Bán giám sát tập đánh giá sản phẩm cùng tập đặc trưng người dùng

vì Si không phải là tập dữ liệu thưa trên toàn bộ 𝑈 ∪ 𝐶. Hơn thế nữa, hai người dùng

i, j có mức độ tương theo đánh giá người dùng và tương tự theo hồ sơ người dùng phải vượt quá một ngưỡng  nào đó. Ngưỡng  được xác định thông qua kiểm nghiệm. Bằng thực nghiệm em chọn =0.9 để có được kết quả tốt nhất.

Sau khi xác định được mức độ tương tự giữa các cặp người dùng, em xây dựng tập láng giềng cho người dùng iU theo công thức (2.21). Phương pháp dự đoán các sản phẩm mới xP chưa được người dùng i biết đến được thực hiện theo công thức (2.22)[9, 15, 16].

𝐾𝑖 = {𝑗 ∈ 𝑆𝑖: 𝑢𝑖𝑗 > 𝛼} (2.21)

𝑟𝑖𝑥 = 𝑟̿ +𝑖 ∑𝑗∈𝐾𝑖(𝑟𝑗𝑥−𝑟̿ )𝑢𝑗 𝑖𝑗

∑𝑗∈𝐾𝑖|𝑢𝑖𝑗| (2.22)

Những sản phẩm mới xP có giá trị dự đoán rix theo (2.22) là những dự đoán tin cậy được bổ sung vào ma trận đánh giá mở rộng theo hồ sơ sản phẩm để phục vụ quá trình bán giám sát theo tập đánh giá sản phẩm cùng tập đặc trưng người dùng.

2.3.2. Bán giám sát tập đánh giá sản phẩm cùng tập đặc trưng người dùng dùng

Hệ tư vấn lai được xác định theo (2.19) cho phép ta dễ dàng triển khai các phương pháp lọc cộng tác dựa vào sản phẩm [10, 15]. Phương pháp được tiến hành thông qua 4 bước: tính toán mức độ tương tự giữa các cặp sản phẩm, xác định tập láng giềng cho sản phẩm cần tư vấn, dự đoán quan mức độ phù hợp của sản phẩm đối với mỗi

người dùng và tư vấn top k sản phẩm có giá trị dự đoán cao nhất cho người dùng [10]. Do tính chất thưa thớt của ma trận đánh giá làm cho việc xác định mức độ tương tự giữa các cặp sản phẩm kém chính xác. Điều này sẽ ảnh hưởng trực tiếp đến việc xác định tập láng giềng của sản phẩm và kết quả dự đoán mức độ phù hợp của người dùng đối với sản phẩm [1,10]. Để khắc phục điều này, với mỗi sản phẩm xP em xây dựng tập Sx được định nghĩa theo công thức (2.23) để giám sát việc tính toán mức độ tương tự giữa các cặp sản phẩm. Trong đó, Ux được xác định theo công thức (2.8), Tx được xác định theo công thức (2.24).

𝑆𝑥 = {𝑦 ∈ 𝑃: |𝑈𝑥 ∩ 𝑈𝑦| ≥ 1𝑣à |𝑇𝑥∩ 𝑇𝑦| ≥ 2} (2.23)

𝑇𝑥 = {𝑞 ∈ 𝑇: 𝑟𝑞𝑥 ≠ 0} (2.24)

Sx được xác định theo (2.23) là tập sản phẩm yP có số lượng người dùng đánh giá giao nhau với sản phẩm x ít nhất là 1 và số lượng các đặc trưng người dùng giao nhau ít nhất là 2. Hai hằng số nguyên dương 1 và 2 được chọn đủ lớn trong tập dữ liệu huấn luyện để Sx không còn là tập dữ liệu thưa. Dựa vào Sx và độ tương quan Pearson, chúng ta bán giám sát việc tính toán mức độ tương tự giữa các cặp sản phẩm của lọc cộng tác theo công thức (2.25), bán giám sát việc tính toán mức độ tương tự giữa các cặp sản phẩm của lọc nội dung theo công thức (2.26), bán giám sát việc tính toán mức độ tương tự giữa các cặp sản phẩm của lọc kết hợp theo công thức (2.27).

