Khóa luận tốt nghiệp Hệ thống thông tin: Xây dựng website kinh doanh sản phẩm thời trang kết hợp đề xuất sản phẩm trên nền tảng Laravel

Với tình hình cạnh tranh cực kỳ “khốc liệt” như hiện nay giữa các doanh nghiệp thì rất khó đề có thể độc quyền một sản phẩm nào, bởi vậy nơi chỉnh phục được khách hàng chính là nơi làm h

ĐẠI HỌC QUỐC GIA THÀNH PHÓ HÒ CHÍ MINH

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA HỆ THÓNG THÔNG TIN

HÀ PHI VŨ - 18521664

TRAN THỊ NHƯ Ý - 18521688

KHÓA LUẬN TÓT NGHIỆP

XÂY DỰNG WEBSITE KINH DOANH SAN PHAM THỜI TRANG KET

HỢP DE XUẤT SAN PHAM TREN NEN TANG LARAVEL

Developing a fashion website integrated outfit recommendations on

the Laravel platform

KY SU NGANH HE THONG THONG TIN

TP HO CHÍ MINH, NAM 2022

ĐẠI HỌC QUỐC GIA THÀNH PHÓ HÒ CHÍ MINH

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA HỆ THÓNG THÔNG TIN

HÀ PHI VŨ - 18521664

TRAN THỊ NHƯ Ý - 18521688

KHÓA LUẬN TÓT NGHIỆP

XÂY DUNG WEBSITE KINH DOANH SAN PHAM THỜI TRANG KET

HỢP ĐÈ XUẤT SAN PHAM TREN NEN TANG LARAVEL

Developing a fashion website integrated outfit recommendations on

the Laravel platform

KY SU NGANH HE THONG THONG TIN

GIANG VIEN HUONG DAN

TS CAO THỊ NHAN

TP HO CHi MINH, NAM 2022

LỜI CÁM ƠN

Hoàn thành khóa luận là một trong những việc khó nhất mà chúng em phải thực

hiện từ trước đến nay Trong quá trình thực hiện đề tài chúng em đã gặp rất nhiều khó khăn

và bỡ ngỡ Nếu không có những sự giúp đỡ và lời động viên chân thành của nhiều người

có lẽ chúng em khó có thể hoàn thành khóa luận này Khóa luận tốt nghiệp là một tiền đề

dé chúng em trang bị những kiến thức, kinh nghiệm quý báu trước khi tốt nghiệp đại học

và tiến hành chuẩn bị lập nghiệp sau này.

Đầu tiên chúng em xin gửi lời biết ơn chân thành đến cô Cao Thị Nhạn, giáo viên hướng dẫn của chúng em Những ý kiến đóng góp của cô là vô cùng hữu ích, nó giúp chúng

em nhận ra các khuyết điểm của luận văn Sau đó, chúng em xin gửi lời cảm ơn chân thành đến quý Thầy Cô trường Đại học Công nghệ Thông tin - Đại học Quốc gia Thành phó Hồ

Chí Minh, đặc biệt là quý Thầy Cô thuộc khoa Hệ thống Thông tin đã chỉ dạy, hỗ trợ, quan tâm và trang bị cho chúng em những kiến thức bổ ich dé chúng em có thể học hỏi, tiếp thu

trong thời gian ngồi trên ghế nhà trường và quá trình thực hiện đề tài khóa luận nảy.

Trong thời gian thực hiện chúng em đã cố gắng, nỗ lực hết minh dé hoàn thành tốt khóa luận của mình, nhưng khó tránh khỏi những thiếu sót ngoài ý muốn Chúng em rất

mong nhận được những lời ý kiến đóng góp, phê bình của quý Thầy Cô dé chúng em có thể sửa chữa và hoàn thiện.

Trên con đường góp nhặt những kiến thức quý báu của ngày hôm nay, các thay, cô,

bạn bè trường Đại học Công nghệ thông tin là những người đã cùng em sát cánh và trải

nghiệm.

Va sau cùng, chúng con xin cảm ơn cha mẹ, những người đã sinh thành, dưỡng duc

và nuôi đạy chúng con nên người Suốt đời này chúng con luôn ghi nhớ công ơn.

Tp Hồ Chí Minh, tháng 12, năm 2022

Nhóm sinh viên thực hiện

Hà Phi Vũ, Trần Thị Như Ý

NHAN XÉT CUA GIẢNG VIÊN

Chương 1 TONG QUAN VỀ DE TÀI 1

II Dat van dé 1

1.2 Thương mại điện tử tại Việt Nam 2

1.3 Mục tiêu và chức năng chính của hệ thống 2

1.4 Định hướng giải quyết van dé 3

1.5 Tính ứng dụng của dé tài 3

1.6 Công cụ sử dung 3

1.7 Bố cục báo cáo khóa luận 4

Chương 2 CƠ SỞ LÝ THUYET VÀ CÔNG NGHỆ SỬ DUNG 5

2.1 Công nghệ sử dụng trong đề tài 5

2.1.1 Heidisql 5 2.12 Ngôn ngữ PHP 5 2.1.3 Laravel FrameWork 6

2.1.4 Laragon 7

2.2 Hệ thống khuyến nghị sản phẩm 8

2.2.1 Giới thiệu §

2.2.2 Giới thiệu phương pháp xây dựng hệ thống khuyến nghị §

2.2.3 Cơ sở lý thuyết và xây dựng hệ thống khuyến nghị 9

2.2.3.1 Collaborative filtering 9

2.2.3.2 Content-based filtering 16

Chương 3 MÔ HÌNH KHUYEN NGHỊ ĐƯỢC THỰC NGHIEM 19

3.4 Tích hợp chức năng khuyến nghị vào ứng dung 42

Trang I

4.2 _ Xác định yêu cầu hệ thống

4.2.1 Yêu cầu chức năng

4.2.2 _ Yêu cầu phi chức năng

4.3 Khảo sát chỉ tiết hệ thống

4.4 Các tác nhân của hệ thống

4.5 Sơ đồ use case của hệ thống

4.5.1 Cac use case phía người dùng

4.5.2 Các use case phía người quản tri

4.6 Mô tả chi tiết các chức năng chính của hệ thong

57 58

58

62

64 66 70 71 75

78 81

82 82

4.7.11 Bang carts 89

4.7.12 Bang categories 89

4.7.13 Bang brands 90 4.7.14 Bang notifications 91

4.7.15 Bang post_tags 91 4.7.16 Bang messages 92

4.7.17 Bảng wishlist 92

4.9 Thiết kế quy trình khuyến nghị 93

4.9.1 Sơ đồ khuyến nghị sản phẩm bằng phương pháp Content-Based

Filtering 93

4.9.2 Quy trình thực hiện Content-based Filtering trong framework Laravel

93

Trang 3

Chương 5 TRIÊN KHAI HỆ THONG

5.1 Sơ đỗ giao diện

5.2 Các trang màn hình của Customer

Man hình Bài viết

Màn hình Bình luận bài viết

Màn hình Liên hệ

Man hình Chi tiết sản phẩm

Man hình Giỏ hang

Màn hình Thanh toán 5.2.13.1 Thanh toán khi giao hàng

5.2.13.2 Thanh toán qua ví điện tử VNPay

5.2.13.3 Thanh toán qua ví điện tử MoMo

5.2.14 Man hình Đánh giá sản pham

Trang 4

95 95

96 96 97 98 99 102 102

104

105

106 107 108 110 113 115 115 119 122

5.2.15 Man hình Quản lý tài khoản/Dashboard

5.2.16 Man hình Quản ly tài khoan/Don hang của bạn

Xây dựng giao diện phía admin

Giao diện trang quản

Giao diện trang quản

Giao diện trang quản

Giao diện trang quản Giao diện trang quản Giao diện trang quản Giao diện trang quản Giao diện trang chủ admin

132

134 134 135 136 137 140 140

141

142 142

5.4.10 Giao diện trang quản lý bình luận bài viết

5.4.11 Giao diện trang quản lý người dùng

5.4.12 Giao diện trang quản lý cai đặt chung trang Web

Chương 6 KET LUẬN VÀ HƯỚNG PHAT TRIÊN

147

147

147 148

Hình 2.1 Logo của Heidisql[15].

