Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp ngành Hệ thống Thông tin với đề tài "Xây dựng website thương mại điện tử, tích hợp chức năng gợi ý sản phẩm và tìm kiếm sản phẩm bằng hình ảnh cho khách hàng" do hai sinh viên Nguyễn Văn Mạnh và Võ Trung Hiếu thực hiện dưới sự hướng dẫn của ThS. Mai Xuân Hùng tại Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh (năm 2021).

Bối cảnh thực tiễn của đề tài xuất phát từ sự bùng nổ của ngành công nghệ thông tin và xu hướng chuyển dịch mạnh mẽ sang mua sắm trực tuyến, đặc biệt dưới tác động của đại dịch Covid-19. Dẫn số liệu từ Bộ Công Thương, tác giả chỉ ra rằng thị trường thương mại điện tử (TMĐT) Việt Nam năm 2020 đạt doanh thu 11,8 tỷ USD (chiếm 5,5% tổng mức bán lẻ) và được dự báo vượt mốc 12 tỷ USD trong năm 2021; tỷ lệ dân số tham gia bán lẻ trực tuyến đạt 53% trên tổng số 68 triệu người dùng Internet. Bên cạnh đó, các công bố quốc tế (như khảo sát của Invespcro và Gartner) cho thấy hơn 36% người mua sắm trực tuyến từng sử dụng tìm kiếm bằng hình ảnh, 62% người tiêu dùng trẻ ưa chuộng công cụ tìm kiếm trực quan và việc ứng dụng tìm kiếm hình ảnh có thể giúp doanh nghiệp tăng 30% doanh thu.

Mặc dù vậy, tại Việt Nam, chức năng tìm kiếm sản phẩm bằng hình ảnh chủ yếu mới xuất hiện trên ứng dụng di động của các sàn thương mại điện tử lớn đa quốc gia như Shopee và Lazada, chưa hỗ trợ trực tiếp trên nền tảng web và chưa tiếp cận được nhóm doanh nghiệp TMĐT vừa và nhỏ do chi phí dịch vụ thương mại bên ngoài tương đối cao. Đồng thời, các hệ thống gợi ý hiện hành chủ yếu dựa trên sản phẩm đang xem, chưa tối ưu khả năng gợi ý các sản phẩm bổ trợ mua kèm hoặc chưa cá nhân hóa sâu theo thị hiếu khách hàng.

Mục tiêu cụ thể của đề tài bao gồm 6 nhiệm vụ:

  1. Cho phép khách hàng thực hiện các giao dịch mua bán trên hệ thống; người dùng có thể đăng ký tài khoản với vai trò người bán (seller) để tự tạo và vận hành cửa hàng riêng.
  2. Cho phép người mua tiếp cận và mua sắm sản phẩm từ nhiều gian hàng khác nhau trong cùng một hệ thống sàn.
  3. Tích hợp hệ thống gợi ý sản phẩm phù hợp cho từng khách hàng.
  4. Tích hợp chức năng tìm kiếm sản phẩm bằng hình ảnh để đáp ứng nhu cầu tìm kiếm trực quan.
  5. Cung cấp bộ công cụ quản lý sản phẩm, đơn hàng, doanh thu và báo cáo thống kê chuyên sâu cho từng chủ cửa hàng.
  6. Cho phép chủ cửa hàng thiết lập và phát động các chiến dịch khuyến mãi gửi tới các khách hàng thành viên.

Phạm vi và đối tượng nghiên cứu:

  • Đối tượng nghiên cứu: Khách hàng có nhu cầu mua sắm trực tuyến và các chủ cửa hàng có nhu cầu kinh doanh, phân phối sản phẩm thông qua website TMĐT.
  • Phạm vi địa lý và nghiệp vụ: Nghiên cứu tập trung tại khu vực TP. Hồ Chí Minh; mặt hàng kinh doanh trọng tâm của hệ sinh thái website là các nhóm sản phẩm thời trang (quần áo, giày dép, túi xách, phụ kiện).
  • Phạm vi công nghệ: Ứng dụng mô hình kiến trúc Microservices kết hợp các ngôn ngữ lập trình Java, C#, TypeScript, Python; cơ sở dữ liệu MySQL; hạ tầng lưu trữ đám mây Amazon Web Services (AWS) và Heroku; thời gian triển khai từ 01/03/2021 đến 26/06/2021.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nghiên cứu lý thuyết phần mềm, khảo sát thực nghiệm và xây dựng mô hình học máy:

  • Khung lý thuyết và mô hình công nghệ:
    • Kiến trúc phần mềm: Khóa luận áp dụng kiến trúc Microservices để phân tách các dịch vụ độc lập trong hệ thống bán hàng và dịch vụ xử lý thông minh.
    • Xử lý ảnh và thị giác máy tính: Ứng dụng mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs) để nhận diện và phân loại sản phẩm. Quá trình xử lý ảnh sử dụng thuật toán GrabCut để tách đối tượng khỏi phông nền và gọi API nhận diện tọa độ vật thể từ imagga.com.
    • Hệ thống gợi ý (Recommender System): Nghiên cứu các phương pháp lọc dựa trên nội dung (Content-based filtering) và lọc cộng tác (Collaborative filtering gồm User-based, Item-based và Model-based filtering). Đánh giá chất lượng gợi ý bằng các chỉ số sai số tuyệt đối trung bình (MAE - Mean Absolute Error) và sai số bình phương trung bình căn (RMSE - Root Mean Squared Error).
  • Công nghệ và công cụ phát triển phần mềm:
    • Phía máy chủ (Backend): Sử dụng Java với Spring Framework (Spring Boot, Spring Security, Hibernate ORM) và C# với ASP.NET Core, Entity Framework, kết hợp ASP.NET Core SignalR để truyền dữ liệu thời gian thực (real-time chat).
    • Phía giao diện (Frontend): Sử dụng TypeScript và Angular Framework (phiên bản 12) với kiến trúc Component-based và cơ chế biên dịch trước (Ahead-of-Time compiler).
    • Phân tích thiết kế hệ thống: Sử dụng phần mềm Microsoft Visio để xây dựng các biểu đồ tương tác tác nhân (Use-case), biểu đồ hoạt động (Activity Diagram), biểu đồ tuần tự (Sequence Diagram) và thiết kế cơ sở dữ liệu quan hệ (ERD).
  • Nguồn dữ liệu phục vụ huấn luyện mô hình:
    • Fashion-MNIST: Tập dữ liệu gồm 70.000 ảnh xám kích thước 28x28 pixel thuộc 10 danh mục (T-shirt/top, Trouser, Pullover, Dress, Coat, Sandal, Shirt, Sneaker, Bag, Ankle boot), chia thành 60.000 ảnh huấn luyện (dataset_train) và 10.000 ảnh kiểm thử (dataset_test) lưu dưới định dạng bảng điểm ảnh CSV (785 cột).
    • Fashion-subcategory: Tập dữ liệu ảnh màu thực tế gồm 45 thư mục phân loại các danh mục mở rộng như Nails, Lips, Sandal, Dress...
    • DeepFashion (MMLAB, Đại học Trung văn Hương Cảng): Sử dụng bộ tiêu chuẩn Category and Attribute Prediction Benchmark gồm 289.222 hình ảnh thời trang thực tế với 50 phân loại quần áo và 1.000 thuộc tính.
    • Dữ liệu đánh giá gợi ý: Dữ liệu giao dịch, xếp hạng đánh giá sản phẩm (rating data) được trích xuất từ cơ sở dữ liệu hệ thống vào DataFrame của thư viện Pandas.
Nguồn dữ liệu Số lượng mẫu / Danh mục Mục đích sử dụng
Fashion-MNIST 70.000 ảnh xám (28x28), 10 nhãn Dữ liệu cơ sở để quy chuẩn cấu trúc đầu vào
Fashion-subcategory 45 thư mục danh mục mở rộng Bổ sung các nhóm sản phẩm thời trang phụ trợ
DeepFashion 289.222 ảnh thực tế, 50 phân loại Mở rộng tập huấn luyện thực tế cho mạng CNNs
CSDL Rating nội bộ Dữ liệu điểm đánh giá từ người dùng Huấn luyện và kiểm thử mô hình gợi ý theo MAE/RMSE