𝑎𝑥𝑦 = { 0 𝑛ế𝑢 𝑦𝑆𝑥 ∑𝑖∈𝑈𝑥∩𝑈𝑦(𝑟𝑖𝑥−𝑟̅̅̅)(𝑟𝑥 𝑖𝑦−𝑟̅̅̅)𝑦 √∑ (𝑟𝑖𝑥−𝑟̅̅̅)𝑥 2 𝑖∈𝑈𝑥∩𝑈𝑦 √∑𝑖∈𝑈𝑥∩𝑈𝑦(𝑟𝑖𝑦−𝑟̅̅̅)𝑦 2 𝑛ế𝑢 𝑦 ∈ 𝑆𝑥 (2.25) 𝑏𝑥𝑦 = { 0 𝑛ế𝑢 𝑦𝑆𝑥 ∑𝑞∈𝑇𝑥∩𝑇𝑦(𝑟𝑞𝑥−𝑟⃛ )(𝑟𝑥 𝑞𝑦−𝑟⃛ )𝑦 √∑𝑞∈𝑇𝑥∩𝑇𝑦(𝑟𝑞𝑥−𝑟⃛ )𝑥 2√∑𝑞∈𝑇𝑥∩𝑇𝑦(𝑟𝑞𝑦−𝑟⃛ )𝑦 2 𝑛ế𝑢 𝑦 ∈ 𝑆𝑥 (2.26) 𝑝𝑥𝑦 = { ∑𝑖∈𝐻𝑥∩𝐻𝑦(𝑟𝑖𝑥−𝑟̿̿̿)(𝑟𝑥 𝑖𝑦−𝑟̿̿̿)𝑦 √∑𝑖∈𝐻𝑥∩𝐻𝑦(𝑟𝑖𝑥−𝑟̿̿̿)𝑥 2√∑𝑖∈𝐻𝑥∩𝐻𝑦(𝑟𝑖𝑦−𝑟̿̿̿)𝑦 2 𝑛ế𝑢 𝑦 ∈ 𝑆𝑥 𝑣à 𝑎𝑥𝑦 ≥ 𝑣à 𝑏𝑥𝑦 ≥ 0 𝑡𝑟𝑜𝑛𝑔 𝑐á𝑐 𝑡𝑟ườ𝑛𝑔 ℎợ𝑝 𝑘ℎá𝑐 (2.27)

Trong đó, Ux được xác định theo công thức (2.8), Tx được xác định theo công thức (2.24), Hx, 𝑟̅𝑥 , 𝑟⃛𝑥, 𝑟̿𝑥 được xác định theo công thức (2.28), (2.29), (2.30), (2.31), theo thứ tự . 𝐻𝑥 = 𝑈𝑥∪ 𝑇𝑥 (2.28) 𝑟̅ =𝑥 1 |𝑈𝑥∩𝑈𝑦|∑𝑖∈𝑈𝑥∩𝑈𝑦𝑟𝑖𝑥 (2.29) 𝑟⃛ =𝑥 1 |𝑇𝑥∩𝑇𝑦|∑𝑞∈𝑇𝑥∩𝑇𝑦𝑟𝑞𝑥 (2.30) 𝑟̿ =𝑥 1 |𝐻𝑥∩𝐻𝑦|∑𝑖∈𝐻𝑥∩𝐻𝑦𝑟𝑖𝑥 (2.31)

Rõ ràng, axy được xác định trên Sx theo (2.25) chính xác hơn so với axy được xác định trên toàn bộ tập sản phẩm P trong tập dữ liệu huấn luyện vì Sx chọn trên các hàng người dùng không phải là tập dữ liệu thưa. Giá trị bxy được xác định trên Sx theo (2.26) chính xác hơn so với bxy được xác định trên toàn bộ tập đặc trưng gười dùng T

vì Sx chọn trên các hàng đặc trưng người dùng cũng không phải là tập dữ liệu thưa. Giá trị uxy được xác định theo (2.27) tin cậy hơn so với pxy xác định trên toàn bộ tập sản phẩm và đặc trưng người dùng vì Sx không phải là tập dữ liệu thưa trên toàn bộ

