Thông tin tài liệu
HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG CƠ SỞ TẠI THÀNH PHỐ HỒ CHÍ MINH KHOA CƠNG NGHỆ THƠNG TIN II BÁO CÁO BÀI TẬP CHUYÊN NGÀNH: CƠNG NGHỆ PHẦN MỀM HỆ CHÍNH QUI NIÊN KHĨA: 2020-2025 GIÁO VIÊN HƯỚNG DẪN DƯƠNG THANH THẢO SINH VIÊN THỰC HIỆN NGUYỄN MINH ĐẠT – N20DCCN095 MAI THANH HẢI – N20DCCN097 NGUYỄN VĂN TRƯỜNG – N20DCCN161 LÊ VĂN PHÚC – N20DCCN128 LỜI CẢM ƠN Nhóm em xin gửi lời cảm ơn chân thành đến người thầy đồng hành hướng dẫn tận tâm trình thực đồ án môn học phát triển hệ thống thông minh Thầy Nguyễn Ngọc Duy người thầy tuyệt vời, cống hiến thời gian kiến thức để giúp nhóm em hồn thiện đồ án cách tốt Nhóm em muốn gửi lời cảm ơn đến thầy Nguyễn Ngọc Duy, người chia sẻ kiến thức kinh nghiệm quý báu lĩnh vực phát triển hệ thống thông minh Thầy trực tiếp hướng dẫn hỗ trợ chúng em trình thực đồ án, giúp chúng em nắm bắt khía cạnh quan trọng phát triển kỹ chuyên môn Nhờ dẫn động viên từ thầy, chúng em vượt qua khó khăn hồn thiện đồ án cách xuất sắc Lời cảm ơn dành cho tất thành viên nhóm bạn bè đồng hành hỗ trợ q trình thực đồ án Sự đồn kết cống hiến người tạo nên thành cơng đồ án Cuối cùng, nhóm em xin gửi lời cảm ơn đến gia đình ln ủng hộ động viên suốt trình học tập thực đồ án Sự quan tâm động viên gia đình nguồn động lực lớn giúp chúng em vượt qua thử thách hoàn thành đồ án cách xuất sắc Xin chân thành cảm ơn! MỤC LỤC LỜI MỞ ĐẦU CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI .2 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Hệ thống thông minh 2.2 Machine learning (Học máy) .5 2.3 Tìm hiểu hệ thống gợi ý/đề xuất (Recommendation systems) 10 2.3.1 Giới thiệu .10 2.3.2 Hệ thống lọc cộng tác (Collaborative Filtering System) 12 2.3.3 Hệ thống dự đoán phim phù hợp với độ tuổi người xem 14 CHƯƠNG 3: PHÂN TÍCH THIẾT KẾ HỆ THỐNG 15 3.1 Công nghệ sử dụng .15 3.2 Công cụ hỗ trợ 15 3.3 Thiết kế sở liệu 15 3.3.1 Thiết kế sơ đồ quan hệ thực thể mối liên kết (ERD) .15 3.3.2 Thiết kế chi tiết thực thể 16 3.3.2 Thiết kế sơ đồ lớp .20 3.4 Thiết kế phần thông minh (gợi ý/đề xuất phim) 20 3.4.1 Đề xuất phim mà người dùng quan tâm dựa tương đồng người dùng việc đánh giá phim 21 3.4.2 Đưa dự đoán đề xuất phim phù hợp với độ tuổi người xem dựa thông tin khảo sát từ người dùng 29 3.5 Tương tác ứng dụng phần thông minh 29 3.6 Thiết kế giao diện chức .30 CHƯƠNG 4: ĐÁNH GIÁ KHẢ NĂNG THÔNG MINH CỦA HỆ THỐNG GỢI Ý/ĐỀ XUẤT (RECOMMENDATION SYSTEMS) 34 LỜI MỞ ĐẦU Trong thời đại số hóa ngày nay, internet thay đổi cách tiêu thời gian tiêu diệt căng thẳng Một trải nghiệm giải trí phổ biến trực tuyến xem phim Với phát triển nhanh chóng cơng nghệ đa dạng nội dung, việc xem phim trực tuyến trở thành phần quan trọng sống hàng ngày Đồ án môn học nỗ lực để tạo trải nghiệm xem phim trực tuyến tốt thuận tiện cho người dùng Chúng em chọn đề tài "Xây dựng website xem phim, có tích hợp tính đề xuất phim phù hợp với nhu cầu người dùng" để tạo tảng giúp người dùng dễ dàng tìm kiếm xem phim mà họ u thích Website xem