Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)

Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)Xây dựng hệ tư vấn hẹn hò trực tuyến (LV thạc sĩ)

HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG - LÊ TÔN ANH THƢ XÂY DỰNG HỆ TƢ VẤN HẸN HÒ TRỰC TUYẾN LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI – 2017 HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG - LÊ TÔN ANH THƢ XÂY DỰNG HỆ TƢ VẤN HẸN HÒ TRỰC TUYẾN CHUYÊN NGÀNH : KHOA HỌC MÁY TÍNH MÃ SỐ : 60.48.01.01 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC TS NGUYỄN DUY PHƢƠNG HÀ NỘI - 2017 i LỜI CAM ĐOAN Luận văn thành trình học tập nghiên cứu em giúp đỡ, khuyến khích quý thầy cô sau năm em theo học chương trình đào tạo Thạc sĩ, chuyên ngành Khoa học máy tính trường Học viện Công nghệ Bưu Viễn thông Em cam đoan công trình nghiên cứu riêng em Nội dung luận văn có tham khảo sử dụng số thông tin, tài liệu từ nguồn sách, tạp chí liệt kê danh mục tài liệu tham khảo trích dẫn hợp pháp Tác giả (Ký ghi rõ họ tên) Lê Tôn Anh Thƣ ii LỜI CÁM ƠN Em xin gửi lời cảm ơn tri ân tới thầy cô giáo, cán Học viện Công nghệ Bưu Viễn thông giúp đỡ, tạo điều kiện tốt cho em trình học tập nghiên cứu chương trình Thạc sĩ Để hoàn thành luận văn này, em xin gửi lời cảm ơn sâu sắc tới TS Nguyễn Duy Phƣơng tận tình hướng dẫn, giúp đỡ động viên suốt trình nghiên cứu viết luận văn Do vốn kiến thức lý luận kinh nghiệm thực tiễn nên luận văn không tránh khỏi thiếu sót định Em kính mong thầy cô tận tình bảo trân trọng tiếp thu ý kiến để luận văn hoàn thiện Cuối cùng, em xin gửi lời chúc tốt đẹp đến người bạn đồng hành thầy cô giúp đỡ em suốt hai năm qua Chúc cho người vui vẻ thành công sống Em xin chân thành cảm ơn, Hà Nội, tháng năm 2017 Tác giả (Ký ghi rõ họ tên) Lê Tôn Anh Thƣ iii MỤC LỤC MỞ ĐẦU Chƣơng – TỔNG QUAN 1.1 Đặt vấn đề 1.2 Tổng quan hệ thống Recommender Systems 1.2.1 Phân loại Recommender systems 1.2.2 Phân tích ưu nhược điểm 1.2.3 Những tác vụ Recommender system cần giải 11 1.2.4 Đánh giá mô hình hệ thống Recommender System 11 1.3 Các bước trình xây dựng Recommender System 12 1.3.1 Thu thập liệu 12 1.3.2 Chuẩn hóa liệu .13 1.3.3 Collaborative Model (đối tượng chứa liệu) 13 1.3.4 Chạy mô hình lọc top N item 14 1.3.5 Đánh giá mô hình .14 1.4 Một số công cụ hỗ trợ trình nghiên cứu thử nghiệm hệ thống Recommender System 15 1.4.1 Python 15 1.4.2 Java .16 1.4.3 Thư viện hệ thống R 16 1.5 Bài toán xây dựng hệ thống Hẹn hò trực tuyến .17 1.5.1 Hẹn hò trực tuyến .18 iv 1.5.2 Các lĩnh vực hai chiều 22 Chƣơng - CÁC PHƢƠNG PHÁP GỢI Ý CHO HỆ THỐNG HẸN HÒ TRỰC TUYẾN 23 2.1 Hệ thống gợi ý qua lại 23 2.2 Các phương pháp tiếp cận 23 2.3 Các thuật toán gợi ý .26 2.3.1 Phương pháp tiếp cận dựa vào nội dung 26 2.3.2 Phương pháp tiếp cận dựa vào đánh giá tiêu cực .30 2.3.3 Phương pháp kết hợp 31 2.3.4 