Hình 2.2 Logo của Laravel Frame Work[6] - + ¿5+5 +SS*2+2t2x#xxrrrkererrrerree 6

Hình 2.3 Màn hình của phần mềm laragon[ 17] - -:22+z++22vs++++tvvszrezrrssccee 7

Hình 2.4 Các bước thực hiện User-user CF [3] - - ¿+52 S+£‡x+x+k+k+txEexekereksesree 9

Hình 2.5 Similarty matrix[3] - ¿+ + t3 kg nnhnngggrrrrưệg 1

Hình 2.6 Các bước thực hiện Item-item CF [3] - - ¿+52 S2+S+£+zet+xeexeeeeseexsxz 2

Hình 2.7 Vector cosine thông thường [ 13] - -¿- 55c 5+5++x‡£+‡xvzxerrxerxererkeree 4

Hình 2.8 Minh họa vector sản phẩm "8X i6 4 Hình 2.9 Minh họa kết quả cosine của a,b,€ [ Í3] ¿+5 sskkskrrkrrrerekekekrkrkree 5 Hình 2.10 Minh họa kết quả khi áp dụng Adjusted Cosine [13] -: -: 5 Hình 2.11 Thống kê độ chính xác khi sử dụng cosine hiệu chỉnh [ 13] - 6

Hình 2.12 Utility matriX[Š ] 5-5552 S32 S**E2E2E#EE*EE2EEEE E2 EEETrrrrrrrrrrrie 6

Hình 3.1 Minh hoa cho thuật toán Content-Based Filtering[ LŨ] - - + «5< 9

Hình 3.2 Kết quả khuyến nghị cho sản phẩm với id = 99836488.

Hình 3.3 Màn hình khuyến nghị 3 sản phẩm đầu ¿¿©5z+222vvvz++cvvscee 23 Hình 3.4 Màn hình khuyến nghị 3 sản phẩm sau 22-22+2222+2z2vvEvzersrrrscee 24 Hình 3.5 Kết quả khuyến nghị cho sản phẩm có id = 205602173 - 24

Hình 3.6 Màn hình khuyến nghị 3 sản phẩm đầu tương tự với sản phẩm có

1d=205602 lÍ7Ồ 1n 1111111112 H101 TT HH TT TH HT HH HH HH 25

Hình 3.7 Màn hình khuyến nghị 3 sản phẩm sau -22-2Z++2V2+Szrevzveerrrrrscee 26

Hình 3.8 Kết quả khuyến nghị cho sản phẩm với id = 192812500 - 26

Hình 3.9 Màn hình khuyến nghị 3 sản phẩm đầu tương tự với sản phẩm có

Hình 3.13 Màn hình khuyến nghị 3 sản phẩm sau tương tự v . : c- 30

Hình 3.14 Kết quả khuyến nghị cho sản phâm với id = 203040150 - 30 Hình 3.15 Màn hình khuyến nghị 3 sản phẩm đầu tương tự

Hình 3.16 Màn hình khuyến nghị 3 sản phẩm sau tương tự : -c-: -5sc2 32 Hình 3.17 Minh hoa cho hệ thống khuyến nghị Collaborative Filtering.[1] 34

Hình 3.18 Bộ dữ liệu thô cho Collaborative Filtering -‹sc+s+ecexececseeexexee OO.

Hình 3.19 Bộ đữ liệu thô cho Collaborative Filtering

Hình 3.20 Bộ dữ liệu sau khi lọc cho Collaborative Filtering -+-+-+ =+ 36

Hình 3.21 Gợi ý sản phẩm cho user id tương ứng :-+22v+z+22vvvvzr+rrvscee 41 Hình 3.22 Màn hình chi tiết san phẩm với các sản phẩm được khuyến nghị 43 Hình 3.23 Màn hình khuyến nghị các sản phẩm đang thịnh hành

Hình 4.5 Sơ đồ use case dành cho phía người dùng

Hình 4.6 Sơ dé use case dành cho phía người quản trị -.-:¿-522cvcccccz+r+x 57

Hình 4.7 Use case đăng kỹ + + vn HT nghiện 58

Hình 4.8 So đồ tuần tự chức năng đăng ký o.e.ccsseeeeccscssssssseeessccessssseesececesssnseeseccesssnneeeseees 60 Hình 4.9 Sơ đồ hoạt động chức năng đăng ký - -¿ 2c+222v2++tecvvvrrerrrvrrrsrrrrree 6l

Hình 4.10 Use case đăng nhập - - ¿St t4 HH 0101 1H 0 tên 62

Hình 4.11 Sơ đồ tuần tự chức năng đăng nhập

Hình 4.12 Sơ đồ hoạt động chức năng đăng nhập - -¿2©v+z+222vvzze+cvvscee 64 Hình 4.13 Use case tìm kiếm sản phẩm -¿ 2222222+t22222EEEEvrrrrtrrrkrrrrrrrrrrer 65 Hình 4.14 Sơ đồ tuần tự chức năng Tìm kiếm sản pham -+2255c+2 66

Trang I

Hình 4.15 Use case quản lý gid hang ¿+ + tk ngư 67

Hình 4.16 Sơ đồ tuần tự chức năng giỏ hàng -¿ 22¿¿22222z+e2Cvvvrrevvvvrersrrrrree 69

Hình 4.17 Use case đặt hàng

Hình 4.18 Sơ đồ tuần tự chức năng đặt hàng 22¿¿©2222++c2Cvvvrreervrrrrsrrrrree 71 Hình 4.19 Use case quản lý bài viẾt 2222cccc222E E211 ri 72

Hình 4.20 Sơ đồ tuần tự chức năng Quản lý bài viết -©22z22c2vzeeserxscee 75

Hình 4.21 Use case quản lý sản phẩm

Hình 4.22 Sơ đồ tuần tự chức năng quản lý sản phẩm -¿+22+zz++22+zcez 78

Hình 4.23 Use case quản lý đơn hàng -¿- - - + 55k ke Hggưưn 78

Hình 4.24 Sơ đồ tuần tự chức năng quản lý đơn hang cho Admin -:- 81 Hình 4.25 So đồ tuần tự chức năng quản ly don hang cho Customer

Hình 4.26 Mô hình quan hệ -¿- - + +6 SE} E1 TT 1H HH trên 81

Hình 4.27 Sơ đồ khuyến nghị sản phẩm bằng phương pháp Content-Based Filtering 93

Hình 5.1 Hình sơ đỗ giao diGt.cc.scccccssccsssssssecsssssesscssssesssssssscsssssessssssssscssssscsessssecesssecsesssees 95