phim chúng em khơng đơn nơi để xem phim, mà hệ thống thông minh sử dụng thuật toán liệu để đề xuất phim phù hợp với sở thích nhu cầu cá nhân người dùng Chúng em hy vọng dự án mang lại trải nghiệm xem phim thú vị hơn, giúp người dùng khám phá nhiều tác phẩm thúc đẩy đa dạng việc tiêu thụ nội dung giải trí Trong phần đồ án, chúng em trình bày chi tiết trình phát triển website xem phim này, bao gồm kiến thức cơng nghệ thuật tốn sử dụng để đề xuất phim Chúng em đánh giá hiệu suất hệ thống thách thức mà chúng tơi đối mặt q trình triển khai CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI Trong giới mà thơng tin giải trí chảy tràn qua mạng Internet, việc xây dựng trang web xem phim không việc tạo tảng trực tuyến để xem tác phẩm điện ảnh mà việc khám phá giới phong phú nghệ thuật sáng tạo Đề tài đưa tầm nhìn mà mong muốn xây dựng website xem phim không đơn dịch vụ, mà trải nghiệm Trong thời đại số hóa ngày nay, người dường ln dấn thân vào phiêu lưu thú vị việc xem phim Dù người yêu điện ảnh chuyên nghiệp người xem phim bình thường, tìm kiếm phim kịch tính, hài hước, lãng mạn, thể loại để tận hưởng chia sẻ với bạn bè gia đình Nhưng thách thức thực đối diện việc tìm kiếm phim, mà việc tìm kiếm phim thật phù hợp với sở thích tâm hồn người Dự án không đơn giản trang web để lưu trữ phim chia sẻ chúng với người dùng, mà hệ thống thơng minh, sử dụng sức mạnh học máy trí tuệ nhân tạo để đề xuất phim thú vị cho cá nhân Nó hiểu rõ bạn qua cú nhấp chuột, qua phản hồi mà bạn gửi lại, qua cách bạn tương tác với Điều quan trọng nhất, trang web tạo trải nghiệm xem phim cá nhân hóa mà không đưa phim phù hợp với bạn mà khám phá tác phẩm mà bạn chưa nghĩ đến Nó mang đến thú vị khám phá việc khám phá giới điện ảnh, thay danh mục đơn giản Chúng ta nghiên cứu thử nghiệm công nghệ kỹ thuật để đảm bảo tính đề xuất phim hoạt động tốt Việc tối ưu hóa giao diện người dùng trải nghiệm người dùng phần quan trọng dự án, đảm bảo người dễ dàng tìm kiếm, xem, tận hưởng phim mà họ muốn Cuối cùng, dự án xem xét vấn đề quyền riêng tư bảo mật liệu người dùng Chúng ta cam kết bảo vệ thông tin cá nhân người dùng sử dụng liệu cách có trách nhiệm an tồn Mục tiêu khơng xây dựng trang web xem phim, mà xây dựng cỗ máy mà bạn đặt niềm tin để tìm kiếm khám phá giới phim ảnh cách tận hưởng đầy trải nghiệm Đề tài tập trung vào nội dung sau: Tìm hiểu lý thuyết xây dựng phát triển hệ thống thông minh Nghiên cứu tìm hiểu lý thuyết hệ thống gợi ý/đề xuất (Recommendation system) Áp dụng hệ thống gợi ý/đề xuất (Recommendation system) vào dự án triển khai Đánh giá khả thông minh hệ thống gợi ý/đề xuất (Recommendation system) triển khai dự án thực tế Tổng quan báo cáo trình bày qua chương: Chương 1: Giới thiệu đề tài Chương 2: Cơ sở lý thuyết Chương 3: Phân tích thiết kế hệ thống Chương 4: Đánh giá khả thông minh hệ thống gợi ý/đề xuất (Recommendation system) Document continues below Discover more from: nghệ Công thông tin D20 Học viện Công ng… 24 documents Go to course Tham