Thiết kế và triển khai

Hệ thống được thiết kế theo kiến trúc Microservices kết nối các khối giao diện khách hàng (Client), quản trị người bán (Seller Dashboard), máy chủ nghiệp vụ backend và cụm xử lý thuật toán trí tuệ nhân tạo (AI/ML).

[Khách hàng / Người bán] (Angular SPA)
[Cổng API / Backend Services] (Spring Boot & ASP.NET Core)
[Dịch vụ AI / Học máy] (Python Flask/Keras)

Thiết kế cơ sở dữ liệu

Cơ sở dữ liệu hệ thống sử dụng MySQL bao gồm 29 bảng dữ liệu được thiết kế chi tiết:

  • Nhóm thực thể người dùng và cửa hàng: account, customers, seller, store.
  • Nhóm sản phẩm và thuộc tính: category, product, product_detail, product_image, brand, color, size.
  • Nhóm liên kết thuộc tính cửa hàng: store_has_brand, store_has_category, store_has_color, store_has_size.
  • Nhóm giao dịch và tương tác: carts, cart_detail, order, order_detail, promotions, comment, user_like_comment, complain, wish_list, blog.

Xây dựng quy trình xử lý hình ảnh và tìm kiếm

Quy trình phân loại và truy vấn bằng hình ảnh được chuẩn hóa qua các giai đoạn:

  1. Tiếp nhận ảnh đầu vào từ người dùng qua giao diện Angular.
  2. Gửi ảnh đến API của imagga.com để nhận diện tọa độ không gian (bounding box) chứa vật thể thời trang.
  3. Sử dụng thuật toán GrabCut cô lập đối tượng, xóa phông nền và chuyển đổi toàn bộ vùng nền sang màu đen.
  4. Chuyển đổi định dạng ảnh sang ảnh xám chuẩn kích thước 28x28 pixel, đồng bộ hóa đặc trưng với cấu trúc dữ liệu của Fashion-MNIST.
  5. Đưa dữ liệu qua mô hình CNN huấn luyện trên thư viện Keras để phân loại vào một trong 13 nhãn sản phẩm: T-Shirt, Trouser, Pullover, Dress, Coat, Sandal and Flip-Flop, Shirt, Sneaker, Bag, Ankle boot, Lip, Eyewear, Nail (được gán mã từ 0 đến 12).
  6. Truy vấn các sản phẩm cùng nhóm nhãn dự đoán trong cơ sở dữ liệu MySQL để hiển thị kết quả cho khách hàng.

Xây dựng hệ thống gợi ý và tính năng giao tiếp thời gian thực

  • Hệ thống gợi ý: Đọc dữ liệu đánh giá sản phẩm từ bảng cơ sở dữ liệu vào cấu trúc Pandas DataFrame, tiền xử lý và đưa vào huấn luyện mô hình dự đoán xếp hạng (rating prediction). Mức độ chuẩn xác của mô hình được kiểm chứng trực tiếp thông qua hai chỉ số MAE và RMSE trước khi trích xuất danh sách gợi ý hiển thị trên giao diện.
  • Giao tiếp thời gian thực: Module trò chuyện trực tiếp (chat) giữa khách hàng và người bán được vận hành bởi ASP.NET Core SignalR, giúp thiết lập kết nối hai chiều liên tục mà không cần cơ chế gửi truy vấn liên tục (polling).

