MỞ ĐẦU 1. Tính cấp thiết của đề tài Theo DataReportal — Global Digital Insights tổng số người dùng Internet toàn cầu mới nhất tính đến thang 1 năm 2023 ở mức 5,16 ty (Kemp, 2023). Lượng dit liệu được tạo ra hằng ngày là vô cùng lớn. Việc hàng tý người dùng Internet toàn cầu không thể tiếp cận được với các tiện ích, sản phâm.
là điều có thê xảy ra. Khi lượng thông tin có sẵn ngày càng tăng, nhu cầu về các công cụ giúp người dùng lọc và tìm kiếm thông tin phù hợp cũng trở nên cấp thiết hơn. Hệ thống đề xuất đóng vai trò quan trọng trong việc giải quyết vấn đề về quá tải thông tin bằng cách phân tích hành vi và sở thích của người dùng đê đưa ra các đê xuât cá nhân hóa. Hệ thống đề xuất không phải là một ý tưởng mới nhưng hiệu quả trong việc đưa ra các đề xuất dựa trên hành vi của người dùng, giảm công sức tìm kiếm và quá tải thông tin.
Các hệ thống đề xuất có nguồn gốc từ "Usenet", một hệ thống thảo luận phân tán trên toàn thế giới bắt nguồn từ Đại học Duke vào cuối những năm 1970. Usenet hoạt động ở định dạng máy khách/máy chủ, cho phép đầu vào của người dùng được phân loại thành các "nhóm tin" cụ thể. Trong Usenet, các bài đăng của người ding được phân loại thành các nhóm tin này, sau đó được chia thành các danh mục con nếu cần (Smith, 2012). Trong thập kỷ tiếp theo, hệ thong dé xuất với vai trò như một dạng của hệ hỗ trợ ra quyết định, cung cấp giải pháp mang tính cá nhân hóa mà không phải trải qua quá trình tìm kiếm phức tạp.
Hệ thống đề xuất học từ người dùng và đề xuất các sản phẩm tốt nhất trong các kết quả đề xuất thích hợp. Theo một nghiên cứu của McKinsey, hệ thống đề xuất giúp các nhà phát triển trên nền tảng Internet như: tăng 40% lượt cài ứng dụng trên Google Play, 60% thời gian xem trên YouTube, 35% mua hàng trên Amazon, 75% lượt xem phim trên Netflix (lan MacKenzie, et al. Thị trường phim hoạt hình toàn cầu đang thu hút 100 triệu người trên toàn thế giới xem phim hoạt với sự yêu thích dành cho các thể loại, phong cách và nội dung da dang (Wise, 2023). Hệ thống đề xuất cần đưa ra các nội dung phù hợp với người dùng nhăm nâng cao trải nghiệm khi tìm kiêm.
Trong lĩnh vực Machine Learning (Học máy) có nhiều thuật toán có khả năng đưa ra đề xuất hiệu quả, tối ưu. Collaborative Filtering (Lọc cộng tác) là một kỹ thuật | cơ bản được ứng dụng trong hệ thống đề xuất, mô hình này không yêu cầu kiến thức về miền vì tính năng được nhúng tự động. Có thể hỗ trợ người dùng tìm thấy những mối quan tâm mới, học máy có thể không biết người dùng quan tâm đến một mục đích nhất định nhưng vẫn có thê đưa ra đề xuất vì những người dùng khác cũng quan tâm đến mục đó. Hệ thống đề xuất chỉ cần ma trận phản hồi dé dao tạo một mô hình phân cấp ma trận và không cần các tính năng theo ngữ cảnh (Google for Developers, 2024).
Xuất phát từ các lý do trên, dé tài “Ung dụng học máy trong xây dựng hệ thống đề xuất phim hoạt hình” đã được thực hiện. Mục tiêu nghiên cứu Mục tiêu chung là: Xây dựng web tích hợp hệ thống đề xuất và phim hoạt hình. Mục tiêu cụ thể là: Bằng việc biến đổi dữ liệu thứ cấp thành thông tin bằng thuật toán lọc cộng tác nhằm đưa ra các đề xuất phim hoạt hình. Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài: hệ thống đề xuất phim hoạt hình.
