xây dựng “recommender platform for ecommerce”

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CẦN THƠ KHOA CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC NGÀNH KHOA HỌC MÁY TÍNH Đề tài XÂY DỰNG “RECOMMENDER PLATFORM FOR ECOMMERCE” Sinh viên: Nguyễn Văn Hoàng Mã số: 1117833 Khóa: K37 Cần Thơ, 05/2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CẦN THƠ KHOA CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG BỘ MÔN KHOA HỌC MÁY TÍNH LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC NGÀNH KHOA HỌC MÁY TÍNH Đề tài XÂY DỰNG “RECOMMENDER PLATFORM FOR ECOMMERCE” Giáo viên hướng dẫn Tiến sĩ Trần Nguyễn Minh Thư Cần Thơ, 05/2015 Sinh viên thực Nguyễn Văn Hoàng Mã số: 1117833 Khóa: K37 LỜI CẢM ƠN Lời đầu tiên, em xin cám ơn Trường Đại Học Cần Thơ Khoa Công Nghệ Thông Tin & Truyền Thông tạo điều kiện cho em thực đề tài Để hoàn thành luận văn tốt nghiệp mình, em xin bày tỏ lòng biết ơn sâu sắc đến cô TS Trần Nguyễn Minh Thư tận tình hướng dẫn cho em suốt trình thực luận văn tốt nghiệp Em xin gửi lời cảm ơn đến thầy cố vấn học tập TS Phạm Nguyên Khang quan tâm, giúp đỡ em suốt thời gian vừa qua Em xin chân thành cảm ơn quý Thầy, Cô Khoa Công Nghệ Thông Tin & Truyền Thông Trường Đại Học Cần Thơ truyền đạt kiến thức năm học tập vừa qua Vốn kiến thức nhận trình học tập không tảng cho trình nghiên cứu luận văn mà hành trang quý báu để em tự học tập, tự nghiên cứu tự tin bước vào môi trường làm việc sau Dù cố gắng nổ lực nhiều để hoàn thành luận văn sai sót điều khó tránh khỏi Em mong nhận ý kiến đóng góp quý báu quý Thầy, Cô Cuối em kính chúc quý Thầy, Cô dồi sức khỏe thành công nghiệp cao quý, vĩ đại Trân trọng kính chào! Cần Thơ, ngày 01 tháng 05 năm 2015 Sinh viên thực Nguyễn Văn Hoàng MỤC LỤC Trang Chương 1: TỔNG QUAN 1.1 ĐẶT VẤN ĐỀ 1.2 MỤC TIÊU CẦN ĐẠT 1.3 PHẠM VI NGHIÊN CỨU 1.4 PHƯƠNG PHÁP NGHIÊN CỨU Chương 2: CƠ SỞ LÝ THUYẾT 2.1 HỆ THỐNG GỢI Ý (RECOMMENDER SYSTEM) 2.1.1 Giới thiệu 2.1.2 Nhiệm vụ hệ thống gợi ý 2.1.3 Vai trò hệ thống gợi ý 2.1.4 Ứng dụng hệ thống gợi ý 2.1.5 Phương pháp xây dựng hệ thống gợi ý 2.1.5.1 Chỉ số tương tự 2.1.5.2 Phương pháp lọc cộng tác (Collaborative Filtering) 2.1.5.1.1 Lọc cộng tác dựa người dùng (User–User Collaborative Filtering) 10 2.1.5.1.2 Lọc cộng tác dựa mục liệu (Item–Item Collaborative Filtering) 14 2.1.5.1.3 Ưu điểm vấn đề phương pháp lọc cộng tác 16 2.2 APACHE MAHOUT 17 2.2.1 Giới thiệu 17 2.2.2 Mahout hệ thống gợi ý 17 2.2.3 Phân cụm với Mahout 17 2.2.4 Phân loại nội dung với Mahout 18 2.3 SPRING IO PLATFORM 18 2.3.1 Giới thiệu 18 2.4 MONGODB 20 2.4.1 Giới thiệu 20 2.5 TẬP DỮ LIỆU MOVIELENS 21 2.5.1 Giới thiệu 21 2.5.2 Tập liệu MovieLens 1M 22 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE 24 3.1 MÔ TẢ BÀI TOÁN 24 3.2 ĐẶT TRƯNG CỦA HỆ THỐNG 25 3.3 PHƯƠNG PHÁP TIẾP CẬN 25 3.4 THIẾT KẾ VÀ CÀI ĐẶT 26 3.4.1 Các chức hệ thống 26 3.4.2 Mô hình sở