Phương pháp tư vấn kết hợp hai hành vi

Trong phần này, luận văn sẽ trình bày phương pháp tư vấn kết hợp hành vi Comment với lần lượt các hành vi Friend, Like và Post.

2.3.1 Phương pháp tư vấn kết hợp hai hành vi Comment và Friend

Phương pháp tư vấn cộng tác dựa vào hành vi Combinated-Comment-

Friend đề xuất được mô tả chi tiết trong Hình 2.5. Tại bước 1, thuật toán thực hiện

tính toán tìm K1 người dùng láng giềng của người dùng hiện thời iU dựa vào ma

trận đánh giá. Tại bước 2, thuật toán thực hiện tính toán tìm K2 người dùng láng

giềng của người dùng hiện thời iU dựa vào ma trận Friend. Tại bước 3, thuật toán

dựa vào ma trận Comment. Tại bước 4, thuật toán thực hiện tính toán tìm Ki người

dùng láng giềng của người dùng hiện thời iU dựa vào ma trận đánh giá và ma trận

Friend, ma trận Comment. Tại bước 5, thuật toán dự đoán quan điểm của người dùng i đối với các sản phẩm mới xP\Pi bằng cách lấy giá trị trung bình các đánh

giá của những người dùng j trong tập láng giềng Ki. Bước 6 chọn K sản phẩm có

mức độ tương tự cao nhất tư vấn cho người dùng i.

Thuật toán Combinated -Comment-Friend Input: - Ma trận đánh giá R = (rix:i=1, 2,..,n; j=1, 2,..,m). - Ma trận quan hệ bạn bè F = (fij:i=1, 2,..,n; j=1, 2,..,n). - Ma trận Comment C = (cij:i=1, 2,..,n; j=1, 2,..,m). - iU là người dùng cần tư vấn. Output:

- Top K sản phẩm phù hợp nhất đối với người dùng i.

Các bước tiến hành: Begin:

Bước 1. Xác định K1 là tập láng giềng của người dùng iU dựa vào ma trận đánh giá.

1.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma

trận đánh giá.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

Bước 2. Xác định K2 là tập láng giềng của người dùng iU dựa vào ma trận Friend.

2.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận Friend.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

2.2. Sắp xếp theo thứ tự giảm dần của

2.3. K2 = >;

Bước 3. Xác định K3 là tập láng giềng của người dùng iU dựa vào ma trận Comment.

3.1. Tính tooán mức độ tương tự giữa các cặp người dùng dựa vào ma trận Comment.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

3.2. Sắp xếp theo thứ tự giảm dần của

3.3. ;

Bước 4. Xác định Ki là tập láng giềng của người dùng iU dựa vào ma trận đánh giá và ma trận Friend, ma trận Comment.

Bước 5. Dự đoán các sản phẩm phù hợp nhất đới với người dùng i.

Bước 6. Chọn K sản phẩm có mức độ tương tự cao nhất tư vấn cho người dùng i.

End.

Hình 2.5. Thuật toán Combinated - Comment-Friend 2.3.2 Phương pháp tư vấn kết hợp hai hành vi Comment và Like

Phương pháp tư vấn cộng tác dựa vào hành vi Combinated-Comment-Like

đề xuất được mô tả chi tiết trong Hình 2.6. Tại bước 1, thuật toán thực hiện tính

toán tìm K1 người dùng láng giềng của người dùng hiện thời iU dựa vào ma trận

đánh giá. Tại bước 2, thuật toán thực hiện tính toán tìm K2 người dùng láng giềng của người dùng hiện thời iU dựa vào ma trận Comment. Tại bước 3, thuật toán thực hiện tính toán tìm K3 người dùng láng giềng của người dùng hiện thời iU

dựa vào ma trận Like. Tại bước 4, thuật toán thực hiện tính toán tìm Ki người dùng

láng giềng của người dùng hiện thời iU dựa vào ma trận đánh giá và ma trận Comment, ma trận Like. Tại bước 5, thuật toán dự đoán quan điểm của người dùng

i đối với các sản phẩm mới xP\Pi bằng cách lấy giá trị trung bình các đánh giá của

những người dùng j trong tập láng giềng Ki. Bước 6 chọn K sản phẩm có mức độ

tương tự cao nhất tư vấn cho người dùng i.

