2 ỨNG DỤNG MÔ HÌNH HỌC SÂU VÀO
2.1.3 Bài toán khuyến nghị tin tức
Hình 2.3: Hệ thống khuyến nghị tin tức của Google News
Trong các nền tảng truyền thông xã hội trực tuyến hiện nay, thì các nền tảng tin tức trực tuyến cũng chiếm một phần không nhỏ với các nền tảng nổi tiếng và
phổ biến hiện nay như Google News hay Microsoft News (MSN) đang thu hút một lượng người dùng cực lớn đọc tin tức mỗi ngày. Cùng với đó là số lượng tin tức khổng lồ được tạo ra từng ngày, vì vậy người dùng không thể đọc hết toàn bộ những tin tức để tìm ra được những tin tức có nội dung mà người dùng quan tâm. Do đó một hệ thống có khả năng cá nhân hóa khuyến nghị cho người dùng là vô cùng quan trọng đối với một nền tảng tin tức trực tuyến có vai trò giúp việc thông tin sớm nhất tình hình xã hội và các vấn đề mà người đọc quan tâm, giúp cho người dùng tránh khỏi tình trạng quá tải thông tin và tăng trải nghiệm sử dụng nền tảng. Khuyến nghị tin tức là một bài toán không mới, qua dòng chảy lịch sử, rất nhiều hệ thống khuyến nghị tin tức đã được áp dụng, cải tiến liên tục, từ việc gợi ý sử dụng một số phương pháp truyền thống đến xa hơn là các kỹ thuật tiên tiến hơn. Cụ thể, trong những năm gần đây, với sự phát triển của các mô hình NLP làm tăng hiệu suất hệ thống cũng như sự hứng thú của người đọc.
Mô hình hệ thống khuyến nghị tin tức
Hình 2.4: Mô hình hệ thống khuyến nghị tin tức
Một hệ thống khuyến nghị được mô tả như hình 2.4 hoạt động như sau [14]: Đầu vào là một truy vấn bao gồm người dùng và ngữ cảnh (bao gồm lịch sử các tin tức người dùng đã đọc) được sinh ra khi người dùng truy cập vào web đọc tin tức. Đầu ra của hệ thống là một danh sách các tin tức mà người dùng có thể quan tâm.
Khi hệ thống nhận được 1 truy vấn (query) hệ thống sẽ truy xuất trong cơ sở dữ liệu ra một danh sách các tin tức gần đây để xếp hạng tránh tình trạng khuyến nghị các bài viết mà người dùng quan tâm nhưng đã từ thời điểm rất lâu
trước đó. Sau đó hệ thống sẽ thực hiện xếp hạng các tin tức vừa truy xuất ra bằng các mô hình đã được xây dựng sẵn. Khi đó hệ thống sẽ cho ra một tập tin tức có xếp hạng cao tức là các tin tức mà hệ thống cho rằng phù hợp với người dùng. Người dùng đã được khuyến nghị tin tức thành công, sau đó sẽ thực hiện các hành động tiếp theo như đọc tin tức, bình luận, yêu thích,... hệ thống sẽ ghi lại hành động này và tiếp tục đưa thông tin hành vi cập nhật vào mô hình hiện tại.
Như vậy, dựa vào mô tả mô hình một hệ thống khuyến nghị tin tức ta có thể thấy một bộ phận cốt lõi của hệ thống đó chính là mô hình đưa ra dự đoán và xếp hạng tin tức được sinh ra từ dữ liệu lịch sử của người dùng. Ta sẽ có một bài toán khuyến nghị tổng quát như sau: Bài toán khuyến nghị gồm 2 thành phần chính là tập người dùng U và tập tin tức I. Có 2 tác vụ chính mà bài toán khuyến nghị hướng đến giải quyết:
• Dự đoán xếp hạng (Rating Prediction): Mục đích là đánh giá sự quan tâm của người dùng u đối với một tin tức i trong ngữ cảnh thông tin C.
• Khuyến nghị top-N (Top-N Recommendation): Mục đích là chọn ra N tin tức từ tập tin tức I phù hợp nhất cho người dùng u khi được cung cấp ngữ cảnh thông tin C.