liệu 26 3.4.2.1 Users collection 26 3.4.2.2 Databases collection 27 3.4.2.3 Categories collection 28 3.4.2.4 Products collection 28 3.4.2.5 Transactions collection 29 3.4.2.6 Algorithms collection 29 3.4.2.7 Itembasedrecommendations collection 30 3.4.2.8 Userbasedrecommendations collection 30 3.4.3 Môi trường vận hành 31 3.4.4 Kết ứng dụng 32 3.4.4.1 Giao diện 32 3.4.4.2 Một số thiết kế chức chọn lọc 33 3.4.4.2.1 Đăng ký tài khoản 33 3.4.4.2.2 Quản lý sở liệu 36 3.4.4.2.3 Quản lý danh mục sản phẩm 39 3.4.4.2.4 Cập nhật thông tin sản phẩm 41 3.4.4.2.5 Quản lý giải thuật 42 TỔNG KẾT 49 KẾT QUẢ ĐẠT ĐƯỢC 49  Về mặt lý thuyết 49  Về mặt chương trình 49 HƯỚNG PHÁT TRIỂN 49 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH 50 TÀI LIỆU THAM KHẢO 57 DANH MỤC HÌNH Trang Hình 2-1: Lọc cộng tác dựa người dùng 10 Hình 2-2: Ma trận xếp hạng 11 Hình 2-3: Ma trận lọc cộng tác dựa người dùng 12 Hình 2-4: Ví dụ lọc cộng tác dựa mục liệu 14 Hình 2-5: Ma trận lọc cộng tác dựa mục liệu 15 Hình 2-6: Các thành phần Spring IO Platform 19 Hình 3-1: Sơ đồ tổng quan hệ thống 25 Hình 3-2: Các chức hệ thống 26 Hình 3-3: Giao diện frontend máy tính 32 Hình 3-4: Giao diện backend điện thoại di động (Nexus - Portrait) 32 Hình 3-5: Đăng ký tài khoản 33 Hình 3-6: Thông báo đăng ký tài khoản thành công 33 Hình 3-7: Lưu đồ chức đăng ký tài khoản 34 Hình 3-8: Email đăng ký tài khoản thành công 35 Hình 3-9: Email kích hoạt tài khoản thành công 35 Hình 3-10: Lưu đồ chức kích hoạt tài khoản 36 Hình 3-11: Thêm sở liệu 36 Hình 3-12: Lưu đồ chức thêm sở liệu 37 Hình 3-13: Cập nhật thông tin sở liệu 37 Hình 3-14: Lưu đồ chức cập nhật thông tin sở liệu 38 Hình 3-15: Xoá sở liệu 38 Hình 3-16: Lưu đồ chức xoá sở liệu 39 Hình 3-17: Thêm danh mục sản phẩm 39 Hình 3-18: Lưu đồ chức thêm danh mục sản phẩm 40 Hình 3-19: Import danh mục sản phẩm từ file CSV 40 Hình 3-20: Lưu đồ chức import danh mục sản phẩm 41 Hình 3-21: Cập nhật thông tin sản phẩm 41 Hình 3-22: Lưu đồ chức cập thật thông tin sản phẩm 42 Hình 3-23: Tạo giải thuật 43 Hình 3-24: Lưu đồ chức tạo giải thuật 44 Hình 3-25: Cài đặt giải thuật 45 Hình 3-26: Tuỳ chỉnh giao diện 46 Hình 3-27: Cài đặt giải thuật lên website người dùng 47 Hình 3-28: Lưu đồ xử lý liệu từ website người dùng 48 DANH MỤC BẢNG Trang Bảng 2-1: Xếp hạng người dùng với phim Bảng 2-2:Ví dụ sử dụng hệ số tương quan Pearson Bảng 2-3: Ví dụ sử dụng hệ số tương quan khoảng cách Euclidean Bảng 2-4: Ví dụ sử dụng hệ số tương quan Tanimoto Bảng 2-5: Ví dụ sử dụng hệ số tương quan Log Likelihood Bảng 2-6: Tính độ tương đồng hai người sử dụng 13 Bảng 2-7: Tính độ tương đồng hai mục liệu 16 ABSTRACT Recommender systems are changing from novelties used by a few eCommerce sites, to serious business tools that are re-shaping the world of eCommerce Many of the largest commerce Web sites are already using recommender systems to help their customers