Xây dựng hệ hỗ trợ định dựa kỹ thuật khai phá hành vi người sử dụng web lĩnh vực thương mại điện tử Ths.Trần Thị Huế - Học viện Ngân hàng Ths Nguyễn Thanh Thụy – Học viện Ngân hàng Tóm tắt Các tổ chức thương mại điện tử phát triển cách nhanh chóng theo thời gian số lượng dịch vụ lượng liệu Rất nhiều tổ chức đặt niềm tin vào số website để thu hút khách hàng, sau thời gian sử dụng họ lựa chọn giữ lại số làm kênh giao dịch Trong q trình vận hành file log sử dụng nhằm lưu trữ lại thông tin khách hàng sau lần truy cập Việc sử dụng kỹ thuật khai phá liệu web nhằm đánh giá tìm kiếm thông tin tiềm ẩn Bài viết xin tập giới thiệu việc xây dựng hệ hỗ trợ định linh hoạt xử lý liệu thời gian thực cho tất người dùng dù người đăng ký sử dụng dịch vụ trang web thương mại điện tử hay chưa Hoạt động hệ thống dựa kỹ thuật hỗ trợ định truyền thống sử dụng mẫu thử để triết xuất quy luật cần thiết, từ khách hàng gợi ý sử dụng dịch vụ phù hợp với mong muốn họ Tính hiệu hệ thống hỗ trợ xác định việc thu tập liệu thương mại điện tử thời gian thực so sánh tính hiệu hệ thống trình vận hành Kết chứng minh hệ hỗ trợ định mà chúng tơi giới thiệu nâng cao tính xác giảm thiểu hạn chế hệ trợ định truyền thống Từ khóa: log file, thương mại điện tử, hệ hỗ trợ định, khai phá liệu Giới thiệu Ngày nay, số lượng người dùng Internet truy cập trang web nhằm tìm kiếm đặt hàng dịch vụ ngày tăng Một số lượng đáng ý doanh nghiệp thiên việc sử dụng Internet để bán sản phẩm dịch vụ họ [1] Đây cánh mạng khiến thương mại điện tử thay đổi, tiện dụng việc kinh doanh Điều khiến số lượng doanh nghiệp khách hàng thị trường tăng lên Tuy nhiên, khách hàng bị tải việc lựa chọn hàng hóa, khiến kết lựa chọn họ khơng mong đợi Một câu hỏi đặt cho nhà quản lý web liệu sản phẩm dịch vụ họ cung cấp có nằm nhu cầu khách hàng hay khơng Do đó, chiến lược marketing đưa để giới thiệu trực tiếp sản phẩm tới khách hàng thông qua việc quản lý lựa chọn yêu thích tất khách hàng trước Một giải pháp hiệu để giải vấn đề đưa gợi ý trực tiếp cho khách hàng dựa sản phẩm cá nhân trước lựa chọn dựa vào sản phẩm loại với sản phẩm mà khách hàng quan tâm Đến ngày liệu đủ lớn hệ hỗ trợ định hoàn thành Các hệ hỗ trợ định phân chia làm loại hệ thống dựa ngữ cảnh hệ thống lọc kết hợp Những hệ thống dựa ngữ cảnh lựa chọn đặc điểm sản phẩn để cung cấp gợi ý Còn hệ thống lọc cộng tác dựa tương tác với sản phẩm khác hàng bỏ qua yếu tố khác để cung cấp gợi ý [4, 5] Mặc dù mức ý nghĩa phổ biến việc sử dụng hệ thống gợi ý dựa thông tin hữu hạn Đầu tiên tập trung vào khả mở rộng hệ thống Do số lượng khách hàng dịch vụ tăng khiến việc chọn lựa sản phẩm lân cận chậm theo giây điểm hầu hết hệ hỗ trợ sử dụng liệu nhị phân, ví dụ việc khách hàng có đặt hàng sản phẩm hay khơng Tuy nhiên, nhiều lần họ khai thác đặc điểm nội liệu để cung cấp gợi ý tốt Một hạn chế khác hệ hỗ trợ định thơng thường mục tiêu cung cấp cho khách hàng sản phẩm tương tự sản phẩm khách hàng đặt mua Nghiên cứu [6] liệu hành vi mạng sử dụng giải pháp hiệu để giải vấn hệ hỗ trợ định truyền thống Bài báo trình bày kỹ thuật xây dựng hệ hỗ trợ định dựa liệu thi thập hành vi người sử dụng Web, hệ thống liên hệ với người dùng, liệu bán hàng nhằm tạo hệ hỗ trợ định hiệu Nghiên cứu cung cấp hệ hỗ trợ định cho tất người dùng hệ thống trang thương mại điện tử Mục trình bày chi tiết hệ thống Mục tập trung vào kết thảo luận Mơ hình hoạt động hệ thống Trong hệ thống đề xuất người dùng tương tác với hệ thống web liệu click lưu trữ file log ban đầu Công việc tiền xử lý làm liệu trích xuất thơng tin cần thiết đưa chúng dạng có cấu trúc Dữ liệu làm sử dụng cho pha nhằm gợi ý luật ẩn cung cấp tốp n sản phẩm tất người sử dụng thương mại điện tử quan tâm Chúng ta nhìn thấy mơ hình hoạt động hệ thống biểu diễn Hình Hình