Xây dựng hệ tư vấn môn học cho sinh viên hệ đào tạo tín chỉ Trường Đại học Sư phạm Hà Nội

MụC LụC Mở ĐầU 1 1. Lý do chọn đề tài 1 2. Lịch sử nghiên cứu 2 3. Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu 3 4. Tóm tắt 4 5. Phương pháp nghiên cứu 4 CHƯƠNG 1: TổNG QUAN Về Hệ TƯ VấN (RECOMMENDER SYSTEM) 5 1.1. Giới thiệu hệ tư vấn 5 1.1.1. Hệ tư vấn là gì? 7 1.1.2. Bài toán hệ tư vấn 7 1.1.3. Nhiệm vụ hệ tư vấn 9 1.1.4. Các chức năng của hệ tư vấn 10 1.1.5. Ứng dụng của hệ tư vấn 11 1.2. Các phương pháp tiếp cận hệ tư vấn 12 1.2.1. Phương pháp dựa trên nội dung (Content Based) 13 1.2.2. Phương pháp lọc cộng tác (Collaborative Filtering – CF) 20 1.2.3. Phương pháp lai (Hybrid) 40 CHƯƠNG 2: XÂY DựNG Hệ TƯ VấN MÔN HọC CHO SINH VIÊN Hệ ĐÀO TạO TÍN CHỉ TRƯờNG ĐạI HọC SƯ PHạM HÀ NộI 43 2.1. Giới thiệu 43 2.2. Mô tả bài toán tư vấn môn học tự chọn 44 2.3. Phương pháp giải quyết bài toán 46 CHƯƠNG 3: CÀI ĐặT VÀ ĐÁNH GIÁ CÁC THUậT TOÁN 50 3.1. Dữ liệu thử nghiệm và phương pháp đánh giá 50 3.1.1. Mô tả dữ liệu 50 3.1.2. Thiết kế bảng dữ liệu 51 3.2. Kết quả thực nghiệm 54 3.2.1. So sánh giải thuật Bias Matrix Factorization với các thuật khác 54 3.2.2. Khảo sát sự phụ thuộc của thuật toán BMF đối với tham số nhân tố tiềm ẩn K 57 3.2.3. Dự đoán và tư vấn môn học tự chọn cho sinh viên 57 KếT LUậN 60 TÀI LIệU THAM KHảO 61

MỤC LỤC DANH MỤC HÌNH 3 DANH MỤC BẢNG MỞ ĐẦU 1.Lý chọn đề tài 2.Lịch sử nghiên cứu 3.Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu 3.1 Mục đích nghiên cứu 3.2 Đối tượng nghiên cứu 4.Tóm tắt 5.Phương pháp nghiên cứu CHƯƠNG 1: TỔNG QUAN VỀ HỆ TƯ VẤN (RECOMMENDER SYSTEM) 1.1 Giới thiệu hệ tư vấn 1.1.1.Hệ tư vấn gì? 1.1.2.Bài tốn hệ tư vấn 1.1.3.Nhiệm vụ hệ tư vấn 1.1.4.Các chức hệ tư vấn 10 1.1.5.Ứng dụng hệ tư vấn 11 1.2 Các phương pháp tiếp cận hệ tư vấn 12 1.2.1 Phương pháp dựa nội dung( content - Based) 12 1.2.2 Phương pháp lọc cộng tác (Collaborative Filtering – CF) 20 1.2.3 Phương pháp lai (Hybrid) 40 CHƯƠNG 2: XÂY DỰNG HỆ TƯ VẤN MÔN HỌC CHO SINH VIÊN HỆ ĐÀO TẠO TÍN CHỈ TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI 43 2.1 Giới thiệu 43 2.2 Mô tả tốn tư vấn mơn học tự chọn 44 2.3 Phương pháp giải toán 46 CHƯƠNG 3: CÀI ĐẶT VÀ ĐÁNH GIÁ CÁC THUẬT TOÁN 51 3.1 Dữ liệu thử nghiệm phương pháp đánh giá 51 3.1.1 Mô tả liệu 51 3.1.2 Thiết kế bảng liệu 52 3.2 Kết thực nghiệm 55 3.2.1 So sánh giải thuật Bias Matrix Factorization với thuật khác 55 3.2.2 Khảo sát phụ thuộc thuật toán BMF tham số nhân tố tiềm ẩn K 58 3.2.3 Dự đốn tư vấn mơn học tự chọn cho sinh viên 59 KẾT LUẬN 61 TÀI LIỆU THAM KHẢO 63 DANH MỤC HÌNH HÌNH 1.1 GIẢI THƯỞNG TRIỆU USD CỦANETFLIX CHO