Hệ gợi ý phim sử dụng cách tiếp cận lai

Hệ gợi ý phim sử dụng cách tiếp cận lai Hệ gợi ý phim sử dụng cách tiếp cận lai Hệ gợi ý phim sử dụng cách tiếp cận lai luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - ĐỖ THỊ THU TRANG HỆ GỢI Ý PHIM SỬ DỤNG CÁCH TIẾP CẬN LAI Chuyên ngành: Công nghệ thơng tin LUẬN VĂN THẠC SĨ KỸ THUẬT CƠNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN: PGS.TS LÊ THANH HƢƠNG Hà Nội – Năm 2013 LỜI CẢM ƠN Trƣớc hết, với tất lịng kính trọng biết ơn sâu sắc, xin gửi lời cảm ơn chân thành tới Lê Thanh Hƣơng, ngƣời tận tình dạy dỗ hƣớng dẫn tơi q trình hồn thành luận văn nhƣ học tập Tôi xin chân thành cảm ơn thầy cô giáo Viện Công nghệ Thông tin Truyền thông Trƣờng ĐH Bách khoa Hà Nội, giảng viên truyền đạt kiến thức, kỹ năng, kinh nghiệm nghề nghiệp Tôi xin chân thành cảm ơn Ban giám hiệu, tập thể giáo viên khoa Công nghệ Thông tin trƣờng Đại học Sƣ phạm Kỹ thuật Hƣng Yên, gia đình bạn lớp cao học Cơng nghệ Thơng tin khố 2011- 2013 tạo điều kiện giúp đỡ, động viên, chia sẻ để tơi hồn thành luận văn Do thời gian, kiến thức kinh nghiệm hạn chế nên luận văn khơng tránh khỏi có khiếm khuyết, mong đƣợc thầy cơ, anh chị bạn đóng góp ý kiến để luận văn đƣợc hồn thiện Hà Nội, ngày 20 tháng 03 năm 2013 Đỗ Thị Thu Trang LỜI CAM ĐOAN Tôi - Đỗ Thị Thu Trang - cam kết Luận văn tốt nghiệp cơng trình nghiên cứu thân tơi dƣới hƣớng dẫn PGS.TS Lê Thanh Hƣơng Các kết nêu Luận văn tốt nghiệp trung thực, chép tồn văn cơng trình nghiên cứu khác Hà Nội, ngày 20 tháng 03 năm 2013 Tác giả Đỗ Thị Thu Trang MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ 10 MỞ ĐẦU 12 Lý chọn đề tài 12 Lịch sử nghiên cứu 12 Mục đích nghiên cứu 13 Đối tƣợng nghiên cứu 13 Phạm vi nghiên cứu 13 Phƣơng pháp nghiên cứu 13 Nội dung tóm tắt luận văn tốt nghiệp 14 CHƢƠNG I: TỔNG QUAN VỀ CƠ SỞ LÝ THUYẾT VÀ HƢỚNG THỰC HIỆN 15 1.1 Cơ sở lý thuyết hệ thống gợi ý 15 1.1.1 Mô hình hoạt động hệ gợi ý 15 1.1.2 Cách thức hoạt động hệ gợi ý 15 1.2 Các phƣơng pháp gợi ý 16 1.2.1 Phƣơng pháp lọc cộng tác 18 1.2.2 Phƣơng pháp lọc nội dung 18 1.2.3 Phƣơng pháp nhân học 18 1.2.4 Phƣơng pháp dựa tiện ích 19 1.2.5 Phƣơng pháp dựa tri thức 19 1.3 Đánh giá hệ gợi ý truyền thống 19 1.4 Hệ thống gợi ý lai 21 1.4.1 Phƣơng pháp lai trọng số (Weighted) 24 1.4.2 Phƣơng pháp lai chuyển đổi (Switching) 25 1.4.3 Phƣơng pháp lai hỗn hợp (Mixed) 26 1.4.4 Phƣơng pháp lai kết hợp thuộc tính (Feature Conbination) 27 1.4.5 Phƣơng pháp lai tăng cƣờng (Feature Agumentation) 28 1.4.6 Phƣơng pháp lai theo tầng (Cascade) 30 1.4.7 Phƣơng pháp lai siêu cấp (Meta-level) 31 1.5 Giới thiệu thuật toán phân cụm mờ 32 1.6 Các số đánh giá hệ thống 33 1.7 Hƣớng tiếp cận thực đề tài 34 1.8 Hƣớng kiểm tra, đánh giá hiệu hoạt động gợi ý 34 CHƢƠNG II: XÂY DỰNG HỆ GỢI Ý PHIM 36 2.1 Bài toán hệ gợi ý phim 36 2.2 Mơ hình ngƣời dùng - ngữ nghĩa 37 2.2.1 Các kiểu cấu trúc liệu 37 