láng gi ng g n nh t c a uề ầ ấ ủ
u
r$ = getRate(neighbors) // công th c (3.6)ứ đ tính ể ướ ược l c đánh giá
3: Tính RMSE // theo công th c (3.16) đ đánh giáứ ể k t quế ả k t quế ả
Thu t toán MF:ậ
1: N p d li u hu n luy n và ki m tra vào 2 m ngạ ữ ệ ấ ệ ể ả
train_set và test_set, ch n h ng s ọ ằ ốλ , K.
2: S d ng th vi n ử ụ ư ệ pandas đ ma tr n hóa t pể ậ ậ hu n luy n ấ ệ train_set hu n luy n ấ ệ train_set
3: S d ng th vi n ử ụ ư ệ numpy đ tách ma tr nể ậ
train_set thành ma tích hai ma tr n ngậ ười dùng U và s n ph m ả ẩ P
4: S d ng ử ụ Gradient descent đ gi m m t mát l nể ả ấ ầ lượt U và P lượt U và P
5: for (u, i) in test_setui ui
r$ = Uu x Pi // tính ướ ược l c đánh giá c a u v i iủ ớ
6: Tính RMSE // theo công th c (3.16) đ đánh giáứ ể k t quế ả k t quế ả
Chúng tôi s d ng cách đánh giá ử ụ Cross Validation. Chia d li u làm 6 t p, th c hi n 6 l n: l yữ ệ ậ ự ệ ầ ấ
1 t p làm t p test, 5 t p còn l i dùng đ hu n luy n,ậ ậ ậ ạ ể ấ ệ sau đó l y k t qu trung bình. Thu t toán KNN th cấ ế ả ậ ự hi n hu n luy n trên các t p ệ ấ ệ ậ knn_train_n.txt và ki mể tra trên các t p ậ knn_test_n.txt tương ng (n = 1, 2…6).ứ Thu t toán MF th c hi n hu n luy n trên các t pậ ự ệ ấ ệ ậ
mf_train_n.txt và ki m tra trên các t p ể ậ mf_test_n.txt
tương ng (n = 1, 2…6). V i m i phứ ớ ỗ ương pháp, chúng tôi s thu h i đẽ ồ ược 6 giá tr RMSE tị ương ng. Giá trứ ị trung bình RMSEtb c a 6 k t qu này s đủ ế ả ẽ ược dùng để đ dánh giá thu t toán.ể ậ
4.3. K t qu th c nghi mế ả ự ệ
Sau khi ti n hành th c nghi m, chúng tôi thu v ế ự ệ ề
được k t qu nh sau:ế ả ư
B ng 4.5 K t qu RMSE ng v i 6 b d li uả ế ả ứ ớ ộ ữ ệ
STT phápPhương B d li u 1ệộ ữ B d li u 2ệộ ữ B d li u 3ệộ ữ B d li u 4ộ ữ ệ B d li u 5ộ ữ ệ B d li u 6ộ ữ ệ RMSEtb
1 KNN 4.911679 4.914127 4.912884 4.914404 4.915279 4.911859 4.913372
2 MF 1.172562 1.144632 1.131938 1.165666 1.120762 1.141586 1.146191
Phương pháp KNN cho sai s RMSE r t l n,ố ấ ớ đi u này cho th y d li u tiêu dùng c a thuê baoề ấ ữ ệ ủ (tho i, sms, vas, data) không ph i là y u t có giá trạ ả ế ố ị đ i v i vi c thuê bao đó đăng ký s d ng d ch v VASố ớ ệ ử ụ ị ụ hay không.
Phương pháp th a s hoa ma tr n cho k t quừ ố ậ ế ả t t h n nhi u so v i phố ơ ề ớ ương pháp KNN, k t qu nàyế ả nh so v i đ th a th t c a b d li u. ỏ ớ ộ ư ớ ủ ộ ữ ệ
Hình 4.1 Bi u đ so sánh RMSE c a 2 phể ồ ủ ương pháp KNN và MF
K T LU NẾ Ậ
K t qu đ t đế ả ạ ược:
Nghiên c u c b n v h th ng khuy n ngh ,ứ ơ ả ề ệ ố ế ị các k thu t, thu t toán đỹ ậ ậ ược s d ng đ xâyử ụ ể d ng h th ng khuy n ngh s n ph m.ự ệ ố ế ị ả ẩ (adsbygoogle = window.adsbygoogle || []).push({});
Xây d ng các đ c tr ng c a bài toán khuy nự ặ ư ủ ế ngh cho d ch v VAS trong ngành Vi n thông.ị ị ụ ễ
Tìm hi u và áp d ng, th nghi m hai phể ụ ử ệ ương pháp h c máy là KNN và MF vào bài toànọ khuy n ngh d ch v VAS.ế ị ị ụ
Hướng nghiên c u ti p theo c a lu n văn:ứ ế ủ ậ
Th nghi m nhi u đ c tr ng c a bài toánử ệ ề ặ ư ủ khuy n ngh VAS trên thu t toán KNN đ choế ị ậ ể k t qu t t h n.ế ả ố ơ
K t h p l c c ng tác v i l c n i dung, có thế ợ ọ ộ ớ ọ ộ ể áp d ng thêm deep learning.ụ
Th nghi m t v n m t s d ch v VAS c thử ệ ư ấ ộ ố ị ụ ụ ể đ đánh giá k t qu th c t .ể ế ả ự ế
TÀI LI U THAM KH OỆ Ả
[1]. Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl, ItemBased Collaborative Filtering Recommendation Algorithms, University of Minnesota, Minneapolis, MN 55455 [2]. Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor,
Recommender Systems Handbook, Springer, 2011.
[3]. Markus Freitag, JanFelix Schwarz, Matrix Factorization Techniques For Recommender Systems, University Potsdam, 2011. [4]. Michael D.Ekstrand, John T. Riedl, Joseph A. Konstan,
Collaborative Filtering Recommender Systems, University of Minnesota, 2011
[5]. ZhaYefei, Trust and Recommender System, 2013. Đ a ch :ị ỉ
http://www.slideshare.net/zhayefei/trustrecsys
[6]. Zheng Wen, Recommendation System Based on Collaborative Filtering, 2008.
[7]. Jonathan L. Herlcocker, Joseph A. Konstan, Loren G. Terveen, and John T. Riedl, Evaluating Collaborative Filtering Recommender Systems, Oregon State University and University of Minnesota, 2004
[8]. Yehuda Koren, Robert Bell and Chris Volinsky, Matrix factorization techniques for recommender system, IEEE Computer, 2009
[9]. Shameem Ahamed Puthiya Parambath, Matrix Factorization Methods for Recommender Systems, Master's Thesis in Computing Science, 2013.
[10]. Shuai Zhang, Lina Yao, Aixin Sun, Deep Learning based Recommender System: A Survey and New Perspectives, University of New South Wales, Nanyang Technological University, 2017. [11]. Guy Shani and Asela Gunawardana, Evaluating Recommendation Systems, 2011.
[12]. Kilian Q. Weinberger, John Blitzer and Lawrence K. Sau,
Distance Metric Learning for Large Margin Nearest Neighbor Classification, Department of Computer and Information Science, University of Pennsylvania, 2006.
[13]. Tong Zhao, Julian McAuley, Irwin King, Improving Latent Factor Models via Personalized Feature Projection for One Class Recommendation, The Chinese University of Hong Kong, Department of Computer Science and Engineering, UC San Diego, La Jolla, CA, USA 2015. [14]. Information Technology Professional Forum (ITPF), Prepare Regulatory Framework for Mobile Value Added Service (MVAS), Nepal Telecommunications Authority, 2016. [15]. Digambar Jha, Consultation Paper on Licensing Provisions to Open Mobile Value Added Services in Nepal, Nepal Telecommunications Authority Kamaladi, Kathmandu Nepal, 2017. [16]. Ths. Nguy n Văn Đát, Ths. Nguy n Th Thu H ng, Ks. Lê Sễ ễ ị ằ ỹ Đ t, Ks. Lê H i Châu, ạ ả T ng quan v vi n thông,ổ ề ễ H c vi n Côngọ ệ ngh B u chính vi n thông, 2007.ệ ư ễ
[17]. Amit K. Mogal, Wireless Mobile Communication A Study of 3G Technology, Department of Computer Science, CMCS College, Nashik13, 2012.s