Giới thiệu dự án

Thị trường nhạc số toàn cầu chứng kiến sự bùng nổ mạnh mẽ với hơn 616 triệu người dùng đăng ký các dịch vụ phát trực tuyến có trả phí. Tuy nhiên, phần lớn các nền tảng streaming hiện nay (như Spotify, Apple Music, Zing MP3) đều hoạt động theo mô hình một chiều từ nhà phát hành chuyên nghiệp đến thính giả. Ngược lại, các nền tảng mạng xã hội và lưu trữ âm thanh mở như SoundCloud hay TikTok lại phân mảnh trải nghiệm nghe nhạc chuyên sâu. Người dùng trẻ và các nghệ sĩ độc lập (Indie/Cover artists) thiếu một hệ sinh thái thống nhất: vừa cung cấp trải nghiệm nghe nhạc chất lượng cao với gợi ý cá nhân hóa thông minh, vừa đóng vai trò một mạng xã hội kết nối trực tiếp để đăng tải, chia sẻ tác phẩm tự sản xuất.

Đề tài "Ứng dụng nghe nhạc trên Mobile tích hợp gợi ý và chia sẻ nhạc" do nhóm sinh viên ngành Kỹ thuật Phần mềm, Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM thực hiện, giải quyết triệt để rào cản này bằng cách phát triển nền tảng di động đa chức năng.

graph LR
    A[Người dùng / Indie Artist] -->|Phát nhạc & Tương tác| B[Mobile Client: Flutter]
    B -->|RESTful API & Dynamic Links| C[Core Backend: Java Spring Boot]
    B -->|Model Inference Requests| D[RecSys Engine: Python FastAPI]
    C -->|Lưu trữ Document| E[(Database: MongoDB)]
    C -->|Media Assets| F[Cloudinary]
    D -->|Khuyến nghị bài hát| E
    B -->|Metadata & Stream| G[Zing MP3 Data Source]

Mục tiêu của dự án

  1. Xây dựng ứng dụng di động đa nền tảng: Phát triển giao diện người dùng mượt mà, tối ưu trên hệ điều hành Android/iOS bằng Flutter, tích hợp đầy đủ tính năng streaming và mạng xã hội.
  2. Triển khai hệ thống gợi ý bài hát kép (Dual-Engine Recommender System): Kết hợp kỹ thuật Content-Based Filtering với thuật toán Locality-Sensitive Hashing (LSH) và User-User Collaborative Filtering để gợi ý thời gian thực.
  3. Phát triển mạng xã hội âm nhạc (Social Music Hub): Cho phép người dùng đăng tải bản thu âm (original/cover), bình luận, tương tác và phân phối bài hát thông qua Firebase Dynamic Links.
  4. Kiểm soát bản quyền nhạc tải lên: Tích hợp cơ chế trích xuất và xác thực siêu dữ liệu (metadata) âm thanh tự động.

Phạm vi và giới hạn của đề tài

  • Phạm vi chức năng: Phát nhạc trực tuyến (kèm lyric, hẹn giờ ngủ, loop/shuffle), quản trị playlist cá nhân, gợi ý bài hát kế tiếp, tạo playlist tự động, mạng xã hội chia sẻ nhạc, kiểm tra bản quyền tệp tải lên.
  • Phạm vi dữ liệu: Tập dữ liệu hơn 100.000 bài hát và nghệ sĩ được thu thập và đồng bộ từ hệ sinh thái Zing MP3 kết hợp dữ liệu nhật ký nghe của người dùng nội bộ.
  • Giới hạn hệ thống: Ứng dụng tập trung kiểm thử tối ưu hóa trên nền tảng Android; cơ chế kiểm tra bản quyền dựa trên trích xuất ID3 Metadata tag.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Spotify SoundCloud Zing MP3 Giải pháp của Đề tài
Công nghệ Gợi ý (RecSys) Collaborative + Matrix Factorization + Deep Audio Dựa trên Waveform & Tag cơ bản Thống kê lượt nghe & Bảng xếp hạng Kết hợp Content-Based (LSH) & User-User Collaborative Filtering
Mạng xã hội người dùng Hạn chế (chỉ chia sẻ link, xem Friend Activity) Bình luận theo mốc thời gian (Waveform) Không có mạng xã hội tương tác trực tiếp Mạng xã hội chuyên biệt: bài đăng, bình luận, tương tác, share qua Dynamic Links
Đăng tải tác phẩm cá nhân Phải qua nhà phân phối trung gian (Distributor) Cho phép tải trực tiếp Chỉ dành cho ca sĩ có chứng thực Cho phép người dùng đăng tải trực tiếp kèm xác thực bản quyền
Kiến trúc Client-Server Microservices phức tạp Monolith chuyển sang Service-Oriented Phân tán tải cao Clean MVC/BloC kết hợp Spring Boot & FastAPI Microservices

