ôn tập kiến thức về java và python trong phát triển phần mềm và kiến thức về trí tuệ nhân tạo

Ý tưởng về khuyến nghị được cá nhân hóa được gợi lên từ ý tưởng rằng con người không chỉ hứng thú với những sản phẩm phổ biến mà còn hứng thú với nhứng sản phẩm không bán chạy nhất trong

TRƯỜNG ĐẠI HỌC KIẾN TRÚC HÀ NỘI

KHOA CÔNG NGHỆ THÔNG TIN

*** BÁO CÁO MÔN HỌC

NỘI DUNG: ÔN TẬP KIẾN THỨC VỀ JAVA VÀ PYTHON TRONG PHÁT TRIỂN PHẦN MỀM VÀ KIẾN THỨC VỀ

TRÍ TUỆ NHÂN TẠO

Giảng viên hướng dẫn: TS Trần Trung

Nhóm sinh viên thực hiện: Tạ Thị Hậu (Nhóm trưởng)

Doãn Thu Trang

Hà Nội, tháng 5 năm 2024

Phần 1: Bản dịch thứ nhất 1.1 Khuyến nghị trong thực tế

1.1.1 Hệ thống khuyến nghị xuất hiện tại nhà hoặc trên internet

Hệ thống khuyến nghị thường xuất hiện của yếu tại nhà hoặc trên internet bởi đây là những nơi bạn không những có thể kết nối với những người khác mà còn có thể thu thập được dữ liệu về hành vi Một số ví dụ

Một trang web đưa ra danh sách top 10 máy làm bánh bán chạy nhất cung cấp khuyến nghị không được cá nhân hóa Nếu một trang web bán nhà hoặc vé xem concert đưa ra khuyến nghị dựa trên nhân khẩu hoặc vị trí hiện tại của bạn thì khuyến nghị thuộc loại bán cá nhân hóa Khuyến nghị cá nhân hóa thể hiện

rõ trên Amazon ở mục “Gợi ý cho bạn” Ý tưởng về khuyến nghị được cá nhân hóa được gợi lên từ ý tưởng rằng con người không chỉ hứng thú với những sản phẩm phổ biến mà còn hứng thú với nhứng sản phẩm không bán chạy nhất trong 1 thời điểm

1.1.2 Định nghĩa hệ thống khuyến nghị

Định nghĩa: Hệ thống khuyến nghị tính toán và cung cấp nội dung phù hợp cho người dùng dựa trên kiến thức về người dùng, nội dung và sự tương tác giữa người dùng và mặt hàng

1.2 Phân loại hệ thống khuyến nghị

1.2.1 Miền

Miền đề cập đến thể loại của các nội dung được khuyến nghị

Miền có ý nghĩa lớn bởi nó cung cấp gợi ý về những thứ bạn sẽ làm với khuyến nghị Miền cũng quan trọng bởi nó chỉ ra sẽ tồi tệ như thế nào nếu khuyến nghị sai Nếu bạn đang làm một phần mềm khuyến nghị nhạc, sẽ không quá tệ nếu bạn khuyến nghị nhạc không chính xác Nếu bạn khuyến nghị bố mẹ nuôi cho trẻ em mồ côi thì cái giá phải trả cho mỗi lần thất bại là khá lớn

1.2.2 Mục đích

Mục đích có thể cung cấp thông tin hoặc giúp đỡ hoặc hướng dẫn người dùng Trong hầu hết trường hợp, tuy nhiên, mục đích có thể là buôn bán

1.2.3 Ngữ cảnh

Ngữ cảnh là môi trường mà người sử dụng nhận được khuyến nghị Trong

ví dụ của tài liệu này, có có thể là quyết định của khách hàng sử dụng để sử dụng Netflix hoặc vị trí hiện tại của người sử dụng, thời gian trong ngày và việc

mà người sử dụng đang làm

Xét việc tìm kiếm một quán cà phê trên Google Maps Người dùng tìm kiếm

từ máy tính trong công ty hay người dùng đang đứng trên phố và trời bắt đầu mưa Trong trường hợp thứ nhất, phản hồi tốt nhất là những quán cà phê chất

lượng tốt trong khu vực rộng Còn trong trường hợp thứ hai, thì khuyến nghị tốt nhất là địa điểm gần nhất để uống cà phê trong lúc chờ tạnh mưa

