Luận Văn Thạc Sĩ: Ứng Dụng Luật Kết Hợp Trong Hệ Thống Gợi Ý

Luận văn thạc sĩ luật học nghiên cứu ứng dụng luật kết hợp trong hệ gợi ý, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Phan Thị Bích Hoa
• Người hướng dẫn: TS. Lê Quang Hùng
• Trường học: Đại học Quy Nhơn
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng dụng luật kết hợp trong hệ gợi ý
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Bình Định

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Tóm tắt
• Danh mục các chữ viết tắt
• Danh mục các hình vẽ
• Danh mục các bảng
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Sơ lược về hệ gợi ý
• 1.2. Các nhiệm vụ trong hệ gợi ý
• 1.3. Bài toán hệ gợi ý
• 1.4. Một số kỹ thuật gợi ý
• 1.4.1. Lọc dựa trên nội dung
• 1.4.2. Lọc kết hợp
• 1.5. Đánh giá hệ gợi ý
• 1.5.1. Các phương pháp đánh giá
• 1.6. Tổng kết chương 1
• 2. CHƯƠNG 2: ỨNG DỤNG LUẬT KẾT HỢP TRONG HỆ GỢI Ý
• 2.1. Khai phá luật kết hợp
• 2.1.1. Một số khái niệm và định nghĩa
• 2.1.2. Phương pháp Apriori
• 2.2. Mô hình ứng dụng luật kết hợp trong hệ gợi ý
• 2.3. Sinh luật kết hợp sử dụng thuật toán Apriori
• 2.4. Sinh gợi ý từ luật kết hợp
• 2.5. Tổng kết chương 2
• 2.6. Cài đặt thực nghiệm
• 2.7. Kết quả thực nghiệm
• Kết luận
• Bài báo liên quan đến luận văn
• Tài liệu tham khảo

Tóm tắt

I. Tổng quan về hệ gợi ý

Hệ gợi ý là một hệ thống lọc thông tin nhằm đưa ra các sản phẩm hoặc dịch vụ mà người dùng có thể quan tâm. Luận văn thạc sĩ này tập trung vào việc ứng dụng luật kết hợp trong hệ gợi ý, một phương pháp tiên tiến trong học máy và phân tích dữ liệu. Hệ gợi ý được ứng dụng rộng rãi trong các lĩnh vực như mua sắm trực tuyến, xem phim, và mạng xã hội. Các phương pháp tiếp cận chính bao gồm lọc cộng tác, lọc dựa trên nội dung, và kết hợp cả hai. Luật kết hợp được sử dụng để tối ưu hóa hệ thống gợi ý, giúp cải thiện độ chính xác và hiệu quả của các khuyến nghị sản phẩm.

1.1. Các phương pháp gợi ý

Có ba phương pháp chính trong hệ gợi ý: lọc cộng tác (CF), lọc dựa trên nội dung (CBF), và phương pháp kết hợp. Lọc cộng tác dựa trên sự tương đồng giữa các người dùng hoặc sản phẩm để đưa ra gợi ý. Lọc dựa trên nội dung khai thác các thuộc tính của sản phẩm để tìm ra các sản phẩm tương tự. Phương pháp kết hợp kết hợp cả hai phương pháp trên để tối ưu hóa hiệu quả gợi ý. Luật kết hợp được áp dụng để tìm ra các mối quan hệ giữa các sản phẩm, từ đó cải thiện chất lượng gợi ý.

1.2. Bài toán hệ gợi ý

Bài toán chính của hệ gợi ý là dự đoán các đánh giá của người dùng đối với các sản phẩm chưa được đánh giá. Ma trận người dùng - sản phẩm được sử dụng để biểu diễn dữ liệu, trong đó các giá trị đánh giá được dự đoán dựa trên các thuật toán như Apriori. Luật kết hợp giúp tìm ra các mẫu phổ biến trong dữ liệu, từ đó cải thiện độ chính xác của các dự đoán. Các độ đo như RMSE và MAE được sử dụng để đánh giá hiệu quả của hệ thống gợi ý.

