Khoá luận tốt nghiệp nghiên cứu công nghệ sản xuất đồ hộp pate gan heo

Về mặt thực tiễn: 1 Xây dựng hệ thống thử nghiệm tư vấn phim sử dụng mô hình đa tác tử hút và đẩy; 2 So sánh, đánh giá mô hình đa tác tử hút và đẩy với phương pháp lọc cộng tác, từ đó r

i

Khóa luận Nghiên cứu

MỤC LỤC

LỜI CẢM ƠN i

MỤC LỤC ii

DANH MỤC HÌNH ẢNH v

DANH MỤC CÁC TỪ VIẾT TẮT vii

PHẦN MỞ ĐẦU 8

1 Tính cấp thiết của đề tài 8

2 Mục tiêu, nhiệm vụ, đối tượng nghiên cứu 9

3 Phạm vi nghiên cứu 10

4 Phương pháp nghiên cứu 10

5 Kết cấu đề tài 11

Chương 1: TỔNG QUAN VỀ HỆ TƯ VẤN VÀ PHƯƠNG PHÁP LỌC CỘNG TÁC 12

1.1 Tổng quan về hệ tư vấn 12

1.1.1 Giới thiệu về hệ tư vấn 12

1.1.2 Chức năng của hệ tư vấn 14

1.1.3 Các thông tin được sử dụng trong hệ tư vấn 17

1.1.4 Các hướng tiếp cận của hệ tư vấn 19

1.1.5 Phương pháp đánh giá hệ tư vấn 21

1.2 Phương pháp lọc cộng tác 22

1.2.1 Tổng quan 22

1.2.2 Lọc cộng tác dựa trên láng giềng 23

Khóa luận Nghiên cứu

Chương 2: MÔ HÌNH ĐA TÁC TỬ HÚT VÀ ĐẨY

CHO PHƯƠNG PHÁP LỌC CỘNG TÁC 26

2.1 Lý thuyết về tác tử và hệ thống đa tác tử 26

2.1.1 Tác tử 26

2.1.2 Hệ thống đa tác tử 29

2.2 Mô hình đa tác tử sử dụng lực hút và đẩy 32

2.2.1 Mô hình đa tác tử cho phân loại email 32

2.2.2 Mô hình đa tác tử cho tìm kiếm ảnh 33

2.3 Mô hình đa tác tử hút và đẩy cho phương pháp lọc cộng tác 34

2.3.1 Tổng quan về mô hình 34

2.3.2 Lực hút và đẩy trong mô hình 38

2.3.3 Mô hình tự tổ chức 41

Chương 3: HỆ THỐNG THỬ NGHIỆM TƯ VẤN PHIM SỬ DỤNG MÔ HÌNH ĐA TÁC TỬ HÚT VÀ ĐẨY 43

3.1 Giới thiệu hệ thống tư vấn 43

3.1.1 Mô tả bài toán 43

3.1.2 Mô tả về bộ dữ liệu MovieLens 43

3.1.3 Ưu, nhược điểm của bộ dữ liệu MovieLens 45

3.2 Ngôn ngữ lập trình Objective-C và thư viện đồ hoạ OpenGL 46

3.2.1 Ngôn ngữ lập trình Objective-C 46

3.2.2 Thư viện đồ hoạ OpenGL 47

3.3 Cài đặt hệ thống 49

3.3.1 Các yếu tố đầu vào 49

3.3.2 Các yếu tố đầu ra 50

Khóa luận Nghiên cứu

3.3.3 Quy trình hoạt động 50 3.4 So sánh, đánh giá mô hình đa tác tử hút và đẩy với phương pháp lọc cộng tác 58 KẾT LUẬN 60 DANH MỤC TÀI LIỆU THAM KHẢO 61

Khóa luận Nghiên cứu

DANH MỤC HÌNH ẢNH

Hình 1.1 Hệ tư vấn của trang web www.amazon.com 13

Hình 1.2 Ma trận đánh giá của người dùng 18

Hình 1.3 Tư vấn dựa trên lọc cộng tác và dựa trên nội dung 20

Hình 1.4 Hệ thống tư vấn lọc cộng tác trên trang web www.amazon.com 22

Hình 1.5 Lọc cộng tác dựa trên người dùng và dựa trên sản phẩm 25

Hình 2.1 Tác tử tương tác với môi trường 27

Hình 2.2 Mô hình đa tác tử hút và đẩy cho phân loại email 33

Hình 2.3 Mô hình đa tác tử hút và đẩy cho tìm kiếm ảnh 34

Hình 2.4 Không gian của mô hình 35

Hình 2.5 Môi trường của các tác tử 36

Hình 2.6 Quản lý lực quán tính trong mô hình 36

Hình 2.7 Các cách chọn láng giềng 37

Hình 2.8 Tính chất lực và độ mạnh lực dựa trên độ tương tự và khoảng cách (cách tiếp cận rời rạc) 39

Hình 2.9 Tính chất lực và độ mạnh lực dựa trên độ tương tự và khoảng cách (cách tiếp cận liên tục) 39

Hình 2.10 Ví dụ về phản ứng của một tác tử với hai láng giềng 40

Hình 3.1 Ngôn ngữ lập trình Objective-C 46

Hình 3.2 Thư viện đồ họa OpenGL 48

Hình 3.3 Ảnh đại diện của phim / tác tử 49

Hình 3.4 Sơ đồ quy trình hoạt động 50

Khóa luận Nghiên cứu

Hình 3.5 Cách quản lý trên lưới của mô hình 52

Hình 3.6 Thuật toán chọn láng giềng lân cận 53

Hình 3.7 Mô hình ở mức độ địa phương 54

Hình 3.8 Mô hình ở mức độ toàn cục 55

Hình 3.9 Thuật toán tính giá trị dự đoán 57

Hình 3.10 Danh sách tư vấn phim 57

Hình 3.11 Biểu đồ biểu diễn kết quả MAE của 5 bộ dữ liệu kiểm tra 58

Hình 3.12 Biểu đồ biểu diễn kết quả MAE của hai phương pháp 59

Khóa luận Nghiên cứu

DANH MỤC CÁC TỪ VIẾT TẮT

CF : Collaborative filtering – Lọc cộng tác

MAE : Mean Absolute Error – Sai số tuyệt đối trung bình

MAM : Multi-Agents System – Hệ thống đa tác tử

RMSE : Root Mean Squared Error – Sai số bình phương trung bình

Khóa luận Nghiên cứu

PHẦN MỞ ĐẦU

1 Tính cấp thiết của đề tài

Trong kỷ nguyên của sự bùng nổ thông tin, internet với các tiện ích của nó đang

có ảnh hưởng lớn đối với cộng đồng sử dụng mạng Với lượng thông tin khổng lồ, nhu cầu người dùng ngày càng tăng thêm, người dùng cần có sự tư vấn chính xác và kịp thời

để có thể tìm kiếm thông tin một cách nhanh chóng và tiết kiệm thời gian một cách tối

đa Có rất nhiều hệ tư vấn áp dụng đối với các website thuộc các lĩnh vực sách, âm nhạc, phim ảnh,… Tuy nhiên, cuộc sống lại rất phong phú trong mọi lĩnh vực và một khi nhu cầu đã quá lớn thì yêu cầu đặt ra cũng sẽ phải cao hơn rất nhiều

