Nghiên cứu ứng dụng mạng học sâu trong thương mại điện tử - Luận văn thạc sĩ khoa học máy tính

Luận văn thạc sĩ kỹ thuật phân tích máy tính hệ thống đề xuất sử dụng các mạng học sâu trong thương mại điện tử, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho

• Tác giả: Nguyễn Công Hậu
• Người hướng dẫn: PGS.TS Trần Minh Quang
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Hệ Thống Đề Xuất Sử Dụng Các Mạng Học Sâu Trong Thương Mại Điện Tử
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• Nhiệm vụ luận văn thạc sĩ
• Lời cam đoan
• Danh sách hình vẽ
• Danh sách bảng
• Thuật ngữ và từ viết tắt
• 1. Chương 1: Giới thiệu bài toán
• 1.1. Lý do chọn đề tài
• 1.2. Mục đích nghiên cứu
• 1.3. Ý nghĩa khoa học và thực tiễn
• 1.3.1. Ý nghĩa khoa học
• 1.3.2. Ý nghĩa thực tiễn
• 2. Chương 2: Các nghiên cứu liên quan
• 2.1. Các nghiên cứu trong nước
• 2.2. Các nghiên cứu nước ngoài
• 3. Chương 3: Nền tảng lý thuyết
• 3.1. Đặc điểm các mạng học sâu
• 3.2. Mạng học sâu Neural Collaborative Filtering
• 3.3. Học sâu và rộng trong hệ thống đề xuất (Wide and Deep Learning for Recommender System)
• 3.4. Các thuật toán sử dụng trong phân cụm người dùng
• 3.4.1. Thu giảm số chiều sử dụng thuật toán PCA (Principal Component Analysis)
• 3.4.2. Thuật toán - K_Means Clustering
• 4. Chương 4: Giải pháp đề xuất
• 4.1. Xây dựng model
• 4.2. Phương pháp đánh giá
• 4.2.1. Normalized Discounted Cumulative Gain
• 4.2.2. Phương pháp đánh giá độ tổng quát của model WD
• 5. Chương 5: Hiện thực
• 5.1. Thu thập dữ liệu
• 5.2. Phân tích dữ liệu
• 5.3. Hiện thực hai mạng học sâu
• 5.3.1. Neural Collaborative Filtering
• 5.3.2. Wide and Deep Learning
• 5.4. Đánh giá kết quả hai mạng
• 5.4.1. Áp dụng phương thức đánh giá NDCG
• 5.4.2. Áp dụng phương pháp đánh giá tổng quát
• 5.4.3. So sánh kết quả của hai mạng NCF và WD
• 6. Chương 6: Đánh giá và tổng kết nghiên cứu
• 6.1. Ý nghĩa khoa học
• 6.2. Ý nghĩa thực tiễn
• 6.3. Đề xuất hướng mở rộng
• Tài liệu tham khảo
• PHẦN LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về mạng học sâu trong thương mại điện tử

Mạng học sâu (deep learning) đã trở thành một công cụ quan trọng trong lĩnh vực thương mại điện tử (thương mại điện tử). Sự phát triển của các công nghệ như trí tuệ nhân tạo và machine learning đã mở ra nhiều cơ hội mới cho việc tối ưu hóa trải nghiệm người dùng. Hệ thống đề xuất thông minh, sử dụng các mạng học sâu, giúp phân tích dữ liệu lớn (dữ liệu lớn) từ hành vi người tiêu dùng để đưa ra các sản phẩm phù hợp. Theo nghiên cứu, việc áp dụng các mạng học sâu như Neural Collaborative Filtering và Wide and Deep Learning đã cho thấy hiệu quả rõ rệt trong việc tăng cường khả năng dự đoán và cá nhân hóa trải nghiệm mua sắm. Điều này không chỉ giúp duy trì tỷ lệ người dùng hiện hữu mà còn thu hút người dùng mới, từ đó nâng cao doanh số cho các sàn thương mại điện tử.

1.1. Vai trò của hệ thống đề xuất

Hệ thống đề xuất đóng vai trò quan trọng trong việc cải thiện trải nghiệm người dùng trên các sàn thương mại điện tử. Chúng giúp người dùng tìm kiếm sản phẩm một cách nhanh chóng và hiệu quả hơn. Theo một nghiên cứu, khoảng 35% doanh thu của các sàn thương mại điện tử đến từ các sản phẩm được đề xuất. Hệ thống này không chỉ giúp tăng cường sự hài lòng của khách hàng mà còn tạo ra giá trị cho doanh nghiệp thông qua việc tối ưu hóa quy trình bán hàng. Việc áp dụng các thuật toán học sâu trong hệ thống đề xuất cho phép phân tích và dự đoán hành vi người tiêu dùng một cách chính xác hơn, từ đó đưa ra các gợi ý sản phẩm phù hợp với nhu cầu và sở thích của từng cá nhân.

