(Đồ án hcmute) tìm hiểu hệ thống gợi ý xã hội (social recommender systems)

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠNG NGHỆ THƠNG TIN TÌM HIỂU HỆ THỐNG GỢI Ý XÃ HỘI (Social Recommender Systems) GVHD: ThS QCH ĐÌNH HỒNG SVTH: PHẠM CƠNG HẬU TRẦN NGƠ BẢO SKL009944 Tp Hồ Chí Minh, tháng 6/2018 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO ĐỒ ÁN TỐT NGHIỆP TÌM HIỂU HỆ THỐNG GỢI Ý XÃ HỘI (Social Recommender Systems) SVTH : Khố : PHẠM CƠNG HẬU 14110287 TRẦN NGƠ BẢO 14110378 2014 Ngành : CÔNG NGHỆ THÔNG TIN GVHD: Th.S QUÁCH ĐÌNH HOÀNG Tp Hồ Chí Minh, ngày 15 tháng 06 năm 2018 Khoa ĐT CLC – ĐH SPKT CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** Tp Hồ Chí Minh, ngày 15 tháng 06 năm 2018 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Trần Ngô Bảo Phạm Công Hậu MSSV: 14110378 14110387 Ngành: Công nghệ thông tin Giảng viên hướng dẫn: Qch Đình Hồng Ngày nhận đề tài: 20/2/2018 Lớp: 14110CL2 ĐT: 01678568929 Ngày nộp đề tài: 20/06/2018 Tên đề tài: Tìm hiểu hệ thống gợi ý xã hội (Social Recommender Systems) Các số liệu, tài liệu ban đầu: A-Social Formalism-and-Survey-for Recommender Systems-SIGKDD Explorations A-survey-of-collaborative-filtering-based-social recommender-systems-Yang 2014 Recommender-Systems-Handbook-2ndSocial-Recommendation-A-Review Edition-Chapter-15-Social-RecommenderSystems-2015 Nội dung thực đề tài: Tìm hiểu hệ thống gợi ý xã hội thực nghiệm số phương pháp Sản phẩm: Bải báo cáo hệ thống gợi ý xã hội kết thực nghiệm TRƯỞNG NGÀNH GIẢNG VIÊN HƯỚNG DẪN i Khoa ĐT CLC – ĐH SPKT CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh Phúc ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ tên sinh viên: Trần Ngô Bảo Phạm Công Hậu MSSV: 14110378 14110387 Ngành: Công nghệ thông tin Tên đề tài: Tìm hiểu hệ thống gợi ý xã hội (Social Recommender Systems) Họ tên Giáo viên hướng dẫn: Qch Đình Hồng NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? ii Khoa ĐT CLC – ĐH SPKT Đánh giá loại: Điểm:……………….(Bằng chữ: .) Tp Hồ Chí Minh, ngày 20 tháng 06 năm 2018 Giáo viên hướng dẫn (Ký & ghi rõ họ tên) iii Khoa ĐT CLC – ĐH SPKT CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh Phúc ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ tên sinh viên: Trần Ngô Bảo Phạm Công Hậu MSSV: 14110378 14110387 Ngành: Công nghệ thông tin Tên đề tài: Tìm hiểu hệ thống gợi ý xã hội (Social Recommender Systems) Họ tên Giáo viên phản biện: Nguyễn Thành Sơn NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? iv Khoa ĐT CLC – ĐH SPKT Đánh giá loại: Điểm:……………….(Bằng chữ: .) Tp Hồ Chí Minh, ngày tháng 06 năm 2018 Giáo viên phản biện (Ký & ghi rõ họ tên) v Khoa ĐT CLC – ĐH SPKT LỜI CẢM ƠN Trong suốt thời gian học tập, nghiên cứu trường Đại Học Sư Phạm Kỹ Thuật TP HCM, nhóm chúng em nhận sự quan tâm giúp đỡ nhiệt tình Ban Giám Hiệu nhà trường, Quý Thầy/Cô, với sự nhiệt tình giúp đỡ bạn bè gia đình Đến nay, nhóm chúng em hồn thành Luận văn tốt nghiệp mình, với lịng biết ơn sâu sắc nhóm chúng em xin chân thành cảm ơn đến: Gia đình âm thầm giúp