Nghiên cứu ứng dụng thuật toán tối ưu bầy đàn vào hệ thống gợi ý

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN THỊ HỒNG PHƯƠNG NGHIÊN CỨU ỨNG DỤNG THUẬT TỐN TỐI ƯU BẦY ĐÀN VÀO HỆ THỐNG GỢI Ý Chuyên ngành: Khoa học máy tính Mã số: 60480101 TĨM TẮT LUẬN VĂN THẠC SĨ NGÀNH KHOA HỌC MÁY TÍNH Đà Nẵng – Năm 2018 Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS NGUYỄN VĂN HIỆU Phản biện 1: TS Phạm Minh Tuấn Phản biện 2: TS Lê Xuân Việt Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ ngành Khoa học máy tính họp Trường Đại học Bách khoa vào ngày 12 tháng 06 năm 2018 Có thể tìm hiểu luận văn tại:  Trung tâm Học liệu, Đại học Đà Nẵng Trường Đại học Bách khoa  Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách khoa - ĐHĐN PHẦN MỞ ĐẦU Lý chọn đề tài Trong năm gần đây, bùng nổ thông tin mạng internet mang lại nhiều lợi ích cho người việc khai thác tài liệu học tập, giải trí, mua sắm, giao tiếp Tuy nhiên, “quá tải” thông tin, việc chọn thông tin cần thiết từ nguồn tin khổng lồ khơng đơn giản Con người ngày nhiều thời gian vào việc tìm kiếm chọn lọc thơng tin Từ phát sinh nhu cầu cần phải xây dựng hệ thống gợi ý chọn lọc thông tin hiệu Hệ thống gợi ý (Recommender Systems - RS) hệ thống hỗ trợ định nhằm gợi ý thông tin liên quan đến người dùng cách dễ dàng nhanh chóng, phù hợp với người dùng Cụ thể hơn, hệ thống gợi ý dạng hệ thống lọc thông tin, sử dụng để dự đốn sở thích (preferences) xếp hạng (rating) người dùng dành cho mục thông tin (item) mà họ chưa biết chưa xem xét tới khứ Các hệ thống gợi ý tiêu biểu Amazon, Netflix, Youtube,… tăng số lượng truy cập nhờ vào tính hỗ trợ định Chẳng hạn, hệ thống bán hàng trực tuyến, nhằm tối ưu hóa khả mua sắm khách hàng, hệ thống dựa xếp hạng (từ  đến ), thời gian duyệt (browse) sản phẩm, số lần click chuột,…của người dùng để dự đoán khách hàng thích sản phẩm đưa gợi ý phù hợp cho họ Điều giúp giải tốt toán lựa chọn trường hợp q tải thơng tin [1,2,3] Có nhiều kĩ thuật lọc thông tin RS Các kĩ thuật lọc thường phân thành nhóm: lọc dựa nội dung (content - based filtering, dựa user profile), lọc cộng tác (collaborative filtering – CF, dựa liệu đánh giá khứ user), lai ghép (hybrid, kết hợp hai phương pháp trên) lọc khơng cá nhân hóa (non-personalization) Trong đó, bật sử dụng nhiều kỹ thuật lọc cộng tác đơn giản việc thu thập thông tin (user, item feedback) Vì kỹ thuật lọc cộng tác dựa quan điểm tập láng giềng user có sở thích với user mục tiêu, nên việc chọn tập láng giềng xác giúp hệ thống gợi ý tốt Nhiều hệ thống gợi