CHƢƠNG 3 ỨNG DỤNG CHO BÀI TOÁN DỰ BÁO KẾT QUẢ BÓNG ĐÁ
3.5. MINH HỌA CÁC CHỨC NĂNG HỆ THỐNG
3.5.2. Các chức năng trong việc quản lý dữ liệu
Các chức năng phần quản trị bao gồm: quản lý thông tin đội bóng, quản lý thông tin giải đấu, quản lý thông tin mùa giải chung, quản lý thông tin mùa giải chi tiết, quản lý thuật toán.
Quản lý thông tin đội bóng: bao gồm việc thêm, xóa, sửa, mặc định mốc thông tin đội bóng. Ngoài ra, ngƣời sử dụng có thể lựa chọn thông tin đƣợc sử dụng hoặc không sử dụng cho các mùa giải.
Hình 3.15: Giao diện phần quản lý thông tin đội bóng
Quản lý thông tin giải đấu: thực hiện các thao tác, thêm, xóa, sửa các giải đấu.
Hình 3.16: Giao diện phần quản lý giải đấu
Hình 3.17: Giao diện phần quản lý mùa giải chung
Quản lý thông tin mùa giải chi tiết: mỗi mùa giải khác nhau có thông tin đội bóng và kết quả khác nhau. Ngƣời dùng có thể thêm, xóa, sửa kết quả và thông tin đội bóng, mỗi thông tin đội bóng có thể lựa chọn trở lại giá trị mặc định ban đầu.
Hình 3.18: Giao diện phần quản lý mùa giải chi tiết
Quản lý thuật toán: mục này cho phép thêm, xóa, sửa thuật toán cho trang web. Ngƣời quản trị có thể quay trở lại thuật toán lúc trƣớc nếu nhƣ thuật toán hiện tại sai hoặc cập nhật cho thuật toán dự phòng nếu muốn lƣu trữ thuật toán hiện tại.
Hình 3.19: Giao diện phần quản lý thuật toán
3.6. KẾT LUẬN CHƢƠNG
Chƣơng này, luận văn đã triển khai thuật toán lọc cộng tác với độ đo NHSM cho bài toán dự báo kết quả bóng đá. Kết quả đạt đƣợc, xây dựng trang web Dự báo kết quả bóng đá góp phần tƣ vấn cho ngƣời hâm mộ dự báo kết quả bóng đá về tỉ số cũng nhƣ kết quả thắng - hòa - thua tại một số giải đấu. Ngƣời sử dụng có thể lựa chọn dự báo theo mô hình hệ tƣ vấn để có thể có các kết quả dự báo khác nhau. Từ đó, ngƣời dùng có thêm gợi ý để dự báo kết quả bóng đá phù hợp.
KẾT LUẬN
Hệ tƣ vấn đang ngày càng đƣợc ứng dụng trong nhiều lĩnh vực để đƣa ra khuyến nghị cho ngƣời dùng khi cần tìm kiếm, đánh giá thông tin. Trên cơ sở đó, luận văn đã trình bày và đạt đƣợc hai kết quả chính sau:
1/. Nghiên cứu tài liệu để hệ thống lại các vấn đề sau:
Tổng quan kiến thức về khai phá thông tin. Tổng quan về hệ tƣ vấn và các phƣơng pháp lọc. Độ đo tƣơng tự NHSM và thuật toán dự báo.
2/. Ứng dụng:
Triển khai thuật toán lọc cộng tác với độ đo trên cho bài toán dự báo kết quả bóng đá.
Trong tƣơng lai, thuật toán có thể tiếp tục đƣợc cải tiến để nâng cao khả năng khuyến nghị cho bài toán dự báo bóng đá nói riêng cũng nhƣ các bài toán cho hệ khuyến nghị khác nói chung.
TÀI LIỆU THAM KHẢO Tiếng Việt
[1] Nguyễn Đức Cƣờng (2011), Tổng quan về khai phá dữ liệu, Khoa Công nghệ Thông tin, Đại học Bách Khoa TPHCM.
[2] Đỗ Phúc (2005), Giáo trình Khai thác dữ liệu, ĐHQG TPHCM.
[3] Nguyễn Nhật Quang (2010), Khai phá dữ liệu, Viện Công nghệ Thông tin và Truyền thông, Đại học Bách Khoa Hà Nội.
[4] Hà Quang Thụy (2011), Bài giảng nhập môn khai phá dữ liệu, Đại học Công nghệ, ĐHQGHN.
Tiếng Anh
[1] Abdelwahab A., Sekiya H., Matsuba I., Horiuchi Y., Kuroiwa S. (2009), Collaborative filtering based on an iterative prediction method to alleviate the sparsity problem, in: Proceedings of the International Conference on Information Integration and Web-based Applications & Services, pp. 375–379. [2] Adomavicius G., R. Sankaranarayanan, S. Sen and A. Tuzhilin (2005),
“Incorporating contextual information in recommender systems using a multidimensional approach”, ACM Transactions on Information Systems
(TOIS), 23(1), pp. 103-145.
