Ứng dụng di động bán hàng nội thất tích hợp công nghệ AR (khóa luận tốt nghiệp)

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN MINH THẮNG BÙI TRỌNG KHÁNH DUY KHÓA LUẬN TỐT NGHIỆP ỨNG DỤNG HỖ TRỢ CHĂM SÓC EM BÉ BABY CARE KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM TP HỒ CHÍ MINH, 2022 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN MINH THẮNG BÙI TRỌNG KHÁNH DUY KHÓA LUẬN TỐT NGHIỆP ỨNG DỤNG HỖ TRỢ CHĂM SÓC EM BÉ Baby Care KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN TS NGUYỄN ĐÌNH HIỂN ThS TRẦN ANH DŨNG TP HỒ CHÍ MINH, 2022 THƠNG TIN HỘI ĐỒNG CHẤM KHÓA LUẬN TỐT NGHIỆP Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số ngày Hiệu trưởng Trường Đại học Công nghệ Thông tin - Chủ tịch - Thư ký - Ủy viên - Ủy viên ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA TRƯỜNG ĐẠI HỌC CÔNG NGHỆ VIỆT NAM THÔNG TIN Độc Lập - Tự Do - Hạnh Phúc TP HCM, ngày tháng năm 2022 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên Khóa luận Tốt nghiệp: Ứng dụng di động bán hàng nội thất tích hợp cơng nghệ AR Nhóm sinh viên thực hiện: Cán hướng dẫn: BÙI TRỌNG KHÁNH DUY 18520654 TS Nguyễn Đình Hiển NGUYỄN MINH THẮNG 18521396 ThS Trần Anh Dũng Đánh giá Khóa luận Tốt nghiệp: Về báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản phẩm Một số nhận xét hình thức báo cáo: Về nội dung nghiên cứu: ● ● Về chương trình ứng dụng: ● Về thái độ làm việc sinh viên: ● Đánh giá chung: Điểm sinh viên: BÙI TRỌNG KHÁNH DUY : ……… /10 NGUYỄN MINH THẮNG : ……… /10 Người nhận xét Nguyễn Đình Hiển Trần Anh Dũng LỜI CẢM ƠN Sau trình học tập rèn luyện khoa Công nghệ phần mềm trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM chúng em trang bị kiến thức bản, kỹ thực tế để hồn thành Khóa luận Tốt nghiệp Chúng em xin gửi lời cảm ơn chân thành đến thầy Nguyễn Trịnh Đông quan tâm hướng dẫn truyền đạt kiến thức kinh nghiệm cho chúng em suốt thời gian học tập thực Khóa luận Tốt nghiệp Cuối cùng, chúng em xin gửi lời cảm ơn đến tất thầy cô khoa bạn bè bên cạnh, bảo, truyền đạt động viên chúng em Trong q trình làm tập mơn khơng tránh khỏi sai sót, chúng em mong nhận góp ý quý thầy bạn để hoàn thiện Chúng em xin chân thành cảm ơn Thành phố Hồ Chí Minh, ngày tháng năm 2022 Sinh viên BÙI TRỌNG KHÁNH DUY NGUYỄN MINH THẮNG ĐẠI HỌC QUỐC GIA TP HỒ CHÍ CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT MINH NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày… tháng … năm 2021 ĐỀ CƯƠNG CHI TIẾT TÊN ĐỀ TÀI: Xây dựng ứng dụng hỗ trợ chăm sóc sức khỏe trẻ em TÊN ĐỀ TÀI (tiếng Anh): Developing applications to aid in the care of children's health Cán hướng dẫn: TS NGUYỄN ĐÌNH HIỀN, THS TRẦN ANH DŨNG Thời gian thực hiện: Từ ngày 21/02/2022 đến ngày 19/06/2022 Sinh viên thực hiện: NGUYỄN MINH THẮNG - 18521396 BÙI TRỌNG KHÁNH DUY - 18520654 Nội dung đề tài: Lý chọn đề tài: Ở sống thành thị tại, có nhiều gia đình vừa phải làm vất vả ngày, vừa phải chăm lo cho họ Những bậc bố mẹ trẻ tuổi vấp phải nhiều khó khăn việc chăm sóc làm việc từ sáng đến chiều cơng ty, có buổi tối dành thời gian ỏi ngày để chăm sóc Vì nên quan tâm dinh dưỡng, thể chất người tiêm phòng cho hời hợt qua loa Sau thời gian tìm hiểu cân nhắc, nhóm thấy vấn đề mang tính thực tế thiết yếu, nên chọn vấn đề để nghiên