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Phát nhạc nền (Background Audio Playback), xác thực tài khoản JWT/Email Confirmation, gợi ý bài hát tương đồng qua LSH, tạo playlist cá nhân, quản trị mạng xã hội âm nhạc.
  • Should have: Gợi ý Playlist tự động bằng Collaborative Filtering theo ma trận Utility, tính năng hẹn giờ tắt nhạc, deep-linking bằng Firebase Dynamic Links.
  • Could have: Đồng bộ lời bài hát thời gian thực (karaoke lyric), chia sẻ bài hát đa nền tảng.
  • Won't have (lần này): Nhận dạng âm thanh bằng dấu vân tay âm học phức tạp (Audio Acoustic Fingerprinting).

Thiết kế hệ thống

Kiến trúc hệ thống được chia tách thành các module độc lập theo mô hình micro-services thu nhỏ nhằm đảm bảo tính chịu tải và dễ dàng mở rộng:

flowchart TD
    subgraph ClientLayer["Lớp Client (Mobile)"]
        UI[Flutter UI - Dart 3.x]
        BLoC[BLoC Pattern - State Management]
        UI <--> BLoC
    end

    subgraph GatewayServices["Lớp Dịch vụ & Xử lý Nghiệp vụ"]
        SpringCore["Spring Boot Server 3.x (Java 17)\n- Authentication & Security\n- Social Feed & Interaction\n- Playlist Management"]
        FastAPIEngine["FastAPI Engine (Python 3.10)\n- MinHash LSH Content Engine\n- k-NN Collaborative Filtering\n- TinyTag Copyright Analyzer"]
    end

    subgraph DataStorage["Lớp Dữ liệu & Lưu trữ"]
        Mongo[(MongoDB Database)]
        Cloud[(Cloudinary Media Storage)]
        Firebase[(Firebase Dynamic Links)]
        Zing[(Zing MP3 Catalog)]
    end

    BLoC -->|REST API Requests| SpringCore
    BLoC -->|Recommendation Queries| FastAPIEngine
    SpringCore -->|CRUD Query / Aggregate| Mongo
    SpringCore -->|Upload Image / Audio| Cloud
    SpringCore -->|Generate Deeplink| Firebase
    FastAPIEngine -->|Read User Activity Data| Mongo
    FastAPIEngine -->|Sync Song Metadata| Zing

Tech Stack và phiên bản công nghệ

  • Mobile Client: Flutter 3.x, Dart 3.x, BLoC pattern, AudioPlayers.
  • Core Backend API: Java 17, Spring Boot 3.x, Spring Security, Spring Data MongoDB, Spring Mail.
  • Recommendation & AI Service: Python 3.10, FastAPI, Scikit-learn, Datasketch (MinHash, MinHashLSH), Pandas, NumPy.
  • Database: MongoDB NoSQL (tối ưu cấu trúc JSON Document).
  • Storage & Third-Party APIs: Cloudinary (lưu trữ media/avatar), Firebase Dynamic Links (deep linking), TinyTag (audio parsing), Zing MP3 API (nguồn metadata nhạc).