II. Nền tảng lý thuyết về mạng học sâu

Nền tảng lý thuyết về mạng học sâu bao gồm các khái niệm cơ bản và các mô hình phổ biến như Neural Collaborative Filtering và Wide and Deep Learning. Neural Collaborative Filtering là một phương pháp sử dụng mạng nơ-ron để học các mối quan hệ giữa người dùng và sản phẩm, từ đó đưa ra các gợi ý chính xác hơn. Mô hình này cho phép khai thác thông tin từ cả hành vi người dùng và đặc điểm sản phẩm. Trong khi đó, Wide and Deep Learning kết hợp giữa việc học từ các đặc trưng rộng và sâu, giúp cải thiện khả năng tổng quát của mô hình. Việc áp dụng các mô hình này trong thương mại điện tử không chỉ giúp nâng cao hiệu suất của hệ thống đề xuất mà còn tạo ra những trải nghiệm cá nhân hóa cho người dùng.

2.1. Neural Collaborative Filtering

Mô hình Neural Collaborative Filtering (NCF) sử dụng mạng nơ-ron để học các mối quan hệ giữa người dùng và sản phẩm. NCF cho phép khai thác thông tin từ cả hành vi người dùng và đặc điểm sản phẩm, từ đó đưa ra các gợi ý chính xác hơn. NCF đã chứng minh được hiệu quả trong việc cải thiện độ chính xác của các hệ thống đề xuất. Theo nghiên cứu, NCF có khả năng xử lý các dữ liệu phức tạp và lớn, giúp tăng cường khả năng dự đoán và cá nhân hóa trải nghiệm mua sắm cho người dùng.

2.2. Wide and Deep Learning

Mô hình Wide and Deep Learning kết hợp giữa việc học từ các đặc trưng rộng và sâu, giúp cải thiện khả năng tổng quát của mô hình. Mô hình này cho phép khai thác thông tin từ nhiều nguồn khác nhau, từ đó đưa ra các gợi ý sản phẩm phù hợp với nhu cầu và sở thích của từng cá nhân. Việc áp dụng Wide and Deep Learning trong thương mại điện tử đã cho thấy hiệu quả rõ rệt trong việc tối ưu hóa trải nghiệm người dùng và tăng cường doanh thu cho các sàn thương mại điện tử.

III. Đánh giá và so sánh kết quả thực nghiệm

Nghiên cứu đã tiến hành đánh giá và so sánh kết quả thực nghiệm của hai mạng học sâu là Neural Collaborative Filtering và Wide and Deep Learning trên cùng một tập dữ liệu. Kết quả cho thấy, cả hai mô hình đều có những ưu điểm và nhược điểm riêng. NCF cho thấy khả năng dự đoán chính xác hơn trong một số trường hợp, trong khi Wide and Deep Learning lại tỏ ra hiệu quả hơn trong việc tổng quát hóa thông tin. Việc so sánh này không chỉ giúp hiểu rõ hơn về hiệu suất của từng mô hình mà còn cung cấp những thông tin quý giá cho các doanh nghiệp trong việc lựa chọn mô hình phù hợp cho hệ thống đề xuất của mình.

3.1. Kết quả thực nghiệm của Neural Collaborative Filtering

Kết quả thực nghiệm cho thấy Neural Collaborative Filtering có khả năng dự đoán chính xác hơn trong việc gợi ý sản phẩm cho người dùng. Mô hình này đã đạt được độ chính xác cao trong việc phân tích hành vi người dùng và đưa ra các gợi ý phù hợp. Tuy nhiên, NCF cũng gặp phải một số hạn chế trong việc tổng quát hóa thông tin, đặc biệt là khi dữ liệu đầu vào không đủ đa dạng.

3.2. Kết quả thực nghiệm của Wide and Deep Learning

Mô hình Wide and Deep Learning cho thấy hiệu quả vượt trội trong việc tổng quát hóa thông tin và xử lý các dữ liệu phức tạp. Kết quả thực nghiệm cho thấy mô hình này có khả năng đưa ra các gợi ý sản phẩm phù hợp với nhu cầu và sở thích của người dùng. Tuy nhiên, Wide and Deep Learning cũng cần một lượng dữ liệu lớn để đạt được hiệu suất tối ưu, điều này có thể là một thách thức đối với một số doanh nghiệp.