II. Ứng dụng luật kết hợp trong hệ gợi ý

Luật kết hợp là một kỹ thuật trong khai phá dữ liệu nhằm tìm ra các mối quan hệ giữa các sản phẩm trong hệ thống gợi ý. Luận văn thạc sĩ này đề xuất một mô hình ứng dụng luật kết hợp để cải thiện hiệu quả của hệ gợi ý. Thuật toán Apriori được sử dụng để tìm ra các tập phổ biến và sinh các luật kết hợp. Các luật này sau đó được áp dụng để đưa ra các khuyến nghị sản phẩm chính xác hơn. Kết quả thực nghiệm trên các bộ dữ liệu MovieLen100K, MovieLen1M, và MovieLen10M cho thấy phương pháp này vượt trội so với các phương pháp truyền thống.

2.1. Khai phá luật kết hợp

Khai phá luật kết hợp là quá trình tìm ra các mối quan hệ giữa các sản phẩm dựa trên dữ liệu đánh giá của người dùng. Thuật toán Apriori là một trong những phương pháp phổ biến nhất để thực hiện điều này. Thuật toán này tìm ra các tập phổ biến và sinh các luật kết hợp dựa trên các tập này. Các luật kết hợp sau đó được sử dụng để đưa ra các khuyến nghị sản phẩm chính xác hơn trong hệ thống gợi ý.

2.2. Mô hình ứng dụng luật kết hợp

Mô hình đề xuất trong luận văn thạc sĩ này kết hợp luật kết hợp với các phương pháp gợi ý truyền thống. Thuật toán Apriori được sử dụng để tìm ra các tập phổ biến và sinh các luật kết hợp. Các luật này sau đó được áp dụng để cải thiện độ chính xác của các khuyến nghị sản phẩm. Kết quả thực nghiệm cho thấy phương pháp này giảm đáng kể độ lỗi RMSE và MAE, chứng minh hiệu quả của việc ứng dụng luật kết hợp trong hệ gợi ý.

III. Thực nghiệm và đánh giá

Luận văn thạc sĩ này thực hiện các thí nghiệm trên các bộ dữ liệu MovieLen100K, MovieLen1M, và MovieLen10M để đánh giá hiệu quả của việc ứng dụng luật kết hợp trong hệ gợi ý. Kết quả cho thấy phương pháp đề xuất giảm đáng kể độ lỗi RMSE và MAE so với các phương pháp truyền thống. Cụ thể, RMSE giảm từ 27,66% đến 50,87%, và MAE giảm từ 27,05% đến 45,62%. Điều này chứng minh rằng luật kết hợp là một công cụ hiệu quả để tối ưu hóa hệ thống gợi ý.

3.1. Kết quả thực nghiệm

Các thí nghiệm được thực hiện trên các bộ dữ liệu MovieLen100K, MovieLen1M, và MovieLen10M để đánh giá hiệu quả của việc ứng dụng luật kết hợp trong hệ gợi ý. Kết quả cho thấy phương pháp đề xuất giảm đáng kể độ lỗi RMSE và MAE so với các phương pháp truyền thống. Cụ thể, RMSE giảm từ 27,66% đến 50,87%, và MAE giảm từ 27,05% đến 45,62%. Điều này chứng minh rằng luật kết hợp là một công cụ hiệu quả để tối ưu hóa hệ thống gợi ý.

3.2. Đánh giá hiệu quả

Phương pháp đề xuất trong luận văn thạc sĩ này được đánh giá dựa trên các độ đo RMSE và MAE. Kết quả thực nghiệm cho thấy phương pháp này giảm đáng kể độ lỗi so với các phương pháp truyền thống. Điều này chứng minh rằng việc ứng dụng luật kết hợp trong hệ gợi ý không chỉ cải thiện độ chính xác của các khuyến nghị mà còn giúp tối ưu hóa hiệu suất của hệ thống.

Nội dung chính

Tổng quan nghiên cứu

Hệ gợi ý (Recommender System - RS) là một công nghệ lọc thông tin nhằm đề xuất các sản phẩm, dịch vụ phù hợp với sở thích người dùng dựa trên dữ liệu lịch sử và hành vi tương tác. Theo ước tính, hệ gợi ý đã được ứng dụng rộng rãi trong các lĩnh vực như thương mại điện tử, âm nhạc, du lịch, phim ảnh và mạng xã hội với các nền tảng tiêu biểu như Amazon, Netflix, Facebook. Tuy nhiên, với sự gia tăng nhanh chóng về số lượng sản phẩm và người dùng, việc nâng cao hiệu quả gợi ý và giảm thời gian tính toán vẫn là thách thức lớn.