1.2.4 Mức độ cá nhân hóa

* Chưa cá nhân hóa

Một danh sách những sản phẩm phổ biến nhất được coi là chưa cá nhân hóa Khả năng là người dùng hiện tại thích cùng một sản phẩm với đa số người khác Khuyến nghị chưa cá nhân hóa cũng bao gồm đưa ra những thứ được sắp xếp theo ngày, chẳng hạn như đưa ra những thứ mới nhất Tất cả những ai tương tác với hệ thống khuyến nghị đều nhận những danh sách khuyến nghị như nhau

* Bán cá nhân hóa

Mức độ tiếp theo của khuyến nghị chia người dùng vào 2 nhóm bán cá nhân hóa, cá nhân hóa theo mức độ Có thể chia nhóm người dùng theo nhiều cách: theo tuổi, theo khu vực hoặc phân chia theo hình mẫu riêng biệt: người đi làm, sinh viên, lái xe hoặc người chạy xe đạp

Hệ thống bán vé sự kiện, khuyến nghị được đưa ra dựa trên quốc gia hoặc thành phố người dùng đang ở Một trường hợp khác: nếu người dùng đang nghe nhạc trên điện thoại, hệ thống có thể suy ra được thiết bị đang chuyển động hay không Nếu thiết bị đang chuyển động, người dùng có thể đang tập thể dục hoặc

họ có thể đang lái xe hoặc đạp xe Nếu thiết bị không chuyển động, người dùng

có thể đang ngồi trên sofa ở nhà và âm nhạc có thể sẽ khác

Hệ thống khuyến nghị không biết gì về thông tin cá nhân của một người, coi một người như thành viên của một nhóm Những người cùng một nhóm sẽ có khuyến nghị giống nhau

* Cá nhân hóa

Khuyến nghị cá nhân hóa dựa trên dữ liệu về người sử dụng hiện tại được biểu thị thông qua cách người dùng tương tác với hệ thống những lần trước đó

Từ đó đưa ra những khuyến nghị riêng cho người dùng

Phần lớn hệ thống khuyến nghị cũng sử dụng các bộ phận và độ phổ biến để đưa ra khuyến nghị cá nhân hóa Một ví dụ đó là mục gợi ý cho bạn trên

Amazon hoặc trang khởi đầu của Netflix

1.2.5 Quan điểm của đối tượng

Hệ thống khuyến nghị chuyên gia được dùng trong các lĩnh vực mà bạn cần

có mức độ kiến thức như các chuyên gia để hiểu được cái gì là tốt

Ngày nay, những trang web dành cho chuyên gia dần trở nên kém phổ biến Hầu hết các trang web hiện tại sử dụng theo quan điểm của quần chúng Họ cho rằng không có nguyên tắc nào mà không có ngoại lệ Tuy nhiên, một số trang web hướng đến đối tượng là các chuyên gia vẫn còn hoạt động

1.2.6 Bảo mật và độ tin cậy

Nhiều người coi khuyến nghị như một dạng thao túng bởi chúng đưa ra những lựa chọn mà người dùng có khả năng cao sẽ chọn thay vì đưa ra một lựa chọn ngẫy nhiên Và hầu hết cửa hàng cố gắng muốn bán được nhiều hàng hơn nên việc các cửa hàng dùng khuyến nghị để bán hàng khiến một số người nghĩ

họ đang bị thao túng Nhưng nếu trong trường hợp xem được một bộ phim thú

vị với một bộ phim nhàm chán thì điều đó vẫn chấp nhận được Thao túng thường liên quan đến động cơ để chỉ ra những món hàng cụ thể hơn là hành động đưa ra cho người xem

Độ tin cậy chỉ ra mức độ mà người dùng tin tưởng vào các khuyến nghị thay

vì cân nhắc nó như một hình thức quảng cáo hay thao túng Nếu người dùng cân nhắc lời đề nghị một các nghiêm túc thì hệ thống khuyến nghị được coi là đáng tin cậy

1.2.7 Giao diện

Giao diện của một hệ thống khuyến nghị mô tả loại đầu vào và đầu ra của những thứ nó cung cấp

