B ng 5.8 Các đ it ng th uc module th ut tốn GA
4.2 Các khĩ k hn khi xây d ng mt modul eh tr khách hàng chn sn p hm
Các khĩ kh n phi k thu t:
• Khơng gi ng nh m t ng i bán hàng th c, m t ng i bán hàng cĩ th qua cách ng x , n m c, thái đ v.v c a ng i mua mà cĩ th ch n ra các m t hàng cho phù h p. Trang web bán hàng hồn tồn khơng bi t gì v các thơng tin trên c a khách hàng.
• Ng i mua cĩ th t do t ng tác, trao đ i v i ng i bán đ nĩi lên nhu c u, s thích c a mình. Trong khi mua hàng trên m ng thì y u t th i gian là r t quan tr ng, c n ph i dung hịa gi a l ng thơng tin c n thu th p và th i gian tiêu t n c a ng i dùng.
• Trao đ i b ng ngơn ng t nhiên s d dàng và hi u qu h n. Trong khi đĩ ng i mua ch cĩ th trao đ i v i trang web qua m t s cách nh t đnh (th ng đ c s hĩa).
Các khĩ kh n v k thu t:
• Khơng gian tìm ki m s n ph m r t l n, khơng th tìm tuy n tính vì s b t khách hàng đ i lâu.
• C n t o m t kich b n đ thu th p thơng tin khách hàng sao cho h p lý, tránh gây nhàm chán và làm m t nhi u th i gian.
• V n đ “đa m c tiêu” (xem ph l c A), các s thích c a ng i dùng đơi khi xung đ t ho c khơng h p lý d n đên k t qu tìm ki m th ng là “Khơng tìm th y m t hàng nào phù h p”. ây là m t trong nh ng đi u c m k nh t c a ng i bán hàng, đ ng i khách hàng ra v tay khơng, khơng nh ng khơng bán đ c hàng mà cịn đ l i n t ng khơng t t n i khách hàng.
4.3 V n đ “đa m c tiêu” khi ch n s n ph m
Cĩ th th y khĩ kh n l n nh t c a module h tr ch n s n ph m đĩ là gi i quy t, th a mãn cùng lúc nhi u tiêu chí c a ng i mua v m t hàng mà khách hàng đĩ quan tâm. Các m c tiêu,s thích này cĩ th đ i ch i nhau. ây th c ch t chính là đi gi i quy t bài tốn t i u đa m c tiêu (xem ph l c A), trong đĩ m i m c tiêu chính là các s thích c a ng i dùng mà m t hàng đĩ ph i th a. Module này cĩ nhi m v tìm ra s n ph m phù h p (ho c g n gi ng) v i các s thích c a ng i mua.
4.4 Cách ti p c n đ gi i bài tốn “T i u đa m c tiêu” khi ch n s n ph m
N i dung c a lu n v n này là tìm hi u bài tốn t i u hĩa đa m c tiêu và cách ti p c n dùng gi i thu t di truy n (Genetic Algorithm - GA). Và áp d ng cách ti p c n trên đ gi i bài tốn t i u hĩa đa m c tiêu khi h tr khách hàng ch n s n ph m. Lu n v n này ch n cách ti p c n trên v i các lý do sau:
• ây là m t cách ti p c n m i m và đang đ c nhi u ng i quan tâm,phát tri n và ng d ng vào nhi u l nh v c khác nhau.
• Gi i thu t di truy n (GA) gi a trên ý t ng qu n th t nhiên, ch n l c ng u nhiên s làm cho gi i thu t cĩ kh n ng m nh m trong vi c tìm ki m m t cách song song. Trong đĩ t t c các cá th trong qu n th s đ c c g ng tìm ki m t t c các h ng trong khơng gian tìm ki m qua đĩ cho phép GA tránh đ c t i u hĩa c c b .
• M t th m nh c a GA trong nhi m v tìm ki m đĩ là khơng lo s kh n ng bùng n c a t h p tìm ki m.GA đ c bi t t ra h u hi u v i các khơng gian tìm ki m l n. V i các khơng gian tìm ki m l n GA khơng nh ng b o đ m đ c t i
u hĩa tồn c c mà cịn b o đ m đ c th i gian tìm ki m, m t trong nh ng yêu c u quan tr ng c a bài tốn.
