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.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghệ thông tin và trí tuệ nhân tạo phát triển mạnh mẽ, các ứng dụng thông minh ngày càng thâm nhập sâu rộng vào đời sống lao động và giải trí của con người. Bên cạnh nhu cầu sinh hoạt thiết yếu, nhu cầu thưởng thức nghệ thuật và giải trí, đặc biệt là xem phim, đã trở thành một phần quan trọng trong đời sống tinh thần. Tuy nhiên, sự bùng nổ về số lượng tác phẩm điện ảnh dẫn đến tình trạng quá tải thông tin, khiến người dùng mất nhiều thời gian và công sức để lựa chọn được bộ phim phù hợp với sở thích cá nhân.

Về phía các đơn vị phát hành, rạp chiếu phim và nền tảng cung cấp dịch vụ, phương thức kinh doanh truyền thống đang bộc lộ nhiều điểm hạn chế:

• Việc hiển thị áp phích (poster) và danh mục phim đại trà, thiếu tính cá nhân hóa cho từng nhóm đối tượng khách hàng.
• Khách hàng gặp khó khăn khi phải tự tìm kiếm, cân nhắc hoặc xem thử phim mà không có công cụ định hướng, làm giảm sự hứng thú đối với dịch vụ.
• Hoạt động quảng bá, tiếp thị nội dung tốn kém nhưng hiệu quả không cao do thiếu sự tập trung vào sở thích riêng biệt của từng người xem.

Trước thực trạng đó, nhóm tác giả thuộc Khoa Công nghệ Phần mềm, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh đã thực hiện đề tài môn học 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".

Mục tiêu nghiên cứu của đề tài được xác định cụ thể:

1. Mục tiêu chung: Nâng cao kiến thức chuyên môn về quy trình xây dựng phần mềm tích hợp các mô hình trí tuệ nhân tạo; vận dụng kiến thức lý thuyết đã học để phát triển sản phẩm có khả năng ứng dụng thực tế.
2. Mục tiêu cụ thể: Xây dựng hoàn chỉnh một ứng dụng di động đề xuất phim thông minh trên nền tảng React Native, tích hợp mô hình học sâu Latent Factor Collaborative Filtering (LFCF-DL) và kỹ thuật lọc dựa trên nội dung (Content-Based Filtering).

Nhiệm vụ nghiên cứu bao gồm:

• Nghiên cứu cơ sở lý thuyết về hệ thống khuyến nghị, kỹ thuật lọc cộng tác nhân tử ẩn kết hợp học sâu (LFCF-DL) và lọc theo nội dung.
• Tìm hiểu và làm chủ công nghệ phát triển ứng dụng di động React Native và nền tảng cơ sở dữ liệu Firebase.
• Khảo sát hiện trạng, phân tích yêu cầu nghiệp vụ và thiết kế hệ thống phần mềm bằng ngôn ngữ mô hình hóa UML.
• Hiện thực hóa hệ thống cơ sở dữ liệu, huấn luyện mô hình học máy và lập trình hoàn thiện giao diện ứng dụng.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các thuật toán gợi ý dữ liệu (LFCF-DL, Content-Based Filtering) và quy trình phát triển ứng dụng di động đa nền tảng.
• Phạm vi dữ liệu: Bộ dữ liệu chuẩn MovieLens 100K phục vụ huấn luyện và kiểm thử mô hình.
• Phạm vi hệ thống: Ứng dụng di động hỗ trợ người dùng cuối tìm kiếm, xem thông tin, nhận gợi ý và tương tác đánh giá phim.

---

Cơ sở lý thuyết và phương pháp

Đề tài kết hợp cơ sở lý thuyết về học máy, học sâu và công nghệ phần mềm di động nhằm giải quyết bài toán gợi ý phim cá nhân hóa.

