Giới thiệu dự án

Thị trường phát trực tuyến âm thanh (Audio Streaming) toàn cầu đang chứng kiến mức tăng trưởng kép hàng năm (CAGR) vượt mức 14.7%, với nhu cầu cá nhân hóa trải nghiệm ngày càng khắt khe từ phía người dùng. Tại Việt Nam, người dùng trẻ không chỉ dừng lại ở việc thụ hưởng nội dung âm nhạc thụ động mà còn có xu hướng sáng tạo nội dung, tự thu âm (Indie/Cover) và khao khát kết nối vào các không gian mạng xã hội âm nhạc chuyên biệt. Đồ án khóa luận tốt nghiệp ngành Kỹ thuật Phần mềm (Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM) với đề tài "Xây dựng ứng dụng nghe nhạc trên Mobile tích hợp gợi ý và chia sẻ nhạc" do sinh viên Nguyễn Doãn Thịnh và Cao Nguyễn Minh Quân thực hiện (dưới sự hướng dẫn của TS. Đỗ Thị Thanh Tuyền và ThS. Trần Anh Dũng) đã giải quyết trọn vẹn bài toán tích hợp giữa nền tảng phát nhạc trực tuyến, mạng xã hội chia sẻ âm thanh và hệ thống gợi ý đa thuật toán.

Vấn đề thực tiễn và bài toán nghiên cứu

Thực trạng thị trường ứng dụng nghe nhạc và mạng xã hội hiện nay tồn tại những ranh giới phân mảnh rõ rệt:

  • Sự tách biệt giữa Streaming và Social Interaction: Các nền tảng phát nhạc quy chuẩn (Spotify, Zing MP3, Apple Music) tối ưu hóa việc phân phối nội dung có bản quyền nhưng thiếu tính năng tương tác cộng đồng mở cho các nghệ sĩ độc lập. Ngược lại, các nền tảng mạng xã hội đa năng (Facebook, TikTok) không cung cấp trải nghiệm nghe nhạc liên tục (Continuous Playback), quản lý danh sách phát hay giải mã siêu dữ liệu âm thanh chuyên sâu.
  • Thách thức về hệ thống gợi ý (Recommender System): Việc tính toán độ tương đồng giữa hàng trăm nghìn bài hát trong không gian đa chiều thường gặp nút thắt cổ chai về hiệu năng tính toán $O(n^2 d)$ khi sử dụng khoảng cách Euclidean truyền thống.
  • Vấn đề khởi đầu lạnh (Cold-start Problem): Người dùng mới hoặc các bản thu âm mới tải lên chưa có dữ liệu tương tác (ratings/lượt nghe), khiến các thuật toán lọc cộng tác (Collaborative Filtering) thông thường mất đi độ chính xác.
  • Quản lý quyền tác giả và kiểm duyệt bản quyền nội dung người dùng tải lên (User-Generated Content - UGC): Cần một giải pháp trích xuất siêu dữ liệu tự động, gọn nhẹ để phát hiện vi phạm bản quyền trước khi lưu trữ và phân phối.

Mục tiêu đề tài

  1. Xây dựng ứng dụng di động đa nền tảng: Phát triển ứng dụng trên nền tảng Flutter (Android/iOS) với giao diện tương tác hiện đại, hỗ trợ trình phát nhạc nền, hẹn giờ tắt nhạc, đồng bộ lời bài hát (lyrics) và quản lý thư viện cá nhân.
  2. Thiết kế hệ thống gợi ý Hybrid Recommender Engine: Kết hợp giữa Lọc dựa trên nội dung (Content-Based) thông qua thuật toán băm nhạy cảm vị trí (Locality-Sensitive Hashing - LSH) và Lọc cộng tác hướng lân cận người dùng (User-User Neighborhood-based Collaborative Filtering - NBCF).
  3. Phát triển mạng xã hội âm nhạc tích hợp: Cho phép người dùng đăng tải các bản thu âm, chia sẻ liên kết sâu thông qua Firebase Dynamic Links, bình luận, tương tác thời gian thực và tự động kiểm duyệt bản quyền âm thanh bằng kỹ thuật trích xuất ID3 Metadata.
  4. Kiến trúc Backend phân tán hiệu năng cao: Xây dựng hệ sinh thái dịch vụ kết hợp giữa Java Spring Boot và Python FastAPI, tối ưu hóa truy vấn trên cơ sở dữ liệu phi quan hệ MongoDB.