Khi người dùng cần tìm kiếm thông tin về một sản phẩm nào đó, giải pháp được

sử dụng hầu hết là đưa câu hỏi vào máy tìm kiếm thay vì tìm đến những website/forum chuyên ngành Tuy nhiên, máy tìm kiếm không phải lúc nào cũng hiệu quả Máy tìm kiếm chỉ có thể đưa ra một danh sách các lựa chọn (có thể lên đến hàng triệu) chứ không thể nói được lựa chọn nào là tốt nhất

Chẳng hạn, một khách hàng cần mua một đĩa phim hay, họ cần một vài cái tên

để tham khảo và lựa chọn, đa số họ sẽ vào Google tìm kiếm thông tin nhưng với lượng thông tin về các loại phim quá phong phú, lại không có nhiều thời gian để tìm hiểu từng kết quả đề xuất, họ khó lòng tìm ra được số lượng phim nhất định cũng như loại phim vừa ý, đúng sở thích Lúc này, họ cần sự tư vấn

Hệ tư vấn ra đời là điều tất yếu để đáp ứng nhu cầu của con người Trong các kỹ thuật được dùng thì phương pháp lọc cộng tác là một trong những kỹ thuật phổ biến nhất của một hệ tư vấn Các hệ thống sử dụng phương pháp này biểu diễn mỗi người sử dụng bằng một vectơ sở thích m chiều, mỗi chiều tương ứng với một sản phẩm (một điểm du lịch, một món hàng, một quyển sách,…) Hệ thống sẽ tư vấn bằng cách lọc ra những người sử dụng có sở thích gần với người cần tư vấn Những sản phẩm được họ thích mà người cần tư vấn chưa bình chọn sẽ là những sản phẩm được chọn để tư vấn Nếu đặt trong không gian toán học thì bài toán lọc ra những người sử dụng có sở thích gần giống

Khóa luận Nghiên cứu

là bài toán tính khoảng cách giữa các vectơ sở thích m chiều Mặc dù đã đạt được một

số hiệu quả nhất định, nhưng kỹ thuật này vẫn tồn tại nhiều hạn chế như vấn đề thưa thớt và thay đổi của dữ liệu, cũng như độ phức tạp tính toán và thời gian

Kỹ thuật sử dụng các tác tử thông minh (agent) được xem là một giải pháp hữu hiệu nhằm giải quyết những hạn chế nói trên, đồng thời vẫn đảm bảo cung cấp những lời tư vấn chính xác có giá trị, đặc biệt là đối với nguồn dữ liệu đầu vào hỗn tạp Nghiên cứu của Cao Hồng Huệ và các cộng sự [4] về hệ thống tìm kiếm và truy hồi ảnh đã sử dụng mô hình đa tác tử hút và đẩy Hệ thống này nhằm mục đích tổ chức các bức ảnh trong không gian 2 chiều dựa trên độ tương tự, ở đó mỗi bức ảnh được biểu diễn bởi một tác tử và không cần phải xác định các trục cũng như cách để biểu diễn thông tin

Mô hình này cho phép các tác tử tự động tổ chức một cách có chọn lọc trong không gian

2 chiều Với không quá nhiều ràng buộc, hệ thống có thể tổ chức (gom cụm/phân lớp) thông tin và cho phép người dùng có thể tương tác với nó Trong đề tài này, tác giả sẽ vẫn giữ ý tưởng về việc sử dụng các tác tử với các lực hút và đẩy như trong nghiên cứu nói trên nhằm tổ chức dữ liệu trong không gian 2 chiều và nghiên cứu để áp dụng mô hình đa tác tử hút và đẩy thay thế cho hướng tiếp cận lọc cộng tác

Xuất phát từ tầm quan trọng của một hệ tư vấn hoàn chỉnh, những tồn tại cơ bản của phương pháp lọc cộng tác là vấn đề cấp thiết và quan trọng nên tác giả quyết định

chọn: “Nghiên cứu mô hình đa tác tử hút và đẩy cho phương pháp lọc cộng tác” làm

hướng nghiên cứu cho đề tài

2 Mục tiêu, nhiệm vụ, đối tượng nghiên cứu

 Mục tiêu nghiên cứu

- Lý thuyết về hệ tư vấn và phương pháp lọc cộng tác

- Lý thuyết về tác tử, hệ thống đa tác tử, mô hình đa tác tử hút và đẩy

- Đề xuất mô hình đa tác tử hút và đẩy cho hướng tiếp cận lọc cộng tác

- Nghiên cứu các công cụ, kỹ thuật, nền tảng lập trình được sử dụng để xây dựng

hệ thống

Khóa luận Nghiên cứu

- Xây dựng hệ thống thử nghiệm tư vấn phim sử dụng mô hình đa tác tử hút và đẩy

đã đề xuất

- So sánh, đánh giá mô hình đa tác tử hút và đẩy với phương pháp lọc cộng tác

 Nhiệm vụ nghiên cứu

Để đạt được mục đích nghiên cứu nêu ra ở trên, đề tài tập trung giải quyết các nhiệm vụ chủ yếu sau:

Về mặt lí luận: 1) Phân tích, tổng hợp các kiến thức về hệ tư vấn bảo đảm tính

logic, đầy đủ, chính xác; 2) Giải thích các vấn đề liên quan đến lọc cộng tác; 3) Nêu được khái niệm, phân loại, ứng dụng của tác tử và hệ thống đa tác tử; 4) Giới thiệu mô hình đa tác tử hút và đẩy

Về mặt thực tiễn: 1) Xây dựng hệ thống thử nghiệm tư vấn phim sử dụng mô hình

đa tác tử hút và đẩy; 2) So sánh, đánh giá mô hình đa tác tử hút và đẩy với phương pháp lọc cộng tác, từ đó rút ra kết quả, hướng phát triển trong tương lai

 Đối tượng nghiên cứu

Đối tượng nghiên cứu của đề tài là: “Mô hình đa tác tử hút và đẩy cho phương

pháp lọc cộng tác”

3 Phạm vi nghiên cứu

Các phương pháp lọc cộng tác có thể được phân thành những tiếp cận nhỏ hơn

như các hướng tiếp cận dựa trên láng giềng (neigborhood-based) và dựa trên mô hình

(model-based) Mô hình đa tác tử hút và đẩy cho phương pháp lọc cộng tác chỉ nghiên

cứu dựa trên láng giềng, sử dụng kỹ thuật tư vấn dựa trên sản phẩm (item-based)

Phương pháp nghiên cứu bằng tài liệu: chủ động tìm kiếm, nghiên cứu các tài liệu liên quan đến đề tài, các phương pháp của hệ tư vấn để từ đó đánh giá những ưu nhược điểm, học hỏi cách thức xây dựng để từ đó đề xuất ra mô hình đa tác tử hút và đẩy thay thế cho phương pháp lọc cộng tác và áp dụng cho hệ tư vấn hỗ trợ khách hàng

Khóa luận Nghiên cứu

Phương pháp so sánh: sử dụng các chỉ tiêu để so sánh phương pháp lọc cộng tác với mô hình đa tác tử hút và đẩy