Luận văn tập trung nghiên cứu ứng dụng luật kết hợp trong hệ gợi ý nhằm cải thiện chất lượng dự đoán và gợi ý sản phẩm. Mục tiêu cụ thể gồm: (i) nghiên cứu cơ sở lý thuyết về hệ gợi ý, luật kết hợp và thuật toán Apriori; (ii) đề xuất mô hình ứng dụng luật kết hợp trong hệ gợi ý; (iii) cài đặt thực nghiệm và đánh giá hiệu quả trên các bộ dữ liệu thực tế. Phạm vi nghiên cứu tập trung trên các bộ dữ liệu MovieLens100K, MovieLens1M và MovieLens10M, đại diện cho các tập dữ liệu đánh giá phim với số lượng người dùng và sản phẩm đa dạng.

Ý nghĩa nghiên cứu thể hiện qua việc nâng cao độ chính xác dự đoán đánh giá, giảm sai số RMSE từ 27,66% đến 50,87% và MAE từ 27,05% đến 45,62% so với các phương pháp lọc cộng tác truyền thống. Điều này góp phần tiết kiệm thời gian lựa chọn sản phẩm cho người dùng và giảm chi phí quảng cáo cho doanh nghiệp, đồng thời mở rộng ứng dụng luật kết hợp trong lĩnh vực khoa học máy tính và thương mại điện tử.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: hệ gợi ý và khai phá luật kết hợp. Hệ gợi ý được phân loại theo ba hướng tiếp cận: lọc cộng tác (Collaborative Filtering - CF), lọc dựa trên nội dung (Content-Based Filtering - CBF) và lọc kết hợp (Hybrid). CF khai thác dữ liệu đánh giá của người dùng để tìm sự tương đồng giữa người dùng hoặc sản phẩm, trong khi CBF dựa trên thuộc tính sản phẩm để gợi ý các mặt hàng tương tự. Lọc kết hợp kết hợp ưu điểm của cả hai phương pháp nhằm khắc phục hạn chế dữ liệu thưa và người dùng mới.

Luật kết hợp (Association Rule - AR) là mối quan hệ giữa các tập mục trong cơ sở dữ liệu, được khai phá qua thuật toán Apriori. Các khái niệm chính gồm: tập mục (itemset), tập phổ biến (frequent itemset), độ hỗ trợ (support), độ tin cậy (confidence) và luật kết hợp mạnh (strong rule). Thuật toán Apriori tìm các tập phổ biến dựa trên ngưỡng độ hỗ trợ tối thiểu, sau đó sinh các luật kết hợp thỏa mãn ngưỡng độ tin cậy tối thiểu.

Mô hình ứng dụng luật kết hợp trong hệ gợi ý gồm ba bước: (1) tìm tập mục phổ biến bằng Apriori; (2) sinh luật kết hợp từ các tập phổ biến; (3) áp dụng lọc cộng tác để dự đoán và gợi ý sản phẩm cho người dùng dựa trên các luật kết hợp liên quan.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là ba bộ dữ liệu MovieLens100K, MovieLens1M và MovieLens10M, với số lượng người dùng lần lượt là 943, khoảng 6.000 và khoảng 70.000, số phim tương ứng là 1.054, 3.900 và 10.000, cùng độ thưa dữ liệu trên 90%. Các điểm đánh giá là số nguyên từ 1 đến 5, mỗi người dùng đánh giá ít nhất 20 phim.

Phương pháp phân tích gồm: (i) cài đặt thuật toán lọc cộng tác truyền thống (user-based CF, item-based CF); (ii) cài đặt phương pháp lọc cộng tác dựa trên luật kết hợp (AR-based CF) sử dụng thuật toán Apriori để tìm tập phổ biến và sinh luật kết hợp; (iii) đánh giá hiệu quả dựa trên hai độ đo RMSE (Root Mean Square Error) và MAE (Mean Absolute Error). Các tham số minsup (độ hỗ trợ tối thiểu) và minconf (độ tin cậy tối thiểu) được điều chỉnh trong khoảng từ 0 đến 1, phù hợp với đặc điểm từng bộ dữ liệu.