2.2.2 Xây dựng mô hình ngƣời dùng - ngữ nghĩa 38 2.3 Thuật toán FCM 40 2.3.1 Giới thiệu thuật toán FCM 41 2.3.2 Áp dụng thuật toán FCM phân cụm phim 42 2.4 Xây dựng ma trận ngƣời dùng - ngữ nghĩa 44 2.5 Gợi ý sản phẩm 45 2.5.1 Dữ liệu đầu vào 45 2.5.2 Thuật toán User-base CF 46 CHƢƠNG III: CÀI ĐẶT VÀ ĐÁNH GIÁ HOẠT ĐỘNG 51 3.1 Bộ liệu mẫu 51 3.2 Chỉ số đánh giá hiệu hoạt động hệ gợi ý 52 3.2.2 Sai số trung bình tuyệt đối 53 Xây dựng chƣơng trình đánh giá 53 3.3 3.3.2 Phân cụm mờ phim 53 3.3.3 Đánh giá hệ thống 54 3.4 Kết đạt đƣợc 57 3.5 So sánh kết với phƣơng pháp khác 58 3.6 Kết luận phƣơng pháp 59 CHƢƠNG IV: XÂY DỰNG ỨNG DỤNG WEB CHO HỆ GỢI Ý PHIM 61 4.1 Yêu cầu chức 61 4.2 Môi trƣờng cài đặt 61 4.3 Phân tích thiết kế 61 4.4 Kiến trúc hệ thống 62 4.5 Các kết đạt đƣợc 63 KẾT LUẬN 67 Kết đạt đƣợc đề tài 67 Hạn chế đề tài 67 Hƣớng phát triển 67 TÀI LIỆU THAM KHẢO 69 DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT TT Từ viết tắt Từ đầy đủ/ Nghĩa từ Giải thích N Số lƣợng ngƣời dùng M Số lƣợng đối tƣợng L Số lƣợng đặc tính U I=Ut Uu Ii F Ma trận đối tƣợng - ngữ nghĩa Fi Vecto đặc tính đối tƣợng i 10 bi,f 11 A 12 Au 13 ? 14 ru,i 15 f Feature Đặc tính 16 i Item Đối tƣợng Ma trận đánh giá ngƣời dùng đối tƣợng Ma trận đánh giá đối tƣợng ngƣời dùng Vecto đánh giá ngƣời dùng u Vecto đánh giá đối tƣợng i tất ngƣời dùng Ma trận giá trị đối tƣợng ngữ nghĩa Ma trận ngƣời dùng - ngữ nghĩa Hồ sơ ngƣời dùng - ngữ nghĩa ngƣời dùng u Thiếu giá trị Đánh giá ngƣời dùng u đối tƣợng i TT Từ viết tắt 17 u 18 Pki Từ đầy đủ/ Nghĩa từ Giải thích Ngƣời dùng User Độ thuộc đối tƣợng i vào cụm k Số lƣợng đánh giá nhỏ 19 MinNbRaIt The Minimum Number of Item đối tƣợng đƣợc lựa chọn Ratings tính tốn cụm trung tâm ban đầu Term Frequency/ Inverser Thuật toán đánh trọng số Document Frequency từ FCM Fuzzy C-Means Thuật toán phân cụm mờ 22 PCDL Phân cụm liệu 23 RMSE Root Mean Square Error 20 TF/IDF 21 Chỉ số tính tổng sai khác bình phƣơng giá trị dự đốn Chỉ số tính tổng trung bình sai 24 MAE số giá trị dự đoán so Mean Absolute Error với giá trị thực tế 25 CF Collaborative Filtering Lọc cộng tác Phƣơng pháp sử dụng ma trận 26 FuzzyUF ngƣời dùng - đặc tính dựa Fuzzy User Features phân cụm mờ 27 IB Item-Based 28 UB User-Based Phƣơng pháp dựa đối tƣợng Phƣơng pháp dựa ngƣời dùng DANH MỤC CÁC BẢNG Bảng 1: Phân loại phƣơng pháp gợi ý truyền thống 17 Bảng 2: Bảng ƣu nhƣợc điểm phƣơng pháp gợi ý truyền thống 20 Bảng 3: Các phƣơng pháp lai 23 Bảng 4: Các thuộc tính phim 52 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1: Mơ hình hoạt động hệ gợi ý 15 Hình 1.2: Kiểu thiết kế lai hệ thống song song 22 Hình 1.3: Kiểu thiết kế lai hệ thống kết hợp đặc tính 22 Hình 1.4: Kiểu thiết kế lai hệ thống dạng đƣờng ống 23 Hình 1.5: Sơ đồ lai trọng số 25 Hình 1.6: Sơ đồ lai chuyển đổi 26 Hình 1.7: Sơ đồ lai hỗn hợp 27 Hình 1.8: Sơ đồ lai kết hợp thuộc tính 28 Hình 