Thuật toán Combinated -Comment-Like Input:

- Ma trận đánh giá R = (rix:i=1, 2,..,n; j=1, 2,..,m). - Ma trận Like Li = (liij:i=1, 2,..,n; j=1, 2,..,m). - Ma trận Comment C = (cij:i=1, 2,..,n; j=1, 2,..,m).

- iU là người dùng cần tư vấn.

Các bước tiến hành: Begin:

Bước 1. Xác định K1 là tập láng giềng của người dùng iU dựa vào ma trận đánh giá.

1.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận đánh giá.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

1.2. Sắp xếp theo thứ tự giảm dần của 1.3.

Bước 2. Xác định K2 là tập láng giềng của người dùng i U dựa vào ma trận Comment.

2.1. Xác định mức độ tương tự giữa các cặp người dùng dựa vào ma trận Comment.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

2.2. Sắp xếp theo thứ tự giảm dần của

2.3. ;

Like.

3.1. Xác định mức độ tương tự giữa các cặp người dùng dựa vào ma trận Like.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

3.2. Sắp xếp theo thứ tự giảm dần của

3.3. ;

Bước 4. Xác định Ki là tập láng giềng của người dùng iU dựa vào ma trận đánh giá và ma trận like, ma trận comment.

Bước 5. Dự đoán các sản phẩm phù hợp nhất đới với người dùng i.

Bước 6. Chọn K sản phẩm có mức độ tương tự cao nhất tư vấn cho người dùng i

End.

Hình 2.6. Thuật toán Combinated -Comment-Like 2.3.3 Phương pháp tư vấn kết hợp hai hành vi Comment và Post

Phương pháp tư vấn cộng tác dựa vào hành vi Combinated-Comment-Post

đề xuất được mô tả chi tiết trong Hình 2.7. Tại bước 1, thuật toán thực hiện tính

toán tìm K1 người dùng láng giềng của người dùng hiện thời iU dựa vào ma trận

dựa vào ma trận Post. Tại bước 4, thuật toán thực hiện tính toán tìm Ki người dùng láng giềng của người dùng hiện thời iU dựa vào ma trận đánh giá và ma trận

Comment, ma trận Post. Tại bước 5, thuật toán dự đoán quan điểm của người dùng i

đối với các sản phẩm mới xP\Pi bằng cách lấy giá trị trung bình các đánh giá của

những người dùng j trong tập láng giềng Ki. Bước 6 chọn K sản phẩm có mức độ

tương tự cao nhất tư vấn cho người dùng i.

Thuật toán Combinated-Comment-Post Input:

- Ma trận đánh giá R = (rix:i=1, 2,..,n; j=1, 2,..,m). - Ma trận Comment C = (cij:i=1, 2,..,n; j=1, 2,..,m). - Ma trận Post Po= (poij:i=1, 2,..,n; j=1, 2,..,m).

- iU là người dùng cần tư vấn.

Output:

- Top K sản phẩm phù hợp nhất đối với người dùng i.

Các bước tiến hành: Begin:

Bước 1. Xác định K1 là tập láng giềng của người dùng iU dựa vào ma trận đánh giá.

1.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận đánh giá.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

1.2. Sắp xếp theo thứ tự giảm dần của 1.3.

Bước 2. Xác định K2 là tập láng giềng của người dùng i U dựa vào ma trận Comment.

2.1. Xác định mức độ tương tự giữa các cặp người dùng dựa vào ma trận Comment.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

2.2. Sắp xếp theo thứ tự giảm dần của

2.3. ;

Bước 3. Xác định K3 là tập láng giềng của người dùng iU dựa vào ma trận Post.

3.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận Post.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

3.2. Sắp xếp theo thứ tự giảm dần của

3.3. ;

Bước 4. Xác định Ki là tập láng giềng của người dùng iU dựa vào ma trận đánh giá và ma trận post, ma trận comment.

