KHÓA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG SỔ TAY GIA ĐÌNH HỖ TRỢ TƯƠNG TÁC

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM LÝ HIỀN PHÚC LÊ ĐÌNH TRỌNG NGHĨA KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG SỔ TAY GIA ĐÌNH HỖ TRỢ TƯƠNG TÁC Build a family handbook application supporting interaction KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM TP HỒ CHÍ MINH, 2021 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM LÝ HIỀN PHÚC – 17520904 LÊ ĐÌNH TRỌNG NGHĨA – 17520798 KHÓA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG SỔ TAY GIA ĐÌNH HỖ TRỢ TƯƠNG TÁC Build a family handbook application supporting interaction KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN TS NGUYỄN HÀ GIANG ThS NGUYỄN THỊ THANH TRÚC TP HỒ CHÍ MINH, 2021 THƠNG TIN HỘI ĐỒNG CHẤM KHĨA LUẬN TỐT NGHIỆP 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 TRƯỜNG ĐẠI HỌC CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM ngày 22 tháng năm 2021 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: XÂY DỰNG ỨNG DỤNG SỔ TAY GIA ĐÌNH HỖ TRỢ TƯƠNG TÁC Nhóm sinh viên thực hiện: Cán hướng dẫn: Lý Hiền Phúc 17520904 TS Nguyễn Hà Giang Lê Đình Trọng Nghĩa 17520798 ThS Nguyễn Thị Thanh Trúc Đánh giá khóa luận: Về báo cáo: Về nội dung: Về chương trình ứng dụng: Về thái độ làm việc sinh viên: Đánh giá chung: Điểm sinh viên: Lý Hiền Phúc: Lê Đình Trọng Nghĩa: Người nhận xét (Ký tên ghi rõ học tên) ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày tháng năm 2021 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: XÂY DỰNG ỨNG DỤNG SỔ TAY GIA ĐÌNH HỖ TRỢ TƯƠNG TÁC Nhóm sinh viên thực hiện: Cán hướng dẫn: Lý Hiền Phúc 17520904 TS Nguyễn Hà Giang Lê Đình Trọng Nghĩa 17520798 ThS Nguyễn Thị Thanh Trúc Đánh giá khóa luận: Về báo cáo: Về nội dung: Về chương trình ứng dụng: Về thái độ làm việc sinh viên: Đánh giá chung: Điểm sinh viên: Lý Hiền Phúc: Lê Đình Trọng Nghĩa: Người nhận xét (Ký tên ghi rõ học tên) LỜI CẢM ƠN Lời chúng em xin gửi lời cảm ơn chân thành tri ân sâu sắc đến ban giám hiệu nhà trường, quý thầy cô tất cán nhân viên công tác trường Đại học Cơng nghệ Thơng tin – ĐHQG TP HCM tạo điều kiện, dẫn dắt trang bị cho chúng em kiến thức q báu để hồn thành tốt khóa luận tốt nghiệp Đặc biệt, chúng em xin gửi lời cảm ơn lòng biết ơn sâu sắc tới TS Nguyễn Hà Giang ThS Nguyễn Thị Thanh Trúc, người dẫn dắt, giúp đỡ tạo kiện để chúng em hồn thành tốt khóa luận Cảm ơn quý giảng viên bảo tận tình suốt thời gian qua giúp cho khóa luận chúng em ngày hồn thiện Chúng em chân thành cảm ơn quý giảng viên phản biện quý giảng viên thầy cô ban hội đồng chấm luận văn cho chúng em đóng góp quý báu để luận văn thêm hoàn chỉnh Lời cuối, chúng em xin chúc quý thầy cô tập thể cán nhân viên trường ln có thật nhiều sức khỏe, gặp thật nhiều may mắn thành công đường TP Hồ Chí Minh, tháng năm 2021 Nhóm thực Lý Hiền Phúc Lê Đình Trọng Nghĩa ĐỀ CƯƠNG CHI TIẾT TÊN ĐỀ TÀI: XÂY DỰNG ỨNG DỤNG SỔ TAY GIA ĐÌNH HỖ TRỢ TƯƠNG TÁC TÊN ĐỀ TÀI