Giới thiệu dự án

Thị trường giao đồ ăn trực tuyến (Online Food Delivery) tại Việt Nam và khu vực Đông Nam Á đã chứng kiến sự tăng trưởng vượt bậc với tốc độ tăng trưởng kép hàng năm (CAGR) đạt hơn 30% trong giai đoạn 2020–2025. Tuy nhiên, phần lớn các nền tảng thương mại dịch vụ ẩm thực hiện nay chỉ tập trung tối ưu hóa quy trình tiếp nhận đơn hàng, rút ngắn thời gian giao vận dựa trên vị trí địa lý hoặc tung ra các chương trình khuyến mãi ngắn hạn. Trải nghiệm sau mua hàng (post-purchase experience)—đặc biệt là việc phân tích chất lượng món ăn thông qua phản hồi thực tế của khách hàng—chưa được khai thác triệt để.

Đa số hệ thống hiện hữu chỉ dừng lại ở việc chấm điểm sao (Star Rating) trung bình theo địa điểm quán ăn, gây ra tình trạng bất đối xứng thông tin: một nhà hàng có điểm tổng thể cao vẫn có thể phục vụ những món ăn không đạt chất lượng, hoặc các đánh giá dạng văn bản chứa nhiều thông tin giá trị nhưng không được xử lý tự động để xếp hạng lại thực đơn.

Đề tài khóa luận tốt nghiệp "Áp dụng kỹ thuật học máy vào xây dựng ứng dụng đặt món ăn tích hợp đánh giá trạng thái bình luận" (Ứng dụng Chefood) được thực hiện bởi nhóm sinh viên ngành Truyền thông và Mạng máy tính, Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM dưới sự hướng dẫn của ThS. Thái Huy Tân nhằm giải quyết triệt để các bất cập trên.

+-------------------------------------------------------------------------+
|                              CHEFOOD SYSTEM                             |
+-------------------------------------------------------------------------+
|  [Client: React Native] <---> [Backend API: Node.js / Express]          |
|                                       |                                 |
|         +-----------------------------+-----------------------------+   |
|         |                             |                             |   |
|  [Database: MongoDB]      [NLP: Logistic Regression]     [Recommender:  |
|                           (Phân tích sắc thái bình luận)  LightGCN/SVD] |
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Xây dựng ứng dụng di động đa nền tảng (Cross-platform Mobile App) mang tên Chefood vận hành mượt mà trên hệ điều hành Android (API 21+) và iOS (iOS 11+).
  2. Thiết kế hệ thống Backend RESTful API hiệu năng cao trên nền tảng Node.js và hệ quản trị cơ sở dữ liệu phi quan hệ MongoDB, đảm bảo khả năng xử lý đồng thời nhiều kết nối I/O.
  3. Hiện thực hóa mô hình Xử lý ngôn ngữ tự nhiên (NLP) sử dụng thuật toán Học máy (Logistic Regression) để tự động phân loại sắc thái bình luận (Sentiment Analysis: Tích cực / Tiêu cực) từ phản hồi khách hàng theo thời gian thực.
  4. Xây dựng hệ thống gợi ý món ăn (Recommendation System) thông minh dựa trên kỹ thuật Lọc cộng tác đồ thị (LightGCN - Light Graph Convolutional Network) kết hợp phân rã ma trận suy biến (SVD - Singular Value Decomposition) nhằm cá nhân hóa thực đơn cho từng người dùng.
  5. Tích hợp các dịch vụ đám mây và bên thứ ba hoàn chỉnh, bao gồm Firebase Authentication (xác thực OAuth 2.0), Bing Maps API (tính toán tuyến đường và khoảng cách) và Stripe API (cổng thanh toán thẻ quốc tế bảo mật).