đỡ, làm chỗ dựa tinh thần để nhóm yên tâm thực đồ án Bạn bè lời khuyên bổ ích hỗ trợ kịp thời Và đặc biệt, lời hướng dẫn, dạy bảo thầy Quách Đình Hồng nhóm em nghĩ tiểu luận chun ngành khó hồn thiện Nhóm em xin chân thành cảm ơn thầy Sau cùng, nhóm chúng em kính chúc Q Thầy/Cơ dồi sức khỏe Kính chúc Quý nhà trường đạt nhiều thành công công tác giáo dục Khoa ĐT CLC – ĐH SPKT vi TĨM TẮT Đầu tiên đề tài trình bày tổng quát hệ thống gợi ý (recommender systems), thành phần hệ thống, phương pháp thuật toán sử dụng để đưa gợi ý, ứng dụng hệ thống thực tế Tiếp đến, chúng tơi trình bày tổng qt hệ thống gợi ý xã hội (social recommender systems), định nghĩa, phương pháp sử dụng, giới thiệu phương pháp lọc dựa vào đồ thị hai phía lọc cộng tác dựa mạng xã hội Sau cùng, thực nghiệm, đánh giá phương pháp rút kết luận, hướng phát triển hệ thống gợi ý xã hội Khoa ĐT CLC – ĐH SPKT vii MỤC LỤC Trang phụ bìa TRANG NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP i PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN ii PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN iv LỜI CẢM ƠN vi TÓM TẮT vii MỤC LỤC viii DANH MỤC CÁC TỪ VIẾT TẮC xi DANH MỤC BẢNG BIỂU xii DANH MỤC CÁC BIỂU ĐỒ VÀ HÌNH ẢNH xiii Chương 1: TỔNG QUAN 1.1 Giới thiệu đề tài 1.2 Mục tiêu đề tài 1.3 Phạm vi đề tài 1.4 Các phương pháp nghiên cứu Chương 2: HỆ THỐNG GỢI Ý (RECOMMENDER SYSTEMS) 2.1 Giới thiệu hệ thống gợi ý 2.1.1 Khái quát 2.1.2 Vấn đề đặt 2.1.3 Các lợi ích việc sử dụng hệ thống gợi ý 2.2 Thành phần hệ thống 2.2.1 Các thành phần hệ thống 2.2.2 Bài toán ma trận 2.2.3 Ví dụ cụ thể 2.2.4 Kết luận 2.3 Phương pháp sử dụng hệ thống gợi ý 2.2.1 Có hai cách tiếp cận 2.2.2 Nhận xét 10 2.2.3 Các cách tiếp cận khác 12 Các thuật toán sử dụng lọc cộng tác (CollaborativeFiltering) 13 2.4.1 Phương pháp dựa mơ hình (Model-based methods) 14 2.4.2 Phương pháp dựa nhớ (Memory based) 14 Khoa ĐT CLC – ĐH SPKT viii Output trình chạy thử nghiệm với phương pháp RSTE dataset Opinions với giá trị 𝛼 = 0.6 57 Khoa ĐT CLC – ĐH SPKT TP.HCM Kết dự đoán dựa vào phương pháp RSTE dataset Opinions với 𝛼 = 0.6 58 Khoa ĐT CLC – ĐH SPKT TP.HCM 4.7 Đánh giá Dựa vào kết đạt trình thực nghiệm chạy phương pháp PMF, SoRec RSTE ta thấy rằng hiệu suất phương pháp RSTE tốt Nhìn chung, phương pháp gợi ý dựa vào mạng xã hội SoRec RSTE tốt hẳn so với phương pháp lại PMF Tuy nhiên, mặt thời gian PMF lại vượt trội hẳn so với phương pháp lại Lý đơn giản, phương pháp cịn lại phải tính thêm giá trị khác đặc tính ẩn (latent feature) PMF phân rã ma trận (matrix factorization) Nhìn chung, phương pháp RSTE tốt mặt lí thuyết, điều có nghĩa là, phương pháp tiếp cận với thực tế hợp lí Đây hướng phát triển tốt tương lai 59 Khoa ĐT CLC – ĐH SPKT TP.HCM Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Lợi ích và thách thức hệ thống gợi ý xã hội Hệ thống gợi ý xã hội có khả giải số vấn đề khó khăn hệ thống giới thiệu truyền thống vấn đề liệu thưa thớt vấn đề người dùng – sản phẩm (cold-start problem) Vấn đề liên quan đến đề xuất cho người dùng mục