đề xuất, nhiên tất người dùng mục tin có mức độ ảnh hưởng tính tốn độ tương tự, chưa phản ánh mức độ quan trọng đặc trưng khác nhau, trường hợp mục tin q phổ biến khơng cung cấp nhiều thơng tin sở thích người dùng, hệ thống chưa đưa gợi ý tốt Vào năm 1995, kỹ thuật tối ưu bầy đàn (Particle Swarm Optimization – PSO) lần giới thiệu James Kennedy Russell C Eberhart hội nghị IEEE [10] Việc ứng dụng thuật toán bầy đàn vào hệ thống gợi ý hướng nghiên cứu quan tâm, góp phần tạo nên hệ thống gợi ý chất lượng cao, phục vụ tốt số toán gợi ý thực tế, giúp người dùng đưa định xác Xuất phát từ lý trên, chọn đề tài “Nghiên cứu ứng dụng thuật toán tối ưu bầy đàn vào hệ thống gợi ý” để triển khai nghiên cứu Mục đích – Mục tiêu nghiên cứu 2.1 Mục đích Tối ưu hóa hệ thống gợi ý 2.2 Mục tiêu - Tìm hiểu, nghiên cứu ứng dụng thành cơng PSO vào RS - Xây dựng hệ thống RS thử nghiệm sử dụng PSO Để hoàn thành mục tiêu đề ra, đề tài thực giải nhiệm vụ sau: - Nghiên cứu tổng quan hệ thống gợi ý - Tìm hiểu phương pháp PSO - Xây dựng mơ hình ứng dụng PSO vào RS - Xây dựng chương trình thử nghiệm - Đánh giá kết thử nghiệm Đối tượng – Phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu - Hệ thống gợi ý - Các phương pháp gợi ý - Kỹ thuật tối ưu bầy đàn PSO 3.2 Phạm vi nghiên cứu - Các vấn đề liên quan RS - Các vấn đề liên quan PSO - Lý thuyết thuật toán PSO ứng dụng - Xây dựng ứng dụng thử nghiệm - Lập trình web ứng dụng triển khai hệ thống gợi ý Phương pháp nghiên cứu Đề tài sử dụng kết hợp phương pháp nghiên cứu lý thuyết, phương pháp thống kê, phương pháp thực nghiệm, cụ thể: - Phương pháp PSO - Các phương pháp RS Ý nghĩa khoa học thực tiễn - Ứng dụng PSO vào RS hướng nghiên cứu mới, giúp cải thiện tính hiệu hệ thống RS - Luận văn tài liệu tham khảo quý giá cho sinh viên học viên muốn tiếp cận với lĩnh vực xây dựng ứng dụng RS - Kết thực nghiệm thực hoá nghiên cứu lý thuyết tối ưu vào RS Dàn ý nội dung Bố cục luận văn bao gồm 03 chương chính: Chương 1: Trình bày tổng quan hệ thống gợi ý, kĩ thuật lọc thông tin hệ thống gợi ý, phương pháp đánh giá hệ thống, đồng thời trình bày vấn đề chung thuật toán tối ưu bầy đàn PSO Chương 2: Trình bày kỹ thuật hệ thống gợi ý lọc cộng tác: sử dụng mơ hình láng giềng, sử dụng kỹ thuật phân cụm Spectral, áp dụng PSO vào hệ thống gợi ý, cải tiến mơ hình PSO liệu nhị phân Chương Triển khai mơ hình hệ thống gợi ý thử nghiệm, đánh giá hệ thống CHƯƠNG TỔNG QUAN VỀ HỆ THỐNG GỢI Ý VÀ THUẬT TOÁN PSO Chương trình bày tổng quan vấn đề hệ thống gợi ý thuật toán tối ưu