Phạm vi và giới hạn hệ thống

  • Phạm vi môi trường: Ứng dụng client triển khai cho hệ điều hành di động (ưu tiên kiểm thử hoàn chỉnh trên Android), backend triển khai trên môi trường máy chủ Linux/Docker.
  • Phạm vi dữ liệu: Tích hợp bộ dữ liệu hơn 100,000 bài hát chuẩn từ Zing MP3 API kết hợp cùng kho dữ liệu người dùng tự tạo trên hệ thống MongoDB.
  • Giới hạn kỹ thuật: Kiểm duyệt bản quyền giai đoạn này tập trung vào trích xuất và đối soát ID3 Metadata (TinyTag engine), chưa áp dụng mô hình lấy dấu vân tay âm thanh sóng âm sâu (Acoustic Audio Fingerprinting) cho toàn bộ phổ âm thanh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Spotify Zing MP3 SoundCloud Hệ thống đề xuất (Musix App)
Gợi ý cá nhân hóa Collaborative + Deep Learning (Rất cao) Rule-based + Thống kê thịnh hành Content-based + Tag Hybrid: LSH MinHash + User-User NBCF
Mạng xã hội tích hợp Giới hạn (Friend Activity desktop) Không có (Thuần Streaming) Tương tác bình luận trên timeline sóng âm Mạng xã hội đầy đủ (Đăng bài, Tim, Cmt, Profile)
Kiểm tra bản quyền UGC Hệ thống tự động độc quyền Không cho người dùng phổ thông đăng nhạc Kiểm duyệt bản quyền tự động Trích xuất phân tích ID3 Metadata (TinyTag)
Chia sẻ liên kết sâu Universal Links Web URL tiêu chuẩn Web URL / In-app Link Firebase Dynamic Links (Đa nền tảng)
Chi phí triển khai Rất cao (Hệ thống lớn) Rất cao (Hạ tầng riêng) Lớn Tối ưu, linh hoạt trên nền Microservices & NoSQL

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must-have (Bắt buộc): Đăng ký/đăng nhập (JWT & Email verification), phát nhạc nền (background audio), tạo/chỉnh sửa playlist cá nhân, tìm kiếm theo tên bài hát/ca sĩ/thể loại, gợi ý bài hát tiếp theo bằng LSH, kiểm tra bản quyền ID3 khi đăng tải.
  • Should-have (Nên có): Gợi ý Recommended Playlist dựa trên lịch sử nghe (NBCF), chia sẻ liên kết sâu Firebase Dynamic Links, tương tác mạng xã hội (đăng bài, bình luận, yêu thích), hẹn giờ tắt nhạc (Sleep Timer).
  • Could-have (Có thể có): Chế độ hiển thị lời bài hát chạy chữ thời gian thực, xem profile công khai của người dùng khác, thống kê số lượt nghe dạng biểu đồ.
  • Won't-have (Tạm thời chưa làm): Nhận diện giai điệu qua micro (tương tự Shazam), livestream âm thanh trực tiếp.

Thiết kế hệ thống

+-----------------------------------------------------------------------+
|                    FLUTTER CLIENT (Dart / BLoC)                       |
|   [Player Engine]   [Social Feed UI]   [Library & Search]  [Auth]     |
+-----------------------------------+-----------------------------------+
                                    | RESTful APIs / Dynamic Links
                                    v
+-----------------------------------------------------------------------+
|                     SYSTEM BACKEND ARCHITECTURE                       |
|                                                                       |
|  +--------------------------------+  +-----------------------------+  |
|  |       SPRING BOOT CORE         |  |      FASTAPI AI ENGINE      |  |
|  |  - Auth & Security (JWT)       |  |  - Content-Based (LSH)      |  |
|  |  - Social Feed & Comments      |  |  - Collaborative (NBCF)     |  |
|  |  - Playlist & User Profile     |  |  - ID3 Copyright Analyzer   |  |
|  |  - Email Service (Spring Mail) |  |    (TinyTag / Scikit-Learn) |  |
|  +---------------+----------------+  +--------------+--------------+  |
+------------------|----------------------------------|-----------------+
                   v                                  v
+-----------------------------------------------------------------------+
|                          STORAGE & SERVICES                           |
|  [MongoDB NoSQL]      [Cloudinary Media CDN]    [Firebase Dynamic]    |
+-----------------------------------------------------------------------+

