Áp Dụng Kỹ Thuật Học Máy Vào Xây Dựng Ứng Dụng Đặt Món Ăn Tích Hợp Đánh Giá Trạng Thái Bình Luận

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp truyền thông và mạng máy tính áp dụng kỹ thuật học máy vào xây dựng ứng dụng đặt món ăn, vận dụng lý thuyết vào thực tế, đề xuất giải

• Tác giả: Nguyễn Chí Thanh
• Người hướng dẫn: ThS. Thái Huy Tân
• Trường học: Đại học Quốc gia TP Hồ Chí Minh
• Chuyên ngành: Truyền thông và Mạng máy tính
• Đề tài: Áp Dụng Kỹ Thuật Học Máy Trong Xây Dựng Ứng Dụng Đặt Món Ăn
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TONG QUAN DE TÀI
• 1.1. Mục tiêu đề tài
• 1.2. Đối tượng và phạm vi nghiên cứu
• 1.2.1. Đối tượng nghiên cứu
• 1.2.2. Phạm vi nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Cấu trúc khóa luận
• 2. CHƯƠNG 2: CÔNG NGHỆ SỬ DỤNG
• 2.1. Giới thiệu Node.js
• 2.2. Giới thiệu MongoDB
• 2.3. Áp dụng MongoDB và xây dựng ứng dụng Chefood
• 2.4. Tại sao nên sử dụng React Native
• 2.5. Áp dụng React Native vào xây dựng ứng dụng Chefood
• 2.6. Tại sao nên sử dụng Firebase Authentication
• 2.7. Áp dụng Firebase Authentication vào xây dựng ứng dụng Chefood
• 2.8. Tại sao nên sử dụng REST
• 2.9. Áp dụng REST vào xây dựng ứng dụng Chefood
• 2.10. Tại sao nên sử dụng Bing Map API
• 2.11. Áp dụng Bing Map API vào ứng dụng Chefood
• 2.12. Tại sao nên sử dụng Stripe
• 2.13. Áp dụng Stripe vào ứng dụng Chefood
• 2.14. Tại sao nên sử dụng Azure
• 2.15. Áp dụng Azure vào ứng dụng Chefood
• 2.16. Các thuật toán áp dụng cho việc phân loại bình luận và đề xuất món ăn
• 2.16.1. Logistic Regression
• 2.16.2. Singular Value Decomposition (SVD)
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG
• 3.1. Kiến trúc hệ thống
• 3.2. Mô hình phân rã chức năng
• 3.3. Mô hình Usecase
• 3.4. Mô tả từng chức năng (nhóm chức năng liên quan)
• 3.5. Mô hình luồng dữ liệu
• 3.6. Biểu đồ Sequence Diagram
• 3.6.1. Đăng ký, đăng nhập, quên mật khẩu, đăng xuất
• 3.6.2. Lịch sử giao dịch, chi tiết đơn
• 3.6.3. Món ăn đã lưu, đầu bếp đã theo dõi
• 3.6.4. Danh sách món ăn, danh sách đầu bếp
• 3.6.5. Chi tiết đầu bếp
• 3.7. Thiết kế cơ sở dữ liệu
• 3.7.1. Mô hình thực thể kết hợp (ERD)
• 3.7.2. Hệ thống cơ sở dữ liệu
• 4. CHƯƠNG 4: HIỆN THỰC ỨNG DỤNG CHEFOOD
• 4.1. Tổng quan về ứng dụng Chefood
• 4.2. Đặc tả giao diện ứng dụng Chefood
• 4.2.1. Đặc tả giao diện các chức năng đăng nhập, đăng ký, quên mật khẩu
• 4.2.2. Đặc tả giao diện trang chủ
• 4.2.3. Đặc tả giao diện so sánh đầu bếp
• 4.2.4. Đặc tả giao diện tìm kiếm
• 4.2.5. Đặc tả giao diện đơn hàng
• 4.2.6. Đặc tả giao diện giỏ hàng
• 4.2.7. Đặc tả giao diện tài khoản
• 5. CHƯƠNG 5: THỬ NGHIỆM VÀ BÀN LUẬN
• 5.1. Mô hình đánh giá trạng thái bình luận món ăn
• 5.2. Tiền xử lý dữ liệu
• 5.3. Đào tạo và đánh giá mô hình
• 5.3.1. Sử dụng mô hình đánh giá trạng thái bình luận món ăn
• 5.3.2. Sử dụng mô hình đề xuất món ăn
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Nhược điểm
• 6.2. Hướng phát triển
• DANH MỤC HÌNH ẢNH
• DANH MỤC SƠ ĐỒ
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT
• TÓM TẮT KHÓA LUẬN

Tóm tắt

I. Tổng Quan Về Ứng Dụng Kỹ Thuật Học Máy Trong Đặt Món Ăn

Trong bối cảnh công nghệ phát triển mạnh mẽ, việc ứng dụng kỹ thuật học máy vào lĩnh vực đặt món ăn đang trở thành xu hướng nổi bật. Các ứng dụng di động không chỉ giúp người dùng dễ dàng tìm kiếm và đặt món ăn mà còn cải thiện trải nghiệm của họ thông qua việc phân tích phản hồi và đánh giá. Việc tích hợp AI vào quy trình này không chỉ nâng cao hiệu quả mà còn tạo ra những gợi ý chính xác hơn cho người dùng.

1.1. Lợi Ích Của Việc Ứng Dụng AI Trong Đặt Món Ăn

Việc áp dụng AI giúp tối ưu hóa quy trình đặt món ăn, từ việc phân tích dữ liệu đến việc đưa ra gợi ý món ăn phù hợp. Điều này không chỉ tiết kiệm thời gian cho người dùng mà còn nâng cao trải nghiệm của họ.

1.2. Xu Hướng Phát Triển Ứng Dụng Đặt Món Ăn

Xu hướng hiện nay cho thấy sự gia tăng trong việc sử dụng các ứng dụng đặt món ăn, đặc biệt là trong thời kỳ dịch bệnh. Người dùng ngày càng tìm kiếm những giải pháp tiện lợi và an toàn hơn cho nhu cầu ăn uống của mình.

II. Vấn Đề Và Thách Thức Trong Ngành Đặt Món Ăn

Mặc dù có nhiều lợi ích, nhưng ngành đặt món ăn cũng đối mặt với nhiều thách thức. Một trong những vấn đề lớn nhất là việc ghi nhận và phân tích phản hồi của người dùng. Nhiều ứng dụng hiện tại chưa thực sự chú trọng đến việc này, dẫn đến trải nghiệm không tốt cho người dùng.

2.1. Thiếu Sót Trong Việc Ghi Nhận Phản Hồi

Nhiều ứng dụng chỉ tập trung vào việc đặt hàng mà không chú ý đến phản hồi của người dùng. Điều này dẫn đến việc không thể cải thiện chất lượng dịch vụ và món ăn.