Thời gian nghiên cứu của đề tài: từ tháng 03 năm 2024 đến tháng 07 năm 2024. Chương 2: TONG QUAN TÀI LIEU 2. Tổng quan đối tượng nghiên cứu 2. Khái niệm hệ thống đề xuất Artificial Intelligence (Trí tuệ nhân tao) là một nhánh của khoa học máy tính.
Nó liên quan đến việc phát triển máy tính các chương trình để hoàn thành các nhiệm vụ đòi hỏi trí thông minh của con người. Các thuật toán trí tuệ nhân tạo có thê giải quyết việc học, nhận thức, giải quyết vấn đề, hiểu ngôn ngữ và hoặc lý luận logic (Saleh, 2019). Trí tuệ nhân tạo được chia là 4 loại (Park Thaichon, et al., 2022): Reactive Machines, Limited Memory, Theory of Mind, Self-Awareness. Reactive Machines dựa trên dữ liệu dé đưa ra quyết định.
Limited Memory sử dung dữ liệu quá khứ dé máy hiểu và đưa ra quyết định. Theory of Mind là dạng học máy, huấn luyện cho máy có cảm xúc như con người. Self-Awareness là dang học máy, tự động thao tác, tự động ra quyết định dựa trên môi trường. Machine Learning (Học máy) là một nhánh của trí tuệ nhân tạo và khoa học dữ liệu, tập trung sử dụng thuật toán dựa trên dữ liệu và mô tả lại cách con người có thể hiểu và đưa ra quyết định.
Nó chủ yếu dựa trên kiến thức của con người về thuật toán dé ra quyết định một cách hiệu quả, cung cấp cho hệ thống khả năng tự động học hỏi và cải thiện từ kinh nghiệm mà không cần lập trình rõ ràng (Alam, 2023). Học máy được chia là 3 loại cơ bản: Supervised Learning (Học có giám sát) là cách học trong đó chúng ta dạy hoặc huấn luyện máy sử dụng đữ liệu được gắn nhãn rõ ràng, nghĩa là một số dữ liệu đã được gắn thẻ với các câu trả lời đúng. Sau đó, máy được cung cấp một bộ ví dụ (dữ liệu) mới dé thuật toán học có giám sát phân tích dữ liệu huấn luyện (bộ vi dụ huấn luyện) và đưa ra kết quả chính xác từ đữ liệu được dán nhãn (Alam, 2023). Unsupervised Learning (Học không có giám sát) là một kỹ thuật của học máy, trong đó người ta không cần giám sát mô hình.
Thay vào đó, bạn cần cho phép mô hình tự hoạt động dé khám phá thông tin. Nó chủ yếu xử lý các dit liệu chưa được gắn nhãn. Các thuật toán học không giám sát cho phép một người thực hiện các nhiệm vụ xử lý phức tạp hơn so với học có giám sát. Mặc dù vậy, học không giám sát có thể khó dự đoán hơn so với các phương pháp học tự nhiên khác (Alam, 2023).
Recommendation System (Hệ thống đề xuất) là một tập hợp con của học máy sử dụng đữ liệu để giúp người dùng tìm thấy sản phẩm và nội dung. Các trang web và dịch vụ phát trực tuyến sử dụng hệ thống đề xuất dé tạo các trang và nội dung “dành cho bạn” hoặc “bạn cũng có thé thích” (Shetty, 2023). Mối quan hệ cua Artificial Intelligence (Trí tuệ nhân tạo) với Recommendation System (Hệ thống đề xuất) được thé hiện như Hình 2.1: Mối quan hệ giữa trí tuệ nhân tọa với hệ thống đề xuất Hệ thống đề xuất là một hệ thống lọc thông tin hỗ trợ người dùng trong một tình huống ra quyết định nhất định bang cách thu hẹp tập hợp các tùy chọn có thé và ưu tiên các yếu tô của nó trong một ngữ cảnh cụ thé. Việc sắp xếp thứ tự ưu tiên có thé dựa trên sở thích được thê hiện rõ ràng hoặc an ý cua người dùng va cũng dựa trên hành vi trước đó của người dùng có sở thích tương tự (Apáthy, 2019).