find products to purchase A recommender system learns from a customer and recommends products that she will find most valuable from among the available products In this thesis we present a framework for recommender systems in eCommerce and approach collaborative filtering method for building recommender systems They can create a recommender systems for commerce Web sites faster and easier, using the interfaces they present to customers, the technologies used to create the recommendations, and the inputs they need from customers Thereby, there are many recommends suitable products for customers and help eCommerce sites increase sales TÓM TẮT Hệ thống gợi ý mang đến thay đổi cho trang web thương mại điện tử, công cụ kinh doanh tái định hình giới thương mại điện tử Nhiều trang web thương mại điện tử hàng đầu sử dụng hệ thống gợi ý để giúp khách hàng họ tìm thấy sản phẩm cần mua Hệ thống gợi ý học từ khách hàng từ đề xuất cho cô sản phẩm đánh giá số sản phẩm có sẵn Đề tài trình bày framework cho hệ thống gợi ý lĩnh vực thương mại điện tử tiếp cận phương pháp lọc cộng tác để xây dựng hệ thống gợi ý Người dùng tạo hệ thống gợi ý nhanh dễ dàng cách sử dụng giao diện người dùng, công nghệ sử dụng để tạo gợi ý liệu đầu vào mà họ cần Qua đó, nhiều sản phẩm hữu ích đề xuất cho khách hàng tăng doanh số bán hàng cho trang web thương mại điện tử Chương 1: TỔNG QUAN Chương TỔNG QUAN 1.1 ĐẶT VẤN ĐỀ Sự phát triển Cách mạng khoa học công nghệ đời mạng Internet, làm thay đổi toàn cách thức hoạt động người tác động đến lĩnh vực đời sống kinh tế xã hội, tạo môi trường lý tưởng cho hoạt động thương mại điện tử (E-commerce) phát triển Ngày nay, người tiêu dùng dễ dàng tìm kiếm, mua sắm sản phẩm trực tuyến nhà thông qua internet mà không cần đến cửa hàng Hàng ngàn website thương mại điện tử tạo ngày, hàng triệu sản phẩm tiến hành giao dịch thông qua internet Tại Việt Nam, nhu cầu tìm kiếm sản phẩm internet người dùng tăng nhanh, khoảng 4,5 lần từ năm 2009 đến 2014 Trong năm 2014, có 45% doanh nghiệp có website thương mại điện tử, doanh thu B2C (Business-to-Consumer) đạt 2,97 tỷ USD từ việc bán hàng trực tuyến (nguồn: Báo cáo Thương mại điện tử Việt Nam năm 2014 – Cục Thương mại điện tử Công nghệ thông tin (VECITA)) Những số cho thấy phát triển nhanh chóng thương mại điện tử việc đáp ứng nhu cầu lợi ích người tiêu dùng Tuy nhiên, điều dẫn đến bùng nổ thông tin khiến cho việc tìm kiếm thông tin, sản phẩm người tiêu dùng gặp nhiều khó khăn, nhiều thời gian, công sức việc loại bỏ thông tin không thật cần thiết chọn lọc phù hợp cho thân mình, nguyên nhân do: - - - Người tiêu dùng không thực am hiểu sản phẩm mà họ tìm Họ đưa thông tin không đầy đủ không xác sản phẩm cần tìm Lúc tập kết trả chứa đựng nhiều kết không phù hợp, lại bỏ qua sản phẩm cần tìm Các nhu cầu sở thích mà người dùng nêu thời điểm yêu cầu thường tập mong muốn thật họ Người