bầy đàn PSO Trong đó, kĩ thuật lọc thơng tin hệ thống gợi ý, đặc biệt lọc cộng tác với liệu đánh giá tường minh, giải thuật PSO thang đo để đánh giá hệ thống gợi ý mô tả cụ thể, làm sở lý thuyết cho nghiên cứu chương sau 1.1 Tổng quan hệ thống gợi ý 1.1.1 Giới thiệu số khái niệm 1.1.2 Ứng dụng lợi ích hệ thống gợi ý a Ứng dụng hệ thống gợi ý b Lợi ích hệ thống gợi ý 1.1.3 Các cách tiếp cận hệ thống gợi ý 1.1.4 Các kĩ thuật lọc thông tin a Lọc dựa nội dung (Content-based filtering) b Lọc cộng tác (Collaborative filtering) c Phương pháp kết hợp (Hybrid filtering) d Lọc khơng cá nhân hóa (non-personalization) 1.1.5 Các giai đoạn hệ thống gợi ý 1.1.6 Phương pháp đánh giá mơ hình hệ thống gợi ý a Tiêu chí định lượng b Tiêu chí định tính 1.2 Tổng quan thuật toán tối ưu bầy đàn PSO 1.2.1 Giới thiệu 1.2.2 Các khái niệm thuật tốn PSO a Khái niệm bầy đàn thơng minh b Một số định nghĩa tối ưu bầy đàn 1.2.3 Phát biểu thuật toán PSO Kết chương Chương trình bày tổng quan hệ thống gợi ý thuật toán tối ưu bầy đàn PSO Đối với hệ thống gợi ý, chương giới thiệu thành phần hệ thống gợi ý: người dùng, mục tin phản hồi (tường minh không tường minh); ứng dụng, lợi ích hệ thống gợi ý; cách tiếp cận hệ thống gợi ý dựa hai dạng phản hồi; kỹ thuật lọc thông tin: lọc theo nội dung, lọc cộng tác, phương pháp kết hợp lọc khơng cá nhân hóa; giai đoạn xây dựng hệ thống gợi ý phương pháp đánh giá hệ thống theo tiêu chí định lượng định tính Chương đồng thời trình bày thuật tốn PSO: khái niệm, định nghĩa cá thể, bầy đàn, vận tốc, hàm mục tiêu… giải thuật PSO Từ sở làm tảng để nghiên cứu việc ứng dụng thuật toán PSO vào hệ thống gợi ý chương CHƯƠNG ỨNG DỤNG THUẬT TOÁN TỐI ƯU BẦY ĐÀN VÀO HỆ THỐNG GỢI Ý Chương trình bày phương pháp lọc thông tin hệ thống gợi ý: lọc cộng tác sử dụng mơ hình láng giềng; sử dụng kỹ thuật phân cụm Spectral phương pháp lọc cộng tác sử dụng PSO Để đạt hiệu cao việc gợi ý cho liệu dạng nhị phân, chương trình bày cải tiến cách ước lượng giá trị dự đoán, tối ưu trọng số đại diện thuật toán tối ưu bầy đàn nhằm xây dựng cụm người dùng mục tin hiệu quả, nâng cao chất lượng gợi ý 2.1 Phương pháp lọc cộng tác sử dụng mơ hình láng giềng 2.2 Phương pháp lọc cộng tác sử dụng kỹ thuật phân cụm Spectral 2.3 Phương pháp lọc cộng tác sử dụng PSO 2.4 Cải tiến phương pháp phân cụm lọc cộng tác sử dụng kỹ thuật Spectral 2.5 Cải tiến phương pháp gợi ý dựa lọc cộng tác tối ưu trọng số PSO Trong phương pháp cải tiến này, thuật toán bổ sung hai trọng số thể độ ưu tiên kỹ thuật gợi ý dựa người dùng