Luận văn thạc sĩ phương pháp lọc cộng tác và ứng dụng trong hệ thống gọi ý bán hàng trực tuyến

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐỖ THỊ THANH HÀ PHƯƠNG PHÁP LỌC CỘNG TÁC VÀ ỨNG DỤNG TRONG HỆ THỐNG GỢI Ý BÁN HÀNG TRỰC TUYẾN LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN - 2020 i i LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng hướng dẫn trực tiếp PGS.TS Đồn Văn Ban Mọi trích dẫn sử dụng báo cáo ghi rõ nguồn tài liệu tham khảo theo qui định Mọi chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tơi xin chịu hồn tồn trách nhiệm Học viên Đỗ Thị Thanh Hà ii LỜI CẢM ƠN Trước hết, tơi xin tỏ lịng biết ơn gửi lời cám ơn chân thành đến thầy PGS.TS Đoàn Văn Ban, người trực tiếp hướng dẫn luận văn, tận tình bảo hướng dẫn tơi tìm hướng nghiên cứu, tiếp cận thực tế, tìm kiếm tài liệu, xử lý phân tích số liệu,… nhờ tơi hồn thành luận văn cao học Tơi xin chân thành cảm ơn q thầy cô Khoa Công nghệ thông tin - trường Đại học Công nghệ Thông tin Truyền thông, Đại học Thái Nguyên truyền đạt cho kiến thức bổ ích suốt hai năm học vừa qua Xin chân thành cảm ơn anh chị em lớp cao học Khoa học máy tính khố 17 bạn đồng nghiệp ln động viên, hỗ trợ tơi q trình học tập nghiên cứu thực đề tài Cuối cùng, xin gửi đến cha mẹ người thân gia đình hỗ trợ, tạo điều kiện thuận lợi cho suốt thời gian qua đặc biệt thời gian tơi theo học khóa thạc sỹ trường Đại học Công nghệ Thông tin Truyền thông, Đại học Thái Nguyên Xin chân thành cảm ơn! Người thực Đỗ Thị Thanh Hà iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC BẢNG iv DANH MỤC HÌNH VẼ .v MỘT SỐ THUẬT NGỮ viii MỞ ĐẦU .1 CHƯƠNG HỆ THỐNG TƯ VẤN VÀ CÁC PHƯƠNG PHÁP LỌC THÔNG TIN 1.1 Hệ tư vấn .5 1.1.1 Giới thiệu hệ thống tư vấn 1.1.2 Bài toán tư vấn người dùng .7 1.1.3 Qui trình xây dựng hệ tư vấn .9 1.2 Các phương pháp lọc tin .10 1.2.1 Phân loại hệ thống tư vấn 10 1.2.2 Phương pháp tư vấn dựa nội dung 11 1.2.3 Phương pháp tư vấn dựa lọc cộng tác 17 1.2.4 Tư vấn dựa cách tiếp cận kết hợp .23 1.3 Kiến trúc tổng quát hệ thống lọc thông tin 25 1.4 Ứng dụng phương pháp lọc tin hệ thống tư vấn 26 1.5 Kết luận chương .28 CHƯƠNG 2.PHƯƠNG PHÁP THUẬT LỌC CỘNG TÁC DỰA TRÊN SẢN PHẨM 29 2.1 Các phương pháp lọc cộng tác 29 2.1.1 Giới thiệu phương pháp lọc cộng tác 29 2.1.2 Ưu nhược điểm phương pháp lọc cộng tác 30 2.2 Lọc cộng tác dựa sản phẩm 32 2.3 Các thuật tốn tính độ tương tự 34 iv 2.4 Tính tốn dự đốn tư vấn .37 2.4.1 Dự đốn dựa trung bình đánh giá sản phẩm lân cận 37 2.4.2 Dự đoán dựa tổng trọng số (Weighted Sum) 38 2.4.3 Dự đoán dựa tổng trọng số với đánh giá trung bình người dùng 38 2.4.4 Dự đoán dựa tổng trọng số với trung bình đánh giá lên sản phẩm 39 2.5 Đánh giá yếu tố ảnh hưởng đến độ xác kết tư vấn 40 2.5.1 Đánh giá độ tin cậy