Xây Dựng Hệ Thống Thương Mại Điện Tử Áp Dụng Machine Learning để Gợi Ý Sản Phẩm

Dự án xây dựng hệ thống thương mại điện tử, ứng dụng Machine Learning để gợi ý sản phẩm. Giải pháp tăng trải nghiệm mua sắm, tối ưu doanh thu.

• Tác giả: Le Viet Thang
• Người hướng dẫn: Pts. Nguyen Quang Vu
• Trường học: Vietnam - Korea University of Information and Communication Technology
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xây Dựng Hệ Thống Thương Mại Điện Tử với Gợi Ý Sản Phẩm Ứng Dụng Machine Learning
• Loại tài liệu: Đồ án chuyên ngành
• Năm xuất bản: 2023
• Địa điểm: Đà Nẵng

Mục lục chi tiết

• NHẬN XÉT CỦA NGƯỜI HƯỚNG DẪN
• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU
• 1.1. Tổng quan về React
• 1.1.1. React là gì?
• 1.1.2. JSX là gì?
• 1.1.3. Giới thiệu về Components
• 1.1.4. Props và State
• 1.2. Tổng quan về ReactJs
• 1.2.1. ReactJs là gì?
• 1.2.2. Những điều cần biết về React Js
• 1.3. Tổng quan về NodeJs
• 1.3.1. NodeJs là gì?
• 1.3.2. Đặc điểm của NodeJs
• 1.4. Tổng quan về Python
• 1.4.1. Python là gì?
• 1.4.2. Đặc điểm của Python
• 1.5. Hệ thống gợi ý
• 1.5.1. Hệ thống gợi ý là gì?
• 1.5.2. Các bước gợi ý sản phẩm
• 1.5.3. Các loại hệ thống gợi ý chính
• 1.5.4. Hệ số tương quan Pearson
• 1.5.5. Ý nghĩa của hệ số Pearson
• 1.6. Visual Studio Code
• 2. CHƯƠNG 2: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG
• 2.1. Hệ thống gợi ý lọc cộng tác
• 2.1.1. Mô tả phương pháp tiếp cận
• 2.2. Danh sách use case
• 2.3. Sơ đồ use case
• 2.3.1. Sơ đồ use case tổng quát
• 2.3.2. Mô tả chi tiết use case
• 2.3.2.1. Use case đăng ký, đăng nhập
• 2.3.2.2. Use case tìm kiếm sản phẩm
• 2.3.2.3. Use case theo dõi đơn hàng
• 2.3.2.4. Use case xem chi tiết sản phẩm
• 2.3.2.5. Use case gợi ý sản phẩm
• 2.3.2.6. Use case thêm sản phẩm vào giỏ hàng
• 2.3.2.7. Use case quản lý giỏ hàng
• 2.3.2.8. Use case nhập mã khuyến mãi
• 2.3.2.9. Use case đánh giá và nhận xét sản phẩm
• 2.3.2.10. Use case quản lý tài khoản cá nhân
• 2.3.2.11. Use case đặt hàng qua hệ thống
• 2.3.2.12. Use case quản lý tài khoản người dùng
• 2.3.2.13. Use case quản lý sản phẩm
• 2.3.2.14. Use case quản lý đơn hàng
• 2.3.2.15. Use case quản lý danh mục sản phẩm
• 2.3.2.16. Use case quản lý khuyến mãi
• 2.3.2.17. Use case quản lý bình luận và đánh giá sao
• 2.4. Sơ đồ hoạt động
• 2.4.1. Sơ đồ hoạt động chức năng đăng ký
• 2.4.2. Sơ đồ hoạt động chức năng đăng nhập
• 2.4.3. Sơ đồ hoạt động chức năng đặt hàng
• 2.5. Sơ đồ tuần tự
• 2.5.1. Sơ đồ tuần tự chức năng đăng ký
• 2.5.2. Sơ đồ tuần tự chức năng đăng nhập
• 2.5.3. Sơ đồ tuần tự chức năng xem chi tiết sản phẩm
• 2.5.4. Sơ đồ tuần tự chức năng đặt hàng
• 2.5.5. Sơ đồ tuần tự chức năng thêm sản phẩm yêu thích
• 3. CHƯƠNG 3: HIỆN THỰC VÀ XÂY DỰNG HỆ THỐNG
• 3.1. Xây dựng giao diện website với React Js
• 3.2. Sử dụng gợi ý lọc cộng tác để gợi ý sản phẩm
• 3.3. Xây dựng hệ thống máy chủ sử dụng Node Js
• 3.4. Giao diện hệ thống thương mại điện tử
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Xây Dựng TMĐT với Gợi Ý Sản Phẩm Tổng Quan Quan Trọng

Thương mại điện tử (TMĐT) đang phát triển mạnh mẽ. Việc xây dựng hệ thống TMĐT hiệu quả là yếu tố then chốt cho thành công. Một trong những yếu tố quan trọng là gợi ý sản phẩm. Gợi ý sản phẩm giúp tăng doanh số và cải thiện trải nghiệm khách hàng. Bài viết này sẽ đi sâu vào cách ứng dụng Machine Learning (ML) để xây dựng hệ thống gợi ý sản phẩm hiệu quả. ML giúp phân tích dữ liệu khách hàng, đưa ra gợi ý phù hợp, tăng tỷ lệ chuyển đổi và doanh số bán hàng. Việc ứng dụng ML vào hệ thống TMĐT mang lại lợi thế cạnh tranh đáng kể. Theo [1] https://viblo.asia/p/tong-quan-ve-recommender-system-recommender-system-co-ban-phan-1-924IJGBb5PM, Recommender system là một công cụ quan trọng trong thương mại điện tử.

1.1. Giới Thiệu Tổng Quan về Thương Mại Điện Tử Ecommerce

Thương mại điện tử (Ecommerce) là hoạt động mua bán hàng hóa và dịch vụ thông qua Internet. Nó bao gồm nhiều mô hình kinh doanh khác nhau, như B2C (Business-to-Consumer), B2B (Business-to-Business) và C2C (Consumer-to-Consumer). Sự phát triển của Internet và các thiết bị di động đã thúc đẩy sự tăng trưởng vượt bậc của thương mại điện tử. Các nền tảng Ecommerce cung cấp nhiều lợi ích cho cả người bán và người mua, bao gồm tiết kiệm chi phí, tiếp cận thị trường rộng lớn và cá nhân hóa trải nghiệm người dùng.