Timeline nghiên cứu bao gồm giai đoạn thu thập và xử lý dữ liệu, cài đặt thuật toán, thực nghiệm trên các bộ dữ liệu, phân tích kết quả và hoàn thiện luận văn trong năm 2021 tại Trường Đại học Quy Nhơn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả giảm sai số RMSE và MAE: Phương pháp AR-based CF cho kết quả vượt trội so với user-based CF và item-based CF trên cả ba bộ dữ liệu. Cụ thể, điểm RMSE giảm từ 27,66% đến 50,87%, trong khi điểm MAE giảm từ 27,05% đến 45,62%. Ví dụ, trên bộ dữ liệu MovieLens100K, RMSE của AR-based CF là 1,270 so với 2,451 của user-based CF và 2,585 của item-based CF.

2. Số lượng luật kết hợp thu được: Số luật kết hợp tăng theo kích thước bộ dữ liệu, với hàng nghìn luật được sinh ra từ các tập phổ biến. Điều này cho thấy thuật toán Apriori hiệu quả trong việc khai thác các mối quan hệ ẩn trong dữ liệu lớn.

3. Tính khả thi của mô hình ứng dụng luật kết hợp: Mô hình đề xuất cho phép sinh các gợi ý dựa trên luật kết hợp liên quan đến người dùng, kết hợp với kỹ thuật lọc cộng tác để dự đoán điểm đánh giá, từ đó đưa ra top-N sản phẩm phù hợp.

4. Khả năng mở rộng và ứng dụng: Phương pháp có thể áp dụng trên các miền dữ liệu khác nhau như giáo dục, thương mại điện tử, với tiềm năng cải thiện chất lượng gợi ý và giảm thời gian tính toán.

Thảo luận kết quả

Nguyên nhân chính giúp phương pháp AR-based CF vượt trội là khả năng khai thác các luật kết hợp mạnh giữa các sản phẩm, từ đó tạo ra các gợi ý chính xác hơn dựa trên mối quan hệ thực tế giữa các mặt hàng. So với phương pháp lọc cộng tác truyền thống chỉ dựa vào sự tương đồng giữa người dùng hoặc sản phẩm, luật kết hợp cung cấp một lớp thông tin bổ sung về cấu trúc dữ liệu.

Kết quả phù hợp với các nghiên cứu trước đây về ứng dụng khai phá dữ liệu trong hệ gợi ý, đồng thời khắc phục được vấn đề dữ liệu thưa và người dùng mới. Việc sử dụng độ đo RMSE và MAE giúp đánh giá chính xác mức độ sai lệch giữa dự đoán và thực tế, minh họa rõ qua các biểu đồ so sánh độ lỗi trên từng bộ dữ liệu.

Tuy nhiên, phương pháp cũng có hạn chế về chi phí tính toán khi xử lý các bộ dữ liệu rất lớn do số lượng luật kết hợp có thể tăng nhanh. Do đó, cần nghiên cứu thêm các kỹ thuật tối ưu hóa thuật toán và áp dụng học sâu để nâng cao hiệu quả.

Đề xuất và khuyến nghị

1. Tối ưu hóa thuật toán khai phá luật kết hợp: Áp dụng các kỹ thuật giảm tập luật, lọc luật không cần thiết nhằm giảm chi phí tính toán, tăng tốc độ xử lý trên các bộ dữ liệu lớn. Thời gian thực hiện: 6-12 tháng; chủ thể: nhóm nghiên cứu khoa học máy tính.

2. Mở rộng thử nghiệm trên các lĩnh vực khác: Thực hiện nghiên cứu ứng dụng luật kết hợp trong hệ gợi ý cho giáo dục, thương mại điện tử, du lịch để đánh giá tính tổng quát và hiệu quả thực tiễn. Thời gian: 12 tháng; chủ thể: các viện nghiên cứu và doanh nghiệp.