sử dụng thường không thích liệt kê nhiều tiêu chí tìm kiếm Đồng thời, người thiết kế hệ thống có xu hướng tránh làm bực người sử dụng với nhiều khai báo tìm kiếm ban đầu Có nhiều sản phẩm loại tương đồng với sản phẩm cần tìm như: kiểu dáng, màu sắc, kích thước, phiên bản, giá cả, nhà sản xuất, … gây khó khăn việc lựa chọn sản phẩm phù hợp người tiêu dùng Lúc này, người dùng phải cần đến giúp đỡ hệ thống gợi ý Các hệ thống gợi ý (Recommender System) công cụ hỗ trợ định, nhằm cung cấp cho người dùng đề nghị liên quan, đề nghị hiệu từ thông tin mục liệu, từ hồ sơ người sử dụng từ mối liên hệ đối tượng Ngày nay, hệ thống gợi ý ứng dụng nhiều lĩnh vực thương mại điện tử như: hệ thống gợi ý bán hàng Amazon, Netflix, YARPP, Ebay, … Lấy ví dụ với trang web Amazon, người dùng truy cập vào trang web họ gợi ý sản phẩm tiềm từ hàng triệu sản phẩm hệ thống Cụ thể, người dùng chọn sách “Mahout in Action”, hệ thống gợi ý danh sách sách tiềm khác như: Taming Text, Machine Learning in Action, Hadoop in Action, … Xây dựng “Recommender Platform for eCommerce” Trang Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE Hình 3-23: Tạo giải thuật Các thành phần giao diện: STT Loại điều khiển Giá trị mặc định Nội dung Ghi Input, type=‘text’ Null Tên giải thuật Textarea Null Mô tả Input, type=‘url’ Null Website Không rỗng Select Null Cơ sở liệu Giá trị truy xuất từ CSDL Input, type=‘number’ 10 Số lượng gợi ý Không rỗng Slider Tỷ lệ 80% Xây dựng “Recommender Platform for eCommerce” Không rỗng Trang 43 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE Radio Pearson Correlation Chỉ số tương tự Similarity Radio HTML Kiểu liệu trả Không rỗng Không rỗng Cách xử lý: Bắt đầu Nhập thông tin giải thuật Báo lỗi Sai Kiểm tra Lưu thông tin vào database Kết thúc Hình 3-24: Lưu đồ chức tạo giải thuật Bước 2: Cài đặt giải thuật Hệ thống hỗ trợ việc cài đặt giải thuật lên website người dùng cách dễ dàng linh hoạt Xây dựng “Recommender Platform for eCommerce” Trang 44 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE Hình 3-25: Cài đặt giải thuật Tuỳ chỉnh giao diện: người dùng tuỳ chỉnh để phù hợp với giao diện website cách linh hoạt Cú pháp … Mô tả Tag cho phép hiển thị danh sách gợi ý cách lặp lại cấu trúc bên {itemID} Mã sản phẩm Xây dựng “Recommender Platform for eCommerce” Trang 45 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE {image} Hình ảnh sản phẩm {name} Tên sản phẩm {category} Danh mục sản phẩm {description} Mô tả sản phẩm {price} Giá sản phẩm {rating} Đánh giá sản phẩm {isnew} Trả “isnew” sản phẩm mới, ngược lại trả “” Vd: => {views} Lượt xem sản phẩm {actionID} Mã hành động Tuỳ chỉnh cấu trúc html trả về: Hình 3-26: Tuỳ chỉnh giao diện Hệ thống cung cấp giải thuật gợi ý dựa lọc cộng tác với năm số tính độ tương tự khác Mahout cung cấp sẵn, bao gồm:      Pearson Correlation Similarity Uncentered Cosine Similarity Euclidean