cứu phát triển môn học Mục tiêu: Trở thành trợ thủ đắc lực giúp bậc bố mẹ kiểm sốt chăm sóc cho cái, làm chủ thời gian Thông qua người sử dụng app ghi lại tồn phát triển để cung cấp cho bác sĩ bé có bị bệnh hay gặp phải vấn đề dinh dưỡng Phạm vi: Phạm vi môi trường: Di động chạy hệ điều hành Android IOS Phạm vi chức năng: - Chức Tạo số em bé - Chức Theo dõi, cập nhật đưa thơng báo tình trạng BMI trẻ - Chức Theo dõi, cập nhật đưa thơng báo tình trạng số dinh dưỡng trẻ - Chức Đưa gợi ý thực đơn hàng tuần theo tình trạng dinh dưỡng - Chức Theo dõi số dinh dưỡng qua thức ăn ngày qua - Các tip cách phòng ngừa chữa trị loại bệnh trẻ mắc phải - Chat Bot trả lời loại bệnh loại chất dinh dưỡng - Recommender system đưa gợi ý giúp người dùng dễ dàng mua vật dụng phù hợp với người Đối tượng sử dụng: - Nhóm đối tượng chủ yếu phần mềm bậc phụ huynh có nhỏ tuổi, hay người chăm sóc trẻ nhỏ độ tuổi từ lúc sinh đến tuổi - Những người chăm sóc trẻ nhỏ hay bậc phụ huynh thành thị, khơng có thời gian ghi nhớ dinh dưỡng cung cấp cho con, hay lịch sử tiêm phịng Đối với đối tượng này, họ cần ứng dụng giúp họ ghi nhớ giúp đỡ họ việc chăm sóc Phương pháp thực hiện: Trước vào nghiên cứu chi tiết cụ thể, nhóm em lên kế hoạch tìm hiểu nhiều ứng dụng có sẵn thị trường Các ứng dụng đa số mẻ, chủ yếu đáp ứng nhu cầu chăm sóc dinh dưỡng thể cho người từ tuổi trở lên Chính để tạo khác biệt đáp ứng nhu cầu chăm sóc cần thiết cho trẻ em tuổi, nhóm chúng em nghiên cứu tạo ứng dụng làm điều Nhóm em thực đề tài ngôn ngữ Dart với công nghệ ứng dụng Flutter Nhóm em tuân theo quy chuẩn phát triển phần mềm làm hoàn thiện phần mềm thơng qua bước sau: Bước 1: Nhóm tiến hành khảo sát người dùng chi tiết, thu thập nhu cầu người dùng khó khăn người dùng chưa có phần mềm Bước 2: Nhóm nghiên cứu sản phẩm có sẵn thị trường xem có đáp ứng nhu cầu thực khơng, khó khăn phần mềm Bước 3: Nhóm phân tích đặc tả phần mềm theo mơ hình có sẵn phát triển phần mềm Vẽ UseCase cho chức WorkFlow để nhóm thực Bước 4: Nhóm thiết kế sở liệu chọn phương pháp thực sở liệu Bước 5: Thiết kế sơ chức phần mềm tương lai Bước 6: Nhóm lựa chọn ngơn ngữ lập trình để thực phần mềm nhóm thành sản phẩm Qua hội ý, họp hành, nhóm định chọn sử dụng ngôn ngữ dễ học tiện lợi Dart thông qua Cross platform Flutter để thực việc lập trình Bước 7: Nhóm thiết kế Giao diện cho ứng dụng ứng dụng hỗ trợ thiết kế figma Bước 8: Nhóm tiến hành cài đặt hoàn thiện cho phần mềm Bước 9: Nhóm tiến hành sửa chữa lỗi nâng cấp số chức có phần mềm Bước 10: Nhóm hồn thành phần mềm tài liệu báo cáo Nền tảng công nghệ: - Backend: Firebase, Dart, NodeJs - Database: Firebase, MongoDB - Flutter/Dart Kết mong đợi: - Hoàn thiện đầy đủ chức - Giao diện đẹp mắt, dễ sử dụng Hướng phát triển đề tài: - Chat center với công nghệ AI BigData để cung cấp lời khuyên tư vấn chăm sóc em bé - Recommender system áp dụng lồng ghép nhiều thuật toán để đưa gợi ý xác cho người dùng - Áp dụng cơng nghệ VR/AR vào chăm sóc em bé - Streaming, lưu trữ video trực tuyến, phục vụ nhu cầu chia sẻ kinh nghiệm chăm sóc em bé Kế hoạch làm việc: Thời gian thực từ ngày 21/02/2022 đến ngày 19/06/2022 Nhóm chia thành giai đoạn cụ thể: Giai đoạn 1: Hoàn chỉnh ứng dụng Giai đoạn gồm sprint: Thời gian: 21/02/2022 – 06/03/2022 (2 tuần) Sprint 1: Lên kế hoạch chi tiết sửa đổi, cập nhật cần thiết cho ứng dụng D Cosine Similarity Hình 6.2: Cosine Similarity Cosine Similarity phương pháp tính mức độ tương tự hai vector việc tính cosin góc hai vector Cơng thức: Độ similarity hai vector số đoạn [-1, 1] Cosin góc nghĩa góc hai vector 0, thể hai vector hoàn toàn tương tự Cosin góc 111 -1 thể hai vector hoàn toàn trái ngược Do đó, hai users tương tự similarity hai vector cao ngược lại Hình 6.3: Sự tương đồng hai vector c Root Mean Squared Error (RMSE) Sử dụng RootMean Squared Error để đánh giá hiệu thuật tốn, RMSE tính công thức: 6.1.2 Phương pháp 112 Các bước thực bao gồm: - Chuẩn bị liệu - Tìm hiểu thuật toán - Cài đặt thuật toán, chạy liệu test - Tính RMSE thuật tốn so sánh, đánh giá a Chuẩn bị liệu Bộ liệu sử dụng: MovieLens 100K Dataset công bố năm 1998 GroupLens, bao gồm 100 000 ratings từ 943 users cho 1682 phim Các file cần quan tâm: - u.data: Chứa toàn ratings 943 users cho 1682 movies Mỗi user rate 20 movies - ua.base, ua.test, ub.base, ub.test: hai tập liệu cho training, cho test - u.user: Chứa thông tin users, bao gồm: id, tuổi, giới tính, nghề nghiệp, zipcode (vùng miền), thơng tin ảnh hưởng tới sở thích users Tuy nhiên không sử dụng thông tin này, trừ thông tin id để xác định user khác - u.genre: Chứa tên 19 thể loại phim Các thể loại bao gồm: unknown, Action, Adventure, Animation, Children's, Comedy, Crime, Documentary, Drama, Fantasy, Film-Noir, Horror, Musical, Mystery, Romance, Sci-Fi, Thriller, War, Western - u.item: thơng tin phim Trong dịng có id phim, tên phim, ngày phát hành, link imdb, số nhị phân 0, phía cuối để phim thuộc thể loại 19 thể loại cho u.genre Một phim thuộc nhiều thể loại khác Thông tin thể loại dùng để xây dựng item profiles b Content-based Recommender System Trong hệ thống content-based, tức dựa nội dung item, cần xây dựng hộ sơ (profile) cho item Profile biểu diễn dạng toán học feature vector Trong trường hợp đơn giản, feature vector trực tiếp trích xuất từ item Các bước thực hiện: - Đọc liệu items 113 - Xây dựng item profiles - Tìm mơ hình cho user Đọc liệu items: đọc liệu items từ file u.item, liệu train từ ua.base, liệu test từ ua.test Hình 6.4: Kết load liệu Content-based Xây dựng item profile: Vì dựa thể loại phim để xây dựng profile nên quan tâm tới 19 giá trị nhị phân cuối item Sau đó, xây dựng feature vector cho item dựa ma trận thể loại phim feature TF – IDF Hình 6.5: Ví dụ feature vector item Mỗi hàng tương ứng với feature vector phim Kết dự đốn: Dự đốn rating cho user có id 100, kết dự đốn là: Hình 6.6: Kết dự đốn theo Content – based Tính tốn RMSE cho tập liệu train liêu test, kết là: 114 Hình 6.7: RMSE Content – based c Neighborhood - based Recommendation System Neighborhood – based hai phương pháp phổ biển Collaborative Filtering Ý tưởng xác định mức độ quan tâm user tới item dựa users khác gần giống với user Việc gần giống users xác định thơng qua mức độ quan tâm users tới items khác mà hệ thống biết Ví dụ, A B thích phim Cơ bé lọ lem, tức rate phim Đồng thời biết A thích phim Hoa Mộc Lan, nhiều khả B thích phim Ở đây, hệ thống gợi ý Neighborhood – based Collaborative Filtering hai câu hỏi quan trọng là: - Làm xác định mức độ giống users? - Khi