Tích hợp thông tin ngữ cảnh trong hệ gợi ý

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯƠNG ĐẠI HỌC QUY NHƠN ĐÀO CHÍ THANH TÍCH HỢP THƠNG TIN NGỮ CẢNH TRONG HỆ GỢI Ý LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Mã số: 60.48.01.01 Bình Định - Năm 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC QUY NHƠN ĐÀO CHÍ THANH ĐỀ TÀI TÍCH HỢP THƠNG TIN NGỮ CẢNH TRONG HỆ GỢI Ý Chuyên ngành : KHOA HỌC MÁY TÍNH Mã số : 60 48 01 01 Người hướng dẫn : TS LÊ QUANG HÙNG LỜI CAM ĐOAN Tơi xin cam đoan kết trình bày luận văn q trình nghiên cứu tơi hướng dẫn cán hướng dẫn Các số liệu, kết trình bày luận án hoàn toàn trung thực Các liệu tham khảo trích dẫn đầy đủ Quy Nhơn, ngày tháng năm 2020 Đào Chí Thanh i TĨM TẮT Hệ gợi ý (recommender systems) lớp hệ thống lọc thơng tin, phương tiện có giá trị để giải vấn đề tải thông tin Với mục đích đưa gợi ý sản phẩm, dịch vụ phù hợp với người dùng dựa hành vi họ khứ dựa tương đồng sở thích với người dùng khác Hệ gợi ý ứng dụng nhiều lĩnh vực khác nhau, đặc biệt thương mại điện tử (ví dụ: Amazon1 , Netflix2 , ) Việc gợi ý sản phẩm phù hợp góp phần làm tăng doanh số bán hàng số lượng truy cập vào hệ thống, đồng thời giúp cho khách hàng có thơng tin thú vị sản phẩm họ muốn tìm dễ dàng Các hướng tiếp cận xây dựng hệ gợi ý chia thành ba loại: hướng tiếp cận lọc cộng tác, hướng tiếp cận dựa nội dung hướng tiếp cận kết hợp lọc cộng tác với dựa nội dung Hướng tiếp cận thứ khai thác thuộc tính sản phẩm, xác định đặc điểm chung sản phẩm người dùng quan tâm, từ gợi ý cho người dùng sản phẩm có đặc điểm tương tự Hướng tiếp cận thứ hai khai thác liệu sở thích người dùng khứ tương đồng người dùng sản phẩm để đưa gợi ý Nói cách khác, hệ thống lọc cộng tác giúp người dùng lựa chọn sản phẩm dựa vào ý kiến, đánh giá người khác Hệ gợi ý truyền thống dựa thông tin người dùng sản phẩm để đưa gợi ý dự đoán đánh giá cho cặp người dùng-sản phẩm chưa biết Tuy nhiên, hệ gợi ý truyền thống chưa đầy đủ, chưa phù hợp với địa điểm, thời gian, điều ảnh hưởng đến đánh giá người dùng sản phẩm (ảnh hưởng chất lượng gợi ý) Thông tin ngữ cảnh (thời gian, địa điểm, thời tiết, tâm trạng, ) đóng vai trò quan trọng ảnh hưởng đến trải nghiệm sản phẩm người dùng Sở thích người dùng thay đổi tùy vào ngữ cảnh Chẳng hạn, người dùng chọn đến nhà hàng khác họ với trẻ nhỏ https://www.amazon.com https://www.netflix.com ii thay với bạn bè Người dùng chọn đến Đà Lạt với khí hậu mát mẻ mùa hè mùa đông Hệ gợi ý theo ngữ cảnh mở rộng hệ gợi ý truyền thống, đưa gợi ý đến người dùng có xem xét đến thơng tin ngữ cảnh Trong luận văn này, nghiên cứu tích hợp thơng tin ngữ cảnh hệ gợi ý, bao gồm: Lọc trước ngữ cảnh: thông tin ngữ cảnh dùng để lựa chọn xây dựng tập liệu phù hợp với ngữ cảnh đưa vào Sau đó, hệ gợi ý truyền thống áp dụng lên tập liệu đưa gợi ý phù hợp Lọc sau ngữ cảnh: hệ gợi ý truyền thống sử dụng trực tiếp tập liệu đầu vào mà không cần quan tâm tới yếu tố ngữ cảnh Sau đó, thơng tin ngữ cảnh sử dụng để điều chỉnh kết đầu Mơ hình hóa ngữ cảnh: thơng tin ngữ cảnh tích hợp trực tiếp hàm gợi ý Thực nghiệm