2.2. Khó Khăn Trong Việc Phân Tích Dữ Liệu

Việc phân tích dữ liệu từ phản hồi của người dùng là một thách thức lớn. Cần có các phương pháp và công nghệ phù hợp để xử lý và phân tích dữ liệu một cách hiệu quả.

III. Phương Pháp Áp Dụng Kỹ Thuật Học Máy Trong Ứng Dụng Đặt Món Ăn

Để giải quyết các vấn đề nêu trên, việc áp dụng kỹ thuật học máy là cần thiết. Các thuật toán như Logistic Regression và LightGCN có thể được sử dụng để phân loại và gợi ý món ăn dựa trên phản hồi của người dùng.

3.1. Sử Dụng Logistic Regression Để Phân Loại Bình Luận

Thuật toán Logistic Regression giúp phân loại các bình luận của người dùng thành tích cực hoặc tiêu cực, từ đó ảnh hưởng đến thứ hạng của món ăn trong ứng dụng.

3.2. Áp Dụng LightGCN Để Đề Xuất Món Ăn

LightGCN là một thuật toán mạnh mẽ giúp xây dựng hệ thống gợi ý món ăn dựa trên các đơn hàng và đánh giá của người dùng, từ đó nâng cao trải nghiệm đặt món ăn.

IV. Ứng Dụng Thực Tiễn Của Kỹ Thuật Học Máy Trong Đặt Món Ăn

Ứng dụng Chefood là một ví dụ điển hình cho việc áp dụng kỹ thuật học máy trong ngành đặt món ăn. Ứng dụng này không chỉ cho phép người dùng đặt món mà còn tích hợp các tính năng đánh giá và gợi ý món ăn dựa trên phản hồi của người dùng.

4.1. Tính Năng Đánh Giá Trạng Thái Bình Luận

Tính năng này cho phép người dùng đánh giá món ăn sau khi sử dụng, từ đó hệ thống có thể phân tích và đưa ra các gợi ý phù hợp cho lần đặt hàng tiếp theo.

4.2. Hệ Thống Gợi Ý Món Ăn Thông Minh

Hệ thống gợi ý của Chefood sử dụng dữ liệu từ các đơn hàng và đánh giá của người dùng để đề xuất những món ăn phù hợp nhất, giúp nâng cao trải nghiệm người dùng.

V. Kết Luận Và Tương Lai Của Ngành Đặt Món Ăn

Ngành đặt món ăn đang trên đà phát triển mạnh mẽ nhờ vào sự ứng dụng của kỹ thuật học máy. Tương lai của ngành này hứa hẹn sẽ còn nhiều tiềm năng với sự phát triển của công nghệ và nhu cầu ngày càng cao từ người tiêu dùng.

5.1. Tiềm Năng Phát Triển Của Ứng Dụng Đặt Món Ăn

Với sự gia tăng nhu cầu về các ứng dụng đặt món ăn, các nhà phát triển cần chú trọng đến việc cải thiện trải nghiệm người dùng thông qua việc áp dụng công nghệ mới.

5.2. Hướng Đi Tương Lai Của Kỹ Thuật Học Máy

Kỹ thuật học máy sẽ tiếp tục đóng vai trò quan trọng trong việc cải thiện chất lượng dịch vụ và nâng cao trải nghiệm người dùng trong ngành đặt món ăn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghiệp phần mềm phát triển mạnh mẽ và các thiết bị di động thông minh trở nên phổ biến, nhu cầu sử dụng các ứng dụng tiện ích phục vụ đời sống hằng ngày ngày càng gia tăng. Đặc biệt, tại các đô thị lớn nơi người dân bận rộn với công việc và ít có thời gian tự nấu ăn, cùng với tác động phức tạp của dịch bệnh COVID-19 tại thời điểm năm 2021, các dịch vụ giao thức ăn trực tuyến đã trở thành một phương thức tiêu dùng thiết yếu.

Khảo sát thực tiễn các nền tảng đặt và giao thức ăn phổ biến tại Việt Nam lúc bấy giờ như Now, Baemin, GrabFood, Loship và Vietnammm cho thấy hầu hết các hệ thống chỉ tập trung vào các tiêu chí: tối ưu hóa khoảng cách địa lý gần nhất, đẩy mạnh khuyến mãi kích cầu và rút ngắn thời gian giao hàng. Các ứng dụng này chưa chú trọng đúng mức đến trải nghiệm ẩm thực sau khi nhận hàng của người dùng. Điển hình như ứng dụng Baemin, hệ thống chỉ hỗ trợ tiếp nhận đánh giá tổng thể cho một quán ăn hoặc cửa hàng thông qua biểu mẫu có sẵn, không cho phép khách hàng đánh giá chi tiết trên từng món ăn cụ thể đã đặt. Điều này dẫn đến tình trạng các ý kiến đóng góp, nhận xét chất lượng món ăn chưa được ghi nhận, bóc tách và phân tích một cách có hệ thống. Do đó, các phản hồi sau mua chưa phát huy được vai trò tác động trực tiếp đến thứ hạng món ăn cũng như chưa hỗ trợ đắc lực cho quyết định lựa chọn của những người dùng tiếp theo.

Xuất phát từ thực trạng trên, đề tài khóa luận hướng đến việc xây dựng ứng dụng di động mang tên Chefood — nền tảng cho phép người dùng đặt các món ăn do các đầu bếp nấu tại nhà, kết hợp ứng dụng các kỹ thuật học máy để phân loại trạng thái bình luận và cá nhân hóa gợi ý món ăn.

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

1. Xây dựng ứng dụng di động đa nền tảng Chefood nhằm đáp ứng nhu cầu thưởng thức các món ăn ngon, đảm bảo an toàn vệ sinh thực phẩm, phục vụ tận nhà và giao hàng nhanh chóng.
2. Thiết kế và phát triển đầy đủ các nhóm chức năng cơ bản phục vụ người dùng: đăng ký, đăng nhập, quên mật khẩu, quản lý thông tin cá nhân, tìm kiếm, giỏ hàng, đặt hàng, thanh toán trực tuyến qua thẻ và gửi bình luận đánh giá.
3. Xây dựng hệ thống máy chủ dịch vụ (server back-end) độc lập, có khả năng giao tiếp thời gian thực, xử lý đồng thời yêu cầu từ nhiều máy trạm (client) và cho phép mở rộng linh hoạt.
4. Áp dụng kỹ thuật học máy (Machine Learning) để tự động đánh giá trạng thái bình luận của người dùng (tích cực hoặc tiêu cực), từ đó tác động trực tiếp đến thứ hạng món ăn trên hệ thống.
5. Xây dựng hệ thống đề xuất (Recommender System) nhằm gợi ý danh mục món ăn phù hợp với từng cá nhân dựa trên lịch sử giao dịch và dữ liệu đánh giá của người dùng.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Thư viện lập trình React Native cho giao diện di động; nền tảng Node.js và hệ quản trị cơ sở dữ liệu NoSQL MongoDB cho hệ thống máy chủ; các thuật toán học máy và học sâu phục vụ bài toán phân loại văn bản và hệ thống gợi ý gồm Logistic Regression, SVC, LightGCN và SVD.
• Phạm vi không gian: Hệ thống được phát triển và kiểm nghiệm thực tế phục vụ nhóm đối tượng khách hàng đặt món ăn trong khu vực nội thành Thành phố Hồ Chí Minh.
• Phạm vi kỹ thuật: Ứng dụng di động hoạt động trên hệ điều hành Android từ phiên bản Android 5.0 Lollipop (API 21) trở lên hoặc hệ điều hành iOS từ phiên bản iOS 11 trở lên.
• Thời gian thực hiện: Kế hoạch nghiên cứu và phát triển được tiến hành từ ngày 01/03/2021 đến ngày 26/06/2021.