Phương pháp phân tích, đánh giá: quan sát, nhìn nhận vấn đề, sàng lọc những kiến thức cần thiết để bổ sung một cách chi tiết, cụ thể, từ đó hoàn thiện khóa luận

Phương pháp chủ động học hỏi: bản thân cần chủ động học hỏi những người xung quanh nhằm thu thập thông tin và bổ sung kiến thức

Phương pháp tổng hợp: hoàn thiện khóa luận dựa trên những kiến thức cơ bản đã thu nhận được trong quá trình học tập ở trường, kiến thức thực tế trong chuyến đi thực tập tại Trung tâm Công nghệ Thông tin Thừa Thiên Huế và những tài liệu đã nhận được

ở Công ty cũng như tài liệu chủ động tìm kiếm

5 Kết cấu đề tài

Ngoài Phần mở đầu, Kết luận, Danh mục các từ viết tắt, Danh mục hình ảnh, Danh mục tài liệu tham khảo, nội dung của Khóa luận gồm 3 chương:

Chương 1: Tổng quan về hệ tư vấn và phương pháp lọc cộng tác Chương

này sẽ giới thiệu tổng quan về hệ tư vấn, các chức năng, thông tin, hướng tiếp cận và phương pháp đánh giá hệ tư vấn

Chương 2: Mô hình đa tác tử hút và đẩy cho phương pháp lọc cộng tác

Chương này đi sâu tìm hiểu lý thuyết về tác tử, hệ thống đa tác tử, mô hình đa tác tử sử dụng lực hút và đẩy trong phân loại email và tìm kiềm ảnh; mô hình đa tác tử hút và đẩy cho phương pháp lọc cộng tác

Chương 3: Hệ thống thử nghiệm tư vấn phim sử dụng mô hình đa tác tử hút

và đẩy Nội dung chương này đi vào phân tích hệ thống thử nghiệm được sử dụng trong

khóa luận, các bộ công cụ hỗ trợ lập trình, cách thức cài đặt hệ thống, so sánh, đánh giá

hệ thống với phương pháp lọc cộng tác

Khóa luận Nghiên cứu

Chương 1 TỔNG QUAN VỀ HỆ TƯ VẤN

VÀ PHƯƠNG PHÁP LỌC CỘNG TÁC

1.1 Tổng quan về hệ tư vấn

1.1.1 Giới thiệu về hệ tư vấn

Trong cuộc sống hàng ngày, người ta đưa ra các lựa chọn dựa trên những ý kiến hay lời khuyên của mọi người xung quanh, có thể qua lời nói, các bản đánh giá sản phẩm, khảo sát thị trường, thư giới thiệu, Nhưng trong kỉ nguyên thông tin, mỗi ngày

có hàng triệu thông tin được đưa lên Internet, người dùng thực sự gặp khó khăn để nắm bắt và tìm kiếm thông tin

Một số công cụ tìm kiếm với từ khóa, điển hình như Google, Yahoo, Bing, giúp chúng ta rất nhiều trong tìm kiếm thông tin cần thiết Nhưng với lượng thông tin tăng lên nhanh chóng, các công cụ tìm kiếm theo từ khóa cũng đang dần tỏ ra không hoàn toàn đáp ứng được nhu cầu của con người Hàng ngày bạn phải bỏ ra quá nhiều thời gian

để lọc những thông tin tìm kiếm được trên Google Đôi khi người dùng cũng không hiểu hết nhu cầu của mình, không biết được từ khóa chính xác mình muốn tìm kiếm, do đó rất khó để tìm được thông tin mình cần Chính những điều này dẫn tới yêu cầu phải có các phương pháp tự động thu thập thông tin và đưa ra lời khuyên chính xác để hỗ trợ cho các phương pháp truyền thống trên Hệ tư vấn (Recommender System) là một giải pháp như vậy

Hệ tư vấn là công cụ phần mềm kỹ thuật cung cấp các mặt hàng đề xuất cho người sử dụng Những lời tư vấn liên quan đến các khía cạnh khác nhau của quá trình

ra quyết định, chẳng hạn như nên mua mặt hàng nào, nên nghe thể loại nhạc nào, hoặc nên đọc loại tin tức trực tuyến nào Hệ thống này đưa ra gợi ý dựa trên những gì người dùng đã làm trong quá khứ, hoặc dựa trên tổng hợp ý kiến của những người dùng khác

Hệ tư vấn đã trở thành một ứng dụng quan trọng và thu hút được sự quan tâm lớn của các nhà nghiên cứu cũng như các doanh nghiệp

Khóa luận Nghiên cứu

Hình 1.1 Hệ tư vấn của trang web www.amazon.com

Hiểu một cách đơn giản thì các tư vấn được cung cấp dưới dạng các danh sách xếp hạng các mặt hàng Trong việc thực hiện bảng xếp hạng này, hệ tư vấn cố gắng dự đoán những sản phẩm hoặc dịch vụ phù hợp nhất, dựa trên sở thích của người sử dụng

Để hoàn thành một nhiệm vụ tính toán như vậy, hệ tư vấn thu thập từ người sử dụng sở thích của họ, ví dụ như đánh giá của người dùng cho các mặt hàng, sản phẩm

Hệ tư vấn bắt đầu được chú ý từ những quan sát sau: một người thường dựa trên những lời khuyên, tư vấn từ những người khác trong việc đưa ra các quyết định Ví dụ, người ta thường dựa vào lời giới thiệu của bạn bè khi chọn mua sách để đọc, người sử dụng lao động dựa trên thư giới thiệu để tuyển dụng và người xem dựa vào các đánh giá phê bình phim của nhà phê bình phim trong các tạp chí để chọn phim xem

Để bắt chước các hành vi này, các hệ tư vấn đầu tiên sẽ áp dụng các thuật toán

để tận dụng các đánh giá được đưa ra bởi một cộng đồng người sử dụng nhằm cung cấp các tư vấn cho một người dùng cần tư vấn Hệ thống sẽ tư vấn các mặt hàng mà người dùng tương tự (những người có sở thích tương tự) đã thích Cách tiếp cận này gọi là lọc cộng tác, tức là khi người dùng cần tư vấn có những tương đồng trước đó trong quá khứ với một số người dùng khác, khi đó các tư vấn khác sẽ đến từ những người sử dụng tương tự

Khóa luận Nghiên cứu

Hệ tư vấn đã được chứng minh trong những năm gần đây là một phương tiện hiệu quả để đối phó với vấn đề quá tải thông tin Khi có yêu cầu của người dùng, hệ tư vấn tạo ra các tư vấn sử dụng các kiến thức và dữ liệu khác nhau về người sử dụng, các mặt hàng có sẵn, và giao dịch trước đó được lưu trữ trong cơ sở dữ liệu Sau đó, người dùng

có thể duyệt các tư vấn Tất cả những hành động và phản hồi của người sử dụng có thể được lưu trữ trong cơ sở dữ liệu tư vấn và có thể được sử dụng để tạo ra tư vấn mới trong hệ thống cho người dùng tương tác tiếp theo