𝑃 ∪ 𝑇. Hơn thế nữa, hai sản phẩm x, y có mức độ tương theo đánh giá sản phẩm và tương tự theo hồ sơ sản phẩm phải vượt quá một ngưỡng  nào đó. Ngưỡng  được xác định thông qua kiểm nghiệm. Chúng ta chọn =0.90 để có được kết quả tốt nhất. Sau khi xác định được mức độ tương tự giữa các cặp sản phẩm, chúng ta xây dựng tập láng giềng cho sản phẩm xP theo công thức (2.32). Phương pháp dự đoán mức độ phù hợp của người dùng iU đối với sản phẩm xP được thực hiện theo công thức (2.33)[10, 15, 16].

𝐾𝑥 = {𝑦 ∈ 𝑆𝑥: 𝑝𝑥𝑦 >} (2.32)

𝑟𝑖𝑥 =∑𝑦∈𝐾𝑥𝑝𝑥𝑦𝑟𝑖𝑦

∑𝑦∈𝐾𝑥|𝑝𝑥𝑦| (2.33)

Giá trị dự đoán rix theo (2.33) phản ánh mức độ phù hợp của người dùng iU

đối với sản phẩm xP được bổ sung vào ma trận đánh giá mở rộng theo sản phẩm để phục vụ quá trình bán giám sát theo tập đánh giá người dùng và tập đặc trưng sản

phẩm. Hai quá trình bán giám sát được thực hiện đồng thời và bổ sung qua lại cho nhau các giá trị dự đoán chắc chắn rix để nâng cao kết quả tư vấn.

2.3.3. Thuật toán học bán giám sát cho lọc kết hợp

Phương pháp bán giám sát theo đánh giá người dùng cùng tập đặc trưng sản phẩm cho phép ta phát hiện những sản phẩm mới phù hợp nhất đối với mỗi người dùng. Phương pháp bán giám sát theo đánh giá sản phẩm cùng tập đặc trưng người dùng cho phép ta phát hiện những người dùng mới phù hợp nhất đối với mỗi sản phẩm. Chúng ta xây dựng thuật toán học bán giám sát đồng thời để xử lý quá trình chuyển giao kết quả dự đoán giữa quá trình bán giám sát từ tập đánh giá người dùng cùng tập đặc trưng sản phẩm đến quá trình bán giám sát từ tập đánh giá sản phẩm cùng tập đặc trưng người dùng. Thuật toán được mô tả chi tiết như trong Hình 1.

Thuật toán học bán giám sát ký hiệu là Semi-Learning thực hiện tuần tự thông qua ba bước: bước khởi tạo, bước lặp và tạo nên tư vấn. Tại bước khởi tạo t=0, ma trận ghi lại kết quả dự đoán được khởi tạo bằng chính ma trận đánh giá ban đầu của lọc cộng tác 𝑅(0) = {𝑟𝑖𝑗(0) = 𝑟𝑖𝑗: 𝑖 = 1, 2, … , 𝑁; 𝑗 = 1, 2, … , 𝑀}. Tại bước lặp, quá trình bán giám sát theo đánh giá người dùng và tập đặc trưng sản phẩm được thực hiện tuần tự theo các bước (2.1.a), (2.1.b), (2.1.c), (2.1.d), (2.1.e), (2.1.f). Tại bước (2.1.a) ta xác định được giá trị 𝑤𝑖𝑠(𝑡) phản ánh quan điểm của người dùng iU đối với các đặc trưng sản phẩm sC của vòng lặp thứ (t) theo công thức (2.6). Sử dụng 𝑤𝑖𝑠(𝑡)

