

  • Nghiên cứu và triển khai các phương pháp lọc kết hợp (Hybrid Filtering) để khắc phục nhược điểm dữ liệu thưa và cải thiện khả năng xử lý cho người dùng/sản phẩm mới.
  • Ứng dụng các mô hình học sâu (Deep Learning), mạng nơ-ron nhiều lớp và kỹ thuật phân rã ma trận để học các biểu diễn phân tán của người dùng và sản phẩm trong không gian vector nhiều chiều.
  • Tối ưu hóa kiến trúc cơ sở dữ liệu và triển khai các giải pháp chia tải server hoặc lưu bộ nhớ đệm để nâng cao tốc độ truy xuất khi dữ liệu phình to.

Giá trị tham khảo

Tài liệu đồ án này có giá trị tham khảo thiết thực cho các nhóm đối tượng:

  • Sinh viên ngành Công nghệ thông tin, Kỹ thuật phần mềm, Hệ thống thông tin: Có thể sử dụng làm tài liệu tham khảo về cấu trúc một đồ án tốt nghiệp ứng dụng; tham khảo cách xây dựng lược đồ cơ sở dữ liệu cho bài toán gợi ý sản phẩm (các bảng Evalues, Specifications).
  • Người phát triển ứng dụng thương mại điện tử: Tham khảo quy trình phân tích thiết kế hệ thống theo use case, biểu đồ tuần tự, và cách kết hợp bộ công nghệ ReactJS – NodeJS – Express – MySQL – Stripe trong việc xây dựng website bán hàng có tích hợp Recommender System.
  • Người nghiên cứu thuật toán hệ thống gợi ý: Tham khảo các bước xử lý ma trận người dùng - sản phẩm, công thức khoảng cách Euclidean điều chỉnh và hệ số tương quan Pearson trong bài toán lọc cộng tác dựa trên sản phẩm.

Câu hỏi thường gặp

1. Đề tài tập trung áp dụng hệ thống gợi ý cho những nhóm sản phẩm cụ thể nào?
Đề tài xác định phạm vi đối tượng sản phẩm bao gồm các thiết bị điện tử: Laptop, Tablet (máy tính bảng) và Điện thoại di động.

2. Những phương pháp lọc thông tin nào trong Recommender System được tác giả tổng hợp trong cơ sở lý thuyết?
Tác giả đã trình bày 3 phương pháp lọc thông tin chính: Phương pháp lọc dựa trên nội dung (Content-based filtering), Phương pháp lọc cộng tác (Collaborative filtering - gồm Memory-based và Model-based), và Phương pháp lọc kết hợp (Hybrid filtering với 7 kỹ thuật lai).

3. Cơ sở dữ liệu của chức năng Recommender System gồm những bảng dữ liệu nào?
CSDL phục vụ cho hệ thống gợi ý và quản lý sản phẩm gồm 6 bảng: Customers (người dùng), Evalues (đánh giá sản phẩm), Products (thông tin sản phẩm), Specifications (thông số kỹ thuật), Brands (thương hiệu), và ImagesProduct (hình ảnh sản phẩm).

4. Đồ án sử dụng các độ đo toán học nào để tính độ tương tự trong thuật toán gợi ý?
Đồ án sử dụng hai công thức toán học chính: Độ tương tự dựa trên khoảng cách Euclidean điều chỉnh ($\text{Sim}(i, j)$) giữa các sản phẩm trên ma trận đánh giá, và Hệ số tương quan Pearson để đo lường mức độ tương quan đánh giá giữa các cặp người dùng hoặc sản phẩm.

5. Cổng thanh toán trực tuyến nào được tích hợp trong đồ án?
Hệ thống tích hợp cổng thanh toán trực tuyến Stripe để kiểm tra thông tin tài khoản và xác thực giao dịch thanh toán đơn hàng của khách hàng.

Kết luận

Đồ án tốt nghiệp "Ứng dụng AI để xây dựng Website Thương mại điện tử" của sinh viên Nguyễn Võ Hoàng Long đã nghiên cứu và triển khai ứng dụng hệ thống gợi ý sản phẩm trên nền tảng web kinh doanh thiết bị công nghệ. Bằng việc kết hợp phương pháp lọc cộng tác dựa trên sản phẩm và lọc theo nội dung thông số kỹ thuật, hệ thống cung cấp khả năng đề xuất sản phẩm cá nhân hóa cho người tiêu dùng. Công trình được hiện thực hóa qua kiến trúc công nghệ ReactJS, NodeJS, Express, MySQL và cổng thanh toán Stripe, hoàn thiện đầy đủ các chức năng nghiệp vụ từ phía khách hàng đến quản trị viên. Đây là tài liệu thực nghiệm hữu ích cho việc nghiên cứu và ứng dụng các kỹ thuật Recommender System vào các hệ thống thương mại điện tử thực tế.