nhũng 11 tượng xã hội Công nghệ thông tin None Báo cáo tổng quát Báo cáo tổng quát Công nghệ thông tin None đề PPL NCKH kỳ 15 (2023 - 2024) Công nghệ thông tin None BTL - Thiết kế môi trường giáo dục ch… Công nghệ thông tin None Hệ thống chơi cờ vua 59 AI thuật tốn… Cơng nghệ CHƯƠNG 2: CƠ SỞ LÝ THUYẾT thông tin None 2.1 Hệ thống thông minh Khái niệm: TÀI LIỆU HỌC TẬP Hệ thống thông minh, viết tắt AI (Artificial Intelligence), lĩnh vực khoa học máy tính trí tuệ nhân tạo (AI) tập trung vào phát KHQL NÂNG CAO triển máy tính chương trình máy tính có 151khả thực Cơng nhiệm vụ thơng minh mà trước có người nghệ thực Hệ None thống thơng minh sử dụng thuật tốn mơ hình thơng máy tính tinđể học hỏi từ liệu, tự động điều chỉnh hành vi dựa kinh nghiệm, thực tác vụ nhận diện hình ảnh, xử lý ngơn ngữ tự nhiên, dự đốn, lập kế hoạch, nhiều tác vụ thông minh khác Mục tiêu hệ thống thơng minh tạo máy tính chương trình có khả tương tự trí tuệ người, chí vượt qua khả người số tác vụ cụ thể Hệ thống thơng minh áp dụng nhiều lĩnh vực, bao gồm y tế, ô tô tự lái, tài chính, quản lý nguồn lực, robot học, nhiều ứng dụng khác Các tiêu chí quan trọng cần có hệ thống minh: Để đảm bảo hệ thống xem hệ thống thơng minh, cần phải xem xét số tiêu chí quan trọng đây: Khả Tự Học (Learning Capability): Một hệ thống thơng minh cần có khả học hỏi từ liệu Điều bao gồm khả tự điều chỉnh cải thiện hiệu suất theo thời gian dựa kinh nghiệm liệu Khả Tương Tác với Môi Trường (Interaction with Environment): Hệ thống thơng minh cần có khả tương tác với mơi trường xung quanh Điều bao gồm việc thu thập thơng tin từ cảm biến, thực hành động môi trường, thích nghi với thay đổi mơi trường Khả Tự Quyết Định (Autonomous Decision-Making): Hệ thống thông minh cần có khả định dựa liệu thơng tin mà thu thập cung cấp Điều đòi hỏi khả lập kế hoạch quản lý tài nguyên Khả Giải Quyết Vấn Đề (Problem Solving): Hệ thống thông minh cần có khả giải vấn đề phức tạp thực nhiệm vụ có độ khó cao Điều bao gồm việc sử dụng logic, rà sốt thơng tin, đưa định xác Khả Tương Tác với Con Người (Interaction with Humans): Hệ thống thơng minh cần có khả tương tác với người, bao gồm việc giao tiếp tự nhiên, hiểu ngôn ngữ tự nhiên, phản hồi đáng tin cậy Khả Hiểu Biết Kiến Thức (Understanding and Knowledge): Hệ thống thơng minh cần có khả hiểu biết giới xung quanh tích luỹ kiến thức từ liệu trải nghiệm Khả Đánh Giá Tự Đánh Giá (Evaluation and SelfAssessment): Hệ thống thông minh cần có khả đánh giá hiệu suất tự đánh giá khả để hồn thiện Khả Đảm Bảo Bảo Mật Quyền Riêng Tư (Security and Privacy): Hệ thống thông minh cần đảm bảo an tồn thơng tin tơn trọng quyền riêng tư người dùng Sự Linh Hoạt (Flexibility): Hệ thống thơng minh cần có khả thích nghi với nhiều tình mơi trường khác Kinh Nghiệm Tiến Bộ Liên Tục (Experience and Continuous Improvement): Hệ thống thơng minh cần có khả tích luỹ kinh nghiệm cải thiện hiệu suất theo thời gian 2.2 Machine learning Khái niệm Học máy (Machine Learning - ML) khả chương trình