, tại bước (2.1.b) ta xây dựng được ma trận đánh giá mở rộng theo hồ sơ người dùng của vòng lặp thứ (t) theo công thức (2.7). Dựa vào kết quả của bước (2.1.b), tại bước (2.1.c) ta xác định được tập 𝑆𝑖(𝑡) là tập dữ liệu không thưa đối với người dùng iU

của vòng lặp thứ (t) theo công thức (2.12). Sử dụng 𝑆𝑖(𝑡), bước (2.1.d) ta xác định được 𝑢𝑖𝑗(𝑡) là mức độ tương tự giữa các cặp người dùng i, jU trên cả tập đánh giá người dùng và tập đặc trưng sản phẩm của vòng lặp thứ (t) theo công thức (2.16). Sau khi tính toán được 𝑢𝑖𝑗(𝑡), tại bước (2.1.e) ta xác định được 𝐾𝑖(𝑡) là tập láng giềng của

ta dự đoán được giá trị 𝑟𝑖𝑥(𝑡) phản ánh quan điểm của người dùng i đối với sản phẩm mới xP của vòng lặp thứ (t) theo công thức (2.22). Các giá trị 𝑟𝑖𝑥(𝑡) dự đoán được tại vòng lặp thứ (t) sẽ được cập nhật lại trong ma trận đánh giá mở rộng R(t) và chuyển giao cho quá trình huấn luyện theo tập đánh giá sản phẩm cùng tập đặc trưng người dùng tại bước 2.2 của thuật toán.

Tại bước (2.2), quá trình bán giám sát theo tập đánh giá sản phẩm và tập đặc trưng người dùng được thực hiện tuần tự theo các bước (2.2.a), (2.2.b), (2.2.c), (2.2.d), (2.2.e), (2.2.f). Tại bước (2.2.a) ta xác định được 𝑣𝑞𝑥(𝑡) phản ánh quan điểm của tập người dùng có đặc trưng nội dung qU đối với sản phẩm xC của vòng lặp thứ (t) theo công thức (2.10). Sử dụng 𝑣𝑞𝑥(𝑡) , tại bước (2.2.b) ta xây dựng được ma trận đánh giá mở rộng theo hồ sơ sản phẩm của vòng lặp thứ (t) theo công thức (2.11). Dựa vào kết quả của bước (2.2.b), tại bước (2.2.c) ta xác định được tập 𝑆𝑥(𝑡) là tập dữ liệu không thưa đối với sản phẩm xP của vòng lặp thứ (t) theo công thức (2.23). Sử dụng 𝑆𝑖(𝑡), bước (2.2.d) ta xác định được 𝑝𝑥𝑦(𝑡) là mức độ tương tự giữa các cặp sản phẩm x, yP

trên cả tập đánh giá sản phẩm và tập đặc trưng người dùng của vòng lặp thứ (t) theo công thức (2.27). Sau khi tính toán được 𝑝𝑥𝑦(𝑡), tại bước (2.2.e) ta xác định được 𝐾𝑥(𝑡)

là tập láng giềng của sản phẩm x của vòng lặp thứ (t) theo công thức (2.32). Cuối cùng, tại bước (2.2.f) ta dự đoán được giá trị 𝑟𝑖𝑥(𝑡) phản ánh mức độ phù hợp của người dùng iU đối với sản phẩm xP của vòng lặp thứ (t). Các giá trị 𝑟𝑖𝑥(𝑡) dự đoán được tại vòng lặp thứ (t) sẽ được cập nhật lại trong ma trận đánh giá mở rộng R(t) và chuyển giao cho quá trình huấn luyện theo tập đánh giá người cùng tập đặc trưng sản phẩm tại bước lặp tiếp theo của thuật toán.

Tại bước (2.3), số lượng vòng lặp (t) được tăng lên 1 đơn vị và thuật toán tiếp tục lặp lại quá trình huấn luyện đồng thời tiếp theo. Thuật toán sẽ hội tụ tại vòng lặp thứ (t) có 𝑢𝑖𝑗(𝑡) = 𝑢𝑖𝑗(𝑡−1) 𝑣à 𝑝𝑥𝑦(𝑡) = 𝑝𝑥𝑦(𝑡−1) vì

𝑢𝑖𝑗(𝑡) = 𝑢𝑖𝑗(𝑡−1){𝑆𝑖

(𝑡) = 𝑆𝑖(𝑡−1) 𝐾(𝑡) = 𝐾(𝑡−1)