TIẾNG ANH: BUILD A FAMILY HANDBOOK APPLICATION SUPPORTING INTERACTION Cán hướng dẫn: TS Nguyễn Hà Giang, Ths Nguyễn Thị Thanh Trúc Thời gian thực hiện: Từ ngày 06/09/2021 đến ngày 01/01/2022 Sinh viên thực hiện: Lý Hiền Phúc – 17520904 Lê Đình Trọng Nghĩa – 17520798 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 1.1 Bối cảnh đề tài Trong bối cảnh xã hội đại, người ngày bận rộn với công việc việc học bên ngồi có thời gian để xử lý cơng việc gia đình Đặc biệt thời gian giãn cách xã hội đại dịch Covid-19 khiến cho nhiều người công tác xa gia đình khơng thể Nhu cầu quản lý cơng việc, kiện gia đình tương tác với thành viên gia đình tăng cao Đứng góc độ này, ý tưởng giúp việc quản lý công việc, kiện tương tác với thành viên gia đình dần hình thành Đó việc ứng dụng công nghệ vào việc xây dựng ứng dụng sổ tay gia đình hỗ trợ tương tác giúp tăng hiệu quản lý công việc tính tương tác từ xa cho gia đình Chính vậy, nhóm chúng em định thực đề tài 1.2 Mục tiêu − Tạo không gian tương tác từ xa giành riêng cho gia đình − Bên cạnh giúp thành viên gia đình: o Lên danh sách cơng việc gia đình phân cơng cơng việc cho thành viên gia đình o Đặt lịch để nhắc nhở thành viên kiện quan trọn o Chia sẻ vị trí với thành viên gia đình để tiện quan sát o Giúp thành viên gia đình cập nhật tình hình thu chi hàng tháng thể số liệu thông qua biểu đồ Phạm vi nghiên cứu 2.1 Lý thuyết − Thực trạng để quản lý công việc, lên danh sách kiện cách thức liên hệ, tương tác từ xa mà gia đình áp dụng − Thực trạng ứng dụng mạng xã hội ngày đáp ứng tương tác giới trẻ thành viên gia đình họ − Các ứng dụng liên quan có cụm tính tương tự triển khai đưa vào sử dụng thực tế − Các công nghệ kỹ thuật nhằm hỗ trợ việc xây dựng database, ứng dụng mobile backend − Đề tài khố trước 2.2 Các tính − Xác thực quản lý thông tin cá nhân − Quản lý công việc nhà − Quản lý kiện chung − Album ảnh gia đình − Quản lý thu chi − Chia sẻ vị trí cảnh báo khẩn cấp − Tương tác qua khung chat chung − Tương tác qua gọi thường − Tương tác qua gọi video Đối tượng nghiên cứu 3.1 Công nghệ − Backend: Java(Spring boot) − Mobile: React Native(Redux) − Database: PostgreSQL − Backend deployment: Heroku − Mobile app CI/CD: Bitrise − Source Control: Github 3.2 Đối tượng phạm vi đề tài hướng đến − Những người xa nhà có nhu cầu quản lý công việc, kiện hiệu thông qua Mobile App − Những người xa nhà tương tác định vị thành viên gia đình Tính thực tiễn: − Nhóm em tiến hành khảo sát ứng dụng liên quan có cụm tính tương tự triển khai đưa vào sử dụng thực tế: o Cozi, ChoresMonster, OurHome cho phép đồng hóa lịch cho gia đình với khả lập danh sách phân cơng cơng việc cần làm o Keepy cung cấp tính lưu trữ, tổ chức quản lý hình ảnh video kỷ niệm gia đình vào nơi cho thành viên có khả truy cập o Life360 hỗ trợ việc định vị người thân dựa vào tính GPS cảnh báo trường hợp khẩn cấp o MoneyLover, Spendee, Mint, MoneyPocket hỗ trợ việc quản lý thu chi, giám sát hóa đơn, theo dõi mức chi so với ngân sách trực quan hóa chi