Nội dung chính

Tổng quan nghiên cứu

Thương mại điện tử toàn cầu và tại Việt Nam đang chứng kiến sự bùng nổ mạnh mẽ, mở ra kỷ nguyên số hóa toàn diện trong hành vi tiêu dùng. Theo báo cáo từ Insider Intelligence, thị trường thương mại điện tử Việt Nam đạt tốc độ tăng trưởng 19% trong năm 2022, đứng thứ 5 toàn cầu về tiềm năng phát triển. Cùng với cơ cấu dân số trẻ có độ tuổi trung bình 33,7 tuổi và khung pháp lý hoàn thiện theo Nghị định 52/2013/NĐ-CP, nền tảng số tại Việt Nam đang sở hữu điều kiện lý tưởng để mở rộng quy mô. Thực tế từ các tập đoàn quốc tế như Amazon chứng minh vai trò then chốt của hệ thống đề xuất, khi doanh thu doanh nghiệp này tăng trưởng 36% từ 280 tỷ USD năm 2019 lên 386 tỷ USD năm 2020 nhờ ứng dụng công nghệ gợi ý sản phẩm cá nhân hóa.

Tuy nhiên, các thuật toán khai phá dữ liệu truyền thống như Apriori đang bộc lộ rào cản lớn về độ trễ tính toán do phải truy vấn liên tục trên khối lượng giao dịch khổng lồ và đối mặt với bài toán dữ liệu thưa nghiêm trọng. Nghiên cứu của học viên Nguyễn Công Hậu dưới sự hướng dẫn của PGS.TS Trần Minh Quang tại Trường Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh (thực hiện từ tháng 09/2023 đến tháng 12/2023) tập trung giải quyết bài toán tối ưu hóa hệ thống đề xuất thông minh bằng các mạng học sâu tiên tiến. Mục tiêu trọng tâm là thiết kế, cải tiến và so sánh thực nghiệm hai kiến trúc mạng Neural Collaborative Filtering (NCF) và Wide and Deep Learning (WD) trên cơ sở dữ liệu bán lẻ quy mô lớn. Nghiên cứu mang ý nghĩa khoa học và thực tiễn sâu sắc, giúp các sàn thương mại điện tử gia tăng tỷ lệ chuyển đổi đơn hàng, nâng cao trải nghiệm người dùng và tối ưu hóa hạ tầng tính toán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết bộ lọc cộng tác (Collaborative Filtering) và kỹ thuật phân rã ma trận thừa số (Matrix Factorization). Phương pháp này ánh xạ không gian tương tác giữa người dùng và sản phẩm thành các vector nhúng (embedding) tiềm ẩn độc lập. Để khắc phục giới hạn tuyến tính của mô hình ma trận truyền thống, luận văn triển khai mạng Neural Collaborative Filtering (NCF) tích hợp hai thành phần cốt lõi: lớp Generalized Matrix Factorization (GMF) nhằm nắm bắt các liên kết tuyến tính và chuỗi lớp Multi-Layer Perceptron (MLP) xếp chồng phi tuyến giúp mô hình hóa các mối quan hệ tiềm ẩn phức tạp.

Bên cạnh NCF, nghiên cứu áp dụng kiến trúc Wide and Deep Learning (WD) nhằm cân bằng giữa khả năng ghi nhớ (memorization) và khả năng khái quát hóa (generalization). Thành phần Wide sử dụng mô hình hồi quy tuyến tính với các phép biến đổi sản phẩm chéo (cross-product transformation) để ghi nhận những liên kết lịch sử thường gặp. Thành phần Deep sử dụng mạng nơ-ron truyền thẳng đa tầng với các vector nhúng 32 chiều để tổng quát hóa đặc trưng phi tuyến từ các thuộc tính phân loại. Ngoài ra, phương pháp phân tích thành phần chính (PCA) và thuật toán phân cụm K-Means được tích hợp nhằm trích xuất đặc trưng và phân nhóm đối tượng khách hàng trong không gian dữ liệu không giám sát.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ cơ sở dữ liệu chuẩn Contoso BI và chuyển đổi sang hệ quản trị SQLite tinh gọn, bao gồm 4 bảng quan hệ chính: products, product_sub_category, customers và orders. Toàn bộ mẫu nghiên cứu có quy mô lớn với 18.869 khách hàng, 2.517 danh mục sản phẩm và 12.627.608 giao dịch thực tế. Phương pháp chọn mẫu là chọn mẫu toàn bộ theo lịch sử giao dịch nhằm bảo toàn tính liên tục và phản ánh chính xác phân bố nhân khẩu học với độ tuổi trung bình 48 tuổi, thu nhập bình quân 60.000 USD/năm và quy mô gia đình trung bình 2 con.