Công nghệ và phiên bản sử dụng

  • Mobile Client: Flutter Framework (v3.10.x), Dart SDK (v3.0.x), BLoC State Management Pattern, just_audio, audio_service.
  • Core Business Backend: Java 17, Spring Boot (v3.1.x), Spring Security, Spring Data MongoDB, Spring Mail.
  • Recommendation & AI Backend: Python (v3.10.x), FastAPI (v0.95.x), Starlette ASGI, Uvicorn, Datasketch (MinHash, MinHashLSH), Scikit-Learn, Pandas, NumPy, TinyTag.
  • Database & Third-party: MongoDB Community Server (v6.0.x), Cloudinary Storage API, Firebase Dynamic Links SDK, Zing MP3 Data Endpoints.

Thiết kế cơ sở dữ liệu (MongoDB Collections)

Hệ thống sử dụng MongoDB để quản lý các tài liệu JSON có cấu trúc linh hoạt:

  • users: _id, username, email, password_hash, avatar_url, bio, created_at, favorite_songs (Array of IDs), favorite_artists (Array).
  • songs: _id, encode_id (ZingMP3 ID), title, artists_names, genres (Array of genre_ids), audio_url, thumbnail_url, duration, is_ugc, release_year.
  • playlists: _id, title, user_id, thumbnail_url, song_ids (Array of ObjectIds), is_public, created_at.
  • posts: _id, user_id, song_id / audio_url, caption, likes_count, comments_count, created_at.
  • comments: _id, post_id, user_id, content, created_at.
  • listen_histories: _id, user_id, song_id, play_count, last_listened_at.

Thiết kế RESTful API

  • POST /api/v1/auth/login: Xác thực tài khoản, trả về JWT Token và thông tin User Profile.
  • POST /api/v1/auth/register: Đăng ký tài khoản và kích hoạt gửi OTP qua Spring Mail.
  • POST /api/v1/posts/upload-audio: Tiếp nhận file thu âm, gửi qua FastAPI để trích xuất thẻ ID3 kiểm tra bản quyền, upload Cloudinary và lưu bài đăng.
  • POST /api/v1/recommend/next-song: Gửi mã encode_id hiện tại, FastAPI thực thi truy vấn MinHashLSH để trả về Top-K bài hát tương đồng thể loại/ca sĩ.
  • POST /generated_recommend_playlist: Nhận mảng Top-10 bài hát nghe nhiều nhất của User, thực thi thuật toán User-User NBCF và trả về danh sách bài hát gợi ý.

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình phát triển phần mềm Agile/Scrum kết hợp quy trình phân tích và thiết kế hướng đối tượng (OOAD). Toàn bộ dự án được chia thành 5 giai đoạn chính từ tháng 02/2023 đến tháng 07/2023:

  • Milestone 1 (06/02 - 28/02): Khảo sát hiện trạng, phân tích nghiệp vụ, đặc tả Use Case, thiết kế Sơ đồ lớp (Class Diagram), Sơ đồ tuần tự (Sequence Diagram), xây dựng wireframe Figma.
  • Milestone 2 (01/03 - 16/03): Thiết lập cơ sở dữ liệu MongoDB, phát triển Core REST APIs trên Spring Boot (Xác thực JWT, CRUD Playlist, Thư viện cá nhân).
  • Milestone 3 (17/03 - 15/04): Nghiên cứu và huấn luyện mô hình gợi ý trên Python (LSH MinHash & User-User NBCF), phát triển giao diện Flutter Client theo kiến trúc BLoC.
  • Milestone 4 (16/04 - 14/05): Tích hợp toàn diện hệ thống (Spring Boot - FastAPI - Flutter), kiểm thử dữ liệu thực tế hơn 100,000 bài hát.
  • Milestone 5 (15/05 - 03/07): Đánh giá sai số thuật toán (MAE), kiểm thử bảo mật, UAT, sửa lỗi và đóng gói sản phẩm.