tiêu qua biểu đồ o Facebook Messenger, Skype, Twitter hỗ trợ người sử dụng tương tác qua hình thức nhắn tin, voice call video call − Qua khảo sát thấy ứng dụng có hỗ trợ tác vụ định, dẫn đến bất định cho người dùng phải sử dụng nhiều ứng dụng lúc để giải cơng việc Bên cạnh đó, hoạt động tương tác giới trẻ mạng xã hội có xu hướng nghiêng bạn bè mối quan hệ xã hội khác gia đình Bởi đó, nhóm em nhận thấy tính tính thực tiễn đề tài sau: - Tính mới: So với ứng dụng khảo sát: o Tích hợp tính quản lý cơng việc, kiện, thu chi, album gia đình • Bài viết thứ đăng vào 12h30, hiệu thời gian 1577251800 − 1577206800 = 45000 , viết 45000 cộng: 45000 = điểm • Bài viết thứ đăng vào 1h sáng ngày (ngày 26), hiệu thời gian 1577296800 − 1577206800 = 90000, 90000 viết cộng: 45000 = điểm 4.1.4 Root Mean Squared Error (RMSE) Hình 4.10: Cơng thức tính RMSE [2] • Dtest: tập kiểm tra • rui: dự đoán người dùng u item i tập kiểm tra • 𝑟̂ 𝑢𝑖: dự đốn người dùng u item i theo kết gợi ý 4.2 Thực nghiệm 4.2.1 Phương pháp 4.2.1.1 Neighborhood-based collaborative filtering Phương pháp NBCF phương pháp khuyến nghị có ý tưởng xác định mức độ quan tâm user tới item dựa user khác gần giống với user Việc gần giống user xác định thơng qua mức độ quan tâm user tới item khác mà hệ thống thu thập thơng tin Ví dụ, user u1 user u2 thích phim Cảnh sát hình 97 rate phim Ta biết u1 thích Người phán xử, có nhiều khả u2 thích phim [5] Phương pháp NBCF mang lại ưu điểm so với phương pháp contentbased có khả tận dụng thông tin từ user khác hệ thống Những thơng tin thường hữu ích hành vi mua hàng user thường nhóm thành nhóm, biết hành vi mua hàng vài user nhóm, ta tận dụng thơng tin để suy luận hành vi user cịn lại Bên cạnh đó, phương pháp content-based khuyến nghị dựa yếu tố nội dung thông tin profile item, lúc ta có sẵn profile thơng tin item Ngồi ra, ta nhờ đến trợ giúp người dùng việc gắn tag item, nhiên người dùng thường không sẵn sàng gắn tag việc gắn tag khơng xác phụ thuộc nhiều vào xu hướng cảm quan người gắn tag Các thuật toán NLP phức tạp để xử lý từ gần nghĩa, viết tắt, sai tả hay viết ngôn ngữ khác [5] Với phương pháp NBCF gồm hai hướng tiếp cận user-user collaborative filtering item-item collaborative filtering Với hướng tiếp cận user-user collaborative filtering, hệ thống xác định mức độ quan tâm user tới item dựa mức độ quan tâm user nhóm với item Với phương pháp item-item collaborative filtering ngược lại, hệ thống xác định mức độ quan tâm item user dựa item nhóm (được quan tâm user tương tự quan tâm item này) từ đưa gợi ý item mà user có khả có mức độ quan tâm cao Các bước thực hiện: • Tìm hiểu thuật tốn • Cài đặt thuật toán, chạy liệu test • Tính RMSE thực việc so sánh, đánh giá 98 Bộ liệu test sử dụng MoviesLens 100K Dataset với năm split đánh tên từ u1 đến u5 gồm hai file base test chia từ liệu tổng theo tỉ lệ 80% 20% Bộ split chia sẵn với mục đích tiến hành đánh 5-fold cross-validation 4.2.1.2 User-user collaborative filtering Hình 4.11: Ví dụ user-item