mục tin, đồng thời điều chỉnh cách thức ước lượng giá trị chưa biết ma trận R nhằm phù hợp với ma trận nhị phân 𝐼 Cho trọng số {𝑤1𝐼 , 𝑤2𝐼 , … , 𝑤𝑚 ; 𝑤1𝑈 , 𝑤2𝑈 , … , 𝑤𝑛𝑈 , 𝑤 𝐼𝐹 , 𝑤 𝑈𝐹 }, 𝑤𝑗𝐼 với 𝑗 = 𝑚 đại diện cho trọng số mục tin; 𝑤𝑖𝑈 với 𝑖 = 𝑛 đại diện cho trọng số người dùng; 𝑤 𝐼𝐹 𝑤 𝑈𝐹 trọng số thể mức độ ưu tiên kỹ thuật gợi ý dựa phân cụm theo mục tin theo người dùng, nhận giá trị ≤ 𝑤 ≤ Tương tự hệ thống lọc cộng tác tối ưu trọng số, quần thể khởi tạo với giá trị ngẫu nhiên tham số, xem nghiệm ứng cử tốn tối ưu Trong mơ hình dự đốn, trọng số đặc trưng 𝑤 sử dụng để cập nhật độ tương tự theo phương pháp cosine theo công thức: ∑𝑖 𝑤𝑖 𝑥𝑎,𝑖 𝑤𝑖 𝑥𝑏,𝑖 𝑤𝑠𝑖𝑚(𝑥 ⃗⃗⃗⃗𝑎 , ⃗⃗⃗⃗ 𝑥𝑏 ) = √∑𝑖 𝑤𝑖 𝑥 𝑎,𝑖 √∑𝑖 𝑤𝑖 𝑥 𝑏,𝑖 ▪ Mơ hình dự đốn hàm mục tiêu hệ thống lọc cộng tác tối ưu trọng số cải tiến: (1) Tính độ tương tự cặp người dùng (hoặc cặp mục tin) (2) Áp dụng phân nhóm dựa người dùng (3) Áp dụng phân nhóm dựa mục tin (4) Dự đoán giá trị đánh giá chưa biết (5) Ước lượng giá trị chưa biết Mức độ quan tâm người dùng mục tin: 𝑟𝑖𝑗 = 𝑛ế𝑢 𝑝𝑖𝑗 > 𝑝∝𝑖 Với 𝑝∝𝑖 = |𝑅 | × ∑𝑘∈𝑅𝑖 𝑝𝑖𝑘 mức độ quan tâm trung bình 𝑖 người dùng tất mục tin lựa chọn, 𝑅𝑖 tập mục tin lựa chọn người dùng i (6) Tính giá trị hàm mục tiêu cá thể tối ưu bầy đàn Giá trị mục tiêu cá thể tối ưu bầy đàn tính dựa mức độ hội tụ ma trận ước lượng 𝑅 (𝑘) bước thứ k Ma trận 𝑅 (𝑘) 𝑅 (𝑘−1) sai khác giá trị phù hợp nhỏ Gọi 𝑐𝑎𝑟𝑑(𝑅 (𝑘) ) số phần tử 𝑟𝑖𝑗 = ma trận 𝑅 (𝑘) , giá trị phù hợp 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 cá thể tính: 𝑐𝑎𝑟𝑑(|𝑅 (𝑘−1) − 𝑅 (𝑘) |) 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 𝑐𝑎𝑟𝑑(𝑅 (𝑘−1) ) 10 làm ma trận đánh giá cho mơ hình dự đốn Bước Nếu điều kiện dừng (đạt đến số bước lặp, giá trị mục tiêu fitness không đổi) chưa đúng, quay lại thực bước 3, thực bước Bước Xác định trọng số tối ưu ma trận đánh giá R cuối Như vậy, cách xác định trọng số lai ghép phương pháp phân cụm dựa người dùng phân cụm dựa mục tin, đặc biệt sử dụng thuật toán tối ưu bầy đàn để tối ưu hóa trọng số, cải thiện đáng kể độ tương đồng người dùng mục tin, đồng thời điều chỉnh cách thức để ước lượng giá trị đánh giá chưa biết 𝑟𝑖𝑗 ma trận R để áp dụng cho toán nhị phân, phương pháp giải vấn đề tồn đưa KẾT CHƯƠNG Chương trình bày phương pháp xây dựng hệ thống gợi ý Phương pháp lọc cộng tác sử dụng mơ hình láng giềng dựa user item (User_KNN, Item_KNN); lọc cộng tác sử dụng kỹ thuật phân cụm Spectral phương pháp lọc cộng tác sử dụng PSO nêu phần giải vấn đề liệu thưa, xác mức độ quan trọng người dùng mục tin với việc đưa gợi ý cho