Các nghiên cứu của tôi đã chỉ ra rằng việc áp dụng các phản hồi ẩn vào hệ thống có ảnh hưởng lớn đến hệ thống. Cho nên, tôi xác định hướng nghiên cứu tiếp theo trong thời gian tới sẽ là:
- Cải tiến thuật toán sử dụng cho phản hồi ẩn của người dùng cho tốt hơn - Kết hợp nghiên cứu với các phản hồi tường minh để tăng độ chính xác
- Kết hợp các bộ lọc nội dung, bộ lọc cộng tác và các phản hồi trong cùng một hệ thống
- Nghiên cứu thêm về thu thập thông tin và lọc thông tin để áp dụng tốt hơn cho các hệ thống gợi ý trong tương lai
Danh mục công trình khoa học của tác giả liên quan đến luận văn
1. “Implicit feedback mechanism to manage user model applied in Vietnamese news recommender system” được xuất bản tại tạp chí International Journal of Computer and Communication Engineering.
Nguyen Thac Huy, Do The Chuan, Viet Anh Nguyen, “Implicit Feedback Mechanism to Manage User Profile Applied in Vietnamese News Recommender
System”, IJCCE 2016 Volume 5 Number 4, Jul. 2016, pp 276-285, ISSN: 2010-3743,
Kết luận
Luận văn đã trình bày về việc tìm hiểu và thiết kế một hệ thống gợi ý nội dung sử dụng cơ chế phản hồi ẩn của người dùng để đưa ra các tin tức phù hợp với người dùng. Qua thử nghiệm, luận văn đã chỉ ra rõ hiệu quả của hệ thống được nâng cao khi áp dụng thêm module phản hồi ẩn. Luận văn đã thu được những kết quả sau:
- Tìm hiểu lý thuyết về các hệ thống gợi ý, hồ sơ đối tượng nội dung và mô hình người dùng; nghiên cứu được cơ chế phản hồi của người dùng trong hệ thống gợi ý nội dung, kỹ thuật phân rã ma trận và một số hệ thống gợi ý đã và đang sử dụng
- Xây dựng được module phản hồi ẩn giúp nhận thông tin phản hồi ẩn của người dùng, cập nhật hồ sơ người dùng và lồng ghép vào trong hệ thống gợi ý tin tức tiếng Việt xenoNews
Các kết quả đạt được trong luận văn dù rất tốt nhưng vẫn còn nhiều hướng đi có thể cải tiến tốt hơn. Chính vì vậy, trong thời gian tới tôi sẽ tìm hiểu thêm một số phương pháp để cải tiến thuật toán sử dụng cho phản hồi ẩn của người dùng tốt hơn. Đồng thời kết hợp nghiên cứu với các phản hồi tường minh để tăng độ chính xác. Sau đó có thể kết hợp các bộ lọc nội dung, bộ lọc cộng tác và các phản hồi trong cùng một hệ thống. Nếu có thời gian tôi sẽ nghiên cứu thêm về thu thập thông tin và lọc thông tin để áp dụng tốt hơn cho các hệ thống gợi ý trong tương lai.
Tài liệu tham khảo
[1] L. Chen, G. Chen, and F. Wang, "Recommender systems based on user reviews: the state of the art," User Modeling and User-Adapted Interaction, vol. 25, pp. 99-154, 2015.
[2] G. Jawaheer, M. Szomszor, and P. Kostkova, "Comparison of implicit and explicit feedback from an online music recommendation service," presented at the Proceedings of the 1st International Workshop on Information Heterogeneity and Fusion in Recommender Systems, Barcelona, Spain, 2010.
[3] N. T. Huy, "Chọn lọc thông tin dựa trên nội dung ứng dụng xây dựng hệ thống gợi ý tin tức theo nhu cầu người dùng,," Luận văn Thạc sĩ, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội, 2013.
