DSpace at VNU: Nghiên cứu hệ thống khuyến nghị dựa vào lọc cộng tác

Nghiên cứu hệ thống khuyến nghị dựa vào lọc cộng tác NXB H : ĐHCN, 2014 Số trang 55 tr + Phạm Thị My Đại học Công nghệ Luận văn ThS ngành: Kỹ thuật phần mềm; Mã số: 60480103 Người hướng dẫn: TS Nguyễn Văn Vinh Năm bảo vệ: 2014 Keywords: Kỹ thuật phần mềm; Lọc cộng tác; Hệ thống khuyến nghị người dùng Content Tương tác cá nhân hoạt động/ việc diễn toàn giới, chí có từ hàng trăm năm trước ngày Những năm 1990, tương tác cá nhân nhiều có mặt Theo thường lệ, vào cửa hàng sách quen thuộc, chủ hàng chào đón như: “Có báo ngày hơm đấy!”, chủ hàng biết khách hàng muốn điều đến Hoặc chủ hàng giới thiệu cho vài sách mà khách hàng quan tâm dựa sở thích khách Hoặc vào quán nước quen, người phục vụ hỏi: “Như thường lệ chứ?” Khoảng 30 năm trước, bạn muốn mua tivi cửa hàng điện máy có vài lựa chọn phổ biến cho bạn: Panasonic Samsung hay LG Những năm sau đó, bạn có nhiều lựa chọn phong phú hơn, bạn chọn hãng Samsung nhiều lựa chọn như: LED hay LCD, inch?… Hàng ngày có hàng trăm hát thu âm, hàng trăm đầu sách xuất giới, cửa hàng có giới hạn đầu sách hát, phim… Từ đó, dịch vụ trực tuyến đời đáp ứng nhu cầu ngày cao người dùng Cho đến ngày nay, tương tác cá nhân ln tồn tại, chí bạn có hàng triệu lựa chọn Mỗi giây phương tiện truyền thông thêm vào mạng Mỗi phút 100 tập tin có sẵn usenet 24/24 video tải lên YouTube Mỗi 180 sách xuất Mỗi ngày có thêm nhiều lựa chọn sản phẩm để mua giới thực Bạn muốn mua số nhạc? iTunes có khoảng 11 triệu hát để lựa chọn họ bán 16 tỷ hát vào tháng 10 năm 2011 Nếu bạn muốn nhiều lựa chọn đến Spotify với 15 triệu hát Bạn muốn mua sách, Amazon cung cấp triệu sách để bạn lựa chọn Trong sống ngày nay, với phát triển không ngừng công nghệ thông tin, nguồn thông tin phong phú làm cho bạn khơng có đủ thời gian để xem xét lựa chọn tất sách, phim, tạp chí hay hát… bạn khơng biết nên xem phim gì, đọc sách phù hợp với sở thích, nhu cầu thân Vấn đề cấp thiết đặt cần hệ thống hỗ trợ người dùng chọn lựa sản phẩm phù hợp với nhu cầu người dùng, từ hệ thống khuyến nghị nghiên cứu phát triển không ngừng nhằm đạt hiệu việc tương tác với người dùng Hệ thống khuyến nghị (Recommender Systems - RS) giải pháp hiệu giải vấn đề Chính luận văn này, chúng tơi xin trình bày hệ thống khuyến nghị Trong phạm vi luận văn, tập trung nghiên cứu kỹ thuật lọc cộng tác phân tích phương pháp để tìm người nhóm người gần với người dùng cần khuyến nghị Để giảm thiểu sai số dự đoán chúng tơi trình bày nghiên cứu phương pháp ma trận thừa số cụ thể thuật toán gradient descent ngẫu nhiên Nội dung luận văn chia làm chương: Chương 1: Giới thiệu tổng quan hệ thống khuyến nghị Chương 2: Kỹ thuật lọc cộng tác Chương 3: Thực nghiệm đánh giá với liệu phim ảnh Trong chương 1, chúng tơi tìm hiểu chung hệ thống khuyến nghị, kỹ thuật lọc thông tin hệ thống khuyến nghị: lọc dựa vào nội dung, lọc cộng tác kỹ thuật kết hợp Hybrid, phương pháp lọc cộng tác như: Lọc dựa vào nhớ lọc dựa vào mơ hình Trong chương 2, chúng tơi trình bày chi tiết kỹ thuật lọc cộng tác, phương pháp tính độ tương tự người dùng, phương pháp ma trận thừa số, thuật toán gradient descent ngẫu nhiên tiêu chuẩn đánh giá dự đoán Chương 3, tiến hành thực nghiệm liệu Movielens với 100.000 đánh giá, sau dựa vào kết thực nghiệm để đánh giá, phân tích so sánh tính hiệu phương pháp thuật toán nêu chương References [1] Ron zacharski, A programmer’s Guide to Data Mining, The Ancient Art of the Numerati, 2012 [2] Zheng Wen, Recommendation System Based on Collaborative Filtering, 2008 [3] Yehuda Koren, Robert Bell and Chris Volinsky, Matrix factorization techniques for recommender system, IEEE Computer, 2009 [4] Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl, Item-Based Collaborative Filtering Recommendation Algorithms, University of Minnesota, Minneapolis, MN 55455 [5] Léon Bottou, Stochastic Gradient Descent Tricks, Microsoft Research, Redmond, WA,2012 [6] Shameem Ahamed Puthiya Parambath, Matrix Factorization Methods for Recommender Systems, Master's Thesis in Computing Science, 2013 [7] Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B Kantor, Recommender Systems Handbook, Springer, 2011 [8] Xiaoyuan Su, Taghi M Khoshgoftaar, A Survey of Collaborative Filtering Techniques,Department of Computer Science and Engineering, Florida Atlantic University, 2009 [9] Michael D.Ekstrand, John T Riedl, Joseph A Konstan, Collaborative Filtering Recommender Systems, University of Minnesota, 2011 [10] Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B Kantor, Recommender Systems Handbook, Springer, 2011 [11] Michael D.Ekstrand, John T Riedl, Joseph A Konstan, Collaborative Filtering Recommender Systems, University of Minnesota, 2011 [12] T Hofmann, Latent Semantic Models for Collaborative Filtering, ACM Trans Inf.Syst., 22(1):89-115, 2004 [13] http://www.amazon.com [14] https://www.netflix.com [15] https://movielens.umn.edu [16] https://lists.cc.gatech.edu/pipermail/mlpack/2013-April/000077.html [17] Jonathan L Herlcocker, Joseph A Konstan, Loren G Terveen, and John T Riedl, Evaluating Collaborative Filtering Recommender Systems, Oregon State University and University of Minnesota, 2004 ... nghị, kỹ thuật lọc thông tin hệ thống khuyến nghị: lọc dựa vào nội dung, lọc cộng tác kỹ thuật kết hợp Hybrid, phương pháp lọc cộng tác như: Lọc dựa vào nhớ lọc dựa vào mơ hình Trong chương 2, chúng... quan hệ thống khuyến nghị Chương 2: Kỹ thuật lọc cộng tác Chương 3: Thực nghiệm đánh giá với liệu phim ảnh Trong chương 1, chúng tơi tìm hiểu chung hệ thống khuyến nghị, kỹ thuật lọc thông tin hệ. .. đạt hiệu việc tương tác với người dùng Hệ thống khuyến nghị (Recommender Systems - RS) giải pháp hiệu giải vấn đề Chính luận văn này, chúng tơi xin trình bày hệ thống khuyến nghị Trong phạm vi