Đồ án phát hiện người xấu trong ứng dụng hẹn hò

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM BÁO CÁO ĐỒ ÁN PHÁT HIỆN NGƯỜI XẤU TRONG ỨNG DỤNG HẸN HÒ GVHD: HUỲNH HỒ THỊ MỘNG TRINH Sinh viên thực hiện: Lê Hoàng Phúc – 19520222 Trương Cơng Hưng – 19521588 TP.Hồ Chí Minh, tháng năm 2022 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM BÁO CÁO ĐỒ ÁN PHÁT HIỆN NGƯỜI XẤU TRONG ỨNG DỤNG HẸN HÒ GVHD: HUỲNH HỒ THỊ MỘNG TRINH Sinh viên thực hiện: Lê Hoàng Phúc – 19520222 Trương Cơng Hưng – 19521588 TP.Hồ Chí Minh, tháng năm 2022 NHẬN XÉT CỦA GIÁO VIÊN MỤC LỤC MỤC LỤC DANH MỤC HÌNH ẢNH DANH MỤC BẢNG BIỂU LỜI CẢM ƠN CHƯƠNG I TỔNG QUAN Lý chọn đề tài Mục tiêu Phạm vi CHƯƠNG II CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN CÔNG NGHỆ Machine Learning 1.1 Machine Learning gì? 1.2 Machine Learning Workflow 1.3 Phân nhóm dựa phương thức học Tensorflow 2.1 Tensorflow gì? 2.2 Kiến trúc Tensorflow 2.3 Cách hoạt động Tensorflow 10 2.4 Tensorflow Lite 10 Flutter 11 3.1 Flutter gì? 11 3.2 Tại nên sử dụng Flutter? 11 3.3 Đặc điểm bật 12 Firebase 12 4.1 Firebase gì? 12 4.2 Những tính Firebase 13 CHƯƠNG III PHÂN TÍCH THIẾT KẾ VÀ XÂY DỰNG CHỨC NĂNG 15 Yêu cầu 15 Xây dựng chức 15 2.1 Thu thập liệu 15 2.2 Khám phá liệu 15 2.3 Chọn mơ hình 17 2.4 Xây dựng, đào tạo đánh giá mơ hình 19 2.5 Triển khai mô hình 26 CHƯƠNG TỔNG KẾT 30 Kết 30 Hạn chế 30 BẢNG PHÂN CÔNG CÔNG VIỆC 31 TÀI LIỆU THAM KHẢO 32 DANH MỤC HÌNH ẢNH Hình Lưu đồ lựa chọn thuật tốn 18 Hình Xếp chồng tuyến tình lớp 20 Hình Lớp cuối 21 Hình Minh họa việc nhắn tin 27 Hình Minh họa việc phân tích 27 DANH MỤC BẢNG BIỂU Bảng Các thông số học tập 23 Bảng Các siêu tham số học tập 24 LỜI CẢM ƠN Trước tiên với tình cảm sâu sắc chân thành nhất, cho phép chúng em bày tỏ lịng biết ơn đến Huỳnh Hồ Thị Mộng Trinh – giáo viên hướng dẫn môn Đồ án tận tình giúp đỡ, trực tiếp bảo, hướng dẫn nhóm suốt q trình làm đồ án môn học Cô truyền đạt vốn kiến thức quý báu lời hướng dẫn, dạy bảo tụi em hồn thành đồ án Bước đầu vào thực tế chúng em hạn chế cịn nhiều bỡ ngỡ nên khơng tránh khỏi thiếu sót, nhóm mong nhận ý kiến đóng góp q báu để kiến thức nhóm lĩnh vực hồn thiện đồng thời có điều kiện bổ sung, nâng cao ý thức Lời cuối, nhóm xin kính chúc thật dồi sức khỏe, niềm tin để tiếp tục thực sứ mệnh cao đẹp truyền đạt kiến thức cho bạn sinh viên Thủ Đức, ngày 16 tháng năm 2022 Sinh viên Lê Hoàng Phúc Trương Công Hưng CHƯƠNG I TỔNG QUAN Lý chọn đề tài Xã hội ngày phát triển, với tính chất cơng việc sống ngày bận rộn Chính điều vơ tình khiến cho im lặng, thụ động giao tiếp hay khơng có thời gian để ngồi chơi, tìm kiếm mối quan hệ Từ khiến cho mối quan hệ ngày thu hẹp Nắm bắt tình hình với việc điện thoại, mạng xã hội internet phát triển mạnh mẽ nhóm chúng em lên ý tưởng tạo ứng dụng hẹn hò online thực mơn học Đồ án Nhưng sau đó, dựa tìm hiểu nhóm, đa số người dùng ngại sử dụng ứng dụng hẹn hị sợ gặp người xấu, lừa đảo, Do đa phần mang tâm lý chung không sử dụng sử dụng cho vui, viết thời gian, không thực muốn tìm người u qua ứng dụng hẹn hị Nắm bắt tình hình đó, nhóm chúng em định xây dựng tính phát người dùng xấu ứng dụng hẹn hị để người dùng an tâm sử dụng giúp người tìm nửa yêu thương phù hợp với Mục tiêu Sau tìm hiểu lên ý tưởng, nhóm chúng em đề xuất tính phát người dùng xấu qua dòng tin nhắn Hệ thống phân tích sau đưa đánh giá người dùng, dựa vào giới thiệu đến người người bạn phù hợp Hơn hết mục đích đảm bảo uy tính ứng dụng, giúp người dùng an tâm sử dụng, lo sợ gặp người xấu, lừa đảo… Phạm vi • Phạm vi kiến thức: giới hạn mơn Đồ án • Phạm vi thiết bị: sử dụng thiết bị di động android ios • Phạm vi ngơn ngữ: tiếng Việt • Phạm vi người dùng: dành cho người dùng ứng dụng iLove (ứng dụng thực môn học Đồ án 1) CHƯƠNG II CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN CÔNG NGHỆ Machine Learning 1.1 Machine Learning gì? Machine Learning thuật ngữ rộng để hành động bạn dạy máy tính cải thiện nhiệm vụ mà thực Cụ thể hơn, machine learning đề cập tới hệ thống mà hiệu suất máy tính thực nhiệm vụ trở nên tốt sau hồn thành nhiệm vụ nhiều lần Nói cách khác, khả machine learning sử dụng thuật tốn để phân tích thơng tin có sẵn, học hỏi từ đưa định dự đốn thứ có liên quan Thay tạo phần mềm với hành động, hướng dẫn chi tiết để thực nhiệm vụ cụ thể, máy tính “huấn luyện” cách sử dụng lượng liệu thuật toán để học cách thực nhiệm vụ 1.2 Machine Learning Workflow Cụ thể bước machine learning workflow sau sau: • Data collection – thu thập liệu: để máy tính học bạn cần có liệu (dataset), bạn tự thu thập chúng lấy liệu cơng bố trước Lưu ý bạn phải thu thập từ nguồn thống, có liệu xác máy học cách đắng đạt hiệu cao • Preprocessing – tiền xử lý: bước dùng để chuẩn hóa liệu, loại bỏ thuộc tính khơng cần thiết, gán nhãn liệu, mã hóa số đặc trưng, trích xuất đặc trưng, rút gọn liệu đảm bảo kết quả… Bước tốn thời gian tỉ lệ thuận với số lượng liệu bạn có Bước thường chiếm 70% tổng thời gian thực • Training model – huấn luyện mơ hình: bước bước bạn huấn luyện cho mơ hình cho học liệu bạn thu thập xử lý hai bước đầu • Evaluating model – đánh giá mơ hình: sau huấn luyện mơ hình xong, cần dùng độ đo để đánh giá mơ hình, tùy vào độ đo khác mà mơ hình def load_imdb_sentiment_analysis_dataset(data_path, seed=123): imdb_data_path = os.path.join(data_path, 'aclImdb') # Load the training data train_texts = [] train_labels = [] for category in ['pos', 'neg']: train_path = os.path.join(imdb_data_path, 'train', category) for fname in sorted(os.listdir(train_path)): if fname.endswith('.txt'): with open(os.path.join(train_path, fname)) as f: train_texts.append(f.read()) train_labels.append(0 if category == 'neg' else 1) # Load the validation data test_texts = [] test_labels = [] for category in ['pos', 'neg']: test_path = os.path.join(imdb_data_path, 'test', category) for fname in sorted(os.listdir(test_path)): if fname.endswith('.txt'): with open(os.path.join(test_path, fname)) as f: test_texts.append(f.read()) test_labels.append(0 if category == 'neg' else 1) # Shuffle the training data and labels random.seed(seed) random.shuffle(train_texts) random.seed(seed) random.shuffle(train_labels) 16 return ((train_texts, np.array(train_labels)), (test_texts, np.array(test_labels))) Sau tải liệu, chọn vài mẫu kiểm tra thủ công xem chúng có phù hợp với mong đợi khơng Ví dụ: in vài mẫu ngẫu nhiên để xem nhãn cảm xúc có tương ứng với cảm xúc đánh giá hay không Sau xác minh liệu, thu thập số quan trọng sau giúp mơ tả vấn đề phân loại từ ngữ: • Số lượng mẫu: tổng số ví dụ có liệu • Số lớp: tổng số chủ đề danh mục liệu • Số lượng mẫu lớp (chủ đề/danh mục): tập liệu cân bằng, tất lớp có số lượng mẫu giống Trong tập liệu không cân bằng, số lượng mẫu lớp khác • Số từ mẫu: số từ trung bình mẫu • Phân phối tần suất từ: phân phối hiển thị tần suất (số lần xuất hiện) từ tập liệu • Phân phối độ dài mẫu: phân phối hiển thị số lượng từ mẫu tập liệu 2.3 Chọn mơ hình Sau tập hợp tập liệu hiểu rõ đặc điểm liệu, tiếp theo, điều cần làm suy nghĩ xem nên sử dụng mơ hình phân loại nào? Đối với tập liệu định, mục tiêu tìm thuật tốn đạt độ xác gần với độ xác tối đa giảm thiểu thời gian tính tốn cần thiết để đào tạo Chúng em tham khảo thuật toán lựa chọn mơ hình lưu đồ đây: 17 Hình Lưu đồ lựa chọn thuật toán 18 Trong sơ đồ bên trên, hộp màu vàng biểu thị liệu q trình chuẩn bị mơ hình Hộp màu xám hộp màu xanh cho biết lựa chọn mà tác giả cân nhắc cho quy trình Các hộp màu xanh cho biết lựa chọn đề xuất tác giả cho quy trình Từ thí nghiệm thuật tốn trên, cho thấy tỷ lệ “số lượng mẫu” (S) với “số từ mẫu” (W) liên quan với mơ hình hoạt động tốt Khi giá trị cho tỷ lệ nhỏ (