Hệ thống đề xuất yy | £ | | Lọc dựa trên nội dung Lọc cộng tác Lọc lai Lọc dựa trên kién thức Zw ` Lọc dựa trên mô hình Lọc dựa trên bộ nhớ Dựa trên người & Kỹ thuật phân cụm, kỹ thuật liên ket, Mạng Bayes, Mạng than kinh Hình 2.2: Các phân loại hệ thống đề xuất (Farhin Mansur, et al., 2017), (Burke, 2000) Hé thống đề xuất có thể được phân loại rộng rãi thành một số danh mục tùy thuộc vào thông tin họ sử dụng để giới thiệu sản phẩm (Farhin Mansur, et al., 2017) có thể phân loại như Hình 2. Content-based Filtering (Lọc dựa trên nội dung): là dựa trên nội dung hoạt động với đữ liệu mà người dùng cung cấp, rõ ràng (xếp hạng) hoặc ngầm (nhấp vào một liên kết). Dựa trên dữ liệu đó, một hồ sơ người dùng được tạo, sau đó được sử dụng để tạo đề xuất cho người dùng. Khi người dùng cung cấp nhiều hơn đầu vào hoặc xếp hạng hoặc thực hiện hành động trên đề xuất, động cơ ngày càng trở nên nhiều hơn hiệu quả và chính xác (Farhin Mansur, et al.
Collaborative Filtering (Lọc cộng tac): trong đó các đề xuất được đưa ra bởi những người khác có cùng sở thích trong quá khứ, nhưng những người đã trải nghiệm qua một mặt hàng hoặc sản pham chưa được người dùng hiện tai biết đến. Hệ thống lọc cộng tác yêu cầu người dùng thể hiện ý kiến về sản phẩm hoặc mặt hàng. Họ thu thập ý 5 kiên của người dùng và đê xuât các mặt hàng dựa trên ý kiên của mọi người giông nhau (Farhin Mansur, et al. Model Based Filtering (Loc dựa trên mô hình): Các hệ thống đề xuất dựa trên mô hình sử dụng một số các bộ đữ liệu nhỏ được gọi là mô hình.
Mô hình này là thiết kế sử dụng trích xuất một sé thông tin từ không 16 cơ sở dữ liệu liên quan đến tham số hoặc thuộc tinh cụ thé và sử dụng mô hình này mọi lúc mà không cần sử dụng lớn cơ sở dir liệu (Farhin Mansur, et al. Có thé dé cap dén nhu: Clustering Technique (Kỹ thuật phân cum), Association Technique (Kỹ thuật liên kết), Bayesian Network (Mạng Bayes), Neural Network (Mạng thần kinh). Memory Based Filtering (Loc dựa trên bộ nhớ): là một kỹ thuật lọc truyền thống gồm User Based và Item Based. User Based (Lọc dựa trên người dùng) là tính toán sự tương đồng giữa những người dùng bằng cách so sánh xếp hạng của họ trên cùng một mặt hàng hoặc sản phẩm, sau đó nó sẽ tính toán xếp hạng dự đoán cho một mặt hàng hoặc sản pham theo hoạt động người dùng là xếp hạng trung bình có trọng số của mặt hàng hoặc sản pham bởi người dùng tương tự như người dùng đang hoạt động trong đó trọng lượng là điểm tương đồng của những người dùng này với mục tiêu mặt hàng hoặc sản phẩm (Farhin Mansur, et al.
Item Based (Lọc dựa trên mục): tao ra một mô hình tương tự về mặt hàng bang cách truy xuất tất cả các mục được đánh giá bởi một người dùng đang hoạt động từ ma trận mục người dùng, nó xác định mức độ tương tự của các mục được truy xuất với mục tiêu, sau đó nó chọn các mục tương tự nhất và sự tương đồng phù hợp của chúng cũng được xác định (Farhin Mansur, et al.