𝑝𝑥𝑦(𝑡) = 𝑝𝑥𝑦(𝑡−1){𝑆𝑥

(𝑡)

= 𝑆𝑥(𝑡−1) 𝐾𝑥(𝑡) = 𝐾𝑥(𝑡−1)

Điều này có nghĩa, tại vòng lặp thứ (t) ta không bổ sung được bất kỳ giá trị 𝑟𝑖𝑥(𝑡)

nào theo cả hai quá trình bán giám sát. Tại bước 3 của thuật toán, quá trình tạo nên tư vấn được thực hiện đơn giản bằng cách sắp xếp theo thứ tự giảm dần các giá trị dự đoán 𝑟𝑖𝑥(𝑡), sau đó chọn k sản phẩm x có giá trị 𝑟𝑖𝑥(𝑡) lớn nhất tư vấn cho người dùng i.

Đầu vào:

- Ma trận đánh giá R ={rix: i=1, 2,.., N; x =1, 2, .., M} được xác định theo (2.1).

- Ma trận các đặc trưng nội dung sản phẩm C ={cxs: x=1, 2,.., M; s =1, 2, .., |C|}được xác định theo (2.2).

- Ma trận các đặc trưng nội dung người dùng T ={ciq: i=1, 2,.., N; q =1, 2, .., |T|}được xác định theo (2.3).

- Người dùng iU là người dùng cần được tư vấn.

Đầu ra: Ma trận dự đoán 𝑅 = 𝑅(𝑡) = {𝑟𝑖𝑥(𝑡): 𝑖 = 1, 2, . . , 𝑁; 𝑥 = 1, 2, . . , 𝑀} .

Các bước tiến hành: Begin

Bước 1 ( Khởi tạo):

t0;//khởi tạo số bước lặp ban đầu là 0

𝑅(0) = {𝑟𝑖𝑥(0) = 𝑟𝑖𝑥: 𝑖 = 1, 2, … , 𝑁; 𝑥 = 1, 2, … , 𝑀}; //Khởi tạo ma trận đánh giá ban đầu tại vòng lặp thứ 0.

Bước 2 (Bước lặp):

Repeat

2.1. Bán giám sát tập đánh giá người dùng và tập đặc trưng sản phẩm: a) Xác định trọng số các đặc trưng nội dung sản phẩm tại vòng lặp

𝑤𝑖𝑠(𝑡) = { 1 |𝐼𝑡𝑒𝑚(𝑖, 𝑠)|(𝑡) ∑ 𝑟𝑖𝑥(𝑡) 𝑛ế𝑢 |𝐼𝑡𝑒𝑚(𝑖, 𝑠)|(𝑡) ≥ 𝜃 𝑥∈𝐼𝑡𝑒𝑚(𝑖,𝑠)(𝑡) 1 𝜃 ∑ 𝑟𝑖𝑥 (𝑡) 𝑥∈𝐼𝑡𝑒𝑚(𝑖,𝑠)(𝑡) 𝑛ế𝑢 |𝐼𝑡𝑒𝑚(𝑖, 𝑠)|(𝑡) < 𝜃

b) Mở rộng ma trận đánh giá theo hồ sơ người dùng bằng công thức

(2.7): 𝑟𝑖𝑥(𝑡) = {𝑟𝑖𝑥 (𝑡) = 𝑟𝑖𝑥(𝑡) 𝑛ế𝑢 𝑥 ∈ 𝑃 𝑤𝑖𝑠(𝑡) 𝑛ế𝑢 𝑠 ∈ 𝐶 (𝑥 = 𝑠) c) Xác định 𝑆𝑖(𝑡) theo công thức (2.12): 𝑆𝑖(𝑡) = {𝑗 ∈ 𝑈: |𝑃𝑖(𝑡)∩ 𝑃𝑗(𝑡)| > 𝜃1 𝑣à |𝐶𝑖(𝑡) ∩ 𝐶𝑗(𝑡)| > 𝜃2}

d) Tính toán 𝑢𝑖𝑗(𝑡) theo công thức (2.16):