1.1.2 Chức năng của hệ tư vấn

Hệ tư vấn mang lại lợi ích cho cả nhà cung cấp và người sử dụng Lợi ích này có thể được mô tả qua ví dụ sau: Một khách sạn dùng hệ thống tư vấn du lịch để thu hút du khách, nhằm tăng doanh thu và quảng bá sản phẩm Trong khi đó, động cơ của người sử dụng khi truy cập vào hệ thống này là tìm một khách sạn phù hợp với nhu cầu, túi tiền cùng các sự kiện thú vị và các điểm du lịch hấp dẫn khi đến thăm một điểm đến Phần sau đây sẽ trình bày chức năng của hệ tư vấn theo hai đối tượng này:

Đầu tiên, với các nhà cung cấp dịch vụ, hệ tư vấn có các chức năng:

 Tăng số lượng hàng bán được: Đây có lẽ là chức năng quan trọng nhất đối

với hệ tư vấn thương mại Doanh nghiệp dùng hệ tư vấn sẽ có số lượng hàng bán vượt trội so với doanh nghiệp không dùng sản phẩm này

thể giúp người dùng lựa chọn được nhiều mặt hàng hơn Từ đó các mặt hàng của nhà cung cấp sẽ được tiêu thụ nhanh và mạnh hơn

 Tăng sự hài lòng của người dùng: Người dùng sẽ tìm thấy các tư vấn có

giá trị từ sự tương tác giữa con người với máy tính Sự kết hợp của hiệu quả, chính xác, tư vấn kịp thời và một giao diện đẹp có thể tối ưu việc sử dụng và làm tăng sự hài lòng của người dùng trong hệ thống

 Tăng sự trung thành của người dùng: Một người sử dụng nên trung thành

với một nhà cung cấp Khi truy cập vào trang web của nhà cung cấp đó, hệ thống sẽ nhận diện người dùng cũ và tương tác với người dùng đó như một người truy

Khóa luận Nghiên cứu

cập có giá trị Hệ tư vấn sẽ sử dụng lịch sử của người dùng cũ này để đưa ra các lời tư vấn chính xác

 Hiểu rõ hơn về những gì người dùng muốn: Đây là một chức năng quan

trọng của một hệ tư vấn, hệ thống sẽ mô tả sở thích của người sử dụng thành một

dữ liệu có tổ chức Sau đó, nhà cung cấp dịch vụ có thể quyết định tái sử dụng

dữ liệu này cho một số mục tiêu khác như cải thiện việc quản lý kinh doanh hoặc

đề ra các ý tưởng mới

Bên cạnh đó, các chức năng quan trọng của hệ tư vấn đối với người sử dụng hệ thống đó là:

dạng một danh sách xếp hạng cùng với dự đoán bao nhiêu người dùng muốn sử dụng chúng

 Tìm tất cả các mặt hàng tốt: Tư vấn tất cả các mặt hàng có thể đáp ứng

một số nhu cầu của người sử dụng

sách nhấn mạnh các mặt hàng cụ thể nào đó tùy thuộc vào nhu cầu và sở thích của số đông người dùng

nhất, ý tưởng của hệ tư vấn là để giới thiệu một chuỗi các mặt hàng sẽ thu hút hơn Ví dụ điển hình như giới thiệu một loạt phim truyền hình, một cuốn sách về

hệ tư vấn sau khi đã giới thiệu một cuốn sách về khai thác dữ liệu

Ví dụ: một kế hoạch du lịch có thể bao gồm các điểm tham quan khác nhau, điểm đến, phương thức giải trí, dịch vụ ăn nghỉ,…

không có bất kỳ ý định mua một món hàng nào Nhiệm vụ của hệ tư vấn là giúp cho người dùng duyệt qua các mặt hàng mà họ có khả năng yêu thích nhất

Khóa luận Nghiên cứu

 Tìm tư vấn đáng tin cậy: Một số người dùng không tin tưởng vào hệ thống

tư vấn, họ thử nghiệm với chính họ để xem nó tốt như thế nào trong việc đưa ra các tư vấn Do đó, một số hệ thống cũng có thể cung cấp các chức năng cụ thể để cho phép người sử dụng kiểm tra hoạt động của nó ngoài những yêu cầu để có được tư vấn

 Cải thiện hồ sơ cá nhân: Điều này liên quan đến khả năng của người sử

dụng cung cấp thông tin đầu vào cho hệ thống tư vấn về những gì mình thích và không thích Đây là một nhiệm vụ cơ bản và thực sự cần thiết để cung cấp các đề xuất được cá nhân hóa Nếu hệ thống không có kiến thức cụ thể về người sử dụng cần tư vấn thì sau đó nó có thể chỉ cung cấp cho họ các tư vấn dành cho một người dùng “trung bình”

 Tự thể hiện: Một số người dùng có thể không quan tâm đến tất cả các tư

vấn Thay vào đó, nó chỉ quan trọng với họ vì họ được phép đóng góp đánh giá

và bày tỏ ý kiến cũng như niềm tin của họ Sự hài lòng của người sử dụng cho hoạt động đó vẫn có thể được xem như một cách để giữ chân người dùng cho

 Giúp đỡ người khác: Một số người dùng hài lòng với việc đóng góp thông

tin, ví dụ như: đánh giá cho các mặt hàng (Ratings), bởi vì họ tin rằng đóng góp của họ sẽ có ích Điều này có thể là một động lực lớn để nhập thông tin thành một hệ thống tư vấn Ví dụ: với một hệ tư vấn về xe, một người dùng đã mua một chiếc xe mới thì họ nhận thức được rằng ý kiến đánh giá của mình về chiếc xe đó

có thể sẽ hữu ích cho người khác

 Ảnh hưởng những người khác: Đối với hệ tư vấn trên website, người dùng

có mục tiêu rõ ràng chính là người ảnh hưởng đến những người dùng khác vào mua các sản phẩm Cũng có một số người sử dụng có thể sử dụng hệ thống chỉ

để thúc đẩy hoặc hạ thấp một số mặt hàng theo ý riêng của họ

Như những điểm khác nhau trong chức năng của hệ tư vấn, ta thấy vai trò của một hệ tư vấn trong một hệ thống thông tin là khá đa dạng Sự đa dạng này sẽ là khởi đầu cho việc khai thác một loạt các nguồn kiến thức và các kỹ thuật khác nhau

Khóa luận Nghiên cứu

1.1.3 Các thông tin được sử dụng trong hệ tư vấn

Hệ tư vấn là hệ thống xử lý thông tin thu thập từ các loại dữ liệu khác nhau để xây dựng các tư vấn Dữ liệu chủ yếu là về các mặt hàng cần tư vấn và người dùng sẽ nhận được các tư vấn này Tuy nhiên, dữ liệu và các nguồn tri thức sẵn có cho các hệ thống tư vấn có thể rất đa dạng Trong bất kỳ trường hợp nào, dữ liệu được sử dụng bởi

hệ tư vấn thuộc ba loại: Sản phẩm (Item), người sử dụng (User), và các giao dịch

(Transactions) - đó chính là quan hệ giữa người sử dụng và các mặt hàng

Sản phẩm (Item): Sản phẩm là các đối tượng được tư vấn Các sản phẩm này đặc

trưng bởi tiện ích và giá trị của nó Giá trị của một mặt hàng có thể là tích cực nếu hữu ích cho người sử dụng, hoặc tiêu cực nếu chúng không phù hợp với người sử dụng