thuật toán 40 2.5.2 Các yếu tố ảnh hưởng đến độ xác tư vấn 42 2.6 Kết luận chương .44 CHƯƠNG ỨNG DỤNG PHƯƠNG PHÁP LỌC CỘNG TÁC DỰA TRÊN SẢN PHẨM TRONG HỆ THỐNG GỢI Ý BÁN HÀNG TRỰC TUYẾN 45 3.1 Xây dựng hệ thống gợi ý cho website bán hàng trực tuyến .45 3.1.1 Đặc tả hệ thống 45 3.1.2 Môi trường phát triển .46 3.1.3 Thiết kế bảng liệu .46 3.2 Ví dụ lọc cộng tác dựa sản phẩm 49 3.3 Thuật tốn xử lý hệ thống .53 3.3.1 Thuật toán khách hàng đánh giá sản phẩm 53 3.3.2 Thuật toán khách hàng chấm điểm sản phẩm 54 3.3.3 Thuật toán gợi ý sản phẩm cho khách hàng 55 3.4 Các giao diện hệ thống .56 3.5 Kết luận chương .60 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .61 TÀI LIỆU THAM KHẢO .62 v iv DANH MỤC BẢNG BIỂU Bảng 1: Bảng đánh giá người dùng với sản phẩm 33 Bảng 2: Dữ liệu đánh giá sản phẩm 49 Bảng 3: Ma trận utility matrix 50 Bảng 4: Giá trị trung bình đánh giá item 50 ̂………………………………………………………51 Bảng 5: Ma trận chuẩn hóa Y Bảng 6: Độ tương tự item S 51 Bảng 7: Ma trận sau dự đoán ŷ 52 Bảng 8: Ma trận dự đoán thang điểm .53 v vi DANH MỤC HÌNH VẼ Hình 1.1: Một số lĩnh vực ứng dụng hệ thống gợi ý Hình 1.2 Ví dụ ma trận đánh giá tổng quát Hình 1.3: Phân loại hướng tiếp cận xây dựng hệ thống gợi ý 11 Hình 1.4 Minh họa phương pháp tư vấn dựa lọc nội dung .12 Hình 1.5: Minh họa phương pháp tư vấn dựa lọc cộng tác .18 Hình 1.6: Quy trình hệ thống tư vấn dựa lọc cộng tác 19 Hình 1.7: Kiến trúc tổng quát hệ thống lọc thông tin 25 Hình 1.8: Hệ thống gợi ý sản phẩm Amazon .28 Hình 2.1: Tách sản phẩm đánh giá tính tốn độ tương tự 34 Hình 2.2: Giải thuật lọc cộng tác dựa sản phẩm, tính dự đốn 37 Hình 2.3: Mơ hình hệ thống lọc cộng tác dựa sản phẩm 40 Hình 3.1: Giải thuật khách hàng đánh giá sản phẩm 54 Hình 3.2: Khách hàng chấm điểm sản phẩm 55 Hình 3.3: Giải thuật xử lý gợi ý sản phẩm 56 Hình 3.4: Giao diện trang chủ 58 Hình 3.5: Giao diện trang danh sách sản phẩm .58 Hình 3.6: Giao diện gợi ý sản phẩm cho sản phẩm chưa có đánh giá 59 Hình 3.7: Giao diện gợi ý sản phẩm cho sản phẩm có đánh giá 59 Hình 3.8: Giao diện gợi ý sản phẩm cho thành viên cụ thể .59 vivii MỘT SỐ THUẬT NGỮ STT Tiếng Anh User Tiếng Việt Người dùng, người sử dụng Giải thích Chỉ người dùng hệ thống để tìm kiếm lựa chọn sản phẩm Chỉ sản phẩm hệ thống như: Item Sản phẩm, mục sản phẩm, phim, ảnh, nhạc, trang web, đoạn văn bản, … Chỉ mức độ thích người dùng với sản phẩm Rating có nhiều biểu Rating Đánh giá hiện: đánh giá thích khơng thích, hay đánh già theo mức độ từ 1-5 đại diện từ khơng thích đến thích CF có tên Neighborhood-based Collaborative Filtering (NBCF) Khi CF Lọc cộng tác nói CF, ngầm hiểu phương pháp Neighborhood-based sử dụng MỞ ĐẦU  Lí chọn đề tài Sự phát triển mạnh mẽ thương mại điện tử (E-Commerce) tác nhân đem lại nhiều lợi