Phạm vi và giới hạn

  • Phạm vi triển khai: Phục vụ đối tượng khách hàng đặt món ăn từ các đầu bếp gia đình/chuyên nghiệp tại khu vực nội thành TP. Hồ Chí Minh.
  • Giới hạn kỹ thuật: Mô hình phân loại tập trung vào tập dữ liệu tiếng Việt chuyên ngành ẩm thực; hệ thống gợi ý dựa trên lịch sử tương tác và ma trận đánh giá của tập người dùng thử nghiệm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát các ứng dụng phổ biến trên thị trường (GrabFood, Baemin, ShopeeFood) cho thấy những ưu và nhược điểm rõ rệt:

Tiêu chí GrabFood / ShopeeFood Baemin Chefood (Giải pháp đề xuất)
Mô hình phục vụ Nhà hàng, quán ăn liên kết Quán ăn theo khu vực Kết nối trực tiếp đầu bếp - khách hàng
Đánh giá phản hồi Điểm sao tổng hợp theo quán Bình luận văn bản chung NLP phân loại sắc thái theo từng món ăn
Gợi ý món ăn Theo khoảng cách & khuyến mãi Theo bộ sưu tập / danh mục LightGCN cá nhân hóa theo hành vi & khẩu vị
Thanh toán trực tuyến Ví điện tử, thẻ ngân hàng Thẻ, Momo, ZaloPay Stripe Payment Gateway chuẩn PCI-DSS
Định vị & Quãng đường Google Maps API Google Maps API Bing Maps API tối ưu chi phí hạ tầng

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must have (Bắt buộc): Đăng ký/đăng nhập đa phương thức, tìm kiếm thực đơn, giỏ hàng, đặt món, thanh toán thẻ, bình luận món ăn, phân loại tự động cảm xúc bình luận.
  • Should have (Nên có): Gợi ý món ăn thông minh theo mô hình Graph Learning, tính khoảng cách shipper/đầu bếp qua Bing Maps API, lưu món ăn yêu thích, theo dõi đầu bếp.
  • Could have (Có thể có): So sánh giá và thành phần dinh dưỡng giữa các đầu bếp cùng khu vực.
  • Won't have (Chưa thực hiện): Chat trực tiếp thời gian thực P2P giữa khách hàng và tài xế (sẽ phát triển ở giai đoạn sau).

Thiết kế hệ thống

Kiến trúc Chefood được thiết kế theo mô hình 3 tầng phân tán (Three-Tier Distributed Architecture):

+----------------------------------------------------------------------------+
| PRESENTATION TIER                                                          |
| React Native UI (Redux State Management, Axios HTTP Client, Async Storage) |
+----------------------------------------------------------------------------+
                                      | (HTTPS / JSON REST API)
+----------------------------------------------------------------------------+
| APPLICATION & INFERENCE TIER                                               |
| - Node.js Express Server: Business Logic, Auth Middleware, Routing         |
| - Python ML Service: FastAPI Microservice (Scikit-Learn, PyTorch)          |
| - Third-Party: Firebase Auth, Stripe API, Bing Maps REST API              |
+----------------------------------------------------------------------------+
                                      | (Mongoose ODM / TCP Socket)
+----------------------------------------------------------------------------+
| DATA STORAGE TIER                                                          |
| - MongoDB Atlas Cluster: JSON Documents (Users, Dishes, Orders, Reviews)  |
+----------------------------------------------------------------------------+

Technology Stack và phiên bản cụ thể

  • Mobile Frontend: React Native v0.64.x, React Navigation v5.x, Redux Toolkit.
  • Backend Server: Node.js v14.17.x, Express.js v4.17.x.
  • Database: MongoDB v4.4.x (hỗ trợ lưu trữ cấu trúc Document phi quan hệ linh hoạt).
  • Machine Learning Services: Python v3.8.x, Scikit-learn v0.24.x (Logistic Regression), PyTorch v1.8.x (LightGCN), Surprise Library (SVD).
  • Cloud Infrastructure: Microsoft Azure Virtual Machines (Ubuntu Server 20.04 LTS), Azure Blob Storage.