Phương pháp đa nhóm tương thích (Multiple compatible subgroups) 37 Chƣơng - THỰC NGHIỆM VÀ XÂY DỰNG MÔ HÌNH ỨNG DỤNG 43 3.1 Mô hình liệu 43 3.1.1 Mô tả liệu mẫu 43 3.1.2 Mô tả migrate liệu 44 3.1.3 Chuẩn hóa liệu .45 3.1.4 Chia liệu huấn luyện kiểm thử 45 3.2 Phương pháp xây dựng mô hình 46 3.2.1 Phân tích thăm dò .46 3.2.2 Phương pháp đánh giá mức độ thành công thuật toán 47 3.2.3 Kết .49 3.3 Xây dựng mô hình ứng dụng 54 3.3.1 Xây dựng sở liệu 55 3.3.2 Kiến trúc ứng dụng .55 v 3.3.3 Ứng dụng 58 3.4 Kết thực nghiệm 61 3.4.1 Độ đo đánh giá 61 3.4.2 Cơ sở liệu liệu thử nghiệm .63 3.4.3 Kết thử nghiệm đánh giá 64 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 67 TÀI LIỆU THAM KHẢO 69 vi DANH MỤC TỪ VIẾT TẮT STT Từ viết tắt CBR Tiếng Anh Content – based Tiếng Việt Gợi ý dựa nội dung recommendations CRR Content-Collaborative Reciprocal Phương pháp hỗn hợp RECON Content-based approach Tiếp cận nội dung CF Collaborative filtering Bộ lọc công tác HR Hybrid recommenders Gợi ý hỗn hợp RC Recommender Systems Hệ thống cung cấp gợi ý RR Reciprocal recommenders Gợi ý tương hỗ e.e Recommendee Người nhận gợi ý e.r Recommender Người cung cấp gợi ý vii DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 Thứ tự thuộc tính cân nhắc hàm khoảng cách D 33 Bảng 3.1 Tỉ lệ phân bố tin nhắn khời đầu khởi đầu có hồi đáp .46 Bảng 3.2 Ma trận nhầm lẫn phân loại lớp đối tượng 61 Bảng 3.3 Kết thử nghiệm liệu 65 viii DANH MỤC CÁC HÌNH VẼ Hình 1.1 Minh họa cho CBR Hình 1.2 Minh họa cho CFR Hình 2.1 Điểm tương thích nam giới 35-39 với nhóm tuổi nữ giới 38 Hình 2.2 Mỗi hàng thể cặp điều kiện-kết thêm thành công vào Quy tắc r Số lượng cặp thêm vào kéo theo tỷ lệ thành công tăng làm giảm số ứng viên đáp ứng 40 Hình 2.3 Ngưỡng µ + σ/2 biểu thị với đường ngang màu đỏ Những giá trị cho thuộc tính có điểm tương thích lớn ngưỡng yêu cầu thêm vào W 41 Hình 3.1 Tỷ lệ phản hồi tích cực 46 Hình 3.2 So sánh Tỉ lệ thành công phương pháp 49 Hình 3.3 Tỷ lệ xác thất bại phương pháp 50 Hình 3.4 Bảng CSDL 55 Hình 3.5 Biểu đồ uc tổng quát 56 Hình 3.6 Sơ đồ cho chức đăng nhập đăng xuất 57 Hình 3.7 Sơ đồ cho chức nhập thông tin cá nhân 57 Hình 3.8 Sơ đồ cho chức trả lời tin nhắn 58 Hình 3.9 Biểu đồ thống kê tỷ lệ ứng viên đánh giá phương pháp 65 Hình 3.10 Biểu đồ thống kê tỷ lệ ứng viên đánh giá phương pháp 66 Hình 3.11 Biểu đồ thống kê tiêu chí đánh giá F measure phương pháp 66 56 Hình 3.5 Biểu đồ uc tổng quát Một số sơ đồ tuần tự: - Chức đăng nhập đăng xuất 57 Hình 3.6 Sơ đồ cho chức đăng nhập đăng xuất - Chức nhập thông tin cá nhân Hình 3.7 Sơ đồ cho chức nhập thông tin cá nhân - Chức trả lời tin nhắn: 58 Hình 3.8 Sơ đồ cho chức trả lời tin nhắn Kịch ứng dụng:  Bước 1: Người dùng tạo tài khoản  Bước 2: Người dùng dùng tài khoản vừa tạo để đăng nhập vào hệ thống  Bước 3: Điền thông tin cá nhân – Mang ý nghĩa hoàn thiện mô hình sở thích  Bước 4: Hệ thống giả định người dùng nhận 15 tin nhắn làm quen  Bước 5: Người dùng hồi đáp tin nhăn với lựa chọn: Tích cực – Tiêu cực – Không trả lời Việc nhằm lấy liệu tin nhắn, đồng thời sở thích ẩn người dùng  Bước 6: Người dùng ấn vào nút gợi ý, ứng với thuật toán chương  Bước 7: Hệ thống áp dụng thuật toán trình bày chương để sinh danh sách ứng viên gợi ý cho người dùng, dựa thông tin nhập  Bước 8: Cuối ứng dụng hiển thị kết danh sách ứng viên mà hệ thống gợi ý cho người dùng 3.3.3 Ứng dụng Giao diện đăng nhập 59 Giao diện đăng ký Ngƣời dùng điền thông tin vào hồ sơ cá nhân Hồi đáp 15 ứng viên 60 Sử dụng thuật toán để có danh sách ứng viên gợi ý 61 3.4 Kết thực nghiệm 3.4.1 Độ đo đánh giá Trong thử nghiệm này, luận văn sử dụng độ đo đánh giá [13] là: Precision, Recall F-measure thường áp dụng phân loại liệu Precision độ đo xác đắn việc phân loại liệu Recall độ đo tính toán vẹn việc phân lớp liệu Ma trận nhầm lẫn (Confusion Matrix) hay gọi Contingency Table sử dụng toán phân loại Đƣợc phân lớp hệ thống Lớp ci Thuộc Phân lớp thực (đúng) Thuộc Không thuộc Không thuộc TPi FNi FPi TNi Bảng 0.2 Ma trận nhầm lẫn phân loại lớp đối tƣợng - TPi: Số lượng ứng viên thuộc tập ứng viên ci phân loại xác cho ci FPi: Số lượng ứng viên không không thuộc tập ứng viên ci bị phân loại nhầm cho ci TNi: Số lượng ứng viên thuộc tập ứng viên ci phân loại (chính xác) FNi: Số lượng ứng viên tập ứng viên ci bị phân loại nhầm (vào đối tượng khác ci) Khi Precision Recall lớp ci tính theo công thức sau: 62 Mặc dù Precision Recall độ đo dùng rộng rãi phổ biến nhất, chúng lại gây khó khăn phải đánh giá toán phân loại hai độ đo lại không tăng/giảm tương ứng với Bài toán đánh giá có Recall cao có Precision thấp ngược lại Hơn nữa, việc so sánh mà dựa Precision Recall ý hay Với mục tiêu đó, độ đo Fmeasure sử dụng để đánh giá tổng quát toán phân loại F-measure trung bình điều hòa có trọng số Precision Recall, có công thức sau: ( Trong ) tham số có giá trị nằm Nếu với Precision , F-measure , F-measure với Recall Giữa đoạn đó, giá trị cao, độ quan trọng Precision cao so với Recall Ta sử dụng giá trị thường dùng nghĩa là: Trên ta đề cập đến việc tính độ đo Precision Recall lớp ci việc phân loại ảnh thường có nhiều lớp liệu muốn tính độ đo Precision Recall toàn tập liệu thử nghiệm, ta tiến hành tính Precision Recall lớp ci tiến hành lấy trung bình cộng chúng để thu độ đo toàn tập liệu Như toàn tập liệu thử nghiệm gồm lớp ta có: ∑ 63 ∑ 3.4.2 Cơ sở liệu liệu thử nghiệm Để thực việc thử nghiệm độ xác hệ thống, luận văn sử dụng liệu mối quan hệ thông tin cá nhân 500 ứng viên Trong sở liệu ứng viên có 10 số dành cho cá nhân: chiều cao, cân nặng, tình trạng hôn nhân… số đánh giá mức độ tương tác cá nhân với số vote người người lại Chỉ số vote tồn người quen biết nhau, người chưa quen không tồn thông tin vote người hai người với Và giả sử có số vote hai người phải mức đủ cao có khả trở thành bạn bè (lớn 10 điểm) Sử dụng liệu ta chia thành nhiều liệu nhỏ để tiến hành huấn luyện đánh giá thuật toán Với liệu thử nghiệm chọn người sau tiến hành đánh giá cách kiểm tra người với người lại liệu nhỏ có thực bạn không (ban đầu ta biết trước bạn, không bạn người này) Xây dựng liệu thử nghiệm (DLTN) dựa ứng viên tập liệu 500 ứng viên sau: Bộ thử nghiệm 1: chọn ngẫu nhiên ứng viên nam độc thân, chiều cao cân nặng bình thường; lấy tiếp 100 ứng viên khác 70 ứng viên số 100 làm liệu huấn luyện, 30 ứng viên lại dùng để làm liệu thử nghiệm Bộ thử nghiệm 2: chọn ngẫu nhiên ứng viên nữ độc thân, chiều cao cân nặng bình thường; lấy tiếp 100 ứng viên khác 70 ứng viên số 100 làm liệu huấn luyện, 30 ứng viên lại dùng để làm liệu thử nghiệm 64 Bộ thử nghiệm 3: chọn ngẫu nhiên ứng viên nữ kết hôn, yêu thích thể thao; lấy tiếp 100 ứng viên khác 70 ứng viên số 100 làm liệu huấn luyện, 30 ứng viên lại dùng để làm liệu thử nghiệm Bộ thử nghiệm 4: chọn ngẫu nhiên ứng viên nam kết hôn, thân hình thấp không béo; lấy tiếp 100 ứng viên khác 70 ứng viên số 100 làm liệu huấn luyện, 30 ứng viên lại dùng để làm liệu thử nghiệm Bộ thử nghiệm 5: chọn ngẫu nhiên ứng viên nữ độc thân, tuổi lớn 35; lấy tiếp 100 ứng viên khác 70 ứng viên số 100 làm liệu huấn luyện, 30 ứng viên lại dùng để làm liệu thử nghiệm 3.4.3 Kết thử nghiệm đánh giá Kết liệu sau: DLTN1 Pre Re DLTN2 Pre Re DLTN3 Pre Re DLTN4 Pre Re DLTN5 Pre Re Phương pháp Đ/giá người 0.833 0.833 0.917 0.822 0.900 0.800 0.789 0.767 0.700 0.633 dùng Phương pháp 0.704 0.600 0.777 0.689 0.749 0.644 0.744 0.800 0.667 0.700 RECON Phương pháp RECON +/- 0.877 0.833 0.924 0.888 0.918 0.867 0.927 0.913 0.938 0.907 65 Phương pháp 0.901 0.865 0.892 0.872 0.905 0.867 0.877 0.866 0.845 0.808 CCR Bảng 0.3 Kết thử nghiệm liệu Chú thích: Pre: độ đo Precision Re: độ đo Recall Dưới biểu đồ thống kê thực nghiệm: Hình 0.9 Biểu đồ thống kê tỷ lệ ứng viên đƣợc đánh giá phƣơng pháp 66 Hình 0.10 Biểu đồ thống kê tỷ lệ ứng viên đƣợc đánh giá phƣơng pháp Hình 3.11 Biểu đồ thống kê tiêu chí đánh giá F measure phƣơng pháp Trên ba biểu đồ trên, ta thấy phương pháp RECON+/- cho tỉ lệ xác cao vượt trội hẳn so với phương pháp lại, xấp xỉ 85% 67 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Recommended Systems chủ đề nhận quan tâm hàng đầu nhà khoa học không lợi ích ứng dụng nhiều lĩnh vực mà phương pháp xử lý đa dạng với toán Trong đề tài này, lớp đặc biệt RC cho lĩnh vực hẹn hò trực tuyến trình bày, tên gọi gợi ý tương hỗ – RR Dựa kết trước, RR phát triển để cố gắng giải vấn đề tồn phương pháp trước Phương pháp ta với phương pháp khác, giới thiệu RR, đánh giá dựa tập liệu thu thập từ dịch vụ hẹn hò trực tuyến