Trong trường hợp người dùng mới, hệ thống khơng có thơng tin tùy chọn họ để đưa đề xuất Gợi ý xã hội nghiên cứu nhiều năm, có nhiều hệ thống thành công đề xuất sử dụng rộng rãi Mặt khác, có nhiều báo cáo đề cập khó khăn việc áp dụng hệ thống giới thiệu xã hội Trong báo cáo này, chúng tơi trình bày số vấn đề quan trọng từ hai vấn đề lợi ích thách thức việc áp dụng hệ thống giới thiệu xã hội để tìm hiểu sâu phát triển gợi ý xã hội 5.1.1 Về lợi ích Trong giới vật chất, người dùng thường tìm kiếm lời khuyên từ bạn bè họ; chúng tơi có quan sát tương tự giới trực tuyến Ví dụ: 66% số người trang web xã hội yêu cầu bạn bè người theo dõi giúp họ đưa định 88% liên kết người bạn nhấp vào 14-24 tuổi gửi cho họ 78% người tiêu dùng tin tưởng đề xuất ngang hàng quảng cáo Google Trực giác đề xuất xã hội có ý nghĩa lý người cho rằng đề xuất xã hội cải thiện hiệu suất đề xuất Đã có nhiều hệ thống đề xuất xã hội thành công đề xuất năm gần học viện xem xét phần trên, chúng tơi tóm tắt số điểm chính từ kinh nghiệm thành công Đầu tiên, người dùng trực tuyến vốn có tương quan Họ đưa định độc lập thường tìm lời khuyên từ bạn bè trước đưa định mua hàng Sở thích người dùng có nhiều khả tương tự tùy chọn mạng xã hội người dùng so với sở thích người dùng chọn ngẫu nhiên Hiện tượng quan sát rộng rãi nhiều mạng xã hội trực tuyến quan hệ sau Twitter mối quan hệ tin cậy Epinions Hiện tượng giải thích lý thuyết xã hội đánh giá cao homophily xã hội in uence, hỗ trợ tiện ích khuyến nghị xã hội Hơn nữa, có ít sự chồng chéo mạng xã hội người dùng người dùng tương tự cô Người dùng kết nối cung cấp thông tin khác từ người dùng tương tự cho đề xuất, khai thác để cải thiện chất lượng đề xuất Thứ hai, để tạo khuyến nghị có chất lượng tốt, hệ thống giới thiệu truyền thống cần đủ xếp hạng lịch sử từ người dùng Vì ma trận xếp 60 Khoa ĐT CLC – ĐH SPKT TP.HCM hạng thường thưa thớt hầu hết người dùng xếp hạng ít số hàng triệu mục, hai người dùng khơng có đủ số mục xếp hạng chung theo yêu cầu số tương tự người dùng để tính toán sự giống Do đó, hệ thống buộc phải chọn người hàng xóm phần nhỏ người dùng so sánh bỏ lỡ người dùng khơng tương đương so sánh khác Hầu hết hệ thống tạo đề xuất chính xác cho người dùng có ít khơng có xếp hạng Khuyến nghị xã hội đưa khuyến nghị miễn người dùng kết nối với thành phần đủ lớn mạng xã hội, khuyến nghị xã hội giảm đáng kể người dùng bắt đầu lạnh Ví dụ, hệ thống giới thiệu truyền thống hoàn toàn thất bại cho người dùng mới, nhiên, bằng cách cân nhắc xếp hạng người dùng đáng tin cậy, đề xuất xã hội đạt lỗi nhỏ đưa đề xuất cho gần 17% người dùng Cuối cùng, tập liệu thưa thớt có chứa phần lớn người dùng bắt đầu lạnh mục đánh giá người dùng, mức độ phù hợp trở thành vấn đề quan trọng nhiều xếp hạng trở nên khó dự đoán Mức độ phù hợp đề cập đến phần nhỏ xếp hạng mà sau bị ẩn, hệ thống giới thiệu tạo xếp hạng dự đốn Bằng cách truyền bá niềm tin, tiếp cận nhiều người dùng hơn; đó, để tính tốn điểm tin cậy dự đốn số để tính chúng hàng xóm, đề xuất xã hội cải thiện phạm vi đề