Đồ án 1 xây dựng ứng dụng đề xuất phim kết hợp sử dụng hai phương pháp latent factor collaborative filtering using deep learning lfcf dl và content based filtering

Đồ án kỹ thuật nghiên cứu 1 xây dựng ứng dụng đề xuất phim kết hợp sử dụng hai phương pháp latent factor collaborative, thiết kế chi tiết, tính toán kỹ thuật theo tiêu chuẩn, đánh

• Tác giả: Nguyễn Trọng Ninh
• Người hướng dẫn: TS. Nguyễn Tấn Trần Minh Khang
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây Dựng Ứng Dụng Đề Xuất Phim Sử Dụng Latent Factor Collaborative Filtering và Content-Based Filtering
• Loại tài liệu: báo cáo cuối kỳ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• 1. CHƯƠNG 1: Lý do chọn đề tài
• 1.1. Mục tiêu của đề tài
• 1.2. Nội dung nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Kết quả đạt được
• 1.5. Bộ dữ liệu
• 1.6. Kiến trúc mô hình
• 1.7. Tổng quan về phương pháp
• 1.7.1. Phương pháp Latent Factor Collaborative Filtering using Deep Learning
• 1.7.2. Phương pháp Content-Based Filtering
• 1.7.3. Tổng quan về React-native
• 2. PHÂN TÍCH THIẾT KẾ HỆ THỐNG
• 2.1. Khảo sát hiện trạng
• 2.1.1. Mục đích khảo sát hiện trạng
• 2.1.2. Thực trạng hiện nay
• 2.2. Bài toán quản lý đề xuất phim
• 2.2.1. Mô tả bài toán quản lý đề xuất phim
• 2.2.2. Nhiệm vụ và yêu cầu của hệ thống
• 2.3. Phân tích thiết kế hệ thống
• 2.3.1. Biểu đồ use-case
• 2.3.2. Danh sách actor
• 2.3.3. Danh sách use-case
• 2.4. Mô hình cơ sở dữ liệu
• 3. CÀI ĐẶT ỨNG DỤNG
• 3.1. Một số giao diện trang người dùng
• 3.1.1. Màn hình đăng nhập
• 3.1.2. Màn hình đăng ký
• 3.1.3. Màn hình trang chủ
• 3.1.4. Màn hình thông tin chi tiết phim
• 3.1.5. Màn hình phim theo thể loại
• 3.1.6. Màn hình phim yêu thích
• 3.1.7. Màn hình phim đã xem
• 3.1.8. Màn hình thông tin người dùng
• 3.2. Mô tả chi tiết màn hình người dùng
• 3.2.1. Màn hình đăng nhập
• 3.2.2. Màn hình đăng ký
• 3.2.3. Màn hình trang chủ
• 3.2.4. Màn hình thông tin chi tiết phim
• 3.2.5. Màn hình phim theo thể loại
• 3.2.6. Màn hình phim yêu thích
• 3.2.7. Màn hình phim đã xem
• 3.2.8. Màn hình thông tin người dùng
• 4. KẾT QUẢ ĐẠT ĐƯỢC
• 5. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• DANH MỤC HÌNH
• DANH MỤC BẢNG

Tóm tắt

I. Tổng Quan Về Xây Dựng Ứng Dụng Đề Xuất Phim

Xây dựng ứng dụng đề xuất phim là một lĩnh vực đang phát triển mạnh mẽ nhờ vào sự tiến bộ của công nghệ thông tin và trí tuệ nhân tạo. Ứng dụng này không chỉ giúp người dùng tìm kiếm phim mà còn cung cấp các gợi ý dựa trên sở thích cá nhân. Việc áp dụng các phương pháp như Latent Factor Collaborative Filtering và Content-Based Filtering giúp nâng cao độ chính xác trong việc gợi ý phim cho người dùng.

1.1. Khái Niệm Về Hệ Thống Gợi Ý Phim

Hệ thống gợi ý phim sử dụng các thuật toán để phân tích dữ liệu người dùng và phim, từ đó đưa ra các gợi ý phù hợp. Các phương pháp này bao gồm Collaborative Filtering và Content-Based Filtering, mỗi phương pháp có những ưu điểm và nhược điểm riêng.

1.2. Tầm Quan Trọng Của Ứng Dụng Đề Xuất Phim

Ứng dụng đề xuất phim giúp người dùng tiết kiệm thời gian tìm kiếm và nâng cao trải nghiệm xem phim. Nó cũng hỗ trợ các nhà sản xuất phim trong việc quảng bá sản phẩm hiệu quả hơn.