Implementation và kết quả

Quy trình phát triển và thuật toán lõi

1. Thuật toán Locality-Sensitive Hashing (LSH) cho Content-Based Recommender

Khi người dùng đang nghe một bài hát, hệ thống cần gợi ý ngay bài hát tiếp theo có cùng đặc trưng về ca sĩ và thể loại mà không làm nghẽn luồng xử lý. Kỹ thuật MinHash LSH được áp dụng để ánh xạ các tập đặc trưng (Genres, Artists) vào các bucket băm nhạy cảm vị trí, cho phép tìm kiếm láng giềng gần nhất với độ phức tạp truy vấn thực tế tiệm cận $O(1)$.

from datasketch import MinHash, MinHashLSH
import pandas as pd

class ContentBasedLSHRecommender:
    def __init__(self, threshold=0.5, num_perm=128):
        self.num_perm = num_perm
        self.lsh = MinHashLSH(threshold=threshold, num_perm=num_perm)
        self.minhashes = {}

    def fit(self, df_songs: pd.DataFrame):
        for idx, row in df_songs.iterrows():
            song_id = row['encode_id']
            # Gom tap dac trung: Genres va Artists
            features = list(row['genre_ids']) + [row['artist_id']]
            m = MinHash(num_perm=self.num_perm)
            for feature in features:
                m.update(feature.encode('utf8'))
            self.lsh.insert(song_id, m)
            self.minhashes[song_id] = m

    def query_similar_songs(self, target_song_id: str, top_k=10) -> list:
        if target_song_id not in self.minhashes:
            return []
        target_minhash = self.minhashes[target_song_id]
        result = self.lsh.query(target_minhash)
        # Loai bo chinh bai hat dang query
        similar_songs = [s_id for s_id in result if s_id != target_song_id]
        return similar_songs[:top_k]

2. Thuật toán Neighborhood-based Collaborative Filtering (User-User NBCF)

Để tạo một danh sách phát hoàn chỉnh (Recommended Playlist) phù hợp với gu âm nhạc cá nhân, hệ thống xây dựng Ma trận tương quan (Utility Matrix) $Y$ dựa trên số lượt nghe/đánh giá của người dùng đối với từng bài hát.

Các bước thực hiện chuẩn hóa ma trận và tính toán độ tương đồng Cosine:

  • Trừ giá trị đánh giá cho trung bình đánh giá của từng người dùng ($\bar{r}_u$) để loại bỏ định kiến cá nhân (User Bias).
  • Thay thế các giá trị chưa biết (dấu '?') bằng giá trị $0$ để hình thành ma trận thưa (Sparse Matrix).
  • Tính độ tương đồng Cosine giữa hai vector người dùng $\mathbf{u}_1$ và $\mathbf{u}_2$:

$$\text{cosine_similarity}(\mathbf{u}_1, \mathbf{u}_2) = \cos(\mathbf{u}_1, \mathbf{u}_2) = \frac{\mathbf{u}_1 \cdot \mathbf{u}_2}{|\mathbf{u}_1|_2 |\mathbf{u}_2|_2}$$

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

def calculate_normalized_utility_matrix(utility_matrix: np.ndarray) -> np.ndarray:
    normalized_matrix = np.zeros_like(utility_matrix, dtype=float)
    for i in range(utility_matrix.shape[0]):
        user_ratings = utility_matrix[i, :]
        rated_indices = np.where(user_ratings > 0)[0]
        if len(rated_indices) > 0:
            mean_val = np.mean(user_ratings[rated_indices])
            normalized_matrix[i, rated_indices] = user_ratings[rated_indices] - mean_val
    return normalized_matrix

def predict_rating(user_idx: int, item_idx: int, norm_matrix: np.ndarray, k=5) -> float:
    sim_scores = cosine_similarity(norm_matrix[user_idx].reshape(1, -1), norm_matrix)[0]
    # Tim top-K users tuong dong nhat co danh gia item_idx
    other_users = np.where(norm_matrix[:, item_idx] != 0)[0]
    other_users = other_users[other_users != user_idx]
    if len(other_users) == 0:
        return 0.0
    sorted_similar_users = other_users[np.argsort(sim_scores[other_users])[::-1]][:k]
    
    numerator = sum(sim_scores[u] * norm_matrix[u, item_idx] for u in sorted_similar_users)
    denominator = sum(np.abs(sim_scores[u]) for u in sorted_similar_users)
    return numerator / (denominator + 1e-9)