tiến hành miền liệu du lịch âm nhạc cho thấy hiệu hệ gợi ý theo ngữ cảnh so với hệ gợi ý truyền thống Từ khóa: Hệ gợi ý, ngữ cảnh, lọc trước theo ngữ cảnh, lọc sau theo ngữ cảnh, mơ hình hóa ngữ cảnh iii LỜI CẢM ƠN Đầu tiên tơi xin gửi lời cảm ơn sâu sắc tới thầy TS Lê Quang Hùng thầy Vũ Sơn Lâm, Khoa Công nghệ Thông tin, Trường Đại học Quy Nhơn, người định hướng đề tài tận tình hướng dẫn, bảo cho tơi suốt q trình thực luận văn tốt nghiệp Tôi xin trân trọng cảm ơn thầy, cô Khoa Công nghệ Thông tin, Trường Đại học Quy Nhơn tận tình giảng dạy, hướng dẫn nghiên cứu khoa học cho suốt thời gian theo học trường trình làm luận văn Xin cảm ơn anh, chị, em bạn học viên khoa học máy tính, người giúp đỡ, động viên tinh thần chia sẻ kinh nghiệm quý báu giúp vượt qua khó khăn, vướng mắc để hồn thành luận văn Mặc dù cố gắng, tơi tin luận văn tơi cịn nhiều thiếu sót có nhiều nội dung hồn thiện tốt Tôi mong nhận ý kiến đánh giá, phê bình góp ý thầy cô, anh chị bạn Trân trọng, Quy Nhơn, ngày tháng năm 2020 Đào Chí Thanh Luận văn sản phẩm đề tài Khoa học Công nghệ: "Nghiên cứu ứng dụng học máy tích hợp thơng tin ngữ cảnh hệ thống gợi ý du lịch", mã số B2020-DQN-08 (Bộ Giáo dục Đào tạo) iv Mục lục Danh mục hình vẽ vii Danh mục bảng ix GIỚI THIỆU 1.1 Tổng quan hệ gợi ý 1.1.1 Bài toán hệ gợi ý 1.1.2 Cách tiếp cận giải toán 1.1.2.1 Lọc cộng tác 1.1.2.2 Dựa vào nội dung 1.1.2.3 Cách tiếp cận kết hợp 1.1.3 Miền ứng dụng hệ gợi ý 1.1.3.1 Thương mại điện tử 1.1.3.2 Giải trí 1.1.3.3 Giáo dục 1.2 Đánh giá hệ gợi ý 1.2.1 Các phương pháp đánh giá 1.2.1.1 Phương pháp đánh giá trực tuyến 1.2.1.2 Phương pháp thực nghiệm không trực tuyến 1.2.1.3 Phương pháp nghiên cứu người dùng 1.2.2 Các độ đo 1.2.2.1 Độ đo RMSE MAE 1.2.2.2 Độ đo NRMSE NMAE 1.3 Thách thức hệ gợi ý truyền thống 1.4 Ngữ cảnh hệ gợi ý 1.4.1 Khái niệm ngữ cảnh 1.4.2 Thu thập thông tin ngữ cảnh 1.5 Tổng kết chương 3 4 6 6 7 7 8 9 10 11 11 12 13 15 TÍCH HỢP THƠNG TIN NGỮ CẢNH TRONG HỆ GỢI Ý 2.1 Hệ gợi ý theo ngữ cảnh 2.2 Các phương pháp tích hợp thơng tin ngữ cảnh hệ gợi ý 2.2.1 Lọc trước theo ngữ cảnh 2.2.2 Lọc sau ngữ cảnh 2.2.3 Mơ hình hóa ngữ cảnh 16 16 17 18 21 22 v 2.3 2.2.3.1 Cách tiếp cận dựa kinh nghiệm 23 2.2.3.2 Cách tiếp cận dựa mơ hình 24 Kết luận chương 33 THỰC NGHIỆM 3.1 Dữ liệu thực nghiệm 3.2 Cài đặt thực nghiệm 3.3 Kết thực nghiệm: 3.4 Kết luận chương Tài liệu tham khảo 35 35 37 40 41 44 vi CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Chữ viết tắt Diễn giải CRD Tiếng Anh Recommender System Collaborative Filter Matrix Factorization Biases Matrix Factorization Context-aware Matrix Factorization Contextual Rating Deviation SGD Stochastic Gradient Descent OLAP MSE Online Analytical Processing Context-awareness Recommender System Mean Square Error RMSE Root Mean Square Error MAE Mean Base Error RS CF FM BFM CAMF CARS vii Tiếng Việt Hệ gợi ý Lọc cộng tác Phân rã ma trận Phân rã ma trận thiên vị Phân rã ma trận dựa ngữ cảnh Độ lệch xếp hạng ngữ cảnh Kỹ thuật giảm gradient ngẫu nhiên Phân tích liệu trực tuyến Hệ gợi ý theo hướng ngữ cảnh Sai số