1.9: Sơ đồ lai tăng cƣờng 30 Hình 1.10: Sơ đồ lai theo tầng 31 Hình 1.11: Sơ đồ lai siêu cấp 32 Hình 2.1: Mơ hình hoạt động hệ gợi ý phim 36 Hình 2.2: Mơ hình hệ thống gợi ý phim dựa mơ hình ngƣời dùng - ngữ nghĩa 40 Hình 2.3: Sơ đồ phân cụm mờ FCM sản phẩm 43 Hình 2.4: Sơ đồ tính tốn ma trận ngƣời dùng-ngữ nghĩa phim 44 Hình 2.5: Ma trận ngƣời dùng-ngữ nghĩa phim 46 Hình 2.6: Ma trận đánh giá ngƣời dùng-sản phẩm 46 Hình 2.7: Sơ đồ tính tốn gợi ý sản phẩm cho ngƣời dùng 48 Hình 3.1: Cơ sở liệu demo 51 Hình 3.2: Giao diện thực phân cụm mờ phim theo thuộc tính 54 Hình 3.3: Giao diện tính tốn ma trận ngƣời dùng-ngữ nghĩa phim 55 Hình 3.4: Giao diện hiển thị kết đánh giá 56 Hình 3.5: Giao diện hiển thị dự đốn gợi ý cho ngƣời dùng 57 10 Hình 3.5: Giao diện hiển thị dự đoán gợi ý cho ngƣời dùng 3.4 Kết đạt đƣợc Thuật toán Mean Absolute Error(MAE) đƣợc sử dụng để đánh giá hệ thống Do sử dụng tập liệu để thử nghiệm nên kết so sánh biểu đồ kết trung bình cộng tập liệu thử nghiệm Trong biểu đồ hình 3.6, số MAE ảnh hƣởng tham số MinNbRaIt - số lƣợng đánh giá nhỏ cho phim lựa chọn việc khởi tạo trung tâm cụm Trong hai trƣờng hợp (40 láng giềng hay 60 láng giềng gần), số MAE hội tụ với trƣờng hợp với tham số MinNbRaIt 40 Biểu đồ thể ảnh hƣởng tham số MinNbRaIt việc gợi ý xác, ảnh hƣởng trực tiếp tới việc xây dựng mơ hình ngƣời dùng - ngữ nghĩa 57 Hình 3.6: Biểu đồ thể tác động tham số MinNbRaIt khởi tạo trung tâm cụm tới độ xác hệ thống Biểu đồ hình 3.7 thể giá trị tham số m nhỏ cải thiện độ xác thuật tốn chúng tơi Lí m gần với khoảng cách từ sản phẩm tới trung tâm cụm gần Điều có nghĩa trọng số lớn nhiều khác thuật toán phân cụm mờ FCM tƣơng tự với thuật toán phân cụm rõ K-mean Giá trị nhỏ đạt đƣợc với m=1.15 Hình 3.7: Biểu đồ thể tác động tham số m tới độ xác hệ thống 3.5 So sánh kết với phƣơng pháp khác Theo kết thực phƣơng pháp thể rõ thông qua biểu đồ dƣới đây: 58  Ảnh hƣởng tham số m phƣơng pháp Fuzzy User-Feature CF với phƣơng pháp khác  Ảnh hƣởng tham số MinNbRaIt tới kết  So sánh phƣơng pháp sử dụng với phƣơng pháp Chúng ta có so sánh kết thu đƣợc nhƣ hình dƣới đây: Hình 3.8: Biểu đồ so sánh việc tính tốn dự đốn phƣơng pháp Trong đó:  Fuzzy User-Feature CF ký hiệu cho phƣơng pháp mà sử dụng phƣơng pháp gợi ý dựa mơ hình ngƣời dùng - thuộc tính phim  IB (Item-Based): phƣơng pháp dựa đối tƣợng, sản phẩm  UB(User-Based): phƣơng pháp dựa ngƣời dùng  AvgUF(Average User Features): phƣơng pháp lấy trung bình từ ma trận ngƣời dùng - đặc tính 3.6 Kết luận phƣơng pháp Thơng qua phần trình bày trên, chúng tơi đƣa giải pháp lai kỹ thuật lọc cộng tác kỹ thuật dựa nội dung theo phƣơng pháp lai tăng cƣờng Giải pháp xây dựng mơ hình mơ hình ngƣời dùng - ngữ nghĩa thay cho 59 mơ hình ngƣời dùng - sản phẩm trƣớc Đồng thời sử dụng tham số MinNbRaIt - số lƣợng nhỏ đánh giá cho sản phẩm việc khởi tạo trung tâm cụm Thuật tốn chúng tơi cải