Thiết kế RESTful API tiêu biểu

  • POST /api/v1/auth/verify-token: Xác thực JWT Token từ Firebase.
  • GET /api/v1/dishes/recommendations?userId={id}: Lấy danh sách món ăn gợi ý qua thuật toán LightGCN.
  • POST /api/v1/reviews/classify: Tiếp nhận bình luận văn bản, kích hoạt pipeline NLP và trả về nhãn sắc thái.
  • POST /api/v1/orders/charge-stripe: Khởi tạo thanh toán với Stripe Token.
// Cấu trúc Schema cơ sở dữ liệu MongoDB (Document mẫu: Review & Dish)
{
  "_id": "60c72b2f9b1d8b2bad7e8911",
  "dishId": "60c72b2f9b1d8b2bad7e8900",
  "userId": "60c72b2f9b1d8b2bad7e8850",
  "ratingStar": 5,
  "commentRaw": "Món bò kho rất thơm ngon, thịt mềm và giao hàng cực nhanh!",
  "sentimentLabel": "POSITIVE",
  "sentimentScore": 0.9421,
  "createdAt": "2021-06-14T10:30:00.000Z"
}

Methodology

Dự án áp dụng mô hình phát triển phần mềm linh hoạt (Agile Scrum) rút gọn với 4 giai đoạn chính trong 16 tuần:

  • Tuần 1–2: Khảo sát nghiệp vụ, đặc tả Use Case, thiết kế Data Flow Diagram (DFD) và Sequence Diagram.
  • Tuần 3–6: Xây dựng giao diện Client React Native và hệ thống Backend RESTful API hoàn chỉnh.
  • Tuần 7–11: Thu thập tập dữ liệu, tiền xử lý dữ liệu NLP, đào tạo và tinh chỉnh mô hình Logistic Regression, LightGCN và SVD.
  • Tuần 12–16: Tích hợp Microservices, kiểm thử chức năng, tối ưu hóa độ trễ API, đóng gói ứng dụng (APK/IPA) và triển khai trên máy chủ Azure.

Implementation và kết quả

Development process

1. Xử lý ngôn ngữ tự nhiên: Phân loại trạng thái bình luận (Sentiment Analysis)

Quy trình tiền xử lý văn bản tiếng Việt gồm các bước: Chuẩn hóa chữ thường $\rightarrow$ Loại bỏ ký tự đặc biệt/dấu câu $\rightarrow$ Tách từ (Word Tokenization) $\rightarrow$ Loại bỏ từ dừng (Stopwords).

Văn bản sau tiền xử lý được chuyển thành ma trận đặc trưng số thông qua kỹ thuật TF-IDF (Term Frequency-Inverse Document Frequency):

$$\text{TF-IDF}(t, d, D) = \text{TF}(t, d) \times \log\left(\frac{1 + |D|}{1 + |{d \in D : t \in d}|}\right) + 1$$

Mô hình Logistic Regression sử dụng hàm kích hoạt Sigmoid để tính toán xác suất nhãn tích cực $P(y=1|x)$:

$$\sigma(z) = \frac{1}{1 + e^{-z}} \quad \text{với} \quad z = w^T x + b$$

Hàm mất mát Binary Cross-Entropy tối ưu hóa bằng thuật toán L-BFGS:

$$\mathcal{L}(w, b) = -\frac{1}{N} \sum_{i=1}^{N} \left[ y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) \right] + \frac{\lambda}{2} |w|_2^2$$

# Trích xuất code pipeline tiền xử lý và huấn luyện Logistic Regression
import re
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline

def preprocess_vietnamese_text(text):
    text = text.lower()
    text = re.sub(r'[^\w\s]', ' ', text)
    text = re.sub(r'\s+', ' ', text).strip()
    return text

sentiment_pipeline = Pipeline([
    ('tfidf', TfidfVectorizer(ngram_range=(1, 2), max_features=10000, preprocessor=preprocess_vietnamese_text)),
    ('clf', LogisticRegression(C=1.5, solver='lbfgs', max_iter=500, class_weight='balanced'))
])

# Training pipeline với tập 50,000 mẫu
sentiment_pipeline.fit(X_train, y_train)

2. Hệ thống gợi ý: Lọc cộng tác đồ thị (LightGCN)

Khác với mạng tích chập đồ thị truyền thống (GCN) phức tạp với biến đổi phi tuyến và ma trận trọng số làm giảm hiệu suất lọc cộng tác, LightGCN tinh gọn kiến trúc bằng cơ chế tổng hợp láng giềng tuyến tính đơn giản:

$$e_u^{(k+1)} = \sum_{i \in \mathcal{N}_u} \frac{1}{\sqrt{|\mathcal{N}_u||\mathcal{N}i|}} e_i^{(k)} \quad ; \quad e_i^{(k+1)} = \sum{u \in \mathcal{N}_i} \frac{1}{\sqrt{|\mathcal{N}_i||\mathcal{N}_u|}} e_u^{(k)}$$

Biểu diễn embedding cuối cùng của người dùng $u$ và món ăn $i$ sau $K$ lớp tích chập đồ thị:

$$e_u = \sum_{k=0}^K \alpha_k e_u^{(k)} \quad ; \quad e_i = \sum_{k=0}^K \alpha_k e_i^{(k)} \quad (\text{với } \alpha_k = \frac{1}{K + 1})$$

Dự đoán mức độ ưu tiên: $\hat{y}_{ui} = e_u^T e_i$.