Hình 5.7 Màn hình thay đổi mật khẩu 2 ©++++22EEE+t2EEEEEttEEEEErrrrrrkrrrrrrrrcee 99

Hình 5.8 Màn hình banneTr ¿+ ¿6xx SEEEEk 1E E111 it 100

Hình 5.9 Màn hình mẫu thịnh hành 2-2 ¿5£ 22 E£EE£EE£EE££EE2EE£EEeEEerEerxerrerree 100 Hình 5.10 Màn hình mẫu bán chạy - 2: 5¿©5222++2£S++2£E++vEEEvetrxrrtrxrrerree 101 Hình 5.11 Màn hình mẫu mới nhất

Hình 5.12 Màn hình danh sách bài viết -. -¿-¿¿-2522cvvccestttrErkrtrrrrrrrrrrrrrrrrree 102

Hình 5.13 Màn hình giới thiệu - 52-5-5552 té Hước 102

Hình 5.14 Màn hình danh sách sản phẩm -.¿:-22+£22++z+222v+++etevvvrrrrrrvee 104

Hình 5.15 Màn hin

Hình 5.16 Man hin!

Hinh 5.17 Man hin!

Hinh 5.18 Man hin!

Hinh 5.19 Man hin!

Hinh 5.20 Man hin

Hình 5.21 Man hin!

Hinh 5.22 Man hin!

Hinh 5.23 Man hin!

Hinh 5.24 Man hin!

Hinh 5.25 Man hin!

h danh muc san pham

danh sách sản phẩm

h bai viết chỉ tiết bài viết

Hình 5.26 Màn hình thêm sản phẩm vào Giỏ hàng từ danh sách sản phẩm 110

Hình 5.27 Màn hình thêm sản phẩm vào Giỏ hang từ màn hình Chỉ tiết sản phẩm 111

Hình 5.28 Danh sách sản phẩm có trong Giỏ hang sseseescscssssssseeessccessssneeeseccesssnneeeses 112

Hình 5.29 Màn hình Giỏ hàng + tt SE 3E EEvEEEkkekekekrkekrkrrrrkrksrrkrkrrk 113

Hình 5.30 Màn hình nhắn nút [THANH TOÁN] tại màn hình Chỉ tiết sản phẩm 114

Hình 5.31 Màn hình giỏ hàng -¿- t3 3E 1 1E EEv g HH nngrriưy 114

Hình 5.32 Màn hình thanh toán với lựa chọn Thanh toán khi giao hàng 115

Hình 5.33 Màn hình Trang chủ với thông báo đặt hàng thành công 115

Hình 5.34 Màn hình thanh toán với lựa chọn Thanh toán VNPay +5 116

Hình 5.35 Màn hình công thanh toán VNPayy -222+¿+22222vvvcrrttrrrrrrrerrerree 117 Hình 5.36 Màn hình yêu cầu xác thực mã OTP của ví điện tử 'VNPay c+ 118

Hình 5.37 Màn hình thanh toán thành công với ví điện tử VNPay - «+ 118

Hình 5.38 Màn hình thanh toán với lựa chon Thanh toán qua ví điện tử MoMo 119

Hình 5.39 Màn hình giao dich Màn hình giao dịch MoMo -¿-5- 5< <c++ 120

Hình 5.40 Màn hình xác nhận mã OTP của tài khoản thanh toán - «+ 121

Hình 5.41 Màn hình thành toán thành công cho ví điện tử MoMo -. 122

Trang 3

Hình 5.42 Màn hình sau khi thực hiện giao dịch thành công 5 +5+5+5+ 122

Hình 5.43 Màn hình thêm đánh giá -. - 5c 5+ tEt‡EEEeEvEkEEtrkerkerrkerkrkerkerrtee 123

Hình 5.44 Màn hình hiền thị sau khi đánh giá

Hình 5.45 Màn hình dashboarrd ¿- - ¿5< 252% *£*2EEEk#kE vn ggrưn 124

Hình 5.46 Màn hình dashboard - - + 5+ 5S 2E 9E EEEEESEEkEEkEkEg th gg rưy 124

Hình 5.47 Màn hình chỉ tiết đơn hàng -22:22222+222EE222EE2E22tEE2EEEEEEELEerrrrrkee 125

Hình 5.48 Màn hình khuyến nghị các sản phẩm tương tự với sản phẩm đang được khách

hang theo dõi 126

Hình 5.49 Màn hìn 127

Hình 5.50 Màn hình banneT - - + ¿6 St E2EkSk#E#EEEEEEEKEEEE 1111 113 1111k ghi 127

Hình 5.51 Màn hình khuyến nghị sản phâm thịnh hành -cccc +- 128

Hình 5.52 Màn hình khuyến nghị sản phẩm bán chạy -©¿£22252z+zvczse2 128

Hình 5.53 Màn hình khuyến nghị sản phâm mới nhất -::¿£22vveccc+z+z 129

Hình 5.54 Màn hình danh sách bài viẾt : -22222222c++2222EEvvvrrrrrrrrrrvrrrrrree 129

Hình 5.55 Màn hình giới thi@u + 6 St E*EETkT Hư 130

Hình 5.56 Màn hình danh sách sản phẩm 2¿-©22z+222E+++t2EEEEEettEvEvrrrrrrvee 130 Hình 5.57 Màn hình chỉ tiết sản phẩm - : 222¿222222+222ES2zttEEExvrerrrvrrrrrrrvee 131

Hình 5.58 Màn hình đăng nhập - + 5+ St 2E SEEEEsEekekrkrkrrrrrrekekrkrkrrek 131

Hình 5.59 Màn hình danh mục sản phẩm -¿ ©2++22+++++22v+++ettvvvrrrrrvee 132 Hình 5.60 Màn hình bài viết sản phẩm 222222222222 v2 v22 Errrrrrrrrrtrrrrrree 132

Hình 5.61 Màn hình bài viết 222222c2222222222+ttSEEEEEEE2ErrEEEEEEEEErrrrrrrrrrrrrrrrree 133

Hình 5.62 Màn hình hiền thị nội dung bài viết „ 134

Hình 5.63 Giao diện trang chủ adimII - ¿+ 5° tt SvEvEsEekekekerrerrrrekeerkrkrre 135

Hình 5.64 Giao diện trang quản lý bannneT- - - ¿+ + 2 SS+£‡kekeEeErkekekererie 135

