Chương 1: TONG QUAN 1.2 PHẠM VI NGHIÊN CỨU Hệ thống khảo sát, sử dụng CSDL trong hệ thống quản lý đào tạo tại trường Đại học sư phạm kỹ thuật TPHCM. Dữ liệu đã khảo sát hoạt động giảng dạy trong vòng 4 năm, từ năm 2019 đến năm 2022 với số liệu thống kê cụ thể sau. - _ Số sinh viên khóa 2019 đến năm 2022: 27.369 sinh viên -_ Tổng số lớp học phan đã khảo sát: 27.760 lớp học phần -_ Tổng số Giảng viên đã khảo sát: 1.119 giảng viên -_ Tổng số dé liệu kết quả đã khảo sát: 12.320 mâu tin Dữ liệu khảo sát được tổng hợp theo hình sau: THỐNG KÊ KHẢO SÁT TỪ NĂM 2019 ĐẾN 2022 at Tống số méutin én 36 sinh vien Tổng số Gling viên | Tống sốlớp học phần 12.76K Số lượng si lên theo mức độ hài lòng Trung bình mức độ hài lòng của sin viên theo Khoa Hình 1.1 Thống kê khảo sát hoạt động giảng dạy từ năm 2019 đến 2022 Phần dự báo kết quả học tập: Sử dụng dữ liệu điểm của sinh viên từ năm 2019 dành cho sinh viên các khóa 2019,2020,2021,2022. Với số liệu thống kê cụ thể sau.
- _ Tổng số sinh viên: 28.060 sinh viên - Téng số môn học sinh viên đã học: 2112 môn - _ Tổng số ngành đang đào tạo: 45 ngành Dữ liệu điểm được tổng hợp theo bảng sau: ( Tổng số Sinhviên Ì (“ Tổng số Môn học Tổng số Ng Ÿ ¡ Dy doin RMSETest theo ngành 28.06K || 2112 45 SỐ lượng sinh viên theo Ngành L = ` Hình 1.2 Thống kê kết quả hoc tập của sinh viên khóa 2019 đến 2022 1.3 NOI DUNG VÀ MỤC TIÊU NGHIÊN CỨU Đề tài gồm có 2 mục tiêu cụ thể sau: - Xây dựng và phân tích hệ thống ứng dụng khảo sát hoạt động giảng dạy của giảng viên trên MongoDB, nhằm cải thiện tốc độ truy vấn dữ liệu của hệ thông đang triển khai tại trường Đại học Sư phạm Kỹ thuật TpHCM, xây dựng công cụ để phân tích và trực quan hóa đữ liệu khảo sát. - Dự đoán kết quả học tập của sinh viên nhằm hỗ trợ thông tin dé sinh viên đăng ký môn học, rút môn nhằm giảm tình trạng cảnh báo học vụ, hoặc nâng cao kết qua học tập giúp sinh viên đạt học bồng trong trường.4 PHƯƠNG PHÁP VÀ CÔNG CỤ 1.1 Phương Pháp Thu thập số liệu về khảo sát hoạt động giảng dạy, các số liệu về điểm của sinh viên để dự đoán điểm học tập của sinh viên từ đó dự đoán kết quả học tập (xếp loại) của sinh viên theo quy chế 1727/QD-DHSPKT. Thực nghiệm đối chiếu so sánh SQL server 2014 và MongoDB trên đữ liệu Khảo sát hoạt động giảng dạy của giảng viên. -_ Phân tích va tong hợp số liệu về dit liệu Khảo sát.
- Dùng các thuật toán về RS cụ thé thuật toán BMF dé dự đoán kết quả học tập của sinh viên dựa trên dữ liệu quản lý dao tạo (điểm sinh viên) và xây dựng hệ thống dự đoán.2 Công cụ Cơ sở dữ liệu, sử dụng MongoDB để lưu trữ và xử lý dữ liệu. Sử dung Flask python dé viết ứng dụng. Sử dụng Power BI dung đề thống kê và tổng hợp số liệu. 10 Chương 2: CƠ SỞ LÝ THUYET HỆ THÓNG GỢI Ý 2.1 GIỚI THIỆU Hệ thống gợi ý (recommendation system) là một hệ thống lọc và phân tích đữ liệu đầu vào.