1.2. Tầm Quan Trọng của Gợi Ý Sản Phẩm Trong TMĐT

Gợi ý sản phẩm đóng vai trò quan trọng trong việc tăng doanh số và cải thiện trải nghiệm khách hàng trong thương mại điện tử. Bằng cách đề xuất các sản phẩm phù hợp với sở thích và nhu cầu của từng khách hàng, các hệ thống gợi ý có thể tăng tỷ lệ chuyển đổi và khuyến khích mua hàng lặp lại. Các hệ thống này sử dụng các thuật toán khác nhau, bao gồm thuật toán cộng tác lọc (collaborative filtering), content-based filtering, và các mô hình học máy tiên tiến, để phân tích dữ liệu khách hàng và đưa ra các gợi ý chính xác.

II. Thách Thức và Giải Pháp Gợi Ý Sản Phẩm Ứng Dụng ML

Việc xây dựng hệ thống gợi ý sản phẩm hiệu quả không hề dễ dàng. Một trong những thách thức lớn nhất là xử lý lượng lớn dữ liệu khách hàng (Big Data). Các thuật toán cần phải được tối ưu hóa để có thể xử lý dữ liệu một cách nhanh chóng và chính xác. Ngoài ra, việc cá nhân hóa trải nghiệm người dùng cũng là một thách thức, vì mỗi khách hàng có sở thích và nhu cầu khác nhau. Ứng dụng Machine Learning (ML) mang lại giải pháp cho các thách thức này. ML giúp phân tích hành vi người dùng, dự đoán xu hướng mua hàng và đưa ra gợi ý sản phẩm phù hợp.

2.1. Vấn Đề Với Dữ Liệu Lớn Big Data Trong Gợi Ý Sản Phẩm

Xử lý Big Data là một thách thức lớn trong việc xây dựng hệ thống gợi ý sản phẩm hiệu quả. Lượng dữ liệu khách hàng khổng lồ, bao gồm lịch sử mua hàng, thông tin nhân khẩu học và hoạt động trên website, đòi hỏi các thuật toán và cơ sở hạ tầng mạnh mẽ để phân tích và xử lý. Việc lưu trữ, quản lý và truy vấn kho dữ liệu lớn này cũng đòi hỏi các giải pháp kỹ thuật phức tạp, như sử dụng các hệ quản trị cơ sở dữ liệu NoSQL như MongoDB hoặc các giải pháp điện toán đám mây (Cloud Computing) như AWS, Azure hoặc GCP.

2.2. Giải Pháp Machine Learning Cho Cá Nhân Hóa Trải Nghiệm

Machine Learning (ML) cung cấp các giải pháp hiệu quả để cá nhân hóa trải nghiệm người dùng trong thương mại điện tử. Các thuật toán học máy có thể phân tích hành vi người dùng, dự đoán xu hướng mua hàng và đưa ra các gợi ý sản phẩm phù hợp với sở thích và nhu cầu của từng khách hàng. Các mô hình như collaborative filtering, content-based filtering, và hybrid recommendation system được sử dụng để tạo ra các hệ thống đề xuất chính xác và hiệu quả.

III. Phương Pháp Xây Dựng Hệ Thống Gợi Ý Mô Hình Học Máy

Có nhiều phương pháp để xây dựng hệ thống gợi ý sản phẩm. Một trong những phương pháp phổ biến nhất là sử dụng mô hình học máy. Các mô hình học máy có thể được huấn luyện trên dữ liệu khách hàng để dự đoán sản phẩm nào mà khách hàng có khả năng mua. Một số thuật toán gợi ý sản phẩm phổ biến bao gồm Collaborative Filtering, Content-Based Filtering, và Hybrid Recommendation System. Các thuật toán này giúp tối ưu hóa chuyển đổi và tăng doanh số bán hàng.

3.1. Ứng Dụng Thuật Toán Cộng Tác Lọc Collaborative Filtering

Thuật toán cộng tác lọc (Collaborative Filtering) là một trong những phương pháp phổ biến nhất trong việc xây dựng hệ thống gợi ý sản phẩm. Thuật toán này dựa trên ý tưởng rằng những người dùng có sở thích tương tự có xu hướng thích những sản phẩm tương tự. Bằng cách phân tích lịch sử mua hàng và đánh giá của người dùng, thuật toán có thể dự đoán các sản phẩm mà một người dùng có thể thích dựa trên sở thích của những người dùng khác. Pearson correlation coefficient thường được sử dụng để đo lường sự tương đồng giữa người dùng.

3.2. Sử Dụng Content Based Filtering Để Đề Xuất Sản Phẩm

Content-based filtering là một phương pháp khác để xây dựng hệ thống gợi ý sản phẩm. Phương pháp này dựa trên việc phân tích các đặc điểm của sản phẩm và so sánh chúng với sở thích của người dùng. Nếu một người dùng đã từng mua hoặc thích một sản phẩm có đặc điểm nhất định, thuật toán sẽ đề xuất các sản phẩm khác có đặc điểm tương tự. Phương pháp này hữu ích khi có ít dữ liệu khách hàng hoặc khi cần đề xuất các sản phẩm mới.

IV. Triển Khai và Đánh Giá Hiệu Quả Hệ Thống A B Testing

Sau khi xây dựng hệ thống gợi ý sản phẩm, việc triển khai và đánh giá hiệu quả là rất quan trọng. Việc triển khai có thể được thực hiện thông qua API gợi ý sản phẩm. Để đánh giá hiệu quả, có thể sử dụng A/B testing. A/B testing giúp so sánh hiệu quả của hệ thống gợi ý mới với hệ thống cũ hoặc không có hệ thống gợi ý. Các chỉ số như tỷ lệ chuyển đổi (conversion rate) và doanh số bán hàng có thể được sử dụng để đánh giá.

4.1. Xây Dựng API Gợi Ý Sản Phẩm Recommendation API

Việc xây dựng API gợi ý sản phẩm (Recommendation API) là một bước quan trọng trong việc triển khai hệ thống gợi ý sản phẩm vào website thương mại điện tử. API này cho phép frontend của website truy vấn backend để nhận các gợi ý sản phẩm cho từng người dùng. API cần được thiết kế để có khả năng mở rộng (Scalability) và hiệu suất (Performance) cao, đảm bảo phản hồi nhanh chóng và chính xác cho người dùng.

4.2. Đánh Giá Hiệu Quả A B Testing và Conversion Rate Optimization

A/B testing là một phương pháp quan trọng để đánh giá hiệu quả của hệ thống gợi ý sản phẩm. Bằng cách so sánh hai phiên bản khác nhau của website (ví dụ: có và không có gợi ý sản phẩm), có thể đo lường tác động của hệ thống đối với tỷ lệ chuyển đổi (conversion rate) và doanh số bán hàng. Conversion rate optimization là quá trình tối ưu hóa website để tăng số lượng khách hàng thực hiện hành động mong muốn, như mua hàng hoặc đăng ký tài khoản.