Hình 5.65 Giao diện trang thêm mới và chỉnh sửa bann€r ¿+ + sx+xzx+++++ 136

Hình 5.66 Giao diện thông báo xác nhận xóa banner

Hình 5.67 Giao diện trang quản lý danh mục sản phẩm -ccc-+¿ 137

Trang 4

Hình 5.68 Giao diện trang quản

Hình 5.69 Giao diện trang thêm

Hình 5.70 Giao diện thông báo xác nhận xóa sản phẩm

Hình 5.71 Giao diện trang quản

Hình 5.72 Giao diện trang quản

Hình 5.73 Giao diện trang thông

Hình 5.74 Giao diện trang cập n

Hình 5.75 Giao diện trang quản

Hình 5.76 Giao diện trang quản

Hình 5.77 Giao diện trang quan

Hình 5.78 Giao diện trang quản

Hình 5.79 Giao diện trang quản

Hình 5.80 Giao diện trang quản

Wy Sam PAM mm 1 137

mới và chỉnh sửa sản phẩm . -+ 138

139

ý thương hiệu sản phẩm cc555c¿ 140

lý đơn hang «+1 rưy 140

tin chỉ tiết đơn hàng -2¿-©2222zccvcvvzerrrrrsee 141

DANH MỤC BANG

Bảng 3.1 Bảng mô tả các trường dữ liệu cho Content-based Filtering

Bang 3.2 Bảng dữ liệu thô chỉ tiết cho từng loại sản phẩm ¿22 21 Bang 3.3 Bang dit liệu trước và sau khi tiền xử LY .ccsccccssssecssssseeccssssecessssiecssssieecessseeees 2 Bang 3.4 Các trường dữ liệu cần thiết cho thuật toán Collaborative Eiltering 36

Bảng 3.5 Kết quả đánh giá lọc cộng tác sau khi đã tiền xử lý đữ liệu - 38

Bang 3.6 Bảng các sản phẩm được khuyến nghị với Consine cho user id = 1704561 39

Bang 3.7 Bảng các sản phẩm được khuyến nghị với Consine điều chỉnh cho user id =

5O 40

Bảng 3.8 Bang ưu điểm và hạn chế của 2 thuật toán Collaborative Filtering và

Content-based Filtering.

Bảng 4.1 Bang đặc ta use case Đăng ký ScnntnenHhHHHườt 59

Bảng 4.2 Bảng đặc ta use case đăng nhập - - 5: 2s 2tr 63

Bang 4.3 Bang đặc ta use case tìm kiếm 22+:-22222 22 2222111 EE.rrrrrrrir 65

Bảng 4.4 Bảng đặc tả use case thêm sản phẩm vào giỏ hàng.

Bảng 4.5 Bảng đặc tả use case đặt hàng

Bang 4.6 Bảng đặc ta use case quản ly bài việt

Bang 4.7 Bang đặc ta use case quản lý sản phẩm -2¿¿225vz+ecvcvvrescvvsrrecrr 76

Bảng 4.8 Bảng đặc tả use case quản lý đơn hàng -¿- 56 Street 79

Bang 4.9 Sơ đồ lớp 22222222 22222121121 2.2221211111 T 27111111 211111111 re 82 Bảng 4.10 Bảng shippings c5 +2 ng HH H210 1 g1 83

Bang 4.11 Bảng US€TS + S222 1E 2 217121021 11217171 1111011 11g10 0.011 rưếc 83

Bang 4.19 Bảng prOduCfS 5 52222222 2212121219121 2111 1.11112101010111 1 tren 89

Bang 4.20 Bảng CaTS - St HH 01H00 Hà HH rên 89

Bang 4.21 Bang Caf€BOFI€S S2 HH 21210212121 1.10112101010011 1 Hư 90

Bảng 4.22 Bang Drannds - S1 11 1 E1 1 1 111g HT ng gi 90

Bang 4.23 Bảng notifications St tt TH HH2 211212 121.101 re 91

Bang 4.24 Bảng pOS(_ fagS Tàn HH TT HH HT 91

Bang 4.25 Bang messages sccccccsesesseesseseseeecseseseseseeseseseseeeneseseseesenesesesneessssseseeeseee 92

Bang 4.26 Bang wishlist

Bang 5.1 Chức năng của các màn hình chính ¿- 5 25+ 5+++2£+++£e£zx+xsxexerxcxe 96

Chương 1 TONG QUAN VE ĐÈ TÀI

1.1 Đặt vấn đề

Trong thời buổi xã hội dang không ngừng phát triển, xu hướng thương mại điện

tử ngày càng phát triển Moi việc giờ đây thật đơn giản, chỉ cần có một chiếc máy tính hay chỉ với một chiếc điện thoại thông minh có kết nối với internet, việc mua bán, trao đổi thương mại trở nên thật đễ dàng hơn bao giờ hết với tất cả mọi người chỉ với một

vài cái click chuột.

Với việc thương mại điện tử hóa, mọi rào cản về không gian địa lý hay thời gian làm việc đều được xóa bỏ Các sản phẩm được khách hàng đón nhận và cập nhật những

thông tin về sản phẩm một cách rõ ràng không chỉ những người mua hàng ở khu vực

đó mà trên cả đất nước Việt Nam, thậm chí là người dân trên toàn thế giới Người bán

giờ đây không chỉ còn ngồi một chỗ chờ khách hàng đến tìm mà đã tích cực chủ động tìm đến khách hàng Và khi số lượng khách hàng tăng lên thì lúc đó cũng tỉ lệ thuận với việc doanh thu của cửa hàng sẽ tăng theo, đó mới chính là điều mà các doanh nghiệp

đang hướng tới.

Không chỉ dừng lại ở đây, thương mại điện tử còn tạo ra những cơ hội làm ăn

cho những ai không đủ vốn bởi: không cần mắt tiền thuê mặt bằng ở những nơi đắt đỏ, thuê nhân viên, đầu tư nhiều cho việc chạy quảng cáo mà chỉ cần đầu tư có lợi cho một website thương mại điện tử với đầy đủ thông tin về doanh nghiệp cũng như các tính năng hỗ trợ tìm kiếm mua hàng, đưa hình ảnh, thông tin sản phẩm chính xác đến người tiêu dùng Từ đó, khách hàng sẽ có thể tiếp cận thông tin chủ động hơn, nhờ tư vấn và mua bán dé dàng, chính xác và nhanh gọn hơn Với tình hình cạnh tranh cực kỳ

“khốc liệt” như hiện nay giữa các doanh nghiệp thì rất khó đề có thể độc quyền một sản phẩm nào, bởi vậy nơi chỉnh phục được khách hàng chính là nơi làm họ cảm thấy thoải mái, hài lòng và tin tưởng nhất.

Bằng việc thương mại điện tử hóa, tất cả doanh nghiệp từ lớn, vừa và nhỏ đều

có thể thỏa sức sáng tạo, cạnh tranh công bằng trên thị trường thương mại điện tử Những ý tưởng kinh doanh sáng tạo đầy hấp dẫn, những chiến lược tiếp thị táo bạo cùng nhiều khuyến mãi đi kèm được áp dụng lên sản phẩm và được khách hàng đón nhận nhanh mà không tốn quá nhiều chi phí bởi tat cả vẫn được gói gon trong website

thương mại điện tử.

Trên những cơ sở đó, nhóm tác giả chọn dé tài “Xây dựng website kinh doanh

sản phẩm thời trang kết hợp đề xuất sản phẩm trên nền tảng Laravel” làm đề tài tốt

Trang I

nghiệp nhằm giải quyết các nhu cầu quảng bá và kinh doanh sản phẩm của cửa hàng

hướng trực tiếp đến khách hàng trên mọi miền đất nước và quốc tế.

1.2 Thương mại điện tử tại Việt Nam

Thương mại điện tử (E-Commerce)[19] là hình thức kinh doanh trực tuyến sử

dụng nền tảng công nghệ thông tin với sự hỗ trợ của mạng Internet đề tiến hành các

giao dịch như mua bán, trao đổi và thanh toán trực tuyến Thương mại điện tử là xu

hướng của thời đại toàn cầu hóa, đây là lĩnh vực tiềm năng để các doanh nghiệp vừa

và nhỏ phát triển, tạo cơ hội cho những ai muốn khởi nghiệp theo mô hình mới và hiện

đại này Mô hình kinh doanh này được xem là một trong những giải pháp thúc đây sự phát triển của nền kinh tế quốc gia.