máy tính sử dụng kinh nghiệm, quan sát liệu khứ để cải thiện công việc tương lai Học máy khắc phục vấn đề không linh hoạt suy diễn Là nhánh nghiên cứu quan trọng trí tuệ nhân tạo, sử dụng kinh nghiệm thơng qua q trình học Mục tiêu machine learning làm cho máy tính có khả tự động phân tích học hỏi từ liệu để thực nhiệm vụ cụ thể mà không cần định rõ ràng Các phân nhóm chính: Theo phương thức học, thuật tốn Machine Learning thường chia làm nhóm: Supervised learning, Unsupervised learning, Semisupervised learning Reinforcement learning Có số cách phân nhóm khơng có Semi-supervised learning Reinforcement learning Supervised learning (Học máy có giám sát) Supervised learning thuật toán dự đoán đầu (outcome) liệu (new input) dựa cặp ( input, outcome) biết từ trước Cặp liệu gọi ( data, label), tức (dữ liệu, nhãn) Supervised learning nhóm phổ biến thuật toán Machine Learning Thuật toán supervised learning tiếp tục chia nhỏ thành hai loại chính: o Classification (Phân loại): Một tốn gọi classification label input data chia thành số hữu hạn nhóm Ví dụ: Gmail xác định xem email có phải spam hay khơng; hãng tín dụng xác định xem khách hàng có khả tốn nợ hay khơng Ba ví dụ phía chia vào loại o Regression (Hồi quy): Nếu label khơng chia thành nhóm mà giá trị thực cụ thể Ví dụ: nhà rộng x m2, có y phịng ngủ cách trung tâm thành phố z km có giá bao nhiêu? Unsupervised learning (Học máy không giám sát) Học không giám sát (Unsupervised Learning) phân nhóm mà máy tính mơ hình máy học huấn luyện để tự động tìm hiểu cấu trúc ẩn mối quan hệ liệu mà không cần hướng dẫn nhãn mẫu cụ thể từ liệu đầu vào Trong học khơng giám sát, mục tiêu khám phá thơng tin ẩn liệu, chẳng hạn nhóm tương đồng (clusters) thuộc tính quan trọng Các toán Unsupervised learning tiếp tục chia nhỏ thành hai loại: o Clustering (Phân nhóm): Một tốn phân nhóm tồn liệu X thành nhóm nhỏ dựa liên quan liệu nhóm Ví dụ: phân nhóm khách hàng dựa hành vi mua hàng Điều giống việc ta đưa cho đứa trẻ nhiều mảnh ghép với hình thù màu sắc khác nhau, ví dụ tam giác, vng, trịn với màu xanh đỏ, sau yêu cầu trẻ phân chúng thành nhóm Mặc dù khơng cho trẻ biết mảnh tương ứng với hình màu nào, nhiều khả chúng phân loại mảnh ghép theo màu hình dạng o Association: Là tốn muốn khám phá quy luật dựa nhiều liệu cho trước Ví dụ: khách hàng nam mua quần áo thường có xu hướng mua thêm đồng hồ thắt lưng; khán giả xem user khó tính cho cho items họ thích cho items họ khơng thích Một giá trị cho việc trung bình cộng ratings mà user tương ứng thực Việc tránh việc users q khó tính dễ tính, tức lúc có items mà user thích so với items khác Hình 3.4 Original utility matrix and mean user rating Hình 3.5 Normalized utility matrix Hàng cuối Hình 3.4 giá trị trung bình ratings cho user Giá trị cao tương ứng với user dễ tính ngược lại Khi đó, tiếp tục trừ từ rating giá trị thay giá trị chưa biết 0, ta normalized utility matrix Hình 3.5 Chúng ta thắc mắc bước chuẩn hoá lại quan trọng, câu trả lời đây: Việc trừ trung