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng kỹ thuật dựa trên các công nghệ phần mềm hiện đại và các thuật toán học máy chuyên dụng trong việc phân tích văn bản và lọc cộng tác:

Thành phần kỹ thuật / Công nghệ	Vai trò và đặc tính kỹ thuật trong đề tài
React Native	Framework mã nguồn mở sử dụng JavaScript phát triển ứng dụng di động đa nền tảng (Android và iOS), tận dụng tính năng hot reloading và quyền truy cập phần cứng (GPS, camera).
Node.js	Nền tảng thực thi JavaScript phía máy chủ trên nền Google V8 Engine, sử dụng mô hình hướng sự kiện (event-driven) và cơ chế nhập xuất không phong tỏa (non-blocking I/O) giúp xử lý đồng thời nhiều kết nối theo thời gian thực.
MongoDB	Hệ quản trị cơ sở dữ liệu NoSQL hướng tài liệu (Document-oriented), lưu trữ dữ liệu dưới định dạng tương tự JSON (BSON), hỗ trợ mở rộng thông qua cụm (cluster) và tốc độ truy vấn cao nhờ cơ chế cache RAM.
REST API	Chuẩn kiến trúc giao tiếp hệ thống phân tán; hoạt động theo nguyên tắc phi trạng thái (stateless), sử dụng chuẩn các phương thức HTTP (GET, POST, PUT, DELETE) và cấu trúc định tuyến tài nguyên dạng URL trao đổi dữ liệu JSON.
Firebase Authentication	Dịch vụ trung gian xác thực người dùng tích hợp OAuth 2.0 và OpenID Connect, hỗ trợ xác thực qua Google, Facebook, email/mật khẩu và xử lý gửi email xác nhận.
Bing Map API	Giao diện lập trình bản đồ của Microsoft, cung cấp các hàm định vị tọa độ GPS, tìm kiếm đường đi và tính toán khoảng cách địa lý giữa vị trí khách hàng và đầu bếp.
Stripe API	Cổng thanh toán tài chính quốc tế, cho phép xử lý giao dịch thẻ trực tuyến an toàn theo cơ chế phân tách token (tokenized charge) mà không lưu thông tin thẻ trên máy chủ ứng dụng.
Microsoft Azure	Nền tảng điện toán đám mây cung cấp hạ tầng máy ảo lưu trữ máy chủ Node.js và các dịch vụ học máy (Machine Learning server).
Logistic Regression & SVC	Mô hình hồi quy logistic sử dụng hàm kích hoạt Sigmoid để ước lượng xác suất phân loại nhị phân trạng thái bình luận (tích cực/tiêu cực); mô hình Support Vector Classifier (SVC) được dùng để so sánh hiệu năng.
LightGCN & SVD	LightGCN (Light Graph Convolutional Network) học vector nhúng của người dùng và món ăn thông qua cơ chế lan truyền tuyến tính trên đồ thị tương tác; Singular Value Decomposition (SVD) sử dụng kỹ thuật phân rã ma trận tiện ích (utility matrix) để lọc cộng tác.

Phương pháp nghiên cứu thực nghiệm được triển khai qua các quy trình:

1. Phương pháp phân tích - tổng hợp: Khảo sát yêu cầu bài toán đặt món ăn trực tuyến; phân rã các yêu cầu người dùng thành các sơ đồ luồng dữ liệu (DFD), sơ đồ Use Case và biểu đồ tuần tự (Sequence Diagram).
2. Phương pháp xử lý dữ liệu ngôn ngữ tự nhiên: Thu thập và tiền xử lý bộ dữ liệu 50.000 bình luận món ăn tiếng Việt, làm sạch ký tự thừa, chuẩn hóa văn bản và tiến hành loại bỏ các từ dừng (stopwords) trước khi đưa vào mô hình học máy.
3. Phương pháp thực nghiệm và đánh giá mô hình học máy: Sử dụng tập dữ liệu 500.142 lượt đánh giá sao (rating) của món ăn để huấn luyện các thuật toán gợi ý; tiến hành huấn luyện trong 500 chu kỳ (epochs); so sánh hàm mất mát (loss curve) giữa các mô hình Logistic Regression, SVD và LightGCN để lựa chọn mô hình tối ưu tích hợp vào ứng dụng.

---

Thiết kế và triển khai

Hệ thống Chefood được thiết kế theo mô hình kiến trúc phân tán gồm nhiều tầng chức năng độc lập nhằm bảo đảm tính sẵn sàng, an toàn dữ liệu và khả năng chịu tải:

[ Mobile Client: React Native (Android / iOS) ]
 [ Backend Application Server: Node.js (Hosted on Azure) ]
       HTTP / Internal RPC
[ Machine Learning Server: Python / Azure VM ]

Kiến trúc phân tầng và phân rã chức năng

• Tầng trình diễn (Client Layer): Ứng dụng di động viết bằng React Native kết nối với người dùng qua hệ sinh thái màn hình trực quan. Mã nguồn được tổ chức theo từng module thành phần chức năng (component-based) nhằm thuận tiện cho việc bảo trì.
• Tầng dịch vụ (Application/API Layer): Máy chủ Node.js tiếp nhận yêu cầu từ client thông qua hệ thống RESTful API, thực hiện kiểm tra quyền truy cập qua Firebase Authentication Token, tính toán logic nghiệp vụ và điều phối dữ liệu.
• Tầng học máy (Machine Learning Layer): Được triển khai thành cụm dịch vụ chuyên biệt trên Azure, đảm nhận hai tác vụ tính toán chuyên sâu:
  1. API phân loại cảm xúc bình luận: Nhận nội dung văn bản bình luận từ người dùng, tiền xử lý và chạy qua mô hình hồi quy Logistic để trả về nhãn 0 (tiêu cực) hoặc 1 (tích cực).
  2. API khuyến nghị món ăn: Nhận định danh người dùng (User ID), truy xuất ma trận tương tác và sử dụng mô hình LightGCN để tính toán danh sách mã món ăn (Food ID) có điểm tương quan cao nhất.
• Tầng dữ liệu (Database Layer): Sử dụng cơ sở dữ liệu NoSQL MongoDB tổ chức thành các tập tài liệu (collections) phản ánh các thực thể: Người dùng (User), Món ăn (Food), Đầu bếp (Chef), Đơn hàng (Order), Bình luận (Comment) và Đánh giá (Rating).