Dự đoán trong 10 năm tới nhu cầu mua sắm trên các nền tảng Thương mại điện

tử sẽ phát triển mạnh mẽ thay thế dần các mô hình kinh doanh truyền thống.

1.3 Mục tiêu và chức năng chính của hệ thống

Dé có được một website bán hàng, giao diện của website là một điều vô cùng

quan trọng Giao điện là nơi khách hàng được tiếp xúc và sử dụng đầu tiên, đòi hỏi cần phải thân thiện với người dùng và tương thích các thiết bị thông minh như máy tính, thiết bị di động Bên cạnh đó, khi xây dựng website cần phải đề ý tối ưu tốc độ xử lý nhanh nhất, chính xác, hiệu quả nhất có thê cho cả người mua cũng như người dùng sử

tại bất kỳ nơi đâu và nhận được sản phẩm tốt trong thời gian sớm nhất Về phía cửa hàng, người quản trị website có thể quản lý tat cả nội dung của trang web như thiết kế hình ảnh quảng cáo cho sản phẩm, tạo bài viết lôi cuốn người dùng, quản lý sản phẩm, quản lý đơn hàng và thống kê doanh số bán hàng.

Một website thương mại điện tử luôn phải hướng đến khách hàng, do vậy sử dung các yếu té tương tác với người dùng trong website là một điều quan trong, cần sử dụng các hình ảnh bắt mắt giúp mô tả thông tin và chất lượng của sản phẩm hoặc sử

Trang 2

dụng các phương tiện truyền thông như một trong những yếu tố tương tác phô biến

nhất cần phải nghĩ đến khi thiết kế website bán hàng.

1.4 Định hướng giải quyết vấn đề

Dựa trên cơ sở mục tiêu, yêu cầu và các chức năng chính của hệ thống, cùng

thời gian làm việc trực tiếp với ngôn ngữ PHP, nhóm tác giả đã quyết định sử dụng ngôn ngữ PHP là ngôn ngữ chính đề xử lý các logic đến từ hệ thống Kết hợp với một

số ngôn ngữ, thư viện và Framework hỗ trợ như HTML, CSS, Javascript, Jquery, Laravel Framework để thiết kế giao diện và xử lý hệ thống Về thanh toán điện tử,

nhóm sử dụng thanh toán ví điện tử MoMo, VNpay - những kênh thanh toán online

phổ biến nhất được người dùng tin tưởng sử dụng với khả năng bảo mật và nhiều

phương thức thanh toán tiện lợi cho người dùng.

1.5 Tính ứng dụng của đề tài

Ngày nay, với sự phát triển của kỹ thuật — công nghệ, các trang mua sắm thương mại điện tử cũng ngày càng phát triển và phô biến hơn với người dùng Đa phần trên các nền tảng thương mại điện tử hiện nay vẫn còn những khó khăn đề người dùng tiếp cận được đến các sản phẩm theo mong muốn của họ một cách chính xác Vì thế một

hệ thống khuyến nghị sản phẩm tốt sẽ giúp cho doanh nghiệp hoạt động hiệu quả hơn.

Ngoài ra trang web sẽ cung cấp cho người dùng đa dạng các phương thức thanh

toán (VNPay, MoMo) cho người dùng thuận tiện thanh toán Đồng thời, trang web cũng sẽ sẽ cung cấp các bài biết, tin tức về khuyến mãi, các sản phẩm mới, cung cấp cho khách hàng nhiều thông tin về sản phẩm, điều đó giúp khách hàng thường xuyên truy cập trang web ngay cả khi chưa có nhu cầu mua sắm.

Vì thế, nhóm quyết định tìm hiểu, xây dựng trang web kinh doanh sản phẩm thời trang phát triển và ứng dụng một hệ thống khuyến nghị Hệ thống sẽ khuyến nghị các sản phẩm phù hợp với nhu cầu mua sắm của khách hàng.

1.6 Công cụ sử dụng

Trong quá trình thực hiện đề tài, nhóm đã sử dụng một số công cụ để phục vụ cho việc

triển khai đề tài, bao gồm:

- Hệ điều hành: Windows 10.

- _ Công cụ quản lý CSDL: HeidiSQL.

- Công cụ vẽ sơ đồ phân tích thiết kế: draw.io.

- _ Công cụ xây dựng ứng dung: Visual Studio Code, Laragon.

Trang 3

- _ Công cụ kiểm tra API endpoints: Postman.

- Công cụ quan lý mã nguồn: Github.

1.7 Bố cục báo cáo khóa luận

Bài báo cáo đề tài chia thành 06 chương như sau:

Chương 1 Tổng quan: Trong chương đầu tiên, nêu lên vấn đề, hiện trạng của thương mại điện tử Việt Nam Từ đó, đề ra mục tiêu và chức năng chính của hệ thống trang web và định hướng giải quyết van đề dé hoàn thành trang web.

Chương 2 Cơ sở lý thuyết và công nghệ sử dụng: Ở chương 2, trình bày cơ sở lý thuyết và lý do tại sao lại chọn các công nghệ đề phục vụ cho việc xây dựng trang web Đồng thời, giới thiệu cơ sở nền về thuật toán được áp dụng.

Chương 3 Mô hình khuyến nghị được thực nghiệm: Từ cơ sở nền phát biểu ở chương

2, tại chương 3 sẽ phát triển thành hai mô hình khuyến nghị đề xuất Từ đó, kết luận

được chọn mô hình nao là phù hợp cho trang web.

Chương 4 Phân tích thiết kế hệ thống: Trình bày việc khảo sát hệ thống, xác định các yêu cầu cho hệ thống Trình bày về sơ đồ tô chức của trang wcb, phân tích thiết kế hệ thống, thiết kế CSDL phi cấu trúc và thiết kế quy trình khuyến nghị.

Chương 5 Triển khai hệ thống: Xây dựng kịch bản, thé hiện các màn hình chức năng

Chương 2 CƠ SỞ LÝ THUYET VÀ CÔNG NGHỆ SỬ DỤNG

2.1.Công nghệ sử dụng trong đề tài

2.1.1 Heidisql

Hình 2.1 Logo của Heidisql[15]

HeidiSQL[15] được gọi là ứng dụng khách, chỉ có thé sử dụng được khi có

sẵn một số máy chủ Đảm bảo có một số máy chủ MariaDB, MySQL, MS SQL,

PostgreSQL hoặc tệp cơ sở dữ liệu SQLite để kết nối Logo của Heidisql được thé

PHP được phát triển từ một sản phẩm có tên là PHP/FI do Rasmus Lerdorf tạo ra từ năm 1994, ban đầu được xem như là một tập con đơn giản của các mã kịch

ban Perl đề theo dõi tình hình truy cập đến các bản sơ yếu lý lich của ông trên mang Vào tháng 11 năm 1997, PHP/FI 2.0 được công bố chính thức, sau một thời gian khá dài chỉ được công bố dưới dạng các bản beta Nhưng không lâu sau đó, nó đã được thay thế bởi các bản alpha đầu tiên của PHP 3.0 — phiên bản đầu tiên cho chung

—

Trang 5

ta thấy một hình ảnh gần gũi với các phiên bản PHP mà ngày nay chúng ta đang được biết tới.