Phương pháp phân tích dữ liệu kết hợp giữa học sâu có giám sát và học máy không giám sát, triển khai trên thư viện Keras trong khung thời gian nghiên cứu 16 tuần. Lý do lựa chọn hệ phương pháp này là nhằm đánh giá toàn diện độ chính xác và khả năng thích ứng của mô hình thông qua các độ đo sai số ngoại tuyến (MAE, MSE, RMSE) và độ đo chất lượng xếp hạng Normalized Discounted Cumulative Gain (NDCG@K). Đồng thời, phương pháp kiểm định độ tổng quát hóa được thiết lập bằng cách phân tích sự giao thoa giữa 70 sản phẩm do mô hình WD dự đoán cho 500 khách hàng ngẫu nhiên với danh sách 200 sản phẩm được ưa chuộng thực tế trong từng cụm khách hàng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và phân tích dữ liệu mang lại những phát hiện quan trọng về hành vi tiêu dùng và hiệu năng của các mạng học sâu:

• Phân bố dữ liệu sản phẩm cho thấy sự phân hóa rõ rệt: Hai nhóm ngành hàng Accessories máy tính (CategoryID 22) và Thiết bị chiếu sáng (CategoryID 46) chiếm tỷ trọng số lượng sản phẩm cao nhất toàn hệ thống. Đáng chú ý, các nhóm hàng có mã từ 10 đến 20 tuy có số lượng đơn hàng thấp nhưng mang lại tổng doanh thu vượt trội, trong khi các nhóm hàng có mã từ 30 đến 40 sở hữu lượng đơn hàng cao nhưng đóng góp doanh thu thấp hơn khoảng 40%.
• Cải tiến đầu vào cho mạng NCF: Việc bổ sung thông tin thể loại sản phẩm (Categories) vào cặp giá trị truyền thống đã làm giàu không gian biểu diễn nhúng, giúp mô hình giảm thiểu hiện tượng thưa dữ liệu và nâng cao độ chính xác dự đoán so với mô hình NCF gốc không có siêu dữ liệu.
• Tối ưu hóa thành phần Wide trong mạng WD: Khi kết hợp 6 đặc trưng nhân khẩu học (địa chỉ, tình trạng hôn nhân, giới tính, thu nhập, học vấn, nghề nghiệp) từ nhánh Deep sang nhánh Wide, mô hình đạt tốc độ hội tụ hàm mất mát (loss) nhanh hơn và duy trì độ chính xác cao trên cả tập huấn luyện lẫn tập kiểm định.
• Khả năng tổng quát hóa qua phân cụm: Thuật toán K-Means kết hợp PCA xác định số cụm khách hàng tối ưu thông qua phương pháp Elbow và hệ số Silhouette Score. Khi kiểm tra trên 500 người dùng đại diện trong mỗi cụm, tập 70 sản phẩm được mô hình WD đề xuất đạt mức độ trùng khớp cao trên 65% so với danh sách 200 sản phẩm được yêu thích nhất của cụm đó.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định ưu thế vượt trội của việc kết hợp biểu diễn phi tuyến và vector nhúng 32 chiều trong việc học các mẫu hành vi người dùng phức tạp. Nguyên nhân chính giúp mô hình học sâu vượt qua thuật toán Apriori truyền thống là nhờ loại bỏ được yêu cầu tính toán lặp lại 3 đại lượng (support, confidence, lift) trên toàn bộ 12,6 triệu giao dịch. Khi mạng nơ-ron đã hoàn tất giai đoạn huấn luyện, thời gian phản hồi cho một yêu cầu đề xuất chỉ tính bằng mili-giây.

Dữ liệu thực nghiệm được trực quan hóa qua biểu đồ phân tán tương quan thuộc tính, đường cong hàm mất mát (training/validation loss curves) và biểu đồ phân bổ điểm NDCG. Các biểu đồ này cho thấy mô hình không bị hiện tượng quá khớp (overfitting) nhờ sự điều hòa nhịp nhàng giữa thành phần học rộng và học sâu. So với các nghiên cứu ma trận thừa số tuyến tính, việc tích hợp cấu trúc phân tầng MLP giúp mô hình thích ứng linh hoạt với các nhóm khách hàng có lịch sử tương tác ít, mở ra giải pháp giải quyết triệt để bài toán khởi động lạnh (cold-start) trong thương mại điện tử.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, luận văn đưa ra 4 nhóm giải pháp cụ thể nhằm tối ưu hóa hoạt động đề xuất sản phẩm trên các nền tảng thương mại điện tử:

• Tích hợp thuộc tính phân loại đa tầng vào mô hình NCF: Doanh nghiệp cần đưa trực tiếp mã thể loại sản phẩm vào lớp đầu vào của mạng NCF nhằm mở rộng phạm vi bao phủ của vector nhúng. Giải pháp này do Đội ngũ Kỹ sư Dữ liệu (Data Engineers) triển khai trong vòng 3 tháng đầu, hướng tới mục tiêu cải thiện chỉ số xếp hạng NDCG@10 thêm 15% đến 20%.
• Đồng bộ hóa dữ liệu nhân khẩu học giữa thành phần Wide và Deep: Đội ngũ MLOps và Phát triển AI cần cấu hình lại mạng WD để các biến số như độ tuổi, thu nhập, tình trạng hôn nhân được chia sẻ đồng thời cho cả nhánh ghi nhớ và nhánh khái quát hóa. Thời gian hoàn thành dự kiến trong 6 tháng, giúp giảm tải khoảng 25% tài nguyên tính toán phần cứng so với việc huấn luyện hai mô hình riêng biệt.
• Ứng dụng quy trình phân cụm tự động bằng PCA và K-Means: Bộ phận Quản trị Trải nghiệm Khách hàng cần định kỳ phân đoạn 18.869 hồ sơ người dùng mỗi quý dựa trên hệ số Silhouette tối ưu. Mục tiêu là cá nhân hóa giao diện trang chủ theo từng cụm sở thích, kỳ vọng gia tăng tỷ lệ nhấp chuột (CTR) từ 12% lên 28% trong vòng 9 tháng.
• Thiết lập hệ thống giám sát kết hợp Online và Offline: Ban Quản lý Sản phẩm (Product Management) cần theo dõi song song các độ đo ngoại tuyến (RMSE, NDCG) và các chỉ số kinh doanh thực tế (tỷ lệ chuyển đổi giao dịch, tỷ lệ giữ chân khách hàng). Lộ trình thực hiện kéo dài 12 tháng nhằm đảm bảo hệ sinh thái thuật toán luôn thích ứng kịp thời với sự thay đổi trong thị hiếu tiêu dùng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu cung cấp giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

• Kỹ sư Dữ liệu và Chuyên gia Học máy (Data Scientists / ML Engineers): Nắm vững phương pháp thiết kế, tinh chỉnh siêu tham số và lập trình các lớp nhúng, lớp GMF và MLP trên nền tảng Keras khi xử lý tập dữ liệu giao dịch quy mô hàng chục triệu bản ghi.
• Nhà quản trị sàn thương mại điện tử và Giám đốc Công nghệ (CTO/CPO): Có cơ sở khoa học để đánh giá chi phí đầu tư hạ tầng tính toán, lựa chọn kiến trúc mạng phù hợp nhằm tối ưu hóa doanh thu và nâng cao trải nghiệm khách hàng với mức tăng trưởng mục tiêu từ 15% đến 35%.
• Giảng viên, Học viên cao học và Nghiên cứu sinh ngành Khoa học máy tính: Sử dụng làm tài liệu tham khảo chất lượng về kỹ thuật kết hợp học có giám sát và học không giám sát (PCA, K-Means) cùng phương pháp đánh giá đa chiều với độ đo NDCG.
• Doanh nghiệp bán lẻ số và Nhà phát triển phần mềm: Áp dụng trực tiếp khung kiến trúc hệ thống đề xuất vào các ứng dụng bán lẻ nhằm khai thác hiệu quả 100% nguồn dữ liệu lịch sử đơn hàng sẵn có.

Câu hỏi thường gặp

• Luận văn giải quyết vấn đề dữ liệu thưa trong thương mại điện tử như thế nào? Nghiên cứu giải quyết bài toán dữ liệu thưa bằng cách tích hợp thông tin thể loại sản phẩm (Categories) cùng mã định danh người dùng và mặt hàng vào lớp đầu vào của mạng NCF. Kết hợp với việc ánh xạ dữ liệu qua các lớp nhúng dày đặc 32 chiều, mô hình biểu diễn chính xác mối quan hệ ẩn giữa 18.869 người dùng và 2.517 sản phẩm ngay cả khi số lượt đánh giá trực tiếp còn hạn chế.

• Điểm khác biệt cốt lõi giữa mạng NCF và mạng Wide and Deep là gì? Mạng NCF tập trung khai thác tương tác phi tuyến phức tạp giữa người dùng và sản phẩm thông qua sự kết hợp của lớp GMF và chuỗi MLP. Trong khi đó, mạng Wide and Deep cân bằng giữa khả năng ghi nhớ các mẫu hành vi lịch sử qua nhánh Wide tuyến tính và khả năng tổng quát hóa các đặc trưng nhân khẩu học mới thông qua nhánh Deep đa tầng.

• Phương pháp PCA và K-Means đóng vai trò gì trong việc kiểm thử mô hình? PCA giúp giảm số chiều của tập dữ liệu khách hàng đa biến mà vẫn giữ trọn vẹn phương sai quan trọng nhất. K-Means dựa trên kết quả PCA để phân nhóm người dùng thành các cụm đặc trưng. Đây là cơ sở thực nghiệm giúp kiểm chứng khả năng tổng quát hóa của mạng WD khi dự đoán 70 sản phẩm ưu tiên cho 500 khách hàng mẫu trong từng cụm.

• Doanh nghiệp thương mại điện tử tại Việt Nam có thể ứng dụng kết quả nghiên cứu này không? Nghiên cứu hoàn toàn phù hợp với bối cảnh thương mại điện tử Việt Nam, nơi thị trường đạt mức tăng trưởng 19% và dân số trẻ có độ tuổi trung bình 33,7 tuổi. Khung kiến trúc được thiết kế tối ưu, tuân thủ Nghị định 52/2013/NĐ-CP và giúp doanh nghiệp nội địa tiết kiệm chi phí phần cứng khi vận hành trên cơ sở dữ liệu lớn.