V. Ứng Dụng Thực Tế và Nghiên Cứu Hệ Thống Thương Mại Điện Tử

Nhiều hệ thống thương mại điện tử đã ứng dụng thành công Machine Learning vào gợi ý sản phẩm. Các nghiên cứu cho thấy rằng việc sử dụng ML giúp tăng đáng kể doanh số bán hàng và cải thiện trải nghiệm khách hàng. Một số ví dụ về ứng dụng thành công bao gồm Amazon Personalize và Google Recommendations AI. Những dịch vụ này cung cấp các giải pháp gợi ý sản phẩm dựa trên ML, giúp các doanh nghiệp dễ dàng triển khai và quản lý hệ thống của mình.

5.1. Case Study Amazon Personalize và Google Recommendations AI

Amazon Personalize và Google Recommendations AI là hai dịch vụ gợi ý sản phẩm dựa trên Machine Learning được sử dụng rộng rãi trong ngành thương mại điện tử. Cả hai dịch vụ đều cung cấp các giải pháp cá nhân hóa mạnh mẽ, cho phép các doanh nghiệp tạo ra các gợi ý sản phẩm phù hợp với từng khách hàng. Các dịch vụ này cũng cung cấp các công cụ để theo dõi và đánh giá hiệu quả của hệ thống gợi ý.

5.2. Nghiên Cứu Về Tác Động Của Gợi Ý Sản Phẩm Lên Doanh Số

Nhiều nghiên cứu đã chứng minh tác động tích cực của gợi ý sản phẩm lên doanh số bán hàng trong thương mại điện tử. Các nghiên cứu này cho thấy rằng các hệ thống gợi ý có thể tăng tỷ lệ chuyển đổi, giảm tỷ lệ thoát trang (bounce rate) và tăng giá trị đơn hàng trung bình. Bằng cách cung cấp các gợi ý sản phẩm phù hợp, các doanh nghiệp có thể khuyến khích khách hàng mua nhiều sản phẩm hơn và tăng doanh thu.

VI. Tương Lai và Xu Hướng Phát Triển Machine Learning và TMĐT

Tương lai của Machine Learning trong thương mại điện tử hứa hẹn nhiều tiềm năng. Các thuật toán ML sẽ ngày càng trở nên thông minh hơn, giúp cá nhân hóa trải nghiệm người dùng một cách hiệu quả hơn. Ngoài ra, việc ứng dụng ML vào các lĩnh vực khác như phân tích hành vi người dùng và dự đoán xu hướng mua hàng cũng sẽ giúp các doanh nghiệp thương mại điện tử đưa ra các quyết định kinh doanh tốt hơn.

6.1. Ứng Dụng Deep Learning Trong Gợi Ý Sản Phẩm

Deep Learning là một nhánh của Machine Learning đang ngày càng được ứng dụng rộng rãi trong việc xây dựng hệ thống gợi ý sản phẩm. Các mô hình Deep Learning có khả năng học các đặc trưng phức tạp từ dữ liệu khách hàng, giúp tạo ra các gợi ý sản phẩm chính xác và hiệu quả hơn. Các framework như TensorFlow và PyTorch cung cấp các công cụ mạnh mẽ để xây dựng và triển khai các mô hình Deep Learning.

6.2. Kết Hợp Machine Learning và CRM Quản Lý Quan Hệ Khách Hàng

Việc kết hợp Machine Learning và CRM (Quản lý quan hệ khách hàng) có thể mang lại nhiều lợi ích cho các doanh nghiệp thương mại điện tử. Bằng cách tích hợp dữ liệu CRM với các mô hình Machine Learning, các doanh nghiệp có thể hiểu rõ hơn về nhu cầu và sở thích của khách hàng, từ đó tạo ra các gợi ý sản phẩm cá nhân hóa và các chiến dịch marketing hiệu quả hơn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh kinh doanh trực tuyến phát triển mạnh mẽ, các trang web thương mại điện tử (TMĐT) đã trở thành một kênh tiếp thị và phân phối hàng hóa thiết yếu bên cạnh mạng xã hội. Tuy nhiên, sự gia tăng nhanh chóng của các nền tảng bán hàng trực tuyến dẫn đến mức độ cạnh tranh gay gắt. Người tiêu dùng khi truy cập vào các hệ thống TMĐT thường có nhu cầu tìm kiếm sản phẩm nhanh chóng và thuận tiện, nhưng phần lớn họ mới chỉ dừng lại ở các ý tưởng mua sắm khái quát, chưa xác định rõ thương hiệu hay sản phẩm cụ thể. Thực trạng này dẫn đến thói quen người dùng tìm kiếm thông tin qua Google thay vì truy cập trực tiếp vào từng trang TMĐT. Do đó, mục tiêu cốt lõi của một hệ thống thương mại điện tử hiện đại là hỗ trợ khách hàng thu hẹp phạm vi lựa chọn và đưa ra quyết định mua hàng chính xác.

Đề tài "Xây dựng hệ thống thương mại điện tử ứng dụng máy học để gợi ý sản phẩm" (tên hệ thống: Pandore) do nhóm sinh viên Lê Viết Thắng (20IT526) và Lê Thị Hồng Quý (20IT468), lớp 20GIT thuộc Khoa Khoa học Máy tính – Trường Đại học Công nghệ Thông tin và Truyền thông Việt - Hàn (VKU) thực hiện dưới sự hướng dẫn của TS. Nguyễn Quang Vũ vào tháng 12 năm 2023.

Mục tiêu và nhiệm vụ của đề tài được xác định cụ thể:

1. Xây dựng nền tảng thương mại điện tử Pandore hoàn chỉnh phục vụ hai nhóm đối tượng tác nhân:
   • Khách hàng (Customer): Cung cấp các chức năng duyệt danh mục, tìm kiếm, đặt hàng không giới hạn số lượng, thanh toán trực tuyến, theo dõi trạng thái đơn hàng và đánh giá sản phẩm.
   • Quản trị viên (Administrator): Quản lý toàn diện hệ thống từ dữ liệu tài khoản, danh mục sản phẩm, kho hàng, phiếu nhập, chương trình khuyến mãi đến thống kê doanh thu và đơn hàng.
2. Tích hợp mô hình máy học với giải thuật gợi ý sản phẩm tự động nhằm cá nhân hóa trải nghiệm người dùng, giúp khách hàng nhanh chóng tiếp cận các sản phẩm phù hợp với sở thích.