1. Khung lý thuyết và mô hình giải thuật

• Latent Factor Collaborative Filtering using Deep Learning (LFCF-DL): Phương pháp lọc cộng tác dựa trên nhân tử ẩn nhằm học các đặc trưng tiềm ẩn của người dùng ($u_i$) và bộ phim ($v_j$) từ ma trận đánh giá (user-item rating data). Hệ thống sử dụng mạng neural nhân tạo với các lớp nhúng (Embedding layers).
  • Mỗi người dùng $i$ được ánh xạ thành một vector nhúng $u_i \in \mathbb{R}^k$.
  • Mỗi bộ phim $j$ được ánh xạ thành một vector nhúng $v_j \in \mathbb{R}^k$.
  • Điểm đánh giá dự đoán $\hat{r}{ij}$ giữa người dùng $i$ và bộ phim $j$ được tính toán qua tích vô hướng của hai vector nhúng: $\hat{r}{ij} = u_i^T v_j$ (có bổ sung các giá trị độ lệch - bias cho người dùng và phim). Ma trận nhúng người dùng $U$ có kích thước $m \times k$ (với $m$ người dùng), ma trận nhúng sản phẩm $V$ có kích thước $n \times k$ (với $n$ sản phẩm).
  • Quá trình huấn luyện sử dụng phương pháp tối ưu hóa Gradient Descent với giải thuật Adam Optimizer, mục tiêu tối thiểu hóa hàm mất mát sai số toàn phương trung bình (Mean Squared Error - MSE).
• Content-Based Filtering: Phương pháp lọc dựa trên nội dung được nhóm áp dụng nhằm xử lý bài toán khởi đầu lạnh (cold-start) cho người dùng mới khi hệ thống chưa có lịch sử đánh giá. Mỗi bộ phim được mô tả qua tập thuộc tính (thể loại, từ khóa, diễn viên) và được vector hóa để đo độ tương đồng thông qua phép đo Cosine Similarity. Ngoài ra, phương pháp này còn kết hợp tính toán trọng số dựa trên số lượng đánh giá từ cộng đồng để ưu tiên các tác phẩm có độ tin cậy cao.
• Nền tảng công nghệ phần mềm:
  • React Native: Framework phát triển ứng dụng di động đa nền tảng (Android và iOS) bằng ngôn ngữ JavaScript.
  • Thư viện bổ trợ: React Navigation (quản lý điều hướng màn hình), Redux (quản lý trạng thái ứng dụng), Axios (giao tiếp API).
  • Cơ sở dữ liệu & Dịch vụ nền: Nền tảng Firebase phục vụ lưu trữ dữ liệu và xác thực người dùng.

2. Phương pháp nghiên cứu thực tế

• Phương pháp nghiên cứu lý thuyết: Tổng quan các tài liệu chuyên ngành về hệ thống gợi ý, giải thuật nhúng học sâu, cơ chế lọc nội dung và các tài liệu kỹ thuật về JavaScript, React Native, Firebase.
• Phương pháp tổng hợp: Phân tích, so sánh ưu nhược điểm của từng phương pháp lọc dữ liệu, từ đó thiết kế mô hình lai (hybrid) kết hợp giữa LFCF-DL và Content-Based Filtering.
• Phương pháp thực nghiệm: Thu thập bộ dữ liệu, tiền xử lý, phân chia tập dữ liệu để huấn luyện và đánh giá mô hình mạng neural; đồng thời tiến hành cài đặt ứng dụng thực tế trên thiết bị di động để kiểm thử toàn diện các luồng nghiệp vụ.

3. Nguồn dữ liệu thực nghiệm

Nghiên cứu sử dụng bộ dữ liệu chuẩn MovieLens 100K do tổ chức GroupLens phát hành (tải về từ trang chủ GroupLens):

• Tổng số lượt đánh giá: 100.000 đánh giá (thang điểm từ 1 đến 5 sao).
• Quy mô đối tượng: 943 người dùng và 1.682 bộ phim.
• Tiêu chí ràng buộc: Mỗi người dùng trong tập dữ liệu đều có tối thiểu 20 lượt đánh giá.
• Tỷ lệ phân chia dữ liệu: Tập huấn luyện (Train set) chiếm 80% tương đương 80.000 đánh giá; tập kiểm thử (Test set) chiếm 20% tương đương 20.000 đánh giá.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo quy trình công nghệ phần mềm chuẩn, bao gồm mô hình hóa chức năng (UML), thiết kế cơ sở dữ liệu và triển khai giao diện người dùng.

