Khóa luận xây dựng ứng dụng thương mại điện tử hỗ trợ gợi ý sản phẩm

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN THỊ TÂM BÙI THANH TÙNG KHÓA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG THƯƠNG MẠI ĐIỆN TỬ HỖ TRỢ GỢI Ý SẢN PHẨM E-commerce application intergrated with product recommendation system KỸ SƯ NGÀNH CÔNG NGHỆ PHẦN MỀM TP HỒ CHÍ MINH, 2020 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN THỊ TÂM – 16521065 BÙI THANH TÙNG – 15520982 KHÓA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG THƯƠNG MẠI ĐIỆN TỬ HỖ TRỢ GỢI Ý SẢN PHẨM E-commerce application intergrated with product recommendation system KỸ SƯ NGÀNH CÔNG NGHỆ PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN THS TRẦN ANH DŨNG TP HỒ CHÍ MINH, 2020 DANH SÁCH HỘI ĐỒNG BẢO VỆ KHĨA LUẬN Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số ……………… ngày ……………… Hiệu trưởng Trường Đại học Công nghệ Thông tin ………………………………………… – Chủ tịch ………………………………………… – Thư ký ………………………………………… – Ủy viên ………………………………………… – Ủy viên ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày tháng năm 2020 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: Xây dựng ứng dụng Thương mại điện tử hỗ trợ gợi ý sản phẩm Nhóm sinh viên thực hiện: Cán hướng dẫn: NGUYỄN THỊ TÂM 16521065 ThS TRẦN ANH DŨNG BÙI THANH TÙNG 15520982 Đánh giá Khóa luận: Về báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản phẩm Một số nhận xét hình thức báo cáo: ● Về nội dung nghiên cứu: ● ● Về chương trình ứng dụng: ● Về thái độ làm việc sinh viên: ● Đánh giá chung: Điểm sinh viên: NGUYỄN THỊ TÂM: ……… /10 BÙI THANH TÙNG: ……… /10 Người nhận xét (Ký ghi rõ họ tên) Trần Anh Dũng ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập – Tự Do – Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày tháng năm 2020 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: Xây dựng ứng dụng Thương mại điện tử hỗ trợ gợi ý sản phẩm Nhóm sinh viên thực hiện: NGUYỄN THỊ TÂM 16521065 BÙI THANH TÙNG 15520982 Cán phản biện: Đánh giá Khóa luận: Về báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản phẩm Một số nhận xét hình thức báo cáo: Về nội dung nghiên cứu: Về chương trình ứng dụng: Về thái độ làm việc sinh viên: Đánh giá chung: Điểm sinh viên: NGUYỄN THỊ TÂM: ……… /10 BÙI THANH TÙNG: ……… /10 Người nhận xét (Ký ghi rõ họ tên) LỜI CẢM ƠN Sau trình học tập rèn luyện khoa Công nghệ phần mềm trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM chúng em trang bị kiến thức bản, kỹ thực tế để hồn thành Khóa luận tốt nghiệp Để hồn thành khóa luận này, chúng em xin gửi lời cảm ơn chân thành đến: Ban Giám hiệu trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM tạo điều kiện sở vật chất với hệ thống thư viện đại, đa dạng loại sách, tài liệu thuận lợi cho việc tìm kiếm, nghiên cứu thông tin Chúng em xin gửi lời cảm ơn chân thành đến thầy Trần Anh Dũng tận tình giúp đỡ, định hướng cách tư cách làm việc khoa học Đó góp ý q báu khơng q trình thực luận văn mà hành trang tiếp bước cho chúng em trình học tập lập nghiệp sau Và cuối cùng, chúng em xin gửi lời cảm ơn đến gia đình, tất thầy khoa, bạn bè, tập thể lớp KTPM2015 KTPM2016 người sẵn sàng sẻ chia giúp đỡ học tập sống Mong rằng, mãi gắn bó với Trong trình làm khóa luận chúng em khơng tránh khỏi sai sót, chúng em kính mong nhận dẫn góp ý q thầy để khóa luận hồn thiện Chúng em xin chân thành cảm ơn Xin chúc điều tốt đẹp đồng hành người Thành phố Hồ Chí Minh, 06 tháng 08 năm 2020 Sinh viên NGUYỄN THỊ TÂM BÙI THANH TÙNG ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày… tháng … năm ……… ĐỀ CƯƠNG CHI TIẾT Tên đề tài: Xây dựng ứng dụng Thương mại điện tử hỗ trợ gợi ý sản phẩm Cán hướng dẫn: ThS TRẦN ANH DŨNG Thời gian thực hiện: Từ ngày 02/03/2020 đến ngày 03/08/2020 Sinh viên thực hiện: NGUYỄN THỊ TÂM – 16521065 BÙI THANH TÙNG – 15520982 Nội dung đề tài:(Mô tả chi tiết mục tiêu, phạm vi, đối tượng, phương pháp thực hiện, kết mong đợi đề tài) Mục tiêu: Ứng dụng mua bán hàng hàng MyStore chạy Android thực dựa hai mục đích sau: − Thứ nghiên cứu cơng nghệ lập trình như: lập trình ứng dụng với Android Và thuật toán gợi ý sản phẩm, cụ thể Content-based Collaborative Có thể áp dụng ứng dụng MyStore việc gợi ý sản phẩm dự án khác sau − Thứ hai phát triển ứng dụng có tính thực tiễn cao, có khả triển khai ứng dụng vào thực tế, giúp người có nhu cầu mua bán hàng hóa thao tác dễ dàng tiện lợi Nhóm hi vọng dựa tảng lý thuyết thầy cô truyền thụ lại, kết hợp với tìm hiểu cơng nghệ nhóm, luận văn tốt nghiệp nhóm đạt mục đích mong đợi Phương pháp thực hiện: làm việc với nhóm 02 thành viên, phân chia công việc phù hợp với lực kinh nghiệm người, thực khoá luận theo lượng công việc thời gian lập kế hoạch chi tiết Các vấn đề liên quan đến khoá luận trao đổi trực tiếp thành viên Kết mong đợi: Sau xác định đề tài nghiên cứu, tìm hiểu thực tế, nhóm xây dựng ý tưởng thiết kế ứng dụng bán hàng cần đạt mục tiêu sau: Đối với khách hàng người quản trị: Đối với khách hàng người dùng chưa đăng nhập, xem sản phẩm, tìm kiếm sản phẩm, xem viết đăng ký tài khoản Đối với khách hàng người dùng đăng nhập thực chức đặt mua sản phẩm, xem sản phẩm, quản lý sản phẩm u thích, quản lý sản phẩm giỏ hàng, quản lý địa nhận hàng, chọn phương thức toán (thanh toán nhận hàng, chuyển khoản), chat với shop, xem tình trạng đơn hàng bình luận đánh giá sản phẩm sau mua hàng thành cơng Người dùng đăng nhập người bán hàng, đăng sản phẩm (admin người kiểm duyệt sản phẩm đăng), quản lý doanh thu từ việc bán hàng, chat với người mua hàng Ngoài ra, người dùng đăng nhập cịn xem viết, quản lý danh sách viết lưu (Thêm, xóa), đặt nhắc nhở thời gian đọc lại viết muốn, liên hệ admin cần hỗ trợ Admin người quản trị thực chức quản lý sản phẩm (duyệt sản phẩm khách hàng muốn đăng, xóa sản phẩm), quản lý đơn hàng (cập nhật tình trạng đơn hàng), quản lý danh mục sản phẩm, quản lý khuyến Flash Sale, quản lý mục quảng cáo, quản lý tài khoản người dùng quản lý viết Hệ thống lưu sản phẩm người dùng xem gợi ý mua hàng cho người dùng Hình 4-10: Bảng số user U rate cho item I Giả sử có user từ u đến u6 item từ i0 đến i4, số vng thể số mà user rate cho item với giá trị cao thể mức độ quan tâm cao Các dấu hỏi chấm giá trị mà hệ thống cần phải tìm Đặt mức độ giống user ui, uj sim(ui, uj) Quan sát qua ta nhận thấy u 0, u1 thích i0, i1, i2 khơng thích i3, i4 cho Điều ngược lại xảy user cịn lại Vì vậy, similarity function tốt cần đảm bảo: sim(u0, u1) > sim(u0, ui), i > Từ đó, để xác định mức độ quan tâm u lên i2, nên dựa hành vi u1 lên sản phẩm Vì u1 thích i2 nên hệ thống cần gợi ý i2 cho u0 Câu hỏi đặt là: hàm số similarity tốt? Để đo similarity user, cách thường làm xây dựng feature vector cho user áp dụng hàm có khả đo similarity vector Chú ý việc feature vector khác với việc xây dựng item profile Content-based System Các vector xây dựng trực tiếp dựa utility matrix khơng dùng liệu ngồi item profile Với user, thông tin mà biết rating mà user thực hiện, tức cột tương ứng user thường rate số lượng nhỏ item Cách khắc phục cách đó, ta giúp hệ thống điền giá trị cho việc điền không làm ảnh hưởng nhiều tới giống vector Việc điền phục vụ cho việc tính similarity khơng phải suy luận giá trị cuối 110 Vậy dấu ‘?’ nên thay giá trị để hạn chế việc sai lệch nhiều? Một lựa chọn nghĩ tới thay dấu ‘?’ giá trị ‘0’ Điều khơng thực tốt giá trị ‘0’ tương ứng với mức độ quan tâm thấp Một giá trị an tồn 2.5 trung bình cộng 0, mức thấp nhất, 5, mức cao Tuy nhiên, giá trị có hạn chế user dễ tính khó tính Với user dễ tính, thích tương ứng với sao, khơng thích chút, chẳng hạn Việc chọn giá trị 2.5 khiến cho item lại negative user Điều ngược lại xảy với user khó tính cho cho item họ thích cho item họ khơng thích Để giải vấn đề này, ta chọn giá trị trung bình cộng rating mà user tương ứng thực Việc tránh việc user khó tính q dễ tính, tức lúc có item mà user thích so với item khác Hình 4-11: Các bước thực Neighborhood-based CF Ví dụ mơ tả User-user CF: a) utility matrix (UM) ban đầu b) UM chuẩn hoá c) User similarity matrix d) Dự đốn (normalized) rating cịn thiếu e) Vd 111 cách dự đoán normalized rating u1 cho i1 f) Dự đốn (denormalized) rating cịn thiếu Chuẩn hố liệu: Hàng cuối hình a) giá trị trung bình rating cho user Giá trị cao tương ứng với user dễ tính ngược lại Khi tiếp tục trừ từ rating giá trị thay giá trị chưa biết 0, ta ma trận chuẩn hố hình b) Vì bước chuẩn hoá lại quan trọng? − Việc trừ trung bình cộng cột khiến 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 − Về mặt kỹ thuật, số chiều utility matrix lớn với hàng triệu user item, lưu toàn giá trị ma trận khả cao không đủ nhớ Ta thấy số lượng rating biết trước thường số nhỏ so với kích thước utility matrix, tốt lưu ma trận dạng sparse matrix, tức lưu giá trị khác vị trí chúng Vì vậy, tốt hết, dấu ‘?’ nên thay giá trị ‘0’, tức chưa xác định liệu user có thích item hay không Việc tới ưu nhớ mà việc tính tốn similarity matrix sau hiệu Sau chuẩn hoá liệu trên, vài similarity function thường sử dụng là: − Cosine Similarity: Đây hàm sử dụng nhiều nhất, quen thuộc giống với cơng thức tính cos góc vector u1, u2 cosine_similarity(u1, u2) = cos(u1, u2) = Trong đó, u1,2 vector tương ứng với user 1, chuẩn hoá Độ similarity vector số đoạn [-1, 1] Giá trị thể vector hoàn toàn giống Hàm số cos góc nghĩa góc vector 112 0, tức vector tích số dương với vector cịn lại Giá trị cos = -1 thể vector hoàn toàn trái ngược Điều hợp lý, tức hành vi user hoàn toàn ngược similarity vector thấp Ví dụ cosine_similarity user hình b) cho hình c) Similarity matrix S ma trận đối xứng cos hàm chẵn, user A giống user B điều ngược lại Các ô màu xanh đường chéo cos góc vector nó, tức cos(0) = Khi tính tốn bước sau, ta khơng cần quan tâm tới giá trị Tiếp tục quan sát vector hàng tương ứng với u0, u1, u2 ta thấy vài điều thú vị: − u0 gần với u1 u5 (độ giống dương) user lại Việc similarity cao u0 u1 dễ hiểu có xu hướng quan tâm tới i 0, i1, i2 item lại Việc u0 gần với u5 đầu vơ lý u5 đánh giá thấp item mà u0 đánh giá cao; nhiên nhìn vào ma trận chuẩn hố hình b), ta thấy điều hợp lý Vì item mà cung cấp thông tin i1 với giá trị tương ứng tích cực − u1 gần với u0 xa user lại − u2 gần với u3, u4, u5, u6 xa user lại Từ similarity matrix này, ta phân nhóm user làm nhóm (u 0, u1) (u2, u3, u4, u5, u6) Vì ma trận S nhỏ nên dễ dàng quan sát thấy điều này; số user lớn hơn, việc xác định mắt thường bất khả thi Việc xây dựng thuật tốn phân nhóm user (user clustering) việc tối quan trọng Pearson correlation: Pearson correlation hay gọi hệ số tương quan pearson, dùng để đo lường mức độ tương quan người dùng Nguyên tắc thuật toán đo lường phụ thuộc tuyến tính biến (hoặc người dùng) Do phân tích tương quan Pearson cịn gọi phân tích hồi quy đơn giản Hệ số tương quan Pearson (r) nhận giá trị từ -1 đến +1 Khi r = gần 0, điều có nghĩa biến khơng có liên quan đến Khi r > nghĩa biến 113 tuyến tính dương, nghĩa giá trị biến tăng giá trị biến tăng Ngược lại r < nghĩa biến tuyến tính âm, nghĩa giá trị biến tăng biến giảm ngược lại Cho biến số x, y từ n mẫu, hệ số tương quan Pearson ước tính cơng thức sau: Hình 4-12: Cơng thức tính hệ sống tương quan Pearson x y Rating prediction: Việc xác định mức độ quan tâm user lên item dựa user gần (neighbor user) tương tự phương pháp K-nearest neighbors (KNN) Tương tự KNN, CF, missing rating xác định dựa thông tin k neighbor user Tất nhiên quan tâm tới user rate item xét Predicted rating thường xác định trung bình cộng trọng số rating chuẩn hố Có điểm cần lưu ý, KNN, trọng số xác định dựa khoảng cách điểm, khoảng cách số khơng âm Trong đó, CF, trọng số xác định dựa similarity user, trọng số nhỏ hình c) Cơng thức phổ biến sử dụng để dự đoán rating u cho i là: (ta sử dụng trị tuyệt đối để xử lý số âm) Trong tập hợp k user neighborhood (tức có similarity cao nhất) u rate i 114 Hình d) thể việc điền giá trị cịn thiếu ma trận chuẩn hố Các ô màu đỏ thể giá trị dương, tức item mà user quan tâm Ở đây, ta lấy ngưỡng 0, ta hồn tồn chọn ngưỡng khác Một ví dụ việc tính normalize rating u cho i1 cho hình e) với số nearest neighbors k = Các bước thực sau: − Xác định user rate i1, u0, u3, u5 − Xác định similarity u1 user này, ta nhận 0.83, -0.40, -0.23 Hai (k=2) giá trị lớn 0.83 -0.23 tương ứng với u0 u5 − Xác định normalized rating u u5 cho i1, ta thu giá trị 0.75 0.5 − Dự đoán kết quả: Việc hệ thống định gợi ý item cho user xác định nhiều cách khác Có thể xếp unrate item theo thứ tự từ lớn đến bé predicted rating, chọn item có normalized predicted rating dương – tương ứng với việc user có nhiều khả thích 4.1.2.3 Matrix Factorization Collaborative Filtering Matrix Factorization hướng tiếp cận khác Collaborative Filtering, gọi Matrix Decomposition, nghĩa gợi ý "kỹ thuật phân rã ma trận" Kỹ thuật phân rã ma trận phương pháp chia ma trận lớn X thành hai ma trận có kích thước nhỏ W H, cho ta xây dựng lại X từ hai ma trận nhỏ xác tốt, nghĩa X ~ WH^TWHT 115 Hình 4-13: Ý tưởng Matrix Factorization CF Các bước thực hiện: − Đọc liệu, Xây dựng utility matrix − Phân rã utility matrix thành hai ma trận low-rank − Đưa gợi ý cho user cách sử dụng ma trận vừa phân rã 4.2 Đánh giá 4.2.1 So sánh kết Trên liệu MoviesLens100K, với liệu train từ file ua.base liệu test từ ua.test Content-based RMSE Neighborhood- Matrix based factorization 0.908843 0.894275 1.029203 1.270618 0.98679 1.060379 training RMSE test Bảng 4-1: Neighborhood-based cho kết tốt (RMSE nhỏ nhất) Matrix factorization cho kết tốt nhiều so với content-based tệ so với neighborhood-based chút Nhưng việc sử dụng matrix factorization giảm thiểu nhớ lưu trữ xuống (lưu trữ ma trận kích thước k x (M+N) với k số nhân tố ẩn (latent factor) thay lưu trữ ma trận similarity với kích thước M2 N2 sử dụng neighborhood-based) 116 4.2.2 Content-based Recommender System Ưu điểm: − Không cần liệu user khác − Có thể gợi ý item mới, item không phổ biến dựa feature vector Nhược điểm: − Khó để tìm feature cho item − Khơng gợi ý item ngồi user profile − Không khai thác liệu rating user khác 4.2.3 Neighborhood-based Collaborative Filtering Matrix Factorization Collaborative Filtering − Ưu điểm: + Đưa gợi ý xác sử dụng liệu rating từ nhiều user khác + Có thể hoạt động với nhiều loại item khác − Nhược điểm: + Khởi đầu lạnh (Cold Start): cần số lượng đủ user hệ thống để tìm gợi ý phù hợp + Ma trận thưa (Sparsity): Utility matrix (ma trận rating) thường thưa thớt dẫn đến khó khăn việc tìm users rate item + Không gợi ý item chưa có rating (item mới) + Có xu hướng gợi ý item phổ biến 4.3 Áp dụng Matrix Factorization Collaborative Filtering Khi khởi chạy, hệ thống load liệu rating user từ database lưu trước Kết sau load liệu: 117 Hình 4-14: Một phần Utility matrix Các giá trị ma trận liệu đánh giá user item Sau load xong, hệ thống chuẩn hóa ma trận utility Hình 4-15: Một phần kết sau chuẩn hóa ma trận utility Từ ma trận utility chuẩn hóa, ta tính ma trận similarity item Hình 4-16: Một phần ma trận similarity Mỗi giá trị độ tương tự item với dựa tính Cosine similarity, giá trị cao độ tương tự item lớn Khi người dùng login vào ứng dụng, hệ thống kiểm tra xem user có rating cho sản phẩm hay chưa: − Trường hợp user chưa rating sản phẩm nào: hệ thống lấy sản phẩm bán chạy để đưa vào danh sách gợi ý cho user 118 − Trường hợp user có rating, hệ thống thực bước sau: + Dự đoán rating user tất sản phẩm mà user chưa đánh giá + Lấy top n sản phẩm có dự đoán đánh giá cao + Trả để hiển thị giao diện cho user Ví dụ liệu gợi ý: 119 Hình 4-17: Kết gợi ý raw Sau nhận liệu gợi ý, ứng dụng hiển thị sản phẩm mục “Gợi ý hơm nay” Hình 4-18: Hiển thị kết gợi ý ứng dụng Xử lý bổ sung: Khi người dùng xem sản phẩm ứng dụng, hệ thống lưu lại số lần xem, thời gian xem sản phẩm người dùng Đối với người dùng chưa đăng nhập, liệu lưu dựa ip người dùng Dữ liệu lưu trữ: 120 Hình 4-19: Lịch sử xem sản phẩm người dùng Khi lấy danh sách sản phẩm gợi ý cho người dùng, hệ thống từ liệu tìm số sản phẩm tương đồng với sản phẩm mà người dùng xem nhiều lần, xem lâu để bổ sung vào danh sách 121 Chương KẾT LUẬN, HƯỚNG PHÁT TRIỂN 5.1 Ưu điểm Hồn thành u cầu đặt ban đầu, có đầy đủ tính cần thiết ứng dụng thương mại điện tử Giao diện đơn giản, bố cục hợp lý, người dùng dễ dàng theo tác ứng dụng Tốc độ phản hồi thao tác nhanh, tối ưu hóa suất người dùng Sinh viên thực nắm cách thức làm ứng dụng bán hàng, hiểu biết ngôn ngữ Java, PHP Ứng dụng triển khai nghiệm thu thành công máy thật Hồn thành việc áp dụng thuật tốn gợi ý Collaborative filtering vào ứng dụng Phục vụ việc gợi ý sản phẩm cho người dùng Gợi ý sản phẩm phù hợp dựa lịch sử đánh giá hộ để tăng tỉ lệ mua hàng, từ tăng doanh thu cho người bán 5.2 Nhược điểm Còn hạn chế số tính năng: − Chưa tích hợp toán trực tuyến − Tối ưu code chưa tốt nên tốc độ tương tác ứng dụng chậm − Chưa phát triển tính xác thực qua email, số điện thoại − Hệ thống gợi ý chưa hiệu với trường hợp chưa có liệu, thời gian cập nhật lại liệu gợi ý chậm thời gian thực 5.3 Hướng phát triển Xây dựng chức cịn thiếu, hồn thiện chức có Tích hợp tốn trực tuyến qua Bảo Kim, Ngân Lượng, Paypal Tối ưu hóa code để tăng tốc độ tương tác Tối ưu hóa CSDL hợp lý Tối ưu hóa việc gợi ý Thêm số gợi ý cho người dùng dựa trên: Quốc gia, thời tiết,… 122 TÀI LIỆU THAM KHẢO [1] Y Zhang and Y Luo, “An architecture and implement model for ModelView-Presenter pattern,” in 2010 3rd international conference on computer science and information technology, 2010, vol 8, pp 532–536 [2] “Historical yearly trends in the usage statistics of server-side programming languages for websites.” https://w3techs.com/technologies/history_overview/programming_language/ ms/y [3] D Friends, “History of MySQL.” http://databasefriends.blogspot.com/2014/02/history-of-mysql.html (accessed Aug 01, 2020) [4] B C Zapata, Android studio application development Packt Publ., 2013 [5] A Studio, “Android Studio,” Off IDE Android, 2017 [6] J Gosling, D C Holmes, and K Arnold, “The Java programming language.” Addison-Wesley, 2005 [7] “Ngôn ngữ lập trình ứng dụng Java làm gì?,” 2018 https://devpro.edu.vn/ngon-ngu-lap-trinh-ung-dung-java-co-the-lam-duocnhung-gi [8] “Machine Learning bản.” https://machinelearningcoban.com/ [9] M J Pazzani and D Billsus, “Content-based recommendation systems,” in The adaptive web, Springer, 2007, pp 325–341 [10] G Linden, B Smith, and J York, “Amazon com recommendations: Item-toitem collaborative filtering,” IEEE Internet Comput., vol 7, no 1, pp 76–80, 2003 [11] “Dropwizard.” https://www.dropwizard.io/en/latest/ [12] “Apache Spark.” http://spark.apache.org/ 123 124 ... Recommendation System Hệ thống gợi ý sản phẩm dựa theo thông tin người dùng TĨM TẮT KHĨA LUẬN Khóa luận “XÂY DỰNG ỨNG DỤNG THƯƠNG MẠI ĐIỆN TỬ HỖ TRỢ GỢI Ý SẢN PHẨM” gồm 05 chương: Chương 1: Giới... TIN TP HCM, ngày tháng năm 2020 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: Xây dựng ứng dụng Thương mại điện tử hỗ trợ gợi ý sản phẩm Nhóm sinh viên thực hiện: NGUYỄN THỊ... TIN TP HCM, ngày tháng năm 2020 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: Xây dựng ứng dụng Thương mại điện tử hỗ trợ gợi ý sản phẩm Nhóm sinh viên thực hiện: Cán hướng