utility matrix [5] Hình ví dụ user-item utility matrix với cột từ u0 đến u6 đại diện user, hàng từ i0 đến i4 đại diện item Giá trị ô [i, j] đại diện số mà user i rate cho item j Giá trị cao thể mức độ quan tâm cao Các dấu hỏi chấm giá trị mà hệ thống cần điền Gọi mức độ giống hai user 𝑢𝑖 𝑢𝑗 𝑠𝑖𝑚(𝑢𝑖 , 𝑢𝑗 ) Từ utility matrix mẫu thấy 𝑢0 , 𝑢1 thích 𝑖0 , 𝑖1 , 𝑖2 khơng thích 𝑖3 , 𝑖4 cho Điều ngược lại xảy user lại Vậy, similarity function cần đảm bảo được: 𝑠𝑖𝑚(𝑢0 , 𝑢1 ) > 𝑠𝑖𝑚(𝑢0 , 𝑢𝑖 ), ∀ 𝑖 > 99 Câu hỏi đặt là: hàm số similarity tốt? Để đo similarity hai user, cách thường làm xây dựng feature vector cho user đo similarity vector Vector feature xây dựng từ liệu utility matrix Trong trường hợp cột utility matrix, nhiên cột thường có missing ratings user rate số lượng item định Vậy, cách ta phải chuẩn hóa liệu cách điền vào missing ratings giá trị cho việc điền không làm ảnh hưởng nhiều tới việc tính tốn mức độ tương tự hai vector Việc điền nhằm giúp tính tốn similarity, khơng có tác dụng để thực suy luận giá trị cuối Vậy dấu “?” nên thay giá trị để hạn chế ảnh hưởng giá trị điền đến việc xác định mức độ tương đồng user Một lựa chọn nghĩ tới điền giá trị Tuy nhiên giá trị tương ứng với mức độ quan tâm thấp nên việc thay giá trị khiến hệ thống suy diễn mức độ quan tâm user đến item tiêu cực Một lựa chọn khác giá trị 2.5 giá trị trung bình cộng mức thấp mức cao Thế giá trị có hạn chế trường hợp user dễ tính thích ứng với sao, khơng thích ứng với khoảng sao, vơ hình chung giá trị 2.5 khiến cho đánh giá item chưa biết tiêu cực 100 Hình 4.12: Ví dụ mơ tả User-user collaborative filtering [5] Preprocessing data: Hình mơ tả user-user collaborative filtering 4.2a) minh họa giá trị trung bình ratings mà user rate Giá trị trung bình cao cho thấy user dễ tính ngược lại 4.2b) normalized utility matrix sau trừ giá trị biết giá trị trung bình tương ứng theo cột thay giá trị chưa biết Bước xử lý xử lý quan trọng việc trừ trung bình cộng cột khiến xuất giá trị dương âm Những giá trị dương thể thích âm khơng thích Lúc giá trị có ý nghĩa chưa xác định quan tâm user item Ngoài ra, số chiều utility matrix lớn với số lượng user item cao tiêu tốn chi phí lưu trữ, việc sử dụng giá trị giúp tối ưu việc lưu trữ nhờ tận dụng sparse matrix, lưu giá trị khác với số vị trí chúng Calculating similarity: 101 Sau liệu chuẩn hóa, ta thực việc xác định độ tương quan cặp user khác đôi Một lựa chọn phổ biến cho hàm tính similarity hàm cosine similarity Đây hàm sử dụng nhiều thực chất hàm tính cos góc tạo thành hai vector Việc sử dụng hàm cosine tốn mang lại lợi ích việc hàm cosine phù hợp cho sparse matrix, giúp chi phí tính tốn tối ưu hơn, ngồi tử số cơng thức tổng tích chiều vector, trường hợp với chiều vector tích theo chiều giá trị 0, không ảnh hưởng đến việc tính tốn, xác định độ tương đồng hai vector Hình 4.13: Cơng thức chi tiết tính số cosine góc hợp thành hai vector A B với 𝐴𝑖 , 𝐵𝑖 chiều hai vector A B tương ứng Hai vector A B vector user chuẩn hóa Kết số nằm