1. Phân tích tác nhân và ca sử dụng (Use Case)

Hệ thống phân chia quyền hạn qua 2 tác nhân (Actor):

• User: Khách hàng sử dụng ứng dụng di động để tìm kiếm, xem thông tin, nhận gợi ý và tương tác với các bộ phim.
• Admin: Quản trị viên quản lý danh mục phim và thông tin người dùng trong hệ thống.

STT	Tên Use-case	Mục đích / Ý nghĩa
1	Đăng ký	Cho phép người dùng mới tạo tài khoản truy cập vào hệ thống.
2	Đăng nhập	Xác thực danh tính người dùng bằng tài khoản đã đăng ký.
3	Xem danh sách phim	Hiển thị toàn bộ danh mục phim hiện có trên trang chính.
4	Tìm kiếm phim	Truy vấn trực tiếp các bộ phim theo từ khóa yêu cầu của người dùng.
5	Đề xuất phim	Đưa ra danh sách phim gợi ý dựa trên sở thích cá nhân và đánh giá cộng đồng.
6	Xem chi tiết phim	Xem thông tin chi tiết, thao tác đánh dấu yêu thích, đã xem hoặc chấm điểm phim.

Nhóm tác giả đã hoàn thiện đặc tả chi tiết kèm theo Sơ đồ tuần tự (Sequence Diagram) và Sơ đồ hoạt động (Activity Diagram) cho toàn bộ 6 ca sử dụng chính nêu trên.

2. Thiết kế cơ sở dữ liệu

Cơ sở dữ liệu của ứng dụng được chuẩn hóa thành 3 bảng chính:

Bảng users (Lưu thông tin tài khoản người dùng):

STT	Tên trường	Kiểu dữ liệu	Ràng buộc	Mô tả
1	userId	int	Khóa chính (PK)	Mã định danh người dùng
2	userName	string	Not null	Tên tài khoản người dùng
3	email	string	Not null	Địa chỉ email đăng ký
4	password	string	Not null	Mật khẩu tài khoản

Bảng movies (Lưu trữ danh mục phim):

STT	Tên trường	Kiểu dữ liệu	Ràng buộc	Mô tả
1	movieId	int	Khóa chính (PK)	Mã định danh bộ phim
2	title	string	Not null	Tên tác phẩm điện ảnh
3	genres	string	Not null	Các thể loại của bộ phim
4	image	string	Not null	Đường dẫn hình ảnh/poster phim

Bảng Chitiet (Lưu trữ tương tác và đánh giá):

STT	Tên trường	Kiểu dữ liệu	Ràng buộc	Mô tả
1	userId	int	Khóa ngoại (FK)	Mã người dùng thực hiện tương tác
2	movieId	int	Khóa ngoại (FK)	Mã phim được tương tác
3	rating	float	Not null	Điểm đánh giá (sao)
4	isFavorite	bool	Null	Trạng thái yêu thích (True/False)
5	isWatched	bool	Null	Trạng thái đã xem (True/False)

3. Cài đặt giao diện ứng dụng di động

Ứng dụng được cài đặt trên nền tảng React Native với 8 màn hình chức năng chính:

1. Màn hình đăng nhập: Tiếp nhận thông tin tài khoản, kiểm tra xác thực với hệ thống.
2. Màn hình đăng ký: Thu thập thông tin người dùng mới và khởi tạo tài khoản.
3. Màn hình trang chủ: Hiển thị danh mục phim thịnh hành và danh sách phim gợi ý cá nhân hóa.
4. Màn hình thông tin chi tiết phim: Trình bày tóm tắt nội dung, hình ảnh, thể loại, đồng thời cho phép thả tim (yêu thích), chuyển trạng thái đã xem và chấm điểm đánh giá.
5. Màn hình phim theo thể loại: Phân loại và lọc danh sách phim theo các danh mục thể loại cụ thể.
6. Màn hình phim yêu thích: Quản lý danh sách các bộ phim người dùng đã gắn cờ yêu thích.
7. Màn hình phim đã xem: Thống kê lịch sử các bộ phim người dùng đã thưởng thức.
8. Màn hình thông tin người dùng: Hiển thị và quản lý thông tin hồ sơ cá nhân.