ích to lớn cho kinh tế tồn cầu Nhờ có thương mại điện tử, nhiều loại hình kinh doanh hình thành, có mua bán hàng trực tuyến Với hình thức này, người tiêu dùng tiếp cận với hàng hóa cách dễ dàng nhanh chóng nhiều so với phương thức mua bán truyền thống Hiện nay, với phương châm phục vụ khách hàng cách tốt nhất, hệ thống bán hàng trực tuyến tạo nhiều điều kiện thuận lợi để người mua hàng tiếp cận nhiều mặt hàng lúc Tuy nhiên, việc trình bày trang trí nhiều mặt hàng website gây khơng khó khăn cho người mua Họ khó chọn cho sản phẩm ưng ý Trong kinh doanh, để khách hàng đến mua sản phẩm ưng ý lời tư vấn, trợ giúp quan trọng Với phương thức bán hàng truyền thống lời tư vấn từ người bán hàng tạo lợi lớn cho cửa hàng Do đó, để phương thức bán hàng qua mạng phát triển thực hiệu bên cạnh lợi vốn có mình, việc có thêm “người trợ giúp” cần thiết Vì vậy, cần thiết phải sử dụng hệ thống gợi ý (Recommender Systems - RS) đóng vai trị người hỗ trợ khách hàng đưa định mua hàng đắn Bằng cách xác định mục đích nhu cầu khách hàng, hệ thống đưa tập gợi ý giúp cho người mua dễ dàng chọn lựa sản phẩm yêu thích Qua hiệu suất việc mua bán hàng trực tuyến tăng cao cách đáng kể [6] Hệ thống gợi ý phát triển theo nhiều cách tiếp cận khác Một hướng tiếp cận tập trung nghiên cứu áp dụng thành cơng nhiều hệ gợi ý phương pháp lọc cộng tác (Collaborative filtering) Thực chất, lọc cộng tác hình thức tư vấn tự động cách dựa tương tự người dùng sản phẩm hệ thống đưa dự đoán quan tâm người dùng tới sản phẩm, đưa gợi ý sản phẩm cho người dùng Việc xây dựng hệ thống gợi ý vấn đề nhiều nhà khoa học nước quan tâm [4, 7] Trong hệ thống gợi ý, lọc cộng tác kỹ thuật dùng để đánh giá độ quan tâm người dùng sản phẩm (từ mức độ tìm hiểu thuật toán [2] việc cải tiến [5] áp dụng việc xây dựng website bán hàng trực tuyến [6]) Kỹ thuật áp dụng thành công nhiều ứng dụng Trong hệ thống lọc cộng tác, sở thích người dùng sản phẩm dự đoán dựa liệu sở thích người dùng – sản phẩm (hoặc đánh giá người dùng sản phẩm) khứ Các nghiên cứu ngồi nước góp phần lớn cho việc xây dựng website bán hàng trực tuyến website mua sắm trực tuyến Amazon (www.amazon.com) cung cấp cho khách hàng sản phẩm mà họ quan tâm, cổng video clip YouTube (www.youtube.com), gợi ý phim MovieLens (www.movielens.org) [10] Tuy nhiên, để phát triển mạnh thuật toán lọc cộng tác hệ thống gợi ý nói chung hay hệ thống gợi ý sản phẩm nói riêng cịn nhiều câu hỏi cần lời giải đáp Cụ thể như: Khi xây dựng hệ thống gợi ý bán hàng trực tuyến, tiếp cận theo hướng dựa nhớ (Memory-based) hay dựa mơ hình (Modelbased) hiệu hơn? Trong hướng tiếp cận theo Memory-based nên tư vấn dựa người dùng (User based) hay sản phẩm (Items based)? Nếu tiếp cận theo hướng Model-based nên sử dụng mơ hình mạng Nơ ron