PHP được lựa chọn trong khóa luận bởi một số tính chất quan trọng sau:

e Phổ biến hon

PHP là ngôn ngữ mã nguồn mở, có thể chạy được trên cả Apache và IIS Cấu trúc PHP cực kỳ đơn giản, không mất nhiều thời gian đề có thé học được.

e Thư viện phong phú

Lập trình viên có thể sử dụng nhiều thư viện để tối ưu hóa và tiết kiệm thời

gian.

e _ Việc cài đặt môi trường phát triển đơn giản

Do chạy được trên máy chủ Apache và thường di cặp cùng với hệ quản tri cơ

sở đữ liệu MySQL nên việc cài đặt một trường phát triển vô cùng đơn giản, thông

qua một bộ cài đặt duy nhất như là: XAMPP trên windows và linux, MAMP trên MacOS

e Nhiều framework hỗ tro

PHP có nhiều frameworks kết hợp được sử dụng dé thêm các chức năng cụ thể Một số Framework pho bién nhu: Laravel, Codelgniter, Yii 2, Phalcon,

CakePHP.,

2.1.3 Laravel FrameWork

l2 Laravel

Hình 2.2 Logo của Laravel FrameWork[6]

Laravel[6] là một PHP framework, có mã nguồn mở và miễn phí, được xây dựng nhằm hỗ trợ phát triển các phần mềm, ứng dụng, theo kiến trúc MVC Logo của Laravel FrameWork được thể hiện tại hình 2.2.

Laravel được lựa chọn trong khóa luận bởi một số tính chất quan trọng sau:

—

Trang 6

chóng và mạnh mẽ dành cho PHP, Node.Js, Python, Java, Go, Ruby Nó nhanh, nhẹ,

@ Laragon Full 3.1.7 171208 php-7.1.7-Win32-VC14-x64 192,168.99.1 [TS]

( ) Apache hftpd-2.4.27-winB4-VC14 started

8e MySQL mysql-6.7.19-win64 started

Nginx ngin1.12.0 started

Redis redis-x64-3.2.100 started

Memeached memeached-1.4.5 started

O stop wer A Database

80 3306

Root

Hình 2.3 Màn hình của phần mềm laragon| 17]

Laragon{ 17] là một môi trường phat triển phổ quát di động, biệt lập, nhanh

dễ sử dụng và dễ mở rộng.

đại Nó tập trung vào hiệu suất - được thiết kế xung quanh sự ôn định, đơn giản, linh

Laragon là công cụ tuyệt vời để xây dựng và quản lý các ứng dụng web hiện

hoạt và tự do.

Laragon rất nhẹ và sẽ càng gọn gàng càng tốt Bản thân tệp nhị phân lõi nhỏ

hơn 2 MB và sử dụng ít hơn 4 MB RAM khi chạy.

Laragon không sử dụng các dịch vụ Windows Nó có hệ thống điều phối dịch

vụ riêng dé quản lý các dịch vụ không đồng bộ và không chặn

Trang 7

Laragon được lựa chọn trong khóa luận bởi một số tính chất quan trọng sau:

một hoặc nhiều mục, sản phẩm, dịch vụ mà người dùng quan tâm.

Có hai thực thể chính trong Recommendation System là users và items Users

là người dùng Items là sản phẩm, ví dụ như các bộ phim, bài hát, video clip, hoặc

cũng có thé là các users khác trong bài toán khuyến nghị Mục đích chính của các

Recommender System là dự đoán mức độ quan tâm của một user tới một item nào

đó, qua đó có chiến lược khuyến nghị phù hợp.

2.2.2 Giới thiệu phương pháp xây dựng hệ thống khuyến nghị

Hệ thống khuyến nghị thường được chia thành hai nhóm chính

Content-based system (khuyến nghị dựa theo nội dung): là phương pháp dùng để đánh giá đặc tính của từng item, sắp xếp thành từng nhóm theo từng đặc

trưng.

Collaborative filtering (lọc cộng tác): là phương pháp mà hệ thống gợi ý items dựa trên sự tương quan (similarity) giữa các users và items.

Mục tiêu của các hệ thống khuyến nghị sán phẩm

Tiết kiệm thời gian, tăng tốc độ tìm kiếm.

———————

Trang 8

Tăng trải nghiệm người dùng, giúp người dùng tiếp cận các sản phẩm phù hợp với

nhu cầu.

Những sản phẩm chưa thực sự phổ biến vẫn có thẻ tiếp cận đến người dùng theo

nhu câu của họ.

2.2.3 Cơ sở lý thuyết và xây dựng hệ thống khuyến nghị

2.2.3.1 Collaborative filtering

User-user collaborative filtering[3]

Trong phương pháp này, hệ thống sẽ xác định được sự giống nhau giữa các users.

User similarity matrix được tính dựa trên các cột tương ứng với các users trong ma trận này.

teh alghetedt Ai ¥ b) Normalized utility matrix ¥ ¢) User similarity matrix S.

“ 3m|an|ss|im ass 33]

Predict normalized rating of uy oni, with k = 2

Users who rated 4; 5 (to ts us}

Corresponding similarities: (0.83 -0.40, -0.23} a | 4 [sas

+ most similar users: N’(1), ít} = [Mọ us}

with normalized ratings {0.75, 0.5)

0i

> Via, =O84] 0.28 29 |406/310| 5

e) Example f) Full Y

Hình 2.4 Các bước thực hiện User-user CF [3]

Các bước thực hiện User-user CF[3]:

a) Utility matrix ban đầu.

b) Utility matrix đã được chuẩn hóa.

c) User similarity matrix.

d) Dự đoán các giá tri ratings đã chuẩn hóa còn thiếu.

Trang 9

e) Ví dụ về cách dự đoán rating của ul cho il.

f) Dự đoán các rating còn thiếu.

Bước chuẩn hóa dữ liệu: Hàng cuối cùng trong hình a) là giá trị trung bình các đánh

giá của mỗi user với các item Sau đó, trừ mỗi đánh giá cho giá trị trung bình này và thay các giá trị chưa biết bằng 0, sẽ được Utility matrix đã chuẩn hóa như hình b).

Việc trừ đi trung bình cộng làm cho mỗi cột có những giá trị dương và âm Những

giá trị dương tương ứng với việc user thích item, những giá trị âm tương ứng với việc user không thích item Những giá trị bằng 0 tương ứng với việc chưa xác định được liệu user

có thích item hay không Sau khi đã chuẩn hóa dữ liệu, sử dụng một trong các Similarity

Function dé tính toán ma tran Similarity, thông thường là Cosine Similarity.

ulu

cosine_similarity(u1,u2) = cOs(u¡,02) = Imlblluala

1ll2 2ll2

e Rating[3]

Việc xác định mức độ quan tâm của một user lên item dựa trên các user gần nhất

(neighbor user) tương tự phương pháp K-nearest neighbors (KNN) Tương tự như KNN,

trong CF, missing rating cũng được xác định dựa trên thông tin về k neighbor user, chỉ

quan tâm tới các user đã rate item đang xét Các đánh giá được dự đoán thường được xác

định bằng trung bình cộng trọng số của các đánh giá đã chuẩn hóa Trong KNN, các trọng

số được xác định dựa trên khoảng cách giữa 2 điểm, và các khoảng cách này là các số

không âm.