Mục tiêu của nó là cung cấp cho người dùng gợi ý về mặt hang, sản phẩm. Một số ứng dung pho bién nhat hién nay là thương mại điện tử va dich vụ phát trực tuyến. Chẳng hạn, booking.com gợi ý người dùng địa điểm đến dựa trên những chuyến đi trước đó của người dùng và xếp hạng những người khác. Amazon theo đõi các mặt hàng người dùng xem, mua hoặc đánh giá dé cung cấp cho người dùng các dé xuất phù hợp về các sản phẩm tương tự khác mà người dùng có thể quan tâm.
Spotify, phân tích các thể loại, cung cấp danh sách nhạc của người dùng khác và đưa ra đề xuất cho người dùng. Tương tự, Netflix gợi ý người dùng muốn xem tiếp những bộ phim gì. Do đó, một danh sách các mặt hàng được đánh giá là đầu vào cho thuật toán gợi ý. Mô tả của mỗi mặt hàng có thể được làm phong phú thêm bằng một tập hợp các thuộc tính.
Ví dụ: nếu hệ thống dé xuất phim thì thé loại, đạo diễn và diễn viên có thé là một tập hợp các thuộc tính có ý nghĩa hỗ trợ thêm cho gợi ý người dùng. Một hệ thống gợi ý cũng cần biết thông tin về người dùng dé gợi ý như nhân khẩu học, chang hạn như giới tính và độ tuôi, sở thích. Nguồn thông tin quan trọng nữa là các tương tác giữa người dùng và các mặt hàng. Tương tác tiết lộ ý kiến của người dùng về một số mặt hàng.
Chăng hạn, người dùng có thé đã đánh giá (rating) một số phim, hoặc like một sản phẩm. Trong trường hợp này, chúng ta biết rõ ý kiến của người dùng về những bộ phim này. Ngoài ra, chúng ta có thé biết những cuốn sách mà người dùng đã mua trong quá khứ hoặc những bộ phim mà người dùng đã xem. Chúng ta có thê giả định rằng nếu người dùng đã xem một bộ phim hoặc mua một cuốn sách, thì có thé người dùng đó thích bộ phim đó hoặc cuốn sách đó.
Việc biết những tương tác này có thé hữu ich dé dé xuất những người dùng khác nên đọc gi hoặc xem gì tiếp theo dựa trên những gì họ đã đọc hoặc xem. Ví dụ: nếu những người mua áo sơ mi thì thường mua cả cà vạt hoặc mua giày thì mua thêm vớ. vì vậy hệ thông gợi ý sẽ khuyến khích người mua cả hai mặt hàng. Các tương tác cũng 11 có thuộc tính bối cảnh.
Ví dụ về các thuộc tính theo ngữ cảnh là vị trí địa lý, ngày trong tuần, giờ trong ngày, tâm trạng của người dùng, v. Cùng một người dung có thể có ý kiến khác nhau về cùng một mặt hàng dựa trên ngữ cảnh. Ví dụ, một nhà hàng có thể là nơi hoàn hảo cho bữa trưa công sở, nhưng không phải là nơi lý tưởng cho bữa tối lăng mạn. Bữa trưa công sở và bữa tối lãng mạn là ví dụ về ngữ cảnh khi giới thiệu nhà hàng.
Tương tự, nếu thời tiết nắng, người dùng có thể thích nhà hàng có khu vườn ngoài trời hơn, trong khi nếu thời tiết mưa, người dùng có thể thích nhà hàng có mái che. Nắng và mưa là hai ví dụ khác về ngữ cảnh.2 PHÂN LOẠI Collaborative Hình 2.1 Phân loại thuật toán gợi ý Thuật toán gợi ý được phân thành hai loại, thuật toán cá nhân hóa và không cá nhân hóa.1 Thuật toán không cá nhân hóa (non-personalized recommendations) Thuật toán không được cá nhân hóa thì tat cả người dùng đều nhận được các đề xuất giống nhau. Ví dụ: những bộ phim nổi tiếng nhất, các ban nhạc nồi tiếng gần đây hoặc các khách sạn được xếp hạng tốt nhất chẳng hạn.2 Thuật toán cá nhân hóa (personalized recommendations) Thuật toán cá nhân hóa thì những người dùng khác nhau sẽ nhận được các đề xuất khác nhau. Các kỹ thuật cá nhân hóa được phân loại thành kỹ thuật lọc dựa trên nội dung và lọc cộng tác.