hay Mạng Bayessian? … Trong cách tiếp cận, sử dụng độ đo để nắm bắt xác việc khách 49 3.2 Ví dụ lọc cộng tác dựa sản phẩm Khi người dùng đăng nhập vào hệ thống đánh giá sản phẩm, kết đánh giá lưu trữ bảng wp_user_rating sở liệu Trong bảng liệu người dùng (u0, u1, u2, u3, u4, u5) đánh giá sản phẩm (i0, i1, i2, i3, i4) Những sản phẩm chưa đánh giá không xuất bảng Bảng 2: Dữ liệu đánh giá sản phẩm Mã sản phẩm (comment_post_ID) Mã người dùng (user_id) Đánh giá (meta_value) 4 5 4 3 0 0 1 1 2 2 3 4 5 5 5 2 4 4 4 1 Dựa vào liệu Bảng 2, xây dựng utility matrix bảng Trong bảng này, có giá trị sản phẩm chưa đánh giá 50 Bảng 3: Ma trận utility matrix u0 u1 u2 u3 u4 u5 u6 i0 5 0 i1 0 i2 0 1 i3 2 4 i4 4 0 Bảng 4: Giá trị trung bình đánh giá item Item Giá trị trung bình i0 3.20 i1 3.33 i2 1.75 i3 3.17 i4 3.75 Trong bảng giá trị trung bình đánh giá (rating) user cho item (sản phẩm) Khi đó, tiếp tục trừ từ rating giá trị này, ta ma trận chuẩn hóa bảng 51 Việc trừ trung bình cộng cột khiến trong cột có giá trị dương âm Những giá trị dương tương ứng với việc user thích item, giá trị âm tương ứng với việc user khơng thích item Những giá trị tương ứng với việc chưa xác định liệu user có thích item hay khơng Bảng Ma trận chuẩn hóa 𝑌̂ u0 u1 u2 i0 1.80 1.80 i1 0.67 0 0.67 i2 2.25 -0.75 u4 u5 u6 0 -1.33 0 -0.75 -0.75 0.83 0.83 0.83 0 1.25 -1.20 -0.20 -2.20 i3 -1.17 -1.17 -0.17 i4 -1.75 0.25 u3 0.25 Sử dụng độ cosine để tính độ tượng tự item, thu liệu Bảng Bảng 6: Độ tương tự item S i0 i1 i2 i3 i4 i0 0.18 0.53 -0.76 -0.38 i1 0.18 1.00 0.24 -0.06 -0.33 i2 0.53 0.24 1.00 -0.55 -0.10 i3 -0.76 -0.06 -0.55 1.00 0.57 i4 -0.38 -0.33 -0.10 0.57 1.00 52 Dự đoán tỷ lệ đánh giá việc xác định mức độ quan tâm user lên item dựa users gần Ví dụ việc tính tỷ lệ đánh giá u1 cho i1 cho bảng với số nearest neighbors k = Các bước thực là: - Xác định item u1 đánh giá, là: i0, i2, i3, i4 - Xác định độ tượng tự i1 với item ta nhận 0.18, 0.24, -0.06, -0.33 Hai (k=2) giá trị lớn 0.18 0.24 tương ứng với i0 i2 - Xác định đánh giá (chuẩn hoa) u1 cho i0, i2, ta thu hai giá trị 1.80, 2.25 - Dự đốn kết quả: 𝑦̂𝑖1,𝑢1 = 0.18 × 2.25 + 0.24 × 2.24 = 2.244 |0.18| + |0.24| Bảng 7: Ma trận sau dự đoán 𝑌̂ u0 u1 i0 1.80 1.80 -1.20 -0.20 -2.20 -0.30 -0.54 i1 0.67 2.22 -2.25 -0.15 -1.33 -0.22 i2 0.45 2.25 -0.75 -0.07 -0.53 -0.75 -0.75 i3 -1.17 -1.17 -0.17 0.83 0.83 0.236 0.83 i4 -1.75 0.15 0.38 0.25 1.25 0.25 u2 0.25 u3 0.67 u4 u5 u6 Việc quy đổi giá trị ratings chuẩn hố thang thực cách cộng cột ma trận 𝑌̂ với giá trị rating trung bình item tính Bảng Kết ma trận dự đoán bảng 53 Bảng 8: Ma trận dự đoán thang điểm u0 u1 u2 u3 u4 u5 u6 i0 5.0 5.0 2.0 3.0 1.0 2.9 2.7 i1 4.0 5.6 1.1 4.0 3.2 2.0 3.1 i2 2.2 4.0 1.0 1.7 1.2 1.0 1.0 i3 2.0 2.0 3.0 4.0 4.0 3.4 4.0 i4 