Thiết kế cơ sở dữ liệu (MongoDB Collections)

// Collection: Users
{
  "_id": "ObjectId",
  "username": "minhquan_uit",
  "email": "quan.cao@uit.edu.vn",
  "password_hash": "$2a$12$e8bQ...",
  "avatar_url": "https://res.cloudinary.com/music-app/avatar1.png",
  "created_at": "ISODate"
}

// Collection: Songs
{
  "_id": "ZW6WCW76",
  "title": "Đường Đến Ngày Vinh Quang",
  "artist_names": "Bức Tường",
  "genre_ids": ["IWZ908I", "IWZ9088", "IWZ97FCD"],
  "audio_url": "https://...",
  "play_count": 4520,
  "duration": 312
}

// Collection: ListenHistories (Utility Ratings)
{
  "_id": "ObjectId",
  "user_id": "ObjectId(User)",
  "song_id": "ZW6WCW76",
  "play_count": 8,
  "rating_score": 4.5,
  "updated_at": "ISODate"
}

Phương pháp luận (Methodology)

Dự án triển khai theo phương pháp Agile kết hợp quy trình phát triển lặp Scrum với các mốc thời gian rõ ràng:

Giai đoạn Thời gian Nhiệm vụ chính Sản phẩm đầu ra (Deliverables)
Sprint 1 06/02 – 20/02/2023 Nghiên cứu Flutter, Spring Boot, NoSQL, thuật toán RecSys Tài liệu kiến trúc & Thiết kế kỹ thuật ban đầu
Sprint 2 21/02 – 08/03/2023 Thiết kế UI/UX trên Figma, xây dựng schema MongoDB, đặc tả Use Case Bộ wireframe Figma, cơ sở dữ liệu MongoDB
Sprint 3 09/03 – 01/04/2023 Xây dựng API phát nhạc, tìm kiếm, xác thực Spring Security Hệ thống Core RESTful API
Sprint 4 02/04 – 14/05/2023 Huấn luyện mô hình LSH & Collaborative Filtering bằng Python Service FastAPI dự đoán bài hát thời gian thực
Sprint 5 15/05 – 10/06/2023 Ghép nối Frontend-Backend, kiểm thử toàn diện, sửa lỗi Bản build ứng dụng Android hoàn chỉnh
Sprint 6 11/06 – 03/07/2023 Đánh giá chỉ số lỗi, hoàn thiện khóa luận, nghiệm thu Báo cáo hoàn chỉnh, demo sản phẩm

Implementation và kết quả

Development Process & Key Algorithms

1. Content-Based Recommender System sử dụng Locality-Sensitive Hashing (LSH)

Phương pháp Nearest Neighbor Search (NNS) chuẩn mất chi phí tính toán khoảng cách Euclidean giữa mọi cặp điểm là $\mathcal{O}(n^2 d)$, không khả thi với kho dữ liệu trên $n = 100.000$ bài hát và vector đặc trưng chiều cao $d$. Nhóm áp dụng MinHash LSH để ánh xạ các tập thể loại (genre_ids) và đặc trưng bài hát vào các bucket băm (hash buckets).

Khi truy vấn bài hát liền kề với mã $p$, thuật toán chỉ tính toán khoảng cách trong cùng bucket với độ phức tạp $\mathcal{O}(d)$ thay vì quét toàn bộ không gian dữ liệu.

# Content-Based Recommender Service (FastAPI / Datasketch)
from datasketch import MinHash, MinHashLSH
from fastapi import FastAPI
import pandas as pd

app = FastAPI(title="LSH Content-Based Recommender")

# Khởi tạo LSH index với ngưỡng tương đồng Jaccard threshold = 0.5
lsh = MinHashLSH(threshold=0.5, num_perm=128)
song_minhashes = {}

def build_lsh_index(songs_df: pd.DataFrame):
    for _, row in songs_df.iterrows():
        song_id = str(row['song_id'])
        genres = row['genre_ids'] # Danh sách genre tags
        
        m = MinHash(num_perm=128)
        for genre in genres:
            m.update(genre.encode('utf-8'))
            
        lsh.insert(song_id, m)
        song_minhashes[song_id] = m

@app.get("/recommend/next-track/{song_id}")
def recommend_next_track(song_id: str):
    if song_id not in song_minhashes:
        return {"error": "Song ID not found"}
    