Đối tượng và phạm vi nghiên cứu của đồ án bao gồm:

• Đối tượng nghiên cứu: Quy trình phân tích, thiết kế và phát triển ứng dụng web thương mại điện tử; giải thuật lọc cộng tác (Collaborative Filtering Recommenders) và hệ số tương quan Pearson trong hệ thống gợi ý.
• Phạm vi triển khai: Hệ thống web thương mại điện tử bán lẻ tích hợp thanh toán (COD, PayPal, VNPAY) và mô-đun gợi ý sản phẩm độc lập xây dựng bằng Python kết nối máy chủ Node.js và cơ sở dữ liệu MySQL.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình giải thuật

Hệ thống gợi ý (Recommender System) là một ứng dụng tiêu biểu của khoa học dữ liệu nhằm dự đoán mức độ quan tâm hoặc điểm đánh giá (rating/preference) của người dùng đối với một sản phẩm/dịch vụ. Báo cáo phân loại hệ thống gợi ý thành bốn nhóm chính:

• Simple Recommenders (Gợi ý đơn giản): Đưa ra các đề xuất chung cho tất cả người dùng dựa trên mức độ phổ biến hoặc thể loại (ví dụ: bảng xếp hạng Top 250 của IMDb).
• Content-based Recommenders (Gợi ý dựa trên nội dung): Gợi ý các sản phẩm tương tự dựa trên siêu dữ liệu (metadata) của sản phẩm mà người dùng từng quan tâm (ví dụ: thể loại, mô tả, thuộc tính).
• Collaborative Filtering Recommenders (Gợi ý lọc cộng tác): Dự đoán sở thích của người dùng dựa trên hành vi và lịch sử đánh giá trong quá khứ của những người dùng khác có nét tương đồng, không phụ thuộc vào siêu dữ liệu sản phẩm.
• Hybrid Recommenders (Gợi ý lai): Kết hợp linh hoạt giữa lọc dựa trên nội dung và lọc cộng tác nhằm bù đắp hạn chế của từng phương pháp khi thiếu dữ liệu hành vi hoặc thiếu thuộc tính đánh giá.

Trong đồ án này, tác giả tập trung triển khai kỹ thuật Lọc cộng tác (Collaborative Filtering) thông qua hai hướng tiếp cận:

• User-User Collaborative Filtering: Xác định mức độ quan tâm của một người dùng đối với sản phẩm dựa trên mức độ quan tâm của các người dùng tương đồng.
• Item-Item Collaborative Filtering: Xác định độ tương đồng giữa các sản phẩm dựa trên lịch sử đánh giá để đề xuất các sản phẩm gần với sản phẩm người dùng yêu thích.

Độ tương đồng giữa các thực thể được tính toán bằng Hệ số tương quan Pearson (Pearson Correlation Coefficient - $r$), có giá trị nằm trong khoảng $[-1, 1]$:

• $r = 1$: Tương quan tuyến tính thuận tuyệt đối.
• $r = -1$: Tương quan tuyến tính nghịch tuyệt đối.
• $r = 0$: Hai biến độc lập, không có tương quan tuyến tính.
• $|r| \ge 0.50$: Mức độ tương quan mạnh (strongly correlated).
• $0.30 \le |r| \le 0.49$: Mức độ tương quan trung bình (mean correlation).
• $|r| \le 0.29$: Mức độ tương quan yếu (weak correlation).

                             ∑(X - X̄)(Y - Ȳ)
r = -----------------------------------------------------------------
     √[ ∑(X - X̄)² ] × √[ ∑(Y - Ȳ)² ]

Công nghệ và công cụ phát triển

Phân hệ / Vai trò	Công nghệ / Công cụ	Đặc tính kỹ thuật áp dụng
Giao diện (Frontend)	ReactJS	Sử dụng Virtual DOM tối ưu hóa hiệu năng render, cú pháp JSX, cơ chế luồng dữ liệu một chiều (One-way data binding) qua Props và State, đóng gói qua Babel/Webpack, kết hợp mô hình quản lý luồng dữ liệu (Redux/Flux).
Máy chủ ứng dụng (Backend)	Node.js	Xây dựng REST API trên môi trường runtime V8 của Chrome, xử lý I/O hướng sự kiện bất đồng bộ (asynchronous event-driven I/O).
Máy chủ gợi ý (Recommendation)	Python & Flask	Xây dựng API tính toán ma trận đánh giá, xử lý các giá trị khuyết thiếu (NaN), tính toán hệ số tương quan Pearson thông qua phương thức corr(method='pearson') và trả dữ liệu định dạng JSON.
Cơ sở dữ liệu & Môi trường	MySQL, XAMPP	Lưu trữ dữ liệu quan hệ của hệ thống; XAMPP cung cấp môi trường tích hợp Apache, MySQL và phpMyAdmin.
Môi trường lập trình	Visual Studio Code	Trình soạn thảo mã nguồn tích hợp Git, công cụ gỡ lỗi (debugging) và hỗ trợ mở rộng.

---

Thiết kế và triển khai

Hệ thống Pandore được thiết kế theo phương pháp hướng đối tượng sử dụng ngôn ngữ mô hình hóa UML (Unified Modeling Language), bao gồm phân tích biểu đồ ca sử dụng (Use Case), biểu đồ hoạt động (Activity Diagram), biểu đồ tuần tự (Sequence Diagram) và biểu đồ lớp (Class Diagram).

+-------------------------------------------------------------+
|                      ReactJS Client                         |
|  (Home, Search, Details, Cart, Checkout, Admin Dashboard)   |
+------------------------------+------------------------------+
                               | (HTTP / REST API)
                               v
+-------------------------------------------------------------+
|                    Node.js Application Server               |
|   (Auth, Cart/Order APIs, Email Service, Payment Gateway)   |
+--------------+-------------------------------+--------------+
               |                               ^
               | (Database Queries)            | (Internal API / JSON)
               v                               |
+------------------------------+ +-------------+--------------+
|         MySQL Database       |<|     Python Flask Server    |
| (Users, Products, Ratings,   | |  (Matrix Processing, NaN   |
|   Orders, Categories, Promos)| |   Handling, Pearson Corr)  |
+------------------------------+ +----------------------------+

Phân tích biểu đồ ca sử dụng (Use Case)

Hệ thống phân quyền cho hai tác nhân chính với danh mục 17 nhóm ca sử dụng chi tiết:

Nhóm tác nhân	Ca sử dụng (Use Case)	Mô tả chức năng chính
Customer (Khách hàng)	Đăng ký, đăng nhập	Tạo tài khoản, xác thực qua email và đăng nhập vào hệ thống.
	Tìm kiếm sản phẩm	Nhập từ khóa, hệ thống truy vấn cơ sở dữ liệu và trả về danh sách sản phẩm.
	Xem chi tiết sản phẩm	Hiển thị thông số kỹ thuật, hình ảnh, giá và các đánh giá liên quan.
	Gợi ý sản phẩm	Hiển thị danh sách sản phẩm gợi ý dựa trên mô hình lọc cộng tác khi người dùng đã đánh giá ít nhất 1 sản phẩm.
	Thêm vào giỏ hàng & Quản lý giỏ hàng	Lưu trữ thông tin sản phẩm đã chọn vào localStorage của trình duyệt.
	Nhập mã khuyến mãi	Kiểm tra tính hợp lệ của mã giảm giá và tính toán số tiền giảm trừ trực tiếp vào đơn hàng.
	Đánh giá & xếp hạng sao	Gửi bình luận và xếp hạng sao cho sản phẩm sau khi mua.
	Quản lý thông tin cá nhân	Xem, chỉnh sửa và cập nhật hồ sơ cá nhân.
	Đặt hàng qua hệ thống	Xác nhận thông tin đơn hàng, gửi email xác nhận và lưu trữ vào cơ sở dữ liệu.
	Theo dõi đơn hàng	Kiểm tra tiến trình đơn hàng theo các trạng thái: Processing, Delivering, Completed, Canceled, Return/Refund.
	Phương thức thanh toán	Hỗ trợ thanh toán khi nhận hàng (Cash on delivery - COD), cổng thanh toán PayPal và VNPAY.
Administrator (Quản trị viên)	Thống kê tổng quan	Báo cáo thống kê đơn hàng trong ngày, trong tháng, tổng doanh thu tháng qua biểu đồ cột và biểu đồ tròn.
	Quản lý tài khoản người dùng	Thêm mới, chỉnh sửa thông tin, thay đổi trạng thái tài khoản (Active, Lock, Not verified), xóa tài khoản.
	Quản lý tài khoản Admin	Thêm mới, phân quyền, cập nhật trạng thái (Active, Lock) và chỉnh sửa tài khoản quản trị.
	Quản lý danh mục sản phẩm	Thêm mới, sửa thông tin, xóa các danh mục hàng hóa.
	Quản lý sản phẩm	Thêm mới, cập nhật mô tả/hình ảnh/giá, xóa sản phẩm khỏi hệ thống.
	Quản lý phiếu nhập (Receipt)	Tạo phiếu nhập kho, xuất hóa đơn chứng từ, chỉnh sửa và xóa phiếu.
	Quản lý kho hàng (Warehouse)	Nhập hàng vào kho, cập nhật số lượng tồn kho của từng mặt hàng.
	Quản lý sự kiện khuyến mãi	Tạo sự kiện giảm giá, thiết lập khung thời gian áp dụng, chỉnh sửa mã ưu đãi.
	Quản lý bình luận & đánh giá	Duyệt, kiểm soát và xóa các đánh giá, bình luận không phù hợp.

Quy trình nghiệp vụ và sơ đồ thiết kế

1. Biểu đồ hoạt động (Activity Diagrams):
   • Chức năng Đăng ký: Khách hàng nhập thông tin $\rightarrow$ Hệ thống kiểm tra dữ liệu $\rightarrow$ Gửi mã/email xác thực $\rightarrow$ Kích hoạt tài khoản khi xác nhận thành công.
   • Chức năng Đăng nhập: Người dùng nhập email và mật khẩu $\rightarrow$ Hệ thống xác thực với cơ sở dữ liệu $\rightarrow$ Trả về phiên đăng nhập hoặc thông báo lỗi.
   • Chức năng Đặt hàng: Chọn giỏ hàng $\rightarrow$ Nhập thông tin giao hàng & mã khuyến mãi (nếu có) $\rightarrow$ Lựa chọn phương thức thanh toán (COD / PayPal / VNPAY) $\rightarrow$ Ghi nhận đơn hàng và gửi email xác nhận.
2. Biểu đồ tuần tự (Sequence Diagrams):
   • Mô tả chi tiết chuỗi thông điệp tương tác giữa tác nhân người dùng, giao diện ReactJS, máy chủ ứng dụng Node.js, máy chủ gợi ý Python/Flask và cơ sở dữ liệu MySQL cho các luồng: Đăng ký, Đăng nhập, Xem chi tiết sản phẩm, Đặt hàng, Thêm sản phẩm yêu thích.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan nghiên cứu (Research Overview)

Chương này tập trung giới thiệu cơ sở lý luận, công nghệ và các công cụ phát triển phần mềm:

• Phân tích chi tiết thư viện ReactJS: cơ chế Virtual DOM giúp tối ưu hóa việc cập nhật giao diện, cú pháp JSX kết hợp HTML trong JavaScript, cấu trúc Component có thể tái sử dụng, phân biệt giữa Props (bất biến, truyền từ cha xuống con) và State (quản lý trạng thái nội bộ). Đồng thời, nêu rõ ưu điểm về hiệu năng, khả năng hỗ trợ SEO khi kết hợp kết xuất phía máy chủ (server-side rendering) và hạn chế khi ReactJS chỉ đóng vai trò tầng View trong kiến trúc ứng dụng.
• Khảo sát nền tảng Node.js: đặc trưng đơn luồng (single-threaded), mô hình I/O bất đồng bộ hướng sự kiện, ưu điểm trong xử lý ứng dụng mạng thời gian thực, khả năng mở rộng và nhược điểm khi xử lý các tác vụ tiêu tốn nhiều tài nguyên CPU hoặc tương tác với cơ sở dữ liệu quan hệ phức tạp.
• Khảo sát ngôn ngữ Python: tính năng thông dịch, cú pháp dễ đọc, hệ thống thư viện phong phú cho phân tích dữ liệu và học máy.
• Trình bày tổng quan về Hệ thống gợi ý (Recommender Systems): các bước xây dựng (khám phá dữ liệu, lựa chọn thuật toán, huấn luyện mô hình), bốn mô hình gợi ý chính và cơ sở toán học của hệ số tương quan Pearson.
• Giới thiệu các công cụ hỗ trợ: Visual Studio Code, phần mềm tạo máy chủ cục bộ XAMPP và hệ quản trị cơ sở dữ liệu quan hệ MySQL.