2.0 4.0 4.0 3.9 4.1 4.0 5.0 Việc hệ thống định gợi ý items cho user xác định nhiều cách khác Có thể xếp unrated items theo thứ tự tự lớn đến bé predicted ratings, chọn items có normalized predicted ratings dương - tương ứng với việc user có nhiều khả thích 3.3 Thuật tốn xử lý hệ thống 3.3.1 Thuật tốn khách hàng đánh giá sản phẩm Ý nghĩa: - Để đánh giá cho sản phẩm, khách hàng phải đăng nhập thành công vào hệ thống Nếu khách hàng chưa đăng nhập hệ thống đánh giá khơng hoạt động - Khách hàng nhập thông tin đánh giá sản phẩm - Hệ thống kiểm tra thông tin vừa nhập khách hàng, số ký tự nhập - Nếu thỏa mãn, hệ thống lưu thông tin đánh giá vào sở liệu Ngược lại, khách hàng phải nhập lại thông tin 54 Bắt đầu Nhập thông tin đánh giá Sai Kiểm tra thông tin Đúng Lưu thông tin vào CSDL Hiển thị thông tin đánh giá Kết thúc - Hiển thị đánh giá khách hàng Hình 3.1: Khách hàng đánh giá sản phẩm 3.3.2 Thuật toán khách hàng chấm điểm sản phẩm Ý nghĩa: - Để chấm điểm cho sản phẩm, khách hàng phải đăng nhập thành công vào hệ thống Nếu khách hàng chưa đăng nhập hệ thống chấm điểm không hoạt động - Khách hàng chọn để chấm điểm cho sản phẩm (điểm tăng dần tính từ trái sang phải với giá trị từ đến 5) - Hệ thống kiểm tra xem khách hàng chấm điểm cho sản phẩm chưa Nếu chưa, hệ thống lưu điểm mà khách hàng vừa chấm vào sở liệu Ngược lại, hệ thống cập nhật điểm mà khách hàng vừa chấm cho sản phẩm 55 Bắt đầu Chọn số để chấm điểm Đúng Sai Khách hàng chấm điểm sản phẩm Cập nhật điểm CSDL Lưu điểm vào CSDL Kết thúc Hình 3.2: Khách hàng chấm điểm sản phẩm 3.3.3 Thuật toán gợi ý sản phẩm cho khách hàng Ý nghĩa: - Giải thuật dùng để hiển thị sản phẩm gợi ý cho khách hàng - Khách hàng lựa chọn sản phẩm quan tâm để xem Nếu sản phẩm chọn có người dùng đánh giá hệ thống dự đốn độ thích khách hàng sản phẩm theo giải thuật lọc cộng tác dựa sản phẩm Ngược lại sản phẩm chọn chưa có người dùng đánh giá trị thị danh sách sản phẩm loại với sản phẩm khách hàng chọn 56 Bắt đầu Khách hàng chọn sản phẩm để xem Gợi ý sản phẩm có độ tương tự Đúng Sản phẩm có người dùng đánh giá Sai Gợi ý sản phẩm loại Kết thúc Hình 3.3: Thuật tốn xử lý gợi ý sản phẩm 3.4 Các giao diện hệ thống Giao diện trang chủ: giới thiệu khái quát nội dung trang web tới người dùng Từ điều hướng phía người dùng xem danh sách sản phẩm, sản phẩm theo thể loại, đăng nhập/đăng kí tài khoản tìm kiếm sản phẩm 57 Hình 3.4: Giao diện trang chủ Giao diện danh sách sản phẩm: Liệt kê danh sách toàn sản phẩm sở liệu 58 Hình 3.5: Giao diện trang danh sách sản phẩm Giao diện gợi ý sản phẩm cho khách viếng thăm a) Đối với sản phẩm chưa có đánh giá: gợi ý sản phẩm thể loại 59 Hình 3.6: Giao diện gợi ý sản phẩm cho sản phẩm chưa có đánh giá b) Đối với sản phẩm có đánh giá: gợi ý sản phẩm có