bình phương trung bình Căn bậc hai Sai số bình phương trung bình Sai số tuyệt đối trung bình Danh sách hình vẽ 1.1 Minh họa phương pháp lọc cộng tác 2.1 2.2 2.3 2.4 Các phương pháp tích hợp thơng tin ngữ cảnh hệ gợi ý Bước hiệu chỉnh danh sách gợi ý lọc sau theo ngữ cảnh kỹ thuật phân rã ma trận X thành ma trận nhỏ Tối ưu hóa 18 22 25 27 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 Bộ liệu có định dạng mơ tả Bộ liệu có định dạng mô tả Cấu trúc công cụ nguồn mở CARSKIT Bộ liệu có định dạng mơ tả Tích hợp cơng cụ nguồn mở CARSKIT vào Eclipse Java 2018 Cấu hình tập tin setting.conf công cụ CARSKIT Tập tin results công cụ CARSKIT Độ sai số CAMF va MF theo RMSE với liệu Travel-STS Độ sai số CAMF MF theo RMSE với liệu InCarMusic 36 37 38 38 39 39 40 41 41 viii trận, Kỹ thuật phân rã ma trận thiên vị kỹ thuật mô hình hóa phân rã ma trận hướng ngữ cảnh Đây tảng để tiến hành thử nghiệm chương sau 34 CHƯƠNG THỰC NGHIỆM Trong chương này, chúng tơi trình bày thực nghiệm với hai hệ thống: hệ gợi ý truyền thống hệ gợi ý theo ngữ cảnh 3.1 Dữ liệu thực nghiệm Trong thực nghiệm, sử dụng hai liệu: Travel-STS thuộc miền liệu du lịch InCarMusic thuộc miền liệu âm nhạc Chi tiết hai liệu sau: Bộ liệu Travel-STS [42]: Có 325 người dùng, 249 sản phẩm, 2.414 đánh giá với điều kiện ngữ cảnh như: ❼ Thời tiết: Nắng, mây, mưa, giông, trời quang, tuyết rơi ❼ Nhiệt độ: Đốt, nóng, ấm, mát, lạnh, lạnh ❼ Khoảng cách: Xa, gần ❼ Thời gian có sẵn: Nửa ngày, ngày, ngày ❼ Sự đông đúc: Sầm uất, không đông đúc, vắng ❼ Mùa: Xuân, hạ, thu, đơng ❼ Chi phí: Thấp, trung bình, cao ❼ Buổi sáng, buổi trưa, buổi tuối ❼ Bạn Đồng hành: Với bạn bè /đồng nghiệp, cái, mình, với bạn gái/bạn trai, với gia đình ❼ Tâm trạng: Vui, buồn, động, lười biếng ❼ Các ngày tuần: Ngày làm việc, cuối tuần 35 ❼ Mục tiêu du lịch: Kinh doanh, chăm sóc sức khỏe, danh lam thắng cảnh/phong cảnh, tôn giáo, thăm bạn bè, giáo dục, hoạt động/thể thao, kiện xã hội ❼ Di chuyển: xe hơi, xe đạp, giao thơng cơng cộng, khơng có phương tiện giao thơng Bộ liệu Travel-STS có định dạng mơ tả hình 3.1 Hình 3.1: Bộ liệu có định dạng mơ tả Bộ liệu InCarMusic [43]: Có 66 người dùng, 50 sản phẩm, 955 đánh giá với đánh giá với điều kiện ngữ cảnh như: ❼ Phong cách lái xe (DS): lái xe thoải mái, lái xe thể thao ❼ Loại đường (RT): thành phố, đường cao tốc ❼ Phong cảnh (L): đường bờ biển, vùng nông thôn, núi / đồi, đô thị 36 ❼ Trang thái (S): thức, buồn ngủ ❼ Điều kiện giao thông (TC): đường tự do, nhiều ô tô, kẹt xe ❼ Tâm trạng (M): hoạt động, vui vẻ, lười biếng, buồn bã ❼ Thời tiết (W): có mây, có tuyết, nắng, mưa ❼ Thời gian (NP): thời gian ngày, buổi sáng, buổi tối, buổi chiều Bộ liệu có định dạng mơ tả hình 3.2 Hình 3.2: Bộ liệu có định dạng mơ tả 3.2 Cài đặt thực nghiệm Để đánh giá hiệu việc tích hợp thơng tin ngữ hệ gợi ý, thực nghiệm thực với hai loại: (i) hệ gợi ý truyền thống theo hướng tiếp cận lọc cộng tác sử dụng mơ hình phân rã ma trận (hệ thống MF) [38], (ii) hệ gợi ý tích hợp thơng tin ngữ cảnh theo hướng tiếp cận mơ hình hóa ngữ cảnh (hệ thống CAMF) 37 Chúng sử dụng độ đo