---

Nội dung chính theo từng chương

Chương 1. Mở đầu

Chương 1 giới thiệu lý do chọn đề tài xuất phát từ sự bùng nổ của trí tuệ nhân tạo và nhu cầu giải quyết tình trạng quá tải thông tin trong việc lựa chọn phim giải trí. Tác giả xác định mục tiêu chung và mục tiêu cụ thể, nội dung nghiên cứu, phương pháp nghiên cứu (lý thuyết, tổng hợp, thực nghiệm), kết quả đạt được ban đầu và cấu trúc tổng thể của báo cáo khóa luận.

Chương 2. Cơ sở lý thuyết

Chương 2 trình bày chi tiết về nguồn dữ liệu và các nền tảng công nghệ cốt lõi:

• Cấu trúc tập dữ liệu chuẩn MovieLens 100K gồm 100.000 đánh giá từ 943 người dùng cho 1.682 phim, được chia thành 80.000 mẫu huấn luyện và 20.000 mẫu kiểm thử.
• Kiến trúc mạng neural LFCF-DL với các lớp Embedding biểu diễn người dùng và sản phẩm thành các vector nhúng $k$ chiều ($u_i, v_j$), tối ưu bằng hàm mất mát MSE và thuật toán Adam.
• Cơ chế giải thuật Content-Based Filtering sử dụng không gian vector thuộc tính và độ tương đồng Cosine kết hợp lọc cộng tác để giải quyết bài toán người dùng mới.
• Tổng quan về framework React Native, kiến trúc quản lý luồng điều hướng và trạng thái qua React Navigation, Redux, Axios và kết nối Firebase.

Chương 3. Phân tích thiết kế hệ thống

Chương 3 tập trung vào công tác kỹ thuật phần mềm:

• Khảo sát thực trạng kinh doanh phim truyền thống và xác định yêu cầu nghiệp vụ của hệ thống quản lý đề xuất phim.
• Xây dựng sơ đồ Use-case tổng quát với 2 Actor (User, Admin) và 6 Use-case cốt lõi.
• Trình bày bảng đặc tả chi tiết, Sơ đồ tuần tự (Sequence Diagram) và Sơ đồ hoạt động (Activity Diagram) cho từng Use-case: Đăng ký, Đăng nhập, Xem danh sách phim, Tìm kiếm phim, Đề xuất phim, Xem chi tiết phim.
• Thiết kế mô hình cơ sở dữ liệu quan hệ với 3 thực thể dữ liệu chính: users, movies, Chitiet.

Chương 4. Cài đặt ứng dụng

Chương 4 mô tả quá trình hiện thực hóa phần mềm trên thiết bị di động:

• Trình bày kiến trúc và ảnh chụp giao diện của 8 màn hình chức năng: Đăng nhập, Đăng ký, Trang chủ, Chi tiết phim, Phim theo thể loại, Phim yêu thích, Phim đã xem, Thông tin người dùng.
• Mô tả chi tiết các thành phần giao diện, luồng tương tác của người dùng từ bước tìm kiếm, xem phim đến thao tác chấm điểm đánh giá và lưu trữ trạng thái.

Chương 5. Kết luận và hướng phát triển

Chương 5 tổng kết toàn bộ kết quả đạt được của đồ án, đánh giá những mặt thuận lợi, khó khăn trong quá trình thực hiện và vạch ra các định hướng mở rộng, nâng cấp hệ thống trong tương lai.