thiện đƣợc độ xác hệ thống gợi ý giải đƣợc số vấn đề quan trọng việc gợi ý sản phẩm cụ thể nhƣ sau:  Thứ nhất, giải vấn đề thƣa thớt liệu (Data sparsity problem) Thơng qua việc xây dựng mơ hình ngƣời dùng - ngữ nghĩa đƣa ma trận A với liệu đầy đủ  Thứ hai giải vấn đề láng giềng bắc cầu (Neighbor transitivity) Do ma trận ngƣời dùng - ngữ nghĩa ma trận đầy đủ nên việc tính tốn độ tƣơng tự hai ngƣời dùng thực đƣợc họ không đánh giá chung sản phẩm  Thứ ba, giảm số chiều liệu (Reducing the dimensionality of data) việc thay ma trận ngƣời dùng - sản phẩm ma trận ngƣời dùng - ngữ nghĩa  Cuối cùng, giải vấn đề khả mở rộng (Scalability problem) Việc tính tốn sẵn ma trận ngƣời dùng - ngữ nghĩa từ tính tốn sẵn ngƣời dùng tƣơng tự, điều giảm bớt thời gian thực tính toán online (chỉ dự đoán) nên làm giảm bớt thời gian chờ hệ thống đƣa dự đoán 60 CHƢƠNG IV: XÂY DỰNG ỨNG DỤNG WEB CHO HỆ GỢI Ý PHIM 4.1 Yêu cầu chức Xây dựng demo web cho kết đạt đƣợc phƣơng pháp với liệu MovieLens nhƣ giới thiệu phần Với ngƣời dùng sau đăng nhập vào hệ thống sử dụng UserID, từ biết đƣợc phim mà ngƣời dùng xem đánh giá thơng qua bảng MovieRatings Và sử dụng đánh giá kết hợp với phƣơng pháp gợi ý dựa mơ hình ngƣời dùng - ngữ nghĩa phim để đƣa gợi ý cho ngƣời dùng Tóm lại, chức website là:  Đƣa đƣợc phim đƣợc gợi ý cho ngƣời dùng  Đƣa tiểu sử ngƣời dùng phim mà ngƣời dùng đánh giá 4.2 Môi trƣờng cài đặt Hệ thống đƣợc xây dựng tảng công nghệ Net Framework 4.0 Microsoft với công nghệ đƣợc sử dụng là:  Database: SQL Server 2008  Web: ASP.NET MVC 3.5  Ngôn ngữ lập trình : C#,JavaScript,HTML  Cơng cụ lập trình đƣợc sử dụng: Visual Studio 2010 Ultimate 4.3 Phân tích thiết kế Các bảng đƣợc sử dụng: 61 Hình 4.1: Sơ đồ CSDL cho website 4.4 Kiến trúc hệ thống Hệ thống đƣợc xây dựng dựa mơ hình MVC3.5 với lớp Model, View Controller Trong đó:  Model: thực việc tính tốn truy xuất sở liệu  View: thực giao diện  Controller thực việc tƣơng tác View Model Hình 4.2: Sơ đồ kiến trúc hệ thống website 62 4.5 Các kết đạt đƣợc Giao diện chƣơng trình: Hình 4.3: Giao diện chƣơng trình website 63 Ngƣời dùng đăng nhập vào hệ thống nhờ UserID đƣợc lấy từ bảng Users CSDL Khi ngƣời dùng đăng nhập vào hệ thống xuất thêm tag Recommended for you Your watch list Đồng thời giao diện xuất phim đƣợc gợi ý cho ngƣời dùng hành cùng.Khi ngƣời dùng sử dụng tag Recommended for you nhiều phim đƣợc gợi ý đƣợc hiển thị Hình 4.4: Giao diện sau ngƣời dùng đăng nhập tài khoản 64 Giao diện Your watch list hiển thị danh sách phim mà ngƣời dùng xem: Hình 4.5: Giao diện lịch sử đánh giá của ngƣời dùng Hiển thị chi tiết phim mà ngƣời dùng lựa chọn 65 Hình 4.6: Giao diện hiển thị chi tiết phim 66 KẾT LUẬN Kết đạt đƣợc đề tài Các nghiên cứu luận văn xây dựng đƣợc giải pháp lai kỹ thuật lọc cộng tác lọc dựa nội dung dựa đánh giá ngƣời dùng đặc tính đối tƣợng Việc kết hợp tạo mơ hình mơ hình ngƣời dùng - ngữ nghĩa Mơ hình đƣợc xây dựng thuật toán học máy, Fuzzy C Mean, để tính tốn độ tƣơng tự ngƣời dùng sử dụng thuật toán User-based CF Việc xây dựng mơ hình tính tốn ngƣời dùng tƣơng tự thực offline, việc dự đốn cần thực online Đồng thời đƣa vào tham số MinNbRaIt giúp việc xây dựng trung tâm cụm xác Luận văn xây dựng website demo cho nội dung nghiên cứu dựa liệu phim MovieLens dự án nghiên cứu GroupLens Về website đáp ứng đƣợc yêu cầu đặt Từ kết xây dựng đƣợc, luận văn đƣa so sánh với phƣơng pháp khác thông qua biểu đồ để thấy đƣợc cải tiến phƣơng pháp Hạn chế đề tài Mơ hình ngƣời dùng - ngữ nghĩa đƣợc áp dụng cho lớp liệu lớp liệu phụ thuộc lớp liệu không phụ thuộc Tuy nhiên phạm vi đề tài này, tác giả đƣa thử nghiệm đánh giá lớp liệu không phụ thuộc sử dụng thuật tốn học máy để xây dựng Cịn lớp liệu phụ thuộc theo đề xuất tác giả sử dụng thuật toán TF/IDF Tuy nhiên thời gian có hạn nên tác giả chƣa đƣa thử nghiệm đánh giá lớp liệu Hƣớng phát triển Từ kết đạt đƣợc, xin đƣa hƣớng phát triển đề tài nhƣ sau:  Mở rộng mơ hình ngƣời dùng - ngữ nghĩa tới thuộc tính phụ thuộc liệu phi cấu trúc 67  Sử dụng mơ hình ngƣời dùng - ngữ nghĩa giải vấn đề gợi ý thêm đối tƣợng chƣa có đánh giá hệ thống (cold start problem)  Ứng dụng thuật toán khai phá liệu khác để xây dựng mơ hình ngƣời dùng - ngữ nghĩa cho thuộc tính khơng phụ thuộc so sánh kết chúng 68 TÀI LIỆU THAM KHẢO Ben Ticha S., Roussanaly A and Boyer A, (2011), User Semantic Model for Hybrid Recommender System, In The First Int‟l Conf on Social Eco-InformaticsSOTICS, Barcelona, Spain B Sarwar, G Karypis, J Konstan, and J Reidl, (2001), Item-based collaborative filtering recommendation algorithms, In Proceedings of the 10th international Conference on World Wide Web, Hong Kong WWW '01 ACM, New York, NY, 285-295 Ben Ticha S., Roussanaly A and Boyer A, (2011), User Semantic Model for Hybrid Recommender System, In The First Int‟l Conf on Social Eco-Informatics - SOTICS, Barcelona, Spain C.C Aggarwal, J.L Wolf, K-L Wu, and P.S Yu, (1999), Horting Hatches an Egg: A New Graph-Theoretic Approach to Collaborative Filtering, Proc Fifth ACM SIGKDD Int’l Conf Knowledge Discovery and Data Mining D Billsus and M Pazzani, (1999), A Personal News Agent that Talks, Learns and Explains, Proc Third Ann Conf Autonomous Agents D Goldberg, D Nichols, B M Oki, and D Terry, (1992), Using collaborative filtering to weave an information tapestry, Communications of ACM, vol 35, no 12, pp 61-70 Gediminas Adomavicius, Alexander Tuzhilin, (2005), Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions, IEEE Transactions on Knowledge and Data Engineering, v.17 n.6, p.734-749 J Breese, D Heckerman, and C Kadie, (1998), Empirical analysis of predictive algorithms for collaborative filtering, in Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI '98) J C Bezdek, (1981), Pattern Recognition with Fuzzy