u
r$ = getRate(neighbors) // công th c (3.6) đ tính ứ ể ướ ược l c đánh giá
3: Tính RMSE // theo công th c (3.16) đ đánh giá k t quứ ể ế ả
Thu t toán MF:ậ
1: N p d li u hu n luy n và ki m tra vào 2 m ng ạ ữ ệ ấ ệ ể ả train_set và test_set, ch n h ngọ ằ s ốλ , K. s ốλ , K.
2: S d ng th vi n ử ụ ư ệ pandas đ ma tr n hóa t p hu n luy n ể ậ ậ ấ ệ train_set
3: S d ng th vi n ử ụ ư ệ numpy đ tách ma tr n ể ậ train_set thành ma tích hai ma tr nậ người dùng U và s n ph m ả ẩ P người 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 n lể ả ấ ầ ượt U và P5: for (u, i) in test_set 5: for (u, i) in test_set
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 giá k t quứ ể ế ả
Chúng tôi s d ng cách đánh giá ử ụ CrossValidation. Chia d li u làm 6ữ ệ t p, th c hi n 6 l n: l y 1 t p làm t p test, 5 t p còn l i dùng đ hu n luy n,ậ ự ệ ầ ấ ậ ậ ậ ạ ể ấ ệ sau đó l y k t qu trung bình. Thu t toán KNN th c hi n hu n luy n trên cácấ ế ả ậ ự ệ ấ ệ t p ậ knn_train_n.txt và ki m tra trên các t p ể ậ knn_test_n.txt tương ng (n = 1,ứ 2…6). Thu t toán MF th c hi n hu n luy n trên các t p ậ 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 tr trung bìnhứ ị RMSEtb c a 6 k t qu này s đủ ế ả ẽ ược dùng đ đ dánh giá thu t toán.ể 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 đế ự ệ ề ược 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 Phphápương B d li u 1ệộ ữ B d li u 2ệộ ữ li u 3B d ệộ ữ B d li u 4ệộ ữ B d li u 5ệộ ữ B d li u 6ệộ ữ 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
4.4. So sánh và đánh giá k t qu th c nghi mế ả ự ệ
Phương pháp KNN cho sai s RMSE r t l n, đi u này cho th y d li uố ấ ớ ề ấ ữ ệ tiêu dùng c a thuê bao (tho i, sms, vas, data) không ph i là y u t có giá trủ ạ ả ế ố ị đ i v i vi c thuê bao đó đăng ký s d ng d ch v VAS hay không.ố ớ ệ ử ụ ị ụ
Phương pháp th a s hoa ma tr n cho k t qu t t h n nhi u so v iừ ố ậ ế ả ố ơ ề ớ phương pháp KNN, k t qu này nh so v i đ th a th t c a b d li u. Nhế ả ỏ ớ ộ ư ớ ủ ộ ữ ệ ư v y phậ ương pháp này phù h p v i vi c xây d ng h th ng khuy n ngh d chợ ớ ệ ự ệ ố ế ị ị v VAS.ụ
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 , các k thu t, thu t toánứ ơ ả ề ệ ố ế ị ỹ ậ ậ đượ ử ục s d ng đ xây d ng h th ng khuy n ngh s n ph m.ể ự ệ ố ế ị ả ẩ
Xây d ng các đ c tr ng c a bài toán khuy n ngh cho d ch v VASự ặ ư ủ ế ị ị ụ trong ngành Vi n thông.ễ
Tìm hi u và áp d ng, th nghi m hai phể ụ ử ệ ương pháp h c máy là KNN vàọ MF vào bài toàn 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 toán khuy n ngh VAS trên thu tử ệ ề ặ ư ủ ế ị ậ toán KNN đ cho k t qu t t h n.ể ế ả ố ơ
K t h p l c c ng tác v i l c n i dung, có th áp d ng thêm deepế ợ ọ ộ ớ ọ ộ ể ụ learning.
Th nghi m t v n m t s d ch v VAS c th đ đánh giá k t quử ệ ư ấ ộ ố ị ụ ụ ể ể ế ả th c t .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 S Đ t, Ks. Lê H iễ ễ ị ằ ỹ ạ ả Châu, T ng quan v vi n thông,ổ ề ễ H c vi n Công ngh B u chính vi n thông, 2007.ọ ệ ệ ư ễ
[17]. Amit K. Mogal, Wireless Mobile Communication A Study of 3G Technology,