3. Kỹ thuật trích xuất ID3 Metadata kiểm duyệt bản quyền âm thanh

Khi người dùng tải lên bản ghi âm thông qua mạng xã hội, backend FastAPI sẽ tiếp nhận nhị phân file âm thanh và kích hoạt tinytag để kiểm tra tiêu đề và nghệ sĩ gốc trong các thẻ siêu dữ liệu (ID3v1, ID3v2):

from tinytag import TinyTag
import os

def check_song_copyright(file_path: str) -> dict:
    try:
        tag = TinyTag.get(file_path)
        # Neu phat hien tag ID3 chuan tu cac nha phat hanh thuong mai
        if tag.title and tag.artist and tag.year:
            return {
                "is_commercial_copyright": True,
                "title": tag.title,
                "artist": tag.artist,
                "year": tag.year,
                "action": "FLAGGED_FOR_MANUAL_REVIEW"
            }
        return {"is_commercial_copyright": False, "action": "APPROVED"}
    except Exception as e:
        return {"error": str(e), "action": "REJECTED"}

Kiểm thử và đánh giá hệ thống

Kịch bản kiểm thử và độ bao phủ (Test Coverage)

  • Kiểm thử đơn vị (Unit Testing): Bao phủ >82% mã nguồn backend Spring Boot (JUnit 5, Mockito) cho các nghiệp vụ xác thực JWT, bảo mật mật khẩu BCrypt, CRUD Playlist.
  • Kiểm thử tải và độ trễ (Performance Benchmark):
    • Tốc độ phản hồi trung bình của API tìm kiếm bài hát: ~48ms.
    • Thời gian phản hồi thuật toán MinHashLSH với kho 100,000 bài hát: ~35ms (nhanh hơn 8.5 lần so với thuật toán duyệt tuần tự k-NN Brute-Force trên vector khoảng cách Euclidean thông thường: ~297ms).
    • Thời gian sinh playlist gợi ý User-User NBCF: ~112ms với ma trận kích thước 5,000 users x 10,000 items.

Đánh giá độ chính xác của hệ thống gợi ý

Độ chính xác của Recommender System được kiểm định thông qua chỉ số Sai số tuyệt đối trung bình (Mean Absolute Error - MAE):

$$\text{MAE} = \frac{1}{|\mathcal{T}|} \sum_{(u, i) \in \mathcal{T}} |r_{ui} - \hat{r}_{ui}|$$

Trong quá trình huấn luyện và đánh giá trên tập kiểm thử lịch sử người dùng, hệ thống đạt chỉ số MAE ~ 2.30 (tính trên thang đo chuẩn hóa độ tương tác lượt nghe). Các bài hát gợi ý có sự tương đồng tuyệt đối về tập ID thể loại (ví dụ: các bài hát được gợi ý từ mã ZW6WCW76 đều giữ nguyên các nhãn thể loại cốt lõi IWZ9Z081, IWZ9Z088, IWZ97FCD).

Đổi mới và đóng góp

  1. Kiến trúc gợi ý đa tầng kết hợp (Hybrid Dual-Engine):
    • Real-time transition: Sử dụng MinHash LSH cho bài hát kế tiếp, giải quyết triệt để độ trễ khi chuyển bài trên ứng dụng di động.
    • Deep personalization: Sử dụng User-User NBCF để tự động sinh "Daily Recommended Playlist" dựa trên hành vi nghe nhạc thực tế của người dùng có gu tương đồng.
  2. Cơ chế Social Viral Loop với Firebase Dynamic Links:
    • Ứng dụng giải quyết bài toán chia sẻ xuyên nền tảng: Người dùng có thể bấm vào liên kết bài hát/bài đăng từ ứng dụng chat hoặc mạng xã hội khác để mở trực tiếp màn hình chi tiết trên Musix App (hoặc điều hướng tải về nếu chưa cài đặt) mà không làm mất trạng thái context ban đầu.
  3. Mô hình hóa kiểm duyệt bản quyền phân tán nhẹ (Lightweight Copyright Tagger):
    • Tách module kiểm tra bản quyền thành một microservice độc lập chạy trên nền Python ASGI, giảm tải hoàn toàn cho hệ thống xử lý nghiệp vụ chính của Spring Boot.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Use Cases)