xuất đặc biệt cho mục Ví dụ, trong, hệ thống giới thiệu truyền thống áp dụng cho địa điểm mới; nhiên, khuyến nghị xã hội đạt độ chính xác đề xuất 20% cho vị trí khai thác mối quan hệ xã hội Tóm lại, điều quan trọng từ kinh nghiệm thành công là: (1) thông tin xã hội chứa thông tin bổ sung kết từ phân tích mạng xã hội cung cấp hỗ trợ kỹ thuật cần thiết cho khuyến nghị xã hội (2) Ý kiến thị hiếu người dùng phổ biến thông qua mạng xã hội, điều làm giảm kích thước người dùng bắt đầu lạnh (3) Gợi ý xã hội cải thiện đáng kể phạm vi đề xuất 61 Khoa ĐT CLC – ĐH SPKT TP.HCM 5.1.2 Về thách thức Do giá trị tiềm thông tin xã hội hệ thống giới thiệu, khuyến nghị xã hội theo đuổi mạnh mẽ tất ngành Tuy nhiên, báo cáo gần cho thấy rằng ý tưởng khởi động gợi ý xã hội thất bại Báo cáo Black Friday IBM cho biết Twitter phân phối 0% số tiền giới thiệu Facebook gửi 0,68% Ngay học viện, nỗ lực không thành công hệ thống giới thiệu xã hội báo cáo Trong báo cáo này, chúng tơi tóm tắt số điểm từ kinh nghiệm tiêu cực việc áp dụng hệ thống giới thiệu xã hội Đầu tiên, chi phí thấp sự hình thành kết nối cho phép người ta có số lượng bạn bè vơ hạn giới trực tuyến Ví dụ: người dùng Facebook có 130 người bạn trung bình người dùng Twitter trung bình có 126 người theo dõi Nghiên cứu Robin Dunbar rằng 100 đến 150 kích thước nhóm tự nhiên gần đúng, người thực sự biết tâm trí khơng thiết kế phép có nhiều số người hạn chế giới xã hội Các đầu tư tình cảm tâm lý mà mối quan hệ gần gũi đòi hỏi đáng kể, vốn cảm xúc mà chúng tơi có sẵn có giới hạn Vì mạng xã hội bao gồm người bạn có giá trị, bạn bè bình thường bạn bè sự kiện, người dùng không thiết phải có mối quan hệ tương tự xã hội lẫn với kết nối hữu ích tiếng ồn đưa thơng tin tiêu cực vào hệ thống giới thiệu Ví dụ, hệ thống giới thiệu xã hội đơn giản sử dụng tất mối quan hệ có sẵn thực tồi tệ hệ thống giới thiệu truyền thống Thứ hai, quan hệ xã hội có sẵn cực kỳ thưa thớt phân phối số lượng quan hệ xã hội theo phân phối quyền lực theo luật, cho thấy rằng số người dùng định nhiều mối quan hệ xã hội tỷ lệ lớn người dùng định vài mối quan hệ Người dùng có nhiều mối quan hệ xã hội có khả người dùng hoạt động họ có khả có nhiều xếp hạng, người dùng có xếp hạng có ít kết nối Đối với người dùng có đủ xếp hạng, hệ thống giới thiệu truyền thống hoạt động tốt, người dùng có xếp hạng hơn, họ có ít quan hệ xã hội hệ thống giới thiệu xã hội khơng thể giúp ích nhiều Ví dụ, hệ thống giới thiệu xã hội đạt chút chí khơng có cải tiến so với hệ thống giới thiệu truyền thống Cuối cùng, hầu hết hệ thống giới thiệu xã hội thành công sử dụng mối quan hệ tin cậy đề xuất mục cho người dùng từ người dùng đáng tin cậy Niềm tin đóng vai trò trung tâm việc trao đổi mối quan hệ liên quan đến rủi ro không xác định, cung cấp 62 Khoa ĐT CLC – ĐH SPKT TP.HCM thông tin người mà nên chia sẻ thông tin người mà nên chấp nhận thơng tin Vai trị sự tin tưởng đặc biệt quan trọng số cộng đồng trực tuyến trang web thương mại điện tử trang đánh giá sản phẩm, mơ tả "phía tây hoang dã hoang dã" kỷ 