𝑢𝑖𝑗(𝑡) = { ∑ (𝑟𝑖𝑥(𝑡)− 𝑟̿̿̿̿̿𝑖(𝑡)) (𝑟𝑗𝑥(𝑡)− 𝑟̿̿̿̿̿𝑗(𝑡)) 𝑥∈𝐻𝑖(𝑡)∩𝐻𝑗(𝑡) √∑ (𝑟𝑖𝑥(𝑡)− 𝑟̿̿̿̿̿𝑖(𝑡)) 2 𝑥∈𝐻𝑖(𝑡)∩𝐻𝑗(𝑡) √∑ (𝑟𝑗𝑥(𝑡)− 𝑟̿̿̿̿̿𝑗(𝑡)) 2 𝑥∈𝐻𝑖(𝑡)∩𝐻𝑗(𝑡) 𝑛ế𝑢 𝑗 ∈ 𝑆𝑖(𝑡) 𝑣à 𝑎𝑖𝑗(𝑡) ≥∝ 𝑣à 𝑏𝑖𝑗(𝑡) ≥∝ 0 𝑡𝑟𝑜𝑛𝑔 𝑐á𝑐 𝑡𝑟ườ𝑛𝑔 ℎợ𝑝 𝑘ℎá𝑐 e) Xác định 𝐾𝑖(𝑡) theo công thức (2.21): 𝐾𝑖(𝑡) = {𝑗 ∈ 𝑆𝑖(𝑡): 𝑢𝑖𝑗(𝑡) >}

f) Dự đoán giá trị 𝑟𝑖𝑗(𝑡) theo công thức (2.22): 𝑟𝑖𝑥(𝑡) = 𝑟̅̅̅̅̅𝑖(𝑡) +

∑ (𝑟𝑗𝑥(𝑡)−𝑟̅̅̅̅̅𝑗(𝑡))𝑢𝑖𝑗(𝑡) 𝑗∈𝐾𝑖(𝑡)

∑ 𝑢𝑖𝑗(𝑡) 𝑗∈𝐾𝑖(𝑡)

2.2.Bán giám sát tập đánh giá sản phẩm và tập đặc trưng người dùng: a) Xác định trọng số các đặc trưng nội dung người dùng tại vòng

𝑣𝑞𝑥(𝑡) = { 1 |𝑈𝑠𝑒𝑟(𝑥, 𝑞)|(𝑡) ∑ 𝑟𝑖𝑥(𝑡) 𝑛ế𝑢 |𝑈𝑠𝑒𝑟(𝑥, 𝑞)|(𝑡) 𝑖∈𝑈𝑠𝑒𝑟(𝑥,𝑞)(𝑡) ≥ 𝜃 1 𝜃 ∑ 𝑟𝑖𝑥 (𝑡) 𝑛ế𝑢 |𝑈𝑠𝑒𝑟(𝑥, 𝑞)|(𝑡) 𝑖∈𝑈𝑠𝑒𝑟(𝑥,𝑞)(𝑡) < 𝜃

b) Mở rộng ma trận đánh giá theo hồ sơ sản phẩm bằng công thức

(2.11): 𝑟𝑖𝑥(𝑡) = {𝑟𝑖𝑥 (𝑡) = 𝑟𝑖𝑥(𝑡) 𝑛ế𝑢 𝑖 ∈ 𝑈 𝑣𝑞𝑥(𝑡) 𝑛ế𝑢 𝑞 ∈ 𝑇 (𝑖 = 𝑞) c) Xác định 𝑆𝑥(𝑡) theo công thức (2.23): 𝑆𝑥(𝑡) = {𝑦 ∈ 𝑃: |𝑈𝑥(𝑡)∩ 𝑈𝑦(𝑡)| > 1 𝑣à |𝑇𝑥(𝑡) ∩ 𝑇𝑦(𝑡)| >2}

d) Tính toán 𝑝𝑥𝑦(𝑡) theo công thức (2.27):

