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 iU 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 iU 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 iU 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 xP\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). - iU 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 iU 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
LL + 2; //Tăng độ dài đường đi.
Until ( với mọi j(U \ i));
Bước 2. Xác định K2 là tập láng giềng của người dùng iU 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
LL + 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 iU 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
LL + 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 iU 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 iU 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 iU 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 iU
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 iU 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 xP\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).
- iU là người dùng cần tư vấn.
Các bước tiến hành: Begin:
Bước 1. Xác định K1 là tập láng giềng của người dùng iU 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
LL + 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
LL + 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
LL + 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 iU 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 iU 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 iU 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 xP\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).
- iU 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 iU 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
LL + 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
LL + 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 iU 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
LL + 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 iU 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 iU 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 iU 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 iU 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 iU 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 iU
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
xP\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).
- iU 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 iU 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
LL + 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 iU 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
LL + 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 iU 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
LL + 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 iU 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
LL + 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 iU 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 iU 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 iU 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 iU 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 iU 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 iU
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
xP\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).
- iU 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 iU 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
LL + 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 iU 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
LL + 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 iU 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
LL + 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 iU 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 iU 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-