Chương 2: Phân tích và thiết kế hệ thống (System Analysis and Design)

Chương 2 trình bày chi tiết kiến trúc nghiệp vụ và mô hình hóa hệ thống:

• Phân tích cơ chế hoạt động của thuật toán lọc cộng tác (Collaborative Filtering) thông qua ví dụ trực quan về việc xác định mức độ tương đồng đánh giá giữa các người dùng (User A, User B) đối với các sản phẩm công nghệ (máy tính xách tay Acer, tivi LG).
• Định nghĩa chi tiết danh mục 17 Use Case với bảng đặc tả thuộc tính cho từng chức năng: Tên chức năng (Function name), Tác nhân (Agent), Điều kiện tiên quyết (Pre-conditions), Kết quả đầu ra (The following conditions), Mô tả hành vi (Description) và Các bước hành động tương ứng giữa tác nhân và hệ thống (Agent action - System action).
• Xây dựng hệ thống các biểu đồ UML: Sơ đồ Use Case tổng quát, các sơ đồ Use Case chi tiết, sơ đồ hoạt động (Activity Diagram), sơ đồ tuần tự (Sequence Diagram) và sơ đồ lớp (Class Diagram) thể hiện cấu trúc các thực thể dữ liệu trong hệ thống.

Chương 3: Hiện thực hóa và xây dựng hệ thống (Implementation and Building System)

Chương 3 mô tả quy trình lập trình và kết quả xây dựng hệ thống:

• Cài đặt và cấu hình các thư viện phụ thuộc cho ReactJS, Python (Flask, thư viện JSON) và Node.js.
• Xây dựng mô-đun gợi ý sản phẩm bằng Python: thiết lập kết nối cơ sở dữ liệu MySQL, trích xuất dữ liệu xếp hạng sao của người dùng, tạo lập ma trận đánh giá người dùng - sản phẩm, xử lý dữ liệu khuyết (NaN), áp dụng hàm corr(method='pearson') để tính toán ma trận hệ số tương quan và xuất kết quả dạng JSON.
• Xây dựng hệ thống máy chủ Node.js kết nối cơ sở dữ liệu, quản lý phiên làm việc và định tuyến API.
• Triển khai hoàn chỉnh giao diện người dùng và bảng điều khiển quản trị của hệ thống Pandore:
  • Giao diện khách hàng: Trang chủ, phân loại sản phẩm theo danh mục, trang đăng nhập/đăng ký, giao diện xác thực email, trang danh sách yêu thích, trang tìm kiếm, trang chi tiết sản phẩm, giao diện gợi ý sản phẩm liên quan, giỏ hàng, trang thanh toán tích hợp PayPal và VNPAY, trang quản lý hồ sơ cá nhân và xem hóa đơn đơn hàng.
  • Giao diện quản trị (Admin Dashboard): Quản lý danh sách tài khoản người dùng và tài khoản quản trị (thêm, sửa, khóa trạng thái), quản lý danh mục sản phẩm (thêm/sửa/xóa), quản lý danh sách sản phẩm, quản lý chương trình khuyến mãi, quản lý bình luận và đánh giá sao.

---

Kết quả và đóng góp

Kết quả chính

• Xây dựng hoàn chỉnh hệ thống TMĐT Pandore: Triển khai thành công ứng dụng web với đầy đủ các phân hệ chức năng dành cho khách hàng và ban quản trị, đáp ứng quy trình mua sắm trực tuyến khép kín.
• Tích hợp mô hình học máy gợi ý sản phẩm: Xây dựng mô-đun Python/Flask tính toán tương quan Pearson dựa trên giải thuật lọc cộng tác, tự động đưa ra các đề xuất sản phẩm phù hợp trên trang chi tiết sản phẩm khi người dùng đã có lịch sử tương tác đánh giá.
• Đa dạng hóa cổng thanh toán: Tích hợp thành công ba hình thức thanh toán gồm COD, cổng thanh toán quốc tế PayPal và cổng thanh toán nội địa VNPAY.
• Hệ thống quản trị trực quan: Cung cấp cho quản trị viên công cụ theo dõi hoạt động kinh doanh thông qua biểu đồ thống kê đơn hàng và doanh thu theo ngày/tháng, quản lý kho hàng và phiếu nhập.

Đóng góp thực tiễn

• Đề tài đưa ra một mô hình kiến trúc kết hợp hiệu quả giữa frontend hiện đại (ReactJS), backend xử lý nghiệp vụ mạng nhanh (Node.js) và dịch vụ xử lý học máy chuyên biệt (Python/Flask), giải quyết được bài toán hạn chế về khả năng tính toán nặng (CPU-intensive) của môi trường Node.js đơn luồng.
• Cung cấp tài liệu phân tích thiết kế hệ thống chi tiết với 17 bảng đặc tả ca sử dụng và đầy đủ các sơ đồ UML, tạo tiền đề chuẩn hóa cho việc phát triển các ứng dụng TMĐT có tính năng gợi ý thông minh.

---

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế kỹ thuật:
  • Giải thuật lọc cộng tác dựa trên hệ số tương quan Pearson yêu cầu điều kiện người dùng phải đăng nhập và đã đánh giá ít nhất một sản phẩm trên hệ thống (Pre-conditions: rated at least one product). Đối với người dùng mới hoàn toàn chưa có tương tác (vấn đề Cold-Start), hệ thống chưa thể đưa ra gợi ý cá nhân hóa chính xác.
  • Việc xử lý ma trận và tính toán tương quan trực tiếp trên cơ sở dữ liệu quan hệ có thể gặp thách thức về độ trễ khi khối lượng người dùng và sản phẩm tăng trưởng đột biến.
• Hướng mở rộng:
  • Nghiên cứu và triển khai mô hình gợi ý lai (Hybrid Recommenders), kết hợp lọc dựa trên nội dung (Content-based Filtering) dựa trên siêu dữ liệu sản phẩm khi hệ thống thiếu dữ liệu đánh giá của người dùng.
  • Tối ưu hóa hiệu năng mô hình gợi ý, áp dụng các kỹ thuật phân rã ma trận hoặc học sâu (Deep Learning) để nâng cao tốc độ phản hồi và độ chính xác của các đề xuất.

---

Giá trị tham khảo

Báo cáo đồ án là tài liệu tham khảo có giá trị chuyên môn cao cho:

• Sinh viên ngành Công nghệ Thông tin, Kỹ thuật Phần mềm và Khoa học Máy tính: Học hỏi phương pháp phân tích thiết kế hệ thống hướng đối tượng theo chuẩn UML; cách viết tài liệu đặc tả ca sử dụng (Use Case specifications) rõ ràng và mạch lạc.
• Người phát triển ứng dụng Web & AI: Tham khảo kiến trúc tích hợp giữa ReactJS, Node.js và dịch vụ học máy Python/Flask; quy trình xây dựng tính năng gợi ý sản phẩm bằng thuật toán lọc cộng tác ma trận tương quan Pearson; phương thức kết nối các cổng thanh toán phổ biến (PayPal, VNPAY).