Để xây dựng thuật toán cá nhân hóa người ta xây dựng ma trận rating để mô tả dữ liệu đầu vào. 12 Mô tả Ma trận rating [4] G”ợøo 423 5 4 4 4 sl]a|4 3 5 4 4 â z|4 5 Hình 2.2 Ma tran xếp hạng người dùng Trong bảng này, Hàng mô tả kết quả đánh giá, xếp hạng người dùng, Cột là danh sách các mặt hàng, sản phẩm tương ứng.1 Lọc dựa trên nội dung (Content-based filtering) Y tưởng của dé xuất lọc dựa trên nội dung là để xuất các mục tương tự như các mục mà người dùng đã thích trong quá khứ. Ví dụ: nếu bạn thích bộ phim Indiana Jones, hệ thống đề xuất có thé đề xuất cho bạn những bộ phim khác của cùng đạo diễn Steven Spielberg hoặc của cùng diễn viên chính, Harrison Ford, hoặc khi chúng ta đang xem trang mô tả một sản phẩm trên trang web Amazon, chúng ta nhận được đề xuất liệt kê các sản phâm tương tự như sản phâm chúng ta đang xem. Lọc dựa trên nội dung là một trong những cách tiếp cận đầu tiên được sử dụng dé xây dựng hệ thống gợi ý.
Một điều kiện tiên quyết quan trong dé tính năng lọc dựa trên nội dung hoạt động là phải có danh sách các thuộc tính chất lượng tốt đối với mỗi sản pham. introduction df recommender | † 1 IRm systems | 1 1 Km Introduction to Recommender Systems machine 1 Machine leaming Paradigms learning 1 1 adigms 1 Social Network-based Recommender Systems = social 7 7 a Learning Spark newokbased | | |i] | | | Recommender Systems Handbook apes 3 handbook 1 Recommender Systems and the Social Web ve i Hình 2.3 Ma trận nội dung 13 2.2 Kỹ thuật lọc cộng tác (Collaborative filtering techniques) Các kỹ thuật lọc cộng tác không yêu cầu bat kỳ thuộc tính của sản phẩm hoặc người dùng mà dựa trên ý kiến của cộng đồng người dùng.1 Dựa vào người dùng (User base) Loại gợi ý lọc cộng tác đầu tiên được phát minh dựa trên sự tương đồng giữa người dùng với người dùng (user — user). Ý tưởng cơ bản là tìm kiếm những người dùng có cùng sở thích, nghĩa là những người dùng có cùng quan điểm về một số mặt hàng. Ví dụ, nếu Paula và Suzy có cùng quan điểm về nhiều bộ phim, rất có thê nếu Paula thích Chiến tranh giữa các vì sao thì Suzy cũng sẽ thích Chiến tranh giữa các vì sao.
Ý tưởng này có vẻ hợp lý, nhưng chúng ta sẽ thấy cách tiếp cận người dùng - người dùng không phải lúc nào cũng hoạt động tốt. Dé tính toán chúng ta xây dựng ma trận tương đồng giữa các người ding: TT ed 4 3 5 5 4 4 oS 04 03 02 01 0 > Pd Similarity =cos0= imiaty(p.4) =cosd= PF = Ee THIẾT Be Hình 2.4 Ma trận tính toán sự tương đồng giữa người dùng 2.2 Dựa vào sản phẩm (Item base) Loại gợi ý lọc cộng tác thứ hai (item - item). Lọc cộng tác dựa trên mặt hàng được Amazon.com sử dụng lần đầu tiên vào năm 1998. Ý tưởng cơ bản là tính toán mức 14 độ giống nhau giữa từng cặp mặt hàng theo số lượng người dùng có cùng quan điểm về hai mặt hàng đó.
Ví dụ: hầu hết người dùng thích Indiana Jones cũng thích Chiến tranh giữa các vì sao, vì vậy, nếu một người thích Indiana Jones, người đó sẽ đánh giá cao Chiến tranh giữa các vì sao. Ngày nay, nhiều gợi ý trong thương mại dựa vào các thuật toán item - item.