Bước 5. Dự đoán các sản phẩm phù hợp nhất đới với người dùng i.

Bước 6. Chọn K sản phẩm có mức độ tương tự cao nhất tư vấn cho người dùng i.

End.

Hình 2.7. Thuật toán Combinated-Comment-Post 2.4 Phương pháp tư vấn kết hợp ba hành vi

Trong phần này, luận văn sẽ trình bày phương pháp tư vấn kết hợp hành vi Comment, hành vi Like với lần lượt các hành vi Friend và Post.

2.4.1 Phương pháp tư vấn kết hợp ba hành vi Comment, Like, Friend

Phương pháp tư vấn cộng tác dựa vào hành vi Combinated-Comment-

Friend-Like đề xuất được mô tả chi tiết trong Hình 2.8. Tại bước 1, thuật toán thực

hiện tính toán tìm K1 người dùng láng giềng của người dùng hiện thời iU dựa vào

ma trận đánh giá. Tại bước 2, thuật toán thực hiện tính toán tìm K2 người dùng láng

giềng của người dùng hiện thời iU dựa vào ma trận Friend. Tại bước 3, thuật toán

thực hiện tính toán tìm K3 người dùng láng giềng của người dùng hiện thời iU dựa

vào ma trận Like. Tại bước 4, thuật toán thực hiện tính toán tìm K4 người dùng láng

giềng của người dùng hiện thời iU dựa vào ma trận Comment. Tại bước 5, thuật

toán thực hiện tính toán tìm Ki người dùng láng giềng của người dùng hiện thời iU

dựa vào ma trận đánh giá và ma trận Comment, ma trận Like, ma trận Friend. Tại

bước 6, thuật toán dự đoán quan điểm của người dùng i đối với các sản phẩm mới

xP\Pi bằng cách lấy giá trị trung bình các đánh giá của những người dùng j trong

tập láng giềng Ki. Bước 7 chọn K sản phẩm có mức độ tương tự cao nhất tư vấn cho

người dùng i.

Thuật toán Combinated-Comment-Friend-Like Input:

- Ma trận quan hệ bạn bè F = (fij:i=1, 2,..,n; j=1, 2,..,n). - Ma trận Like Li = (liij:i=1, 2,..,n; j=1, 2,..,m).

- Ma trận Comment C = (cij:i=1, 2,..,n; j=1, 2,..,m).

- iU là người dùng cần tư vấn.

Output:

- Top K sản phẩm phù hợp nhất đối với người dùng i.

Các bước tiến hành: Begin:

Bước 1. Xác định K1 là tập láng giềng của người dùng iU dựa vào ma trận đánh giá

1.1. Tính tooán mức độ tương tự giữa các cặp người dùng dựa vào ma trận đánh giá.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

1.2. Sắp xếp theo thứ tự giảm dần của 1.3.

Bước 2. Xác định K2 là tập láng giềng của người dùng iU dựa vào ma trận Friend

2.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận Friend.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

2.2. Sắp xếp theo thứ tự giảm dần của fijL

2.3. K2 = >;

Bước 3. Xác định K3 là tập láng giềng của người dùng iU dựa vào ma trận Like.

3.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận Like.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

3.2. Sắp xếp theo thứ tự giảm dần của

3.3. ;

Bước 4. Xác định K4 là tập láng giềng của người dùng iU dựa vào ma trận Comment.

4.1. Xác định mức độ tương tự giữa các cặp người dùng dựa vào ma trận Comment.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

4.3. ;

Bước 5. Xác định Ki là tập láng giềng của người dùng iU dựa vào ma trận đánh giá và ma trận friend, ma trận post, ma trận like, ma trận comment.

Bước 6. Dự đoán các sản phẩm phù hợp nhất đối với người dùng i.

Bước 7. Chọn K sản phẩm có mức độ tương tự cao nhất tư vấn cho người dùng i.

End.

