Xây dựng hệ thống tư vấn sản phẩm dựa trên tương tác người dùng

Bài viết đề xuất một hướng tiếp cận kết hợp giữa thuật toán lọc cộng tác trong các hệ tư vấn truyền thống, với sử dụng trọng số dựa trên đánh giá sự quan tâm của người dùng về sản phẩm theo các tương tác (like, comment, click, view sản phẩm) giúp giải quyết vấn đề người dùng mới và dữ liệu thưa, đồng thời tăng khả năng tư vấn có độ chính xác cao hơn.

JOURNAL OF SCIENCE OF HNUE Educational Sci., 2015, Vol 60, No 7A, pp 70-79 This paper is available online at http://stdb.hnue.edu.vn DOI: 10.18173/2354-1075.2015-0054 XÂY DỰNG HỆ THỐNG TƯ VẤN SẢN PHẨM DỰA TRÊN TƯƠNG TÁC NGƯỜI DÙNG Vương Quang Phương, Hồng Đỗ Thanh Tùng Viện Cơng nghệ Thơng tin, Viện Hàn lâm Khoa học Cơng nghệ Việt Nam Tóm tắt Hệ thống tư vấn sử dụng rộng rãi nhiều lĩnh vực khác nhau, đặc biệt thương mại điện tử Với phương pháp truyền thống, việc dự đốn nhiều hạn chế vấn đề người dùng mới, liệu thưa dựa tiêu chí, làm giảm khả tư vấn hệ thống Bài báo đề xuất hướng tiếp cận kết hợp thuật toán lọc cộng tác hệ tư vấn truyền thống, với sử dụng trọng số dựa đánh giá quan tâm người dùng sản phẩm theo tương tác (like, comment, click, view sản phẩm) giúp giải vấn đề người dùng liệu thưa, đồng thời tăng khả tư vấn có độ xác cao Từ khóa: Tư vấn sản phẩm, hệ thống tư vấn, tương tác người dùng, trọng số tương tác Mở đầu Hệ thống tư vấn (Recommender systems – RS) bước trở thành lĩnh vực nghiên cứu quan trọng ứng dụng thành công thực tiễn, giúp người dùng đối phó với vấn đề tải thông tin Hiện nay, RS nghiên cứu ứng dụng nhiều lĩnh vực khác như: giải trí (phim ảnh, âm nhạc, ), giáo dục đào tạo (gợi ý nguồn tài nguyên học tập sách, báo, ), đặc biệt thương mại điện tử Thương mại điện tử bao gồm việc sản xuất, quảng cáo, bán hàng phân phối sản phẩm mua bán toán mạng Internet, giao nhận hữu hình giao nhận qua Internet dạng số hoá Giao dịch loại phát triển mạnh toàn cầu Kinh doanh ngày tương lai chuyển dần sang online chiếm phần lớn doanh thu thị phần ngành nghề Trên giới, có nhiều cơng ti, tổ chức áp dụng thành công hệ thống tư vấn nhằm gợi ý dịch vụ, sản phẩm thông tin cần thiết đến người dùng như: website mua sắm trực tuyến Amazon gợi ý cho khách hàng sản phẩm mà họ quan tâm, YouTube giới thiệu video clip cho người xem, gợi ý phim ảnh Netflix.com [1, 3, 5], Điều góp phần làm tăng doanh số bán hàng số lượng truy cập người dùng vào hệ thống, đồng thời giúp khách hàng tìm kiếm tư vấn thơng tin thú vị sản phẩm mà họ mong muốn dễ dàng Ở Việt Nam, chưa có tảng thương mại điện tử website lớn vậy, có trang web mua bán online quy mô như: vatgia.com, raovat.com, 123mua.vn, Ngày nhận bài: 8/8/2015 Ngày nhận đăng: 25/11/2015 Liên hệ: Vương Quang Phương, e-mail: phuongvq88@gmail.com 70 Xây dựng hệ thống tư vấn sản phẩm dựa tương tác người dùng rongbay.com, thegioididong.com, Theo báo cáo Bộ Công Thương dự báo đến năm 2015, dân số nước ta khoảng 93 triệu dân, với 45% dân số sử dụng internet, xu hướng mua sắm trực tuyến B2C (Business-To-Customer) gia tăng dự kiến đạt quy mô tối thiểu 3,7 tỉ USD Hình 1: Ước tính thương mại điện tử năm 2015 Việt Nam Hiện có nhiều hệ thống website có chức tư vấn sản phẩm, nhiên đa phần hệ thống gợi ý dựa thông tin như: dựa nội dung giống (gợi ý sản phẩm cùng thể loại, giá tiền, nhà