    query_minhash = song_minhashes[song_id]
    # Truy vấn các bài hát cùng bucket trong không gian LSH
    similar_song_ids = lsh.query(query_minhash)
    candidates = [sid for sid in similar_song_ids if sid != song_id]
    
    return {"source_song": song_id, "recommendations": candidates[:10]}

2. User-User Collaborative Filtering với Normalized Utility Matrix

Để tạo playlist gợi ý tự động khi người dùng mở ứng dụng, hệ thống trích xuất lịch sử nghe của người dùng và xây dựng ma trận tiện ích (Utility Matrix) $Y$.

Do hành vi đánh giá/nghe nhạc của mỗi người dùng có sự phân hóa (người dễ tính nghe lặp lại nhiều lần, người khó tính chỉ nghe ít lần), thuật toán thực hiện chuẩn hóa ma trận tiện ích (Normalized Utility Matrix) bằng cách trừ đi giá trị trung bình $\bar{r}_u$ của từng người dùng:

$$\hat{Y}{u, i} = Y{u, i} - \bar{r}_u$$

Độ tương đồng giữa hai người dùng $u_1$ và $u_2$ được tính toán qua hàm Cosine Similarity trên các vector đã chuẩn hóa:

$$\text{Cosine Similarity}(u_1, u_2) = \cos(u_1, u_2) = \frac{u_1^T u_2}{|u_1|_2 \cdot |u_2|_2}$$

# Collaborative Filtering Recommender (Scikit-Learn k-NN)
import numpy as np
from sklearn.neighbors import NearestNeighbors
from scipy.sparse import csr_matrix

def train_collaborative_filter(utility_matrix: np.ndarray):
    # Chuẩn hóa ma trận đánh giá: trừ rating trung bình của từng user
    user_means = np.nanmean(utility_matrix, axis=1, keepdims=True)
    normalized_matrix = np.nan_to_num(utility_matrix - user_means)
    
    # Chuyển đổi thành ma trận thưa (Sparse Matrix) để tối ưu bộ nhớ
    sparse_utility = csr_matrix(normalized_matrix)
    
    # Huấn luyện mô hình k-NN với metric Cosine
    model_knn = NearestNeighbors(metric='cosine', algorithm='brute', n_neighbors=5)
    model_knn.fit(sparse_utility)
    
    return model_knn, normalized_matrix

3. Module kiểm tra bản quyền tệp âm thanh (Copyright Verification)

Module kiểm tra tính hợp lệ của các file thu âm/cover do người dùng tải lên thông qua phân tích ID3 Metadata Tag bằng thư viện tinytag. Nếu phát hiện tệp chứa thẻ bản quyền thương mại đã đăng ký, hệ thống từ chối đăng tải để bảo vệ nền tảng:

# API Endpoint kiểm tra bản quyền Audio tải lên
from fastapi import FastAPI, UploadFile, File
from tinytag import TinyTag
import tempfile
import os

app = FastAPI()

@app.post("/verify-audio-copyright")
async def verify_copyright(file: UploadFile = File(...)):
    with tempfile.NamedTemporaryFile(delete=False, suffix=".mp3") as tmp:
        tmp.write(await file.read())
        tmp_path = tmp.name

    try:
        tag = TinyTag.get(tmp_path)
        # Kiểm tra sự tồn tại của các trường thông tin bản quyền ID3 chính thức
        is_copyrighted = bool(tag.artist and tag.album and tag.year and tag.title)
        
        return {
            "filename": file.filename,
            "has_copyright_flag": is_copyrighted,
            "detected_artist": tag.artist,
            "detected_title": tag.title,
            "status": "REJECTED" if is_copyrighted else "ACCEPTED"
        }
    finally:
        if os.path.exists(tmp_path):
            os.remove(tmp_path)

Testing và validation

Kết quả kiểm thử tính năng bản quyền ID3 Metadata

Kiểm thử trên tập dữ liệu thực tế gồm các ca khúc phát hành từ năm 1970 đến 2023 cho thấy độ chính xác nhận diện bản quyền cao rõ rệt đối với các bài hát thương mại hiện đại:

Tên bài hát thử nghiệm Ca sĩ thể hiện Năm phát hành Kết quả kiểm tra ID3
My Heart Will Go On Celine Dion 1995 Có bản quyền (Vi phạm)
Đường Đến Ngày Vinh Quang Bức Tường 2002 Có bản quyền (Vi phạm)
BADBYE WEAN 2023 Có bản quyền (Vi phạm)
999 Đóa Hồng Dương Edward 2023 Có bản quyền (Vi phạm)
Chân Tình Quang Dũng 2017 Có bản quyền (Vi phạm)
Phượng Buồn Mai Thiên Vân 2004 Có bản quyền (Vi phạm)
Lý Ngựa Ô Quang Linh 1993 Không phát hiện ID3
Đêm Tàn Bến Ngự Thanh Thúy 1970 Không phát hiện ID3

Đánh giá độ chính xác của Recommender System

  • Sai số tuyệt đối trung bình (MAE - Mean Absolute Error): Đạt mức xấp xỉ $\approx 2.30$ trên tập đánh giá utility matrix của người dùng nội bộ.
  • Thời gian phản hồi truy vấn gợi ý (Latency): Trung bình $< 85\text{ms}$ đối với module MinHash LSH và $< 140\text{ms}$ đối với k-NN Collaborative Filtering trên máy chủ tiêu chuẩn.
  • Phân bố lượt nghe: Dữ liệu nghe tập trung cao nhất ở ngưỡng từ $1$ đến $10$ lượt nghe/bài hát trước khi phân rã theo quy luật Long-tail distribution.

Đổi mới và đóng góp

graph TD
    subgraph Innovations["Các đóng góp kỹ thuật chính"]
        IN1["Kiến trúc Hybrid RecSys\nContent-Based LSH + User-User CF"]
        IN2["Cơ chế Gating Bản Quyền Audio\nTrích xuất TinyTag ID3 thời gian thực"]
        IN3["Mạng xã hội âm nhạc tương tác cao\nFirebase Dynamic Linking & Cloud Storage"]
    end

    IN1 --> RES1["Giảm độ phức tạp tìm kiếm từ O(n²d) xuống O(d)"]
    IN2 --> RES2["Ngăn chặn vi phạm bản quyền từ khâu upload của User"]
    IN3 --> RES3["Chia sẻ liên kết trực tiếp vào sâu màn hình ứng dụng"]
  1. Ứng dụng giải thuật MinHash LSH cho bài toán phát nhạc kế tiếp: Chuyển đổi bài toán tìm kiếm tương đồng trên tập dữ liệu lớn $100.000+$ bài hát từ độ phức tạp $\mathcal{O}(n^2 d)$ xuống $\mathcal{O}(d)$, cho phép gợi ý ngay tức thì khi chuyển bài mà không gây giật lag (Zero-buffering recommendation).
  2. Xử lý triệt để bài toán độ lệch đánh giá (Rating Bias): Bằng phương pháp Normalized Utility Matrix kết hợp Cosine Similarity, hệ thống loại bỏ sự thiên vị giữa người dùng "dễ tính" (cho nhiều tương tác) và "khó tính" (ít tương tác).
  3. Mô hình kết hợp Streaming và Social Creator Hub: Khắc phục nhược điểm đóng kín của các ứng dụng nghe nhạc truyền thống, mang lại kênh phân phối bài hát tự sáng tác và cover hợp lệ cho các nghệ sĩ trẻ độc lập.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng trong đời sống (Real-World Use Cases)

  • Kịch bản 1 - Thính giả đại chúng: Tìm kiếm bài hát theo từ khóa, nhận danh sách phát cá nhân hóa tạo tự động mỗi sáng, nghe nhạc không gián đoạn và hẹn giờ tắt ứng dụng trước khi ngủ.
  • Kịch bản 2 - Nghệ sĩ Indie/Cover: Đăng tải bản ghi âm mới nhất trực tiếp lên trang cá nhân, nhận thông báo tương tác, bình luận từ cộng đồng và chia sẻ link bài hát lên Facebook/Zalo thông qua Firebase Dynamic Links.
  • Kịch bản 3 - Nhà tuyển trạch âm nhạc (Talent Scout): Theo dõi trang cá nhân của các ca sĩ trẻ tiềm năng, nghe các bản cover chưa qua xử lý thương mại để tìm kiếm tài năng âm nhạc mới.