Sản phẩm có giá trị thấp là: tin tức, trang web, sách, đĩa CD, phim, Mặt hàng hàng có giá trị lớn hơn là: máy ảnh, điện thoại di động, máy tính, Các sản phẩm phức tạp nhất như là những chính sách bảo hiểm, tài chính đầu tư, tư vấn du lịch, Hệ tư vấn

có thể sử dụng một loạt các thuộc tính và các tính năng của các sản phẩm Ví dụ trong một hệ thống tư vấn phim, thể loại (hài, kinh dị, ) cũng như tên tuổi các đạo diễn, diễn viên có thể được sử dụng để mô tả một bộ phim và là đặc điểm nổi bật của nó

Người sử dụng (User): Người sử dụng của một hệ tư vấn có thể có các đặc điểm

và mục tiêu rất đa dạng Để cá nhân hóa các tư vấn và hỗ trợ tương tác giữa máy tính và con người, hệ tư vấn khai thác một loạt các thông tin về người sử dụng Thông tin này

có thể được cấu trúc theo nhiều cách khác nhau và hệ thống sẽ lựa chọn những thông tin nào phụ thuộc vào kỹ thuật tư vấn

Ví dụ: trong lọc cộng tác, người sử dụng được mô hình hóa bởi một danh sách đơn giản có chứa các đánh giá được cung cấp bởi người sử dụng đối với một số mặt hàng Hệ tư vấn dựa trên nhân khẩu học lại dùng các thuộc tính như giới tính, tuổi, nghề nghiệp, và giáo dục Các dữ liệu người dùng này sẽ được sử dụng để tạo thành mô hình

mã hóa sở thích và nhu cầu người sử dụng

Giao dịch (Transaction): Giao dịch là sự tương tác giữa một người dùng và hệ

tư vấn Nó lưu trữ dữ liệu, thông tin đăng nhập quan trọng được tạo ra trong quá trình

Khóa luận Nghiên cứu

tương tác giữa con người - máy tính và có ích cho thuật toán tư vấn mà hệ thống đang

sử dụng Ví dụ: một bản ghi giao dịch có thể chứa một tham chiếu đến mặt hàng được lựa chọn bởi người dùng và một mô tả về bối cảnh (mục tiêu người sử dụng / truy vấn) cho tư vấn cụ thể Nếu có sẵn, giao dịch cũng có thể bao gồm một thông tin phản của người sử dụng đã cung cấp, chẳng hạn như đánh giá cho các sản phẩm được chọn

Trong thực tế, xếp hạng là hình thức phổ biến nhất của các dữ liệu giao dịch trong

hệ tư vấn Những đánh giá này có thể được thu thập một cách rõ ràng hoặc ngầm định Người dùng sẽ được yêu cầu cung cấp ý kiến của mình về một mặt hàng theo một thang đánh giá Ví dụ như: Xếp hạng số từ 1-5 sao; Xếp hạng theo thứ tự, chẳng hạn: "hoàn toàn đồng ý, đồng ý,…”,

Một kịch bản tư vấn điển hình được thể hiện trong hình 1.2 Ta có tập n người dùng U = {u 1 , u 2 , , u n } và tập m sản phẩm I = {i 1 , i 2 , , i m } Mỗi người dùng u i có thể

có dữ liệu nhân khẩu học và một danh sách các sản phẩm 𝐼𝑢𝑖 (vớI 𝐼𝑢𝑖 ⊆ 𝐼 và 𝐼𝑢𝑖 có thể

là một tập rỗng), trong đó mỗi giá trị là một đánh giá cho sản phẩm nào đó Đánh giá

của người dùng u i trên sản phẩm i j (ký hiệu là p ij) có thể là một bình chọn chủ quan được thực hiện một cách tường minh bởi người dùng hoặc được suy luận một cách không tường minh từ quá trình mua hàng, duyệt web của người dùng

Hình 1.2 Ma trận đánh giá của người dùng

Khóa luận Nghiên cứu

Nói cách khác, một tập các đặc tính có thể được sử dụng để mô tả mỗi sản phẩm

𝑖𝑗 ∈ 𝐼 Do đó, một hệ thống tư vấn thường dựa trên dữ liệu nhân khẩu học của người sử dụng, các đặc tính của sản phẩm, và/hoặc những hành vi của người dùng để suy luận ra những gợi ý Khi thực hiện tư vấn, các gợi ý cho một người dùng cụ thể 𝑢𝑎 ∈ 𝑈 , được gọi là người dùng cần tư vấn (active user), được lấy từ các sản phẩm chưa được bình chọn tường minh bởi người dùng đó Mặt khác, hệ thống có thể đề xuất một sản phẩm mới, 𝑖𝑛𝑒𝑤 ∉ 𝐼, cho những người dùng có thể quan tâm

1.1.4 Các hướng tiếp cận của hệ tư vấn

Để thực hiện chức năng tư vấn, một hệ tư vấn phải dự đoán được một mặt hàng

để tư vấn Muốn làm được điều này, hệ thống phải dự đoán sở thích của một số người hoặc so sánh công dụng, chức năng của một số mặt hàng sau đó đưa ra các mặt hàng tư vấn cho người dùng dựa trên sự so sánh này Sử dụng các thuật toán tư vấn có thể đưa

ra các mặt hàng tư vấn không hoàn toàn chính xác, tuy nhiên chúng ta vẫn có thể áp dụng nó để mô tả vai trò chung của một hệ tư vấn

Dựa vào loại dữ liệu và kỹ thuật được sử dụng để đi đến quyết định tư vấn, hệ thống tư vấn có thể được phân loại thành các hướng tiếp cận sau đây:

1) Lọc cộng tác

Tiếp cận tư vấn lọc cộng tác còn được gọi là lọc xã hội hoặc tiếp cận dựa trên sự tương đồng giữa người dùng với người dùng Hệ thống lọc cộng tác xác định những người dùng có sở thích tương tự với người dùng cần tư vấn và các sản phẩm mà họ đã thích được chọn để tư vấn Với phương pháp này, sở thích của người dùng sẽ là đầu vào cho các quyết định tư vấn

Các hệ thống lọc cộng tác hoạt động bằng cách tập hợp các đánh giá của người dùng cho các sản phẩm trong một miền xác định và đo lường sự tương tự trong hành vi đánh giá giữa một số người dùng nhằm xác định cách tư vấn cho một sản phẩm

Các phương pháp lọc cộng tác có thể được phân thành những tiếp cận nhỏ hơn

như các hướng tiếp cận dựa trên láng giềng (neigborhood-based) và dựa trên mô hình

(model-based)

Khóa luận Nghiên cứu

2) Tư vấn dựa trên nội dung

Kỹ thuật lọc cộng tác thường chỉ sử dụng hoặc ma trận đánh giá của người dùng, hoặc dùng ma trận đó để quy nạp ra một mô hình cộng tác Trong tiếp cận này, các tư vấn được tạo ra mà không quan tâm đến những đặc tính cụ thể của từng cá nhân người dùng hoặc của các sản phẩm Một hướng tiếp cận khác có thể tạo ra những tư vấn cá nhân hoá hơn bằng cách tìm hiểu nhiều hơn về người dùng, như thông tin nhân khẩu học, hoặc về sản phẩm, như đạo diễn, thể loại của một bộ phim,… Các hệ tư vấn dựa trên nội dung sử dụng hướng tiếp cận như vậy, trong đó mỗi sản phẩm được biểu diễn bằng một hồ sơ sản phẩm (các đặc tính của sản phẩm), mỗi người dùng được biểu diễn bằng hồ sơ người dùng Các tư vấn được thực hiện dựa trên việc so sánh hồ sơ sản phẩm, nhằm tìm ra những sản phẩm tương tự với những gì người dùng đã từng quan tâm để giới thiệu cho họ những sản phẩm mà họ cần