đánh giá tường minh Tuy nhiên, để đạt hiệu cao việc gợi ý cho liệu dạng nhị phân, xác định mức độ ưu tiên user item tính tốn độ tương đồng, chương trình bày việc điều chỉnh cách thức ước lượng giá trị dự đoán, bổ sung trọng số đại diện cho user item, thể cải tiến kỹ thuật phân cụm Spectral lọc cộng tác sử dụng PSO Từ kết này, chương tiến hành xây dựng mơ hình thực nghiệm đánh giá kết mơ hình hệ thống 11 CHƯƠNG HỆ THỐNG THỬ NGHIỆM VÀ ĐÁNH GIÁ Chương trình bày việc xây dựng mơ hình hệ thống thử nghiệm tập liệu MovieLens 100k phương pháp lọc cộng tác sử dụng mô hình láng giềng (Nearest Neighbor CF) phân cụm lọc cộng tác tối ưu trọng số sử dụng PSO (Iteration Clustering CF – PSO FW), đánh giá kết thực nghiệm vẽ biểu đồ thống kê 3.1 Giới thiệu tập liệu 3.2 Kịch thực nghiệm 3.3 Kết chạy thử nghiệm 3.3.1 Lọc cộng tác người dùng theo phương pháp mơ hình láng giềng gần phương pháp tối ưu trọng số sử dụng PSO cải tiến a Lọc cộng tác người dùng theo mơ hình láng giềng gần (UserNBCF) Hình 3.2 Giá trị thang đo MAE RMSE UserNBCF b Lọc cộng tác người dùng theo tối ưu trọng số cải tiến (UserICCF – PSO FW) 12 ❖ User = 25, item = 75 Hình 3.3 MAE RMSE userICCF - PSO FW (25 - 75) MAE = 0.558; RMSE = 0.724 ❖ User = 50, item = 100 Hình 3.4 MAE RMSE userICCF - PSO FW (50 - 100) MAE = 0.628; RMSE = 0.844 13 ❖ User = 150, item = 200 Hình 3.5 MAE RMSE userICCF - PSO FW (150 - 200) MAE = 0.73; RMSE = 0.9495 ❖ User = 175, item = 220 Hình 3.6 MAE RMSE userICCF - PSO FW (175 - 220) MAE = 0.746; RMSE = 0.975 14 ❖ User = 275, item = 350 Hình 3.7 MAE RMSE userICCF - PSO FW (275 - 350) MAE = 0.821; RMSE = 1.045 3.3.2 Lọc cộng tác mục tin theo phương pháp mơ hình láng giềng gần phương pháp tối ưu trọng số sử dụng PSO cải tiến a Lọc cộng tác mục tin theo mơ hình láng giềng gần (ItemNBCF) Hình 3.8 MAE RMSE ItemNBCF 15 b Lọc cộng tác mục tin theo tối ưu trọng số cải tiến (ItemICCF – PSO FW) ❖ User = 25, item = 75 Hình 3.9 MAE RMSE itemICCF - PSO FW (25 - 75) MAE = 0.565; RMSE = 0.736 ❖ User = 50, item = 100 Hình 3.10 MAE RMSE itemICCF - PSO FW (50 - 100) MAE = 0.71; RMSE = 0.9467 16 ❖ User = 150, item = 200 Hình 3.11 MAE RMSE itemICCF - PSO FW (150 - 200) MAE = 0.734; RMSE = 0.924 ❖ User = 175, item = 220 Hình 3.12 MAE RMSE itemICCF - PSO FW (175 - 220) MAE = 0.76; RMSE = 0.979 17 ❖ User = 275, item = 350 Hình 3.13 MAE RMSE itemICCF - PSO FW (275 - 350) MAE = 0.826; RMSE = 1.044 3.3.3 Lọc cộng tác kết hợp người dùng – mục tin theo phương pháp mơ hình láng giềng gần phương pháp tối ưu trọng số sử dụng PSO