Objective Function Algorithms Plenum Press 69 10 J L Herlocker, J A Konstan, L G Terveen, and J T Riedl, (2004), Evaluating collaborative filtering recommender systems, ACM Transactions on Information Systems, vol 22, no 1, pp 5–53 11 M Balabanovic and Y Shoham, (1997), Fab: Content-Based, Collaborative Recommendation, Comm ACM, vol 40, no 3, pp 66-72 12 M Ferman, J Errico., P Van Breek, and I Sezan, (2002), Content-based filtering and personalization using structured metadata, In Proceedings of the Second ACM/IEEE-CS Joint Conference on Digital Libraries, Portland OR USA, ACM Press, pp 393–393 13 M Pazzani and D Billsus, (1997), Learning and Revising User Profiles:The Identification of Interesting Web Sites, Machine Learning,vol 27, pp 313-331 14 Mobasher, B., Jin, X., and Zhou, Y., (2004), Semantically enhanced collaborative filtering on the web, In B.Berendt, et al.(eds): Web mining: From web to semantic web, NAI volume 3209 15 MovieLens, http://www.movielens.org/ 16 P Melville, R.J Mooney, and R Nagarajan, (2002), Content-Boosted Collaborative Filtering for Improved Recommendations, Proc 18th Nat’l Conf Artificial Intelligence 17 P Resnick, N Iacovou, M Suchak, P Bergstorm, and J Riedl, (1994), Grouplens: An open architecture for collaborative filtering of netnews, in Proceedings of ACM 1994 Conference on Computer Supported Cooperative Work, pp 175–186, Chapel Hill, North Carolina 18 P Symeonidis, A Nanopoulos, and Y Manolopoulos, (2007), Feature- Weighted User Model for Recommender Systems”, In Proceedings of the 11th international Conference on User Modeling, Corfu, Greece 19 R Burke, (2002), “Hybrid Recommender Systems: Survey and Experiments” User Modeling and User-Adapted Interaction 12, (Nov 2002), 331-370 70 20 Soboroff and C Nicholas, (1999), Combining Content and Collaboration in Text Filtering, Proc Int’l Joint Conf Artificial Intelligence Workshop: Machine Learning for Information Filtering 21 Sonia Ben Ticha, Azim Roussanaly, Anne Boyer, Khaled Bsaïes, (2011), UserFeature Model for Hybrid Recommender System, 4th International Conference on Information Systems and Economic Intelligence - SIEE'2011 22 X Su, and T M Khoshgoftaar, (2009), A survey of collaborative filtering techniques, Adv in Artif Intell, 2-2 71 ... sở lý thuyết hệ gợi ý bao gồm mơ hình, phƣơng pháp, cách thức hoạt động hệ gợi ý  Nghiên cứu vấn đề hệ gợi ý lai, kỹ thuật nhƣ phƣơng pháp lai  Ứng dụng hệ gợi ý lai trình cung cấp dịch vụ gợi. .. tài ? ?Hệ gợi ý phim sử dụng cách tiếp cận lai? ?? thực việc giới thiệu cách tổng quan phƣơng pháp gợi ý, sâu tìm hiểu phƣơng pháp gợi ý lai Từ đƣa phƣơng pháp phù hợp với nhu cầu cung cấp gợi ý cá... việc tìm hiểu, nghiên cứu cách thức hoạt động hệ gợi ý, phƣơng pháp, kỹ thuật hệ gợi ý Nghiên cứu cách xây dựng hệ gợi ý lai để giúp cải thiện vấn đề gặp phải hệ thống gợi ý truyền thống Từ lựa chọn