[3] Adomavicius G., Tuzhilin, A. (2005), “Toward the next generation of
recommender systems: A survey of the state-of-the-art and possible extensions”, Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.
[4] Adomavicius G., Tuzhilin, A. (2011), “Context-aware recommender systems”, In Recommender systems handbook, pp. 217-253.
[5] Ahn H.J. (2008), A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem, Inform. Sci. 178 (1), pp. 37–51 [6] Anand D., Bharadwaj K.K. (2011), Utilizing various sparsity measures for
enhancing accuracy of collaborative recommender systems based on local and global similarities, Expert Syst. Appl. 38, pp. 5101–5109.
[7] Bobadilla J., Ortega F., Hernando A., Bernal J. (2011), A collaborative filtering approach to mitigate the new user cold start problem, Knowledge- Based Syst. 26, pp. 225–238.
[8] Bryan K., O'Mahony M. and Cunningham P. (2008), “Unsupervised retrieval of attack profiles in collaborative recommender systems”, Proceedings of the 2008 ACM conference on Recommender systems, pp. 155-162.
[9] Cacheda F., Carneiro V., Fernández D., Formoso V. (2011), Comparison of
collaborative filtering algorithms: limitations of current techniques and
proposals for scalable, high-performance recommender system, ACM Trans. Web 5 (1), pp. 1–33.
[10]DanEr C. (2009), The collaborative filtering recommendation algorithm based on BP neural networks, in: Proceedings of the International Symposium on Intelligent Ubiquitous Computing and Education, pp. 234–236.
[11]Fayyad U., Piatetsky-Shapiro G. and Smyth P. (1996), “From data mining to knowledge discovery in databases”, AI magazine, 17(3), pp. 37.
[12]Fu Y. (1997), Data mining: Tasks, techniques and applications, Department of Computer Science, University of Missouri-Rolla.
[13]Han J., Fu Y., Wang W., Koperski K. and Zaiane O. (1996), “DMQL: A data mining query language for relational databases”, Proc. 1996 SiGMOD, 96, pp. 27-34.
[14]Hand D. J., Mannila H. and Smyth P. (2001), Principles of data mining, MIT press. Ho T. B. (2002), Introduction to knowledge discovery and data mining, National Center for Natural Science and Technology.
[15]Han J., Kamber M. (2001), Data Mining: Concepts and Techniques, Morgan Kaufmann.
[16] Han J., Kamber M. and Pei J. (2006), Data mining: concepts and techniques, Morgan kaufmann.
[17]Han J., Kamber M. and Pei J. (2011), Data mining: concepts and techniques, Elsevier.
[18]Hao M., King I., Michael R.I. (2007), Effective missing data prediction for collaborative filtering, in: Proceedings of the Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 39–46.
[19]Hao M., Haixuan Y., Lyu M.R., Irwin K. (2008), Sorec: social recommendation using probabilistic matrix factorization, in: Proceedings of the 17th ACM Conference on Information and Knowledge Management, pp. 931–940.
[20]Herlocker J.L., Konstan J.A., Borchers A., Riedl J. (1999), An algorithmic framework for performing collaborative filtering, in: Proceedings of the Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 230–237.
[21]Jamali M., Ester M. (2009), TrustWalker: a random walk model for combining trust-based and item-based recommendation, in: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 397–406.
[22]Koutrica G., Bercovitz B., Garcia H. (2009), FlexRecs: expressing and combining flexible recommendations, in: Proceedings of the ACM SIGMOD International Conference on Management of Data, pp. 745–758.
[23]Mobasher B., Burke R., Bhaumik R. and Williams C. (2005), “Effective attack models for shilling item-based collaborative filtering systems”, Proceedings of the 2005 WebKDD Workshop, held in conjuction with ACM SIGKDD’2005.
[24]Haifeng L., Zheng H., Ahmad M., Hui T., Xuzhen Z., (2014), “Knowledge- Based Systems: A new user similarity model to improve the accurary of collaborative filtering”, pp. 5-6.
[25]Nan L., Chunping L. (2009), Zero-sum reward and punishment collaborative filtering recommendation algorithm. in: Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence Agent Technology, pp. 548– 551.
[26]Naisbitt J. (1982), Megatrends. New York: Warner Books.
[27]O'Mahony M., Hurley N., Kushmerick N. and Silvestre G. (2004), “Collaborative recommendation: A robustness analysis”, ACM Transactions on Internet Technology (TOIT), 4(4), pp. 344-377.
[28]Ricci F., Rokach L. and Shapira B. (2011), Introduction to recommender systems handbook, pp. 1-35.
[29]Resnick P., Iacovou N., Suchak M., Bergstrom P., Riedl J. (1994), GroupLens: an open architecture for collaborative filtering of netnews, in: Proceeding of the ACM Conference on Computer Supported Cooperative Work, pp. 175–186
[30]Shardanand U., Maes P. (1994), Social information filtering: algorithms for automating word of mouth, in: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pp. 210–217.
[31]Zenebe A., Norcio A. F. (2009), “Representation, similarity measures and aggregation methods using fuzzy sets for content-based recommender systems”, Fuzzy Sets and Systems, 160(1), pp. 76-94.