RMSE [17] sử dụng phương pháp kiểm thử chéo phần (5-fold cross-validation) phương pháp sử dụng rộng rãi cho kết đánh giá khách quan [44], lấy top 10 kết gợi ý để tính tốn độ xác Chúng cài đặt hệ gợi ý cơng cụ nguồn mở CARSKIT [45]; Có cấu trúc 3.3 Hình 3.3: Cấu trúc cơng cụ nguồn mở CARSKIT ❼ Dữ liệu định dạng nhị phân, tệp lưu hai định dạng txt csv cách sử dụng dấu phẩy làm dấu phân cách Hình 3.4: Bộ liệu có định dạng mơ tả ❼ Thuật tốn cơng cụ CARSKIT chia làm loại (cơ sở tích hợp ngữ cảnh) Trong luận vă này, sử dụng phần mềm Eclipse Java 2018 tích hợp cơng cụ nguồn mở CARSKIT vào để tiến hành thực cụ thể hình 3.5: ❼ Cấu hình thực nghiệp tiến hành hình 3.6: 38 Hình 3.5: Tích hợp cơng cụ nguồn mở CARSKIT vào Eclipse Java 2018 Hình 3.6: Cấu hình tập tin setting.conf cơng cụ CARSKIT ❼ Lấy kết trả từ tập tin results cơng cụ CARSKIT hình 3.7: 39 Hình 3.7: Tập tin results công cụ CARSKIT 3.3 Kết thực nghiệm: Để so sánh độ sai số dự đoán đánh giá RMSE hệ thống MF hệ thống CAMF, thực nghiệm lấy kết trung bình lần chạy liệu Travel-STS với hệ thống MF 1.368, hệ thống CAMF 1.21 liệu InCarMusic hệ thống MF 0.965, hệ thông CAMF 0.943 Giá trị RMSE hệ thống CAMF thấp so với hệ thống MF có nghĩa hệ thống CAMF có độ sai số dự đốn đánh giá tốt so với hệ thống MF cụ thể: Bảng số liệu tính tốn RMSE qua lần thực hiện, tương ứng với toán CAMF MF truyền thống Bảng 3.1 hai Biểu đồ 3.8, 3.9 Độ đo Thuận toán Lần Lần Lần Lần Lần Trung bình RMSE Travel-ST RMSE InCarMusic MF CAMF MF CAMF 1.379 1.216 0.967 0.943 1.351 1.214 0.964 0.943 1.370 1.221 0.964 0.942 1.378 1.207 0.964 0.941 1.361 1.198 0.965 0.944 1.368 1.211 0.965 0.943 Bảng 3.1: Độ sai số CAMF MF theo RMSE với liệu Travel-STS liệu InCarMusic 40 Hình 3.8: Độ sai số CAMF va MF theo RMSE với liệu Travel-STS Hình 3.9: Độ sai số CAMF MF theo RMSE với liệu InCarMusic 3.4 Kết luận chương Kết thực nghiệm cho thấy sử dụng hệ thống gợi ý theo ngữ cảnh cho sai số dự đoán đánh giá thấp so với hệ thống gợi ý truyền thống Việc tích hợp thơng tin ngữ cảnh hệ gợi ý đưa gợi ý tốt cho người dùng 41 KẾT LUẬN Trong phần này, chúng tơi tóm lược lại kết luận văn Ngồi ra, chúng tơi trình bày hướng phát triển đề tài Kết luận Trong luận văn này, chúng tơi trình bày sở lý thuyết hệ gợi ý, tổng quan thông tin ngữ cảnh; giới thiệu phương pháp tích hợp thơng tin ngữ cảnh hệ gợi ý; thực nghiệm tích hợp thơng tin ngữ cảnh hệ gợi ý Cụ thể sau: ❼ Thứ nhất, nghiên cứu hệ gợi ý, cách tiếp cận giải tốn, miền ứng dụng, thơng tin ngữ cảnh, cách thu thập thông tin ngữ cảnh; thách thức hệ gợi ý truyền thống gặp phải Tích hợp thông tin ngữ cảnh giải pháp nhằm nâng cao tính xác hiệu gợi ý cho người dùng ❼ Thứ hai, nghiên cứu hệ gợi ý theo ngữ cảnh mở rộng hệ gợi ý truyền thống, đưa gợi ý đến người dùng có xem xét đến thông tin ngữ cảnh thời tiết, thời gian, tâm trạng người dùng Các phương pháp tích hợp thơng tin ngữ cảnh vào hệ gợi ý bao gồm: lọc trước, lọc sau mơ hình hóa Ngồi ra, nghiên cứu kỹ thuật phân rã ma trận, kỹ thuật phân rã ma trận thiên vị kỹ thuật mơ hình hóa phân rã ma trận hướng ngữ cảnh ❼ Thứ ba, cài đặt thực nghiệm hai hệ thống: hệ gợi ý truyền thống hệ gợi ý tích hợp thơng tin ngữ cảnh Kết thực nghiệm cho thấy hệ gợi ý tích hợp thơng tin ngữ cảnh cho sai số dự đoán đánh giá thấp so với hệ gợi ý truyền thống Việc tích hợp thơng tin ngữ cảnh hệ gợi ý đưa gợi ý tốt cho người dùng 42 Hướng phát triển luận văn Trong tương lai, dự kiến mở rộng hướng nghiên cứu đề tài, cụ thể sau: ❼ Thứ nhất, thực nghiệm với tiếp cận lọc trước ngữ cảnh, lọc sau ngữ cảnh Từ đó, so sách, đánh giá cách tiếp cận tích hợp thơng tin ngữ cảnh ❼ Thứ hai, kết hợp cách tiếp cận lọc trước ngữ cảnh, lọc sau ngữ cảnh mơ hình hóa ngữ cảnh ❼ Thứ ba, xây dựng hệ gợi ý theo ngữ cảnh miền ứng dụng cụ thể 43 Tài liệu tham khảo [1] M Deshpande and G Karypis, “Item-based top-n recommendation algorithms,” ACM Transactions on Information Systems (TOIS), vol 22, no 1, pp 143–177, 2004 [2] X Ning, C Desrosiers, and G Karypis, “A comprehensive survey of neighborhood-based recommendation methods,” in Recommender systems handbook Springer, 2015, pp 37–76 [3] V.-D Nguyen and V.-N Huynh, “Two-probabilities focused combination in recommender systems,” International Journal of Approximate Reasoning, vol 80, pp 225–238, 2017 [4] J A Konstan, B N Miller, D Maltz, J L Herlocker, L R Gordon, and J Riedl, “Grouplens: applying collaborative filtering to usenet news,” Communications of the ACM, vol 40, no 3, pp 77–87, 1997 [5] Y Koren, “Factorization meets the neighborhood: a multifaceted collaborative filtering model,” in Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining, 2008, pp 426–434 [6] A Mnih and R R Salakhutdinov, “Probabilistic matrix factorization,” in Advances in neural information processing systems, 2008, pp 1257– 1264 [7] T Hofmann, “Collaborative filtering via gaussian probabilistic latent semantic analysis,” in Proceedings of the 26th annual international ACM SIGIR conference on Research and development in informaion retrieval, 2003, pp 259–266 [8] P Resnick, N Iacovou, M Suchak, P Bergstrom, and J Riedl, “Grouplens: an open architecture for collaborative filtering of netnews,” in Proceedings of the 1994 ACM conference on Computer supported cooperative work, 1994, pp 175–186 44 [9] M J Pazzani and D Billsus, “Content-based recommendation systems,” in The adaptive web Springer, 2007, pp 325–341 [10] R J Mooney and L Roy, “Content-based book recommending using learning for text categorization,” in Proceedings of the fifth ACM conference on Digital libraries, 2000, pp 195–204 [11] J.-w Ahn, P Brusilovsky, J Grady, D He, and S Y Syn, “Open user profiles for adaptive news systems: help or harm?” in Proceedings of the 16th international conference on World Wide Web, 2007, pp 11–20 [12] M Balabanovi´c and Y Shoham, “Fab: content-based, collaborative recommendation,” Communications of the ACM, vol 40, no 3, pp 66–72, 1997 [13] S E Middleton, N R Shadbolt, and D C De Roure, “Ontological user profiling in recommender systems,” ACM Transactions on Information Systems (TOIS), vol 22, no 1, pp 54–88, 2004 [14] H L T Nhàn, “Nguyễn