Yêu cầu triển khai hạ tầng (Deployment Blueprint)

graph LR
    subgraph ProductionDeployment["Kiến trúc Triển khai Production"]
        MobileApp[Mobile Android Device] -->|HTTPS / WSS| Nginx[NGINX Reverse Proxy & SSL]
        Nginx -->|Port 8080| SpringApp[Spring Boot Container - Docker]
        Nginx -->|Port 8000| FastApiApp[FastAPI RecSys Container - Docker]
        SpringApp --> MongoAtlas[(MongoDB Atlas Cluster)]
        FastApiApp --> MongoAtlas
    end
  • Yêu cầu phần cứng máy chủ: Tối thiểu 2 vCPU, 4GB RAM, 40GB SSD Cloud Server (Ubuntu 22.04 LTS).
  • Môi trường Container: Docker Engine $24.x$, Docker Compose quản lý 2 service (Spring Boot backend & FastAPI AI engine).
  • Cơ sở dữ liệu: MongoDB Atlas Replica Set hoặc Self-hosted MongoDB $6.0+$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cold-Start Problem: Với người dùng hoàn toàn mới chưa có lịch sử nghe nhạc, thuật toán Collaborative Filtering chưa thể phát huy tối đa hiệu quả, phải phụ thuộc tạm thời vào Content-Based hoặc bảng xếp hạng chung.
  • Kiểm duyệt bản quyền cấp cao: Việc xác thực dựa vào thẻ ID3 Metadata có thể bị vượt qua nếu người dùng chủ động xóa hoặc can thiệp sâu vào cấu trúc tệp âm thanh (ví dụ: cố tình strip ID3 tags).

Hướng nâng cấp tương lai

  1. Tích hợp Audio Fingerprinting (Dấu vân tay âm học): Sử dụng các giải thuật như Chromaprint hoặc Dejavu để phân tích trực tiếp sóng âm (spectrogram/waveform), nhận diện bản quyền chính xác $99.9%$ bất kể metadata.
  2. Deep Learning Hybrid Recommender: Ứng dụng mạng nơ-ron tích chập (CNN) kết hợp mô hình Transformer để phân tích đặc trưng phổ âm thanh (Mel-Spectrogram), nâng cao chất lượng gợi ý bài hát theo tâm trạng (Mood-based recommendation).
  3. Mở rộng nền tảng: Phát hành phiên bản hoàn chỉnh trên iOS App Store và Web App (Flutter Web).

Đối tượng hưởng lợi

mindmap
  root((Hệ sinh thái hưởng lợi))
    Sinh viên & Giảng viên
      Tham khảo kiến trúc Flutter kết hợp Spring Boot & Python
      Mô hình thực nghiệm LSH và Collaborative Filtering
    Lập trình viên Mobile & AI
      Mẫu code chuẩn BLoC Pattern và FastAPI Recommender
      Giải pháp chuẩn hóa ma trận tiện ích trong RecSys
    Cộng đồng Nghệ sĩ Độc lập
      Kênh phát hành âm nhạc tự do không tốn phí trung gian
      Tương tác trực tiếp với người hâm mộ
    Doanh nghiệp Âm nhạc Số
      Mô hình tham khảo chi phí thấp cho nền tảng âm nhạc ngách
      Chiến lược tích hợp Deep Linking mở rộng người dùng
  • Sinh viên CNTT: Nắm bắt phương pháp luận nghiên cứu khoa học ứng dụng và cách giải quyết bài toán RecSys bằng mã nguồn thực tế.
  • Kỹ sư Phần mềm: Khung kiến trúc mẫu (Clean Architecture) tích hợp đa ngôn ngữ (Java, Python, Dart) và cơ chế xử lý dữ liệu ma trận thưa.
  • Nghệ sĩ Indie: Tiếp cận đối tượng thính giả trẻ mà không cần ký hợp đồng phân phối phức tạp với các hãng đĩa.