Cấu trúc Hệ hỗ trợ định đề xuất 2.1 Thu thập liệu Trong giai đoạn này, liệu click bao gồm tất trang web khách hàng ghé thăm Mơ hình đề xuất sử dụng liệu định dạng lại, thuộc tính quan trọng gồm địa IP, thời gian sử dụng, mã trạng thái, phương thức (GET POST), thông tin người dùng đường dẫn liên quan lưu trữ sử dụng việc phân tích Thơng tin sơ cấp ban đầu thường khơng dạng có cấu trúc nên chúng cần trải qua giai đoạn tiền xử lý trước đưa vào phân tích 2.2 Tiền xử lý liệu Nguồn liệu đầu vào tốt cần thiết để mang lại q trình phân tích tốt Dữ liệu dư thừa loại bỏ theo bước Hình Giai đoạn tách trường liệu tập trung vào việc phân biệt thuộc tính với thuộc tính khác ký hiệu đặc biệt khoảng trắng từ Trong giai đoạn làm liệu, lọc lấy liệu tóm tắt, kiểm tra hậu tố đường dẫn URL Nội dung file log có hậu tố tên tệp gif, jpeg, tif, jpg xem xét Tất ghi có trạng thái http khơng xác loại bỏ Ví dụ, mã trạng thái cho phép khoảng 200- 299 Trong giai đoạn phân biệt người dùng, gán mã người dùng (ID) cho địa IP để phân biệt người dùng với người dùng lại Cuối cùng ta xây dựng phiên giai đoạn xác định phiên làm việc Trong giai đoạn phân lớp phiên làm việc nhóm phiên làm việc người dùng lại với Phiên làm việc cung cấp cho đầy đủ hoạt động thực người dùng khoảng thời gian Cuối thu thông tin định dạng dạng bảng FIELD SEPARATION DATA CLEANING USER DIFFERENTIATION SESSION IDENTIFICATION SESSION CLUSTERING DATA FORMATING Hình Các bước giai đoạn tiền xử lý liệu Dữ liệu sau thu thập cần đưa dạng có cấu trúc Có tất thơng tin hành vi người dùng hệ thống đặc biệt quan tâm: lịch sử chọn lựa (dựa lần click chọn xem sản phẩm), nơi mua hàng sản phẩm đặt mua Chuyển liệu ban đầu bảng Trong phiên làm việc s xây dựng đối tượng Đối tượng lưu giữ thông tin toàn sản phận phiên làm việc phụ trách tên sản phẩm (p_id), tên nhóm sản phẩm (c_id), tần suất (f) chứa thơng tin số lần sản phẩm xem thời gian xem trang (tsp) Hình Mẫu chuỗi thơng tin ban đầu thu lượm Trong dịng thơng tin lưu ý màu đỏ: 31.33 tên đối tượng, 31 p_id, 33 c_id, 0.52 thời gian xem trang (tsp) 2.3 Khai thác thông tin từ liệu, xây dựng danh sách thông tin cần gợi ý Dựa thông tin thu thập từ người dùng trước, trích xuất số tham số làm sở để đặt sản phẩm vào danh sách gợi ý Độ quan tâm người dùng (µ): tham số để xác định xem người dùng có quan tâm tới sản phẩm hay khơng, tính tốn dựa thời gian người dùng hoạt động trang (1) Mức độ thường xuyên (f): sản phẩm có mức độ thườn xuyên cao đặt danh sách gợi ý Nếu hai sản phẩm có giá trị mức độ thường xuyên giống kiểm tra tsp Do sản phẩm p1 đặt vào danh sách gợi ý Độ hy vọng danh sách đệm ( (2) Dựa vào tham số xây dựng danh sách sản phẩm gợi ý dựa sanh mục đặc điểm chi tiết sản phẩm Chúng ta tính tốn độ tương tự sản phẩm với chuỗi thơng tin sản phẩm có Hình (3) Cách làm việc hệ thống giới thiệu hình Phương pháp tiếp cận phụ thuộc vào loại khách hàng (đã đăng ký hay chưa) tương ứng với thành phần tham gia Những tham số khác thời gian hoạt động trang, số lần, danh sách đợi sản phẩm kỳ vọng, độ tương tự sản phẩm đề xuất danh sách gợi ý động thay đổi liên tục dựa hành vi người dùng phiên làm việc Hình Hoạt động hệ hỗ trợ định Kết thảo luận Mơ hình đề xuất cài đặt thử nghiệm máy chủ XAMPP, php MyAdmin, sử dụng Subline Text 3IDE Mô hệ thống OpenCart với tảng MVC Để kiểm nghiệm mô hình đề xuất, cổng Web phát triển cung cấp mặt hàng điện tử khác cho khách hàng Dữ liệu gồm có 1200 ghi lưu hệ thống thời gian thực Hình trình bày hình tương tác người dùng, hệ thống giới thiệu cho khách hàng nhiều sản phẩm khác Trong Hình 6, file log mẫu chưa làm chứa liệu điều hướng Hình giới thiệu liệu file log Hình sau làm dạng có cấu trúc Hình Màn hình tương tác hệ thống gợi ý Hình File log chưa làm Hình Dữ liệu Log dạng có cấu trúc Để