// Endpoint xử lý phân loại bình luận và tự động cập nhật điểm món ăn (Node.js)
router.post('/api/v1/dishes/:dishId/reviews', authMiddleware, async (req, res) => {
  try {
    const { dishId } = req.params;
    const { comment, ratingStar } = req.body;
    
    // Gọi microservice Machine Learning trên Azure
    const mlResponse = await axios.post(`${process.env.ML_SERVICE_URL}/predict-sentiment`, {
      text: comment
    });
    
    const { label, confidence } = mlResponse.data; // label: 'POSITIVE' | 'NEGATIVE'
    
    const newReview = await Review.create({
      dishId,
      userId: req.user.id,
      commentRaw: comment,
      ratingStar,
      sentimentLabel: label,
      sentimentScore: confidence
    });
    
    // Tự động tái tính toán chỉ số xếp hạng của món ăn
    await updateDishSentimentIndex(dishId);
    
    return res.status(201).json({ success: true, data: newReview });
  } catch (error) {
    return res.status(500).json({ success: false, message: error.message });
  }
});

Testing và validation

Quá trình đánh giá được thực hiện trên 2 tập dữ liệu độc lập:

  1. Tập dữ liệu phân tích cảm xúc: 50,000 bình luận món ăn tiếng Việt được dán nhãn nhị phân (Binary Classification).
  2. Tập dữ liệu hệ thống gợi ý: 500,142 bản ghi đánh giá tương tác (User-Dish Rating Matrix).
+--------------------------------------------------------------------+
|               LOSS VALUE CONVERGENCE AFTER 500 EPOCHS              |
+--------------------------------------------------------------------+
| Logistic Regression : [===========>                      ] 0.2412  |
| LightGCN            : [==================>               ] 0.1854  |
| SVD                 : [===============>                  ] 0.2105  |
+--------------------------------------------------------------------+

Kết quả đối sánh hiệu năng các thuật toán

Tiêu chuẩn / Mô hình Logistic Regression Support Vector Machine (SVC) Singular Value Decomposition (SVD) LightGCN (Đề xuất)
Nhiệm vụ Sentiment Analysis Sentiment Analysis Recommender System Recommender System
Độ chính xác (Accuracy) 89.42% 88.15% - -
Precision / Recall 0.89 / 0.90 0.88 / 0.88 - -
F1-Score 0.895 0.880 - -
Training Loss (500 Epochs) 0.2412 - 0.2105 0.1854
NDCG@10 - - 0.6124 0.7280
Thời gian phản hồi (Inference) < 15ms ~ 45ms ~ 28ms < 20ms

Kết quả đạt được

  • Chức năng: Hoàn thiện 100% các phân hệ cốt lõi gồm Quản lý tài khoản, Giỏ hàng, Đặt hàng, Thanh toán thẻ qua Stripe, Lọc khoảng cách bằng Bing Maps API, Phân tích cảm xúc phản hồi và Đề xuất thực đơn.
  • Hiệu năng hệ thống: Backend Node.js đạt thời gian phản hồi trung bình $112\text{ ms}$ cho các API thông thường và $180\text{ ms}$ cho các API có xử lý dự đoán mô hình học máy.
  • Thử nghiệm UAT (User Acceptance Testing): 92.5% người tham gia thử nghiệm đánh giá giao diện trực quan, dễ thao tác; tính năng gợi ý món ăn đạt độ hài lòng 4.6/5.0.