Kiểm thử và triển khai

Hệ thống máy chủ ứng dụng và máy chủ học máy được đóng gói và triển khai trên hạ tầng điện toán đám mây Microsoft Azure. Kiểm thử chức năng được thực hiện trên các thiết bị di động thật và máy giả lập đáp ứng yêu cầu tối thiểu Android 5.0 (API 21) và iOS 11. Các ca kiểm thử đơn vị và kiểm thử tích hợp tập trung vào chuỗi quy trình: đăng ký tài khoản, xác thực Firebase, tính toán cự ly qua Bing Map API, ủy quyền thanh toán thẻ qua Stripe, ghi nhận bình luận và cập nhật thứ hạng món ăn sau phân loại.

---

Nội dung chính theo từng chương

Chương 1. TỔNG QUAN ĐỀ TÀI

Chương 1 thiết lập các cơ sở mở đầu của khóa luận. Tác giả phân tích nhu cầu ăn uống tại nhà ngày càng gia tăng dưới sức ép công việc đô thị và bối cảnh dịch bệnh. Nội dung khảo sát thực trạng chỉ ra các ứng dụng giao thức ăn hiện nay (Now, Baemin, Grab Food, Loship, Vietnammm) chỉ giải quyết bài toán giao hàng và chọn địa điểm ăn uống, bỏ ngỏ việc đánh giá chất lượng chi tiết cho từng món ăn. Từ đó, chương đề ra mục tiêu xây dựng ứng dụng Chefood, làm rõ đối tượng nghiên cứu (React Native, Node.js, MongoDB, học máy), phạm vi kỹ thuật (Android 5.0+, iOS 11+, nội thành TP.HCM) và phương pháp luận triển khai.

Chương 2. CƠ SỞ LÝ THUYẾT

Chương 2 trình bày có hệ thống về cơ sở lý thuyết của các công nghệ và thuật toán được lựa chọn:

• Trình bày kiến trúc V8 Engine, mô hình non-blocking I/O của Node.js; tính linh hoạt của cấu trúc dữ liệu JSON/BSON và cơ chế cluster trong MongoDB.
• Phân tích ưu thế đa nền tảng, cơ chế hot reloading và khả năng tương thích plugin phần cứng của React Native.
• Giới thiệu các dịch vụ đám mây và giao tiếp: vai trò trung gian xác thực của Firebase Authentication; 4 nguyên tắc cốt lõi của REST API; tính năng định tuyến và tối ưu quãng đường của Bing Map API; luồng xử lý mã hóa thẻ qua Stripe API; khả năng lưu trữ và mở rộng máy ảo của Microsoft Azure.
• Trình bày toán học và nguyên lý của các thuật toán học máy: hàm Sigmoid trong Logistic Regression; phương pháp phân tích suy biến SVD trên ma trận tiện ích người dùng - mặt hàng; và cấu trúc học biểu diễn nhúng người dùng/mặt hàng qua các lớp lân cận trong đồ thị tương tác của thuật toán LightGCN.

Chương 3. PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG

Chương 3 tập trung vào thiết kế kỹ thuật chi tiết của hệ thống phần mềm:

• Thiết lập sơ đồ kiến trúc hệ thống tổng quan và sơ đồ phân rã chức năng Chefood.
• Xây dựng mô hình Use Case chi tiết cho từng phân hệ: Quản lý tài khoản, Tìm kiếm, Danh sách món ăn, Chi tiết món ăn, Đặt hàng, Đơn hàng, Chi tiết đầu bếp, Giỏ hàng.
• Xây dựng các biểu đồ tuần tự (Sequence Diagram) mô tả luồng tương tác giữa client, server và cơ sở dữ liệu cho các chức năng: Đăng ký, Đăng nhập, Quên mật khẩu, Đăng xuất, Đánh giá món ăn, Lịch sử giao dịch, Danh sách món ăn đề xuất, Chi tiết đầu bếp, Tìm kiếm và Đặt hàng.
• Thiết kế mô hình dữ liệu thực thể kết hợp (ERD) và ánh xạ sang cấu trúc các bảng tài liệu trong hệ thống cơ sở dữ liệu MongoDB.

Chương 4. HIỆN THỰC ỨNG DỤNG CHEFOOD

Chương 4 mô tả quá trình lập trình và hiện thực hóa các bản thiết kế thành sản phẩm phần mềm hoàn chỉnh:

• Trình bày tổng quan ứng dụng Chefood với giao diện người dùng trực quan, thẩm mỹ.
• Đặc tả giao diện chi tiết kèm luồng thao tác: Cụm màn hình đăng nhập, đăng ký xác thực, quên mật khẩu; Màn hình trang chủ hiển thị món ăn nổi bật, món ăn hôm nay; Màn hình chi tiết món ăn (thông tin nguyên liệu, danh sách bình luận, hình ảnh minh họa); Màn hình chi tiết đầu bếp (danh sách món đang nấu, thông tin cá nhân, bình luận đánh giá); Màn hình so sánh khoảng cách và thông tin giữa các đầu bếp.
• Hiện thực màn hình tìm kiếm, giỏ hàng, xác nhận thanh toán trực tuyến qua thẻ với Stripe, quản lý lịch sử đơn hàng, cập nhật hồ sơ cá nhân và màn hình đánh giá/nhận xét món ăn sau khi hoàn tất đơn hàng.

Chương 5. THỬ NGHIỆM VÀ BÀN LUẬN

Chương 5 cung cấp các dữ liệu thực nghiệm và phân tích hiệu năng của các mô hình học máy:

• Mô hình đánh giá trạng thái bình luận: Thực nghiệm trên bộ dữ liệu 50.000 bình luận món ăn. Dữ liệu trải qua các bước tiền xử lý, loại bỏ từ dừng và vector hóa. Kết quả huấn luyện bằng thuật toán Logistic Regression và SVC được so sánh; mô hình Logistic Regression cho thấy khả năng hội tụ tốt, tính toán nhanh và phù hợp để tích hợp phân loại nhị phân thời gian thực trên hệ thống.
• Mô hình đề xuất món ăn: Thực nghiệm trên bộ dữ liệu gồm 500.142 bản ghi đánh giá sao món ăn. Tác giả tiến hành huấn luyện qua 500 epochs để so sánh ba thuật toán: Logistic Regression, LightGCN và SVD.
• Dựa trên đồ thị suy giảm tỉ lệ mất mát (loss curve) qua 500 epochs, thuật toán LightGCN thể hiện ưu thế vượt trội trong việc khai thác mối quan hệ tương tác đồ thị giữa người dùng và món ăn, đạt sai số tối ưu so với SVD và Logistic Regression, qua đó được lựa chọn làm giải thuật khuyến nghị chính thức trong Chefood.