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 khái quát tính cấp thiết của đề tài trong bối cảnh thương mại điện tử tăng trưởng nhanh. Tác giả xác định rõ mục tiêu xây dựng một nền tảng website TMĐT hoàn chỉnh tích hợp công nghệ thị giác máy tính và gợi ý sản phẩm. Nội dung chương vạch rõ phạm vi nghiên cứu, các công nghệ dự kiến sử dụng (Java, C#, TypeScript, Python, MySQL, AWS, Heroku) và cấu trúc toàn bộ khóa luận gồm 6 chương.

Chương 2: Khảo sát hiện trạng

Chương 2 trình bày các số liệu khảo sát thị trường TMĐT quốc tế và trong nước:

  • Khảo sát quốc tế: Phân tích mô hình B2C của Amazon.com với doanh thu quý 4 năm 2020 đạt 125,6 tỷ USD (tăng 44% so với cùng kỳ), tổng số lượng người bán đạt 1,3 triệu người, trong đó quý 1 năm 2021 có thêm 387.000 người bán mới. Nền tảng amazon.com chiếm gần 46% tổng lượng truy cập toàn cầu của hệ thống Amazon.
  • Khảo sát trong nước: Phân tích báo cáo của iPrice Group quý 1/2020 về lượng truy cập các sàn TMĐT tại Việt Nam, ghi nhận Shopee dẫn đầu với 62 triệu lượt/tháng, Tiki đạt 19 triệu lượt/tháng, Lazada đạt 18 triệu lượt/tháng. Đánh giá case study của Tiki (tỷ lệ hài lòng 85%, tỷ lệ đổi trả hàng 0,95%, thanh toán qua thẻ đạt 34% và COD đạt 66%) và Shopee (năm 2018 đạt GMV 10 tỷ USD với hơn 600 triệu giao dịch; 80 triệu lượt tải app trong đó Việt Nam chiếm 5 triệu lượt).
  • Khảo sát tính năng: Đánh giá chức năng tìm kiếm hình ảnh trên Shopee và Lazada (tốc độ nhanh nhưng độ chính xác chưa cao khi ảnh nhiễu hoặc chất lượng thấp, chỉ có trên app, chưa có trên web). Khảo sát tính năng gợi ý sản phẩm tại Shopee, Tiki, Lazada, Sendo (hiển thị nhanh các sản phẩm tương tự nhưng chưa có khả năng gợi ý các sản phẩm bổ trợ mua kèm hoặc mang tính cá nhân hóa theo hành vi riêng).

Chương 3: Cơ sở lý thuyết

Chương 3 trình bày chi tiết về các ngôn ngữ lập trình và nền tảng framework được sử dụng trong hệ thống:

  • Các ngôn ngữ và công nghệ nền tảng: Java, C#, Python, TypeScript, kiến trúc Spring Framework (Spring Core, Hibernate ORM), ASP.NET Core, Entity Framework, ASP.NET Core SignalR, Keras, Angular Framework và hệ quản trị CSDL quan hệ MySQL.
  • Cơ sở lý thuyết thị giác máy tính: Mô hình mạng nơ-ron tích chập (CNNs), kiến trúc các lớp tích chập (Convolutional layers), trích xuất đặc trưng điểm ảnh (pixel).
  • Mô hình dữ liệu và tiền xử lý: Quy chuẩn hóa 3 tập dữ liệu Fashion-MNIST, Fashion-subcategory và DeepFashion thành 13 nhãn mục tiêu thông qua thuật toán GrabCut và API imagga.com.
  • Hệ thống gợi ý và kiến trúc Microservices: Cơ chế hoạt động của Content-based filtering, Collaborative filtering (User-based, Item-based, Model-based) và các độ đo đánh giá sai số MAE, RMSE.