---

Câu hỏi thường gặp

1. Hệ thống thương mại điện tử trong đồ án có tên là gì và phục vụ những nhóm đối tượng nào?

Hệ thống có tên là Pandore, được thiết kế để phục vụ hai nhóm đối tượng chính: Khách hàng (Customer) với nhu cầu tìm kiếm, đặt hàng không giới hạn số lượng, thanh toán và nhận gợi ý sản phẩm; Quản trị viên (Administrator) thực hiện quản lý toàn bộ hệ thống từ người dùng, sản phẩm, đơn hàng, kho hàng đến báo cáo doanh thu.

2. Đồ án sử dụng giải thuật nào để thực hiện tính năng gợi ý sản phẩm?

Đồ án ứng dụng giải thuật Lọc cộng tác (Collaborative Filtering) thông qua việc tính toán Hệ số tương quan Pearson (Pearson Correlation Coefficient) giữa các vector đánh giá của người dùng. Mô-đun sử dụng hàm corr(method='pearson') trong Python để xác định độ tương đồng và trích xuất danh sách sản phẩm gợi ý.

3. Kiến trúc hệ thống phân chia vai trò giữa các công nghệ như thế nào?

• ReactJS: Xây dựng giao diện tương tác người dùng (Frontend), quản lý giỏ hàng qua localStorage và gửi yêu cầu API.
• Node.js: Đóng vai trò máy chủ ứng dụng (Backend Server), xử lý xác thực, quản lý đơn hàng, điều hướng thanh toán và gửi email.
• Python (Flask): Đóng vai trò máy chủ tính toán học máy riêng biệt, kết nối MySQL để lập ma trận đánh giá, xử lý giá trị NaN, tính hệ số Pearson và trả kết quả gợi ý dạng JSON.
• MySQL (XAMPP): Lưu trữ toàn bộ dữ liệu quan hệ của hệ thống.

4. Điều kiện tiên quyết để khách hàng nhận được gợi ý sản phẩm trên hệ thống là gì?

Theo bảng đặc tả ca sử dụng (Table 2.6 - Use case product recommend), điều kiện tiên quyết là khách hàng phải đăng nhập thành công vào hệ thống và đã đánh giá (rated) ít nhất một sản phẩm.

5. Hệ thống Pandore hỗ trợ những phương thức thanh toán nào?

Hệ thống hỗ trợ 3 hình thức thanh toán chính: Thanh toán tiền mặt khi nhận hàng (Cash on delivery - COD), thanh toán trực tuyến qua cổng quốc tế PayPal và cổng thanh toán VNPAY.

---

Kết luận

Đồ án chuyên ngành "Xây dựng hệ thống thương mại điện tử ứng dụng máy học để gợi ý sản phẩm" của sinh viên Lê Viết Thắng và Lê Thị Hồng Quý (Trường Đại học Công nghệ Thông tin và Truyền thông Việt - Hàn) đã xây dựng thành công nền tảng TMĐT Pandore hoàn chỉnh về cả mặt nghiệp vụ bán hàng lẫn tính năng thông minh. Bằng cách kết hợp linh hoạt giữa ReactJS, Node.js và mô-đun học máy Python sử dụng giải thuật lọc cộng tác qua hệ số tương quan Pearson, hệ thống giải quyết hiệu quả nhu cầu cá nhân hóa trải nghiệm mua sắm của người dùng. Tài liệu đồ án thể hiện quy trình phát triển phần mềm chặt chẽ từ khảo sát lý thuyết, mô hình hóa UML đến triển khai thực tế, đóng vai trò là một nguồn tham khảo hữu ích cho các dự án kỹ thuật phần mềm ứng dụng trí tuệ nhân tạo.

Trích đoạn nội dung tài liệu

VIETNAM - KOREA UNIVERSITY OF INFORMATION AND COMMUNICATION TECHNOLOGY Faculty of Computer Science SPECIALIZED PROJECT BUILDING AN E-COMMERCE SYSTEM APPLYING MACHINE LEARNING TO RECOMMEND ITEMS Students: LE VIET THANG - 20IT526 LE THI HONG QUY - 20IT468 Class: 20GIT Supervisor: PhD. NGUYEN QUANG VU Da Nang, December – 2023 VIETNAM - KOREA UNIVERSITY OF INFORMATION AND Building an e-commerce system applying machine learning to recommend item COMMUNICATION TECHNOLOGY Faculty of Computer Science SPECIALIZED PROJECT BUILDING AN E-COMMERCE SYSTEM APPLYING MACHINE LEARNING TO RECOMMEND ITEMS Students: LE VIET THANG - 20IT526 LE THI HONG QUY - 20IT468 Class: 20GIT Supervisor: PhD. NGUYEN QUANG VU Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item SUPERVISOR’S COMMENT. Da Nang, December 10th, 2023 NGUYEN QUANG VU Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item ACKNOWLEDGEMENTS We would like to profoundly acknowledge the people who have helped us during our studies: First of all, we would like to sincerely thank our research supervisors PhD.

Nguyen Quang Vu. Without his assistance and dedicated involvement in every step throughout the process, this paper could have never been accomplished. We would like to thank the friends who were by our side and always gave us solutions to solve the problem in a simpler way during the project. Finally, we want to thank the homeroom teacher and the class staff for caring and helping us to successfully complete the activities of the class as well as the assigned school.

Thank you sincerely! Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item STATEMENT OF AUTHORSHIP. Da Nang, December 10th, 2023 LE VIET THANG LE THI HONG QUY Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item TABLE OF CONTENTS SUPERVIOR’S COMMENT ACKNOWLEDGEMENTS STATEMENT OF AUTHORSHIP TABLE OF CONTENTS. V LIST OF FIGURES.VI LIST OF TABLES. 1 Aims and Objectives.