giới thực Kết phương pháp giành chiến thắng tuyệt đối; phụ thuộc vào tiêu chí lấy để tính toán, phương pháp khác có lúc đứng đầu Điều chưa rõ ràng tầm quan trọng tiêu chí tính toán khác nhau, tức là, tỷ lệ thành công, thất bại hay xác tác động đến kinh nghiệm người dùng, tính trung thành người dùng, lợi nhuận mang lại, khả người dùng tìm người phù hợp Nghiên cứu sâu giải vấn đề cách thực trực tiếp kiểm thử kiểm soát „controlled experiments‟ dịch vụ hẹn hò trực tuyến với người dùng thực Cùng với việc so sánh phương pháp phát triển phương pháp mới, đóng góp khác luận án liệu hỗ trợ người dùng (cold-start user) người nắm vai trò chủ động – bị động (proactivereactive roles) hẹn hò trực tuyến Nó tương tác hai chiều xuất nhóm có mức tiếng khác người dùng tiếng có xu hướng lười trả lời tiêu cực, ủng hộ luận điểm người dùng có giới hạn mối quan tâm (limited availability) Những ý kiến trình bày để phản biện lại hệ thống ghép đôi hẹn hò nói chung Finkel cho việc kết nối với nhóm ứng viên lớn khiến người đưa định tồi chọn đối phương Họ lưu ý thực tế nói chuyện qua tin nhắn không diễn giải việc nói chuyện trực tiếp bên 68 dịch vụ hẹn hò Đặc biệt hệ thống ghép đôi bị trích dựa nguyên tắc không quan trọng với bền vững mối quan hệ Đề tài đồng ý việc tính hiệu thuật toán ghép đôi cần nghiên cứu thêm, mặt khác, dường kết ta kết nghiên cứu trước e.r cho hẹn hò trực tuyến làm tốt phương pháp ngẫu nhiên Tương lai phát triển phương pháp e.r đối ứng truyền cảm hứng cho nhóm, công ty nghiên cứu để cải thiện hữu dụng lời gợi ý Ví dụ, ứng dụng hẹn hò di động Tinder, ứng dụng làm chao đảo thị trường hẹn hò trực tuyến với người dùng profile đơn giản chế like-dislike, tận dụng Facebook profile người dùng để hiển thị bạn chung sở thích với ứng viên Những loại liệu tận dụng e.r để cung cấp người dùng models tốt cho lời gợi ý Một hướng nghiên cứu khác có liên quan đến việc ứng dụng nghiên cứu tâm lý học xã hội học hành vi hẹn hò trực tuyến để phát triển mô hình gợi ý Mã hóa giả thuyết vào mô hình phán đoán cho phép tận dụng tốt thông tin thu thập để thúc đẩy lời gợi ý tốt Ở chương 2, ý tưởng cho việc phát triển tương lai e.r trình bày tiểu mục tương ứng Để tăng hiệu từ phương pháp này, nhiều lựa chọn chỉnh sửa thuộc tính cá nhân cần thực Đặc biệt thông tin thu thập từ ảnh profile mô tả thân vô hữu dụng IBISWorld dự báo Mỹ “các dịch vụ hẹn hò thích hợp dựa tảng di động bùng nổ doanh thu” năm 2015 ngành dịch vụ hẹn hò Các lập trình viên dịch vụ hẹn hò học từ nghiên cứu hẹn hò trực tuyến để phát triển dịch vụ cho phép người dùng tìm nửa cách hiệu hết Qua việc nghiên cứu xây dựng thệ thống hoàn chỉnh cho thấy tầm quan trọng Recommended Systems nhiều lĩnh vực đặc biệt lĩnh vực 69 liên quan đến vấn đề người tương đối trừu tượng lượng liệu lơn Bên cạnh đó, dựa mặt hạn chế hệ thống, tiếp