cung cấp, (vatgia.com, enbac.com, ) Qua tìm hiểu trang web nước, chưa thấy có hệ thống có tích hợp kĩ thuật đánh giá quan tâm người dùng sản phẩm dựa tương tác, hệ thống tư vấn gợi ý sản phẩm Hệ thống tư vấn thường sử dụng kĩ thuật lọc công tác (collaborative filtering) để đưa dự đoán sở thích người dùng (user) mục tin (items – sản phẩm, sách, báo, phim, ) mà hệ thống cho phù hợp thông qua việc sử dụng đánh giá cho điểm khứ người dùng Lọc cộng tác thường tiếp cận theo lọc cộng tác dựa vào nhớ, cụ thể tiếp cận dựa người dùng (user-based) dựa mục tin (item-based) Tuy nhiên chúng có hạn chế: - Người dùng không nhận tư vấn, chưa có lịch sử đánh giá sản phẩm để hệ thống tư vấn tiến hành dự đốn - Ma trận user – item thưa hệ thống tư vấn hoạt động hiệu Trong báo này, giới thiệu giải pháp xây dựng hệ thống tư vấn sản phẩm dựa vào tương tác từ người dùng dựa kĩ thuật lọc cộng tác Chúng đề xuất sử dụng tương tác thể quan tâm khách hàng sản phẩm (như comment, like, click, view) kết hợp với kĩ thuật lọc cộng tác để xây dựng hệ thống tư vấn sản phẩm cho người dùng Hệ thống có khả giải hạn chế vấn đề người dùng ma trận thưa kĩ thuật lọc cộng tác truyền thống 2.1 Nội dung nghiên cứu Một số khái niệm 2.1.1 Hệ thống tư vấn Hệ thống tư vấn thường dựa vào ba khái niệm bản, người dùng (user, tập U), mục tin (item, tập I - sản phẩm) phản hồi rui (feedback/ xếp hạng - rating) người dùng u mục tin i Có dạng tốn RS dự đoán xếp hạng (rating prediction) dựa vào giá trị xếp hạng trước (là phản hồi tường minh người dùng, xếp hạng từ 71 Vương Quang Phương, Hồng Đỗ Thanh Tùng đến 5, thích/khơng thích, ) để dự đốn giá trị xếp hạng tương lai, dạng gợi ý mục tin (item recommendation) dựa vào tương tác (như số lần click chuột, thời gian xem sản phẩm, số lượng like, comment cho sản phẩm) nghĩa thông tin mà người dùng khơng trực tiếp đánh giá/xếp hạng) Hình 2: Ma trận user-item-rating Trong hệ thống dự đốn, thơng tin thường biểu diễn ma trận user - item Ở đó, dòng user, cột item, ô giá trị xếp hạng biểu diễn phản hồi/đánh giá user item tương ứng Các có giá trị item mà user xếp hạng khứ Những ô trống item chưa xếp hạng (điều đáng lưu ý user xếp hạng cho vài item khứ, có nhiều trống ma trận chứa giá trị rỗng – gọi ma trận thưa – sparse matrix) Nhiệm vụ hệ thống tư vấn dựa vào có giá trị ma trận này, để dự đốn trống, sau xếp kết dự đốn (ví dụ, từ cao xuống thấp) chọn Top-N items theo thứ tự, từ gợi ý chúng cho người dùng Độ tương quan Pearson [2] Độ tương quan Pearson đo mức độ quan hệ tuyến tính tồn hai đối tượng Cơng thức tính độ tương quan người dùng ui uk sau: l simik = corrik = j=1 l j=1 (ri,j − ri )(rk,j − rk ) (ri,j − ri )2 l j=1 (rk,j − rk )2 - l số sản phẩm mà hai người dùng ui uk đánh giá - ri , rk đánh giá trung bình người dùng ui uk - ri,j giá trị ô i, j ma trận user - item - Giá trị độ tương quan Pearson nằm đoạn [-1,1] Dự đoán đánh giá [2] Trong thuật tốn lọc cộng tác quan điểm người dùng sản phẩm coi có liên quan tới quan điểm láng giềng sản phẩm Do dự đốn mức độ quan tâm người dùng cho sản phẩm tính tổng có trọng số đánh giá tường minh láng giềng cho sản phẩm Cơng thức tính dự đốn mức độ quan tâm người dùng ua sản phẩm ij sau: 72 Xây dựng hệ thống tư vấn sản phẩm dựa tương tác người dùng l pa,j = + i=1 (ri,j − ri ) ∗ simai l i=1 |simai | - : Đánh giá trung bình người dùng a - ri j = R[i, j] ma trận user item - l: số lượng người đánh giá cho sản phẩm j 2.1.2 Tương tác người dùng Nguồn liệu Mạng xã hội Mạng xã hội dịch vụ nối kết thành viên sở thích internet lại với với nhiều mục đích khác không phân biệt không gian thời gian Mạng xã hội có tính chat, e-mail, phim ảnh, voice chat, chia sẻ file, blog xã luận Mạng đổi hoàn toàn cách cư dân mạng liên kết với trở thành phần tất yếu ngày cho hàng trăm triệu thành viên khắp giới Các dịch vụ có nhiều phương cách để thành viên tìm kiếm bạn bè, đối tác: dựa theo group (ví dụ tên trường tên thành phố), dựa thông tin cá nhân (như địa e-mail), dựa sở thích cá nhân (như thể thao, phim ảnh, sách báo, ca nhạc), lĩnh vực quan tâm (như kinh doanh, mua bán), Về mặt chất, mạng xã hội hình thức làm marketing truyền miệng môi trường Internet "Tiếng lành đồn xa, tiếng đồn xa", với khả lan truyền thơng tin cực nhanh Vì thế, thâm nhập mạng xã hội tập trung đơng đảo nhóm khách hàng mục tiêu để hiểu rõ nhu cầu họ, đồng thời hạn chế tối đa rủi ro cho doanh nghiệp việc tất yếu Website thương mại điện tử Là trang thông tin điện tử thiết lập để phục vụ phần toàn quy trình hoạt động mua bán hàng hóa hay cung ứng dịch vụ, từ trưng bày giới thiệu hàng hóa, dịch vụ đến giao kết hợp đồng, cung ứng dịch vụ, toán dịch vụ sau bán hàng Dù có độ phủ người dùng thấp mạng xã hội, nhiên việc tự xây dựng website thương mại điện tử mang lại lợi ích dễ làm chủ cho doanh nghiệp Các loại tương tác Tương tác dạng văn (Comment): tương tác phản hồi dạng văn sử dụng phổ biến đa phần người dùng Chúng sử dụng để nêu lên quan điểm người dùng vấn đề, có sản phẩm giới thiệu quảng cáo Đây cách tường minh để thể ý kiến Tương tác dạng click chuột: khác với tương tác dạng comment nhìn thấy trực tiếp mắt thường, tương tác click chuột không hiển thị rõ ràng Đây loại tương tác quan trọng thể website nói chung thương mại điện tử nói riêng Bất lúc khách hàng đặt trỏ họ lên đường link sản phẩm trang web họ tương tác với sản phẩm đó, cho dù họ có nhấp vào hay khơng Nếu họ nhấp vào phần định sản phẩm tương tác dạng click Tương tác like: cách dễ dàng để thể cho người biết thích thứ (ví dụ sản phẩm quảng cáo), mà không muốn để lại lời comment Hiện trang mạng xã hội website thương mại điện tử, hình thức tương tác phổ biến 73 Vương Quang Phương, Hoàng Đỗ Thanh Tùng Khả hiển thị (view người dùng): cách phân tích liệu khả hiển thị tần suất hiển thị, doanh nghiệp ước tính số người xem sản phẩm họ số lần người dùng xem quảng cáo sản phẩm khoảng thời gian định Nếu sản phẩm hiển thị nhiều, khả tiếp cận người dùng lớn hơn, mang lại hiệu việc tiếp thị sản phẩm tạo ấn tượng với người dùng Tầm quan trọng tương tác Xét khía cạnh khách hàng sản phẩm, người dùng thể quan tâm thơng qua tương tác like, click, view trang web có sản phẩm Hoặc sau mua có trải nghiệm thực tế, người dùng đưa phản hồi đánh giá tư vấn cho khách hàng khác Hiện nay, có hàng triệu tương tác website giới thiệu sản phẩm bán hàng trực tuyến Các liệu có ý nghĩa quan trọng doanh nghiệp sản xuất phân phối Họ biết cảm nhận khách hàng sản phẩm, đặc tính, chức năng, giá cả, chất lượng dịch vụ có đủ sức thu hút khách hàng hay khơng, từ có thay đổi cho phù hợp Với người tiêu dùng, lợi ích nhận tư vấn từ người sử