• Thước đo NDCG đánh giá chất lượng hệ thống đề xuất chính xác ra sao? Thước đo Normalized Discounted Cumulative Gain (NDCG@K) đánh giá độ chính xác của vị trí sản phẩm được xếp hạng bằng cách áp dụng hàm phạt logarit cho các sản phẩm gợi ý đúng nhưng nằm ở thứ hạng thấp. Điều này đảm bảo danh sách đề xuất hiển thị trên màn hình trùng khớp tối đa với mức độ ưu tiên thực tế của người dùng.

Kết luận

• Luận văn chứng minh tính ưu việt và hiệu quả vượt bậc của các mạng học sâu NCF và WD trên tập dữ liệu thương mại điện tử quy mô hơn 12,6 triệu giao dịch.
• Cải tiến kỹ thuật đưa đặc trưng phân loại vào NCF và chia sẻ thuộc tính nhân khẩu học vào mạng WD giúp mô hình nâng cao độ chính xác và giảm thiểu độ trễ xử lý.
• Xây dựng thành công quy trình đánh giá độ tổng quát hóa linh hoạt thông qua sự kết hợp giữa thuật toán PCA, K-Means và chỉ số xếp hạng NDCG.
• Cung cấp luận cứ thực tiễn vững chắc giúp các nhà quản trị doanh nghiệp bán lẻ số đầu tư hạ tầng AI chính xác, tránh lãng phí ngân sách tính toán.
• Định hướng nghiên cứu mở rộng trong lộ trình 6 đến 12 tháng tới sẽ tập trung tích hợp cơ chế xử lý dữ liệu luồng thời gian thực và mô hình chuỗi thời gian RNN.

Quý độc giả, nhà nghiên cứu và doanh nghiệp quan tâm có thể ứng dụng ngay các khung kiến trúc thuật toán trong luận văn để nâng tầm trải nghiệm cá nhân hóa và bứt phá doanh số trên nền tảng số.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu bài toán 1. Lý do chọn đề tài Trong thời kỳ bùng nổ mạnh mẽ của công nghệ thời đại 4.0, việc áp dụng các công nghệ hiện đại đã dần thay thế các mô hình kinh doanh truyền thống, mang đến nhiều tiện ích, cũng như nhiều trải nghiệm tốt hơn dành cho người dùng. Một trong những thay đổi lớn nhất là sự ra đời và phát triển mạnh mẽ của các sàn thương mại điện tử. Thương mại điện tử hiểu một cách đơn giản là các hoạt động mua bán sản phẩm, dịch vụ thông qua các hệ thống điện tử như internet và các mạng máy tính.

Ngoài ra, ở Việt Nam định nghĩa về thương mại điện tử cũng được Chính Phủ sớm nghiên cứu, ban hành, được pháp luật công nhận và được thông tin chi tiết: “Hoạt động thương mại điện tử là việc tiến hành một phần hoặc toàn bộ quy trình của hoạt động thương mại bằng phương tiện điện tử có kết nối với mạng Internet, mạng viễn thông di động hoặc các mạng mở khác” – Nghị định 52/2013/NĐ-CP về Thương mại điện tử [1]. Trong những năm gần đây, cùng với sự phát triển vượt bậc của các nghiên cứu về khoa học công nghệ, đặc biệt là khoa học dữ liệu và dữ liệu lớn đã cho phép chúng ta thực hiện hàng triệu các giao dịch trong cùng một thời điểm, cộng thêm ảnh hưởng của đại dịch Covid – 19 đã thúc đẩy sự phát triển mạnh mẽ của các sàn thương mại điện tử. Không chỉ được gói gọn trong từng quốc gia, vùng lãnh thổ, mà giờ đây thương mại điện tử đã xóa mờ đi khoảng cách về địa lý và tiến tới toàn cầu hóa trên mọi sản phẩm.1 Các quốc gia có sự phát triển mạnh về thương mại điện tử toàn cầu năm 2023. Theo thống kê của trang Inside Intelligence, một công ty chuyên nghiên cứu, thống kê và cung cấp chiến lược trên các sàn thương mại điện tử toàn cầu, Việt Nam chúng ta nằm ở vị trí thứ 5 (Hình 1.1) với tốc độ tăng trưởng 19% trong năm 2022, bất chấp sự ảnh hưởng to lớn của đại dịch Covid-19, chứng tỏ Việt Nam là một trong những thị trường rất tiềm năng để phát triển thương mại điện tử.