3. Kết hợp kỹ thuật học sâu: Nghiên cứu tích hợp các mô hình học sâu với luật kết hợp để cải thiện khả năng dự đoán và xử lý dữ liệu phi cấu trúc. Thời gian: 18 tháng; chủ thể: nhóm nghiên cứu AI và học máy.

4. Phát triển hệ thống gợi ý trực tuyến: Xây dựng hệ thống gợi ý trực tuyến tích hợp luật kết hợp, cho phép đánh giá hiệu quả qua tương tác người dùng thực tế, sử dụng các độ đo như CTR để tối ưu hóa trải nghiệm. Thời gian: 12 tháng; chủ thể: doanh nghiệp công nghệ và nhóm phát triển phần mềm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu khoa học máy tính: Có thể ứng dụng các phương pháp khai phá luật kết hợp và thuật toán Apriori trong nghiên cứu hệ gợi ý, khai phá dữ liệu và học máy.

2. Chuyên gia phát triển hệ thống thương mại điện tử: Áp dụng mô hình để nâng cao chất lượng gợi ý sản phẩm, giảm chi phí quảng cáo và tăng doanh thu.

3. Giảng viên và sinh viên ngành công nghệ thông tin: Sử dụng luận văn làm tài liệu tham khảo về hệ gợi ý, thuật toán khai phá dữ liệu và thực nghiệm trên bộ dữ liệu thực tế.

4. Doanh nghiệp phát triển phần mềm: Tham khảo để xây dựng các hệ thống gợi ý thông minh, cải thiện trải nghiệm người dùng và tối ưu hóa hiệu suất hệ thống.

Câu hỏi thường gặp

1. Luật kết hợp là gì và tại sao quan trọng trong hệ gợi ý?
   Luật kết hợp là mối quan hệ giữa các tập mục trong dữ liệu, giúp phát hiện các mẫu phổ biến. Trong hệ gợi ý, nó giúp xác định các sản phẩm thường được người dùng mua hoặc quan tâm cùng nhau, từ đó nâng cao độ chính xác gợi ý.

2. Thuật toán Apriori hoạt động như thế nào?
   Apriori tìm các tập mục phổ biến dựa trên ngưỡng độ hỗ trợ tối thiểu, sau đó sinh các luật kết hợp thỏa mãn ngưỡng độ tin cậy. Thuật toán lặp lại qua các cấp độ tập mục để tìm ra các mẫu phổ biến.

3. Phương pháp AR-based CF khác gì so với lọc cộng tác truyền thống?
   AR-based CF kết hợp khai phá luật kết hợp để tìm các mối quan hệ giữa sản phẩm, sau đó áp dụng lọc cộng tác để dự đoán điểm đánh giá, giúp cải thiện độ chính xác và giảm sai số so với phương pháp truyền thống chỉ dựa trên sự tương đồng.

4. Các độ đo RMSE và MAE có ý nghĩa gì trong đánh giá hệ gợi ý?
   RMSE và MAE đo lường sai số giữa giá trị đánh giá dự đoán và thực tế. RMSE nhấn mạnh các sai số lớn hơn do bình phương sai số, trong khi MAE đo sai số trung bình tuyệt đối, giúp đánh giá tổng thể độ chính xác của thuật toán.

5. Phương pháp này có thể áp dụng cho các lĩnh vực khác ngoài phim ảnh không?
   Có, phương pháp có thể mở rộng sang các lĩnh vực như giáo dục, thương mại điện tử, du lịch, nơi có dữ liệu đánh giá hoặc hành vi người dùng, giúp cải thiện chất lượng gợi ý và trải nghiệm người dùng.

Kết luận

• Đã đề xuất và cài đặt thành công mô hình ứng dụng luật kết hợp trong hệ gợi ý, kết hợp thuật toán Apriori và lọc cộng tác.
• Thực nghiệm trên ba bộ dữ liệu MovieLens100K, 1M và 10M cho thấy giảm đáng kể sai số RMSE (27,66%-50,87%) và MAE (27,05%-45,62%) so với phương pháp truyền thống.
• Mô hình giúp khai thác hiệu quả các mối quan hệ ẩn giữa sản phẩm, nâng cao chất lượng gợi ý và tiết kiệm thời gian cho người dùng.
• Hạn chế về chi phí tính toán khi xử lý dữ liệu lớn cần được nghiên cứu tối ưu trong tương lai.
• Đề xuất mở rộng nghiên cứu sang các lĩnh vực khác và tích hợp kỹ thuật học sâu để nâng cao hiệu quả hệ gợi ý.