khoảng [-1, 1] Giá trị thể hai vector hoàn tồn giống (góc tạo vector 0) Giá trị -1 thể hai vector hoàn toàn ngược Hình 4.3c) ví dụ việc sử dụng hàm cosine similarity Similarity matrix S tạo thành từ việc tính similarity sử dụng cosine similarity cho cặp user khác đơi Vì cosine hàm chẵn nên thấy ma trận S đối xứng Sau xây dựng similarity matrix S, ta tiến hành gom nhóm nhóm user có hành vi tương tự thực việc dự đoán giá trị quan tâm Rating prediction: 102 Việc xác định mức độ quan tâm user với item dựa user có hành vi tương tự (các user gần nhất) tương tự phương pháp phổ biến toán phân cụm KNN (K-nearest neighbors) Trong NBCF, ta dựa vào user có độ tương đồng với user xem xét cao Tuy vậy, khác với KNN dựa khoảng cách điểm không âm, NBCF dựa similarity cặp user giá trị âm Rating dự đoán thường xác định trung bình cộng trọng số rating chuẩn hóa Hình 4.14: Cơng thức để dự đốn rating user u lên user i [5] Trong N(u, i) tập hợp k user có similarity với user u cao rate i Hình 4.2d) thể điền giá trị thiếu normalized utility matrix Ngồi ra, hình 4.2e) thể ví dụ việc tính normalized rating 𝑢1 lên 𝑖1 với số nearest neighbors k = 2: • Xác định users rate 𝑖1 gồm có 𝑢0 , 𝑢3 , 𝑢5 • Xác định similarity 𝑢1 với user 𝑢0 , 𝑢3 , 𝑢5 có 0.83, −0.40, −0.23 Hai giá trị lớn 0.83 -0.23 tương ứng với 𝑢0 , 𝑢5 • Xác định normalized rating 𝑢0 , 𝑢5 với 𝑖1 có 0.75, 0.5 • Dự đốn kết quả: Hình 4.15: Ví dụ áp dụng cơng thức dự đốn kết [5] 103 Từ đây, hệ thống định khuyến nghị item cho user cách xếp unrated items theo thứ tự lớn đến bé dựa kết rating dự đốn, ngồi chọn item có normalized predicted rating dương (cho thấy nhiều khả user thích item) 4.2.1.3 Item-item collaborative filtering Một cách tiếp cận khác item-item collaborative filtering Hình 4.16: Ví dụ item-item collaborative filtering [5] Quy trình thực việc dự đốn tương tự hướng tiếp cận useruser collaborative filtering mơ tả phần trước Về mặt tính tốn, item-item collaborative filtering xử lý cách chuyển vị utility matrix, xem item rate user cuối cùng sau tính tốn xong, thực chuyển vị lần để có kết cuối 104 4.2.2 Đánh giá Thực đánh giá liệu split từ dataset MoviesLens 100k Item-item collaborative Content-based filtering collaborative filtering U1 0.996 1.040 U2 0.976 1.030 U3 0.974 1.029 U4 0.978 1.024 U5 0.981 1.035 Average 0.981 1.0316 Bảng 4.1: Thống kê RMSE split U1 đến U5 Qua kết thấy phương pháp Item-tem CF cho kết tốt (RMSE thấp hơn) User-user CF có số hạn chế Trên thực tế, số lượng user lớn nhiều so với số lượng item Kéo theo similarity matrix lớn phải lưu trữ nửa bình phương số lượng user Điều gây tốn chi phí lưu trữ Ngồi ra, ma trận utility thường sparse lẽ user lười rate item, user thay đổi rate thêm item trung bình cộng rating vector chuẩn hóa tương ứng với user thay đổi nhiều dẫn đến việc tính tốn ma trận similarity phải thực lại việc tốn nhiều chi phí mặt lưu trữ thời gian thực thi Vì vậy, tính toán similarity item khuyến nghị item gần giống với item yêu thích user mang lại lợi ích trường