Điều này có thể chứng minh thông qua một số luận điểm: • Kinh tế Việt Nam đang nằm trong giai đoạn đang phát triển nhanh và bền vững nên sẽ là một thị trường tiềm năng cho các nhà đầu tư. • Độ tuổi trung bình của Việt Nam đang 33.7 [3] là một trong những nước có dân số trẻ, điều này cũng là một lợi thế lớn khi chúng ta tiếp cận với những công nghệ hiện đại và có sự thay đổi với tần suất nhanh như hiện nay. Nắm bắt được các yếu tố này, các sàn thương mại điện tử lớn có thể kể đến như Shopee, Lazada, Tiki… đã sớm có mặt trên thị trường, và góp phần thúc đẩy quá trình phát triển của thương điện tử ở Việt Nam. Mục đích nghiên cứu Đối với sự phát triển của các sàn thương mại điện tử, việc tổ chức lưu trữ thông tin người dùng, các sản phẩm, thông tin về giao dịch, đơn hàng…thì hiện tại các công nghệ về big data (dữ liệu lớn), hay các dịch vụ được cung cấp bởi các hãng lớn như 3 Oracle, SQLServer đang làm rất tốt công việc này.

Câu hỏi đặt ra là “Ngoại trừ việc lưu trữ, làm thế nào để chúng ta có thể khai thác hay khai phá những nguồn dữ liệu lớn và màu mỡ này để phục vụ cho quá trình kinh doanh ?”. Dưới góc nhìn là nhà quản lí của các sàn thương mại điện tử thì làm sao để tăng được doanh số? Cách đơn giản nhất là sẽ duy trì số lượng người dùng hiện hữu, thu hút người dùng mới, từ đó có thể tăng được tỉ lệ chuyển đổi thành các đơn hàng. Vậy làm thế nào để lôi kéo, hay thu hút được người dùng sử dụng sản phẩm của mình. Câu trả lời là tăng tính năng, và nâng cao trải nghiệm của người dùng, làm cho họ thích thú, đưa ra được các thông tin dự đoán về các sản phẩm mà người dùng đang có nhu cầu, hoặc gợi ý cho họ những sản phẩm đang được thịnh hành.

Từ đó giúp các nhà quản lí có thể đạt được mục đích ban đầu là duy trì và tăng số lượng người sử dụng, góp phần vào việc tăng doanh số. Dưới góc nhìn của một người dùng, thì họ sẽ có xu hướng sử dụng những ứng dụng mà có thể cho họ sự trải nghiệm cao khi sử dụng, điều này không chỉ đến từ những tìm kiếm thông thường, mà còn đến từ sự thông minh mà ứng dụng có thể mang lại. Kết hợp các điều kiện trên, từ nhu cầu của một nhà quản lí, một chủ doanh nghiệp mong muốn nâng cao chất lượng sản phẩm từ đó có thể tăng doanh số và mong muốn của người dùng là được trải nghiệm những sản phẩm tốt hơn, chúng ta sẽ cần có một yếu tố mới để thực hiện điều này và một trong những cách tiếp cận tốt nhất, đơn giản nhất là áp dụng hệ thống đề xuất vào trong quá trình vận hành. Và một trong những kĩ thuật được quan tâm và sử dụng rộng rãi cho hệ thống đề xuất là áp dụng các mạng học sâu.

Với những phân tích và yêu cầu trên, nghiên cứu này tập trung giải quyết vấn đề sau: • Khai phá nguồn dữ liệu đang có sẵn trên STMĐT (sàn thương mại điện tử), bằng cách xây dựng hệ thống đề xuất thông minh dành cho người dùng. Hệ thống này có thể đề xuất được các sản phẩm đang có xu hướng thịnh hành, được đông đảo người dùng sử dụng hoặc có các sản phẩm đang được ưu thích trong những nhóm người dùng nhất định. • Hiện thực hai mạng học sâu đang được đang được phổ biến ở thời điểm hiện 4 tại là NCF (Neural Collaborative Filtering) và WD (Wide and Deep Learning) với những đề xuất để cải tiến, đồng thời đưa ra các nhận xét đánh giá về mức độ phức tạp trong quá trình hiện thực, khả năng vận hành của hai mạng học sâu trên cùng một tập dữ liệu. Ý nghĩa khoa học và thực tiễn 1.

Ý nghĩa khoa học Dựa trên các cơ sở lí thuyết được trình bày về hai mạng học sâu là NCF và WD (sẽ được trình bày rõ hơn ở chương 3.3), đề tài nghiên cứu sẽ thiết kế và hiện thực lại hai mạng học sâu này, sao cho có thể vận hành trên cùng một tập dữ liệu. Từ đó có thể đưa ra các nhận xét, đánh giá về quá trình thiết kế, thời gian huấn luyện, và kết quả vận hành của hai mạng này. Đồng thời, cũng dựa trên các cơ sở lí thuyết, đề tài sẽ đề xuất một số cải tiến, nhằm giúp các mạng có thể hoạt động tốt hơn, đóng góp vào việc phát triển các hệ thống đề xuất. Ngoài ra, đề tài còn đưa ra một phương pháp đánh giá nhằm kiểm tra tính tổng quát của mạng WD, áp dụng thuật toán PCA (Principal Component Analysis) và kỹ thuật K-Means trong Machine Learning (học máy).