*Đầu vào

Netflix từng cho phép người dùng lựa chọn những thứ họ thích hay không thích bằng cách đánh giá các nội dung và thêm những thể loại mà họ thích Các

dữ liệu này có thể được dùng như đầu vào cho hệ thống khuyến nghị

*Đầu ra

Đầu ra có thể được dự đoán, đề xuất hoặc chọn lọc Ví dụ, Netflix đưa ra khuyến nghị bằng nhiều cách khác nhau Nó tính toán dự đoán, đưa ra gợi ý một cách cá nhân hóa, đưa ra các mục phổ biến dưới dạng top 10 (nhưng đã được cá nhân hóa cho người dùng)

Một số hệ thống nhất định giải thích về đề xuất của họ Hệ thống khuyến nghị có khả năng làm việc đó gọi là hệ khuyến nghị hộp trắng, còn lại là hệ khuyến nghị hộp đen Sự phân biệt này khá quan trọng khi lựa chọn thuật toán bởi không phải thuật toán nào cũng cung cấp rõ ràng lý do cho dự đoán của nó

1.2.8 Thuật toán

Các thuật toán được đưa ra thành 2 nhóm dựa trên dữ liệu người dùng sử dụng để đưa ra khuyến nghị Thuật toán sử dụng dữ liệu từ người dùng gọi là lọc cộng tác (collaborative filtering) Thuật toán sử dụng nội dung từ siêu dữ liệu và hồ sơ người dùng để tính toán khuyến nghị được gọi là khuyến nghị dựa trên nội dung (content-based filtering) Thuật toán sử dụng cả 2 phương pháp gọi là khuyến nghị lai (hybird recommender)

* Lọc cộng tác

Một cách hoạt động của lọc cộng tác: Phần ngoài cùng là danh mục các sản phẩm Phần ở giữa là nhóm người dùng tiêu thụ những sản phẩm giống nhau

Hệ thống khuyến nghị đưa ra gợi ý những sản phẩm từ nhỏ nhất, trước nhất Giả định rằng những người dùng có cùng sở thích với người dùng hiện tại, khi đó người dùng hiện tại có thể sẽ thích các sản phẩm khác mà nhóm người dùng này

đã tiêu thụ Nhóm này được định nghĩa chồng lên nhau giữa những thứ mà từng

cá nhân thích và những thứ người dùng hiện tại thích Khi đó những nội dung

mà người dùng hiện tại còn thiếu sẽ được đưa ra để gợi ý

* Khuyến nghị dựa trên nội dung

Khuyến nghị dựa trên nội dung sử dụng siêu dữ liệu mà bạn có cho sản phẩm ở trong danh mục các sản phẩm Netflix sử dụng mô tả cho phim của họ

Ví dụ

Dự trên thuật toán cụ thể, hệ thống có thể tính toán gợi ý bằng cách tìm những nội dung tương tự với nội dung người dùng đã thích bằng cách đối chiếu sản phẩm với hồ sơ người dùng hoặc nếu không có người dùng thì sẽ đối chiếu nội dung của các sản phẩm Nếu như có hồ sơ của người dùng, hệ thống tính toán hồ sơ cho từng người dùng bao gồm các thể loại

* Khuyến nghị lai

Cả hai phương pháp phía trên đều có ưu, nhược điểm Lọc cộng tác cần nhiều phản hồi từ người dùng để hoạt động tốt trong khi khuyến nghị dựa trên nội dung cần mô tả tốt về các sản phẩm Đôi khi các khuyến nghị được đưa ra dưới dạng đan xem đầu ra của cả 2 loại thuật toán trên

1.3 Xây dựng một hệ thống khyến nghị

Bắt đầu với ý tưởng bạn muốn bán nhiều hàng hơn bằng cách thêm vào các khuyến nghị Bạn sẽ phải thu thập dữ liệu về các hành vi và dùng dữ liệu đó để xây dựng thuật toán, thứ sẽ tạo ra các mô hình khi chạy Các mô hình được coi như là các hàm, thứ mà sẽ được đưa ra id người dùng, tính toán các đề xuất Bạn sẽ thử các mô hình này trên các dữ liệu để xem liệu bạn có thể sử dụng

nó để phán đoán hành vi của người dùng hay không Giả sử, nếu bạn có dữ liệu khách hàng mua những gì tháng trước, bạn có thể tạo mô hình sử dụng 3 tuần đầu tiên để xem mức độ tốt mà các gợi ý mô hình đưa ra những thứ người dùng mua trong dữ liệu của tuần cuối cùng Điều đó tốt hơn là dự đoán những thứ người dùng đã mua so với hệ thống khuyến nghị cơ sở, cái chỉ đưa ra phương pháp trả về những sản phẩm phổ biến nhất