[4] D. Goldberg, D. Nichols, B. M. Oki, and D. Terry, "Using collaborative filtering to weave an information tapestry," Commun. ACM, vol. 35, pp. 61-70, 1992. [5] F. Ricci, L. Rokach, B. Shapira, and P. B. Kantor, Recommender Systems
Handbook: Springer-Verlag New York, Inc., 2010.
[6] R. A. Baeza-Yates and B. Ribeiro-Neto, Modern Information Retrieval: Addison-Wesley Longman Publishing Co., Inc., 1999.
[7] N. J. Belkin and W. B. Croft, "Information filtering and information retrieval: two sides of the same coin?," Commun. ACM, vol. 35, pp. 29-38, 1992.
[8] A. S. Das, M. Datar, A. Garg, and S. Rajaram, "Google news personalization: scalable online collaborative filtering," presented at the Proceedings of the 16th international conference on World Wide Web, Banff, Alberta, Canada, 2007. [9] J. S. Breese, D. Heckerman, and C. Kadie, "Empirical analysis of predictive
algorithms for collaborative filtering," presented at the Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence, Madison, Wisconsin, 1998.
[10] M. Claypool, A. Gokhale, T. Miranda, P. Murnikov, D. Netes, and M. Sartin, "Combining content-based and collaborative filters in an online newspaper," presented at the Proceedings of the ACM SIGIR '99 Workshop on Recommender Systems: Algorithms and Evaluation, Berkeley, California, 1999.
[11] M. J. Pazzani, "A Framework for Collaborative, Content-Based and Demographic Filtering," Artif. Intell. Rev., vol. 13, pp. 393-408, 1999.
[12] D. Jannach, M. Zanker, A. Felfernig, and G. Friedrich, Recommender Systems:
An Introduction: Cambridge University Press, 2010.
[13] K. Goldberg, T. Roeder, D. Gupta, and C. Perkins, "Eigentaste: A Constant Time Collaborative Filtering Algorithm," Inf. Retr., vol. 4, pp. 133-151, 2001.
[14] D. Kluver, T. T. Nguyen, M. Ekstrand, S. Sen, and J. Riedl, "How many bits per rating?," presented at the Proceedings of the sixth ACM conference on Recommender systems, Dublin, Ireland, 2012.
[15] Y. Hu, Y. Koren, and C. Volinsky, "Collaborative Filtering for Implicit Feedback Datasets," presented at the Proceedings of the 2008 Eighth IEEE International Conference on Data Mining, 2008.
[16] G. Adomavicius and Y. Kwon, "Overcoming Accuracy-Diversity Tradeoff in Recommender Systems: A Variance-Based Approach," in Proceedings of the
18th Workshop on Information Technology and Systems (WITS’08), Paris,
[17] D. M. Nichols, "Implicit rating and filtering," Proceedings of the 5th DELOS
Workshop on Filtering and Collaborative Filtering, 1997.
[18] D. W. Oard, "Implicit feedback for recommender systems," Proceedings of the
AAAI Workshop on Recommender Systems, 1998.
[19] D. W. O. a. J. Kim, "Modeling information content using observable behavior,"
Proceedings of the 64th Annual Conference of the American Society for
Information Science and Technology, 2001.
[20] S. Rendle, C. Freudenthaler, Z. Gantner, and L. Schmidt-Thieme, "BPR: Bayesian personalized ranking from implicit feedback," presented at the Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence, Montreal, Quebec, Canada, 2009.
[21] L. Bottou, "Stochastic learning," ed. O. Bousquet, and von U. Luxburg: Advanced Lectures on Machine Learning, Lecture Notes in Artificial Intelligence, Springer Verlag, Berlin, 2004, pp. 146-168.
[22] N. T. Nghe and N. T. Phong, "Xây dựng hệ thống gợi ý bài hát dựa trên phản hồi tiềm ẩn," Tạp chí Khoa học Trường Đại học Cần Thơ vol. 34, pp. 81-91, 2014. [23] N. Thai-Nghe, Z. Gantner, and L. Schmidt-Thieme, "Cost-sensitive learning
methods for imbalanced data," in Neural Networks (IJCNN), The 2010