Chương 4: Phân tích thiết kế hệ thống

Chương 4 tập trung vào việc mô hình hóa hệ thống thông qua chuẩn UML và cấu trúc dữ liệu quan hệ:

  • Biểu đồ Use-case: Xây dựng use-case tổng quát và các use-case chi tiết gồm quản lý cửa hàng, quản lý danh mục, quản lý sản phẩm, bình luận, khuyến mãi, quản lý đặt hàng, quản lý giỏ hàng, thông tin tài khoản và thống kê doanh thu.
  • Biểu đồ hoạt động (Activity Diagram): Đặc tả các luồng nghiệp vụ quan trọng gồm: Login with Google, Add to Cart, Add Category, Pay Order, Create/Update/Delete/Search Product, Image Search Product, Create Promotion, Report for Seller, Reset Password, Create Store.
  • Biểu đồ tuần tự (Sequence Diagram): Mô tả chi tiết tiến trình tương tác giữa các đối tượng trong các thao tác: Thêm vào giỏ, thêm/sửa/xóa sản phẩm, tìm kiếm sản phẩm thông thường, tìm kiếm bằng hình ảnh, tạo danh mục, tạo khuyến mãi, tạo blog, tạo bình luận, xem báo cáo, đổi mật khẩu và nhập sản phẩm hàng loạt từ tệp tin Excel (Import Product with Excel).
  • Thiết kế cơ sở dữ liệu: Trình bày sơ đồ thực thể liên kết tổng quát và chi tiết thuộc tính của toàn bộ 29 bảng dữ liệu quan hệ.

Chương 5: Xây dựng website

Chương 5 mô tả kết quả lập trình giao diện và hiện thực hóa các chức năng thực tế của hệ thống:

  • Phân hệ người bán (Seller): Giao diện bảng điều khiển thống kê (Dashboard), màn hình quản lý đơn hàng (Order) và quản lý sản phẩm (Product), cho phép theo dõi doanh thu và cấu hình thông tin cửa hàng.
  • Phân hệ khách hàng (Client): Màn hình danh sách sản phẩm với bộ lọc đa tiêu chí, màn hình chi tiết sản phẩm, giỏ hàng, danh sách yêu thích (wishlist), màn hình thanh toán (payment) và giao diện trò chuyện trực tiếp (chat) giữa khách hàng và người bán.
  • Hiện thực hệ thống gợi ý: Trình bày quy trình nạp tập dữ liệu điểm đánh giá bằng Pandas DataFrame, thực hiện huấn luyện mô hình dự đoán điểm xếp hạng, hiển thị bảng đo lường MAE và RMSE, trích xuất danh sách gợi ý sản phẩm lên giao diện người dùng và so sánh kết quả trực quan với Shopee, Lazada.
  • Hiện thực chức năng tìm kiếm bằng hình ảnh: Thực nghiệm tìm kiếm sản phẩm với nhiều nhóm mặt hàng như giày, balo, đầm, mắt kính, son môi; đánh giá độ chính xác trong các điều kiện ảnh chất lượng thấp hoặc có nhiều chi tiết gây nhiễu và so sánh với giải pháp của Shopee, Lazada.

Chương 6: Kết luận và hướng phát triển

Chương 6 đánh giá mức độ hoàn thành so với mục tiêu đề ra ban đầu, tổng kết các kết quả đạt được về mặt chức năng và kiến trúc phần mềm, chỉ rõ các khó khăn kỹ thuật phát sinh và đề ra các định hướng hoàn thiện hệ thống trong giai đoạn tiếp theo.