Phần 2: Bản dịch thứ 2 1.1 Giới thiệu

Sự tăng trưởng quan trọng của Web như một phương tiện cho các giao dịch điện tử và kinh doanh đã đóng vai trò làm động lực cho sự phát triển của công nghệ hệ thống gợi ý Một phương pháp điển hình để cung cấp phản hồi ở dạng xếp hạng là người dùng chọn các số từ hệ thống đánh giá cụ thể cho lượt thích

và không thích của họ đối với những mặt hàng khác nhau

Các hình thức phản hồi khác không hoàn toàn rõ ràng nhưng lại dễ thu thập hơn trong mô hình lấy Web làm trung tâm Khách hàng mua hoặc chọn một mặt hàng có thể được xem như một sự chứng thực cho mặt hàng đó Ý tưởng cơ bản của các hệ thống đề xuất là sử dụng các nguồn dữ liệu khác nhau này để suy ra lợi ích của khách hàng Ngoại lệ đáng chú ý là trường hợp hệ thống gợi ý dựa trên tri thức, trong đó là các đề xuất trên cơ sở các yêu cầu do người dùng chỉ định thay vì lịch sử hoạt động của khách hàng

Nguyên tắc cơ bản của các đề xuất là tồn tại các phụ thuộc đáng kể giữa hoạt động lấy người dùng và vật phẩm làm trung tâm Trong nhiều trường hợp, các loại mặt hàng khác nhau có thể cho thấy mối tương quan đáng kể, có thể tận dụng để đưa ra đề xuất chính xác hơn Ngoài ra, các phụ thuộc có thể có mặt ở mức độ cho tiết hơn của các mặt hàng riêng lẻ qua các danh mục Số lượng các mục được xếp hạng có sẵn cho người dùng càng lớn, việc đưa ra dự đoán về hành vi trong tương lai của người dùng càng dễ dàng Có thể tạo ra các nhóm người dùng tương tự quan tâm đến các sản phẩm tương tự qua hành vi mua và xếp hạng tập thể của nhiều người

Mô tả trên dựa trên một họ thuật toán đề xuất rất đơn giản, được gọi là mô hình khu phố Nó thuộc một lớp mô hình lớn hơn được gọi là lọc cộng tác Thuật ngữ “lọc cộng tác” đề cập đến việc sử dụng xếp hạng từ nhiều người dùng theo cách hợp tác để dự đoán xếp hạng bị thiếu Trong các mô hình nâng cao, dữ liệu theo ngữ cảnh, chẳng hạn như thông tin về thời gian, kiến thức bên ngoài, vị trí, xã hội hoặc mạng, có thể được sử dụng

1.2 Mục tiêu của Hệ thống gợi ý

Hai mô hình chính:

1 Phiên bản dự đoán của các vấn đề: cách tiếp cận đầu tiên là dự đoán giá trị xếp hạng cho sự kết hợp giữa người dùng và các mục, tương tự ma trận mxn không đầy đủ, trong đó các giá trị được chỉ định được dùng để đào tạo Các giá trị bị thiếu được dự đoán bằng cách sử dụng mô hình đào tạo này

2 Phiên bản xếp hạng của vấn đề: không cần thiết phải dự đoán xếp hạng của người dùng cho các mục cụ thể để đưa ra đề xuất cho người dùng Thay vào

đó, người bán có thể muốn giưới thiệu các mặt hàng top-k cho một người cụ thể hoặc xác định người dùng top-k, mặc dù các phương pháp trong hai trường hợp như nhau

Để đạt được mục tiêu tập trung kinh doanh rộng hơn là tăng doanh thu, các mục tiêu hoạt động và kỹ thuật chung của các hệ thống đề xuất:

1 Mức độ liên quan

2 Tính mới lạ

3 Serendipity

4 Tăng tính đa dạng đề xuất

1.3 Mô hình cơ bản của hệ gợi ý

Các phương pháp sử dụng phương pháp trước được gọi là phương pháp lọc cộng tác, trong khi các phương pháp sử dụng phương pháp sau được gọi là phương pháp đề xuất dựa trên nội dung Lưu ý rằng các hệ thống dựa trên nội dung cũng sử dụng ma trận xếp hạng trong hầu hết các trường hợp, mặc dù mô hình thường tập trung vào xếp hạng của một người dùng thay vì của tất cả người dùng Trong các hệ thống tư vấn dựa trên kiến thức, các đề xuất dựa trên yêu cầu của người dùng được chỉ định rõ ràng Thay vì sử dụng xếp hạng lịch sử hoặc dữ liệu mua hàng, kiến thức cơ bản bên ngoài và các ràng buộc được sử dụng để tạo đề xuất Một số hệ thống gợi ý kết hợp các khía cạnh khác nhau này

để tạo ra các hệ thống kết hợp Các hệ thống kết hợp có thể kết hợp điểm mạnh của nhiều loại hệ thống gợi ý khác nhau để tạo ra các kỹ thuật có thể hoạt động mạnh mẽ hơn trong nhiều môi trường khác nhau

1.3.1 Mô hình lọc cộng tác

Các mô hình lọc cộng tác sử dụng sức mạnh cộng tác của xếp hạng do nhiều người dùng cung cấp để đưa ra đề xuất Thách thức chính trong việc thiết kế các phương pháp lọc cộng tác là các ma trận xếp hạng không có kết quả rất thưa thớt Các xếp hạng không được chỉ định sẽ được gọi là “không được quan sát” hoặc "mất tích."

Ý tưởng cơ bản của phương pháp lọc cộng tác là những xếp hạng không xác định này có thể được quy cho vì xếp hạng được quan sát thường có mối tương quan cao giữa nhiều người dùng và mục khác nhau Có hai loại phương pháp thường được sử dụng trong lọc cộng tác, được gọi là phương pháp dựa trên bộ nhớ và phương pháp dựa trên mô hình:

1 Phương pháp dựa trên bộ nhớ: Phương pháp dựa trên bộ nhớ còn được gọi là thuật toán lọc cộng tác dựa trên vùng lân cận Những vùng lân cận này có thể được xác định theo một trong hai cách:

• Lọc cộng tác dựa trên người dùng

• Lọc cộng tác dựa trên mục

2 Phương pháp dựa trên mô hình: Trong các phương pháp dựa trên mô hình, phương pháp học máy và khai thác dữ liệu được sử dụng trong bối cảnh các mô hình dự đoán Trong trường hợp mô hình được tham số hóa, các tham số của mô hình này sẽ được học trong bối cảnh khung tối ưu hóa

1.3.1.1 Các loại xếp hạng

Việc thiết kế các thuật toán đề xuất bị ảnh hưởng bởi hệ thống được sử dụng

để theo dõi xếp hạng Xếp hạng thường được chỉ định trên thang đo cho biết mức độ thích hoặc không thích cụ thể của mặt hàng đó

Số lượng xếp hạng có thể có có thể khác nhau tùy theo hệ thống hiện tại Việc sử dụng xếp hạng 5 điểm, 7 điểm và 10 điểm đặc biệt phổ biến

Người ta cũng có thể sử dụng các giá trị phân loại theo thứ tự như {Rất không đồng ý, Không đồng ý, Trung lập, Đồng ý, Rất đồng ý} để đạt được các mục tiêu tương tự Nói chung, các xếp hạng như vậy được gọi là xếp hạng thứ

tự và thuật ngữ này bắt nguồn từ khái niệm thuộc tính thứ tự Một trường hợp đặc biệt của xếp hạng là xếp hạng đơn nhất, trong đó có cơ chế để người dùng chỉ định mức độ thích đối với một mục nhưng không có cơ chế chỉ định mức không thích Xếp hạng đơn nhất đặc biệt phổ biến, đặc biệt trong trường hợp tập

dữ liệu phản hồi ngầm

1.3.1.2 Mối quan hệ với phân tích giá trị bị thiếu

Các mô hình lọc cộng tác có liên quan chặt chẽ đến việc phân tích giá trị còn thiếu Các tài liệu truyền thống về phân tích giá trị còn thiếu nghiên cứu vấn

đề xác định các mục trong một ma trận dữ liệu được chỉ định không đầy đủ Lọc cộng tác có thể được xem như một trường hợp đặc biệt (khó) của bài toán này trong đó ma trận dữ liệu cơ bản rất lớn và thưa thớt