hợp số lượng item nhỏ số lượng user dẫn đến similarity matrix có kích thước nhỏ hơn, thuận lợi cho việc lưu trữ Ngoài ra, qua kết thực nghiệm thấy hướng tiếp cận item-item collaborative filtering mang đến kết khuyến nghị tốt 105 Ngồi ra, phương pháp collaborative có ưu nhược điểm sau: • Ưu điểm: o Đưa gợi ý xác tận dụng liệu rating từ nhiều user khác o Áp dụng cho nhiều loại item khác • Nhược điểm: o Cold start problem: cần lượng đủ user hệ thống để có gợi ý phù hợp o Sparsity: utility matrix thường thưa thớt dẫn đến khó khăn tìm user rate item o Không gợi ý item mới, chưa có liệu rating 4.3 Áp dụng thuật toán recommendation vào ứng dụng Trong mục viết ẩm thực, viết hiển thị đến người dùng dựa hành vi tương tác họ với viết ghi nhận thông qua Item-item neighborhood-based collaborative filtering, nhiên với người dùng mới, chưa ghi nhận liệu tương tác người với viết nào, viết đưa đến cho người dùng theo top bật dựa xếp hạng từ thuật toán Reddit’s hot ranking Tương tác reaction người dùng viết 106 Hình 4.17: Gợi ý viết ẩm thực ứng dụng 107 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết đạt 5.1.1 Lý thuyết - Hiểu toán khuyến nghị - Hiểu phương pháp gợi ý Neighborhood-based collaborative filtering với hai hướng tiếp cận user-user item-item - Hệ thống gợi ý gợi ý viết cho đối tượng người dùng (chưa ghi nhận liệu) người dùng cũ (sử dụng phương pháp neighborhood-based collaborative filtering) 5.1.2 - Công nghệ Sử dụng Java Spring Boot để xây dựng ứng dụng phía backend, tạo api cho ứng dụng - Sử dụng hệ quản trị sở liệu PostgreSQL để làm database lưu trữ liệu ứng dụng - Sử dụng ReactNative để phát triển ứng dụng di động đa tảng Android iOS - Sử dụng Firebase – Cloud Firestore để lưu trữ nội dung tin nhắn - Sử dụng Firebase – Cloud Messaging để bắn thông báo đến thiết bị người dùng - Sử dụng Google Geolocation API để định vị plot đồ thể trực quan vị trí người dùng - Sử dụng Twilio Communication API để thực gọi face to face theo nhóm 5.1.3 Hạn chế Trong q trình thực số khó khăn nên ứng dụng cịn nhiều thiết sót cần cải thiện: 108 • Tính nhắn tin cịn hạn chế, dừng mức gửi đoạn tin nhắn chữ, chưa có khả gửi ảnh, đường link, ảnh gif hay emoticon Chưa có tính reply theo tin nhắn • Chưa hỗ trợ người dùng tạo lập giao dịch hiệu quả, phải thao tác thủ công để nhập thông tin giao dịch thu chi ngày • Tối ưu code chưa tốt nên thời gian phản hồi, tốc độ tương tác ứng dụng cịn chậm • Các thuật tốn mức độ hiểu cài đặt nên chưa có nhiều cải tiến tối ưu • Hệ thống gợi ý chưa hiệu với trường hợp người dùng chưa có liệu tương tác phát sinh chưa có khả gợi ý kết theo thời gian thực • Một số tính chưa hồn thiện 5.2 Hướng phát triển • Xây dựng chức cịn thiếu hồn thiện chức có • Tích hợp OCR API, phát triển chức tạo lập ghi chi tiêu thông qua ảnh biên lai, hóa đơn • Áp dụng thuật nén lossless để tối ưu dung lượng ảnh lưu trữ hệ thống mà khơng làm giảm chất lượng tệp • Tối ưu hóa CSDL hợp lý • Cải thiện hiệu hệ thống gợi ý, khắc phục vấn đề tồn