• Và do đ c tr ng c a bài tốn, chúng ta c n tr v cho ng i mua m t danh sách các m t hàng mà theo h th ng là phù h p nh t (thơng th ng t 3 đ n 5 gi i pháp) nên vi c s d ng GA l i càng h p lý. GA khác các ph ng pháp tìm ki m tuy n tính khác là trong m t l n ch y cĩ th cho ta m t t p các gi i pháp thu c mi n Pareto (xem ph l c A) trong qu n th c a nĩ.
4.5 Chuy n bài tốn ch n s n ph m thành bài tốn t i u đa m c tiêu
Chúng ta s mơ t bài tốn mua hàng thành các khái ni m trong bài tốn t i u hĩa đa m c tiêu.
4.5.1 L i gi i cho bài tốn
Trong bài tốn tìm ki m s n ph m, ng i dùng mong mu n ch n ra m t m t hàng thích h p do đĩ s n ph m t i u đ i v i s thích ng i mua chính là l i gi i c a bài tốn. Nh ng ch n ra ch m t s n ph m cho ng i dùng cĩ v khơng phù h p cho l m, đơi khi t o cho ng i dùng c m giác b ép bu c. Do đĩ gi i pháp phù h p đĩ là m t t p các l i gi i t i u, t p h p này t ng t nh nh ng s n ph m mà m t ng i bán hàng s g i ý cho chúng ta khi đã n m b t đ c nhu c u c a khách hàng.
4.5.2 Các bi n quy t đnh
đây các bi n quy t đnh (xem ph l c A) chính là các thu c tính c u thành nên s n
ph m.
Ví d (s n ph m là đi n tho i di đ ng) =
X (Giá, tr ng l ng, ki u dáng, th i gian s d ng pin)
X là m t đi m trong vùng kh thi (xem ph l c A). Trong ví d trên cĩ 4 bi n quy t đnh.
4.5.3 Các ràng bu c
Trong bài tốn “t i u đa m c tiêu “ các ràng bu c (xem ph l c A) chính là các đi u ki n gi a các bi n quy t đnh. Nh ng trong bài tốn này khơng gian tìm ki m là r i r c, các đi m trong khơng gian tìm ki m chính là ràng bu c c a các bi n quy t đnh. Hay nĩi cách khác n u các giá tr c a các bi n quy t đnh cùng t n t i trong m t l i gi i thì đĩ là m t ràng bu c đúng đ n.
)) ( ),..., ( ), ( (h1 x h2 x h x H = n v i n là s bi n quy t đnh. Trong đĩ hk(x)=(xk = Nk) Khi đĩ ràng bu c H th a khi ∃Xi∈F ,Xi =(N1,N2,...,Nn)
V i F là vùng kh thi, khơng gian l i gi i và trong bài tốn này là khơng gian các s n ph m.
4.5.4 Các m c tiêu
Cĩ th d dàng nh n th y 2 m c tiêu (objective) (xem ph l c A) mà ng i mua luơn nh m t i là giá c (cost) và ch t l ng c a s n ph m (performance). Ng i mua luơn mu n mua đ c s n ph m đáp ng đ y đ các yêu c u v i m t giá r nh t .Và đi u khĩ kh n đây đĩ là 2 m c tiêu này luơn xung đ t v i nhau. M t s n ph m v i các tính n ng n i tr i luơn cĩ m t cái giá cao h n m t s n ph m khác và ng c l i do đĩ th ng đi ng c l i v i mong mu n c a ng i mua. Do đĩ nhi m v c a bài tốn đa m c tiêu đĩ là ph i dung hịa c 2 m c tiêu đĩ.
Mơ t t ng quát: )) ( ), ( ( max
min/ F = fp x fc x . T đây ta th ng nh t là s dùng min, t c là m c tiêu c a ta là làm t i thi u hĩa vector m c tiêu.
Trong đĩ F là m t vector mơ t 2 m c tiêu chính là cost và performance )
(x
fc là hàm m c tiêu cho m c tiêu v giá c (cost). )
(x
fp là hàm m c tiêu cho m c tiêu v ch t l ng (performance)
M t ví d đ n gi n v vector m c tiêu trên m t s n ph m g m 2 thu c tính.
S n ph m X =(weight, cost) v i tính ch t giá (cost) càng cao tr ng l ng (weight) càng
th p và ng i mua mu n m t s n ph m v i giá (cost) th p và tr ng l ng (weight) c ng
th p.
Vector m c tiêu đ c đnh ngh a nh sau: )) ( ), ( (f X f X F = p c v i fp(X) = weight và fc(X) = cost
Hình 4.1 - Vector m c tiêu c a s n ph m cĩ 2 thu c tính.