Câu hỏi thường gặp

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

Hệ thống yêu cầu cài đặt JDK 17 (cho Spring Boot), Python 3.10+ (cho FastAPI Recommender Service), MongoDB 6.0+ và Flutter SDK 3.x để biên dịch ứng dụng di động. Toàn bộ backend có thể đóng gói thành các Docker container chạy trên VPS Linux với tối thiểu 4GB RAM.

2. Hệ thống xử lý bài toán quá tải khi lượng người dùng tăng mạnh (Scalability) như thế nào?

Kiến trúc phân tách giữa Core Service (Spring Boot) và RecSys Service (FastAPI) cho phép mở rộng độc lập (Horizontal Scaling). Thuật toán LSH giảm độ phức tạp tìm kiếm xuống $\mathcal{O}(d)$, trong khi ma trận tiện ích của Collaborative Filtering được chuyển đổi thành cấu trúc ma trận thưa (scipy.sparse.csr_matrix), tiết kiệm đến $85%$ bộ nhớ RAM khi lượng user tăng cao.

3. Làm thế nào ứng dụng liên kết được người dùng trực tiếp đến bài hát từ mạng xã hội khác?

Dự án sử dụng Firebase Dynamic Links. Khi người dùng chia sẻ bài hát hoặc bài đăng, hệ thống sinh ra một liên kết động chứa tham số định danh (post_id hoặc song_id). Khi người nhận nhấp vào link, ứng dụng sẽ tự động kích hoạt và điều hướng trực tiếp đến đúng màn hình chi tiết tương ứng (Deep Linking).

4. Chi phí vận hành và bảo trì ước tính cho hệ thống là bao nhiêu?

Nhờ tận dụng các dịch vụ đám mây miễn phí/tier thấp (Cloudinary cho hình ảnh, MongoDB Atlas M0/M10, Firebase miễn phí cho Dynamic Links), chi phí hạ tầng máy chủ ban đầu ước tính chỉ từ $10 - $25/tháng cho một Cloud VPS cấu hình chuẩn.

5. Cơ chế kiểm tra bản quyền ID3 có chặn được 100% nhạc lậu không?

Phương pháp ID3 tag qua tinytag là giải pháp lọc tầng đầu tiên (First-line filter) gọn nhẹ, giúp phát hiện ngay các tệp nhạc thương mại chưa qua chỉnh sửa mà không tốn nhiều tài nguyên CPU. Để đạt độ chính xác tuyệt đối, hệ thống đã chuẩn bị kiến trúc mở để tích hợp thêm module đối sánh dấu vân tay âm thanh (Audio Fingerprinting) ở các phiên bản tiếp theo.

Kết luận

Đề tài khóa luận tốt nghiệp "Ứng dụng nghe nhạc trên Mobile tích hợp gợi ý và chia sẻ nhạc" đã xây dựng thành công một giải pháp công nghệ toàn diện, giải quyết hài hòa bài toán giữa streaming chất lượng cao và mạng xã hội âm nhạc tương tác mở. Bằng việc kết hợp hiệu quả giữa thuật toán Locality-Sensitive Hashing (LSH) và User-User Collaborative Filtering, hệ thống đạt độ chính xác dự đoán cao với sai số MAE chỉ $\approx 2.30$, phản hồi gợi ý tức thì trong thời gian dưới $100\text{ms}$.

Dự án không chỉ là một sản phẩm phần mềm hoàn chỉnh sẵn sàng phục vụ cộng đồng yêu âm nhạc, mà còn đóng góp tài liệu nghiên cứu thực nghiệm giá trị cho sinh viên và kỹ sư quan tâm đến lĩnh vực phát triển ứng dụng di động đa nền tảng kết hợp hệ thống gợi ý thông minh.