---

Kết quả và đóng góp

1. Kết quả chính đạt được

• Hoàn thành đúng tiến độ: Thực hiện đầy đủ các nội dung nghiên cứu lý thuyết và báo cáo môn học Đồ án 1 theo đúng kế hoạch đề ra.
• Hiện thực hóa mô hình học sâu: Xây dựng và huấn luyện thành công mô hình gợi ý Latent Factor Collaborative Filtering using Deep Learning trên tập dữ liệu MovieLens 100K (100.000 đánh giá, 943 người dùng, 1.682 phim) với hàm mất mát MSE và bộ tối ưu Adam Optimizer.
• Xây dựng phần mềm hoàn chỉnh: Triển khai thành công ứng dụng di động đa nền tảng bằng React Native kết nối cơ sở dữ liệu Firebase, tích hợp đầy đủ 6 nhóm chức năng nghiệp vụ và 8 giao diện người dùng trực quan, ổn định.

2. Giải pháp kỹ thuật được đề xuất

• Đề xuất mô hình lai kết hợp giữa LFCF-DL và Content-Based Filtering: Mô hình LFCF-DL chịu trách nhiệm phân tích các đặc trưng ẩn từ lịch sử đánh giá của cộng đồng để đưa ra gợi ý chuyên sâu, trong khi Content-Based Filtering đóng vai trò giải quyết bài toán khởi đầu lạnh (cold-start) cho người dùng mới dựa trên việc lựa chọn thể loại ban đầu kết hợp trọng số số lượng đánh giá.

3. Đóng góp của đề tài

• Cung cấp tài liệu hoàn chỉnh về quy trình phân tích thiết kế hệ thống thông tin cho một ứng dụng gợi ý thông minh, từ khảo sát hiện trạng, mô hình hóa UML đến thiết kế lược đồ cơ sở dữ liệu.
• Minh chứng tính khả thi của việc tích hợp các mô hình học sâu biểu diễn vector tiềm ẩn vào ứng dụng di động thực tế, tạo ra công cụ hỗ trợ người dùng tiếp cận tác phẩm điện ảnh phù hợp một cách nhanh chóng.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi nghiên cứu và nội dung được trình bày trong Chương 5 của báo cáo, các hạn chế và định hướng phát triển bao gồm:

• Hạn chế:
  • Quy mô dữ liệu thực nghiệm mới dừng lại ở bộ dữ liệu MovieLens 100K với 943 người dùng và 1.682 phim; chưa thử nghiệm trên các tập dữ liệu lớn hơn ở quy mô hàng triệu lượt đánh giá.
  • Các thuộc tính mô tả phim phục vụ Content-Based Filtering chủ yếu dựa vào thể loại, chưa tích hợp sâu các dữ liệu phi cấu trúc phức tạp như phân tích văn bản kịch bản hay thị giác máy tính trên trailer/poster phim.
• Hướng phát triển tiếp theo:
  • Mở rộng quy mô huấn luyện mô hình trên các tập dữ liệu lớn hơn (như MovieLens 1M, MovieLens 20M) nhằm nâng cao độ chính xác và khả năng khái quát hóa.
  • Bổ sung và tinh chỉnh các lớp mạng trong kiến trúc Deep Learning, tích hợp thêm các yếu tố ngữ cảnh (thời gian xem, địa điểm, tâm trạng) vào mô hình gợi ý.
  • Nâng cấp hệ thống quản trị (Admin Dashboard) để theo dõi thống kê chi tiết lượt xem, đánh giá và quản lý danh mục phim linh hoạt theo thời gian thực.

