2 ỨNG DỤNG HỌC MÁY TRONG HỆ GỢI Ý
3.6 Kết quả hiển thị top 10 của hệ gợi ý ứng dụng thuật toán k-Means
2
M1= ((i)−(ii))/(i) 3
Hình 3.7: Kết quả hiển thị top -10 của hệ gợi ý ứng dụng thuật toán Naive Bayes.
3.3 Tổng kết chương 3
Trong chương 3, chúng tôi đã mô tả cài đặt các thực nghiệm: Hệ gợi ý theo hướng tiếp cận lọc cộng tác dựa trên người dùng (state of the art), hệ gợi ý ứng dụng phương pháp phân cụm dữ liệuk-Means và hệ gợi ý ứng dụng phương pháp phân lớp dữ liệu với thuật toán Naive Bayes. Các thực nghiệm sử dụng bộ dữ liệu về phim đó là MovieLen10M và MovieLen20M. Kết quả thực nghiệm cho thấy việc ứng dụng học máy vào hệ gợi ý là khả quan.
KẾT LUẬN
Trong phần này, chúng tôi tóm lược lại các kết quả chính của luận văn. Ngoài ra, chúng tôi trình bày một số hạn chế của luận văn và thảo luận về hướng phát triển cho các nghiên cứu tiếp theo trong tương lai.
1. Tóm lược các kết quả và đóng góp của luận văn
Trong luận văn này, chúng tôi đã trình bày nghiên cứu ứng dụng một số phương pháp khai phá dữ liệu trong hệ gợi ý, bao gồm: (i) phân tích các cách tiếp cận xây dựng hệ gợi ý; (ii) đề xuất mô hình ứng dụng một số phương pháp khai phá dữ liệu trong hệ gợi ý; (iii) cài đặt ứng dụng thuật toánk-Means, thuật toán Naive Bayes trong hệ gợi ý; (iv) thực nghiệm, đánh giá ứng dụng phân cụm và phân lớp dữ liệu trong hệ gợi ý. Kết quả thực nghiệm với các thuật toánk-Means, Naive Bayes trên các bộ dữ liệu MovieLen10M, MovieLen20M cho thấy, việc ứng dụng phương pháp khai phá dữ liệu trong hệ gợi ý hiệu quả hơn hệ gợi ý State-of-the-art.
2. Hạn chế và hướng phát triển của luận văn
Trong tương lai, chúng tôi dự kiến, với mỗi phương pháp khai phá dữ liệu, cài đặt thực nghiệm trên nhiều thuật toán. Từ đó, lựa chọn thuật toán tốt nhất cho hệ gợi ý. Ngoài ra, ứng dụng kỹ thuật học sâu (chủ đề "nóng" trong những năm gần đây) trong hệ gợi ý đang là hướng nghiên cứu thú vị.
Tài liệu tham khảo
[1] Adomavicius, G. and Tuzhilin, A. (2005). Toward the next generation of rec- ommender systems: A survey of the state-of-the-art and possible extensions.
IEEE transactions on knowledge and data engineering, 17(6):734–749.
[2] Candillier, Laurent, K. J. F. F. and Meyer, F. (2009). State-of-the-art recom- mender systems. page 22.
[3] Dũng, N. H. and Nghe, N. T. Hệ thống gợi ý sản phẩm trong bán hàng trực tuyến sử dụng kỹ thuật lọc cộng tác.
[4] Ekstrand, M. D. (2018). The lkpy package for recommender systems experi- ments: Next-generation tools and lessons learned from the lenskit project.arXiv preprint arXiv:1809.03125.
[5] Felfernig, A., Jeran, M., Ninaus, G., Reinfrank, F., Reiterer, S., and Stettinger, M. (2014). Basic approaches in recommendation systems. In Recommendation Systems in Software Engineering, pages 15–37. Springer.
[6] Friedman, N., Geiger, D., and Goldszmidt, M. (1997). Bayesian network clas- sifiers. Machine learning, 29(2-3):131–163.
[7] Gunawardana, A. and Shani, G. (2009). A survey of accuracy evaluation met- rics of recommendation tasks. Journal of Machine Learning Research, 10(12). [8] Harper, F. M. and Konstan, J. A. (2015). The movielens datasets: History and
context. Acm transactions on interactive intelligent systems (tiis), 5(4):1–19. [9] Huy, i. T. A., Lin, C. L. S., Hòa, N. H., and Nghe, N. T. (2017). Một giải pháp
xử lý vấn đề người dùng mới trong hệ thống gợi ý. Proceeding of Publishing House for Science and Technology.
[10] Jain, A. K. and Dubes, R. C. (1988). Algorithms for clustering data. Prentice- Hall, Inc.
[11] Karatzoglou, A., Amatriain, X., Baltrunas, L., and Oliver, N. (2010). Mul- tiverse recommendation: n-dimensional tensor factorization for context-aware collaborative filtering. InProceedings of the fourth ACM conference on Recom- mender systems, pages 79–86.
[12] Khusro, S., Ali, Z., and Ullah, I. (2016). Recommender systems: issues, chal- lenges, and research opportunities. In Information Science and Applications (ICISA) 2016, pages 1179–1189. Springer.
[13] Mika, S., Sch¨olkopf, B., Smola, A. J., M¨uller, K.-R., Scholz, M., and R¨atsch, G. (1999). Kernel pca and de-noising in feature spaces. In Advances in neural information processing systems, pages 536–542.
[14] Nghe, N. T., Tự, M. N., and Hòa, N. H. (2017). Một tiếp cận đa quan hệ cho hệ gợi ý. Proceeding of Publishing House for Science and Technology.
[15] Nhàn, H. L. T. Nguyễn thái nghe. 2013. Hệ thống dự đoán kết quả học tập và gợi ý lựa chọn môn học. Kỷ yếu hội thảo quốc gia lần thứ XVI: Một số vấn đề chọc lọc của CNTT&TT (@ 2013), trang, pages 110–118.
[16] O’Connor, M. and Herlocker, J. (1999). Clustering items for collaborative filtering. InProceedings of the ACM SIGIR workshop on recommender systems, volume 128. UC Berkeley.
[17] Ricci, F., Rokach, L., and Shapira, B. (2015). Recommender systems: in- troduction and challenges. In Recommender systems handbook, pages 1–34. Springer.
[18] Sarwar, B., Karypis, G., Konstan, J., and Riedl, J. (2001). Item-based col- laborative filtering recommendation algorithms. In Proceedings of the 10th in- ternational conference on World Wide Web, pages 285–295.
[19] Thư, L. N. A. and Nghe, N. T. (2016). Phương pháp xây dựng hệ thống gợi ý sản phẩm sử dụng phản hồi tiềm ẩn. Proceeding of Publishing House for Science and Technology.
[20] Tiệp, V. H. (2018). Machine learning cơ bản. Nhà xuất bản Khoa học và Kỹ thuật.
[21] Tuấn, n. M. (2018). Nghiên cứu về hệ gợi ý và xây dựng thử nghiệm hệ gợi ý về ẩm thực. Luận văn thạc sĩ trường Đại học Quy Nhơn.