Kết quả và đóng góp

Khóa luận đã hoàn thành các nội dung kỹ thuật chính theo mục tiêu đặt ra:

  • Xây dựng thành công một website thương mại điện tử đa người bán (multi-vendor) hỗ trợ đầy đủ quy trình mua bán, quản lý giỏ hàng, đặt hàng, xử lý thanh toán, bình luận, khiếu nại và hệ thống báo cáo thống kê doanh số cho chủ cửa hàng.
  • Tích hợp thành công mô hình học sâu CNNs vào chức năng tìm kiếm sản phẩm bằng hình ảnh trên nền tảng website, phân loại sản phẩm theo 13 nhãn thời trang chuẩn hóa từ nguồn dữ liệu hỗn hợp (Fashion-MNIST, Fashion-subcategory, DeepFashion), kết hợp tiền xử lý tách phông nền bằng GrabCut và Imagga API.
  • Tích hợp hệ thống gợi ý sản phẩm dựa trên thuật toán lọc cộng tác/nội dung, đánh giá kết quả huấn luyện qua các chỉ số sai số MAE và RMSE trên tập dữ liệu đánh giá thực tế.
  • Xây dựng tính năng hỗ trợ khách hàng và người bán giao tiếp trực tiếp qua kênh chat thời gian thực bằng ASP.NET Core SignalR.
  • Đóng góp so với thực trạng: Đề tài đã xây dựng giải pháp tìm kiếm sản phẩm bằng hình ảnh chạy trực tiếp trên môi trường website (vốn là tính năng mà tại thời điểm khảo sát năm 2021 các sàn lớn như Shopee, Lazada chỉ hỗ trợ trên app di động), cung cấp một mô hình kỹ thuật có chi phí thấp phù hợp để ứng dụng cho các website TMĐT quy mô vừa và nhỏ.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự đánh giá các điểm hạn chế và hướng mở rộng:

  • Hạn chế:
    • Khả năng nhận diện của mô hình tìm kiếm hình ảnh giảm sút rõ rệt đối với các hình ảnh đầu vào có chất lượng thấp, độ phân giải kém hoặc có quá nhiều chi tiết nền gây nhiễu phức tạp.
    • Hệ thống gợi ý sản phẩm vẫn còn phụ thuộc vào dữ liệu xếp hạng có sẵn, chưa mở rộng giải quyết triệt để bài toán gợi ý phối hợp các sản phẩm mua kèm (cross-sell giữa quần, áo, phụ kiện) và chưa cá nhân hóa sâu theo hành vi thời gian thực.
    • Phạm vi thực nghiệm dữ liệu và danh mục sản phẩm mới tập trung vào ngành hàng thời trang với 13 nhãn phân loại.
  • Hướng phát triển:
    • Tiếp tục cải tiến mô hình mạng nơ-ron nhằm nâng cao độ chính xác nhận diện đối với ảnh mờ, góc chụp nghiêng hoặc ảnh có độ tương phản thấp.
    • Mở rộng tập dữ liệu huấn luyện sang nhiều danh mục ngành hàng bán lẻ khác ngoài thời trang.
    • Nâng cấp thuật toán gợi ý để phân tích ngữ cảnh giỏ hàng, hỗ trợ gợi ý các nhóm sản phẩm có xu hướng mua cùng nhau.
    • Tối ưu hóa hiệu năng cụm Microservices khi triển khai thực tế trên hạ tầng đám mây với tải truy cập lớn.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo hữu ích cho sinh viên các ngành Hệ thống Thông tin, Kỹ thuật Phần mềm và Khoa học Máy tính đang thực hiện các đồ án tốt nghiệp hoặc dự án ứng dụng công nghệ vào thương mại điện tử.

Các nội dung có giá trị ứng dụng cao bao gồm:

  • Thiết kế cơ sở dữ liệu quan hệ hoàn chỉnh gồm 29 bảng bao quát đầy đủ các thực thể nghiệp vụ của sàn TMĐT.
  • Quy trình tích hợp mô hình Machine Learning/Deep Learning (Python, Keras, CNN) vào kiến trúc web hiện đại kết hợp nhiều ngôn ngữ (Java Spring Boot, C# ASP.NET Core, Angular).
  • Kỹ thuật tiền xử lý ảnh sử dụng kết hợp GrabCut và API ngoài để quy chuẩn ảnh thực tế về dạng chuẩn ma trận điểm ảnh phục vụ bài toán phân loại.