Chương 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Chương 6 tổng kết toàn bộ kết quả đạt được của khóa luận: đã xây dựng thành công ứng dụng di động hoàn chỉnh đáp ứng đầy đủ yêu cầu nghiệp vụ, kết nối thông suốt giữa ứng dụng di động, máy chủ Node.js và hệ thống phân loại/gợi ý học máy. Đồng thời, chương chỉ rõ các điểm hạn chế về mặt vận hành, dữ liệu và đề xuất các định hướng nâng cấp trong tương lai.

---

Kết quả và đóng góp

Khóa luận đã hoàn thành các nội dung chuyên môn và đóng góp các giá trị cụ thể sau:

1. Sản phẩm ứng dụng di động hoàn chỉnh:

   • Xây dựng thành công ứng dụng Chefood hoạt động tương thích trên cả hai nền tảng Android (5.0+) và iOS (11+).
   • Thiết kế hệ thống máy chủ Node.js kết hợp MongoDB vận hành ổn định trên đám mây Microsoft Azure, bảo đảm xử lý các yêu cầu theo thời gian thực.
   • Tích hợp thành công các dịch vụ tiện ích bên ngoài: Firebase Authentication (quản lý phiên xác thực tập trung), Bing Map API (hỗ trợ tính cự ly người dùng - đầu bếp) và Stripe API (xử lý thanh toán thẻ quốc tế).

2. Dữ liệu thực nghiệm và tích hợp học máy:

   • Hoàn thiện quy trình thu thập và tiền xử lý bộ dữ liệu 50.000 bình luận món ăn tiếng Việt; ứng dụng thành công thuật toán Logistic Regression để phân loại sắc thái bình luận, hỗ trợ điều chỉnh thứ hạng món ăn tự động.
   • Thực nghiệm và so sánh thành công 3 thuật toán (Logistic Regression, LightGCN, SVD) trên tập dữ liệu 500.142 bản ghi đánh giá qua 500 epochs huấn luyện; chứng minh hiệu quả thực tế của mô hình đồ thị tích chập rút gọn LightGCN trong bài toán lọc cộng tác cho ứng dụng đặt món.

Tham số / Tiêu chí thực nghiệm	Mô hình Phân loại bình luận	Hệ thống Đề xuất món ăn
Quy mô tập dữ liệu	50.000 bình luận món ăn	500.142 lượt đánh giá sao món ăn
Kỹ thuật tiền xử lý	Làm sạch văn bản, loại bỏ stopwords	Chuẩn hóa ma trận tương tác người dùng - món ăn
Mô hình thử nghiệm	Logistic Regression, SVC	Logistic Regression, SVD, LightGCN
Số chu kỳ huấn luyện (Epochs)	Theo tiêu chuẩn hội tụ hàm mất mát	500 epochs (theo dõi loss curve)
Mô hình tối ưu được lựa chọn	Logistic Regression (nhị phân tích cực/tiêu cực)	LightGCN (lọc cộng tác trên đồ thị tương tác)

3. Đóng góp mới so với các ứng dụng khảo sát:
   • Khác biệt với mô hình của Baemin, Now hay GrabFood tại thời điểm nghiên cứu (chỉ cho phép đánh giá địa điểm quán ăn chung), Chefood triển khai chức năng ghi nhận và phân loại bình luận trực tiếp trên từng món ăn đơn lẻ.
   • Kết hợp kết quả phân tích sắc thái bình luận với thuật toán đề xuất để điều phối thứ hạng hiển thị, giúp cá nhân hóa danh mục món ăn dựa trên khẩu vị và lịch sử mua hàng thực tế của từng khách hàng.

---

Hạn chế và hướng nghiên cứu tiếp

Căn cứ trên các nội dung văn bản được nhóm tác giả tổng kết tại Chương 6, đề tài còn tồn tại một số hạn chế và đề ra hướng nghiên cứu tiếp theo:

Hạn chế còn tồn đọng

• Phạm vi địa lý: Ứng dụng mới chỉ dừng lại ở phạm vi nghiên cứu và triển khai thử nghiệm cho các khách hàng đặt món ăn trong khu vực nội thành Thành phố Hồ Chí Minh.
• Mô hình phân loại bình luận: Thuật toán Logistic Regression hiện tại mới phân loại nhị phân ở hai mức trạng thái đơn giản (tích cực hoặc tiêu cực), chưa phân tích sâu các sắc thái biểu cảm phức tạp hoặc trích xuất thuộc tính chi tiết của món ăn (aspect-based sentiment analysis).
• Hệ thống người dùng: Hệ thống mới tập trung phát triển phân hệ giao diện dành cho khách hàng đặt món, chưa có phân hệ ứng dụng độc lập dành riêng cho các đầu bếp để quản lý thực đơn, nhận đơn hàng và quản lý doanh thu theo thời gian thực.
• Cổng thanh toán: Ứng dụng mới tích hợp cổng Stripe hỗ trợ thanh toán thẻ quốc tế, chưa tích hợp các ví điện tử và cổng thanh toán nội địa phổ biến tại Việt Nam.

Hướng nghiên cứu và phát triển tiếp theo

• Mở rộng quy mô thử nghiệm và phạm vi phục vụ của ứng dụng sang các khu vực ngoại thành và các tỉnh thành khác.
• Nghiên cứu áp dụng các mạng nơ-ron học sâu tiên tiến hơn cho bài toán xử lý ngôn ngữ tự nhiên tiếng Việt nhằm phân loại bình luận đa mức độ và nhận diện tự động nguyên nhân hài lòng/không hài lòng của khách hàng.
• Xây dựng và hoàn thiện phân hệ ứng dụng di động riêng biệt dành cho đối tượng đầu bếp (Chef App) nhằm đồng bộ hóa quy trình tiếp nhận đơn hàng, cập nhật tình trạng món ăn và báo cáo thu nhập.
• Tích hợp thêm các phương thức thanh toán điện tử nội địa thông dụng (như ví MoMo, ZaloPay, VNPay) để tăng tính tiện lợi cho người dùng tại thị trường Việt Nam.