Hình 2.8. Thuật toán Combinated-Comment-Friend-Like 2.4.2 Phương pháp tư vấn kết hợp ba hành vi Comment, Like, Post

Phương pháp tư vấn cộng tác dựa vào hành vi Combinated-Like-Post-

Comment đề xuất được mô tả chi tiết trong Hình 2.9. Tại bước 1, thuật toán thực

hiện tính toán tìm K1 người dùng láng giềng của người dùng hiện thời iU dựa vào

ma trận đánh giá. Tại bước 2, thuật toán thực hiện tính toán tìm K2 người dùng láng

giềng của người dùng hiện thời iU dựa vào ma trận Post. Tại bước 3, thuật toán

thực hiện tính toán tìm K3 người dùng láng giềng của người dùng hiện thời iU dựa

vào ma trận Like. Tại bước 4, thuật toán thực hiện tính toán tìm K4 người dùng láng

giềng của người dùng hiện thời iU dựa vào ma trận Comment. Tại bước 5, thuật

toán thực hiện tính toán tìm Ki người dùng láng giềng của người dùng hiện thời iU

dựa vào ma trận đánh giá và ma trận Comment, ma trận Like, ma trận Post. Tại

bước 6, thuật toán dự đoán quan điểm của người dùng i đối với các sản phẩm mới

xP\Pi bằng cách lấy giá trị trung bình các đánh giá của những người dùng j trong

tập láng giềng Ki. Bước 7 chọn K sản phẩm có mức độ tương tự cao nhất tư vấn cho

- Ma trận đánh giá R = (rix:i=1, 2,..,n; j=1, 2,..,m). - Ma trận Post Po= (poij:i=1, 2,..,n; j=1, 2,..,m). - Ma trận Like Li = (liij:i=1, 2,..,n; j=1, 2,..,m). - Ma trận Comment C = (cij:i=1, 2,..,n; j=1, 2,..,m).

- iU là người dùng cần tư vấn.

Output:

- Top K sản phẩm phù hợp nhất đối với người dùng i.

Các bước tiến hành: Begin:

Bước 1. Xác định K1 là tập láng giềng của người dùng iU dựa vào ma trận đánh giá.

1.2. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận

đánh giá.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

1.2. Sắp xếp theo thứ tự giảm dần của 1.3.

Bước 2. Xác định K2 là tập láng giềng của người dùng iU dựa vào ma trận Post.

2.1. Tính tooán mức độ tương tự giữa các cặp người dùng dựa vào ma trận Post.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

2.2. Sắp xếp theo thứ tự giảm dần của

2.3.

Bước 3. Xác định K3 là tập láng giềng của người dùng iU dựa vào ma trận Like.

3.1. Tính toán mức độ tương tự giữa các cặp người dùng dựa vào ma trận Like.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

LL + 2; //Tăng độ dài đường đi.

Until ( với mọi j(U \ i));

3.2. Sắp xếp theo thứ tự giảm dần của

3.3. ;

Bước 4. Xác định K4 là tập láng giềng của người dùng iU dựa vào ma trận Comment.

4.1. Xác định mức độ tương tự giữa các cặp người dùng dựa vào ma trận Comment.

L 2;//Thiết lập độ dài đường đi ban đầu L=2

Repeat

Until ( với mọi j(U \ i)); 4.2. Sắp xếp theo thứ tự giảm dần của

4.3. ;

Bước 5. Xác định Ki là tập láng giềng của người dùng iU dựa vào ma trận đánh giá và ma trận friend, ma trận post, ma trận like, ma trận comment.

Bước 6. Dự đoán các sản phẩm phù hợp nhất đới với người dùng i.

Bước 7. Chọn K sản phẩm có mức độ tương tự cao nhất tư vấn cho người dùng i.

End.

Hình 2.9. Thuật toán Combinated-Like-Post-Comment

2.5 Phương pháp tư vấn kết hợp bốn hành vi Comment, Like, Friend, Post Post

2.5.1 Thuật toán

Phương pháp tư vấn cộng tác dựa vào hành vi Combinated- Comment-