AI ĐƯA RA ĐƯỢC THUẬT TỐN GIÚP TĂNG ĐỘ CHÍNH XÁC CỦA HỆ THỐNG TƯ VẤN PHIM CỦA HỌ THÊM 10% HÌNH 1.2 BA HỘI NGHỊ CỦA ACM VỀ HỆ TƯ VẤN ĐƯỢC TỔ CHỨC CHÂU ÂU VÀ MỸ HÌNH 1.3 HỆ THỐNG TƯ VẤN SẢN PHẨM CỦA AMAZON HÌNH 1.4 MINH HỌA HỆ TƯ VẤN SÁCH CHO NGƯỜI ĐỌC HÌNH 1.5 PHƯƠNG PHÁP TƯ VẤN DỰA TRÊN NỘI DUNG 14 HÌNH 1.6 QUY TRÌNH CỦA HỆ THƠNG TƯ VẤN DỰA TRÊN LỌC CỘNG TÁC 21 HÌNH 1.7 VÍ DỤ MINH HỌA LỌC CỘNG TÁC DỰA TRÊN NGƯỜI DÙNG 23 HÌNH 1.8 VÍ DỤ MINH HỌA LỌC CỘNG TÁC DỰA TRÊN TẬP MỤC 31 HÌNH 1.9 MƠ HÌNH PHÂN RÃ MA TRẬN X THÀNH HAI MA TRẬN W VÀ H 35 HÌNH 1.10 XÂY DỰNG MA TRẬN X TỪ HAI MA TRẬN CONW VÀ H 38 HÌNH 2.1 BÀI TỐN DỰ ĐỐN VÀ GƠI Ý LỰA CHỌN MƠN HỌC 44 HÌNH 2.2 DỮ LIỆU ĐIỂM VỚI BA MƠN CẦN DỰ ĐỐN CỦA SINH VIÊN SV5 45 HÌNH 2.3 BẢNG ĐIỂM SAU KHI DỰ ĐỐN VÀ HƯỚNG GỢI Ý 46 HÌNH 2.4 DỰ ĐOÁN NĂNG LỰC (ĐIỂM) CHO SINH VIÊN HỌC MƠN 48 HÌNH 3.1: BẢNG DỮ LIỆU HUẤN LUYỆN 53 HÌNH 3.2 BẢNG DỮ LIỆU KIỂM TRA 54 HÌNH 3.3 BẢNG DỮ LIỆU MƠN HỌC 54 HÌNH 3.4 ĐỘ LỖI CỦA PHƯƠNG PHÁP MATRIX FACTORIZATION 56 HÌNH 3.5 ĐỘ LỖI CỦA PHƯƠNG PHÁP BIASED MATRIX FACTORIZATION 57 HÌNH 3.6: ĐỘ LỖI CỦA PHƯƠNG PHÁP GLOBAL AVERAGE 58 HÌNH 3.7: BIỂU ĐỒ ĐỘ LỖI RMSE CỦA BA GIẢI THUẬT MF, BMF VÀ GA 58 HÌNH 3.8: BIỂU ĐỒ ĐỘ LỖI RMSE CỦA BMF VỚI CÁC GIÁ TRỊ KHÁC NHAU CỦA NHÂN TỐ TIỀM ẨN K 59 HÌNH 3.9 GIAO DIỆN HUẤN LUYỆN 59 HÌNH 3.10 GIAO DIỆN TƯ VẤN 61 DANH MỤC BẢNG BẢNG1.1: MINH HỌA ĐÁNH GIÁ CỦA NGƯỜI DÙNG VỀ MỘT SỐ BỘ PHIM ĐÃ XEM BẢNG 1.2: MA TRẬN BIỂU DIỄN XẾP HẠNG NGƯỜI DÙNG U TRÊN TẬP MỤC I 24 BẢNG 1.3: MA TRÂN XẾP HẠNG (TRÊN THANG ĐIỂM SAO) 27 MỞ ĐẦU Lý chọn đề tài Trong thời đại bùng nổ thông tin, người dùng thường bị ngập khối lượng thơng tin khổng lồ hệ tư vấn ngày có vai trị quan trọng Hệ tư vấn (Recommender System - RS) trở thành lĩnh vực nghiên cứu quan trọng hai thập kỷ qua [6], kể từ xuất báo chủ đề vào thập niên 1990 [9] Hiện hệ tư vấn ứng dụng nhiều lĩnh vực khác sống kinh doanh, giải trí, y tế, giáo dục…Trong năm gần đây, hệ tư vấn nhiều nhà nghiên cứu quan tâm ứng dụng vào lĩnh vực giáo dục [11] Ví dụ hệ tư vấn dự đốn kết học tập sinh viên, hệ tư vấn lựa chọn môn học, hệ tư vấn học tập giáo dục điện tử, hệ tư vấn cho trang web học toán online,… Đặc biệt trường đại học, cao đẳng bắt đầu áp dụng hình thức đào tạo tín cho sinh viên quy để thay cho hình thức đào tạo liên chế trước Với hình thức đào tạo tín chỉ, sinh viên tự lập kế hoạch học tập cho phù hợp với khả thời gian riêng Tuy nhiên, khơng có kinh nghiệm nên nhiều sinh viên lựa chọn số môn học không phù hợp với lực nguyên nhân khiến số lượng sinh viên bị cảnh cáo buộc thơi học có chiều hướng gia tăng Do cần có hệ tư vấn hỗ trợ cho sinh viên dự đoán điểm, dựa vào