II. Vấn Đề Trong Việc Đề Xuất Phim Hiện Nay

Mặc dù có nhiều ứng dụng gợi ý phim, nhưng vẫn tồn tại nhiều thách thức trong việc cung cấp gợi ý chính xác. Một trong những vấn đề lớn nhất là sự đa dạng của phim và sở thích của người dùng. Việc thiếu thông tin về người dùng và phim có thể dẫn đến những gợi ý không chính xác.

2.1. Thách Thức Về Dữ Liệu

Dữ liệu không đầy đủ hoặc không chính xác có thể ảnh hưởng đến chất lượng gợi ý. Việc thu thập và phân tích dữ liệu người dùng là rất quan trọng để cải thiện độ chính xác của hệ thống.

2.2. Sự Đa Dạng Trong Sở Thích Người Dùng

Mỗi người dùng có sở thích riêng biệt, điều này tạo ra thách thức trong việc phát triển một hệ thống gợi ý có thể đáp ứng được nhu cầu của tất cả người dùng.

III. Phương Pháp Latent Factor Collaborative Filtering

Phương pháp Latent Factor Collaborative Filtering sử dụng các mô hình học sâu để phân tích dữ liệu người dùng và phim. Phương pháp này giúp phát hiện các yếu tố tiềm ẩn trong sở thích của người dùng và mối quan hệ giữa các bộ phim.

3.1. Cách Thức Hoạt Động Của Phương Pháp

Phương pháp này sử dụng mạng nơ-ron để học các vector đại diện cho người dùng và phim. Từ đó, nó có thể dự đoán điểm số mà người dùng có thể cho một bộ phim chưa xem.

3.2. Ưu Điểm Của Phương Pháp

Phương pháp này có khả năng xử lý dữ liệu lớn và phát hiện các mối quan hệ phức tạp giữa người dùng và phim, từ đó cung cấp gợi ý chính xác hơn.

IV. Phương Pháp Content Based Filtering

Phương pháp Content-Based Filtering tập trung vào việc phân tích nội dung của phim để đưa ra gợi ý. Nó sử dụng các thuộc tính như thể loại, diễn viên và từ khóa để xác định độ tương đồng giữa các bộ phim.

4.1. Cách Thức Hoạt Động Của Phương Pháp

Phương pháp này phân tích các thuộc tính của phim và so sánh chúng với sở thích của người dùng để đưa ra gợi ý. Điều này giúp người dùng tìm thấy các bộ phim tương tự mà họ có thể thích.

4.2. Lợi Ích Của Phương Pháp

Phương pháp này không phụ thuộc vào dữ liệu của người dùng khác, do đó có thể hoạt động hiệu quả ngay cả với người dùng mới.

V. Ứng Dụng Thực Tiễn Của Hệ Thống Đề Xuất Phim

Hệ thống đề xuất phim đã được áp dụng rộng rãi trong nhiều nền tảng như Netflix, Amazon Prime và nhiều dịch vụ khác. Những ứng dụng này không chỉ giúp người dùng tìm kiếm phim mà còn tối ưu hóa trải nghiệm người dùng thông qua các gợi ý cá nhân hóa.

5.1. Kết Quả Nghiên Cứu Về Hệ Thống Đề Xuất

Nghiên cứu cho thấy rằng các hệ thống đề xuất có thể tăng cường sự hài lòng của người dùng và tăng thời gian sử dụng ứng dụng.

5.2. Tương Lai Của Hệ Thống Đề Xuất Phim

Với sự phát triển của công nghệ, các hệ thống đề xuất sẽ ngày càng thông minh hơn, có khả năng học hỏi từ hành vi của người dùng để cải thiện gợi ý.

VI. Kết Luận Về Xây Dựng Ứng Dụng Đề Xuất Phim

Việc xây dựng ứng dụng đề xuất phim sử dụng các phương pháp như Latent Factor Collaborative Filtering và Content-Based Filtering không chỉ giúp nâng cao trải nghiệm người dùng mà còn mở ra nhiều cơ hội cho các nhà phát triển. Tương lai của hệ thống đề xuất phim hứa hẹn sẽ mang lại nhiều cải tiến và giá trị cho người dùng.

6.1. Tóm Tắt Các Phương Pháp

Cả hai phương pháp đều có những ưu điểm riêng và có thể được kết hợp để tối ưu hóa kết quả gợi ý cho người dùng.

