CHƯƠNG 6 MƠ HÌNH GỢI Ý TÀI NGUYÊN HỌC TẬP
6.3. Mơ hình gợi ý tài nguyên học tập bằng mơ hình phân rã ma trận sâu
Nghiên cứu này đề xuất mơ hình gợi ý sử dụng phân rã ma trận sâu DMF (Deep Matrix Factorization) như mơ tả chi tiết ở Hình 6.2. Mơ hình này được đề xuất dựa trên các nghiên cứu trước đĩ (Guo et al., 2017; Zhang, F. et al., 2018) gợi ý về dữ liệu khuyết khơng ngẫu nhiên và hiệu quả kinh doanh dựa trên tỷ lệ nhấp chuột.
Mơ hình DMF cĩ bốn tầng. Một tầng đầu vào (input layer) mơ tả người dùng/tài nguyên học tập hiện tại; một tầng nhúng (embedding layer) để nhúng các thuộc tính người dùng và tài nguyên học tập (các yếu tố tiềm ẩn). Các thuộc tính nhúng này được nối với nhau làm đầu vào cho tầng mạng nơ-ron truyền thẳng đa tầng (Multilayer Perceptron - MLP). Cuối cùng, một tầng đầu ra (output layer) cho kết quả giá trị xếp
hạng được dự đốn. MLP cĩ 128 nút (nơ-ron), tuy nhiên, chúng ta cĩ thể thiết lập số lượng tầng ẩn khác nhau (chẳng hạn thêm nhiều tầng hơn) và số lượng nơ-ron khác nhau phụ thuộc vào các tập dữ liệu khác nhau. Trong nghiên cứu này, số nút được chọn bằng phương pháp tìm kiếm siêu tham số (hyper-parameter). Mạng được triển khai với hàm tối ưu Adam, sử dụng batch size là 256 và tốc độ học mặc định là 0,001.
Hình 6.2: Framework của mơ hình DMF
Ngồi ra, để kiểm chứng mơ hình học sâu DMF, mơ hình ma trận phân rã chuẩn (MF) được đề xuất như Hình 6.3.
Thay vì sử dụng mạng nơ-ron đa tầng MLP như trong mơ hình DMF thì ở mơ hình MF chuẩn chỉ thực hiện một phép tính tích vơ hướng (Dot product) giữa hai véc-tơ đặc trưng người dùng và tài nguyên học tập từ tầng nhúng.
Trong mơ hình DMF, tầng nhúng (embedding layer) làm nhiệm vụ ánh xạ véc-tơ thưa cĩ số chiều lớn vào một khơng gian véc-tơ cĩ số chiều thấp hơn đồng thời véc-tơ dày đặc hơn và bảo tồn các mối quan hệ ngữ nghĩa tồn tại trong dữ liệu ban đầu. Kết quả của q trình nhúng là véc-tơ đặc tính ẩn (latent factor vector) mơ tả về người dùng hoặc tài nguyên học tập. Dữ liệu gốc được tầng nhúng ánh xạ vào khơng gian véc-tơ tiềm ẩn thu được các véc-tơ dày đặc hơn, chúng ta cĩ thể sử dụng tích vơ hướng của hai véc-tơ này để tính tốn giá trị xếp hạng của người dùng như mơ hình MF hoặc các véc- tơ tiềm ẩn được nối lại với nhau để tạo thành véc-tơ đặc tính mới phục vụ cho tính tốn tiếp theo bằng kỹ thuật MLP như mơ hình DMF.