điểm dự đoán để đưa lời khuyên phù hợp cho sinh viên Những lời khuyên, gợi ý đáng tin cậy dựa kết học tập sinh viên khóa trước để dự đốn điểm cho sinh viên khóa sau, từ đưa lời khuyên, gợi ý phù hợp với lực sinh viên Vì lí trên, tơi lựa chọn đề tài “Xây dựng hệ tư vấn môn học cho sinh viên hệ đào tạo tín Trường Đại học Sư phạm Hà Nội” dựa phương pháp Bias Matrix Factorization để dự đoán kết học tập sinh viên, từ đưa gợi ý lựa chọn môn học tự chọn để hỗ trợ cho em trình học tập Lịch sử nghiên cứu Hệ tư vấn trở thành lĩnh vực nghiên cứu quan trọng kể từ báo lọc cộng tác (Collaborative Filtering - CF) xuất vào năm 1990 Hơn nữa, năm gần nhiều công ty truyền thông triển khai phát triển hệ thống tư vấn phần dịch vụ quan trọng mà họ cần phải cung cấp Ví dụ trang Netflix.com trang web xem phim trực tuyến tiếng cung cấp giải thưởng triệu đô la cho người đưa thuật toán đánh bại 10% thuật toán tư vấn họ Và giải thưởng nhóm nghiên cứu có tên “Bellkor’s Pragmatic Chaos” giành năm 2009 Hình 1.1 Giải thưởng triệu USD củaNetflix cho đưa thuật tốn giúp tăng độ xác hệ thống tư vấn phim họ thêm 10% Có nhiều hội nghị hội thảo dành riêng cho lĩnh vực Hội nghị đặc biệt nhiều người quan tâm ACM Recommender Systems (viết tắt RecSys) thành lập năm 2007 kiện uy tín tổ chức hàng năm để nghiên cứu công nghệ tư vấn ứng dụng Ngồi ra, hệ thống tư vấn cịn thảo luận hội nghị truyền thống lĩnh vực sở liệu, hệ thống thông tin hệ thống thích nghi Trong số hội nghị đó, cần nhắc đến số hội nghị lớn như: ACM SIGIR Special Interest Group on Information Retrieval (SIGIR), User Modeling, Adaptation and Personalization (UMAP), and ACM’s Special Interest Group on Management Of Data (SIGMOD) Hình 1.2 Ba hội nghị ACM hệ tư vấn tổ chức châu Âu Mỹ Tại trường đại học sau đại học giới có khóa học dành riêng cho việc nghiên cứu hệ tư vấn, hướng dẫn hệ tư vấn phổ biến hội nghị khoa học máy tính Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu 3.1 Mục đích nghiên cứu Tìm hiểu hệ tư vấn phương pháp tiếp cận hệ tư vấn Nghiên cứu phương pháp xây dựng hệ tư vấn có liệu lớn Ứng dụng xây dựng hệ tư vấn mơn học cho sinh viên hệ đào tạo tín Trường Đại học Sư phạm Hà Nội 3.2 Đối tượng nghiên cứu Các phương pháp xây dựng hệ thư vấn Phương pháp xây dựng hệ tư vấn dựa phân rã ma trận thiên vị (Bias Matrix Factorizations - MBF) Các công cụ xây dựng hệ tư vấn: MovieLens, Mymedialite, ngơn ngữ lập trình C# Tóm tắt Luận văn trình bày tổng quan hệ tư vấn, bao gồm khái niệm hệ tư vấn, nhiệm vụ hệ tư vấn, chức hệ tư vấn, số ứng dụng hệ tư vấn thực tế phương pháp tiếp cận hệ tư vấn Để xây dựng hệ tư vấn môn học cho sinh viên hệ đào tạo tín trường