Khuyến khích các nhà nghiên cứu và doanh nghiệp áp dụng mô hình này trong thực tế, đồng thời phát triển các giải pháp tối ưu hóa thuật toán để mở rộng ứng dụng.

Trích đoạn nội dung tài liệu

Chương 1 Tổng quan 1.1 Sơ lược về hệ gợi ý Hệ gợi ý có thể được định nghĩa như một dạng của hệ thống lọc thông tin để đưa ra các sản phẩm, dịch vụ người dùng có thể quan tâm [11]. Hệ gợi ý được ứng dụng rất thành công trong dự đoán sở thích/thói quen của người dùng dựa vào sở thích/thói quen của họ trong quá khứ. Hiện nay, cùng với sự phát triển và đa dạng của các sản phẩm, dịch vụ, Hệ gợi ý ngày càng được ứng dụng rộng rãi trong các lĩnh vực như mua sắm trực tuyến, đọc tin tức, âm nhạc, du lịch, xem phim, mạng xã hội (ví dụ: Amazon, Yahoo! Today News, Last.fm, Tripadvisor, Netflix, Facebook). Chính vì khả năng ứng dụng rộng rãi của nó, hệ gợi ý mở ra nhiều tiềm năng trong nghiên cứu cũng như trong xây dựng các hệ thống thực tế, đặc biệt là các hệ thống hỗ trợ người dùng ra quyết định.

Một vài ứng dụng nổi tiếng về hệ thống gợi ý như: Gợi ý sản phẩm Amazon, hệ gợi ý phim của NetFlix. Hệ thống gợi ý đã chứng minh được ý nghĩa to lớn trong việc giúp người sử dụng trực tuyến giải quyết với tình trạng quá tải thông tin. Chính vì vậy, hệ thống gợi ý trở thành một trong những công cụ mạnh mẽ và phổ biến trong thương mại điện tử và trên nhiều lĩnh vực khác. Có ba hướng tiếp cận chính thường được sử dụng để xây dựng các hệ gợi ý, bao gồm hướng tiếp cận dựa trên nội dung (content-based), hướng tiếp cận lọc cộng tác (collaborative filtering - CF) và và hướng tiếp cận kết hợp lọc cộng tác và lọc dựa trên nội dung .1: Hệ gợi ý của trang web Amazon.com Mô hình hệ gợi ý: Ở dạng đơn giản nhất, hệ gợi ý cung cấp danh sách sản phẩm được xếp hạng theo thứ tự ưu tiên.

Để thực hiện được điều này, hệ thống dự đoán các sản phẩm phù hợp nhất dựa trên sở thích của người dùng [16]. Mô hình tương tác giữa người dùng và hệ gợi ý được biểu diễn ở Hình1. Trong mô hình này, hồ sơ người dùng được thiết lập dựa trên sở thích (thông tin hiện) hoặc hành vi (thông tin ẩn) của họ. Sau khi hồ sơ người dùng được thiết lập, hệ thống tạo và hiển thị kết quả cho người dùng (danh sách gợi ý).

Tiếp theo, người dùng có thể duyệt các gợi ý, họ có thể chấp nhận hoặc không chấp nhận chúng. Hành động và phản hồi của người dùng được lưu trữ (cập nhật sở thích) trong hồ sơ người dùng để tạo các đề xuất mới cho người dùng ở thời điểm tiếp theo. Trong hệ gợi ý, thông thường chúng ta quan tâm đến ba thông tin chính, bao gồm: người dùng (user), sản phẩm (item) và phản hồi (feedback) của người dùng trên sản phẩm đó (thường là các xếp hạng/đánh giá biểu diễn mức độ thích/quan tâm của người dùng). Các thông tin này được biểu diễn thông qua ma trận Người dùng Ö Sản phẩm như mô tả ở Hình 1.2: Mô hình tương tác giữa người dùng và hệ gợi ý Hình 1.3: Ma trận biểu diễn dữ liệu trong hệ gợi ý Trong ma trận này, mỗi dòng là một người dùng, mỗi cột là một sản phẩm và mỗi ô là một giá trị phản hồi biểu diễn mức độ "thích" của người dùng trên sản phẩm tương ứng.