6.2. Hướng Phát Triển Trong Tương Lai

Cần tiếp tục nghiên cứu và phát triển các thuật toán mới để cải thiện độ chính xác và hiệu quả của hệ thống đề xuất phim.

Trích đoạn nội dung tài liệu

Chương 1. Lý do chọn đề tài. Mục tiêu của đề tài. Nội dung nghiên cứu.

Phương pháp nghiên cứu. Kết quả đạt được. Bộ dữ liệu. Kiến trúc mô hình.

Tổng quan về phương pháp. Phương pháp Latent Factor Collaborative Filtering using Deep Learning. Phương pháp Content-Based Filtering. Tổng quan về React-native.

PHÂN TÍCH THIẾT KẾ HỆ THỐNG. Khảo sát hiện trạng. Mục đích khảo sát hiện trạng. Thực trạng hiện nay.

Bài toán quản lý đề xuất phim. Mô tả bài toán quản lý đề xuất phim. Nhiệm vụ và yêu cầu của hệ thống. Phân tích thiết kế hệ thống.

Phân tích thiết kế hệ thống. Biểu đồ use-case. Danh sách actor. Danh sách use-case.

Đặc tả use-case. Đặc tả use-case Đăng ký. Đặc tả use-case Đăng nhập. Đặc tả use-case Xem danh sách phim.

Đặc tả use-case Tìm kiếm phim. Đặc tả use-case Đề xuất phim. Đặc tả use-case Xem chi tiết phim. Biểu đồ tuần tự.

Use-case Đăng ký. Use-case Đăng nhập. Use-case Xem danh sách phim. Use-case Tìm kiếm phim.

Use-case Đề xuất phim. Use-case Xem chi tiết phim. Biểu đồ hoạt động. Use-case Đăng ký.

Use-case Đăng nhập. Use-case Xem danh sách phim. Use-case Tìm kiếm phim. Use-case Đề xuất phim.

Use-case Xem chi tiết phim. Mô hình cơ sở dữ liệu. Các bảng trong cơ sở dữ liệu. Mô hình cơ sở dữ liệu.

CÀI ĐẶT ỨNG DỤNG. Một số giao diện trang người dùng. Màn hình đăng nhập. Màn hình đăng ký.

Màn hình trang chủ. Màn hình thông tin chi tiết phim. Màn hình phim theo thể loại. Màn hình phim yêu thích.

Màn hình phim đã xem. Màn hình thông tin người dùng. Mô tả chi tiết màn hình người dùng. Màn hình đăng nhập.

Màn hình đăng ký. Màn hình trang chủ. Màn hình thông tin chi tiết phim. Màn hình phim theo thể loại.

Màn hình phim yêu thích. Màn hình phim đã xem. Màn hình thông tin người dùng. Kết quả đạt được.

Hướng phát triển .53 TÀI LIỆU THAM KHẢO .54 DANH MỤC HÌNH Hình 2. Kiến trúc mô hình Latent Factor Collaborative Filtering sử dụng Deep Learning. Sơ đồ use-case tổng quát. Sơ đồ tuần tự use-case Đăng ký.

Sơ đồ tuần tự use-case Đăng nhập. Sơ đồ tuần tự use-case Xem danh sách phim. Sơ đồ tuần tự use-case Tìm kiếm phim. Sơ đồ tuần tự use-case Đề xuất phim.

Sơ đồ tuần tự use-case Xem chi tiết phim. Sơ đồ hoạt động use-case Đăng ký. Sơ đồ hoạt động use-case Đăng nhập. Sơ đồ hoạt động use-case Xem danh sách phim.

Sơ đồ hoạt động use-case Tìm kiếm phim. Sơ đồ hoạt động use-case Đề xuất phim. Sơ đồ hoạt động use-case Xem chi tiết phim. Mô hình cơ sở dữ liệu .34 DANH MỤC BẢNG Bảng 3.

Danh sách actor. Danh sách use-case. Đặc tả use-case Đăng ký. Đặc tả use-case Đăng nhập.

Đặc tả use-case Xem danh sách phim. Đặc tả use-case Tìm kiếm phim. Đặc tả use-case Đề xuất phim. Đặc tả use-case Xem chi tiết phim.