Đại học Sư phạm Hà Nội, bước đầu luận văn mô tả tốn tư vấn lựa chọn mơn học, mơ tả thuật toán giải toán xây dựng hệ tư vấn môn học cho sinh viện hệ đào tạo tín Trường đại học Sư phạm Hà Nội Cuối luận văn trình bày phần cài đặt hệ tư vấn, giới thiệu số giao diện hệ tư vấn đưa đánh giá hiệu hệ tư vấn môn học Phương pháp nghiên cứu Nghiên cứu lý thuyết Nghiên cứu toán ứng dụng xây dựng hệ tư vấn môn học cho sinh viên hệ đào tạo tín Cài đặt kiểm thử ứng dụng Tham khảo ý kiến đánh giá Chương 1: Tổng quan hệ tư vấn (Recommender System) 1.1 Giới thiệu hệ tư vấn Khó khăn lớn với người sử dụng Internet dịch vụ thương mại điện tử ln có q nhiều phương án để lựa chọn Để tiếp cận thơng tin hữu ích người dùng thường phải xử lý, loại bỏ phần lớn thông tin không cần thiết Hệ tư vấn lựa giải vấn đề cách dự đoán cung cấp cho người dùng danh sách ngắn sản phẩm, tin, phim, video, v.v… mà nhiều khả người dùng quan tâm Ví dụ, hệ thống bán hàng trực tuyến chẳng hạn Amazon, nhằm tối ưu hóa khả mua sắm khách hàng (user), người ta quan tâm đến việc khách hàng “yêu thích” sản phẩm (item) cách dựa vào hành vi khứ họ (hành vi xếp hạng mà người dùng bình chọn sản phẩm, thời gian duyệt (browse) sản phẩm, số lần click chuột,…) từ hệ thống đốn người dùng thích sản phẩm đưa sản phẩm tư vấn phù hợp cho họ Hình 1.3 minh họa cho hệ thống gợi ý bán hàng Amazon Hình 1.3 Hệ thống tư vấn sản phẩm Amazon Trong hình 1.3 dựa vào hành vi khứ người dùng xếp hạng, bình chọn, kích chuột vào sản phẩm dầu oliu từ hệ thống đốn người dùng quan tâm đến dầu oliu đưa sản phẩm dầu oliu để tư vấn cho họ giá trị dự đoán sinh viên u cho môn học i 50 Chương 3: Cài đặt đánh giá thuật toán 3.1 Dữ liệu thử nghiệm phương pháp đánh giá 3.1.1 Mô tả liệu  Một số quy định hệ thống đào tạo tín Học phần: khối lượng kiến thức tương đối trọn vẹn, thuận tiện cho sinh viên tích luỹ q trình học tập Phần lớn học phần có khối lượng từ đến tín chỉ, nội dung bố trí giảng dạy trọn vẹn phân bố học kỳ Kiến thức học phần phải gắn với mức trình độ theo năm học thiết kế kết cấu riêng phần môn học kết cấu dạng tổ hợp từ nhiều môn học Từng học phần phải ký hiệu mã số riêng trường quy định Học phần bắt buộc: học phần chứa đựng nội dung kiến thức yếu chương trình bắt buộc sinh viên phải tích lũy Học phần tự chọn: học phần chứa đựng nội dung kiến thức cần thiết, sinh viên tự chọn theo hướng dẫn trường nhằm đa dạng hố hướng chun mơn tự chọn tuỳ ý để tích luỹ đủ số học phần quy định cho chương trình Mơn học tiên (mơn học ràng buộc): mơn học mà sinh viên phải hồn tất với điểm trung bình MH loại đạt có điều kiện(C) trở lên trước học môn học yêu cầu môn học tiên Tín