Distance Similarity Tanimoto Coefficient Similarity Log Likelihood Similarity Tuỳ theo nhu cầu xây dựng hệ thống gợi ý đặc điểm cụ thể website thương mại điện tử mà người dùng lựa chọn giải thuật tính độ tượng tự phù hợp Xây dựng “Recommender Platform for eCommerce” Trang 46 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE Hình 3-27: Cài đặt giải thuật lên website người dùng Cách xử lý: Xây dựng “Recommender Platform for eCommerce” Trang 47 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE Bắt đầu Nhận thông tin giải thuật gồm: ID, actionID, quantity, userID Báo lỗi 404 Sai Chứng thực Truy vấn thông tin cấu hình giải thuật từ sở liệu Truy vấn liệu gợi ý từ sở liệu Trả kết website người dùng theo kiểu liệu cấu hình Kết thúc Hình 3-28: Lưu đồ xử lý liệu từ website người dùng Xây dựng “Recommender Platform for eCommerce” Trang 48 TỔNG KẾT KẾT QUẢ ĐẠT ĐƯỢC  Về mặt lý thuyết  Hiểu trình bày cách khái quát hệ thống gợi ý, quy trình xây dựng hệ thống, phương pháp thực gợi ý, số ứng dụng, khó khăn thách thức hệ gợi ý  Trình bày vấn đề phương pháp lọc cộng tác, xây dựng hệ thống gợi ý dựa phương pháp lọc cộng tác Trình bày giải pháp nhằm khắc phục vấn đề thường gặp phương pháp lọc cộng tác lĩnh vực thương mại điện tử  Được rèn luyện thêm kỹ phân tích thiết thiết hệ thống thông tin  Nghiên cứu ứng dụng thành công công nghệ như: Spring IO, Mahout, Angular JS, MongoDB, … để xây dựng platform     Về mặt chương trình Chương trình hoàn thành đáp ứng chức đề Hệ thống hoạt động tốt tập liệu thử nghiệm MovieLens Tốc độ truy cập trang web chấp nhận HƯỚNG PHÁT TRIỂN  Tiến hành thử nghiệm hệ thống với nhiều người dùng nhiều loại trang web thương mại điện tử khác để đánh giá độ xác hiệu hệ thống  Tiếp tục nghiên cứu phương pháp khác để xây dựng hệ gợi ý hiệu quả, mang lại độ xác cao  Xây dựng công cụ Marketing hỗ trợ nhà cung cấp, làm sở cho chiến lược kinh doanh, phát huy lợi ích mà hệ thống gợi ý mang lại Xây dựng “Recommender Platform for eCommerce” Trang 49 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH Phụ lục GIỚI THIỆU CHƯƠNG TRÌNH PL1: GIAO DIỆN TRANG CHỦ PL2: GIAO DIỆN ĐĂNG NHẬP Xây dựng “Recommender Platform for eCommerce” Trang 50 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH PL3: GIAO DIỆN THÔNG TIN CÁ NHÂN PL4: GIAO DIỆN DASHBOARD Xây dựng “Recommender Platform for eCommerce” Trang 51 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH PL5: GIAO DIỆN QUẢN LÝ CƠ SỞ DỮ LIỆU PL6: GIAO DIỆN QUẢN LÝ DANH MỤC SẢN PHẨM Xây dựng “Recommender Platform for eCommerce” Trang 52 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH PL7: GIAO DIỆN QUẢN LÝ SẢN PHẨM PL8: GIAO DIỆN QUẢN LÝ GIAO DỊCH Xây dựng “Recommender Platform for eCommerce” Trang 53 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH PL9: GIAO DIỆN QUẢN LÝ TÀI KHOẢN Thêm tài khoản người dùng Xây dựng “Recommender Platform for