Câu hỏi thường gặp

Đề tài giải quyết bài toán tìm kiếm sản phẩm bằng hình ảnh trên website bằng cách nào?

Tác giả xây dựng pipeline xử lý gồm 4 bước: (1) Nhận ảnh từ giao diện Angular và gửi đến API imagga.com để lấy tọa độ vật thể; (2) Sử dụng thuật toán GrabCut loại bỏ phông nền và chuyển phông sang màu đen; (3) Chuyển ảnh về dạng ảnh xám 28x28 pixel đồng nhất với dữ liệu Fashion-MNIST; (4) Sử dụng mô hình CNNs (xây dựng bằng Keras) phân loại ảnh vào 13 nhãn danh mục để truy vấn dữ liệu sản phẩm tương ứng trong MySQL.

Mô hình phân loại ảnh trong khóa luận nhận diện được những nhóm sản phẩm nào?

Mô hình thực hiện phân loại trên 13 nhãn sản phẩm được đánh số từ 0 đến 12, bao gồm: T-Shirt, Trouser, Pullover, Dress, Coat, Sandal and Flip-Flop, Shirt, Sneaker, Bag, Ankle boot, Lip, Eyewear và Nail.

Khóa luận sử dụng các chỉ số nào để đánh giá hiệu quả của hệ thống gợi ý sản phẩm?

Khóa luận sử dụng hai chỉ số thống kê sai số là sai số tuyệt đối trung bình (MAE - Mean Absolute Error) và sai số bình phương trung bình căn (RMSE - Root Mean Squared Error) để đánh giá độ chính xác của mô hình dự đoán điểm đánh giá (rating) trên tập dữ liệu kiểm thử.

Tính năng trò chuyện thời gian thực giữa khách hàng và người bán được xây dựng bằng công nghệ gì?

Chức năng trò chuyện trực tiếp (real-time chat) được phát triển bằng C# sử dụng thư viện ASP.NET Core SignalR, cho phép máy chủ đẩy dữ liệu tin nhắn tức thời đến trình duyệt người dùng mà không cần gửi yêu cầu lặp định kỳ.

Cơ sở dữ liệu của hệ thống gồm bao nhiêu bảng và hỗ trợ các nhóm nghiệp vụ chính nào?

Hệ thống sử dụng cơ sở dữ liệu MySQL với tổng cộng 29 bảng, phân bổ cho các nhóm nghiệp vụ: quản lý tài khoản và phân quyền (seller, customer), quản lý sản phẩm và danh mục đa thuộc tính (size, color, brand), quản lý giao dịch mua sắm (carts, orders, cart_detail, order_detail), các chương trình khuyến mãi (promotions) và tính năng tương tác cộng đồng (comment, blog, complain, wish_list).

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Văn Mạnh và Võ Trung Hiếu đã giải quyết trọn vẹn bài toán xây dựng website thương mại điện tử đa người bán theo kiến trúc Microservices kết hợp Spring Boot, ASP.NET Core và Angular. Điểm nhấn kỹ thuật của công trình là việc tích hợp thành công mô hình học sâu CNNs để tìm kiếm sản phẩm bằng hình ảnh trực tiếp trên nền tảng web và áp dụng giải thuật gợi ý sản phẩm dựa trên các độ đo MAE/RMSE. Mặc dù vẫn còn hạn chế về độ chính xác khi xử lý ảnh chất lượng thấp và phạm vi danh mục mới dừng lại ở ngành hàng thời trang, đề tài đã mang lại một mô hình kỹ thuật hoàn chỉnh, có tính ứng dụng thực tiễn cao cho các hệ thống thương mại điện tử quy mô vừa và nhỏ.