chỉ: sử dụng để tính khối lượng học tập sinh viên Một tín quy định 15 tiết học lý thuyết; 30 - 45 tiết thực hành, thí nghiệm thảo luận; 45 - 90 thực tập sở; 45 - 60 làm tiểu luận, tập lớn đồ án, khoá luận tốt nghiệp Tổ chức lớp học: Lớp học tổ chức theo học phần dựa vào đăng ký khối lượng học tập sinh viên học kỳ Hiệu trưởng quy 51 định số lượng sinh viên tối thiểu cho lớp học tùy theo loại học phần giảng dạy trường Nếu số lượng sinh viên đăng ký thấp số lượng tối thiểu quy định lớp học không tổ chức sinh viên phải đăng ký chuyển sang học học phần khác có lớp, chưa đảm bảo đủ quy định khối lượng học tập tối thiểu cho học kỳ  Tổ chức liệu Từ sở liệu quản lý chương trình đào tạo theo hệ thống tín trường Đại học Sư Phạm Hà Nội, chúng tơi trích lọc ba nhóm liệu sau: sinh viên, mơn học điểm số (User, Item, Ratings) Nhóm mơn học (item) bao gồm thông tin kế hoạch học tập theo học kỳ, mã môn học, tên môn học, mơn học tiên quyết, nhóm mơn học bắt buộc, nhóm mơn tự chọn,…) với ràng buộc khác Nhóm sinh viên (user) bao gồm thơng tin mã sinh viên, năm học, ngành học, khóa học Nhóm điểm số (ratings) bao gồm điểm học tập môn học sinh viên (điểm số thang điểm 4) Do thời gian có hạn nên chúng tơi thu thập liệu khoa Công nghệ thơng tin khoa Tốn-Tin Bộ liệu bao gồm 1000 sinh viên (1000 user) 77 môn học (77 item) ngành học 77000 điểm chi tiết (77000 ratings), điểm số sinh viên đánh giá theo thang điểm (1, 2, 3, 4) 3.1.2 Thiết kế bảng liệu Để đánh giá chất lượng hệ thống tư vấn cần phải cách phân vùng tập liệu vào tập huấn luyện kiểm tra Điều quan trọng hiệu suất tính tốn liệu mà khơng có phần việc xây dựng mơ hình Một số chương trình học tập cần tập hợp xác nhận để tối ưu hóa thơng số mơ hình Bộ liệu thường chia theo phương pháp sau: 52 Holdout: chia tách tập liệu thành hai phần: tập huấn luyện kiểm tra Những có tỷ lệ khác Lấy ngẫu nhiên 2/3 tập liệu D để huấn luyện 1/3 tập liệu cịn lại dùng cho kiểm tra, lặp lại q trình k lần tính giá trị trung bình k-fold: chia tập liệu D thành k phần (fold) nhau, lặp lại k lần, lần sử dụng k-1 folds để học fold để kiểm tra, sau tính trung bình k lần kiểm tra Khi tập liệu D có 300 phần tử, phương pháp thường sử dụng 10 fold (k=10) Nếu tập D có leave-1-out (k= số phần tử) đề nghị sử dụng Trong hệ tư vấn liệu chia thành hai phần, phần Dtrain sử dụng làm liệu huấn luyện, phần lại D test sử dụng để kiểm tra Tập Dtrain chứa 2/3 đánh giá tập Dtetst chứa 1/3 đánh giá Các bảng liệu thiêt kế sau: Tập liệu huấn luyện (Dtrain) thiết kế sau: Hình 3.1: Bảng liệu huấn luyện Tập liệu kiểm tra (Dtest) thiết kế sau: 53 Hình 3.2 Bảng liệu kiểm tra Dữ liệu môn học tổ chức thành bảng: tbl_monhoc, tbl_monhoctuchonsptin, tbl_mondksptin Hình 3.3 Bảng liệu môn học 54 3.2 Kết thực nghiệm 3.2.1 So sánh giải thuật Bias Matrix Factorization với thuật khác Chúng tiến hành đánh giá hiệu giải thuật Bias Matrix Factorization với hai giải thuật Matrix Factorization Global Average (GA) liệu thu thập nhằm khẳng định lại đánh giá số nghiên cứu trước [10], [13] Giải thuật Global Average phương pháp trung bình tồn cục Global Average Giải thuật toán đơn giản để dự đoán sử dụng phương pháp trung bình tồn cục Phương pháp tính trung bình tất sinh viên đánh giá tất mơn học, sau lấy giá trị trung bình làm giá trị dự đốn cho tập kiểm tra Giá trị trung bình tính theo công thức sau: (3.1) Để đưa độ lỗi - Root Mean Squared Error (RMSE) cho giải thuật áp dụng công thức đo độ lỗi sau: (3.2) RMSE = Trong đó: tập liệu kiểm thử U tập sinh viên (user); i tập môn học (item) giá trị điểm đạt sinh viên u cho môn học i 55 giá trị dự đốn sinh viên u cho mơn học i Phương pháp Matrix Factorization: Có độ lỗi RMSE 0,633445 (hình 3.4 ) với giá trị tham số mặc định là: num_factors=10 regularization=0.015 learn_rate=0.01 Hình 3.4 Độ lỗi phương pháp Matrix Factorization Phương pháp Biased Matrix Factorization: Có độ lỗi RMSE 0,6095795 (hình 3.5) với giá trị tham số mặc định là: num_factors=10 bias_reg=0.01 reg_u=0.015 reg_i=0.015 frequency_regularization=False learn_rate=0.01 bias_learn_rate=1 56 learn_rate_decay=1 num_iter=30 bold_driver=False loss=RMSE max_threads=1 Hình 3.5 Độ lỗi phương pháp Biased Matrix Factorization Phương pháp Global Average : Có độ lỗi RMSE 0,9577132 (hình 3.6) 57 Hình 3.6: Độ lỗi phương pháp Global Average Tập hợp lại kết thực nghiệm vào biểu đồ hình 3.7 thấy phương pháp Biased Matrix Factorization cho độ lỗi thấp Tiếp đến phương pháp Matrix Factorization cuối phương pháp Global Average Hình 3.7: Biểu đồ độ lỗi RMSE ba giải thuật MF, BMF GA 3.2.2 Khảo sát phụ thuộc thuật toán BMF tham số nhân tố tiềm ẩn K Để đánh giá tầm ảnh hưởng tham số K với hiệu thuật tốn BMF, chúng tơi tiến hành tính RMSE thuật toán BMF với giá trị tham số K khác Biểu đồ hình 3.8 cho thấy giá trị K tăng lên thì độ xác thuật toán BMF tăng lên (sai số lỗi giảm đi) 58 Hình 3.8: Biểu đồ độ lỗi RMSE BMF với giá trị khác nhân tố tiềm ẩn K 3.2.3 Dự đoán tư vấn môn học tự chọn cho sinh viên  Thiết kế chương trình Chương trình tổ chức thành pha: Pha thứ nhất: Huấn luyện sau đưa kết dự đốn cho mơn học Quy trình thực sau:  Cập nhật liệu điểm sinh viên khóa với mơn học vào bảng môn học, bảng điểm sinh viên, mã ngành  Chọn liệu kiểm tra phương pháp chọn trình bày phần  Giao diện pha huấn luyện hình 3.9 Hình 3.9 Giao diện huấn luyện Pha thứ hai: Dự đoán gợi ý lựa chọn mơn học Quy trình thực sau: Với mơn học bắt buộc sinh viên phải học có mơn học tiên phải đăng ký học mơn trước học mơn học u cầu mơn tiên Với mơn học tự chọn sinh viên lựa chọn mơn học muốn đăng ký, có mơn học tiên phải học mơn trước 59 Sinh viên nhập mã sinh viên học kỳ cần tư vấn để hệ thống đưa gợi ý cho mơn học tự chọn có điểm cao dựa kết tính điểm dự đốn phần Các bước thực cụ thể sau:  Kiểm tra điều kiện sinh viên học đến học kỳ thứ có trùng với học kỳ cần xem hay khơng, khơng trùng chuyển học kỳ sinh viên  Kiểm tra năm học để đưa bảng danh sách môn học năm học  Kiểm tra số tín năm, kiểm tra số tín tích lũy Với môn sinh viên lựa chọn hệ thống kiểm tra xem có mơn học ràng buộc hay khơng, quy trình kiểm tra ràng buộc sau: - Nếu có mơn học ràng buộc (tiên quyết), kiểm tra xem sinh viên học mơn học ràng buộc chưa: + Nếu sinh viên chưa học mơn học ràng buộc yêu cầu sinh viên đăng ký học môn ràng buộc lựa chọn môn học khác + Nếu sinh viên học mơn học ràng buộc kiểm tra xem sinh viên đạt mơn học chưa, chưa đạt khơng đăng ký u cầu đăng ký môn học khác đăng ký học lại Nếu sinh viên đạt yêu cầu đăng ký chấp nhận 60 Hình 3.10 Giao diện tư vấn KẾT LUẬN Các hệ thống tư vấn nhận nhiều quan tâm từ cộng đồng nghiên cứu tổ chức kinh tế đóng góp giải vấn đề tràn ngập thông tin cung cấp dịch vụ hướng cá nhân Tuy nhiên, lĩnh vực tư vấn giáo dục, hướng tiếp cận nhiều vấn đề cần giải Nắm bắt nhu cầu đó, luận văn tìm hiểu trình tư vấn hệ tư vấn, vấn đề giải toán tư vấn thực tế, mô thử nghiệm với phương pháp Bias Matrix Factorrization, Matrix Factorrization Global Average, từ lựa chọn phương pháp Bias Matrix Factorrization để giải toán xây dựng hệ tư vấn mơn học cho sinh viên hệ đào tạo tín Luận văn đưa nhìn tổng quan hệ tư vấn phương pháp tiếp cận hệ tư vấn phương pháp lọc cộng tác, phương pháp tư vấn dựa nội dung phương pháp lai 61 Hệ tư vấn hướng tiếp cận để khai thác nguồn liệu dồi sẵn có ngành giáo dục nhằm quay lại hỗ trợ nhà quản lý người học Hệ tư vấn môn học cho sinh viên hệ đào tạo tín Trường đại học Sư phạm Hà Nội góp phần trợ giúp sinh viên định hướng kế hoạch học tập để đạt kết tốt Trong thời gian tới tiếp tục thu thập liệu tất khoa trường ĐHSPHN để đưa vào hệ thống Chúng tiếp tục tiến hành khảo sát thêm ràng buộc để cho hệ thống gợi ý gần sát với thực tế chương trình quản lý đào tạo trường Cuối cùng, chúng tơi hy vọng tích hợp hệ thống gợi ý tính hệ thống đăng kí mơn học trường ĐHSPHN nhằm hỗ trợ sinh viên lựa chọn môn học tùy chọn đầu học kỳ 62 Tài liệu tham khảo Tiếng việt [1] Lê Thanh Minh (2002) Ứng dụng khai khoáng liệu tập