xác định users gần giống rồi, làm dự đoán mức độ quan tâm user lên item? Việc xác định mức độ quan tâm user tới item dựa mức độ quan tâm users tương tự tới item cịn gọi User – user Collaborative Filtering Có hướng tiếp cận khác Item – item Collaborative Filtering Trong hướng tiếp cận này, thay xác định giống users, hệ thống xác định giống item Từ đó, hệ thống gợi ý items gần giống với items mà user có mức độ quan tâm cao 115 Hình 6.8: Bảng số user u rate cho item i Giả sử có user từ u0 đến u6 item từ i0 đến i4, số vng thể số mà user rate cho item với giá trị cao thể mức độ quan tâm cao Các dấu hỏi chấm giá trị mà hệ thống cần phải tìm Đặt mức độ giống user ui, uj sim(ui, uj) Quan sát qua ta nhận thấy u0 , u1 thích i0, i1, i2 khơng thích i3 , i4 cho Điều ngược lại xảy user cịn lại Vì vậy, similarity function tốt cần đảm bảo: sim(u0, u1) > sim(u0, ui), ∀i > Từ đó, để xác định mức độ quan tâm u0 lên i2, nên dựa hành vi u1 lên sản phẩm Vì u1 thích i2 nên hệ thống cần gợi ý i2 cho u0 Câu hỏi đặt là: hàm số similarity tốt? Để đo similarity user, cách thường làm xây dựng feature vector cho user áp dụng hàm có khả đo similarity vector Chú ý việc feature vector khác với việc xây dựng item profile Content-based System Các vector xây dựng trực tiếp dựa utility matrix không dùng liệu ngồi item profile Với user, thơng tin mà biết rating mà user thực hiện, tức cột tương ứng user thường rate số lượng nhỏ item Cách khắc phục cách đó, ta giúp hệ thống điền giá trị cho việc điền không làm ảnh hưởng nhiều tới giống vector Việc điền phục vụ cho việc tính similarity khơng phải suy luận giá trị cuối Vậy dấu ‘?’ nên thay giá trị để hạn chế việc sai lệch nhiều? Một lựa chọn nghĩ tới thay dấu ‘?’ giá trị ‘0’ Điều khơng thực tốt giá trị ‘0’ tương ứng với mức độ quan tâm thấp Một giá trị an tồn 2.5 trung bình cộng 0, mức thấp nhất, 5, mức cao Tuy nhiên, giá trị có hạn chế user dễ tính khó tính Với user dễ tính, thích tương ứng với sao, khơng thích chút, chẳng hạn Việc chọn giá trị 2.5 khiến cho item lại negative user Điều ngược lại xảy với user khó tính cho cho item họ thích cho item họ khơng thích Để giải vấn đề này, ta chọn giá trị trung bình cộng rating mà user tương ứng thực Việc tránh việc user khó tính q dễ tính, tức lúc có item mà user thích so với item khác 116 Các bước thực hiện: - Xây dựng Utility Matrix ban đầu (Hình 6.9 a) - Chuẩn hóa Utility Matrix (Hình 6.9 b) - Xây dựng User Similarity Matrix (Hình 6.9 c) - Dự đốn rating (normalized) cịn thiếu (Hình 6.9 d) - Ví dụ cách dự đoán normalized rating u1 cho i1 - Dự đốn rating (denormalized) cịn thiếu (Hình 6.9 f) Hình 6.9: Mơ tả bước thực User – user Collaborative Filtering Xây dựng Utility Matrix ban đầu: Đọc liệu items từ file u.item, liệu train từ ub.base, liệu test từ ub.test Thứ tự cột dòng liệu user_id, item_id, rating Chuẩn hóa liệu: Hàng cuối Hình 4.10 a) giá trị trung bình rating cho user Giá trị cao tương ứng với user dễ tính ngược lại Khi tiếp tục trừ từ rating giá trị thay giá trị chưa biết 0, ta ma trận chuẩn hố Hình 4.10 b) Đây bước quan trọng vì: - Việc trừ trung bình cộng cột khiến cột có giá trị dương âm Những giá trị dương tương ứng với việc user thích item, giá trị âm tương ứng với việc user 117 khơng thích item Những giá trị tương ứng với việc chưa xác định liệu user có thích item hay khơng - Về mặt kỹ thuật, số chiều Utility Matrix lớn với hàng triệu users items, lưu toàn giá trị ma trận khả cao khơng đủ nhớ Quan sát thấy số lượng ratings biết trước thường số nhỏ so với kích thước Utility Matrix, tốt lưu ma trận dạng sparse matrix, tức lưu giá trị khác khơng vị trí chúng Vì vậy, tốt hết, dấu ‘?’ nên thay giá trị “0”, tức chưa xác định liệu user có thích item hay khơng Việc khơng tối ưu nhớ mà việc tính tốn Similarity Matrix sau hiệu Xây dựng User Similarity Matrix: Áp dụng phương pháp tính độ tương tự Cosine Similarity, tính độ tương tự user vector Hình 6.9 b) ta ma trận User similarity matrix S Hình 6.9 c) User similarity matrix S ma trận đối xứng cos hàm chẵn, user A giống user B điều ngược lại Các màu xanh đường chéo cos góc vector nó, tức cos(0) = Khi tính tốn bước sau, ta không cần quan tâm tới giá trị Tiếp tục quan sát vector hàng tương ứng với u0, u1, u2 ta thấy vài điều thú vị: - u0 gần với u1 u5 (độ giống dương) user lại Việc similarity cao u0 u1 dễ hiểu có xu hướng quan tâm tới i0, i1, i2 item lại Việc u0 gần với u5 đầu vơ lý u5 đánh giá thấp item mà u0 đánh giá cao; nhiên nhìn vào ma trận chuẩn hố hình b), ta thấy điều hợp lý.Vì item mà cung cấp thông tin i1 với giá trị tương ứng tích cực -u1 gần với u0 xa user lại -u2 gần với u3, u4, u5, u6 xa user cịn lại Dự đốn rating (normalized) cịn thiếu: Cơng thức phổ biến sử dụng để dự đoán rating u cho i là: 118 Trong đó: N(u,i) tập hợp k users neighborhood (có similarity cao nhất) u mà rated i Ví dụ: Tính normalize rating u1 cho i1 cho hình e) với số nearest neighbors k = Các bước thực sau: - Xác định user rate i1, u0, u3, u5 - Xác định similarity u1 user này, ta nhận 0.83, -0.40, -0.23 Hai (k = 2) giá trị lớn 0.83 -0.23 tương ứng với u0 u5 - Xác định normalized rating u0 u5 cho i1, ta thu giá trị 0.75 0.5 - Dự đoán kết quả: Dự đoán rating (denormalized) thiếu: Việc quy đổi giá trị ratings chuẩn hố thang thực cách cộng cột ma trận Hình 6.9 d) với giá trị rating trung bình user tính Hình 6.9 a) Kết dự đốn: Hình 6.10: Kết dự đốn theo Neighborhood – based Collaborative Filtering Tính tốn RMSE cho tập liệu train liêu test, kết là: 119 Hình 6.11: RMSE Neighborhood – based Collaborative Filtering 6.2 Đánh giá 6.2.1 So sánh kết Trên liệu MoviesLens100K, với liệu train từ file ua.base liệu test từ ua.test Bảng 6.1: So sánh kết RMSE 4.2.2 Nhận xét 120 Bảng 6.2: Nhận xét Content – based Neighborhood – based 6.3 Áp dụng vào BabyCare 6.3.1 Đề xuất sản phẩm Trong ứng dụng có thẻ Product, trang product người dùng gợi ý sản phẩm nhiều người bình chọn tích cực nhất, gợi ý áp dụng thuật toán Neighborhood-based Collaborative Filtering dựa vào số ratings user cho sản phẩm Khi người dùng nhấn vào thẻ ứng dụng gửi yêu cầu lấy sản phẩm nhiều người bình chọn tích cực hiển thị lên hình Hình 6.12: Màn hình gợi ý sản phẩm nhiều người bình chọn tích cực nhất 6.3.2 Sản phẩm tương tự 121 Ở trang product người dùng click vào sản phẩm muốn, sau click, ứng dụng hiển thị trang bao gồm sản phẩm vừa chọn sản phẩm khác loại, có tiêu chí địa cửa hàng, tên sản phẩm, loại sản phẩm,… Gợi ý áp dụng Content-based Filtering để tính tốn độ tương đồng sản phẩm mà người dùng xem