độ tương tự cao Hình 3.7: Giao diện gợi ý sản phẩm cho sản phẩm có đánh giá Giao diện gợi ý sản phẩm cho thành viên: đưa sản phẩm có độ tương tự cao với sản phẩm mà thành viên đánh giá Hình 3.8: Giao diện gợi ý sản phẩm cho thành viên cụ thể 60 Một số nhận xét, đánh giá kết thực nghiệm phương pháp lọc cộng tác dựa sản phẩm Ưu điểm: - Phương pháp có khả dự đốn sở thích nhu cầu người dùng để đưa gợi ý sản phẩm phù hợp với khách hàng mà không cần hiểu sản phẩm - Gợi ý dựa trải nghiệm người dùng tương tự khác nên gợi ý sản phẩm phù hợp sở thích - Phương pháp phù hợp với hệ thống lớn có nhiều đánh giá từ phía người dùng Một số hạn chế: - Khơng thể gợi ý khách hàng chưa có liệu lịch sử tương tác mặt hàng - Khi lượng sản phẩm lớn số lượng khách hàng đánh giá khơng nhiều phương pháp khơng hiệu - Phương pháp gợi ý sản phẩm sản phẩm chưa đánh giá - Phương pháp cho độ xác sở thích người dùng thay đổi - Website chưa triển khai thực tế, đánh giá cịn mang tính chủ quan 3.5 Kết luận chương Chương luận văn cài đặt thử nghiệm website thời trang tích hợp hệ thống gợi ý dựa phương pháp lọc cộng tác dựa sản phẩm Hệ thống có chức cho khách hàng chấm điểm, đánh giá sản phẩm đặt mua hàng dựa gợi ý sản phẩm cho khách hàng trình chọn sản phẩm tốt nhất, phù hợp với yêu cầu khách hàng Tuy nhiên, hệ thống chưa xử lý số lớn yêu cầu khách hàng chưa lưu lịch sử, quan hệ giao tiếp khách hàng để gợi ý cho nhiều đối tượng người dùng khác nhau, 61 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Luận văn đạt kết sau: - Trình bày khái quát hệ thống tư vấn theo phương pháp lọc cộng tác toán xây dựng hệ thống gợi ý sản phẩm bán hàng - Giới thiệu phương pháp lọc cơng tác dựa sản phẩm, phân tích trình xử lý để đưa kết tư vấn dựa thuật toán khác - Thử nghiệm cài đặt thử nghiệm phương pháp lọc cộng tác sản phẩm cho website bán hàng thời trang Hướng phát triển Hướng mở đề tài tiếp tục phát triển: - Nghiên cứu phương pháp lọc cộng tác phương pháp đa nhiệm ứng dụng - Phương pháp kết hợp lọc cộng tác lọc nội dung dựa mơ hình đồ thị - Nghiên cứu phát triển phương pháp lọc cộng tác mờ dựa người dùng 62 TÀI LIỆU THAM KHẢO TIẾNG VIỆT [1] Hà Thị Thanh Nga, Nguyễn Đình Cường, Xây dựng hệ thống gợi ý thuật toán người láng giềng thử nghiệm Movielens Dataset, Hội nghị khoa học Công nghệ thông tin Truyền thông ICT - Đà Lạt, 2017 [2] Hồng Thịnh, Tìm hiểu phương pháp lọc cộng tác dựa Item, Trường Đại học khoa học Huế, 2013 [3] Huỳnh Lý Thanh Nhàn, Nguyễn Thái Nghe, Giải pháp tích hợp mạng xã hội xây dựng hệ trợ giảng thông minh, Proceeding of Publishing House for Science and Technology, 2017 [4] Lưu Nguyễn Anh Thư, Nguyễn Thái Nghe, Phương pháp xây dựng hệ thống gợi ý sản phẩm sử dụng phản hồi tiềm ẩn, Hội nghị Quốc gia lần thứ VIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Hà Nội, 2015 [5] Nguyễn Duy Phương, Phát triển số phương pháp lọc thông tin cho hệ tư vấn, 2011 [6] Nguyễn Hùng Dũng, Nguyễn Thái Nghe, Hệ thống gợi Ý sản phẩm bán hàng trực tuyến sử dụng kỹ thuật lọc cộng tác, Tạp chí Khoa học Trường Đại học Cần Thơ pp 36-51, 2014 TIẾNG ANH [7] Basit Mehmood Khan, Asim Mansha, Farhan Hassan Khan et al., Collaborative filtering based online recommendation systems: a survey, 2017 International Conference on Information and Communication Technologies (ICICT), IEEE, pp 125-130, 2017 [8] Gediminas Adomavicius, Alexander Tuzhilin, data engineering, Toward the next generation of recommender systems: A survey of the state-ofthe-art and possible extensions, IEEE transactions on knowledge and data engineering, vol 17, no pp 734-749, 2005 63 [9] Guy Shani, Asela Gunawardana, Evaluating recommendation systems, Recommender systems handbook, pp 257-297: Springer, 2011 [10] J Ben Schafer, Dan Frankowski, Jon Herlocker et al., Collaborative filtering recommender systems, The adaptive web, pp 291-324: Springer, 2007 [11] JESUS Bobadilla, Francisco Serradilla, Antonio Hernando, Collaborative filtering adapted to recommender systems of e-learning, Knowledge-Based Systems, vol 22, no pp 261-265, 2009 [12] Ranieri Baraglia, Fabrizio Silvestri, An online recommender system for large web sites, IEEE/WIC/ACM International Conference on Web Intelligence (WI'04), IEEE, pp 199-205, 2004 [13] Rui Chen, Qingyi Hua, Yan-Shuo Chang et al., “A survey of collaborative filtering-based recommender systems: From traditional methods to hybrid methods based on social networks”, in IEEE Access, pp 64301-64320, 2018 [14] Santosh Kumar, Survey on personalized web recommender system, Information Engineering and Electronic Business, vol 10, no pp 33, 2018 [15] Shuai Zhang "Datasets For Recommender System," http://shuaizhang.tech/2017/03/15/Datasets-For-RecommenderSystem [16] Suganeshwari, SP Syed Ibrahim, A survey on collaborative filtering based recommendation system, Proceedings of the 3rd International Symposium on Big Data and Cloud Computing Challenges (ISBCC– 16’), Springer, pp 503-518, 2016 ... hình khả ứng dụng toán xây dựng hệ thống gợi ý Chương 3: Ứng dụng phương pháp lọc cộng tác dựa sản phẩm hệ thống gợi ý bán hàng trực tuyến Chương cài đặt thử nghiệm phương pháp lọc cộng tác sản... tin ứng dụng hệ thống gợi ý Chương 2: Phương pháp thuật lọc cộng tác dựa sản phẩm Chương trình bày phương pháp lọc cộng dựa vào người dùng, lọc cộng tác dựa sản phẩm, phương pháp lọc cộng tác. .. Kết luận chương .44 CHƯƠNG ỨNG DỤNG PHƯƠNG PHÁP LỌC CỘNG TÁC DỰA TRÊN SẢN PHẨM TRONG HỆ THỐNG GỢI Ý BÁN HÀNG TRỰC TUYẾN 45 3.1 Xây dựng hệ thống gợi ý cho website bán hàng trực