Đổi mới và đóng góp

  1. Đổi mới trong phương pháp xếp hạng món ăn: Thay vì tính trung bình cộng đơn thuần của số sao, Chefood xây dựng chỉ số xếp hạng tích hợp trọng số từ sắc thái bình luận thực tế (Sentiment Weight Index). Những món ăn có phản hồi tích cực chuyên sâu sẽ được tăng điểm ưu tiên hiển thị.
  2. Ứng dụng mô hình Graph Neural Network tinh gọn: Áp dụng thành công LightGCN vào bài toán gợi ý món ăn, giúp cải thiện độ chính xác phân loại gợi ý (NDCG@10) lên 18.8% so với mô hình phân rã ma trận SVD truyền thống.
  3. Mô hình kinh doanh ẩm thực hướng đến đầu bếp: Nền tảng kết nối trực tiếp những đầu bếp gia đình có tay nghề với thực khách, tạo ra sự phong phú về phong cách ẩm thực địa phương và đảm bảo tiêu chuẩn vệ sinh an toàn thực phẩm.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Real-World Use Cases)

  • Nhân viên văn phòng bận rộn: Đặt các bữa trưa chuẩn vị gia đình nấu từ các đầu bếp uy tín gần khu vực làm việc, thanh toán thẻ bảo mật không dùng tiền mặt.
  • Khách hàng có nhu cầu ẩm thực đặc thù: Dễ dàng tìm kiếm món ăn theo chế độ ăn (Eat Clean, Healthy, Thuần chay) nhờ hệ thống gợi ý dựa trên sở thích lịch sử.
  • Đầu bếp tự do (Home Chef): Tiếp cận trực tiếp lượng khách hàng tiềm năng mà không phải chịu chi phí mặt bằng nhà hàng đắt đỏ.
+--------------------------------------------------------------------+
|                         DEPLOYMENT TOPOLOGY                        |
+--------------------------------------------------------------------+
|  [Clients: iOS/Android]                                            |
|          | (HTTPS / TLS 1.3)                                       |
|  [Cloudflare CDN & Reverse Proxy]                                  |
|          |                                                         |
|  [Azure VM: Nginx Web Server]                                      |
|    |---> [PM2 Cluster: Node.js REST API (Port 5000)]               |
|    |---> [Gunicorn/Uvicorn: FastAPI ML Worker (Port 8000)]         |
|          |                                                         |
|  [MongoDB Atlas Managed Database Replica Set]                      |
+--------------------------------------------------------------------+

Chiến lược triển khai và Yêu cầu hạ tầng

  • Máy chủ ứng dụng: 01 Azure VM Standard_B2s (2 vCPUs, 4 GiB RAM) chạy hệ điều hành Ubuntu 20.04 LTS.
  • Quản lý tiến trình: Sử dụng PM2 cho cụm Node.js và Gunicorn/Uvicorn cho Python Worker.
  • Dự toán chi phí vận hành: Nhờ tận dụng Bing Maps API (miễn phí hạn mức cơ bản) và kiến trúc NoSQL phi quan hệ tối ưu, chi phí hạ tầng máy chủ cho quy mô 10,000 người dùng ước tính dưới $80\text{ USD/tháng}$, mang lại tỷ suất hoàn vốn (ROI) cao khi đưa vào thương mại hóa.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Đặc trưng ngôn ngữ: Pipeline NLP hiện tại sử dụng TF-IDF và Logistic Regression tuy nhanh và nhẹ nhưng chưa xử lý triệt để được các cấu trúc câu đảo ngữ phức tạp, từ ngữ lóng (teen code) hoặc sắc thái mỉa mai (sarcasm).
  • Vấn đề khởi đầu lạnh (Cold-Start Problem): Đối với người dùng mới hoặc các đầu bếp mới tham gia nền tảng chưa có lịch sử đánh giá, thuật toán LightGCN cần dựa vào các thuộc tính phụ trợ để nâng cao chất lượng gợi ý.