Các ô có giá trị là những sản phẩm người dùng đã xếp hạng trong quá khứ. Những ô trống là những sản phẩm chưa được đánh giá bởi người dùng.2 Các nhiệm vụ trong hệ gợi ý Các nhiệm vụ của hệ gợi ý có thể được chia thành ba loại, bao gồm: (i) gợi ý các sản phẩm tốt đến người dùng; (ii) dự đoán đánh giá và (iii) tối ưu lợi ích [7]. Mỗi loại bài toán, cần có các độ đo phù hợp để đánh giá hiệu quả của thuật toán gợi ý. Bài toán gợi ý các sản phẩm tốt đến người dùng: Với bài toán này, hệ thống cần đưa ra danh sách các sản phẩm được dự đoán là người dùng sẽ thích [7, 15].

Theo [7], các tác giả chia bài toán này thành hai lớp bài toán con: gợi ý một số sản phẩm tốt nhất đến người dùng và gợi ý tất cả sản phẩm phù hợp đến người dùng. Trong trường hợp thứ nhất, giả sử có tất cả n sản phẩm, hệ thống cần đưa ra top-N sản phẩm phù hợp nhất cho người dùng. Ví dụ, các website như Amazon, Netflix thường đưa ra vài sản phẩm gợi ý người dùng có thể quan tâm khi họ đang xem một sản phẩm nào đó. Thông thường, người dùng chỉ quan tâm đến những sản phẩm xuất hiện đầu tiên được gợi ý.

Vì thế, hệ thống cần xếp hạng các sản phẩm sao cho những sản phẩm có khả năng người dùng thích nhất được xếp lên trước. Lớp bài toán con thứ hai trong nhóm này là hệ thống cần gợi ý tất cả các sản phẩm/nội dung có khả năng người dùng quan tâm. Chẳng hạn như các hệ thống cần đưa ra các tài liệu về pháp luật liên quan đến vấn đề người dùng quan tâm. Trong trường hợp này, các độ đo về độ bao phủ (recall) nên được sử dụng hơn là các độ đo về độ chính xác (precison).

Trong cả hai trường hợp trên, bên cạnh việc gợi ý các sản phẩm phù hợp, việc xếp thứ tự các sản phẩm theo mức độ phù hợp sẽ tạo điều kiện cho người dùng lựa chọn sản phẩm tốt hơn Bài toán dự đoán đánh giá: Với bài toán này, hệ thống cần đưa ra các giá trị đánh giá dự đoán cho mỗi bộ (người dùng, sản phẩm) chưa được đánh giá. Các giá trị đánh giá dự đoán này có thể được sử dụng như một gợi ý để người dùng quyết định chọn sản phẩm. Chẳng hạn trong Netflix hay CNET , hệ thống tự động gán giá trị đánh giá dự đoán cho mỗi sản phẩm (phim/thiết bị điện tử. ) khi người dùng tìm kiếm hay duyệt các sản phẩm [7].

Bài toán tối ưu lợi ích: Với lớp bài toán này, hệ gợi ý ngoài việc đưa ra các sản phẩm phù hợp với người dùng (những sản phẩm người dùng có khả năng quan tâm, thích hoặc thực hiện mua) thì còn phải quan tâm đến lợi nhuận đem lại cho tổ chức hoặc một mục tiêu hệ thống cần nhắm tới. Chẳng hạn trong các sàn thương mại điện tử, lợi nhuận đến từ việc quảng cáo của các người bán hàng trên 6 hệ thống. Người bán hàng có thể quảng cáo sản phẩm của họ và được hệ thống hiển thị khi người dùng tìm kiếm sản phẩm. Với mỗi quảng cáo, người bán hàng phải đặt một mức đấu giá (bid) cho việc quảng cáo này.