1.3.1.3 Lọc cộng tác là một khái quát hóa phân loại và mô hình hồi quy

Các phương pháp lọc cộng tác có thể được xem như là sự tổng hợp của mô hình phân loại và hồi quy Trong các bài toán mô hình phân loại và hồi quy, biến lớp/phụ thuộc có thể được xem như một thuộc tính thiếu các giá trị Các cột khác được coi là tính năng/biến độc lập Vấn đề lọc cộng tác có thể được xem như một sự khái quát hóa của khung này vì bất kỳ cột nào cũng được phép thiếu các giá trị thay vì (chỉ) biến lớp Lọc cộng tác là sự tổng quát hóa của mô hình phân loại/hồi quy trong đó dự đoán được thực hiện theo kiểu đầu vào thay

vì kiểu theo hàng

Bài toán hoàn thiện ma trận cũng có một số đặc điểm với cài đặt quy nạp trong phân loại và hồi quy Trong cài đặt chuyển đổi, các trường hợp kiểm tra cũng được đưa vào quá trình đào tạo (thường sử dụng thuật toán bán giám sát)

và thường khó đưa ra dự đoán cho các trường hợp kiểm tra không có sẵn tại thời

điểm đào tạo Mặt khác, các mô hình trong đó có thể dễ dàng đưa ra dự đoán cho các trường hợp mới được gọi là mô hình quy nạp

Cài đặt để hoàn thành ma trận vốn có tính chất chuyển nạp vì dữ liệu huấn luyện và kiểm tra được tích hợp chặt chẽ với nhau trong ma trận xếp hạng mxn

R và nhiều mô hình không thể dễ dàng dự đoán xếp hạng cho người dùng

và/hoặc vật phẩm ngoài mẫu

1.3.2 Hệ thống gợi ý dựa trên nội dung

Trong các hệ thống gợi ý dựa trên nội dung, các thuộc tính mô tả của các mục được sử dụng để đưa ra gợi ý Thuật ngữ “nội dung” đề cập đến những mô

tả này Trong phương pháp dựa trên nội dung, xếp hạng và hành vi mua hàng của người dùng được kết hợp với thông tin nội dung có sẵn trong các mục Trong các phương pháp dựa trên nội dung, các mô tả mục, được gắn với xếp hạng, được sử dụng làm dữ liệu huấn luyện để tạo ra một vấn đề mô hình hồi quy hoặc phân loại dành riêng cho người dùng

Các phương pháp dựa trên nội dung có một số ưu điểm trong việc đưa ra đề xuất cho các mặt hàng mới khi không có đủ dữ liệu xếp hạng cho mặt hàng đó Điều này là do các mặt hàng khác có thuộc tính tương tự có thể đã được người dùng đang hoạt động xếp hạng Do đó, mô hình được giám sát sẽ có thể tận dụng các xếp hạng này kết hợp với các thuộc tính của mặt hàng để đưa ra đề xuất ngay cả khi không có lịch sử xếp hạng cho mặt hàng đó

Các phương pháp dựa trên nội dung cũng có một số nhược điểm:

1 Trong nhiều trường hợp, các phương pháp dựa trên nội dung đưa ra các

đề xuất rõ ràng nhờ sử dụng từ khóa hoặc nội dung Ví dụ: nếu người dùng chưa bao giờ sử dụng một mặt hàng có một bộ từ khóa cụ thể thì mặt hàng đó sẽ không có cơ hội được đề xuất Điều này là do mô hình được xây dựng dành riêng cho người dùng hiện tại và kiến thức cộng đồng từ những người dùng tương tự không được tận dụng Hiện tượng này có xu hướng làm giảm tính đa dạng của các mặt hàng được đề xuất, điều này là không mong muốn

2 Mặc dù các phương pháp dựa trên nội dung có hiệu quả trong việc cung cấp đề xuất cho các mục mới nhưng chúng lại không hiệu quả trong việc cung cấp đề xuất cho người dùng mới

1.3.3 Hệ thống gợi ý dựa trên kiến thức

Hệ thống gợi ý dựa trên kiến thức đặc biệt hữu ích trong bối cảnh những mặt hàng không được mua thường xuyên Không có đủ xếp hạng cho quy trình

đề xuất Do đó, trong những trường hợp này, miền hạng mục có xu hướng phức tạp về các thuộc tính đa dạng của nó và khó có thể liên kết đủ xếp hạng với số lượng lớn các kết hợp có sẵn