Danh sách các bảng. Lý do chọn đề tài Ngày nay, công nghệ thông tin đã có những bước phát triển rõ rệt, ảnh hưởng trực tiếp và sâu sắc trên toàn thế giới. Nổi lên trong thời kỳ, trí tuệ nhân tạo cũng đã không còn là một điều xa lạ mà đang trưởng thành mạnh mẽ ngày càng trở thành một công cụ làm việc và giải trí thông dụng của con người, không chỉ ở nơi làm việc mà còn ngay trong gia đình. Đặc biệt là trí tuệ nhân tạo được áp dụng trên mọi lĩnh vực kinh tế, chính trị, xã hội… Ứng dụng trí tuệ nhân tạo được xem là một trong những yếu tố mang tính quyết định trong hoạt động của quốc gia, tổ chức và trong cả các công ty.

Nó đóng vai trò quan trọng và đang tạo nên bước đột phá mạnh mẽ. Thế giới của trí tuệ nhân tạo đang phát triển mạnh mẽ chưa từng thấy với vô vàn các ứng dụng rộng rãi trong nhiều lĩnh vực toàn cầu như: nhận diện khuôn mặt, hỏi đáp thị giác, phát hiện bất thường,… Và trong đó, các hệ thống đề xuất thông minh cũng đã trở thành một đề tài cực kì hấp dẫn, tiềm năng thu hút được sự quan tâm của không chỉ các nhà nghiên cứu mà còn là các kỹ sư phần mềm kỳ cựu. Để đáp ứng cho nhu cầu phát triển các hệ thống đề xuất thông minh thì hàng loạt các nghiên cứu khoa học với các mô hình, kỹ thuật đã được ra đời. Latent Factor Collaborative Filtering using Deep Learning (LFCF-DL) và Content-Based filtering tuy cũng là những kỹ thuật mới như vậy nhưng lại vô cùng hiệu quả trong học đưa ra các dự đoán về sở thích của người dùng dựa trên lịch sử tiêu dùng của họ và thông tin về sản phẩm, sử dụng mô hình học sâu để học các đặc trưng tiềm ẩn của người dùng và sản phẩm, từ đó tìm ra mối tương quan giữa các yếu tố này và đưa ra các dự đoán chính xác về việc người dùng có thích một sản phẩm hay không, được sử dụng trong các ứng dụng thực tế hiện nay.

Hiện nay, nhu cầu của con người đã không còn chỉ quan tâm các vấn đề ăn uống cơ bản mà còn là các vấn đề giải trí, trải nghiệm cuộc sống. Tiêu biểu trong đó xem phim cũng là một thú vui giải trí mà nhiều người quan tâm và theo dõi. Nhưng đồng thời số lượng phim vô cùng nhiều nhưng thời gian con người có hạn nên việc lựa 1 chọn được một bộ phim thuộc đề tài cũng như sở thích phù hợp là một vấn đề khó khăn ở thời điểm hiện nay. Nắm được nhu cầu này cũng như sự tò mò tìm hiểu về các hệ thống đề xuất thông minh, chúng em đã chọn đề tài: “Xây dựng ứng dụng đề xuất phim kết hợp hai phương pháp Latent Factor Collaborative Filtering using Deep Learning (LFCF-DL) và Content-Based filtering”.

Mục tiêu của đề tài • Mục tiêu chung: Nâng cao kiến thức về xây dựng ứng dụng kết hợp với sử dụng mô hình của trí tuệ nhân tạo, áp dụng kiến thức đã học để tạo ra sản phẩm ứng dụng được vào cuộc sống. • Mục tiêu cụ thể: Xây dựng được một ứng dụng đề xuất phim thông minh ứng dụng Latent Factor Collaborative Filtering using Deep Learning (LFCF-DL) và Content-Based filtering. Nội dung nghiên cứu • Nghiên cứu, ứng dụng Latent Factor Collaborative Filtering using Deep Learning (LFCF-DL) và Content-Based filtering. • Cơ sở lý thuyết về ứng dụng đề xuất phim thông minh.

• Cơ sở lý thuyết về React-native, Firebase. • Phân tích thiết kế hệ thống. • Xây dựng ứng dụng đề xuất phim thông minh. Phương pháp nghiên cứu • Phương pháp nghiên cứu lý thuyết: Thu thập và nghiên cứu các tài liệu về Latent Factor Collaborative Filtering using Deep Learning (LFCF-DL) và Content-Based filtering, ngôn ngữ lập trình Javascript, framework React- native và ứng dụng Firebase.