Nhiều nghiên cứu trong mảng này cũng tập trung vào tư vấn sản phẩm mà nội dung của nó có dạng văn bản, như trang web, sách và phim; ở đó tự bản thân các trang web, nội dung của nó hay các mô tả và nhận xét của người dùng là đã có sẵn Với cách như vậy, một số tiếp cận đã xử lý vấn đề này bằng các kỹ thuật trích rút thông tin (Information Retrieval), trong đó nội dung của các tài liệu đã được đánh giá sẽ đóng vai trò là câu truy vấn và giá trị dự đoán cho các tài liệu chưa được đánh giá sẽ là độ tương

tự với câu truy vấn này

Hình 1.3 Tư vấn dựa trên lọc cộng tác và dựa trên nội dung

Khóa luận Nghiên cứu

1.1.5 Phương pháp đánh giá hệ tư vấn

Chất lượng của một hệ tư vấn có thể được đánh giá bằng việc so sánh các tư vấn với một tập mẫu kiểm tra, với các giá trị bình chọn của người dùng là đã biết, bằng cách

sử dụng các phép đo độ chính xác dự đoán Phương pháp đo lường được sử dụng phổ biến nhất là sai số tuyệt đối trung bình (Mean Absolute Error - MAE) được định nghĩa như là sự sai khác trung bình giữa các giá trị bình chọn đã dự đoán được với các giá trị bình chọn thực sự theo công thức:

𝑀𝐴𝐸 = ∑{𝑢,𝑖}|𝑝𝑢,𝑖 − 𝑟𝑢,𝑖|

𝑁Trong đó 𝑝𝑢,𝑖 là giá trị bình chọn được dự đoán cho người dùng u cho sản phẩm i, 𝑟𝑢,𝑖

là giá trị bình chọn thực sự và N là tổng số các bình chọn trong tập mẫu kiểm tra

Một phép đo khác đó là sai số bình phương trung bình (Root Mean Squared Error

- RMSE), nhằm nhấn mạnh vào các lỗi lớn hơn, và được tính theo công thức sau:

𝑅𝑀𝑆𝐸 = √∑ (𝑝𝑢,𝑖 − 𝑟𝑢,𝑖)

2 {𝑢,𝑖}

𝑁Với hầu hết các hệ thống tư vấn, chúng ta thường quan tâm đến việc dự đoán một cách chính xác các sản phẩm mà người dùng sẽ thích Do đó, các nhà nghiên cứu thường xem tư vấn như là việc dự đoán các sản phẩm được đánh giá cao là tốt hay xấu Trong

kỹ thuật trích rút thông tin, việc xác định các sản phẩm tốt và xấu này là tương đương

với sự phân biệt các sản phẩm thích hợp (relevant) và không thích hợp (irrelevant)

Khóa luận Nghiên cứu

1.2 Phương pháp lọc cộng tác

1.2.1 Tổng quan

Lọc cộng tác (Collaborative Filtering) là kỹ thuật được áp dụng khá thành công trong các hệ tư vấn, nó được dùng để đánh giá độ quan tâm của người dùng tới một mặt hàng mới Trong các hệ thống lọc cộng tác, các dự đoán được đưa ra dựa trên tập dữ liệu

về sở thích người dùng – mặt hàng có liên quan tới người dùng hoặc mặt hàng Tuy nhiên, trong trường hợp dữ liệu ít, độ tương tự trực tiếp giữa hai người dùng hoặc hai mặt hàng chỉ cung cấp rất ít thông tin cho ta dự đoán

Hình 1.4 Hệ thống tư vấn lọc cộng tác trên trang web www.amazon.com

Phương pháp tư vấn lọc cộng tác hoàn toàn khác so với phương pháp tư vấn dựa trên nội dung Thay vì giới thiệu các mặt hàng, vì chúng tương tự như các mặt hàng người dùng đã thích trong quá khứ, cách tiếp cận lọc cộng tác tư vấn các mặt hàng dựa vào ý kiến của những người dùng khác Thông thường, bằng cách tính toán sự giống nhau của những người sử dụng, một tập hợp láng giềng gần nhất (nearest neighbor) các người dùng

có sở thích tương quan đáng kể với một người dùng nhất định sẽ được tìm thấy Như vậy, trong phương pháp này, người dùng chia sẻ sở thích của họ về từng mặt hàng mà họ đã từng tiêu dùng để những người dùng khác của hệ thống có những quyết định tốt hơn đối với những mặt hàng đó

Lọc cộng tác có thể được phân thành những tiếp cận nhỏ hơn như hướng tiếp cận

dựa trên láng giềng (neigborhood-based) và dựa trên mô hình (model-based)

Khóa luận Nghiên cứu

1.2.2 Lọc cộng tác dựa trên láng giềng

Trong các kỹ thuật dựa trên láng giềng, một tập con của các người dùng được lựa chọn dựa trên độ tương tự của họ với người dùng cần tư vấn, và một tổ hợp có trọng số của các đánh giá đó được sử dụng để tạo ra các gợi ý cho người dùng cần tư vấn này

Kỹ thuật láng giềng có thể được chia thành hai phương pháp: Lọc cộng tác dựa trên

người dùng (User-based Collaboration Filtering) và lọc cộng tác dựa trên sản phẩm

(Item-based Collaboration Filtering)

Quá trình tư vấn của phương pháp lọc cộng tác dựa trên người dùng có thể được

tóm tắt bởi giải thuật sau:

1 Tính độ tương tự (hay còn gọi là trọng số) cho tất cả người dùng với người dùng cần tư vấn

2 Chọn k người dùng có độ tương tự cao nhất so với người dùng cần tư vấn,

thường được gọi là các láng giềng hoặc lân cận (neighborhood)

3 Tính giá trị dự đoán bằng một tổ hợp có trọng số (giá trị này chính là các độ tương tự được tính trong bước 1) từ đánh giá của các láng giềng tương tự đã được chọn

Trong bước 1, trọng số 𝑤𝑎,𝑢 là độ tương tự giữa người dùng u và người dùng cần

tư vấn a Phương pháp tính độ tương tự phổ biến nhất là sử dụng hệ số tương quan

Pearson có công thức như sau:

𝑤𝑎,𝑢 = ∑ (𝑟𝑖∈𝐼 𝑎,𝑖 − 𝑟̅ )(𝑟𝑎 𝑢,𝑖 − 𝑟̅ )𝑢

√∑ (𝑟𝑖∈𝐼 𝑎,𝑖 − 𝑟̅ )𝑎 2∑ (𝑟𝑖∈𝐼 𝑢,𝑖 − 𝑟̅ )𝑢 2

Trong đó, I là tập các sản phẩm được bình chọn bởi cả hai người dùng, 𝑟𝑢,𝑖 là bình chọn