Để tối đa hóa lợi nhuận, hệ gợi ý bên cạnh việc hiển thị cho người dùng các mẫu tin quảng cáo phù hợp (có xác suất cao người dùng sẽ truy cập vào tin quảng cáo), còn phải xem xét đến mức đấu giá giữa những người đăng quảng cáo để tối đa lợi nhuận. Một ví dụ khác, trong các ứng dụng đọc tin tức, phần lớn lợi nhuận đến từ việc quảng cáo hiển thị khi người dùng đọc tin. Bên cạnh việc gợi ý các tin tức người dùng có thể quan tâm, hệ gợi ý cần tính đến việc lựa chọn những tin tức nào có thể giữ người dùng lâu trên hệ thống (chẳng hạn những bản tin dài), điều đó sẽ giúp tăng lợi nhuận đến từ quảng cáo. Trong trường hợp mục tiêu của hệ thống là giới thiệu được các sản phẩm mới, lạ đến người dùng, hàm lợi ích cần phải định nghĩa để tính toán đến độ phổ biến của các sản phẩm.3 Bài toán hệ gợi ý Trong hệ gợi ý truyền thống, mỗi người dùng đánh giá sản phẩm như là một cách thể hiện mức độ hài lòng (thích, quan tâm) của mình đối với sản phẩm đó.

Các giá trị này thuộc tập có thứ tự, chẳng hạn 1 - 5 trong đó 1 là rất không hài lòng đến 5 là rất hài lòng [13]. Chúng có thể được thu thập tường minh (ví dụ khi người dùng đánh giá một bộ phim) hoặc ngầm định (dựa trên sự quan sát hành vi của người dùng như giao dịch mua hàng) [1]. Hệ gợi ý được xây dựng trên dữ liệu sở thích của người dùng về các sản phẩm được biểu diễn dưới dạng ma trận U sers x Items. Trong đó, mỗi dòng là đại diện cho một người dùng và các đánh giá của người dùng đó trên các sản phẩm khác nhau của hệ thống.

Mỗi cột là đại diện cho một sản phẩm và các đánh giá của các người dùng khác nhau lên sản phẩm này. Thông thường, ma trận này thưa vì có rất ít cặp user - item có dữ liệu đánh giá. Mục tiêu của hệ gợi ý là dự đoán các đánh giá chưa biết cho các cặp user - item còn lại, từ đó gợi ý đến người dùng những sản phẩm có đánh giá dự đoán cao [13]. Một cách hình thức, gọi U là tập các người dùng, M = |U | là tổng số người dùng trong U , u ∈ U là một người dùng trong U.

I là tập các sản phẩm, N = là tổng số sản phẩm trong I, i ∈ I là một sản phẩm trong I. R là tập các giá trị đánh giá. Gọi Y là ma trận đánh giá và Y 0 là ma trận đánh giá được dự đoán. rui 0 biểu diễn đánh giá của người dùng u trên sản phẩm và rui biểu diễn đánh giá dự đoán của người dùng u trên sản phẩm.

Bài toán hệ gợi ý nhằm xây dựng hàm dự 7 đoán đánh giá r sao cho r : U x I → R, ánh xạ mỗi cặp (u, i) ∈ U x I vào tập giá 0 trị đánh giá R, hay rui = rui. Nói cách khác, thông qua hàm dự đoán đánh giá r, ước lượng các giá trị đánh giá cho các cặp user - item chưa được đánh giá trong ma trận Y [1]. Trong hệ gợi ý, tính tiện ích của sản phẩm i thường biểu thị mức độ quan tâm của người dùng tới một mặt hàng cụ thể thông qua trọng số; ví dụ người dùng u1 đánh giá i3 có trọng số là 4 như trong Bảng 1.1: Bảng ma trận trọng số đánh giá của hệ gợi ý i1 i2 i3 i4 i5 u1 5 3 4 4 ? u2 2 2 4 1 4 u3 1 4 5 1 2 u4 1 4 2 4 3 1.4 Một số kỹ thuật gợi ý Cách tiếp cận truyền thống khai thác 3 loại thông tin đầu vào gồm người dùng, sản phẩm và phản hồi của người dùng về sản phẩm.