thái nghe 2013,” Hệ thống dự đoán kết học tập gợi ỳ lựa chọn môn học Kỷ yếu hội thảo quốc gia lần thứ XVI: Một số vấn đề chọc lọc CNTT&TT (@ 2013), trang, pp 110–118 [15] A Gunawardana and G Shani, “A survey of accuracy evaluation metrics of recommendation tasks.” Journal of Machine Learning Research, vol 10, no 12, 2009 [16] G Shani and A Gunawardana, “Evaluating recommendation systems,” in Recommender systems handbook Springer, 2011, pp 257–297 [17] S.-L Vũ, Q.-H Lê, and V.-V Nguyễn, “Đánh giá hệ gợi ý: Khảo sát thực nghiệm,” in Submitted to The 23rd National Symposium of Selected ICT Problems (@2020) [18] A M Rashid, I Albert, D Cosley, S K Lam, S M McNee, J A Konstan, and J Riedl, “Getting to know you: learning new user preferences in recommender systems,” pp 127–134, 2002 [19] A Schmidt, M Beigl, and H.-W Gellersen, “There is more to context than location,” Computers & Graphics, vol 23, no 6, pp 893–901, 1999 45 [20] G Adomavicius and A Tuzhilin, “Context-aware recommender systems,” pp 217–253, 2011 [21] P Dourish, “What we talk about when we talk about context,” Personal and ubiquitous computing, vol 8, no 1, pp 19–30, 2004 [22] M Quadrana, P Cremonesi, and D Jannach, “Sequence-aware recommender systems,” ACM Computing Surveys (CSUR), vol 51, no 4, pp 1–36, 2018 [23] B Hidasi, A Karatzoglou, L Baltrunas, and D Tikk, “Sessionbased recommendations with recurrent neural networks,” arXiv preprint arXiv:1511.06939, 2015 [24] D Jannach, L Lerche, and M Jugovac, “Adaptation and evaluation of recommendations for short-term shopping goals,” in Proceedings of the 9th ACM Conference on Recommender Systems, 2015, pp 211–218 [25] N Hariri, B Mobasher, and R Burke, “Context-aware music recommendation based on latenttopic sequential patterns,” in Proceedings of the sixth ACM conference on Recommender systems, 2012, pp 131–138 [26] E Smirnova and F Vasile, “Contextual sequence modeling for recommendation with recurrent neural networks,” in Proceedings of the 2nd Workshop on Deep Learning for Recommender Systems, 2017, pp 2–9 [27] D Massimo and F Ricci, “Harnessing a generalised user behaviour model for next-poi recommendation,” in Proceedings of the 12th ACM Conference on Recommender Systems, 2018, pp 402–406 [28] A K Dey, “Understanding and using context,” Personal and ubiquitous computing, vol 5, no 1, pp 4–7, 2001 [29] B N Schilit and M M Theimer, “Disseminating active map information to mobile hosts,” IEEE network, vol 8, no 5, pp 22–32, 1994 [30] S.-L Vu, Q.-H Le, T.-K.-P Nguyen, T.-X Le, and A.-C Le, “A stateof-the-art survey on context-aware recommender systems and applications,” in Submitted to The Twelfth IEEE International Conference on Knowledge and Systems Engineering (IEEE KSE 2020) 46 [31] G Adomavicius, R Sankaranarayanan, S Sen, and A Tuzhilin, “Incorporating contextual information in recommender systems using a multidimensional approach,” ACM Transactions on Information Systems (TOIS), vol 23, no 1, pp 103–145, 2005 [32] A Said, E W De Luca, and S Albayrak, “Inferring contextual user