21 Những hệ thống giới thiệu xã hội thành công cho rằng quan hệ tin cậy hình thành người dùng có ý kiến tương tự với sản phẩm tương tự Với giả định này, người dùng có khả tìm kiếm khuyến nghị từ người bạn đáng tin cậy họ hệ thống giới thiệu xã hội có khả thành cơng Tuy nhiên, sự tin tưởng khái niệm phức tạp có sự giải thích rõ ràng bối cảnh khác Người dùng bối cảnh trang web đánh giá sản phẩm Epinions tin tưởng người dùng cô đồng ý với ý kiến họ sản phẩm, người dùng ngữ cảnh mạng P2P tin tưởng người khác độ tin cậy họ Việc giải thích tin cậy rõ ràng dẫn đến giải pháp khác cho khuyến nghị xã hội, điều gợi ý rằng cần có nhiều cách tiếp cận sắc thái để khai thác mối quan hệ tin cậy để khuyến nghị Quan hệ tin cậy không thiết tương đương với loại quan hệ xã hội khác Ví dụ: theo dõi người dùng Twitter sự tin tưởng người dùng người dùng Sự thành công việc khai thác mối quan hệ tin cậy khuyến nghị khơng áp dụng cho mối quan hệ khác, loại quan hệ xã hội khác có tác động lớn hệ thống giới thiệu xã hội Tóm lại, điều quan trọng từ kinh nghiệm tiêu cực việc áp dụng hệ thống giới thiệu xã hội bao gồm: (1) Quan hệ xã hội ồn có tác động tiêu cực đến hệ thống giới thiệu (2) Người dùng bắt đầu lạnh có khả có ít khơng có quan hệ xã hội yếu tố quan trọng hệ thống giới thiệu xã hội để cải thiện hiệu suất đề xuất cho người dùng (3) Các loại quan hệ xã hội khác có hiệu khác hệ thống giới thiệu xã hội, kinh nghiệm thành cơng khai thác quan hệ tin cậy không áp dụng cho loại quan hệ khác 63 Khoa ĐT CLC – ĐH SPKT TP.HCM Hướng phát triển Trong phần này, chúng tơi nói số hướng nghiên cứu có khả cải thiện hệ thống gợi ý xã hội tốt đưa khuyến cáo xã hội áp dụng cho nhiều ứng dụng rộng rãi 5.2 5.2.1 Tính khơng đồng mạng xã hội Hầu hết hệ thống gợi ý xã hội xử lý kết nối người dùng cách đồng Tuy nhiên, kết nối mạng xã hội trực tuyến chất không đồng hỗn hợp loại quan hệ Hình sau minh họa ví dụ quan hệ xã hội u1 với {u2, u3, , u9} Người sử dụng u1 đối xử với mối quan hệ xã hội qua nhiều lĩnh vực khác Ví dụ: u1 tìm kiếm đề xuất "Thể thao" từ {u2, u3}, yêu cầu đề xuất "Điện tử" từ {u4, u5} Các tác giả nhận thấy rằng người đặt niềm tin cách rõ ràng cho người dùng miền khác Ví dụ, ui tin tưởng uj "Thể thao" khơng tin tưởng uj "Điện tử" tất Đối với sưu tập khác nhau, khai thác loại quan hệ xã hội khác có khả tạo hệ thống tư vấn xã hội 5.2.2 Các kết nối phụ thuộc yếu Hầu hết hệ thống tư vấn viên xã hội dựa mơ hình sử dụng kết nối phụ thuộc mạnh mẽ người dùng, tức kết nối trực tiếp, đánh giá thấp sự đa dạng ý kiến sở thích người dùng Nếu người dùng giới vật lý có kết nối phụ thuộc mạnh mẽ sống nhàm chán kết nối phụ thuộc mạnh mẽ cho thấy điểm tương đồng mạnh mẽ Trên thực tế, người dùng thiết lập kết nối phụ thuộc yếu với người khác mạng xã hội họ không kết nối trực tiếp Các kết nối phụ thuộc yếu cung cấp thông tin bối cảnh quan trọng sở thích người sử dụng chứng minh có ích việc tìm việc, nghiên cứu ý tưởng, chuyển giao kiến thức học tập liên quan sự giới thiệu 64 Khoa ĐT CLC – ĐH SPKT TP.HCM Hình 