tục nghiên cứu, tìm giải pháp khắc phúc vấn đề tồn đọng đặc biệt vấn đề cold-start tăng độ xác hệ thống trả ứng viên cho phù hợp với người dùng TÀI LIỆU THAM KHẢO [1] Dictionary.com: Definition of Reciprocal http://dictionary.reference.com/browse/reciprocal, visited on 2015-05-09 [2] Statistics Finland: Finland in Figures (2013) http://www.stat.fi/tup/suoluk/suoluk_vaesto_en.html, visited on 2015-02-23 [3] Adomavicius, Gediminas and Tuzhilin, Alexander: Toward the NextGeneration of Recommender Systems: A Survey of the State-of-the-Artand Possible Extensions IEEE Transactions on Knowledge and DataEngineering, 17(6):734–749, June 2005 [4] Agrawal, Manish, Karimzadehgan, Maryam, and Zhai, ChengXian: AnOnline News Recommender System for Social Networks In Proceedingsof the Workshop on Search in Social Media, 2009, ISBN 3838315642 [5] Akehurst, Joshua, Koprinska, Irena, Yacef, Kalina, Pizzato, Luiz, Kay,Judy, and Rej, Tomasz: CCR - A Content-Collaborative Reciprocal Recommenderfor Online Dating In Proceedings of the 22nd InternationalJoint Conference on Artificial Intelligence, pages 2199–2204, 2011 [6] Akehurst, Joshua, Koprinska, Irena, Yacef, Kalina, Pizzato, Luiz, Kay,Judy, and Rej, Tomasz: Explicit and Implicit User Preferences in OnlineDating In New Frontiers in Applied Data Mining, pages 15–27 2012 [7] Amatriain, Xavier, Pujol, Josep M, and Oliver, Nuria: I Like It I LikeIt Not: Evaluating User Ratings Noise in Recommender Systems InUser Modeling, Adaptation, and Personalization, pages 247–258 2009 70 [8] Auer, Peter, Cesa-Bianchi, Nicolò, and Fischer, Paul: Finite-time Analysisof the Multiarmed Bandit Problem Machine Learning, 47(2-3):235–256, 2002 [9] Blecker, Thorsten, Kreutler, Gerold, Abdelkafi, Nizar, and Friedrich,Gerhard: An Advisory System for Customers‟ Objective Needs Elicitationin Mass Customization In Proceedings of the 4th Workshop onInformation Systems for Mass Customization (ISMC 2004), pages 1–10.2004 [10] Brozovsky, Lukas and Petricek, Vaclav: Recommender System for OnlineDating Service arXiv preprint cs/0703042, 2007 http://arxiv.org/abs/cs/0703042 [11] Burke, Robin: Hybrid Web Recommender Systems In The AdaptiveWeb, pages 377–408 Springer, 2007 ... dụng để xây dựng hệ thống Hẹn hò trực tuyến Các khái niệm phân loại hệ thống Recommender Systems Một số công trình nghiên cứu hệ thống hẹn hò trực tuyến xây dựng đề cập đến chương 1.1 Đặt vấn đề... chọn) hay hệ thống thực Với lý trên, xin đề xuất thực đề tài Xây dựng hệ tư vấn hẹn hò trực tuyến Cấu trúc luận văn theo thứ tự: Ở chương 1, tập trung giới thiệu hệ thống hẹn hò trực tuyến, đặc... hiểu việc xây dựng hệ thống Recommender Systems Tại lại phải xây dựng Hệ thống Hẹn hò trực tuyến? Như đề cập phần mở đầu luận văn, lượng người dùng sử dụng Internet dịch vụ hẹn hò trực tuyến lớn,