Trong khi đó, trong lọc cộng tác, các trọng số được xác định dựa trên similarity giữa

2 user, những trọng số này có thé nhỏ hơn 0

Công thức được sử dụng đề dự đoán đánh giá cua user u cho item i là

— Dujen(ui) Jiujsimcuu;)

5 Lujenui|sim(u, 1)|

Diu

(sử dung trị tuyệt đối dé xử lý các số âm)

Trong đó N (u, i) là tập hợp k user trong neighborhood (tức là có similarity cao nhất của user u va đã đánh giá item ¡.Việc hệ thông quyết định khuyến nghị item nao cho mỗi

user có thể được xác định bằng nhiều cách khác nhau Có thể sắp xếp các item chưa đánh

giá theo thứ tự từ lớn đến bé của các đánh giá được dự đoán, hoặc chỉ chọn các item có các

Trang 10

đánh giá chuẩn hóa được dự đoán có giá trị dương — tương ứng với việc user này có nhiều khả năng thích hơn.

e Similarity matrix[3]

Sau khi có Utility matrix, phải xác định được độ tương đồng (similarity) giữa các users/items Similarity matrix được xây dựng dựa trên các cột tương ứng với các user, nếu xây dựng User similarity matrix (hay các hàng tương ứng với items, nếu xây dựng Item

similarity matrix).

Hinh 2.5 Similarty matrix[3]

Trong hình trên, có thé quan sát một cách trực quan, hành vi của user 0 khá tương đồng với user 1, hơn là với các user còn lại Từ đó có thé dự đoán rang user 0 có thể quan tâm đến item 2 vi user 1 cũng quan tâm đến item nay Từ đó có thé tính toán được giá tri

similarity giữa các user.

Nếu similarity càng tiếng về 1, điều đó thể hiện hai users/items càng tương đồng với nhau, ngược lại nếu similarity càng tiến về -1 có nghĩa là hai users/items càng trái ngược

nhau.

Item-item Collaborative Filtering[3]

Trên thực tế, số lượng users luôn lớn hơn số items rat nhiều Do đó Similarity matrix

cho users rất lớn Việc này khiến cho việc lưu trữ ma trận gặp nhiều khó khăn trong một

số trường hợp.

Độ bao phủ của các rating khác 0 trên Utility matrix là rất thấp, do số lượng users rất lớn so với items, một phan là do người dùng thường ít dé lại đánh giá Vì vậy, khi một

Trang 11

user thay đổi rating hoặc rate thêm items mới, trung bình rating cùng với vector của user

đó sẽ thay đổi nhiều Kéo theo việc tính toán Similarity (công việc tốn nhiều tài nguyên va

thời gian) cần được thực hiện lại.

Thay vào đó, nếu tinh toán Similarity giữa các items sau đó khuyến nghị các items

gần giống với item yêu thích của một user.

Vi số lượng items nhỏ hơn rất nhiều so với lượng users, kích thước của Similarity matrix sẽ nhỏ hơn đáng kẻ, tiết kiệm nhiều thời gian tính toán và tài nguyên.

Ngoài ra, số lượng phần tử đã biết trong Utility matrix là như nhau nhưng số hàng (items) ít hơn số cột (users), nên trung bình, mỗi hàng của ma trận này sẽ có nhiều phan tử

đã biết hơn số phan tử đã biết trong mỗi cột Vì mỗi item có thể được rated bởi nhiều users Kéo theo đó, giá trị trung bình của mỗi hàng ít bị thay đổi hơn khi có thêm một vài ratings.

Như vậy, việc cập nhật ma trận Similarity Matrix có thể được thực hiện ít thường xuyên

c) Item similarity matrix S d) Normalized utility matrix Y.

Hình 2.6 Các bước thực hiện Item-item CF [3

Quy trình dự đoán missing ratings cũng tương tự như trong User-user CF[3]:

Trang 12

a) Utility matrix ban đầu.

b) Utility matrix đã chuẩn hóa.

c) Item similarity matrix.

d) Dự đoán các đánh giá con thiếu (đã được chuẩn hóa).

Kết quả về việc chọn items nào để khuyến nghị cho mỗi user được thể hiện bởi các

6 mau đỏ trong hình d).

Adjusted Cosine Similarity[ 13]

Công thức nhóm sử dụng để tính similarity matrix là Adjusted Cosine Similarity (Cosine đã được điều chỉnh - một công thức được điều chỉnh từ Cosine similarity thông

thường):

Xueu(Ru, — Ru)(Ru — Ry)

sứ) ~ V due (Ru, “ R,)? Vv dueu(Ruj > R,)?

Trong đó s (i, j) đại diện cho chi số similarity giữa sản phẩm i và j ueU đại điện cho từng người dùng Ru,i là chỉ số rating của người dùng u cho sản phẩm i Ru đại điện cho rating trung bình mà người dùng u đã đưa ra cho tất cả các sản phẩm mà người dùng đó đã

đánh giá.

Ru,j là rating người dùng u cho sản phẩm j tiếp theo.

Một số người ding dễ tính có thể sẽ đánh giá các item với số điểm cao, trong khi các người dùng khó tính nhìn chung sẽ rate các item thấp hơn Để loại bỏ hạn chế này khi tính sự tương đồng giữa các vector, Adjusted Cosine Similarity trừ rating trung bình của mỗi người dùng đối với các items mà họ đã đánh giá.

Adjusted Cosine Similarity phản ánh sự khác biệt tốt hơn so với Cosine Similarity

thông thường.

Theo định nghĩa, công thức Cosine thông thường chỉ phản ánh mức độ khác nhau

về hướng của hai vectors, không bao gồm vị trí của chúng Kết quả của Cosine thông thường sẽ không thay đổi nếu các vector kéo dai theo mỗi hướng.

Trang 13

Một ví dụ về trường hợp này: Giả sử 3 sản phẩm a, b vac được đánh giá từ 0 đến 5.

Hình 2.8 Minh họa vector sản phẩm a,b,c [13]

Một cách trực quan, có thê nhìn thay được sản phẩm b và c (vector xanh dương và xanh lá) khá tương đồng nhau, trong khi a (vector màu đỏ) khá khác biệt với b và c Nhưng

—

Trang 14

công thức Cosine thông thường cho thấy gần như không có sự khác biệt giữa chúng

Hinh 2.9 Minh hoa két qua cosine cua a,b,c [13]

Sử dung Adjusted Cosine Similarity để tính toán lại các kết qua:

Hình 2.10 Minh họa kết qua khi áp dung Adjusted Cosine [13]

Qua hình trên, có thể nhìn thấy được sự khác nhau giữa similarity được tính theo

Cosine thông thường và Adjusted Cosine (sim (a, b) ~ -0.2 và sim (c, b) ~ 0.99).

Trên thực tế, một số người dùng dễ tính có xu hướng đánh giá các sản phẩm với điểm số cao, trong khi các người dùng khó tinh thì ngược lại Adjusted cosine similarity trừ di rating trung bình mà người dùng đã đưa ra cho tat cả các sản phẩm mà người dùng

đó đã đánh giá, do đó có thể loại bỏ được nhược điểm này khi tính toán ma trận similarity.