1: Mối liên kết người dùng Việc xác định kết nối phụ thuộc yếu để đề xuất hướng thú vị để nghiên cứu Một cách để xác định kết nối phụ thuộc yếu khai thác vị trí địa lý người dùng Ví dụ: thông báo rằng người dùng gần địa điểm có khả chia sẻ sở thích tương tự người dùng gần với địa điểm có khả truy cập vị trí tương tự Một cách khác phát nhóm mạng xã hội Người dùng kết nối mạng xã hội trực tuyến tạo thành nhóm nơi có nhiều kết nối người dùng nhóm so với nhóm nhóm Ví dụ, hình trên, {u1, u2, u3, u10, u11, u12} tạo thành nhóm {u1, u3, u5, u13, u14, u15} tạo thành nhóm khác Theo lý thuyết tương quan xã hội, người dùng tương tự tương tác với tỷ lệ cao người không giống nhau; đó, người dùng nhóm có khả chia sẻ sở thích tương tự, thiết lập kết nối phụ thuộc yếu họ không kết nối trực tiếp 5.2.3 Phân đoạn người dùng Trong hệ thống gợi ý truyền thống, người dùng cụ thể, xếp hạng người dùng tương tự để tổng hợp để dự đoán xếp hạng bị thiếu Khi tham gia vào thông tin xã hội, việc tương tự, người dùng 65 Khoa ĐT CLC – ĐH SPKT TP.HCM kết nối xã hội Người dùng tương tự người dùng thường có ít sự trùng lặp với người dùng kết nối Hình 2: Liên kết users Items Do đó, người dùng phân đoạn thành bốn nhóm minh họa hình trên:I người dùng kết nối không tương tự; II: người dùng kết nối tương tự; III: người dùng không kết nối tương tự; IV: người dùng không kết nối không tương tự Theo số lượng xếp hạng thu hút, mục phân đoạn thành mục bắt đầu lạnh mục thông thường Các loại người dùng khác đóng góp cách rõ ràng cho loại mục khác Ví dụ, người dùng kết nối cải thiện tính xác vị trí bắt đầu lạnh, người dùng tương tự lại quan trọng để đề nghị mục thơng thường Do đó, điều tra vi mô người dùng mặt hàng giúp chúng tơi hiểu sâu vai trị mạng xã hội cải thiện hiệu suất khuyến nghị 5.2.4 Thông tin tạm thời Sở thích khách hàng sản phẩm trôi dạt theo thời gian Ví dụ, người quan tâm đến "Điện tử" thời điểm t thay đổi sở thích họ thành "Thể thao" vào thời điểm t + Thông tin thời gian yếu tố quan trọng hệ thống nhà tư vấn có hệ thống tư vấn truyền thống xem xét thông tin thời gian Động thái thời gian liệu có tác động đáng kể tính chính xác thiết kế thuật tốn học tập phức tạp Khai thác thơng tin thời gian cho hệ thống tư vấn nhiều thách thức sự phức tạp mơ hình thời gian người sử dụng Quan hệ xã hội thay đổi theo thời gian Ví dụ, mối quan hệ xã hội bổ sung, quan hệ xã hội trở nên khơng hoạt động bị xóa Những thay đổi hai xếp hạng quan hệ xã hội làm trầm trọng thêm di truyền việc khai thác thông tin thời gian cho 66 Khoa ĐT CLC – ĐH SPKT TP.HCM khuyến nghị xã hội Một nghiên cứu sơ tác động thay đổi xếp hạng mối quan hệ tin cậy hệ thống giới thiệu cho thấy rằng thông tin thời gian khơng phải gợi ý xã hội 5.2.5 Quan hệ tiêu cực Hiện hầu hết hệ thống giới thiệu xã hội sử dụng quan hệ tích cực tình bạn quan hệ tin tưởng Tuy nhiên, phương tiện truyền thông xã hội, người dùng xác định mối quan hệ tiêu cực không tin tưởng không thích Các tác giả thấy rằng mối quan hệ tiêu cực chí quan trọng mối quan hệ tích cực, cho thấy tầm quan trọng mối quan hệ tiêu cực khuyến cáo xã hội Có số tác phẩm khai thác sự khơng tin tưởng hệ thống giới thiệu xã hội Họ đối xử tin tưởng không tin tưởng cách riêng biệt, đơn giản sử dụng sự không tin tưởng theo cách ngược lại để tin tưởng lọc người dùng không tin cậy xem xét mối quan hệ không tin cậy trọng lượng âm Tuy nhiên, sự tin tưởng sự không tin tưởng hình thành kích thước đáng tin cậy khác nhau, tin tưởng vào ý định hành vi chủ nghĩa ff thay sự khơng tin tưởng Hơn nữa, mối quan hệ lòng tin độc lập quan hệ tin tưởng Sự hiểu biết sâu sắc mối quan hệ tiêu cực tương quan với quan hệ tốt đẹp giúp phát triển hệ thống tư vấn xã hội hiệu bằng cách khai thác quan hệ xã hội tích cực tiêu cực 5.2.6 Truyền liệu Chéo Người dùng thường có nhiều tài khoản phương tiện truyền thông xã hội Ví dụ: người dùng có tài khoản Epinions (trang đánh giá tiêu dùng eBay) có tài khoản eBay Người dùng trang web tồn trang web khác thời gian dài Ví dụ: người dùng xác định rõ sở thích Epinions viết nhiều nhận xét mặt hàng Khi người dùng đăng ký eBay lần với tư cách người dùng mới, liệu người dùng Epinions giúp eBay giải vấn đề bắt đầu lạnh giới thiệu chính xác mặt hàng cho người dùng Việc tích hợp mạng từ nhiều trang web gây tác động lớn hệ thống gợi ý xã hội cung cấp phương pháp hiệu công dụng hiệu để giải vấn đề bắt đầu lạnh Đầu tiên việc tích hợp liệu kết nối người dùng tương ứng trang web gần có đề xuất giải vấn đề lập đồ Nghiên cứu vấn đề lập đồ làm cho việc tích hợp liệu đa phương tiện để gợi ý xã hội mang lại hội cho hệ thống giới thiệu xã hội 67 Khoa ĐT CLC – ĐH SPKT TP.HCM 5.3 Kết luận Với mục tiêu nghiên cứu, tìm hiểu hệ thống gợi ý xã hội Những kết chính đạt luận văn sau: - Chúng đưa số định nghĩa hệ thống gợi ý xã hội để bao quát hầu hết khuyến nghị có đề xuất xã hội, thảo luận tính hệ thống giới thiệu xã hội ý nghĩa - Chúng tơi phân loại hệ thống giới thiệu xã hội thành hệ thống đề xuất xã hội dựa nhớ (memory based) hệ thống đề xuất xã hội dựa mơ hình theo mơ hình (model-based) chọn để xây dựng hệ thống Sau trình bày hệ thống đại diện cho loại - Chúng thảo luận số vấn đề chính từ kinh nghiệm tích cực tiêu cực việc áp dụng hệ thống giới thiệu xã hội Đề xuất xã hội giai đoạn phát triển ban đầu cần cải tiến thêm nhiều tương lai - Cuối cùng, đưa hướng nghiên cứu có khả cải thiện tính hiệu hệ thống gợi ý xã hội, bao gồm: khai thác sự không đồng mạng xã hội kết nối phụ thuộc yếu, điều tra hành vi người dùng sản phẩm, hiểu rõ vai trò mối quan hệ tiêu cực, tích hợp liệu đa phương tiện Vì chưa có kinh nghiệm nhiều, nên kiến thức, sự trình bày cịn hạn chế có nhiều sai sót Nên việc nghiên cứu dừng lại mức tảng bản, chưa áp dụng vào toán cụ thể nên cần phải cải thiện nhiều 68 Khoa ĐT CLC – ĐH SPKT TP.HCM TÀI LIỆU THAM KHẢO [1] Zeinab Abbassi, Christina Aperjis, Bernardo A Huberman: Friends versus the crowd: tradeoffs and dynamics, HP Report (2013) [2] Daniel Bernardes, Mamadou Diaby, Raphael Fournier, Francoise FogelmanSouli´e and Emmanuel Viennet, A Social