---

Giá trị tham khảo

Báo cáo khóa luận là tài liệu học thuật và kỹ thuật có giá trị tham khảo thiết thực cho các đối tượng sau:

• Sinh viên chuyên ngành Truyền thông và Mạng máy tính, Kỹ thuật Phần mềm, Khoa học Máy tính: Tài liệu minh họa trực quan quy trình phát triển một hệ thống ứng dụng di động hoàn chỉnh từ khâu khảo sát, phân tích yêu cầu, thiết kế UML (Use Case, DFD, Sequence Diagram, ERD) đến khâu hiện thực hóa trên nền tảng React Native và Node.js.
• Người nghiên cứu hệ thống khuyến nghị và phân tích cảm xúc: Chương 2 và Chương 5 là tài liệu tham khảo chi tiết về cách thức triển khai tiền xử lý dữ liệu tiếng Việt (loại bỏ từ dừng), quy trình huấn luyện thuật toán Logistic Regression và cách ứng dụng mô hình đồ thị LightGCN (SIGIR 2020) so sánh với mô hình SVD truyền thống trên tập dữ liệu hơn nửa triệu bản ghi.
• Kỹ sư tích hợp hệ thống phân tán: Cung cấp hướng dẫn kiến trúc tích hợp nhiều dịch vụ điện toán đám mây và bên thứ ba (Microsoft Azure, Firebase Authentication, Stripe API, Bing Map API) vào một ứng dụng di động duy nhất, đảm bảo tính bảo mật và tính khả dụng của dịch vụ.

---

Câu hỏi thường gặp

1. Ứng dụng Chefood khắc phục nhược điểm gì của các ứng dụng đặt món hiện nay như Baemin?
Khảo sát của tác giả cho thấy ứng dụng Baemin chỉ cho phép người dùng nhận xét, đánh giá chung cho toàn bộ quán ăn bằng biểu mẫu định sẵn mà không hỗ trợ đánh giá trực tiếp trên từng món ăn cụ thể đã đặt. Chefood giải quyết hạn chế này bằng cách cho phép người dùng bình luận trực tiếp trên từng món ăn sau khi hoàn tất đơn hàng, đồng thời dùng thuật toán học máy phân tích phản hồi để xếp hạng chất lượng món ăn và làm căn cứ gợi ý cho người dùng khác.

2. Mô hình phân loại trạng thái bình luận trong khóa luận sử dụng thuật toán nào và quy mô dữ liệu ra sao?
Mô hình phân loại bình luận sử dụng thuật toán hồi quy Logistic Regression (kết hợp thử nghiệm so sánh với Support Vector Classifier - SVC), được huấn luyện trên bộ dữ liệu gồm 50.000 bình luận món ăn tiếng Việt đã trải qua các bước tiền xử lý chuẩn hóa và loại bỏ từ dừng (stopwords). Kết quả phân loại nhị phân xác định nội dung bình luận là tích cực hay tiêu cực.

3. Thuật toán nào được lựa chọn cho hệ thống gợi ý món ăn và vì sao?
Thuật toán LightGCN (Light Graph Convolutional Network) được lựa chọn để xây dựng hệ thống gợi ý món ăn. Khi thử nghiệm qua 500 epochs trên tập dữ liệu gồm 500.142 bản ghi đánh giá sao món ăn, LightGCN cho thấy hàm mất mát (loss) giảm ổn định và tối ưu hơn đáng kể so với hai thuật toán được đối sánh là SVD (Singular Value Decomposition) và Logistic Regression.

4. Kiến trúc công nghệ của hệ thống Chefood bao gồm những nền tảng nào?
Hệ thống sử dụng React Native để phát triển ứng dụng di động đa nền tảng (Android và iOS); Node.js và MongoDB xây dựng máy chủ back-end RESTful API; Microsoft Azure dùng làm hạ tầng lưu trữ đám mây cho server và mô hình học máy; Firebase Authentication quản lý phiên xác thực người dùng; Bing Map API dùng để tính khoảng cách và định vị; Stripe API xử lý thanh toán thẻ trực tuyến.

5. Ứng dụng Chefood yêu cầu cấu hình thiết bị di động như thế nào để cài đặt và thử nghiệm?
Ứng dụng yêu cầu thiết bị di động chạy hệ điều hành Android từ phiên bản Android 5.0 Lollipop (API mức 21) trở lên hoặc hệ điều hành iOS từ phiên bản iOS 11 trở lên.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Chí Thanh và Nguyễn Hữu Vĩnh Nghi đã giải quyết trọn vẹn bài toán xây dựng ứng dụng di động đặt món ăn "Chefood" kết nối khách hàng với các đầu bếp gia đình, phục vụ trên địa bàn nội thành Thành phố Hồ Chí Minh. Đề tài kết hợp thành công kiến trúc phần mềm phân tán (React Native, Node.js, MongoDB trên Microsoft Azure) với các mô hình học máy chuyên sâu gồm Logistic Regression để phân loại trạng thái bình luận và LightGCN để khuyến nghị món ăn cá nhân hóa dựa trên dữ liệu đánh giá thực nghiệm. Báo cáo khóa luận được trình bày mạch lạc, sở hữu hệ thống sơ đồ thiết kế chi tiết cùng các số liệu thử nghiệm cụ thể, đóng vai trò là một tài liệu tham khảo kỹ thuật hữu ích cho sinh viên và kỹ sư trong lĩnh vực phát triển ứng dụng di động tích hợp trí tuệ nhân tạo.

Trích đoạn nội dung tài liệu

Chương 1. TONG QUAN DE TÀI. Tìm hiểu các ứng dụng hiện nay 1. Mục tiêu đề tài 1.

Đối tượng và phạm vi nghiên cứu. Đối tượng nghiên cứu 1. Phạm vi nghiên CỨU.- ¿+ + St #k kg gi rưn 8 1. Phuong pháp nghiên Ci oo.

ccc eee ces + St SE9k2k£E#EEEEEk v1 1101 1 ty 8 1.7, Cấu trúc khóa luận.--2222222222EEESS++++22222E23222t22222EE2errrrrrrrk 11 PB 1. Giới thiệu Nođe,JS. Tại sao nên sử dụng Node.js vào ứng dụng Chefood. MongoDB CL0ud 1.

Giới thiệu về MongoDB. Tai sao nên sử dụng MongoDB.-- - «¿5S tt tt ướn 13 2. Ap dụng MongoDB và xây dựng ứng dụng Chefood. Tại sao nên sử dụng React Native 2.

Áp dung React Native vào xây dựng ứng dụng Chefood. + tt th HH1 1. Tại sao nên sử dụng Firebase Authentication 2. Áp dụng Firebase Authentication vào xây dựng ứng dụng Chefood.-- ¿2+ + St 2t T2 1221221 1, TH HH 1g.