đánh giá chất lượng hệ thống hỗ trợ định, thu thập ý kiến phản hồi từ khách hàng trình họ lựa chọn sản phẩm Kết thu thập thực tế chứng minh khoảng 80% khách hàng đăng ký thành viên nhận xét họ quan tâm tới sản phẩm chúng tơi gợi ý có ý định mua thêm vài sản phẩm số đó, khoảng 65% khách hàng ko đăng ký nói họ có quan tâm Tuy số tuyệt đối nhận định hệ thống gợi ý sản phẩm nâng cao đáng kể doanh số tổ chức tham gia vào lĩnh vực thương mại điện tử Tài liệu tham khảo [1] Y Cho, and J Kim, “Application of Web usage mining and product taxonomy to collaborative recommendations in e-commerce”, Expert systems with Applications, vol 26, no 2, pp 233-246, February 2004 [2] Q Song, M Shepperd “Mining web browsing patterns for E-commerce” Computers in Industry, 57 (7) (2006), pp 622–630 Article | PDF (337 K) | View Record in Scopus | Citing articles (43) [3] Y Cho, J Kim, and S Kim, “A personalized recommender system based on web usage mining and decision tree induction”, Expert Systems with Applications, vol 23, no 3, pp 329-342, October 2002 [4] Z Huang, D Zeng, and H Chen, “A comparative study of recommendation algorithms in e-commerce applications”, IEEE Intelligent Systems vol 22, no pp 6878, 2007 [5] J Lee, M Sun, G Lebanon PREA: Personalized recommendation algorithms toolkit.” The Journal of Machine Learning Research, 13 (1) (2012), pp 2699–2703 View Record in Scopus | Citing articles (6) [6] B Mobasher, R Cooley, J Srivastava Automatic personalization based on Web usage mining” Communications of the ACM, 43 (8) (2000), pp 142–151 View Record in Scopus | Full Text via CrossRef | Citing articles (637) [7] Y.M Huang, Y.H Kuo, J.N Chen, Y.L Jeng NP-miner: A real-time recommendation algorithm by using web usage mining” Knowledge-Based Systems, 19 (4) (2006), pp 272–286 Article | PDF (394 K) | View Record in Scopus | Citing articles (22) [8] C.R Varnagar, N.N Madhak, T.M Kodinariya, and J N Rathod, “Web usage mining: A review on process, methods and techniques”, Information Communication and Embedded Systems (ICICES), International Conference on IEEE, pp 40-46, 2013 [9] P Nithya, and P Sumathi, “Novel pre-processing technique for web log mining by removing global noise and web robots.” In Computing and Communication Systems (NCCCS) IEEE, pp 1-5,2012.R Cooley, B Mobasher, J Srivastava, “Data preparation for mining world wide web browsing patterns”, Knowledge and information systems, vol.1, pp 5-32, 1999 [10] M Khosravi, and M J Tarokh, “Dynamic mining of user's interest navigation patterns using naive Bayesian method.” In Intelligent Computer Communication and Processing (ICCP), IEEE International Conference on, pp 119-122, 2010 [11] B Devi, Y Devi, B Rani, and R Rao, “Design and Implementation of Web Usage Mining Intelligent System in the Field of e-commerce.” Procedia Engineering, vol 30, pp 20-27, 2012 [12] P Lopes, B Roy Recommendation System using Web Usage Mining for users of Ecommerce site” International Journal of Engineering Research & Technology, (7) (2014) [13] “OPENCART”, [ONLINE].Available:http://www.opencart.com, 2013 ... cấu tr? ?c H? ?nh Màn h? ?nh tương tác h? ?? thống gợi ý H? ?nh File log chưa làm H? ?nh Dữ liệu Log dạng có cấu tr? ?c Để đánh giá chất lượng h? ?? thống h? ?? tr? ?? định, thu thập ý kiến phản h? ??i từ khách h? ?ng tr? ?nh... lớn h? ?? h? ?? tr? ?? định hoàn thành Các h? ?? h? ?? tr? ?? định phân chia làm loại h? ?? thống dựa ngữ cảnh h? ?? thống lọc kết h? ??p Những h? ?? thống dựa ngữ cảnh lựa chọn đặc điểm sản phẩn để cung cấp gợi ý Còn h? ?? thống... thiệu h? ?nh Phương pháp tiếp cận phụ thuộc vào loại khách h? ?ng (đã đăng ký hay chưa) tương ứng với thành phần tham gia Những tham số khác thời gian hoạt động trang, số lần, danh sách đợi sản phẩm