eCommerce” Trang 54 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH PL10: GIAO DIỆN QUẢN LÝ GIẢI THUẬT Xây dựng “Recommender Platform for eCommerce” Trang 55 Phụ lục: GIỚI THIỆU CHƯƠNG TRÌNH PL11: GIAO DIỆN QUẢN LÝ TÀI NGUYÊN HỆ THỐNG Xây dựng “Recommender Platform for eCommerce” Trang 56 TÀI LIỆU THAM KHẢO [1] G Adomavicius, and Alexander Tuzhilin, Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions, Knowledge and Data Engineering, IEEE Transactions, 2005 [2] Huỳnh Xuân Hiệp, Nguyễn Thái Nghe, Trần Nguyễn Minh Thư, Mô hình hoá định, nhà xuất Đại học Cần Thơ, 2014 [3] Sean Owen, Robin Anil, Ted Dunning, Ellen Friedman, Mahout in Action, 2011 [4] http://mahout.apache.org [5] http://archive-primary.cloudera.com/cdh4/cdh/4/mahout-0.7-cdh4.1.5/mahoutcore/org/apache/mahout/cf/taste/ [6] https://angularjs.org [7] http://grouplens.org/datasets/movielens [8] http://getbootstrap.com [9] https://spring.io [10] https://www.mongodb.org Xây dựng “Recommender Platform for eCommerce” Trang 57 [...]... “Children's” “Comedy” “Crime” “Documentary” “Drama” “Fantasy” Xây dựng “Recommender Platform for eCommerce”          “Film-Noir” “Horror” “Musical” “Mystery” “Romance” “Sci-Fi” “Thriller” “War” “Western” Trang 23 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE Chương 3 RECOMMENDER PLATFORM FOR ECOMMERCE 3.1 MÔ TẢ BÀI TOÁN Hệ thống hỗ trợ người dùng xây dựng một hệ thống gợi ý cho website thương mại điện... ngay khi họ vừa “bước chân” vào website Từ đó, giúp hệ Xây dựng “Recommender Platform for eCommerce” Trang 25 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE thống có thể hiểu rõ hơn người dùng nhằm nâng cao chất lượng và hiệu quả trong các gợi ý Bên cạnh đó, mỗi website thương mại điện tử lại có những đặt trưng riêng Vì thế, đề tài tập trung xây dựng các hỗ trợ linh hoạt và mềm dẻo trong việc cài đặt... dữ liệu Hệ thống được xây dựng trên nền web được viết bằng ngôn ngữ Java với cơ sở dữ liệu MongoDB 3.4.2.1 Users collection Lưu thông tin tài khoản người dùng của hệ thống Các thông tin phục vụ cho việc quản lý các tài khoản người dùng Thuộc tính _ id Kiểu dữ liệu ObjectId Xây dựng “Recommender Platform for eCommerce” Mô tả Primary Key Trang 26 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE fullname... hàng là có thể tiến hành xây dựng hệ thống gợi ý, vì để có khoảng 100 đơn hàng, website phải có từ 20,000 đến 30,000 khách truy cập mỗi ngày Tuy nhiên, việc xây dựng một hệ thống gợi ý phải mất thời gian từ ba đến sáu tháng Ngoài ra, chi phí và kinh nghiệm trong lĩnh vực phân tích dữ liệu cũng là điều đáng quan tâm đối với các doanh nghiệp Xây dựng một platform để hỗ trợ việc xây dựng hệ thống gợi ý cho... phẩm, thông tin các giải thuật gợi ý Dữ liệu tracking sản phẩm Đầu ra của hệ thống: - Danh sách các sản phẩm được dự đoán là người dùng có thể thích, quan tâm Xây dựng “Recommender Platform for eCommerce” Trang 