Hình 3 .8 Biểu đồ so sánh hiệu quả các kỹ thuật
3.5. Minh họa hệ thống bằng Matlab GUI
3.5.1.Giao diện demo hệ thống
Hình 3.9 Giao diện demo hệ thống
Ta nhập User ID vào rồi click Recommendation thì bảng bên phải sẽ hiện ra các gợi ý bao gồm ID của phim, tên phim và dự đốn đánh giá cho bộ phim đĩ.
71
Phần User Information hiện các thơng tin của người dùng hiện tại
Phần Measurement là các thước đo hiệu quả Precision, Recall và F1 cho người dùng hiện tại.
Phần Add New User cho phép tạo người dùng mới để, click vào Get ID để hệ thống hiện ID mới, chọn các thuộc tính của người dùng rồi chọn Add
72
Ta thử tạo một người dùng mới để xem đã khắc phục được nhược điểm người dùng mới chưa.
Hệ thống vẫn gợi ý được cho người dùng mới ID = 944.
Tương tự cũng cĩ thể kiểm tra bằng cách thêm đánh giá của người dùng cĩ ID đang xét ở phần Add New Rating:
73 Param là nơi thiết lập các tham số của hệ thống:
- K là số lân cận tối đa trong hệ gợi ý item-based
- W là trọng số trong cơng thức tính rank item của hệ gợi ý thành phần Demographic-based
- A là tham số để xác định người dùng mới.
- B là tham số đánh giá chất lượng của các gợi ý trong danh sách topN lọc cộng tác.
- TopN là chiều dài của danh sách sản phẩm gợi ý, mặc định là 20 sản phẩm. Thay đổi các tham số này sẽ thay đổi hiệu quả gợi ý ở phần Measurement.
3.5.2.Các module gợi ý bổ sung
Trong thực tế thì một website TMĐT thường cĩ nhiều module gợi ý, để đáp ứng nhu cầu người dùng cũng cần thêm các hệ gợi ý phụ khác như các sản phẩm tương đồng với sản phẩm đang xét, thêm các bộ lọc thuộc tính giúp người dùng tìm được các sản phẩm theo ý mình.
Điều này cũng giúp khắc phục nhược điểm cứng nhắc của hệ thống gợi ý chính. Sau đây là một vài hệ gợi ý phụ cĩ thể thêm vào hệ thống TMĐT.
74
Độ tương đồng được lấy từ ma trận tương đồng các sản phẩm.
Gợi ý các sản phẩm được đánh giá cao, người dùng lựa chọn các thuộc tính sản phẩm (thể loại):
75