Tại sao nên sử dụng RESÏT. Áp dụng REST vào xây dựng ứng dụng Chefood. Bing Map APPÌL. Khái niệm AARP.

cv cannes sess Pe 02 CG HH HH HH nga nga re, 20 2. Tại sao nên sử dụng Bing Map APPI. Áp dụng Bing Map API vào ứng dụng Chefood. sàn TH TT Họ TT TT 0H Tát 21 2.

Tại sao nên sử dụng Sripe. Ap dung Stripe vào ứng dụng Chefood. Tại sao nên sử dung AZUT€. Áp dung Azure vào ứng dụng Chefood.

Các thuật toán áp dụng cho việc phân loại bình luận và đề xuất món ăn. Logistic T€BT€SSÏOH. Singular Value Decomposition — SVD. tt sterrerirrrrierrrrre 26 Chương 3.

PHAN TÍCH VÀ THIET KE HE THONG 3. Kiến trúc hệ thống. Mô hình phân rã chức năng. Mô hình Usecase.

Mô hình seCase. Mô tả từng chức năng (nhóm chức năng liên quan). Mô hình luồng dữ liệu. Biểu d6 Sequence Diagram.

Đăng ky, đăng nhập, quên mật khâu, đăng xuất. Tai Khoi nh ` “7. Lich sử giao dịch, chi tiết đơn II. - - - ¿5+ Ek+EEEE T12 011111111 121 11111010121 trên 67 3.

Món ăn đã lưu, đầu bếp đã theo dõi. Danh sách món ăn, danh sách đầu bếp.-----:¿¿+2+zz+22v+zzz+rz 70 3. Chỉ tiết đầu bếp. Thiết kế cơ sở dữ liệu.

Mô hình thực thể kết hợp (ERD),. Hệ thống cơ sở dữ liệu ki. HIỆN THỰC ỨNG DỤNG CHEFOOD 4. Tổng quan về ứng dụng Chefood.--:-222+++2222EE2+++rttt22vxvsrrrrrrrrrr §6 4.

Đặc tả giao diện ứng dụng ChefOOd. Đặc tả giao điện các chức năng đăng nhập, đăng ký, quên mật khẩu. Đặc tả giao diện trang chủ. eee ce + St HH ve.

Đặc tả giao diện so sánh đầu bếp.4, Đặc tả giao điện tìm kiếm.- :¿¿22222++2222EEEt2E2EE2E22EEErrrrkrcree 102 4. Đặc tả giao diện đơn hàng. Đặc tả giao diện giỏ hàng. Đặc tả giao diện tài khoản.

5S tt ey 111 Chương 5. THU NGHIEM VA BAN LUẬN. Mô hình đánh giá trạng thái bình luận món ăn. Tiền xử lý dữ liệu.

Đào tạo và đánh giá mô hình:. Sử dụng mô hình đánh giá trạng thái bình luận món ăn. Mô hình Đề xuất món ăn.---2¿©2+++22V2+++22EE+++22EEYEtEEEE+rrttrrrrrerrrrree 130 5. -cc St n2 nhe 131 5.

Tiền xử ly dữ liệu. Đào tạo và đánh giá mô hình 5. Sử dụng mô hình đề xuất món ăn Chương 6. KET LUẬN VÀ HƯỚNG PHAT TRIẺN.

Nhược điểm. Hướng phát triỀn. 139 DANH MỤC HÌNH ẢNH Hình 1. Ảnh chụp màn hình giao diện Trang chủ của ứng dụng Baemin.

Ảnh chụp màn hình giao diện Đánh giá và Nhận xét một quán ăn của ứng Ung Bacmin P08. Tinh năng của Nod€js. Tính năng của MongolDB,.-- -¿- - 5+ tt E*EE HH 11101111. React Native là framework lập trình đa nền tảng.

Lợi ích khi sử dung Firebase Authenticaftion. Kiến trúc thiết kế của REST API. Luồng thanh toán cơ bản của ứng dụng sử dung Stripe API. Azure cung cấp hơn 200 dich VU .---22:5222+zz+222+++t2EEESztrtrxveerrrree 2 Hình 2.

Phân loại đầu vào x thành 2 nhóm. Giao diện đăng nhập. Giao diện đăng ky, xác thre .-- tt S+ St sEEEEekekesrrrerrrerrkerree 89 Hình 4. Giao diện quên mật khẩu, ce 0 0.

Giao diện trang chủ - Ì_. Giao diện trang chủ - 2. ¿c1 tt S vs EEkrrkekekrrkrrrrrkrkerree 94 Hình 4. Giao diện chỉ tiết món ăn — Nguyên liệu.

Giao diện chỉ tiết món ăn — Bình luận, Hình ảnh. Giao diện chỉ tiết đầu bếp — Món ăn. Giao diện chỉ tiết đầu bếp — Bình luận, Thông tỉn. Giao điện so sánh đầu bếp.

Giao diện tìm kiếm.cccccccccttnttttEEE re 103 Hình 4. Giao diện danh sách đơn hàng. ¿+ ¿5+ + tt sv£vxexeeerrvrrrerersee 104 Hình 4. Giao điện chỉ tiết đơn hàng.

2 2z+22EE++2EEEEzttEEEESerrrrkrerrrrk 105 Hình 4. Giao diện đánh giá. Giao diện giỏ hàng. Giao diện giỏ hang — Thanh toán thẻ 10 Hình 4.

Giao diện tài khoản 11 Hì inh 4. Giao diện trang cá nhân. Giao diện thay đồi họ và tên. Giao diện thay đổi số điện thoại.

Giao diện thay đổi giới tính.------2++22E+++t2EEEEEt2EEELerrrrkrrrrrrkee 15 inh 4. Giao diện thay đổi ngày sinh. Giao diện thay đổi a CHI eee. Giao diện thay đổi mật KNAU.

Giao diện lịch sử giao dich .- -¿- ¿+ ¿+ S222 S23 SE2E2ES£E+EeEeeEevsevreerseerrse 20 Hi inh Hinh 4. Giao diện đầu bếp đã theo đõi.----2¿-©2¿222+2zt2EEEEzerrrrxrrrrrrkee 21 Hinh 4. Giao diện đăng xuất. Phan đầu của bộ dữ liệu 50000 bình luận món ăn.

Ví dụ về việc loại bỏ stopwords khỏi văn bản. ¿5s sc+c+svcec+x 26 Hinh 5. Dữ liệu bình luận món ăn sau khi xử lý. Kết quả đào tạo thuật toán Logistic Regression.

Kết quả đào tạo thuật toán SVC.-22¿2222++22222222221222221 re 28 Hi inh Hinh 5. Ví dụ mô tả phương pháp lọc cộng tác. -- - +5 c+ssx+xsvrvrererersee 30 Hinh 5. Phần đầu của bộ dữ liệu 500142 đánh giá sao cho món ăn.