  • Người yêu âm nhạc phổ thông: Tìm kiếm, phát trực tuyến nhạc chất lượng cao, tạo danh sách phát cá nhân, nghe các bản nhạc được tự động chọn lọc liên tục mà không cần can thiệp thủ công.
  • Nghệ sĩ Indie / Người sáng tạo âm thanh: Đăng tải các đoạn thu âm ngắn (cover, beat tự phối), giao lưu với thính giả qua bình luận và lượt yêu thích bài đăng, kiểm tra độ hợp lệ của bản quyền tự động.
  • Cộng đồng nghe nhạc theo nhóm: Chia sẻ các danh sách phát hoặc bài viết âm nhạc độc đáo qua liên kết động trực tiếp lên các kênh truyền thông xã hội.

Yêu cầu hệ thống và triển khai (Deployment Architecture)

[Internet Traffic]
       |
       v (Port 80/443 - HTTPS/SSL)
+-------------------------------------------------------+
|                 NGINX REVERSE PROXY                   |
+---------------------------+---------------------------+
                            |
           +----------------+----------------+
           | (Reverse Proxy)                 | (Reverse Proxy)
           v                                 v
+-----------------------+         +-----------------------+
|  Spring Boot Core App |         |   FastAPI AI Service  |
|  (Port 8080 - JVM 17) |         |   (Port 5000 - ASGI)  |
+-----------+-----------+         +-----------+-----------+
            |                                 |
            +----------------+----------------+
                             |
                             v
                 +-----------------------+
                 |    MongoDB Cluster    |
                 |     (Port 27017)      |
                 +-----------------------+
  • Yêu cầu phần cứng máy chủ (Server Minimum Specs):
    • CPU: 4 Cores (x86_64).
    • RAM: 8GB (Dành cho nạp mô hình LSH MinHash và đệm ma trận Utility).
    • Ổ cứng: 50GB SSD NVMe.
  • Quy trình triển khai (Dockerized):
    1. Đóng gói Core Backend thành file JAR chạy trên Docker container OpenJDK 17.
    2. Đóng gói FastAPI Engine với Uvicorn Workers trên nền Python 3.10 Slim.
    3. Cấu hình Nginx Reverse Proxy điều phối tải và mã hóa SSL/TLS Let's Encrypt.
    4. Đăng ký thông số SHA-256 fingerprint trên Google Firebase Console để kích hoạt Dynamic Linking trên Android APK.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Kiểm duyệt bản quyền: Thư viện TinyTag dựa vào tính toàn vẹn của siêu dữ liệu ID3. Nếu người dùng cố tình xóa bỏ metadata hoặc thay đổi cấu trúc file MP3 thô, hệ thống chưa thể tự phân tích dạng sóng âm (Acoustic Waveform Analysis).
  • Độ thưa của ma trận (Matrix Sparsity): Khi số lượng người dùng tăng đột biến lên hàng triệu, thuật toán User-User NBCF thuần túy sẽ tiêu tốn tài nguyên bộ nhớ lớn khi duy trì Utility Matrix trong RAM.

Hướng nâng cấp trong tương lai

  • Tích hợp Deep Learning & Audio Fingerprinting: Ứng dụng mô hình mạng nơ-ron tích chập (CNN) kết hợp thuật toán Chromaprint để đối soát phổ âm thanh trực tiếp (Audio Spectrogram), ngăn chặn vi phạm bản quyền nâng cao.
  • Mở rộng mô hình Recommender System: Ứng dụng kỹ thuật phân rã ma trận (Matrix Factorization - SVD) hoặc mô hình học sâu Autoencoder / Transformer-based Recommender để xử lý triệt để bài toán thưa ma trận và mở rộng quy mô dữ liệu lớn.
  • Đồng bộ hóa Real-time Playback (Listen Together): Sử dụng giao thức WebSockets để cho phép nhiều người dùng cùng nghe chung một bài hát theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành CNTT: Cung cấp tài liệu tham khảo hoàn chỉnh về cách kết hợp kiến trúc đa ngôn ngữ (Java Spring Boot + Python FastAPI + Flutter) và cách hiện thực hóa các thuật toán Data Science trong ứng dụng thực tế.
  • Kỹ sư phần mềm (Software Engineers): Nắm vững mô hình kiến trúc BLoC trong Flutter, kỹ thuật xử lý background audio service, tối ưu hóa ma trận thưa trong hệ thống gợi ý.
  • Doanh nghiệp & Startup âm nhạc: Một bản thiết kế hoàn chỉnh giúp tiết kiệm chi phí R&D khi muốn xây dựng nền tảng Streaming tích hợp Social Commerce / Community.
  • Các nhà nghiên cứu Recommender System: Có thêm dữ liệu thực nghiệm về việc so sánh hiệu năng giữa thuật toán LSH MinHash so với tìm kiếm vector tuần tự trong bài toán đề xuất âm nhạc.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai toàn bộ hệ thống là gì?