24 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE eCommerce Site Smartphone eCommerce Site eCommerce Site PC Recommender Frontend Upload via FTP or via Merchant Center GUI Tracking System Recommend... cộng tác Nghiên cứu các công nghệ liên quan để xây dựng platform cho hệ thống gợi ý, cụ thể: - Spring IO Platform - Apache Mahout - MongoDB - AngularJS - Twitter Bootstrap Phương pháp điều tra thực tế: Tiến hành tìm hiểu, khảo sát, thu thập thông tin về các hệ thống gợi ý hiện có như: Amazon, Ebay, Netflix, YARPP, … Phương pháp thực nghiệm: Xây dựng platform cho hệ thống gợi ý trong lĩnh vực thương... cận khác nhau để xây dự hệ thống gợi ý cho mỗi nhóm người dùng Ví dụ phương pháp tiếp cận dựa trên tri thức (Knowledge-based), phương pháp tiếp cận Demographic hay phương pháp gợi ý dựa trên kết nối (Communitybased) Trong khuôn khổ của luận văn, luận văn sử dụng phương pháp lọc cộng tác để xây dựng hệ thống gợi ý cho các website thương mại điện tử Xây dựng “Recommender Platform for eCommerce” Trang... tin, các phương pháp dựa trên nội dung cũng như cải thiện công nghệ lọc MovieLens[7] là tập dữ liệu được nhóm nghiên cứu GroupLens thu thập và xây dựng từ các thông tin và giao dịch của người dùng trên trang web MovieLens ( Xây dựng “Recommender Platform for eCommerce” Trang 21 Chương 2: CƠ SỞ LÝ THUYẾT http://movielens.org ) Các tập dữ liệu được thu thập qua các thời kỳ khác nhau với kích thước khác... thương mại điện tử Nghiên cứu các công nghệ xây dựng một website hiệu quả có tốc độ truy cập nhanh Đối tượng gợi ý: Các sản phẩm trên các website thương mại điện tử Đối tượng được gợi ý: Người dùng trên trên các website thương mại điện tử Nội dung gợi ý: Danh sách các sản phẩm tiềm năng nhất mà người dùng hiện tại sẽ quan tâm Xây dựng “Recommender Platform for eCommerce” Trang 2 Chương 1: TỔNG QUAN 1.4... chọn tập trung vào các nhóm và các câu chuyện cụ thể mà không cần phải vất vả lướt qua nhiều việc không liên quan Xây dựng “Recommender Platform for eCommerce” Trang 17 Chương 2: CƠ SỞ LÝ THUYẾT Có nhiều cách tiếp cận để tính toán các cụm Một số cách tiếp cận thực hiện từ dưới lên, xây dựng các cụm lớn hơn từ cái nhỏ hơn, trong khi những cách khác lại chia một cụm lớn thành nhiều cụm càng nhỏ hơn càng ... Danh sách sản phẩm dự đoán người dùng thích, quan tâm Xây dựng “Recommender Platform for eCommerce” Trang 24 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE eCommerce Site Smartphone eCommerce Site... thông tin họ vừa “bước chân” vào website Từ đó, giúp hệ Xây dựng “Recommender Platform for eCommerce” Trang 25 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE thống hiểu rõ người dùng nhằm nâng cao... người dùng Thuộc tính _ id Kiểu liệu ObjectId Xây dựng “Recommender Platform for eCommerce” Mô tả Primary Key Trang 26 Chương 3: RECOMMENDER PLATFORM FOR ECOMMERCE fullname String Họ tên người dùng