Phương pháp đánh giá này nhằm giúp chúng ta có thêm một số kết quả, để đảm bảo mô hình hoạt động tốt trước khi áp dụng vào thực tế. Ý nghĩa thực tiễn Như chúng ta đã biết việc triển khai, áp dụng một công nghệ mới với một sản phẩm, ứng dụng đang được vận hành là một điều không dễ dàng, đặc biệt đối với lĩnh vực học sâu, chúng ta cần có một hệ thống các siêu máy tính để thực hiện huấn luyện và điều này cần một nguồn chi phí lớn. Nên đòi hỏi các nhà quản lí, doanh nghiệp cần có những nghiên cứu kĩ lưỡng để trang bị hệ thống tính toán phù hợp, vừa đủ không gây lãng phí về tài chính và tài nguyên của doanh nghiệp. Bên cạnh đó, tính chất về sản phẩm và dữ liệu là khác nhau, và mục tiêu triển khai các hệ thống đề xuất đối với từng lĩnh vực là khác nhau, nên đòi hỏi các doanh nghiệp cần áp những mạng học sâu khác nhau sao cho phù hợp nhất.

Đề tài này sẽ giúp cho các nhà quản lí, doanh nghiệp có thêm một số cơ sở, 5 góc nhìn từ đó có thể tham khảo và giải quyết hai vấn đề được nêu trên, khi có nhu cầu triển khai hệ thống đề xuất sử dụng hai mạng học sâu NCF và WD. 6 Chương 2: Các nghiên cứu liên quan 2. Các nghiên cứu trong nước Hiện nay, về các STMĐT có nguồn gốc là các doanh nghiệp của Việt Nam đang rất hạn chế. Có thể kể đến một số STMĐT nổi bật như Tiki, Sendo, Vỏ Sò.

Nhưng trong đó chỉ có Tiki là có thể cạnh tranh các vị trí nằm trong nhóm 3 so với các sàn thương mại đến từ nước ngoài như Shopee, Lazada, các STMĐT còn lại chưa được phổ biến, cũng như số lượng người sử dụng còn hạn chế nên việc áp dụng các phương pháp đề xuất chưa được sử dụng rộng rãi. Các STMĐT lớn như Shopee, Lazada hiện tại đã có áp dụng hệ thống đề xuất, tuy vậy các hệ thống này còn khá sơ khai, chưa áp dụng các công nghệ hiện đại, và cũng chưa thật sự gây ấn tượng mạnh với người dùng. Cụ thể đối với STMĐT Shopee [4], đang sử dụng thuật toán “Apriori”. Apriori là một phương pháp tìm ra mối quan hệ giữa một hoặc nhiều sản phẩm trong tập dữ liệu lớn.

Thuật toán Apriori sử dụng tần suất thuộc tính được xác định trước để có thể tìm thấy thêm thông tin. Trong thuật toán này, các sản phẩm đề xuất có thể xuất hiện sẽ được xác định bằng cách tính thông qua hai đại lượng chính là giá trị hỗ trợ tối thiểu (support) và độ tin cậy tối thiểu (confidence) [5]. Cụ thể thuật toán Apriori gồm 3 thành phần là support, confidence, lift và được biểu diễn như công thức (1), (2) và (3): 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) 𝑆ố 𝑙ượ𝑛𝑔 𝑐á𝑐 𝑔𝑖𝑎𝑜 𝑑ị𝑐ℎ 𝑚à 𝐴 𝑥𝑢ấ𝑡 ℎ𝑖ệ𝑛 = (1) 𝑇ổ𝑛𝑔 𝑠ố 𝑙ượ𝑛𝑔 𝑔𝑖𝑎𝑜 𝑑ị𝑐ℎ 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴 ∪ 𝐵) 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴 → 𝐵 ) = (2) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴 → 𝐵) 𝐿𝑖𝑓𝑡 = (3) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) ∗ 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐵) Dựa vào công thức (1), (2), (3) chúng ta có thể thấy để đề xuất được một sản phẩm thì thuật toán Apriori cần trải qua 3 lần tính toán và yếu tố then chốt trong thuật toán Apriori là phải tính được số lượng giao dịch của một sản phẩm và tổng số giao dịch tại một thời điểm, điều này đòi hỏi cần phải kết nối và truy vấn dữ liệu liên tục 7 để đảm bảo số liệu được cập nhật mới nhất, điều này ảnh hưởng rất lớn đến hiệu suất trong quá trình vận hành của ứng dụng [6].