profiles-improving recommender performance,” in Proceedings of the 3rd RecSys Workshop on Context-Aware Recommender Systems, 2011 [33] U Panniello, A Tuzhilin, M Gorgoglione, C Palmisano, and A Pedone, “Experimental comparison of pre-vs post-filtering approaches in context-aware recommender systems,” in Proceedings of the third ACM conference on Recommender systems, 2009, pp 265–268 [34] D Nichols, “Implicit rating and filtering.” ERCIM, 1998 [35] Y Zheng, “Context-aware mobile recommendation by a novel postfiltering approach,” in The Thirty-First International Flairs Conference, 2018 [36] J S Breese, D Heckerman, and C Kadie, “Empirical analysis of predictive algorithms for collaborative filtering,” arXiv preprint arXiv:1301.7363, 2013 [37] B Sarwar, G Karypis, J Konstan, and J Riedl, “Item-based collaborative filtering recommendation algorithms,” in Proceedings of the 10th international conference on World Wide Web, 2001, pp 285–295 [38] Y Koren, R Bell, and C Volinsky, “Matrix factorization techniques for recommender systems,” Computer, vol 42, no 8, pp 30–37, 2009 [39] N T Nghe, “An introduction to factorization technique for building recommendation systems,” Tạp chí Khoa học Đại học Đà Lạt, vol 3, no 2, pp 44–53, 2013 [40] L Baltrunas, B Ludwig, and F Ricci, “Matrix factorization techniques for context aware recommendation,” in Proceedings of the fifth ACM conference on Recommender systems, 2011, pp 301–304 [41] Y Koren, “Collaborative filtering with temporal dynamics,” in Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, 2009, pp 447–456 47 [42] M Elahi, M Braunhofer, F Ricci, and M Tkalcic, “Personality-based active learning for collaborative filtering recommender systems,” in Congress of the Italian Association for Artificial Intelligence Springer, 2013, pp 360–371 [43] L Baltrunas, M Kaminskas, B Ludwig, O Moling, F Ricci, A Aydin, K.-H Lă uke, and R Schwaiger, Incarmusic: Context-aware music recommendations in a car,” in International conference on electronic commerce and web technologies Springer, 2011, pp 89–100 [44] M Braunhofer, M Elahi, F Ricci, and T Schievenin, “Context-aware points of interest suggestion with dynamic weather data management,” in Information and communication technologies in tourism 2014 Springer, 2013, pp 87–100 [45] Y Zheng, B Mobasher, and R Burke, “Carskit: A java-based contextaware recommendation engine,” in 2015 IEEE International Conference on Data Mining Workshop (ICDMW) IEEE, 2015, pp 1668–1671 48 ... thông tin ngữ cảnh; ngữ cảnh có tác động vào hệ gợi ý truyền thống cách tích hợp thông tin ngữ cảnh hệ gợi ý trình bày chương sau 15 CHƯƠNG TÍCH HỢP THƠNG TIN NGỮ CẢNH TRONG HỆ GỢI Ý Như trình... 12 13 15 TÍCH HỢP THƠNG TIN NGỮ CẢNH TRONG HỆ GỢI Ý 2.1 Hệ gợi ý theo ngữ cảnh 2.2 Các phương pháp tích hợp thơng tin ngữ cảnh hệ gợi ý 2.2.1 Lọc trước theo ngữ cảnh ... pháp tích hợp thơng tin ngữ cảnh cách nhằm nâng cao tính xác hiệu gợi ý cho người dùng xu hướng hệ thống gợi ý Chương trình bày cách tích hợp thông tin ngữ cảnh hệ gợi ý 2.1 Hệ gợi ý theo ngữ cảnh