chưa thể gợi ý hiệu cho người dùng hay chưa có khả gợi ý theo thời gian thực • Xây dựng chuyên mục sức khỏe tâm lý gia đình Hỗ trợ kết nối đến chuyên gia trị liệu gia đình, khuyến nghị viết tâm lý phù hợp dựa hành vi tương tác, đọc tìm kiếm chủ đề viết người dùng để mang lại hỗ trợ hiệu quả, kịp thời 109 TÀI LIỆU THAM KHẢO [1] C T Nguyen, "Ứng dụng học máy hệ khuyến nghị tự động," 25 2018 [Online] Available: https://thucnc.medium.com/%E1%BB%A9ngd%E1%BB%A5ng-h%E1%BB%8Dc-m%C3%A1y-trong-h%E1%BB%87khuy%E1%BA%BFn-ngh%E1%BB%8B-t%E1%BB%B1%C4%91%E1%BB%99ng-55afd08610b6 [Accessed 22 12 2021] [2] H Hà, "Tìm hiểu Content-based Filtering - Phương pháp gợi ý dựa theo nội dung (Phần 1)," 17 2019 [Online] Available: https://viblo.asia/p/tim-hieuve-content-based-filtering-phuong-phap-goi-y-dua-theo-noi-dung-phan-1V3m5WGBg5O7 [Accessed 22 12 2021] [3] T V Huu, "Content-based Recommendation Systems," 17 2017 [Online] Available: https://machinelearningcoban.com/2017/05/17/contentbasedrecommendersys/ [Accessed 22 12 2021] [4] A Salihefendic, "How Reddit ranking algorithms work," 12 2015 [Online] Available: https://medium.com/hacking-and-gonzo/how-reddit-rankingalgorithms-work-ef111e33d0d9 [Accessed 22 12 2021] [5] T X Thắng, "Thuật toán xếp hạng viết hot, thịnh hành Reddit Hacker News hoạt động nào?," 24 12 2019 [Online] Available: https://viblo.asia/p/thuat-toan-xep-hang-bai-viet-dang-hot-thinh-hanh-nhureddit-va-hacker-news-hoat-dong-the-nao-gAm5y8xXldb [Accessed 22 12 2021] [6] "Tiep Vu Huu," 24 2017 [Online] Available: https://machinelearningcoban.com/2017/05/24/collaborativefiltering/ [Accessed 22 12 2021] [7] P Jesse Steinweg-Woods, "A Gentle Introduction to Recommender Systems 110 with Implicit Feedback," 30 2016 [Online] Available: https://jessesw.com/Rec-System/ [Accessed 22 12 2021] [8] B Rocca, "Introduction to recommender systems," 2019 [Online] Available: https://towardsdatascience.com/introduction-to-recommendersystems-6c66cf15ada [Accessed 22 12 2021] [9] B S a J Y G Linden, "Amazon.com Recommendation Item-to-Item Collaborative Filtering," IEEE, 2003 [10] "Stack Java," [Online] Available: https://stackjava.com/ [Accessed 2021] [11] "Spring Boot Reference Documentation," [Online] Available: https://docs.spring.io/spring-boot/docs/current/reference/htmlsingle/ [Accessed 2021] [12] C Walls, Spring in Action, Fifth Edition, MANNING, 2018 111 ... TẮT KHÓA LUẬN Luận văn tốt nghiệp với đề tài ? ?Xây dựng ứng dụng sổ tay gia đình hỗ trợ tương tác? ?? thực khoảng thời gian từ ngày 06/09/2021 đến ngày 01/01/2022 nhóm sinh viên(Lý Hiền Phúc Lê Đình. .. CÁN BỘ PHẢN BIỆN) Tên khóa luận: XÂY DỰNG ỨNG DỤNG SỔ TAY GIA ĐÌNH HỖ TRỢ TƯƠNG TÁC Nhóm sinh viên thực hiện: Cán hướng dẫn: Lý Hiền Phúc 17520904 TS Nguyễn Hà Giang Lê Đình Trọng Nghĩa 17520798... viên gia đình tăng cao ? ?ứng góc độ này, ý tưởng giúp việc quản lý công việc, kiện tương tác với thành viên gia đình dần hình thành Đó việc ứng dụng công nghệ vào việc xây dựng ứng dụng sổ tay gia