dụng, có nhiều đánh giá thực tế nhìn tổng quát sản phẩm trước đưa định mua sắm Mặc dù có giá trị vậy, với hàng hóa nhiều khách hàng quan tâm, lượng tương tác nhiều, việc thu thập thông tin đưa gợi ý cho người dùng vấn đề cần thiết Do đó, nhu cầu cần có cơng cụ để thu thập phân tích tương tác, đưa kết mà người dùng mong muốn cách nhanh chóng 2.2 Đề xuất phương pháp tư vấn dựa quan tâm khách hàng 2.2.1 Tính điểm tương tác Nếu dùng cơng thức tính điểm độ quan tâm phương pháp truyền thống thực tế thấy vấn đề phát sinh: - Khi người dùng đăng kí, họ chưa nhận tư vấn Nguyên nhân vấn đề chưa có liệu lịch sử đánh giá khứ, làm cho thuật toán lọc cộng tác không hoạt động - Nếu người dùng mới, có thời gian sử dụng lượng đánh giá sản phẩm nhỏ, gợi ý khơng sát với mong muốn họ Như nêu phần trên, có nhiều loại tương tác khác thu thập Chúng thể tốt quan tâm đánh giá người dùng sản phẩm Từ chúng tơi đưa ý tưởng kết hợp tính điểm tương tác để trở thành trọng số kết tư vấn đầu ra, giúp giải vấn đề: - Người dùng đăng kí, chưa có lịch sử đánh giá hàng hóa, dựa vào trọng số tương tác, hệ thống tư vấn hồn tồn đưa gợi ý sản phẩm người dùng khác đánh giá tốt - Khi ma trận user – item có liệu thưa, trọng số giúp cải thiện kết đầu Gợi ý sản phẩm có đánh giá cao - Các sản phẩm đánh giá cao tính tốn tổng hợp từ nhiều người dùng nhiều tiêu chí, khơng tập trung khía cạnh Tạo khách quan chất lượng hệ thống tư vấn 74 Xây dựng hệ thống tư vấn sản phẩm dựa tương tác người dùng Để thực cơng việc tính điểm này, sử dụng nhiều phương pháp Đơn giản cho điểm số loại tương tác cộng điểm lại Ở sử dụng phương pháp tính điểm số dựa phân lớp liệu Tức là, từ tập liệu thô thu nhận, đưa vào thuật toán phân lớp để đưa đánh giá người dùng Thuật toán phân lớp K-Nearest Neighbors (KNN) lựa chọn thực Thuật toán KNN [4] KNN sử dụng phổ biến lĩnh vực Data Mining KNN phương pháp để phân lớp đối tượng dựa vào khoảng cách gần đối tượng cần xếp lớp với tất đối tượng Training Data Một đối tượng phân lớp dựa vào k láng giềng K số nguyên dương xác định trước thực thuật toán Khoảng cách Euclidean thường dùng để tính khoảng cách đối tượng Khơng gian Euclide n chiều tập hợp điểm, điểm thể (x(1), x(2), , x(n)), x(i)(i = 1, 2, , n) số thực, gọi tọa độ x thứ i, hai điểm x y = (y(1), y(2), , y(n)) khoảng cách d(x, y) tính cơng thức sau: n d(x, y) = ||x − y|| = i=1 (xi − yi )2 Thuật tốn KNN dùng phân lớp mơ tả sau: - Xác định giá trị tham số K (số láng giềng gần nhất) - Tính khoảng cách đối tượng cần phân lớp với tất đối tượng liệu huấn luyện - Sắp xếp khoảng cách theo thứ tự tăng dần xác định k láng giềng gần với đối tượng cần phân lớp - Lấy tất lớp k láng giềng gần xác định - Dựa vào phần lớn lớp láng giềng gần để xác định lớp cho đối tượng Xác định trọng số Sau phân loại sản phẩm vào lớp, điểm trọng số cho lớp tương ứng quy ước sau Lớp Khơng tốt Trung bình Khá tốt Tốt Rất tốt Trọng số 0.0 0.5 1.0 1.5 2.0 2.2.2 Ứng dụng vào hệ thống tư vấn Hệ thống tư vấn sử dụng phương pháp lọc cộng tác kết hợp với tính điểm tương tác, hoạt động hệ thống gồm hai pha: - Pha offline: Tiến hành tính độ quan tâm người dùng điểm số tương tác - Pha online: Đưa tư vấn dự đoán đánh giá cho người dùng dựa vào việc liệu 75 Vương Quang Phương, Hoàng Đỗ Thanh Tùng tính tốn pha offline Cụ thể bước thực mơ hình hóa: Hình 3: Mơ hình hoạt động hệ thống tư vấn 2.3 Thực nghiệm Nguồn liệu Trong nhiều website thương mại diện tử Việt Nam, muốn lựa chọn nguồn cho lấy thơng tin có chất lượng Để làm điều cần đến thước đo quy chuẩn để so sánh website với Sau đánh giá số website thương mại điện tử phổ biến Việt Nam dựa công cụ Alexa (www.alexa.com), định lựa chọn vatgia.com để tiến hành thực nghiệm viết Với số lượng sản phẩm lớn, đa dạng chủng loại lượng khách hàng truy cập nhiều Xây dựng hệ thống Chúng tiến hành xây dựng hệ thống tư vấn sản phẩm xây dựng dạng website cung cấp thông tin sản phẩm giúp người dùng chọn hàng hóa mà u thích Mơ hình hệ thống gồm thành phần: người dùng, máy chủ web, module tư vấn CSDL Người dùng truy cập vào website xem thơng tin sơ sản phẩm Khi đăng Hình 4: Kiến trúc hệ thống nhập vào hệ thống, người dùng có quyền đánh giá sản phẩm dùng chức tư vấn 76 Xây dựng hệ thống tư vấn sản phẩm dựa tương tác người dùng mặt hàng u thích Module tư vấn chạy trước tính tốn pha offline, đầu ma trận kết tư vấn Khi người dùng kích hoạt chức này, hệ thống việc vào CSDL lấy tư vấn cần thiết, nên tốc độ đưa kết nhanh - Input: Trong thử nghiệm này, chạy chương trình liệu có 1058 user 386 sản phẩm (trong danh mục mặt hàng điện thoại di động) - Output: ma trận điểm trọng số sản phẩm ma trận kết dự đoán Điểm trọng số Ma trận kết dự đốn Hình 5: Ma trận đầu Hệ thống tư vấn sản phẩm phát triển môi trường NET, dùng hệ quản trị sở liệu SQL Server Microsoft, dễ dàng triển khai thực tế Giao diện hệ thống: Hình 6: Giao diện hệ thống tư vấn 2.4 Kết Để đánh giá hiệu hệ thống, sử dụng độ đo mà cộng đồng người dùng lĩnh vực hệ thống gợi ý thường sử dụng Root Mean Squared Error (RMSE) RMSE 77 Vương Quang Phương, Hoàng Đỗ Thanh Tùng xác định qua công thức: RM SE = u,i,r ∈ D test (r − rˆu,i )2 |D test | Với: D test ⊆ (U xIxR) tập liệu dùng để đánh giá; (u, i, r) tương ứng user, item rating; r giá trị đánh giá thực tế, r ∧ (u, i) giá trị dự đoán tương ứng user u item i Kết thu được: Hình 7: So sánh RMSE phương pháp Sự khác biệt đề xuất báo này: - Người dùng nhận kết tư vấn, tư vấn dựa liệu khách quan người dùng khác, nên có độ tin cậy cao - Khi người dùng có đánh giá, tức trường hợp ma trận thưa, trọng số tương tác bổ trợ cho kết tư vấn, đưa kết xác Kết luận Với lượng liệu tương tác (like, comment, click, view) người dùng với sản phẩm lớn nay, nguồn liệu quan trọng để lĩnh vực khai phá liệu hệ tư vấn khai thác Trong báo này, thu thập lại liệu tương tác Từ đó, đề xuất hướng tiếp cận kết hợp kết hợp thuật toán lọc cộng tác hệ tư vấn truyền thống với sử dụng trọng số dựa đánh giá quan tâm người dùng sản phẩm theo tương tác Tính tốn thực nghiệm cho thấy, hệ thống đưa tư vấn tốt phương pháp truyền thống, đặc biệt với trường hợp người dùng đăng kí, chưa có lịch sử đánh giá liệu đánh giá thưa thớt TÀI LIỆU THAM KHẢO [1] 78 Andreas Toscher, Michael Jahrer, Robert Legenstein, 2008 Improved Neighborhood-Based Algorithms for Large-Scale Recommender Systems Las Vegas, USA, Availble from http://www.commendo.at/UserFiles/commendo/File/kdd08paper.pdf Xây dựng hệ thống tư vấn sản phẩm dựa tương tác người dùng [2] Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl, 2001 Item-Based Collaborative Filtering Recommendation Algorithms Hong Kong Availble from http://grouplens.org/site-content/uploads/Item-Based-WWW-2001.pdf [3] Greg Linden, Brent Smith, and Jeremy York, 2003 Amazon.com Recommendations Item-to-Item Collaborative Filtering Amazon.com, IEEE Internet Computing, pp 76-80 [4] Hao Zhang, Alexander C Berg, Michael Maire, Jitendra Malik, 2006 SVM-KNN: Discriminative Nearest Neighbor Classification for Visual Category Recognition CVPR (2) 2006: 2126-2136 [5] James Davidson, Benjamin Liebald, Junning Liu, Palash Nandy, Taylor Van Vleet, 2010 The YouTube Video Recommendation System RecSys ’10 Proceedings of the fourth ACM conference on Recommender systems, Pages 293-296, ACM New York, NY, USA [6] L Backstrom and J Leskovec, 2011 Supervised Random Walks: Predicting and Recommending Links in Social Networks Proc Fourth ACM Int’l Conf Web Search and Data Mining (WSDM ’11), pp 635-644 [7] L Zhang, D Agarwal, and B.-C Chen, 2011 Generalizing Matrix Factorization through Flexible Regression Priors Proc Fifth ACM Conf Recommender Systems (RecSys ’11), pp 13-20 [8] N Suguna, and Dr K Thanushkodi, 2010 An Improved k-Nearest Neighbor Classification Using Genetic Algorithm IJCSI International Journal of Computer Science Issues, Pages 18-21, Vol 7, Issue 4, No [9] Nguyễn Thái Nghe, Nguyễn Tấn Phong, 2014 Một giải pháp xây dựng Hệ thống gợi ý hát Tạp chí Khoa học Trường Đại học Cần Thơ, Số 34, 2014, Trang 81-91 [10] Steffen Rendle, Christoph Freudenthaler, Zeno Gantner, Lars Schmidt-Thieme, 2009 BPR: Bayes Personalized Ranking from implicit feedback In Proceedings of the 25th International Conference on Uncertainty in Articial Intelligence, AUAI Press, pp 452-461 [11] Ungar, L.H and D.P Foster, 1998 Clustering methods for collaborative filtering In Proceedings of the Workshop on Recommendation Systems, AAAI Press, Menlo Park, California, pp 452-461 ABSTRACT Building a product recommendation based on user interactions Today, recommender systems (RS) are widely used in many different fields, particularly l in e-commerce With the traditional method, predictions are affected by many restrictions in some issue of new users, sparse data and data based on only one criterion, all of which reduce the recommend ability of a system This paper proposes an approach that combines a collaborative filtering algorithm in the traditional recommender systems with the use of weights based on assessed interest of the user about the product as indicated by interactions (like, comment, click, view) to help solve the issues of new users and sparse data, increasing recommend ability with higher accuracy Keywords: Product recommendation, recommender systems, user interaction, weight of interaction 79 ... nước, chưa thấy có hệ thống có tích hợp kĩ thuật đánh giá quan tâm người dùng sản phẩm dựa tư ng tác, hệ thống tư vấn gợi ý sản phẩm Hệ thống tư vấn thường sử dụng kĩ thuật lọc công tác (collaborative... thống tư vấn tiến hành dự đoán - Ma trận user – item thưa hệ thống tư vấn hoạt động hiệu Trong báo này, giới thiệu giải pháp xây dựng hệ thống tư vấn sản phẩm dựa vào tư ng tác từ người dùng dựa kĩ... giá tư ng minh láng giềng cho sản phẩm Cơng thức tính dự đốn mức độ quan tâm người dùng ua sản phẩm ij sau: 72 Xây dựng hệ thống tư vấn sản phẩm dựa tư ng tác người dùng l pa,j = + i=1 (ri,j −