𝑝𝑥𝑦(𝑡) = { 0 𝑛ế𝑢 𝑦 𝑆𝑥(𝑡) ∑ (𝑟𝑖𝑥(𝑡) − 𝑟̿̿̿̿̿𝑥(𝑡)) (𝑟𝑖𝑦(𝑡)− 𝑟̿̿̿̿̿𝑦(𝑡)) 𝑖∈𝐻𝑥(𝑡)∩𝐻𝑦(𝑡) √∑ (𝑟𝑖𝑥(𝑡)− 𝑟̿̿̿̿̿𝑥(𝑡)) 2 𝑖∈𝐻𝑥(𝑡)∩𝐻𝑦(𝑡) √∑ (𝑟𝑖𝑦(𝑡)− 𝑟̿̿̿̿̿𝑦(𝑡)) 2 𝑖∈𝐻𝑥(𝑡)∩𝐻𝑦(𝑡) 𝑛ế𝑢 𝑖 ∈ 𝑆𝑥(𝑡) 𝑣à 𝑎𝑥𝑦(𝑡) ≥∝ 𝑣à 𝑏𝑥𝑦(𝑡) ≥∝ e) Xác định 𝐾𝑥(𝑡) theo công thức (2.32): 𝐾𝑥(𝑡) = {𝑥 ∈ 𝑆𝑥(𝑡): 𝑝𝑥𝑦(𝑡) >}

f) Dự đoán giá trị 𝑟𝑖𝑥(𝑡) theo công thức (2.33): 𝑟𝑖𝑥(𝑡) =

∑ 𝑝𝑥𝑦(𝑡) 𝑦∈𝐾𝑥(𝑡) 𝑟𝑖𝑦 (𝑡) ∑ |𝑝𝑥𝑦(𝑡)| 𝑦∈𝐾𝑥(𝑡) 2.3. Tăng bước lặp : tt+1; Until Converges.

Bước 3(sinh ra tư vấn):

<Sắp xếp các sản phẩm theo thứ tự giảm dần của 𝑟𝑖𝑥(𝑡)>; <Chọn top k sản phẩm x đầu tiên tư vấn cho người dùng i>;

2.4. Kết luận

Trên đây là mô hình hợp nhất giữa lọc cộng tác và lọc theo nội dung bằng phương pháp học bán giám sát. Phương pháp được tiến hành bằng cách hợp nhất biểu diễn giá trị các đặc trưng sản phẩm vào lọc cộng tác để thống nhất các phương pháp dự đoán dựa vào người dùng. Sau đó, xây dựng phương pháp hợp nhất biểu diễn giá trị các đặc trưng người dùng vào lọc cộng tác để thống nhất các phương pháp dự đoán dựa vào sản phẩm. Ta có thể thấy phương pháp học bán giám sát để chuyển giao kết quả dự đoán giữa hai phương pháp dự đoán theo người dùng và dự đoán theo sản phẩm.

Để phát huy ưu điểm và hạn chế nhược điểm của các phương pháp lọc, chúng ta xây dựng hai kiểu bán giám sát: bán giám sát trên tập đánh giá người dùng cùng tập đặc trưng sản phẩm và bán giám sát tập đánh giá sản phẩm cùng tập đặc trưng người dùng. Bán giám sát tập đánh giá người dùng cùng tập đặc trưng sản phẩm được tiến hành bằng cách xây dựng tập không thưa đối với mỗi người dùng. Bán giám sát tập đánh giá sản phẩm cùng tập đặc trưng người dùng được tiến hành bằng cách xác định tập không thưa đối với mỗi sản phẩm. Dựa trên các tập không thưa đối với mỗi người dùng và sản phẩm, chúng ta đã hạn chế được quá trình tính toán mức độ tương tự giữa các cặp người dùng, tập láng giềng của người dùng và sản phẩm để xác định các kết quả dự đoán chắc chắn. Trên cơ sở của hai quá trình bán giám sát đã được xây dựng, thuật toán học bán giám sát được xây dựng để chuyển giao kết quả dự đoán giữa các quá trình bán giám sát.

Chương 3 - THỬ NGHIỆM VÀĐÁNH GIÁ

Chương này trình bày phương pháp thử nghiệm các thuật toán đã nêu trong chương 1 và chương 2. Dựa trên kết quả thử nghiệm đưa ra so sánh và đánh giá về tính chính xác, hiệu quả của các thuật toán.