được gán cho sản phẩm i bởi người dùng u, và 𝑟̅ là giá trị bình chọn trung bình được 𝑢

cho bởi người dùng u

Một số cách đo độ tương tự khác cũng đã được nghiên cứu, như: Hệ số tương

quan Spearman, Hệ số tương quan của Kendall, Sai phân bình phương trung bình, Entropy, Độ tương tự cosin, Độ tương tự cosin điều chỉnh Về bản chất, những độ đo

Khóa luận Nghiên cứu

tương tự này là biến đổi của độ tương quan Pearson, nhưng các nghiên cứu thực nghiệm

đã cho thấy rằng hệ số tương quan Pearson cho kết quả tốt hơn

Trong bước 3, giá trị dự đoán được tính bằng độ lệch trung bình có trọng số so với giá trị trung bình của các láng giềng và có công thức như sau:

𝑝𝑎,𝑖 = 𝑟̅ +𝑎 ∑𝑢∈𝐾(𝑟∑𝑢,𝑖− 𝑟̅ ) × 𝑤𝑢 𝑎,𝑢

𝑤𝑎,𝑢

𝑢∈𝐾

Trong đó 𝑝𝑎,𝑖 là giá trị dự đoán cho người dùng cần tư vấn a đối với sản phẩm i, 𝑤𝑎,𝑢 là

độ tương tự giữa hai người dùng a và u, và K là láng giềng hoặc tập những người dùng

có độ tương tự cao nhất

Lọc cộng tác dựa trên sản phẩm: Khi được áp dụng cho hàng triệu người dùng

và sản phẩm, các giải thuật lọc cộng tác dựa trên láng giềng gặp phải một số hạn chế về

độ phức tạp trong việc tính toán độ tương tự giữa những người dùng Trong một hướng nghiên cứu khác, thay vì lựa chọn ra những người dùng tương tự thì chuyển sang tìm kiếm các sản phẩm được bình chọn tương tự Tiếp cận này giúp cho các hệ thống trực tuyến hoạt động nhanh hơn, và thường cải tiến được chất lượng của các lời tư vấn

Trong tiếp cận này, độ tương tự giữa các cặp sản phẩm i và j được tính toán nội

tuyến (offline) sử dụng độ tương quan Pearson như sau:

𝑤𝑖,𝑗 = ∑𝑢∈𝑈(𝑟𝑢,𝑖 − 𝑟̅)(𝑟𝑖 𝑢,𝑗 − 𝑟̅)𝑗

√∑𝑢∈𝑈(𝑟𝑢,𝑖 − 𝑟̅)𝑖 2(𝑟𝑢,𝑗 − 𝑟̅)𝑗 2

Trong đó U là tập tất cả các người dùng đã bình chọn cho cả hai sản phẩm i và j, 𝑟𝑢,𝑗 là

bình chọn của người dùng u trên sản phẩm i, và 𝑟̅ là giá trị bình chọn trung bình của tất 𝑖

cả người dùng đối với sản phẩm i Sau đó, giá trị bình chọn cho sản phẩm i của người dùng a được dự đoán bằng cách sử dụng một giá trị trung bình có trọng số đơn giản sau:

Hình 1.5 Lọc cộng tác dựa trên người dùng và dựa trên sản phẩm

Không giống như lọc theo nội dung, lọc cộng tác khai thác những khía cạnh liên quan đến thói quen sở thích của người sử dụng sản phẩm để đưa ra dự đoán các sản phẩm mới cho người dùng này Cho nên lọc cộng tác không phải phân tích, bóc tách, hiểu, đánh chỉ mục cho các đặc trưng nội dung sản phẩm Chính vì vậy, lọc cộng tác có thể lọc hiệu quả trên nhiều dạng sản phẩm khác nhau như hàng hóa, phim, ảnh, tài liệu, Cùng trên một hệ tư vấn, người dùng sẽ được tư vấn nhiều loại mặt hàng khác nhau cho

dù các mặt hàng này có thể biểu diễn trên không gian các đặc trưng nội dung khác nhau Khóa luận Nghiên cứu

- Là thực thể giải quyết vấn đề với các ràng buộc và khả năng tương tác được định nghĩa rõ ràng

- Hoạt động trong một môi trường cụ thể, nhận các đầu vào liên quan đến sự thay đổi trạng thái của môi trường thông qua các cảm biến và thực hiện các hành vi phản ứng lại các thay đổi đó

- Được thiết kế để hoàn thành một vai trò cụ thể, có các mục tiêu xác định cần đạt được và các khả năng giải quyết vấn đề nhằm đạt mục tiêu

- Có khả năng tự trị, có thể điều khiển cả trạng thái bên trong lẫn các hành vi bên ngoài

- Hoạt động hướng mục tiêu, có các hành vi linh hoạt để theo đuổi mục tiêu cần đạt được Có thể là phản ứng lại các tác động từ bên ngoài hoặc chủ động thực hiện các hành vi

Có thể hiểu định nghĩa trên như sau: Hệ thống tính toán có thể là phần cứng, phần mềm, hoặc cả phần cứng lẫn phần mềm Bất cứ tác tử nào cũng tồn tại và hoạt động trong một môi trường nhất định Tác tử nhận thông tin từ môi trường qua các cơ quan cảm nhận

và tác động vào môi trường bằng các cơ quan tác động

Khóa luận Nghiên cứu

Hình 2.1 Tác tử tương tác với môi trường

Đối với các tác tử phần cứng, cơ quan cảm nhận có thể là các cảm biến, camera, cơ quan tác động có thể là các bộ phận cơ học, quang học hoặc âm thanh Đối với các tác tử là chương trình phần mềm, môi trường hoạt động thông thường là các máy tính hoặc mạng máy tính Việc cảm nhận môi trường và tác động được thực hiện thông qua các lời gọi hệ thống Nói chung, tác tử có thể được thiết kế để hoạt động để hoạt động trong nhiều dạng môi trường khác nhau Một điểm cần chú ý là cảm nhận về môi trường của tác tử có thể không đầy đủ do môi trường quá phức tạp hoặc có chứa các yếu tố không xác định

Có thể so sánh một tác tử có đầy đủ ba đặc điểm trên một cầu thủ đá bóng Mục đích của cầu thủ là cùng toàn đội đưa bóng vào lưới đối phương đồng thời ngăn không cho đối phương đưa bóng vào lưới mình Để đạt được mục đích này, cầu thủ phải tìm mọi cơ hội

để đưa bóng về gần lưới đối phương và sút Đây chính là thể hiện của tính tự chủ hành động

có mục đích Tuy nhiên, tình huống trên sân có khi cầu thủ phải thay đổi mục tiêu tạm thời,

cụ thể là chuyền ngang hoặc thậm chí truyền về Khi đối phương vào bóng thô bạo thì mục tiêu trước mắt có thể chưa phải là sút bóng mà trước hết là giữ an toàn cho mình Đây là thể hiện rõ ràng của tính phản xạ Cuối cùng, cầu thủ trên sân phải có tính cộng đồng, thể hiện với việc phối hợp với đồng đội, tuân theo các chỉ dẫn của huấn luyện viên và trọng tài