cải tiến a Lọc cộng tác kết hợp người dùng mục tin theo mơ hình láng giềng gần (User-ItemNBCF) Hình 3.14 MAE RMSE UserItemNBCF 18 b Lọc cộng tác kết hợp người dùng mục tin theo tối ưu trọng số cải tiến (User-Item ICCF – PSO FW) ❖ User = 25, item = 75 Hình 3.15 MAE RMSE useritemICCF - PSO FW (25 - 75) MAE = 0.522; RMSE = 0.605 ❖ User = 50, item = 100 Hình 3.16 MAE RMSE useritemICCF - PSO FW (50 - 100) MAE = 0.598; RMSE = 0.812 19 ❖ User = 150, item = 200 Hình 3.17 MAE RMSE useritemICCF - PSO FW (150 - 200) MAE = 0.704; RMSE = 0.894 ❖ User = 175, item = 220 Hình 3.18 MAE RMSE useritemICCF - PSO FW (175 - 220) MAE = 0.726; RMSE = 0.925 20 ❖ User = 275, item = 350 Hình 3.19 MAE RMSE useritemICCF - PSO FW (275 - 350) MAE = 0.787; RMSE = 0.996 3.3.4 Kết tổng hợp từ thực nghiệm ❖ Dữ liệu ❖ Kết Dữ liệu đánh giá qua thang đo MAE RMSE với tập có kích thước user x item: 25x75, 50x100, 150x200, 175x220, 275x350, kịch thử nghiệm: User NBCF vs User ICCF – PSO FW, Item NBCF vs User ICCF – PSO FW, User-Item NBCF vs User ICCF – PSO FW cho kết sau: Bảng 3.2 Tổng hợp kết thực nghiệm Error DimData (user x item) 25x75 50x100 MAE 150x200 175x220 275x350 25x75 50x100 RMSE 150x200 175x220 275x350 user NBCF 0.618 0.797 0.831 0.861 0.921 0.751 1.09 1.072 1.19 1.171 item useritem user item useritem NBCF NBCF ICCF ICCF ICCF 0.715 0.61 0.558 0.565 0.522 0.85 0.767 0.628 0.71 0.598 0.83 0.769 0.73 0.734 0.704 0.83 0.781 0.746 0.76 0.726 0.869 0.832 0.821 0.826 0.787 0.894 0.735 0.724 0.736 0.605 1.109 1.041 0.844 0.9467 0.812 1.06 0.988 0.9495 0.924 0.894 1.072 1.022 0.975 0.979 0.925 1.045 1.124 1.044 1.063 0.996 21 Từ bảng thống kê trên, nhìn vào hai độ đo MAE RMSE, ta thấy: kịch chạy thử nghiệm mơ hình item, user kết hợp user-item, mơ hình hệ thống có áp dụng tối ưu trọng số PSO (ICCF-PSO FW) đạt sai số thấp hơn so với mơ hình khơng áp dụng PSO (NBCF) hầu hết kích thước liệu, cho thấy mơ hình dự đốn có áp dụng PSO đạt hiệu cao Hình 3.20 MAE NBCF ICCF-PSO FW (50-100) Hình 3.21 RMSE NBCF ICCF-PSO FW (50-100) 22 RMSE of NBCF, ICCF-PSO FW (275-350) Hình 3.22 MAE NBCF ICCF-PSO FW (275-350) 1,2 1,171 1,124 1,15 1,1 1,05 1,044 1,045 1,063 0,996 NCBF ICCF 0,95 0,9 user item useritem Hình 3.23 RMSE NBCF ICCF-PSO FW (275-350) 3.4 Hướng dẫn thực nghiệm KẾT CHƯƠNG Chương trình bày việc xây dựng đánh giá hiệu mơ hình thử nghiệm phương pháp lọc cộng tác sử dụng mơ hình láng giềng phân cụm lọc cộng tác tối ưu trọng số sử dụng PSO tập liệu MovieLens 100k Kết đánh giá cho thấy sai số thang đo MAE RMSE mơ hình