Hướng phát triển

  • Tích hợp các mô hình ngôn ngữ lớn chuyên sâu cho tiếng Việt như PhoBERT hoặc RoBERTa để nâng độ chính xác phân loại cảm xúc vượt ngưỡng 95%.
  • Mở rộng thuật toán Recommender System đa phương thức (Multimodal Recommendation), kết hợp phân tích hình ảnh món ăn thực tế và dữ liệu vị trí thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo thực tiễn và mã nguồn mẫu chuẩn mực về việc tích hợp mạng nơ-ron đồ thị (LightGCN) và xử lý ngôn ngữ tự nhiên vào ứng dụng di động hoàn chỉnh.
  • Lập trình viên (Developers): Nắm vững kiến trúc kết hợp giữa React Native, Node.js RESTful API, MongoDB và các dịch vụ đám mây Firebase, Stripe, Bing Maps.
  • Doanh nghiệp & Startup F&B: Một giải pháp công nghệ toàn diện giúp chuyển đổi số mô hình Cloud Kitchen và bếp ăn gia đình với chi phí đầu tư ban đầu thấp.
  • Cộng đồng người dùng: Trải nghiệm ẩm thực minh bạch, tiết kiệm thời gian lựa chọn món ăn chất lượng nhờ hệ thống đánh giá thông minh.

Câu hỏi thường gặp

  1. Yêu cầu phần cứng và môi trường tối thiểu để cài đặt và vận hành hệ thống Chefood là gì? Thiết bị di động yêu cầu Android 5.0 (Lollipop - API 21) trở lên hoặc iOS 11.0 trở lên. Phía máy chủ yêu cầu tối thiểu 2 vCPUs, 4GB RAM, cài đặt Node.js v14+, Python 3.8+ và kết nối cơ sở dữ liệu MongoDB v4.4+.

  2. Hệ thống xử lý bài toán Cold-Start cho người dùng và món ăn mới như thế nào? Đối với người dùng mới, hệ thống kích hoạt chế độ Fallback dựa trên các món ăn nổi bật trong ngày (Trending/Popular dishes) kết hợp lọc theo vị trí địa lý gần nhất từ Bing Maps API trước khi có đủ dữ liệu tương tác để kích hoạt LightGCN.

  3. Tại sao dự án lại lựa chọn Bing Maps API thay vì Google Maps API? Bing Maps API cung cấp đầy đủ các endpoint tính toán lộ trình, định vị địa lý và đo đạc khoảng cách với hạn mức miễn phí ban đầu rất rộng lượng, giúp tối ưu hóa chi phí phát triển và vận hành hệ thống trong giai đoạn thử nghiệm của đồ án.

  4. Dữ liệu thẻ tín dụng của khách hàng được bảo mật như thế nào qua Stripe? Ứng dụng hoàn toàn không lưu trữ số thẻ hay mã CVV trên cơ sở dữ liệu. Mọi thông tin nhạy cảm được gửi trực tiếp đến máy chủ Stripe để sinh Token định danh chuẩn PCI-DSS Level 1, sau đó Backend chỉ xử lý giao dịch thông qua Token an toàn này.

  5. Thuật toán Logistic Regression có ưu thế gì so với mạng nơ-ron sâu trong bài toán phân loại bình luận của đề tài? Với tập dữ liệu văn bản phân loại nhị phân đã qua trích xuất đặc trưng TF-IDF, Logistic Regression mang lại tốc độ huấn luyện và suy luận cực nhanh (dưới 15ms/request), ít tốn tài nguyên RAM máy chủ, tránh hiện tượng quá khớp (overfitting) và dễ dàng triển khai dưới dạng microservice nhẹ.

Kết luận

Đồ án khóa luận tốt nghiệp "Áp dụng kỹ thuật học máy vào xây dựng ứng dụng đặt món ăn tích hợp đánh giá trạng thái bình luận" đã hiện thực hóa thành công sản phẩm Chefood hoàn chỉnh cả về mặt lý thuyết khoa học lẫn ứng dụng thực tiễn. Bằng việc kết hợp chặt chẽ giữa kỹ thuật lập trình ứng dụng di động đa nền tảng (React Native), hệ thống Backend phân tán (Node.js & MongoDB) cùng các mô hình Trí tuệ nhân tạo hiện đại (Logistic Regression, LightGCN), đề tài đã giải quyết triệt để bài toán nâng cao trải nghiệm sau mua hàng và cá nhân hóa trải nghiệm ẩm thực cho người dùng. Đây là nền tảng vững chắc để tiếp tục mở rộng, nâng cấp và thương mại hóa thành một hệ sinh thái dịch vụ ẩm thực thông minh trong tương lai.