Trên đây ch là tr ng h p đ n gi n performance c a ta ch cĩ m t thu c tính. i v i tr ng h p t ng quát thì sao? Bây gi hàm m c tiêu v ch t l ng (performance) s n ph m s tr thành: )) ( ... ) ( ) ( ( ) (x f 1 x f 2 x f ( 1) x fp = p + p + + pn− v i n là s thu c tính c a s n ph m (n-1 vì đã b qua thu c tính giá c )
Nh ng khĩ kh n đ t ra là các thu c tính l i khơng cĩ đ n v tính gi ng nhau do đĩ ta c n cĩ m t s tinh ch nh đ hàm fp(x) cĩ th th c hi n đ c. M t cách đ n gi n mà ta cĩ th áp d ng đĩ là tinh ch nh (normalize) các thu c tính đ các thu c tính đ u cĩ giá tr là m t s th c t 0 đ n 1. Bây gi hàm m c tiêu v performance s cĩ d ng:
) / ) ( ... / ) ( / ) ( ( ) ( = p1 10 + p2 20 + + p(n−1) n0−1 p x f x X f x X f x X f trong đĩ Xk0 là giá tr l n nh t mà thu c tính X1 cĩ th cĩ đ c. 4.5.5 H ng đ n m t l i gi i “t i u”
cĩ đ c m t l i gi i t i u (ho c g n t i u) chúng ta c n qua 2 giai đo n:
• H ng các l i gi i c a chúng ta v mi n t i u Pareto (xem ph l c A)
• Ch n trên mi n Pareto m t l i gi i phù h p nh t.
4.5.5.a i u h ng l i gi i v mi n t i u Pareto
C ng nh v i cách mua hàng truy n th ng ,đ ng i bán hàng cĩ th ch n ra các s n ph m phù h p thì ng i mua ph i cung c p các tiêu chí (s thích) v s n ph m mà mình đnh mua. C ng t ng t nh v y đ gi i quy t bài tốn này chúng ta c ng ph i thu th p m t s thơng tin v s n ph m mà ng i dùng mong đ i, đây chính là m c tiêu c a ng i dùng. ) (X fc ) (X fp Xu h ng ng i mua Vùng kh thi hay khơng gian tìm ki m Vùng yêu thích
Chúng ta cĩ th mơ t m t m c tiêu c a ng i dùng b ng m t vector nh sau: ) ,..., , ( Pref = P1 P2 Pk (Pref - Preference )
Trong đĩ Pi là m t h ng s , mơ t giá tr mà ng i mua mong mu n cĩ đ c thu c tính
i
x . Và k là s thu c tính mà ng i dùng mơ t v s n ph m.Trong đĩ 1≤k ≤n (n là s thu c tính c a s n ph m) vì khơng nh t thi t ng i dùng ph i mơ t t t c các thu c tính. Và m c tiêu c a chúng ta là đ a giá tr c a các thu c tính đ c mơ t v càng g n v i giá tr Pi càng t t. ây chính là n i ta áp d ng h ng ti p c n h ng m c đích (xem ph l c A), m i Pi là m t m c đích c a chúng ta.
M t m c đích trên thu c tính xi cĩ th đ c mơ t m t cách đ n gi n là:
i pi x x f ( )− min Và hàm m c tiêu v ch t l ng s n ph m s cĩ d ng: ) ) ( min min( ) ( 1 ∑ = − = k i i pi p x f x x f
Khi t i u t ng m c đích (goal) chúng ta hi v ng r ng các s n ph m trong khơng gian tìm ki m c a thu t tốn di truy n s đi u h ng v mi n t i u Pareto.
Hình 4.2 - i u h ng v mi n t i u Pareto. ) (x fc ) (x fp Mi n t i u Pareto i P 1 P 2 P
4.5.5.b Ch n trên mi n t i u Pareto l i gi i t i u nh t
Theo đnh ngh a c a mi n t i u Pareto thì nh ng l i gi i trên mi n này khơng th so sánh v i nhau đ c n a vì trên mi n này khơng cĩ l i gi i nào hồn tồn th ng tr l i gi i khác (xem ph l c A). Khi chúng ta đã ch n l c đ c các l i gi i trên mi n Pareto ( b c trên) thì vi c ti p theo đĩ là ch n ra trên mi n đĩ 1 ho c nhi u l i gi i mà ta cho là t t h n nh ng l i gi i khác (c ng thu c mi n Pareto). Chúng ta ph i làm vi c này vì trên mi n Pareto khơng đ m b o ch t n t i 1 l i gi i.
ch n ra l i gi i t t h n trên mi n này chúng ta s áp d ng cách ti p c n Weighting Objective(xem ph l c A). Khi đĩ ta c n thêm các thơng tin v m c đ quan tr ng c a các m c tiêu (đây là các đánh giá khách quan c a ng i ra quy t đnh-ng i mua hàng). ây chính là m i t ng quan v đ tr i c a các m c tiêu.
Lúc này vector mơ t s thích c a ng i mua cĩ d ng: )) , ( ),..., , ( ), , ((
Pref = wp1 P1 wp2 P2 wpk Pk trong đĩ wi chính là đ quan tr ng c a m c tiêu th i trong m c tiêu v ch t l ng c a s n ph m fpi(x)
Khi đĩ tr ng s quan tr ng c a m c tiêu v ch t l ng s n ph m (performance) s là : ∑ = = k i pi p w w 1
Và đ quan tr ng c a m c tiêu v giá c wc
V i các ràng bu c: 1 1 = + = + ∑ = c k i pi c p w w w w
Khi ng i dùng thay đ i các tr ng s đ quan tr ng c a các m c tiêu thì các l i gi i “t i
u” s di chuy n trên mi n Pareto. Ng i ra quy t đnh cĩ th thay đ i tr ng s này đ cĩ th ch n ra các l i gi i “t i u”.
Hình 4.3 Di chuy n trên mi n Pareto b ng cách thay đ i tr ng s
4.5.6 Các c i ti n đ phù h p v i bài tốn.
4.5.6.a Mơ t c u trúc gene c a thu t gi i di truy n
Do nhu c u c a bài tốn (c n tr v m t t p l n h n 1 l i gi i t i u) nên m i gen s đ c bi u di n b ng m t m ng các đnh danh c a các l i gi i trong khơng gian tím ki m (trong tr ng h p c th đĩ là các id c a các s n ph m trong c s d li u). S l i gi i tr v cĩ th ph thu c vào mong mu n c a ng i dùng (nh ng ph i l n h n 1, khơng ai l i mu n khơng tìm th y s n ph m nào).
Mơ t m t gen:
Trong đĩ n là s k t qu mà ng i dùng mong đ i đ c tr v .
K t qu t t nh t mà ta mong đ i đ ch n đĩ là gen mà t t c các ID trong gen đ u n m trên mi n t i u Pareto ho c t i h n cĩ th cĩ m t s ID thu c Pareto và m t s ít h n n m g n mi n Pareto. Tr ng h p khơng thành cơng là khơng cĩ ID nào thu c mi n Pareto lúc này thu t gi i ch a đ c h i t , ho c h i t quá s m gây ra t i u c c b .
) (x fc ) (x fp c w p w Mi n t i u Pareto
Hình 4.4 - Các tr ng thái gen trong qu n th .
4.5.6.b Vai trị c a các thao tác ch n l c, lai ghép, đ t bi n trên qu n th
Ch n l c: Quá trình này nh m m c đích lo i b kh i qu n th nh ng gen ch a các l i gi i x u (nh ng l i gi i n m xa mi n t i u Pareto) (xem hình trên). Tuy nhiên v n đ c n quan tâm đây đĩ là b o tốn tính t t và tính đa d ng c a qu n th . Khi lo i b các gen x u chúng ta cĩ th lo i b luơn c các l i gi i t t (ho c t ng đ i t t) t n t i trong gen.
Lai ghép: ây là m t quá trình t nhiên trong đĩ các nhi m s c th gi a 2 gen s đ c hốn đ i cho nhau. Nhi m v chính c a nĩ là làm t ng tính đa d ng c a qu n th , v i hi v ng các gen t t h n s đ c t o ra.
Chúng ta c n m t s c i ti n đ b o đ m r ng các gen đ i sau s t t h n đ i tr c. B i vì đ t t c a m t gen đ c xác đnh b ng t ng đ t t c a m i nhi m s c th (gen nào cĩ nhi u nhi m s c th (NST) trên mi n Pareto, ho c g n mi n Pareto h n thì gen đĩ t t h n). Nên khi lai ghép ta s chuy n các NST t t c a m t gen (b ho c m ) vào gen c a ng i cịn l i. Nh v y sau khi lai ghép s t o ra m t gen hồn tồn tr i h n 2 gen b m , và m t gen s ch a tồn nh ng tính x u. Khi đĩ trong quá trình ch n l c ta ch gi l i