31 DANH MỤC SƠ DO Sơ đồ 3. Sơ đỗ kiến trúc hệ thống.- 2: 22+++2EE+2+t2EEEE2EEEEEEEEEEEEerrrrkrrrer 28 Sơ đồ 3. Sơ đồ phân rã chức năng ứng dụng Chefood. Sơ đồ Usecase của ứng dụng Chefood.

Sơ đồ Usecase nhóm chức năng Tai khoản. Sơ đồ Usecase nhóm chức năng Tìm kiếm. Sơ đồ Usecase nhóm chức năng Danh sách món ăn. Sơ đồ Usecase nhóm chức năng Chi tiết món ăn.

Sơ dé Usecase nhóm chức năng Đặt hang. Sơ đồ Usecase nhóm chức năng Đơn hang. Sơ đồ Usecase nhóm chức năng Chỉ tiết đầu bé 34 Sơ dé 3. Mô hình luồng dữ liệu người dùng.

Sơ đồ sequence diagram — chức năng Đăng ký. Sơ dé sequence diagram — chức năng Đăng nhập. Sơ đồ sequence diagram — chức năng Quên mật khẩu. Sơ đồ sequence diagram — chức năng Đăng xuắt.

Sơ đồ sequence diagram — chức năng Tài khoản. Sơ đồ sequence diagram — các chức năng Lịch sử giao dịch,. Sơ đồ sequence diagram — chức năng Đánh giá món ăn. Sơ đồ sequence diagram — các chức năng Món ăn đã lưu,.

Sơ dé sequence diagram — chức năng Danh sách món ăn đề xuất. Sơ dé sequence diagram — chức năng Danh sách món ăn nồi bật, món ăn đã xem, món ăn hôm nay, danh mục món ăn, đầu bếp nổi bật. Sơ dé sequence diagram — chức năng Chỉ tiết món ăn. Sơ đồ sequence diagram — chức năng Sơ dé 3.

Sơ đồ sequence diagram — chức năng Chỉ tiết đầu bếp. Sơ đồ sequence diagram — chức năng Tìm kiếm. Sơ đồ sequence diagram — chức năng Đặt hàng Sơ đồ 5. Mô hình thuật toán tổng quan.

Sử dụng mô hình đánh giá trạng thái bình luận món ăn. Sơ đồ tỉ lệ loss của thuật toán Logistic Regression sau mỗi epoch. Sơ đồ tỉ lệ loss của thuật toán Light GCN sau mỗi epoch. Sơ dé tỉ lệ loss của thuật toán SVD sau mỗi epoch.

Sử dụng mô hình đề xuất món ăn.--:-2¿22+z++222++zrtczvrerrrrs 134 DANH MỤC BANG BIEU Bảng 3. Hiện thực hoá sơ GO S€Case.- 50 2 cv 1 1111111011 E1eerrreer34 Bảng 3. Mô tả chức năng Đăng ký, Đăng nhập, Quên mật khẩu, Đăng xuất. Mô tả chức năng Tài khoản.-- - -- ¿c5 + +‡k‡x‡EEEEEEEv re 40 Bang 3.

Mô tả chức năng Lich sử giao dịch, Đánh giá món ăn. Mô tả chức năng Món ăn đã lưu, Đầu bếp đã theo dõi. Mô tả chức năng Tìm kiếm .- 22 ©222++22ES2+t2222E+EE2EEEveerrrrrrrrrks 47 Bảng 3. Mô tả chức năng Danh sách món ăn, Danh sách đầu bếp.

Mô tả chức năng Chỉ tiết món ăn, Chỉ tiết đầu bếp. Mô ta chức năng Giỏ hang. Mô tả chức năng Dat hàng 56 Bảng 3. Cơ sở dữ liệu trong hệ thống.

Ví dụ về hoạt động của mô hình Đánh giá trạng thái bình luận món ăn. Bảng so sách kết quả đào tạo các thuật toán Logistic Regression, Light GCN và SVD sau 500 epochs.--¿- +1 TT 9 HH 21210010101 1H00 Hoà 132 DANH MỤC TỪ VIET TAT STT Từ Viết tắt của 1 API Application Programming Interface 2 CRUD Create — Read — Update — Delete 3 GPS Global Positioning System 4 HTTP HyperText Transfer Protocol 5 vo Input/Output 6 ID Identification 7 OTP One Time Password 8 RDBMS Relational Database Management System 9 URL Uniform Resource Locator TOM TAT KHOA LUẬN Khoá luận với đề tài Áp dung kỹ thuật học máy vào xây dựng ứng dung đặt món ăn tích hợp đánh giá trạng thái bình luận được thực hiện trong bối cảnh sự phát triển mạnh mẽ của ngành công nghiệp phần mềm, đặc biệt là trên lĩnh vực lập trình ứng dụng di động, cũng như tình hình dịch bệnh COVID-19 đang diễn biến phức tạp ở nhiều nơi. Nhu cầu của người dùng về các ứng dụng di động khai thác đề tài đặt món ăn ngày càng gia tăng. Nhưng bên cạnh nhu cầu về việc tìm kiếm, đặt một món ăn thì các phản hồi của người dùng đối với món ăn sau khi mua hàng cần được ghi nhận, phân tích và chính những phản hồi này sẽ tác động đến thứ hạng của món ăn, cũng như quyết định đặt món của những người dùng khác sau này.

Đây là một vấn đề không mới, tuy nhiên các ứng dụng hiện nay vẫn chưa thật sự quan tâm đến vấn đề này, chỉ dừng ở việc ghi nhận đánh giá của người đùng cho một địa điểm ăn uống. Chính điều này là lý do để nhóm chúng tôi đưa ra ý tưởng về đề tài xây dựng một ứng dụng đặt món ăn mang tên Chefood. Giải pháp mà nhóm tác giả đưa ra là xây dựng ứng dụng đặt món ăn với danh mục các món ăn đa đạng của nhiều đầu bếp khác nhau, cung cấp cho người dùng nhiều sự lựa chọn. Các phản hồi sau mua hàng được hệ thống ghi lại, áp dụng kỹ thuật machine learning, cu thé là thuật toán Logistic regression dé phân loại các phản hồi này.

Các phản hôi sau khi phân loại (tích cực/tiêu cực) sẽ ảnh hưởng trực tiếp đến thứ hang món ăn trong hệ thống, từ đó tác động đến quyết định mua hàng của những người dùng khác đối với món ăn sau này. Ngoài ra, ứng dụng còn sử dụng thuật toán LightGCN để xây dựng hệ thống đề xuất món ăn. Hệ thống này dựa vào các đơn hàng người dùng đã đặt, các đánh giá của người dùng đối với món ăn, hệ thống sẽ đề xuất những món ăn khác phù hợp nhất đến người dùng.