Formalism and Survey for Recommender Systems In ACM SIGKDD Explorations Newsletter, Volume 16 Issue 2, December 2014 [3] Xiwang Yang, Yang Guo, Yong Liu and Harald Steck, A survey of collaborative filtering based social recommender systems, pages 01–09, 2012 [4] L Baltrunas and F Ricci Experimental evaluation of context-dependent collaborative filtering using item splitting In User Modeling and User- Adapted Interaction, pages 1–28, 2013 [5] J Bennett and S Lanning The netflix prize In Proceedings of KDD cup and workshop, volume 2007, page 35, 2007 [6] Y Zheng, B Mobasher, and R Burke Deviation-based contextual SLIM recommenders In Proceedings of the 23rd ACM Conference on Information and Knowledge Management, pages 271280, 2014 [7] Luă, L., Medo, M., Yeung, C.H., Zhang, Y.C., Zhang, Z.K., Zhou, T.: Recommender systems Physics Reports (2012) [8] Massa, P., Avesani, P.: Trust-aware recommender systems In Proceedings of the 2007 ACM conference on Recommender systems, pages 17–24 ACM (2007) [9] Ma, H., Zhou, T.C., Lyu, M.R., King, I.: Improving recommender systems by incorporating social contextual information In ACM Transactions on Information Systems(TOIS), volume 29 Issue 2, April (2011) [10] Vasuki, V., Natarajan, N., Lu, Z., Dhillon, I.S.: Affiliation recommendation using auxiliary networks In Proceedings of the fourth ACM conference on Recommender systems, pages 103–110 ACM (2010) [11] Victor, P., Cornelis, C., De Cock, M., Teredesai, A.M.: A comparative analysis of trustenhanced recommenders for controversial items In Proceedings of the International AAI Conference on Weblogs and Social Media, pages 342–345 (2009) 69 Khoa ĐT CLC – ĐH SPKT TP.HCM [12] H Ma, H Yang, M R Lyu, and I King SoRec: Social recommendation using probabilistic matrix factorization In Proceedings of the 17th ACM conference on Information and knowledge management, pages 931–940, New York, NY, USA, 2008 ACM [13] R Salakhutdinov and A Mnih Probabilistic matrix factorization In Advances in Neural Information Processing Systems, volume 20, 2008 [14] Z Xia, Y Dong, and G Xing Support vector machines for collaborative filtering In ACM-SE 44 Proceedings of the 44th annual Southeast regional conference, pages 169-174, 2006 [15] C.-N Ziegler and G Lausen Propagation models for trust and distrust in social networks In Information Systems Frontiers Volume Issue 4-5, pages 337 – 358, December 2005 [16] https://github.com/Coder-Yu/RecQ [17] Jiliang Tang, Xia Hu, Huan Liu Social Recommendation: A Review In Social Network Analysis and Mining, December 2013 [18] Hao Ma, Irwin King, Michael R Lyu Learning to recommend with social trust ensemble In Proceedings of the 32nd international ACM SIGIR conference on Research and development in information retrieval, pages 203210, Boston, MA, USA — July 19 - 23, 2009 [19] R Zheng, F Provost, and A Ghose Social network col-laborative filtering: Preliminary results In Proceedingsof the Sixth Workshop on eBusiness WEB2007, 2007 70 Khoa ĐT CLC – ĐH SPKT TP.HCM S K L 0