---

Giá trị tham khảo

Tài liệu báo cáo đồ án có giá trị tham khảo hữu ích cho các nhóm đối tượng:

• Sinh viên ngành Công nghệ Phần mềm, Công nghệ Thông tin, Khoa học Dữ liệu: Là tài liệu tham khảo thực tế về cách triển khai một đề tài kết hợp giữa mô hình học máy (Machine Learning/Deep Learning) và kỹ thuật lập trình ứng dụng di động (Mobile App Development).
• Người nghiên cứu hệ thống khuyến nghị (Recommender Systems): Cung cấp công thức toán học, kiến trúc lớp nhúng (Embedding) trong mô hình LFCF-DL và cách tiếp cận kết hợp Content-Based Filtering để xử lý bài toán Cold-start.
• Nhà phát triển phần mềm ứng dụng: Cung cấp mẫu thiết kế hoàn chỉnh từ sơ đồ Use-case, sơ đồ tuần tự, sơ đồ hoạt động đến thiết kế cơ sở dữ liệu quan hệ cho các hệ thống quản lý và tương tác nội dung đa phương tiện.

---

Câu hỏi thường gặp

1. Đồ án sử dụng bộ dữ liệu nào để huấn luyện mô hình và tỷ lệ phân chia ra sao?
Đồ án sử dụng bộ dữ liệu chuẩn MovieLens 100K từ GroupLens, bao gồm 100.000 đánh giá (thang điểm 1–5) của 943 người dùng cho 1.682 bộ phim (mỗi người dùng có ít nhất 20 đánh giá). Dữ liệu được chia theo tỷ lệ Train/Test là 8:2, tương ứng 80.000 đánh giá cho tập huấn luyện và 20.000 đánh giá cho tập kiểm thử.

2. Mô hình LFCF-DL trong báo cáo dự đoán điểm đánh giá dựa trên nguyên lý gì?
Mô hình sử dụng các lớp nhúng (Embedding layers) để biểu diễn người dùng $i$ thành vector $u_i \in \mathbb{R}^k$ và bộ phim $j$ thành vector $v_j \in \mathbb{R}^k$. Điểm đánh giá dự đoán được tính bằng tích vô hướng $\hat{r}_{ij} = u_i^T v_j$ (có cộng thêm độ lệch - bias). Quá trình huấn luyện sử dụng thuật toán tối ưu Adam để cực tiểu hóa hàm mất mát sai số toàn phương trung bình (MSE).

3. Phương pháp Content-Based Filtering được nhóm tác giả ứng dụng nhằm mục đích gì?
Phương pháp Content-Based Filtering được sử dụng chủ yếu để đề xuất phim cho người dùng mới (giải quyết bài toán cold-start) dựa trên các thể loại họ lựa chọn ban đầu, đồng thời kết hợp tính toán trọng số số lượng đánh giá từ cộng đồng để ưu tiên các bộ phim có độ tin cậy cao.

4. Ứng dụng di động được xây dựng bằng công nghệ gì và gồm những màn hình nào?
Ứng dụng được phát triển bằng framework React Native (ngôn ngữ JavaScript) kết hợp nền tảng Firebase, sử dụng Redux, React Navigation và Axios. Giao diện bao gồm 8 màn hình: Đăng nhập, Đăng ký, Trang chủ, Chi tiết phim, Phim theo thể loại, Phim yêu thích, Phim đã xem và Thông tin người dùng.

5. Cơ sở dữ liệu của hệ thống gồm những bảng nào?
Cơ sở dữ liệu gồm 3 bảng: users (lưu thông tin người dùng: userId, userName, email, password), movies (lưu thông tin phim: movieId, title, genres, image) và Chitiet (lưu quan hệ và tương tác: userId, movieId, rating, isFavorite, isWatched).

---

Kết luận

Báo cáo cuối kỳ môn học Đồ án 1 của nhóm sinh viên Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM đã hoàn thành việc xây dựng ứng dụng đề xuất phim cá nhân hóa kết hợp hai phương pháp LFCF-DL và Content-Based Filtering. Đề tài đã phân tích và mô hình hóa chi tiết hệ thống bằng chuẩn UML, thiết kế cơ sở dữ liệu quan hệ chặt chẽ và triển khai thành công giao diện ứng dụng di động trên nền tảng React Native. Kết quả nghiên cứu là tài liệu tham khảo có giá trị thực tiễn cho việc tích hợp các mô hình trí tuệ nhân tạo vào quy trình phát triển phần mềm ứng dụng di động.

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.