2) Đặc điểm và phân loại

a) Đặc điểm: Một tác tử thông thường có những đặc điểm, tính chất sau:

Tính tự trị: Một tác tử có thể hoạt động mà không cần sự can thiệp trực tiếp của

con người hoặc các thành phần khác Điều này đòi hỏi trong các phần mềm tác tử phải

Khóa luận Nghiên cứu

cài đặt các hoạt động có chu kì để tạo ra khả năng thực thi tự phát, trong đó tác tử phải

có khả năng thực hiện các hành động có mức ưu tiên khác nhau và cuối cùng đem lại kết quả mong muốn cho con người

Khả năng phản ứng: Các tác tử có thể nhận thức được môi trường xung quanh

chúng và phản ứng lại sự thay đổi xảy ra trong môi trường đó Các hành động của chúng được thực hiện như là kết quả của việc kích hoạt các luật hoặc của các hoạt động lặp đi lặp lại, chẳng hạn như cập nhật cơ sở tri thức của tác tử, gửi thông điệp tới các tác tử khác trong môi trường

Khả năng cộng tác: Mỗi tác tử có thể tương tác với các tác tử khác và/hoặc con

người Đối với hình thức tương tác giữa tác tử và con người, người sử dụng chỉ rõ những hành động nào sẽ được thực hiện và tác tử chỉ rõ nó có thể làm cái gì và cung cấp cho người dùng kết quả như thế nào Còn sự hợp tác giữa các tác tử là cơ chế mà thông qua

đó các tác tử trao đổi tri thức, các kế hoạch cộng tác giữa chúng để giải quyết những vấn

đề lớn hơn khả năng của mỗi tác tử

Khả năng di trú: Các tác tử có thể di chuyển đến các môi trường khác, tìm kiếm

thông tin cần thiết và trả lại kết quả mà người dùng mong muốn

b) Phân loại: Dựa trên các đặc điểm được trình bày ở trên, có thể chia các tác tử

thành các loại sau:

Tác tử phụ tá (Assistant agents): Tác tử phụ tá hoạt động như một người phụ tá,

cùng cộng tác với người sử dụng trong một môi trường Tác tử loại này quan sát, giám sát các hành động của người sử dụng, “học” điều đó và đưa ra cách tốt hơn để thực hiện các tác vụ Tác tử phụ tá học để trợ giúp cho người sử dụng theo bốn cách khác nhau:

- Quan sát và bắt chước người sử dụng (học từ người sử dụng)

- Thông qua các phản hồi tích cực và tiêu cực nhận được từ người sử dụng

- Bằng việc nhận được những lời hướng dẫn rõ ràng từ phía người sử dụng

- Bằng việc hỏi lời khuyên từ các tác tử khác Sự hợp tác giữa tác tử giao diện với các tác tử khác chỉ giới hạn trong việc hỏi các thông tin

Khóa luận Nghiên cứu

Tác tử cộng tác (Collaboration agents): Đối với các tác tử loại này, tính tự trị và

sự cộng tác với các tác tử khác được nhấn mạnh Để có được sự cộng tác với các tác tử khác, các tác tử này phải thực hiện đàm phán để đạt sự thoả thuận về cơ chế cộng tác

Tác tử động (Mobile agents): Tác tử động là phần mềm tính toán có khả năng “di

chuyển” trên các mạng diện rộng như Internet, tương tác với các máy chủ phân tán, thu thập thông tin và quay về sau khi đã thực hiện các công việc cho người sử dụng Khả năng động này đưa đến khái niệm lập trình từ xa (remote programming), trong đó các tác tử tham gia tương tác đảm nhân cả hai vai trò: cung cấp dịch vụ (server) và khai thác dịch vụ (client)

Tác tử phản ứng (Reactive agents): Các tác tử phản ứng không xử lý mô hình

bên trong đặc trưng của môi trường, thay vào đó chúng phản ứng lại với sự kích thích đối với trạng thái hiện tại của môi trường mà chúng hoạt động Kiến trúc của các tác tử phản ứng và sự giao tiếp giữa chúng nhìn chung rất đơn giản Tuy nhiên, khi xem xét tổng quát hệ thống tác tử, có thể thấy được sự tương tác phức tạp giữa chúng Ba nguyên tắc cơ bản đối với các tác tử phản ứng là:

- Tương tác động giữa các tác tử không thông minh có thể dẫn tới sự phức tạp

- Mỗi tác tử phản ứng thường được xem như là một tập hợp các đối tượng hoạt động một cách độc lập và thực hiện các tác vụ cụ thể, chẳng hạn cảm biến, mô tơ điều khiển Giao tiếp giữa các đối tượng này thường ở mức thấp

Một tác tử phản ứng thường làm với biểu diễn dữ liệu cảm biến mức thô, ngược lại với biểu diễn dữ liệu mức cao thường được sử dụng bởi các loại tác tử khác

hệ thống đa tác tử được cấu thành bởi: môi trường sống; tập các đối tượng thụ động chịu

Khóa luận Nghiên cứu

sự tác động của các tác tử lên nó; tập các tác tử là các phần tử chủ động; tập các mối quan hệ giữa các phần tử với nhau; tập các thao tác giữa các phần tử với nhau

2) Đặc điểm

Một hệ đa tác tử có các đặc điểm sau:

- Mỗi tác tử có những thông tin không đầy đủ để giải quyết một bài toán đặt ra,

do khả năng của mỗi tác tử là có hạn và bài toán cần giải quyết là quá lớn với một tác tử đơn

- Hệ đa tác tử không có bộ điều khiển toàn cục hệ thống, tức là các tác tử hoạt động một cách độc lập không phụ thuộc vào tác tử khác và cả hệ thống tổng thể

- Dữ liệu được phân tán cho nhiều tác tử khác nhau trong hệ thống Mỗi tác tử chỉ có thể quản lý một nguồn tài nguyên hạn chế Đồng thời, sự tính toán trong

hệ đa tác tử là không đồng bộ

Như vậy, trong hệ đa tác tử, các tác tử hoạt động một cách tự chủ và độc lập với nhau và có thể tương tác với nhau dưới nhiều hình thức khác nhau: cộng tác, cạnh tranh, thương lượng, để chia sẻ tài nguyên và khả năng hợp lý

Môi trường của hệ đa tác tử có tính chất:

- Là môi trường mở Môi trường đa tác tử cung cấp một cơ sở hạ tầng để xác định các giao thức truyền thông và tương tác

- Môi trường chứa những tác tử tự quản, phân tán Mỗi tác tử có mục tiêu hoạt động riêng

3) Ứng dụng

Hiện nay, các hệ thống đa tác tử đang ngày càng được sử dụng rộng rãi hơn trong nhiều ứng dụng, từ các hệ thống tương đối nhỏ để hỗ trợ cá nhân đến các hệ thống mở, phức tạp, và đặc biệt quan trọng dành cho các ứng dụng công nghiệp Ứng dụng công nghiệp là những ứng dụng rất quan trọng cho các hệ thống đa tác tử bởi vì chúng là nơi mà công nghệ đa tác tử đầu tiên được thử nghiệm và chứng minh tiềm năng ban đầu của nó

Khóa luận Nghiên cứu