áp dụng PSO phân cụm lọc cộng tác tối ưu trọng số nhỏ kịch thử nghiệm, cho thấy hiệu mơ hình dự đốn cải tiến tốt 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết đạt Trong luận văn này, sở mục tiêu, phương pháp nghiên cứu hướng dẫn cán hướng dẫn khoa học, đề tài thực nội dung sau đây: Về mặt lý thuyết: - Nghiên cứu tổng hợp sở lý thuyết hệ thống gợi ý: thành phần hệ thống gợi ý, ứng dụng, lợi ích hệ thống gợi ý, kỹ thuật lọc thông tin, cách xây dựng đánh giá hệ thống gợi ý - Tìm hiểu thuật tốn tối ưu bầy đàn PSO: khái niệm, định nghĩa cá thể, bầy đàn thông minh giải thuật PSO - Nghiên cứu phương pháp lọc thông tin hệ thống gợi ý: Phương pháp lọc cộng tác sử dụng mô hình láng giềng, lọc cộng tác sử dụng kỹ thuật phân cụm Spectral, lọc cộng tác sử dụng PSO, cải tiến kỹ thuật phân cụm Spectral cải tiến lọc cộng tác sử dụng PSO Về mặt thực tiễn Với kiến thức nghiên cứu tìm hiểu được, luận văn xây dựng mơ hình hệ thống gợi ý đạt kết sau: - Triển khai thực nghiệm mơ hình hệ thống gợi ý dựa kĩ thuật lọc cộng tác sử dụng mơ hình láng giềng phân cụm lọc cộng tác sử dụng PSO cải tiến - Thực so sánh mô hình thử nghiệm thang đo MAE RMSE để đánh giá hiệu mơ hình - Cài đặt thực nghiệm vẽ biểu đồ thống kê thành công 24 Kiến nghị hướng phát triển Đề tài sử dụng làm sở để kiến nghị, đề xuất triển khai hệ thống gợi ý nhiều lĩnh vực giải trí, giáo dục, tin tức… thực tiễn, giải vấn đề tồn nêu phần Mở đầu Tuy nhiên, luận văn số hạn chế sau: - Trong luận văn sử dụng xếp hạng user cho item, chưa khai thác thông tin mô tả user, item để giải vấn đề user, item mới, đặc biệt với item chưa lựa chọn - Luận văn thực đánh giá offline mơ hình, chưa đưa vào đánh giá online Trong thời gian tới, đề tài nghiên cứu thêm theo hướng phát triển: - Kết hợp khai thác thêm nội dung mô tả user, item nhằm nâng cao chất lượng tập láng giềng, cải thiện hiệu hệ thống gợi ý - Triển khai thực tế tiến hành đánh giá online ... tài Nghiên cứu ứng dụng thuật tốn tối ưu bầy đàn vào hệ thống gợi ý để triển khai nghiên cứu Mục đích – Mục tiêu nghiên cứu 2.1 Mục đích Tối ưu hóa hệ thống gợi ý 2.2 Mục tiêu - Tìm hiểu, nghiên. .. mặt lý thuyết: - Nghiên cứu tổng hợp sở lý thuyết hệ thống gợi ý: thành phần hệ thống gợi ý, ứng dụng, lợi ích hệ thống gợi ý, kỹ thuật lọc thông tin, cách xây dựng đánh giá hệ thống gợi ý - Tìm... thống gợi ý mô tả cụ thể, làm sở lý thuyết cho nghiên cứu chương sau 1.1 Tổng quan hệ thống gợi ý 1.1.1 Giới thiệu số khái niệm 1.1.2 Ứng dụng lợi ích hệ thống gợi ý a Ứng dụng hệ thống gợi ý b Lợi