mở công việc phân loại học sinh [2] Huỳnh Lý Thanh Nhàn, Nguyễn Thái Dư (2008) Tìm hiểu khai phá liệu luật kết hợp ứng dụng vào xây dựng hệ thống dự đoán kết học tập sinh viên, Luận văn đại học [3] Nguyễn Thái Nghe, Paul Janecek, Peter Haddawy (2006) Một phân tích kỹ thuật dự đoán kết học tập [4] Nguyễn Thị Thanh Thủy, Trần Quốc Vinh (2012) Ứng dụng khai phá liệu xây dựng cơng cụ dự đốn kết học tập sinh viên Hội nghị sinh viên nghiên cứu kho học lần thứ 8, Đại học Đà Nẵng Tiếng anh [5] Ansari, A., S Essegaier, andR (2000) Kohli Internet recommendations systems Journal of Marketing Research, pages 363-375 [6] Black, D (1958) The theory of committees and elections, Kluwer, Boston [7] Badrul Sarwar, Geogre Karypis, Joseph Konstan, and Jonh Riedl (2001) “Item-Based Collaborative Filtering Recommendation Algorithms”, pp.285 295 [8] Balabanovic, M and Y Shoham Fab (1997): Content-based, collaborative recommendation Communications of the ACM, 40(3):66-72 [9] Basu, C., H Hirsh, and W Cohen (1998) Recommendation as classification: Using social and recommendation In Recommender content-based information in Systems Papers from Workshop Technical Report WS-98-08 AAAI Press 63 [10] Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B Kantor (Editors May 2010), Recommender Systems Handbook [11] G.Adomavicius, A.Tuzhilin Towards the Next Generation of Recommender Systems (2005): A Survey of the State-of-the-Art and Possible Extensions, IEEE Transactions on Knowledge and Data Engineering [12] Michael D Ekstrand, John T Riedl and Joseph A Konstan (2011), Collaborative Filtering Recommender Systems Dung- lọc cộng tác [13] Nguyen Thai-Nghe 2012 Predicting Student Performance in an Intelligent Tutoring System, PhD thesis University of Hildesheim, Germany [14] Nguyen Thai-Nghe (2013) An introduction to factorization technique for building recommendation systems Vol 6/2013, pp 44-53, Journal of Science - University of Da Lat, ISSN 0866-787X [15] Su, X & Khoshgoftaar, T.M (2009) A survey of collaborative filtering techniques Advances in Artificial Intelligence, 2009, 4:1-4:19 [16] Takacs, G., Pilaszy, I., Nemeth, B., & Tikk, D (2009) Scalable collaborative systems (special topic filtering on approaches mining and for learning large with recommender graphs and relations) Journal of Machine Learning Research, 10, 623-656 [17] Yehuda Koren, Robert Bell, and Chris Volinsky (2009) Matrix Factorization Techniques for Recommender Systems Computer 42, (August 2009), 30-37 DOI=10.1109/MC.2009.263 [18] Yehuda Koren, Robert Bell (2011) Advances in collaborative filtering Recommender systems handbook Springer 64