bình cộng cột khiến trong 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 khơng thích item Những giá trị 22 tương ứng với việc chưa xác định liệu user có thích item hay không 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 (Tính ma trận thể tương đồng item dựa Normalize utility matrix) Ta sử dụng phương pháp cosin similarity để tính độ tương đồng vector: Tính hết cặp tương đồng lại ứng với item lại ta ma trận tương đồng (User similarity matrix) sau: Hình 3.6 User similarity matrix Rating prediction (Tiến hành dự đoán) 23 Việc xác định mức độ quan tâm user lên item dựa users gần (neighbor users) giống với thuật toán K-nearest neighboors Tương tự KNN, Collaborative Filtering, missing rating xác định dựa thông tin k neighbor users Tất nhiên, quan tâm tới users rated item xét Predicted rating thường xác định trung bình có trọng số ratings chuẩn hố Có điểm cần lưu ý, KNN, trọng số xác định dựa distance điểm, distance số khơng âm Trong đó, CF, trọng số xác định dựa similarity hai users, trọng số nhỏ Hình 3.6) Cơng thức phổ đốn rating u cho i là: biến sử dụng để dự (sự khác biết so với trung bình có trọng số mẫu số có sử dụng trị tuyệt đối để xử lý số âm) N(u,i) tập hợp k users neighborhood (tức có similarity cao nhất) u mà rated i Một ví dụ việc tính normalized rating u1 cho i1 với số nearest neighbors k=2 Các bước thực là: Xác định users rated i1, u0, u3, u5 Xác định similarities u1 với users 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 ratings u0, u5 cho i1, ta thu hai giá trị 0.75 0.5 Dự đoán kết quả: 24 Tương tự ta tính với giá trị với cặp user item (movie) lại Cuối ta thu bảng sau: Hình 3.7 Dự đốn (normalized) ratings cịn thiếu Hình 3.8 Dự đốn (denormalized) ratings cịn thiếu Viết code triển khai giải thuật Lưu ý: Đồ án có sử dụng thư viện python-shell hỗ trợ Node js nhằm nhúng code ngôn ngữ python vào dự án import joblib import numpy as np from sklearn.metrics.pairwise import cosine_similarity from utils import remove_duplicates_preserve_order, string_array_to_dict class CF(object): def init (self, model=None, Y_data=None, k=2, dist_func = cosine_similarity, uuCF = 1): if (model != None): self.load_model(model) else: self.uuCF = uuCF # user-user (1) or item-item (0) CF self.Y_data = Y_data if uuCF else Y_data[:, [1, 0, 2]] self.k = k # number of neighbor points self.mu = None self.nu = None self.S = None self.dist_func = dist_func # users and items 25 self.users = remove_duplicates_preserve_order(self.Y_data[:, 0]) self.items = remove_duplicates_preserve_order(self.Y_data[:, 1]) self.users_dict = string_array_to_dict(self.users) self.items_dict = string_array_to_dict(self.items) def load_model(self, path): model = joblib.load(path) self.uuCF = model['uuCF'] self.Y_data = model['Y_data'] self.k = model['k'] self.mu = model['mu'] self.nu = model['nu'] self.S = model['S'] self.dist_func = model['dist_func'] def normalize_Y(self): users = self.Y_data[:, 0] # all users - first col of the Y_data self.mu = np.zeros((len(self.users))) self.nu = np.zeros((len(self.users), len(self.items))) for user_index, user in enumerate(self.users): ids = np.where(users == user)[0] items = self.Y_data[ids, 1] ratings = self.Y_data[ids, 2] # take mean m = np.mean(ratings) if np.isnan(m): m = # to avoid empty array and nan value self.mu[user_index] = m # normalize for rating_index, rating in enumerate(ratings): self.nu[user_index] [self.items_dict[items[rating_index]]] = rating - m def similarity(self): self.S = self.dist_func(self.nu) def fit(self): self.normalize_Y() self.similarity() def pred(self, u, i, normalized=1): # Bước 1: Tìm tất người dùng đánh giá mục i ids = np.where(self.Y_data[:, 1] == i)[0] # Bước 2: Người dùng đánh giá mục i users_rated_i = self.Y_data[ids, 0] # Bước 3: Tìm tương tự người dùng người khác đánh giá mục i sim = self.S[self.users_dict[u], [self.users_dict[user] for user in users_rated_i]] # Bước 4: Tìm k người dùng tương tự a = np.argsort(sim)[-self.k:] # cấp độ tương tự tương ứng nearest_s = sim[a] # Mỗi người dùng gần đánh giá mục i r = self.nu.T[self.items_dict[i], [self.users_dict[user] for user in users_rated_i[a]]] 26 if normalized: # Thêm số nhỏ, ví dụ, 1e-8, để tránh chia cho return np.array(r * nearest_s).sum() / (np.abs(nearest_s).sum() + 1e-8) return np.array(r * nearest_s).sum() / (np.abs(nearest_s).sum() + 1e-8) + self.mu[self.users_dict[u]] def pred(self, u, i, normalized=1): if self.uuCF: return self. pred(u, i, normalized) return self. pred(i, u, normalized) def recommend(self, u, normalized=1): ids = np.where(self.Y_data[:, 0] == u)[0] items_rated_by_u = self.Y_data[ids, 1].tolist() recommended_items = [] for item in self.items: if item not in items_rated_by_u: rating = self.pred(u, item) if rating > 0: recommended_items.append(item) return recommended_items def model_evaluation(self, test_data): SE = n_tests = len(test_data) for n in range(n_tests): pred = self.pred(test_data[n, 0], test_data[n, 1], normalized=0) SE += (pred - test_data[n, 2]) ** RMSE = np.sqrt(SE / n_tests) return RMSE def save_model(self, path='./dataset/CF_model.pkl'): model = {} model['uuCF'] = self.uuCF model['Y_data'] = self.Y_data model['k'] = self.k model['mu'] = self.mu model['nu'] = self.nu model['S'] = self.S model['dist_func'] = self.dist_func joblib.dump(model, path) Lưu ý: Có thể xem đầy đủ từ thư mục gốc iflix-api, sau theo đường dẫn src\api\v1\utils\python\CF Demo chạy thử: Tập liệu sử dụng để huấn luyện mơ hình 27 Thực dự đốn số phim mà người dùng chưa đánh giá đưa kết đề xuất: 3.4.2 Đề xuất phim mà người dùng quan tâm dựa tương đồng người dùng việc đánh giá phim 3.5 Tương tác ứng dụng phần thông minh Đề xuất phim mà người dùng quan tâm dựa tương đồng người dùng việc đánh giá phim 28 Người dùng tiến hành đăng giá phim mà cảm thấy thích, thích số đánh giá cao ngược lại (tối đa sao) Dựa thông tin mà người dùng đánh giá hệ thống đưa đề xuất phim mà người dùng yêu thích quan tâm Đưa dự đốn đề xuất phim phù hợp với độ tuổi người xem dựa thông tin khảo sát từ người dùng 3.6 Thiết kế giao diện chức Trang chủ 29 Chức đăng nhập Chức đăng ký 30 Trang xem phim 31 Chức đánh giá phim Chức đề xuất phim (lọc cộng tác) 32 33 CHƯƠNG 4: ĐÁNH GIÁ KHẢ NĂNG THÔNG MINH CỦA HỆ THỐNG GỢI Ý/ĐỀ XUẤT (RECOMMENDATION SYSTEMS) Trong đồ án này, có trình bày giải pháp cho hệ thống đề xuất: Đề xuất phim mà người dùng quan tâm dựa tương đồng người dùng việc đánh giá phim (thuộc loại Collaborative Filtering system) Đưa dự đoán đề xuất phim phù hợp với độ tuổi người xem dựa thông tin khảo sát từ người dùng Chúng ta cần có tiêu chí để đánh giá khả thơng minh hệ thống, là: Mang lại trải nghiệm thơng minh cho người dùng: có ý nghĩa tạo trải nghiệm người dùng mà có khả đáp ứng, dự đốn tùy chỉnh dựa thông tin hành vi người dùng Điều giúp cải thiện hài lòng người dùng tạo trải nghiệm tương tác thuận lợi hiệu Cải thiện trí thơng minh dựa liệu tương lai: đề cập đến việc sử dụng liệu để nâng cao khả trí thơng minh hệ thống ứng dụng Bằng cách thu thập, phân tích áp dụng liệu, hệ thống trở nên thơng minh theo thời gian, có khả dự đốn hiểu rõ người dùng môi trường Thể thông minh cho người dùng trải nghiệm: liên quan đến việc biểu đạt thông minh hệ thống ứng dụng trải nghiệm người dùng Điều giúp người dùng cảm nhận hệ thống ứng dụng làm việc cách thông minh hiểu biết, tạo tin tưởng tương tác tích cực Đánh giá hệ thống: Đề xuất phim mà người dùng quan tâm dựa tương đồng người dùng Mang lại trải nghiệm thông minh cho người dùng Khi người dùng loay hoay việc khơng biết xem phim Cải thiện trí thơng minh dựa liệu tương lai: Hệ thống đề xuất phim mà người dùng quan tâm dựa tương Thể thông minh cho người dùng trải nghiệm Một vấn đề thường gặp trang web phim có hàng ngàn, hàng triệu phim 34 việc đánh giá phim (thuộc loại Collaborative Filtering system) sau xem loạt phim mà u thích Thì lúc “hệ thống đề xuất phim mà người dùng quan tâm dựa tương đồng người dùng việc đánh giá phim” phát huy hiệu Nó đề xuất phim mà người dùng chưa biết tới Mang lại mẻ việc trải nghiệm người dùng đồng người dùng việc đánh giá phim (thuộc loại Collaborative Filtering system) hoạt động tốt dự đốn cách xác liệu thu thập số đánh giá nhiều Việc giải thích chỗ số lượng đánh giá người dùng tăng lên cặp users có độ tương đồng chắn tăng lên việc dự đốn có sở hơn, sai số Việc thể rõ hơn, có user đánh giá số phim đánh giá có tác động lớn đến số dự đoán tất user Đây khả cải thiện Bây khơng biết xem phim hay nhỉ? Để đáp ứng điều đó, hệ thơng đưa danh sách phim mang dịng thơng báo “Bạn quan tâm” lúc chắn người dùng bấm vào xem Rõ ràng, hệ thống vừa đáp ứng nhu cầu người dùng mà không khiến người dùng phải chờ đợi thêm giây phút Từ đó, tạo ấn tượng tốt trải nghiệm tốt cho người dùng khiến người dùng khơng rời bỏ trang web q thơng minh tiện lợi q trình trải nghiệm 35 trí thơng minh hệ thống Đưa dự đoán đề xuất phim phù hợp với độ tuổi người xem dựa thông tin khảo sát từ người dùng 36
Ngày đăng: 26/12/2023, 04:56
Xem thêm:
