Xây dựng hệ thống thông minh gợi ý hàng hóa dựa trên hành vi người dùng trên cộng đồng trực tuyến

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Xây dựng hệ thống thông minh gợi ý hàng hóa dựa hành vi người dùng cộng đồng trực tuyến NGUYỄN ĐỨC THÀNH Thanh.NDCB190154@sis.hust.edu.vn Ngành Công nghệ thông tin Giảng viên hướng dẫn: PGS TS Phạm Văn Hải Chữ ký GVHD Viện: Công nghệ thông tin truyền thơng HÀ NỘI, 09/2021 CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Nguyễn Đức Thành Đề tài luận văn: Xây dựng hệ thống thông minh gợi ý hàng hóa dựa hành vi người dùng cộng đồng trực tuyến Chuyên ngành: Công nghệ Thông tin Mã số SV: CB190154 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 30/07/2021 với nội dung sau: Bổ sung chỉnh sửa nội dung Chương luận văn - Chỉnh sửa mục 1.2 Mục đích nghiên cứu chỉnh sửa từ tìm hiểu cài đặt hệ gợi ý xã thành động DGRec thành tìm hiểu hệ gợi ý xã hội động DGRec - Bổ sung mục 1.2 thêm mục đích chạy thử nghiệm mơ hình với liệu Douban sách cài đặt API tích hợp mơ hình - Chỉnh sửa mục 1.2 chỉnh sửa từ ứng dụng kết mơ hình DGRec vào chức gợi ý hàng hóa cho trang web bán hàng thành minh họa kết gợi ý mơ hình DGRec cách giả lập tích hợp vào chức gợi ý trang web bán hàng sách - Bổ sung mục 1.4 Ý nghĩa khoa học thực tiễn mục nhằm làm rõ đóng góp luận văn Bổ sung mô tả chương - Mô tả chi tiết thành phần mơ hình DGRec trích dẫn từ báo Bổ sung phần đặc tả usecase Chương luận văn - Bổ sung mô tả đối tượng sử dụng hệ thống đầu Mục 4.1.1, dòng 4, 5, trang 45 luận văn - Bổ sung mô tả Mục 4.1.2, vẽ lại biểu đồ usecase tổng quát, đặc tả usecase hệ thống Bổ sung chỉnh sửa Chương luận văn - Bỏ Mục 5.2.3 cũ mơ hình so sánh - Thêm Mục 5.2.5 mô tả cài đặt API, mô tả việc xây dựng API framework Flask để cấp API phục vụ cho việc tích hợp - Chỉnh sửa Mục 5.4 Kết thực nghiệm kết thực nghiệm mơ hình bỏ phần so sánh với mơ hình khác, thêm kết cài đặt Flask API - Chỉnh sửa bổ sung mô tả trang quản trị trang bán hàng - Bổ sung kết trang xem chi tiết Chỉnh sửa Kết luận luận văn - Bổ sung việc minh họa kết mô hình cách giả lập tích hợp vào trang web bán hàng sách để xây dựng chức gợi ý sách sở chạy thực nghiệm với liệu Douban sách xây dựng API Giản lược nội dung tài liệu tham khảo - Giản lược số lượng tài liệu tham khảo từ 42 tài liệu xuống 15 tài liệu Bỏ tài liệu mà tài liệu luận văn tham chiếu đến Định dạng, chỉnh lại luận văn sau cập nhật nội dung chỉnh sửa Ngày 28 tháng 09 năm 2021 Giáo viên hướng dẫn Tác giả luận văn PGS.TS Phạm Văn Hải Nguyễn Đức Thành CHỦ TỊCH HỘI ĐỒNG TS Nguyễn Nhật Quang LỜI CAM ĐOAN Tôi xin cam đoan đề tài “Xây dựng hệ thống thơng minh gợi ý hàng hóa dựa vào hành vi người dùng cộng đồng trực tuyến” kiến thức tơi tổng hợp thơng qua q trình tìm hiểu, nghiên cứu kiến thức tổng hợp từ thầy hướng dẫn, từ cá nhân khác, từ sách tham khảo từ mạng internet Kết nghiên cứu luận văn đề xuất chưa cơng bố cơng trình khác Trong q trình làm luận văn, tơi có tham khảo tài liệu có liên quan ghi rõ nguồn tài liệu tham khảo Tôi xin cam đoan cơng trình nghiên cứu tơi không chép Nếu sai, xin chịu hình thức kỷ luật theo quy định Hà Nội, ngày 28 tháng 09 năm 2021 Học viên Nguyễn Đức Thành LỜI CẢM ƠN Đầu tiên xin gửi lời cảm ơn sâu sắc đến thầy giáo PGS.TS Phạm Văn Hải, Viện Công nghệ thông tin truyền thông, trường Đại học Bách Khoa Hà Nội hướng dẫn, bảo tận tình cho tơi lời khun bổ ích suốt q trình thực luận văn Tiếp theo xin chân thành cảm ơn thầy, cô viện Công nghệ thông tin Truyền thông - Trường Đại học Bách Khoa Hà Nội dạy dỗ, trang bị cho kiến thức chuyên môn kỹ giúp hiểu rõ kiến thức lĩnh vực liên quan đến đề tài để tự hồn thành đề tài giao Xin cảm ơn bạn bè gia đình, chun gia đóng góp ý kiến, trao đổi, động viên suốt trình học làm luận văn, giúp tơi hồn thành đề tài thời hạn Mặc dù có nhiều cố gắng để thực đề tài cách hoàn chỉnh nhất, song với nhiều yếu tố ảnh hưởng vừa làm, vừa nghiên cứu khoa học hạn chế kiến thức kinh nghiệm nên tránh khỏi thiếu sót định mà thân chưa thấy Tơi mong đóng góp quý thầy cô bạn đồng nghiệp để luận văn hoàn chỉnh Học viên Nguyễn Đức Thành MỤC LỤC MỤC LỤC DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT DANH MỤC HÌNH ẢNH DANH MỤC BẢNG BIỂU 11 CHƯƠNG – GIỚI THIỆU 12 1.1 Đặt vấn đề 12 1.2 Mục đích nghiên cứu 13 1.3 Đối tượng phạm vi nghiên cứu 13 1.4 Ý nghĩa khoa học thực tiễn 14 1.5 Tóm tắt nội dung 14 CHƯƠNG - CƠ SỞ LÝ THUYẾT 16 2.1 Mạng nơ-ron 16 2.1.1 Giới thiệu mạng nơ-ron 16 2.1.2 Cấu trúc mạng nơ-ron 16 2.1.3 Các mơ hình mạng nơ-ron thường gặp 19 2.1.4 Mơ hình mạng nơ-ron hồi quy 20 2.2 Mạng nơ-ron tích chập đồ thị 26 2.2.1 Mạng nơ-ron tích chập 26 2.2.2 Mạng nơ-ron tích chập đồ thị 29 2.3 Hệ thống gợi ý 30 2.3.1 Hệ thống gợi ý 30 2.3.2 Hệ thống gợi ý động 31 2.3.3 Hệ thống gợi ý xã hội 32 2.3.4 Hệ thống gợi ý xã hội động 32 CHƯƠNG – MƠ HÌNH GỢI Ý XÃ HỘI ĐỘNG TRÊN TRANG BÁN HÀNG 36 3.1 Bài toán 36 3.2 Mơ hình kiến trúc tổng thể 36 3.3 Mô hình hệ gợi ý xã hội động DGRec 37 CHƯƠNG – PHÂN TÍCH THIẾT KẾ HỆ THỐNG 45 4.1 Phân tích thiết kế hệ thống 45 4.1.1 Người dùng hệ thống 45 4.1.2 Biểu đồ usecase tổng quát 45 4.1.3 Biểu đồ phân rã chức 49 4.2 Thiết kế sở liệu 49 4.2.1 Mô tả liệu 49 4.2.2 Sơ đồ thực thể liên kết 52 4.3 Sơ đồ kiến trúc ứng dụng 52 CHƯƠNG - CÀI ĐẶT VÀ KẾT QUẢ THỬ NGHIỆM 54 5.1 Thông số máy chủ 54 5.2 Cài đặt mơ hình hệ thống gợi ý 54 5.2.1 Bộ liệu 54 5.2.2 Xử lý liệu 55 5.2.3 Đánh giá số liệu 55 5.2.4 Thực cài đặt tham số 56 5.2.5 Cài đặt API 56 5.3 Cài đặt trang web bán hàng sách 56 5.4 Kết thực nghiệm 57 5.4.1 Kết thực nghiệm mơ hình 57 5.4.2 Trang web bán hàng sách 58 KẾT LUẬN 62 TÀI LIỆU THAM KHẢO 64 DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT Ký hiệu viết tắt Đầy đủ Ý nghĩa ANN Artificial Neural Network Mạng nơ-ron nhân tạo RNN Recurrent Neural Network Mạng nơ-ron hồi quy LSTM Long short-term memory Mạng nơ-ron nhớ dài ngắn DGRec Dynamic graph recommendation Hệ gợi ý đồ thị động CNN Convolutional Neural network Mạng nơ-ron tích chập DANH MỤC HÌNH ẢNH Hình 1: Đơn vị xử lý mạng nơ-ron [4] 16 Hình 2: Mạng nơ-ron truyền thẳng [4] 19 Hình 3: Mạng nơ-ron hồi quy [4] 20 Hình 4: Mơ hình mạng RNN [1] 21 Hình 5: Modul xử lý tính ℎ𝑡 RNN [1] 22 Hình 6: Modul lặp mạng LSTM [1] 22 Hình 7: Cell state LSTM [1] 23 Hình 8: Cổng trạng thái LSTM [1] 24 Hình 9: Forget gate 𝑓𝑡 [1] 24 Hình 10: Input gate 𝑖𝑡 𝐶𝑡 [1] 25 Hình 11: Giá trị state 𝐶𝑡 [1] 25 Hình 12: Output gate vector trạng thái ẩn ℎ𝑡 [1] 26 Hình 13: Kiến trúc CNN [4] 27 Hình 14: Mơ hình mạng GCN [6] 29 Hình 15: Mơ hình DGRec [2] 34 Hình 16: Mơ hình gợi ý xã hội động trang bán hàng 37 Hình 17: Sơ đồ mơ hình DGRec 38 Hình 18: Sơ đồ sở thích bạn bè [2] 40 Hình 19: Mơ hình đồ họa lớp chập đơn sử dụng chế ý, kết đầu điều chỉnh dựa quan tâm hiểu ảnh hưởng xã hội phụ thuộc vào ngữ cảnh [2] 41 Hình 20: Sơ đồ Usecase tổng quát 46 Hình 21: Sơ đồ phân rã chức 49 Hình 22: Biểu đồ quan hệ sở liệu trang bán hàng 52 Hình 23: Sơ đồ Kiến trúc ứng dụng 53 Hình 24: API recommend 57 Hình 25: Giao diện quản trị hệ thống 58 Hình 26: Giao diện quản trị danh mục sản phẩm 58 Hình 27: Giao diện quản lý sản phẩm 59 Hình 28: Giao diện quản lý khách hàng 59 Hình 29: Trang chủ bán hàng 60 Hình 30: Danh sách mặt hàng gợi ý 60 Hình 31: Xem sách theo danh mục 61 Hình 32: Trang chi tiết sách 61 10 709669 1492185600 709669 1492185600 … Ở ba bảng mô tả hoạt động rating người dùng ba lĩnh vực movie, music, book UserId mã người dùng, ItemId tương ứng với bảng mã mặt hàng tương ứng với bảng Movie, music, book Rating số rating mà người dùng đánh giá mặt hàng có giá trị từ -1, 1, 2, 3, 4, -1 giá trị người dùng có tương tác với mặt hàng khơng đánh giá Bảng 10: Bảng liệu Socialnet Follower Followee Weight 48899 127372 48899 149248 48899 674863 48899 157085 … Bảng mô tả quan hệ folow người dùng với 51 4.2.2 Sơ đồ thực thể liên kết Banners Id Users * Name Customers Link Id Id ImageFile UserName Name SortOrder Password Address Published FullName Phone Email Fax LastVisited Email Logins DoubanID UserRole * Position Id UserId Counters RoleId Id Avatar AccessDate IdCategory Counter LanguageId AclRoles * Code Id Name ConfigKey Comment ConfigValue CreatedById CreatedById CreatedDate CreatedDate UpdatedById UpdatedById UpdatedDate ProductContents * Name Description CreatedById Provinces Code Id Name Id IdCategory SortOrder ProductId LanguageId Fullname Name Email UrlName Phone Price Title Investor Comment Address ProductComment * UpdatedDate Acreage NewsCategory * Id Id Id Configs Regions Districts Id ProvinceId Code Name CreatedById CreatedDate NewsContents * Id Id ParentId IdCategory LanguageId IdEvent Id Name LanguageId ParentId UrlName Name LanguageId LinkWebsite UrlName Name Description Introduction UrlName ImageFile ContentBody LinkWebsite ProductCategory * Description ImageFile SortOrder Hình 22: Biểu đồ quan hệ sở liệu trang bán hàng 4.3 Sơ đồ kiến trúc ứng dụng Ở ứng dụng trang bán hàng dựa hệ gợi ý phát triển kiến trúc mơ hình lớp Kiến trúc gồm thành phần: • Model gồm class xử lý nghiệp vụ lấy danh sách mặt hàng gợi ý, lấy thông tin mặt hàng… • Controller gồm class điều khiển • View gồm lớp hiển thị, giao diện người dùng Ở sử dụng Framework Flask để xây dựng API cung cấp dịch vụ bên ngồi Do tương tác với nhiều ứng dụng bên xây dựng tảng lập trình khác 52 DGRec Model Hình 23: Sơ đồ Kiến trúc ứng dụng 53 CHƯƠNG - CÀI ĐẶT VÀ KẾT QUẢ THỬ NGHIỆM 5.1 Thông số máy chủ Kết thực nghiệm chạy máy chủ có thơng số sau: • Máy Dell Vostro 2420 • CPU Core i5-3210M 2.5 GHz (4CPUs) • Ram 8GB DDR3 • GPU NVIDIA GeForce GT 620M • Windows 10 Pro 64 bit 5.2 Cài đặt mơ hình hệ thống gợi ý 5.2.1 Bộ liệu Luận văn sử dụng liệu Douban thu thập xếp hạng người dùng ba lĩnh vực (movie, book music) từ Douban (www.douban.com), trang web đánh giá phổ biến Trung Quốc để đánh giá mơ hình đề xuất Thống kê liệu sau: Bảng 11: Bộ liệu Douban (movie, book, music) Dataset #user #item #event DoubanMovie 94,890 81,906 11,742,260 DoubanMusic 39,742 164,223 1,792,501 DoubanBook 46,548 212,995 1,908,081 Bảng 12: Bộ liệu kết nối xã hội người dùng SocialNet #node #edge 695,800 1,758,302 54 5.2.2 Xử lý liệu Người dùng có xu hướng hoạt động tích cực Douban, luận văn phân đoạn hành vi người dùng (xem sách) thành phiên kéo dài tuần Luận văn dành phiên d ngày qua để kiểm tra lọc mục không xuất tập huấn luyện Do độ thưa thớt khác tập liệu, luận văn chọn d = 180 Luận văn chia ngẫu nhiên đồng phiên tổ chức thành nhóm kiểm tra xác nhận 5.2.3 Đánh giá số liệu Luận văn đánh giá mơ hình hai số liệu dựa xếp hạng sử dụng rộng rãi: Recall@ K Normalized Discounted Cumulative Gain (NDCG) Recall@K đo tỷ lệ mục đề xuất hàng đầu K tập hợp đánh giá Luận văn sử dụng K = 20 Recall@K metric liệu bao gồm tỷ lệ xuất thật itemId top k sản phẩm suggest có xác suất lớn Tỷ lệ cho biết khả khách hàng click vào sản phẩm suggest từ mơ hình với xác suất Do giá trị lớn mơ hình có độ chuẩn xác cao Nếu recall@20 = 10% có nghĩa áp dụng mơ hình để suggest 20 sản phẩm cho khách hàng khả họ có click vào sản phẩm 10% NDCG số liệu xếp hạng tiêu chuẩn NDCG độ đo mức hiệu thuật toán hệ thống máy tìm kiếm hay ứng dụng tương tự, thường sử dụng tìm kiếm thơng tin Sử dụng độ đo tính phù hợp tài liệu tập kết trả máy tìm kiếm, DCG đo hiệu tài liệu dựa vị trí danh sách Con số tính tính lũy từ đầu tới cuối danh sách kết giảm dần vị trí thấp Trong ngữ cảnh gợi ý dựa phiên, xây dựng sau: NDCG = 𝑙𝑜𝑔2 (1+ 𝑟𝑎𝑛𝑘𝑝𝑜𝑠 ) , 𝑟𝑎𝑛𝑘𝑝𝑜𝑠 biểu thị thứ hạng mặt hàng 55 tích cực Luận văn báo cáo giá trị trung bình NDCG tất ví dụ thử nghiệm 5.2.4 Thực cài đặt tham số Luận văn triển khai mô hình cách sử dụng TensorFlow Để giảm chi phí tính tốn cách hợp lý cho việc đào tạo DGRec, đại diện cho sở thích ngắn hạn bạn bè cách sử dụng phiên gần họ Mơ hình luận văn sử dụng kích thước lơ 200 Để tối ưu hóa tính hiệu với 𝛽1 = 0.9, 𝛽2 = 0.999 𝜖 = 1𝑒 −8 đề xuất TensorFlow Tốc độ học ban đầu đặt theo kinh nghiệm 0.002 giảm dần với tốc độ 0.98 sau 400 bước Đối với tất mơ hình, kích thước người dùng (khi cần) đại diện mặt hàng cố định thành 100 Số lượng đơn vị ẩn LSTM hiệu suất ổn định khoảng 100 đơn vị ẩn Các kích thước mẫu lân cận đặt theo kinh nghiệm 10 15 lớp chập thứ hai, tương ứng 5.2.5 Cài đặt API Mơ hình DGRec xây dựng ngơn ngữ Python sử dụng thư viện Tensorflow, cài đặt webserver cần cung cấp dịch vụ bên Ở luận văn sử dụng Framework Flask để xây dựng API cung cấp dịch vụ bên Do tương tác với nhiều ứng dụng bên ngồi xây dựng tảng lập trình khác 5.3 Cài đặt trang web bán hàng sách Trang web bán hàng sách phát triển tảng NET Framework MVC5 tảng xây dựng website phổ biến phát triển Microsoft Cấu trúc Source code tổ chức theo mơ hình MVC gồm có ba thành phần: • Model gồm class xử lý nghiệp vụ • Controller gồm class điều khiển 56 • View gồm lớp hiển thị, giao diện người dùng 5.4 Kết thực nghiệm 5.4.1 Kết thực nghiệm mơ hình Thực nghiệm với liệu DoubanBook với hai phương pháp đánh giá Recall@20 NDCG cho thấy kết mơ hình DGRec đạt 0.17652 0.19487 Ngoài tác giả luận văn chạy thực nghiệm với liệu DoubanMovie với phương pháp đánh giá Recalll@20 NDCG cho kết 0.18571 0.19398 So sánh kết với kết từ báo gốc nhóm tác giả Weiping Song cộng thực nghiệm với liệu DoubanMovie cho kết 0.1861 0.1950 Như kết thực nghiệm tác giả luận văn Kết nguyên nhân cấu hình phần cứng môi trường thực nghiệm chạy Google colab thấp so với nhóm tác giả Weiping Song API trả danh sách mặt hàng từ mơ hình Từ mơ hình huấn luyện Google colab, luận văn xây dựng modul Flask API để trả API lấy danh sách gợi ý hàng hóa Đầu vào API mã DoubanID khách hàng SessionID phiên khách hàng API trả danh sách mặt hàng (itemID) tương ứng Hình 24: API recommend 57 5.4.2 Trang web bán hàng sách Trang web bán hàng sách gồm trang quản trị dành cho người bán hàng trang web dành cho khách hàng cửa hàng a Trang quản trị dành cho người bán hàng Người bán hàng đăng nhập tài khoản vào trang quản trị Hệ thống hiển thị chức quản trị danh mục sản phẩm, quản lý sản phẩm, quản lý khách hàng Các chức thể qua hình bên Hình 25: Giao diện quản trị hệ thống Hình 26: Giao diện quản trị danh mục sản phẩm 58 Hình 27: Giao diện quản lý sản phẩm Hình 28: Giao diện quản lý khách hàng b Trang web dành cho khách hàng Khách hàng dùng tài khoản để vào website bán hàng sách Website hiển thị banner menu chuyên mục sách Trên trang chủ hiển thị sách gợi ý mà người dùng quan tâm, hiển thị sách hot chuyên mục Khi vào chuyên mục hiển thị sách thuộc chuyên mục Khi người dùng vào xem chi tiết sách hiển thị thông tin chi tiết đồng thời hiển thị sách liên quan bên để người dùng xem thêm Các trang thể qua hình bên 59 Hình 29: Trang chủ bán hàng Hình 30: Danh sách mặt hàng gợi ý 60 Hình 31: Xem sách theo danh mục Hình 32: Trang chi tiết sách 61 KẾT LUẬN Luận văn tìm hiểu mơ hình gợi ý mơ hình gợi ý xã hội động DGRec Mơ hình nghiên cứu sở thích động người dùng qua phiên cộng đồng trực tuyến ảnh hưởng xã hội tùy thuộc ngữ cảnh để đưa đề xuất mặt hàng Mơ hình có cách tiếp cận dựa vào mạng ý đồ thị để lập mơ hình sở thích người dùng động ảnh hưởng xã hội, cách tiếp cận mở rộng hiệu tập liệu lớn Mô hình chứng minh có kết tốt mơ hình tiên tiến gần RNN-Session chạy thực nghiệm với liệu Douban movie với hai phương pháp đánh giá Recall@K với K = 20 NDCG Sau tìm hiểu mơ hình DGRec tác giả luận văn minh họa kết mơ hình cách giả lập tích hợp vào trang web bán hàng sách để xây dựng chức gợi ý sách Tác giả chạy mơ hình với liệu Douban book, sau cài đặt API để cung cấp service cho ứng dụng bên sử dụng Tiếp luận văn xây dựng trang web bán hàng sách có chức gợi ý thơng minh website bán hàng sử dụng kết API cung cấp để gợi ý mặt hàng mà khách hàng website quan tâm có sở thích từ phục vụ việc bán hàng tốt Chức thực quan trọng nghiệp vụ bán hàng, giúp cá nhân hóa sở thích mua sắm khách hàng, giúp cho doanh nghiệp nắm bắt quan tâm khách hàng cách xác để từ đưa sách bán hàng phù hợp Tuy luận văn xây dựng hệ thống thống minh gợi ý hàng hóa dựa vào hành vi người dùng cộng đông trực tuyến hành vi đơn giản rating mặt hàng Trong tương lai cần phải mơ hình hóa hành vi phức tạp thời gian xem mặt hàng, bình luận mặt hàng, chia sẻ mặt hàng… Và khách hàng có hành vi mua thêm vào giỏ hàng trang bán hàng chưa có tác động lại mơ hình Một hướng phát triển kết hợp nhiều cộng đồng trực tuyến mơ hình với trọng số tương ứng với hoạt động nhiều hay 62 người cộng đồng tương ứng Như đánh giá gần sở thích khách hàng để từ đưa gợi ý mặt hàng phù hợp 63 TÀI LIỆU THAM KHẢO [1] Christopher Olah (2015), Understanding LSTM networks in Colah’s blog [2] Weiping Song, Zhiping Xiao, Yifan Wang, Laurent Charlin, Ming Zhang, and Jian Tang 2019 Session-based Social Recommendation via Dynamic Graph Attention Networks arXiv preprint arXiv:1902.09362v2 (2019) [3] https://www.douban.com/ [4] K Gurney, An Introduction to Neural Networks University of Sheffield, 1997 [5] Michaël Defferrard, Xavier Bresson, and Pierre Vandergheynst 2016 Convolutional neural networks on graphs with fast localized spectral filtering In Advances in Neural Information Processing Systems 3844– 3852 [6] Thomas N Kipf and Max Welling 2017 Semi-supervised classification with graph convolutional networks In International Conference on Learning Representations [7] Petar Velickovic, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Lio, and Yoshua Bengio 2018 Graph Attention Networks In International Conference on Learning Representations [8] Liang Xiong, Xi Chen, Tzu-Kuo Huang, Jeff Schneider, and Jaime G Carbonell 2010 Temporal collaborative filtering with bayesian probabilistic tensor factorization In Proceedings of the 2010 SIAM International Conference on Data Mining SIAM, 211–222 [9] Laurent Charlin, Rajesh Ranganath, James McInerney, and David M Blei 2015 Dynamic poisson factorization In Proceedings of the 9th ACM Conference on Recommender Systems ACM, 155–162 [10] Balázs Hidasi, Alexandros Karatzoglou, Linas Baltrunas, and Domonkos Tikk 2016 Session-based recommendations with recurrent neural networks In International Conference on Learning Representations [11] Chao-Yuan Wu, Amr Ahmed, Alex Beutel, Alexander J Smola, and How Jing 2017 Recurrent recommender networks In Proceedings of the tenth 64 ACM international conference on web search and data mining ACM, 495– 503 [12] Hao Ma, Dengyong Zhou, Chao Liu, Michael R Lyu, and Irwin King 2011 Recommender systems with social regularization In Proceedings of the fourth ACM international conference on Web search and data mining ACM, 287–296 [13] Allison JB Chaney, David M Blei, and Tina Eliassi-Rad 2015 A probabilistic model for using social networks in personalized item recommendation In Proceedings of the 9th ACM Conference on Recommender Systems ACM, 43–50 [14] Jiliang Tang, Huiji Gao, and Huan Liu 2012 mTrust: discerning multifaceted trust in a connected world In Proceedings of the fifth ACM international conference on Web search and data mining ACM, 93–102 [15] Xin Wang, Steven CH Hoi, Martin Ester, Jiajun Bu, and Chun Chen 2017 Learning personalized preference of strong and weak ties for social recommendation In Proceedings of the 26th International Conference on World Wide Web International World Wide Web Conferences Steering Committee, 1601–1610 65 ... Mục đích nghiên cứu Xây dựng hệ gợi ý hàng hóa dựa vào mơ hình gợi ý xã hội động DGRec Hệ gợi ý dựa hành vi khách hàng cộng đồng trực tuyến để gợi ý hàng hóa cho hệ thống bán hàng Mục tiêu cụ thể... dựng hệ gợi ý cho hệ thống bán hàng dựa hành vi người dùng cộng đồng trực tuyến cần thiết Tuy nhiên, đề xuất cộng đồng trực tuyến vấn đề khó khăn: 1) sở thích người dùng động 2) người dùng bị... nhạc, sách người dùng cộng với liệu quan hệ bạn bè người dùng Từ đưa gợi ý mặt hàng mà người dùng có khả quan tâm Sau từ danh sách mặt hàng gợi ý gợi ý trang bán hàng Như hệ gợi ý đưa mặt hàng phù