Ngoài ra, theo kết quả thực nghiệm trên bộ dữ liệu sử dụng Cosine điều chỉnh cho

hệ thống khuyến nghị cải tiến, nhóm tác giả bài báo An Improved Online Book

Recommender System using Collaborative Filtering Algorithm (2018)[13] đã đưa ra nhận

xét: Số lượng lượt đánh giá không trực tiếp quyết định độ chính xác của hệ thống khuyến nghị, tuy nhiên độ chính xác đạt được của thuật toán vẫn tương đối cao.

Trang 15

User id | Number of books rated | % Accuracy using RMSE [34789 SS 88

Có hai thực thé chính trong hệ thống khuyến nghị là users va items Mỗi user sẽ có

mức độ quan tâm tới từng item khác nhau Mức độ quan tâm được gán cho một giá trị ứng

với mỗi cặp user-item Mức độ quan tâm được đo bằng giá trị user rate cho item, gọi giá

trị này là rating Tập hợp tất cả các ratings, bao gồm cả những giá trị chưa cần được dự

đoán, tạo nên một ma trận gọi là utility matrix.

Trong hình trên, có 6 users (từ u0-> u6) tương đương với 4 item (i0-> i4) Cac 6 màu xanh thé hiện việc một user đã đánh giá một bai hát với ratings từ 0 (không thích) đến

Trang 16

5 (rất thích) Các ô có dấu ‘?’ màu xám tương ứng với các ô chưa có dữ liệu Công việc của một Recommendation Systems là dự đoán giá tri tại các 6 màu xám nay, từ đó đưa ra

gợi ý cho người dùng.

Thông thường, có rất nhiều users và items trong hệ thống, mà mỗi user chỉ đánh

giá một số lượng nhỏ các items hoặc chưa từng đánh giá item nào Vì vậy, số lượng ô trống ( có dau “?”) trong utility matrix thường rất lớn.

Trong các Recommender Systems, việc xây dựng Utility Matrix là tối quan trọng Có

hai hướng tiếp cận phổ biến dé xác định giá trị rating cho mỗi cặp user-item trong Utility

Matrix:

Nhờ người dùng đánh giá các sản phẩm: Các sàn thương mại điện tử lớn luôn

khuyến khích người dùng để lại đánh giá khi mua sản phẩm bằng cách gửi email nhắc nhở hay có chương trình tích điểm khi người dùng đánh giá sản phẩm.

Dựa trên hành vi của người dùng: nếu một người dùng mua một sản phẩm nhiều lần hay mua với số lượng lớn, xem một chủ đề hay bài viết hay một video nhiều lần (hay xem

đi xem lại trong thời gian nhất định) có thé khang định người dùng thích (quan tâm) sản phẩm đó Cách tiếp cận này thương chỉ có thể xây dựng Utility matrix với hai giá trị là 0

và 1 thé hiện cho việc người dùng có thích sản pham, giá trị 0 thể hiện việc chưa từng có

thông tin của cặp user-item đó.

Item profiles[ 12]

Dựa trên nội dung của mỗi item, cần xây dựng một bộ hồ sơ (profile) cho mỗi item Profile được biểu diễn dưới dạng toán học là một feature vector Trong những trường hợp đơn giản, feature vector được trực tiếp trích xuất từ item Một item có thé có các thuộc tinh

có thể sử dụng cho hệ thống khuyến nghị Ví dụ điện thoại thông minh có các thuộc tính như: mô tả, thương hiệu, phân khúc (gaming, phổ thông, ), thời gian ra mắt,

TF-IDF[14]

TF-IDF (Term Frequency — Inverse Document Frequency) là trọng số được sử dung

dé danh gia tam quan trọng cua một từ trong một van ban Giá trị cao thê hiện độ quan

trọng cao và nó phụ thuộc vào số lần từ xuất hiện trong văn bản nhưng bù lại bởi tần suất

của từ đó trong tập dữ liệu.

TF: Term Frequency là số lần một từ xuất hiện trong hiện văn ban TF thường được chia cho độ dài văn bản (tổng số từ trong một văn bản).

Công thức tính TF[14]:

Trang 17

max{f(w,d):wed}

tf(t,d)=

Trong do:

Tf(t,d): Tan suất xuất hiện của từ t trong van ban d

F(,đ): Số lần xuất hiện của từ t trong văn bản d.

Max ({f(w,d):w e d}: Số lần xuất hiện của từ có số lần xuất hiện nhiều nhất trong

văn bản d.

IDF[14]: Inverse Document Frequency ( Nghịch đảo tần suất của văn bản) giúpđánh giá tầm quan trọng của một từ Khi tính toán TE, tất cả các từ được coi như có độquan trọng băng nhau Nhưng một số từ như “is”,”are” hoặc “that”,”this” thường xuất hiệnrất nhiều lần nhưng độ quan trọng không cao Vì vậy, cần giảm độ quan trọng của những

Idf (t, D): Giá tri idf của từ t trong tập văn bản.

|DI: Tổng số văn ban trong tập D

|{d e D: te đ}|: Thể hiện số văn bản trong tập D có chứa từ t

Trang 18

Chương 3 MÔ HÌNH KHUYEN NGHỊ DUOC THUC NGHIEM

3.1 Content-based Filtering

Hệ thống khuyến nghị Content-Based: Khuyến nghị dựa trên đặc tinh của sảnphẩm Cách tiếp cận này yêu cầu việc sắp xếp các sản phẩm vào từng nhóm hoặc đi tìm

các đặc trưng của từng sản phẩm Đặc điểm của hệ thống khuyến nghị Content-Based

là việc xây dựng mô hình cho mỗi user không phụ thuộc vào các user khác mà phụ

thuộc vao profile của các item[9].

Kết quả thực nghiệm được áp dụng trên bộ dữ liệu về sản phẩm từ Tiki, bao gom

10927 san pham

Các trường dữ liệu:

STT Tên thuộc tính Ý nghĩa

1 Id Mã ID san phẩm

2 sku Don vi hang hóa phân loại hàng tồn kho

3 Short_description Mô ta sản pham

4 Description Mô tả chỉ tiết sản pham

5 Thumbnail_url Duong link dan dén san pham

6 price Giá bán cua sản pham sau khi đã khuyến

mãi

7 List_price Giá gốc sản pham

8 discount Giá khuyến mãi

9 Discount_ rate Tỉ lệ giảm giá 30%

10 Productset_ øroup_ name Tên nhóm sản phâm

11 Review_count Số lượng người review

12 Inventory_ status Trạng thái còn hàng

13 Rating_average Số lượng đánh giá trung bình sao

14 Quantity_sold Số lượng san phẩm bán được

15 Product_ name Tên sản phẩm

16 Categories_id Mã loại san phẩm

17 Categories_name Tên loại sản pham

Trang 20

18 Brand_id Ma thuong hiéu

19 Brand_name Tên thương hiệu

20 slug Chuyén hóa từ product_name

Bang 3.1 Bang mô tả các trường dir liệu cho Content-based Filtering

Chi tiết dữ liệu:

Số sản phẩm còn lại sau khi tiễn hành tiền xử lý dit liệu: 9,849 san phẩm

Dữ liệu trước và sau khi tiền xử lý:

Dữ liệu thô Dữ liệu sau khi tiền xử lý

Thời trang nam 1,935 1,893

Trang 21