1 Structure of the report.1 Overview of React:.1 What is React?.3 What is JSX?.4 Introduction to Components:.5 Props and State:.1 What is ReactJs:.4 Things to know about React Js:.1 What is NodeJs:.2 Features of nodejs:. 8 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item 1.1 What is Python?.2 Features of Python:.1 What is Recommender system?.2 Steps to recommender products:.3 Main types of recommender:.4 Pearson correlation coefficient:.5 What does Pearson coefficient mean?.1 Visual studio code:. SYSTEM ANALYSIS AND DESIGN.1 Collaborative filtering recommenders:.2 Describe the approach:.2 List of use case:.3 Use case diagram:.1 General use case:.2 Specific description use case:.1 Use case register, login:.2 Use case search products:.3 Use case order tracking:.4 Use case see product details:.5 Use case product recommend:.24 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item 2.6 Use case add product to cart:.7 Use case cart management:.8 Use case enter promo code:.9 Use case product reviews and ratings:.10 Use case personal account management:.11 Use case order through the system:.12 Use case user accounts management:.13 Use case product management:.14 Use case order management:.15 Use case product category management:.16 Use case promotion management:.17 Use case comments and star ratings management:.1 Register function activity diagram:.2 Login function activity diagram:.3 Order function activity diagram:.1 Register function sequence diagram:.2 Login function sequence diagram:.3 View product details function sequence diagram:.4 Order function sequence diagram:.5 Add favorite products function sequence diagram:. IMPLEMENTATION AND BUILDING SYSTEM.1 Build website interface with React Js:.2 Use collaborative filtering suggestions to recommend products:.3 Building a server system using Node Js:.49 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item 3.5 E-commerce system interface:.

57 CONCLUSIONS AND SUGGESTIONS. 60 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item ABBREVIATIONS ABBREVIATION MEANING S DOM Document Object Model NaN Not a Number JSX JavaScript XML Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item LIST OF FIGURES Figure 1.4 - Main types of recommender.5 - Pearson correlation coefficient.6 - Strength of the pearson correlation coefficient.7 - Visual Studio Code.1 - Determine the similarity between users.3 - Use case login, register.4 - Use case search products.5 - Use case order tracking.6 - Use case see product details.7 - Use case product recommend.8 - Use case add product to cart.9 - Use case for cart management.10 - Use case enter promo code.11 - Use case product reviews and ratings.12 - Use case for personal account management.13 - Use case order through the system.14 - Use case user accounts management.15 - Use case product management.16 - Use case order management.17 - Use case product category management.18 - Use case promotion management.19 - Use case comments and star ratings management.21 - Register function activity diagram.22 - Login function activity diagram.23 - Order function activity diagram.24 - Register function sequence diagram.25 - Login function sequence diagram.26 - View product details function sequence diagram.27 - Order function sequence diagram.28 - Add favorite products function sequence diagram.1 - Install the required libraries for ReactJS.2 - Install the required libraries for Python.3 - Use the library Flask.4 - Configure database connection.7 - Create a matrix and process the NaN values.47 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item VII Figure 3.8 - Calculate the correlation coefficient using corr(method='pearson').9 - The formula for calculating the correlation coefficient Pearson.10 - Use Json library to return data in Json format.11 - Configure database connection.12 - Install the necessary libraries for node JS.13 - Tables in the database.14 - Home page interface.15 - Product type interface.16 - Login page interface.17 - Register page interface.18 - Email verification page interface.19 - Favourite page interface.20 - Search page interface.21 - Product detail page interface.23 - Product suggestions interface.24 - Shopping cart interface.25 - Payment page interface.26 - Paypal payment interface.27 - Vnpay payment interface.28 - Profile page interface.29 - Orders invoice interface.30 - Email verification interface.32 - Account users manage interface.33 - Edit user information interface.34 - Account admin manage interface.35 - Edit admin infomation interface.36 - Add account admin interface.37 - Catagory manage interface.38 - Edit category information interface.39 - Add category interface.62 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item VIII LIST OF TABLES Table 2.1 - List of use case.2 - Specific description use case login, register.3 - Specific description use case search products.4 - Specific description use case order tracking.5 - Specific description use case see product detail.6 - Specific description use case product recommend.7 - Specific description use case add product to cart.8 - Specific description use case for cart management.9 - Specific description use case enter promo code.10 - Specific description use case product reviews and ratings.11 - Specific description use case personal account management.12 - Specific description use case order through the system.13 - Specific description use case user accounts management.14 - Specific description use case product management.15 - Specific description use case order management.16 - Specific description use case product category management.17 - Specific description use case promotion management.18 - Specific description use case comment and ratings management.36 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item INTRODUCTION Problem statement E-commerce provides an easy way to sell products to a large customer base. However, there is a lot of competition among multiple e-commerce sites. When users land on an e-commerce site, they expect to find what they are looking for quickly and easily.

Also, users are not sure about the brands or the actual products they want to purchase. They have a very broad idea about what they want to buy. Many customers nowadays search for their products on Google rather than visiting specific e-commerce sites. They believe that Google will take them to the e-commerce sites that have their product.

The purpose of any e-commerce website is to help customers narrow down their broad ideas and enable them to finalize the products they want to purchase. Aims and Objectives Online business and sales have never been as exciting and powerful as today. When millions of people around the world use the Internet and consider it an ideal place to find information, purchase goods and services, the website is considered a highly effective online marketing strategy besides social networking site. This has pulled a series of e-commerce websites into existence to serve the shopping needs of a large number of users.

So we want to develop an Pandore e-commerce system that can bring convenience to customers. The complete system is geared towards 2 types of users namely customers and admin:  Customers: Allow customers to order, necessary products from the system's product catalog, with no quantity limit.  Administrator: Manage the Pandore e-commerce system. Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item Structure of the report After the Introduction, the report is structured in three chapters: Chapter 1, Research overview.

In this chapter, the report presents the concepts of language, tools and technology used in this e-commerce system. Chapter 2, System analysis and design. This chapter includes the algorithm analysis of collaborative filtering recommenders and use case diagrams, class diagrams, activity diagrams, sequence diagrams of the main functions of the system. Chapter 3, Implementation and building system.

This chapter will be how to implement the database, how to use the commands and libraries to be able to run this e-commerce system. Finally, there are Conclusions, Suggestions, References and Appendices related to the topic. Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item CHAPTER 1.1 Overview of React: 1.1 What is React? React is a UI library developed at Facebook to support building highly interactive, stateful, and reusable UI components. One of the appeals of React is that this library not only works on the client side, but is also rendered on the server and can be interconnected.

React compares the change between the values of this render with the previous render and updates the DOM with the least change.2 Virtual DOM: Virtual DOM technology enhances application performance. The fact that only the root node has state and when it changes, it will completely restructure, which means that the DOM tree will also have to change part of it, which will affect processing speed. React JS uses Virtual DOM (virtual DOM) to improve this problem. Virtual DOM is a Javascript object, each object contains all the information needed to create a DOM, when the data changes it will calculate the change between the object and the real tree, this will help optimize re- render the real DOM tree.

Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item Figure 1.2 - Tree DOM React uses one-way data binding mechanism – one-way data flow. Data is passed from parent to child via props. Simple data flow makes it easy to control as well as correct errors. With the above characteristics, React is used to build large applications whose data changes continuously over time.

Data changes are mostly accompanied by changes in the interface.3 What is JSX?