Máy chủ tối thiểu 4 Cores CPU, 8GB RAM chạy Ubuntu 20.04/22.04 LTS, cài đặt Docker & Docker Compose. Đối với Client, thiết bị di động cần chạy Android 6.0 (API Level 23) trở lên hoặc iOS 12.0 trở lên.

2. Thuật toán LSH MinHash giải quyết vấn đề hiệu năng như thế nào so với tìm kiếm láng giềng k-NN truyền thống?

Trong không gian đa chiều với hơn 100,000 bài hát, tìm kiếm k-NN thông thường phải quét toàn bộ tập dữ liệu với độ phức tạp $O(n \cdot d)$. LSH MinHash sử dụng các hàm băm bảo toàn khoảng cách Jaccard để đưa các bài hát tương đồng vào cùng một "băng băm" (hash bucket), giảm không gian tìm kiếm xuống còn $O(1)$ hoặc $O(\text{bucket_size})$, giảm độ trễ từ ~297ms xuống còn ~35ms.

3. Làm thế nào hệ thống giải quyết vấn đề Cold-start cho bài hát mới tải lên?

Hệ thống sử dụng cơ chế định tuyến kép: Khi bài hát mới chưa có bất kỳ lượt nghe hay đánh giá nào trong Utility Matrix của Collaborative Filtering, hệ thống sẽ tự động chuyển hướng qua module Content-Based LSH để trích xuất đặc trưng thể loại/nghệ sĩ do người đăng tải gắn nhãn, đảm bảo bài hát vẫn được gợi ý chính xác ngay lập tức.

4. Chi phí vận hành hạ tầng của hệ sinh thái này ước tính ra sao?

Nhờ vào việc tận dụng MongoDB Community (tự host), Cloudinary gói Free/Tier 1 cho media, và Firebase Dynamic Links miễn phí, chi phí duy trì hệ thống cho 10,000 active users ước tính chỉ rơi vào khoảng $20 - $40/tháng (chi phí thuê máy chủ VPS Linux).

5. Hệ thống kiểm soát tính bảo mật và toàn vẹn dữ liệu như thế nào?

Mọi kết nối API đều đi qua lớp lọc Spring Security và xác thực bằng JSON Web Token (JWT) có thời hạn (Access Token / Refresh Token). Mật khẩu người dùng được mã hóa một chiều bằng giải thuật BCrypt với độ phức tạp muối (salt rounds) chuẩn. Mã xác thực đăng ký/đổi mật khẩu được sinh ngẫu nhiên có thời gian sống (TTL) và gửi qua kênh bảo mật SMTP của Spring Mail.

Kết luận

Đồ án "Xây dựng ứng dụng nghe nhạc trên Mobile tích hợp gợi ý và chia sẻ nhạc" của sinh viên Nguyễn Doãn Thịnh và Cao Nguyễn Minh Quân là một công trình nghiên cứu ứng dụng toàn diện, giải quyết hài hòa giữa trải nghiệm nghe nhạc di động mượt mà và nền tảng kết nối mạng xã hội hiện đại. Thông qua việc làm chủ các công nghệ tiên tiến như Flutter, Spring Boot, FastAPI và việc triển khai thành công hệ thống gợi ý lai kết hợp giữa Locality-Sensitive Hashing (LSH) và Neighborhood-based Collaborative Filtering (NBCF), đề tài đã chứng minh tính khả thi cao, hiệu năng vượt trội và giá trị thực tiễn vững chắc cho ngành công nghệ phát triển ứng dụng đa phương tiện.