so với sản phẩm khác hệ thống Sau nhận danh sách top sản phẩm có độ tương đồng cao nhất, hệ thống trả danh sách sản phẩm hiển thị mục “Because you love children’s car” Hình 6.13: Màn hình gợi ý sản phẩm tương tự 122 Chương KẾT LUẬN, HƯỚNG PHÁT TRIỂN 7.1 Kết thu ● Bước đầu vận dụng thành công Flutter vào phát triển đồ án môn học ● Sử dụng Firebase làm sở liệu ● Xác định rõ bậc bố mẹ hay người chăm sóc trẻ đối tượng chủ yếu ứng dụng phần mềm ● Những bước nhóm lên ý tưởng lập kế hoạch cho design pattern cách chi tiết từ phát triển phần mềm theo hướng UI/UX đẹp mắt ● Nhóm hồn gần hồn chỉnh phần giao diện người dùng nhỏ back-end nhờ vào hướng dẫn thầy ● Người dùng sử dụng chức chăm sóc trẻ nhỏ hiệu ● App cung cấp tip kiến thức chăm sóc trẻ nhỏ Người dùng hỏi Tip thông qua chatbot cách dễ dàng ● Ứng dụng thuật toán Recommend content-base get-weighted-rating vào recommend sản phẩm cho người dùng người dùng mua hàng 7.2 Khó khăn ● Việc thực chức phía back-end khó để thiết lập kết nối với frontend ● Bố cục code thiếu kinh nghiệm xếp quản lý ● Khó khăn việc tìm hiểu firebase để kết nối sở liệu ● Quá trình hoạt động ứng dụng chưa mượt mà, sở liệu gửi từ server lên chậm server server miễn phí ● Các Tip hướng dẫn người dùng chăm sóc trẻ cịn ít, sản phẩm chưa đầy đủ 123 7.3 Phương hướng phát triển ● Hoàn thiện sở liệu chức back-end ● Cải thiện tốc độ xử lý, hướng tới trải nghiệm mượt mà ● Thêm tính gợi ý dinh dưỡng cụ thể loại thức ăn ● Thêm chức gợi ý địa điểm tiêm phòng kèm với dẫn đường đến địa điểm ● Vận dụng công nghệ để mang lại nhiều chức thiết thực hữu ích 124 TÀI LIỆU THAM KHẢO [1] Dart language developers “Dart documentation” https://dart.dev/guides Accessed June 1, 2021 [2] Flutter Samples “Dart 2018 Reprint, Flutter, 2022” https://github.com/flutter/samples/ Accessed June 2, 2021 [3] Flutter framework developers “Flutter documentation” https://docs.flutter.dev/ Accessed June 2, 2021 [4] Many sponsors “Stack Overflow - Where Developers Learn, Share, & Build Careers.” https://stackoverflow.com/ Accessed June 16, 2021 [5] Google developers & sponsors “YouTube – Online video sharing & social media platform” https://www.youtube.com/ Accessed June 30, 2021 [6] Google developers “Firebase documentation.” https://firebase.google.com/docs Accessed August 12, 2021 [7] Vũ Hữu Tiệp (May 24, 2017) “Neighborhood-Based Collaborative Filtering” https://machinelearningcoban.com/2017/05/24/collaborativefiltering/ Accessed January 12, 2022 [8] Vũ Hữu Tiệp (May 17, 2017) “Content-Based Collaborative Filtering” https://machinelearningcoban.com/2017/05/17/contentbasedrecommendersys/ Accessed January 12, 2022 125 ... CƠNG NGHỆ VIỆT NAM THÔNG TIN Độc Lập - Tự Do - Hạnh Phúc TP HCM, ngày tháng năm 2022 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên Khóa luận Tốt nghiệp: Ứng dụng di động bán hàng nội thất. .. web ● Khả di động cao: Dart biên dịch thành mã ARM x86, để ứng dụng di động Dart chạy tự nhiên iOS, Android Đối với ứng dụng web, chuyển mã từ Dart sang JavaScript ● Dễ tiếp cận: Dart quen thuộc... trạng, tồn động trạng cách giải vấn đề ứng dụng với trạng ● Chương 3: Giới thiệu cơng nghệ, thuật tốn,… mà nhóm sử dụng để xây dựng ứng dụng, công cụ để tạo ứng dụng Firebase, Flutter, Dart, ●