• Phương pháp tổng hợp: Tổng hợp các tài liệu, giới thiệu cơ sở lý thuyết về Latent Factor Collaborative Filtering using Deep Learning (LFCF-DL), Content-Based filtering và kỹ thuật lập trình xây dựng ứng dụng 2 • Phương pháp thực nghiệm: Kết hợp giữa nghiên cứu lý thuyết và tìm hiểu nhu cầu thực tế của người sử dụng. Đồng thời trải nghiệm các ứng dụng đề xuất hiện nay. Trên cơ sở đó, xây dựng ứng dụng đề xuất phim thông minh với đầy đủ các nghiệp vụ. Kết quả đạt được • Hoàn thành đồ án và báo cáo đúng thời hạn với các nội dung đề ra ở trên.

• Xây dựng hoàn chỉnh ứng dụng đề xuất phim thông minh ứng dụng Latent Factor Collaborative Filtering using Deep Learning. Bố cục báo cáo Phần còn lại của báo cáo được trình bày theo bố cục như sau: CHƯƠNG 2 – CƠ SỞ LÝ THUYẾT – Trình bày bộ dữ liệu, kiến trúc mô hình, tổng quan về phương pháp, ngôn ngữ và công nghệ được dùng trong đề tài. CHƯƠNG 3 – PHÂN TÍCH THIẾT KẾ HỆ THỐNG – Tập trung vào việc phân tích và thiết kế hệ thống ứng dụng. Chương này bao gồm khảo sát hiện trạng, phân tích và thiết kế hệ thống thông qua các sơ đồ UML và đưa ra mô hình cơ sở dữ liệu.

CHƯƠNG 4 – CÀI ĐẶT ỨNG DỤNG – Trình bày các giao diện người dùng và mô tả chi tiết những thành phần trong giao diện đó. CHƯƠNG 5 – KẾT LUẬN – Đưa ra những đánh giá (thuận lợi, khó khăn), những kết quả đạt được và hướng phát triển trong tương lai của đề tài. Bộ dữ liệu Bộ dữ liệu của bài toán có tên là MovieLens 100K được tải xuống ở trang chủ GroupLens (https://grouplens.org/datasets/movielens/). Bộ dữ liệu này có 100,000 đánh giá (1 đến 5 sao) từ 943 người dùng về 1682 bộ phim.

Trong đó, mỗi người dùng đánh giá ít nhất là 20 bộ phim. Trong phạm vi của bài toán, tập dữ liệu train, test sẽ được chia theo tỉ lệ 8:2 của bộ dữ liệu. Cụ thể, tập dữ liệu train có 80,000 đánh giá và tập dữ liệu có 20,000 đánh giá. Kiến trúc mô hình Latent Factor Collaborative Filtering sử dụng Deep Learning là một phương pháp đề xuất sản phẩm dựa trên dữ liệu đánh giá của người dùng (user-item rating data), sử dụng kỹ thuật Deep Learning để học các latent factors (thuộc tính ẩn) của người dùng và sản phẩm một cách tự động.

Cụ thể, Latent Factor Collaborative Filtering sử dụng Deep Learning xây dựng một mô hình mạng neural đơn giản, trong đó các lớp embedding (lớp nhúng) được sử dụng để học các latent factors (thuộc tính ẩn) của người dùng và sản phẩm. Mỗi người dùng và sản phẩm được biểu diễn dưới dạng một vector các giá trị latent (giá trị ẩn), mà sẽ được học thông qua quá trình huấn luyện mạng neural. Kiến trúc mô hình Latent Factor Collaborative Filtering sử dụng Deep Learning Trong phạm vi bài toán, mỗi đánh giá bao gồm ID của người dùng, ID của bộ phim và điểm đánh giá của người dùng đó cho bộ phim đó. Mục tiêu của chúng ta là đi xây dựng một hệ thống đề xuất phim dựa trên các đánh giá này.

Chúng ta có thể sử dụng mạng neural để học các vector các giá trị latent (giá trị ẩn) của người dùng và sản phẩm. Đầu tiên, chúng ta có thể sử dụng một lớp embedding (lớp nhúng) để biểu diễn người dùng và một lớp embedding (lớp nhúng) khác để biểu diễn sản phẩm. Khi mỗi đánh giá được đưa vào mạng neural, chúng ta sử dụng ID của người dùng và sản phẩm để truy xuất các vector embedding (vector nhúng) của chúng từ các lớp embedding (lớp nhúng) tương ứng.