4.1. Các tính năng cơ bản của hệ thống
4.1.1. Tính năng offer đồ vật
Tính năng Offer đồ vật là một trong hai tính năng chính của hệ thống: cho phép người dùng gửi các thông tin về các đồ vật mà mình chia sẻ.
Hình 4.1Tính năng tạo một offer đồ vật
4.1.2. Tính năng xem thông tin Offer, vị trí địa lý
Người dùng có thể xem danh sách các Offer đồ vật mà cộng đồng chia sẻ, cũng như có thể xem thông tin chi tiết của một đồ vật.
Hình 4.2 Xem thông tin đồ vật mà cộng đồng chia sẻ
Khi người dùng kich vào một đồ vật thì sẽ xem được thông tin chi tiết của đồ vật, cũng như có thể tìm được vị trí của đồ vật được chia sẻ.
4.1.3. Tính năng tạo request- yêu cầu xin đồ vật
Tương tự tính năng Offer đồ vật, người dùng có thể tạo các request là họ đang cần một đồ vật nào đó. Từ đó chia sẻ cho cộng đồng, và người có nhu cầu chia sẻ có thể liên hệ.
Hình 4.4 Tính năng tạo một request- yêu cầu
4.1.4. Tính năng gợi ý đồ vật
Khi người dùng cho đi một đồ vật, thì người dùng có thể được gợi ý những đồ vật thuộc cùng category, cùng thành phố… Để người đó dễ dàng tìm được đúng người cần tới đồ vật mình cho đi.
Thì hệ thống có thể gợi ý cho người dùng đó những người dùng đang cần tới nói:
Hình 4.5 Tính năng gợi ý đồ vật
Do hệ thống mới chạy, nên chưa thể có đủ dữ liệu để khai phá tìm các luật kết hợp chính xác được. Ở đây NVLV chỉ áp dụng các thuật toán cho các bộ dữ liệu mẫu mà sẽ trình bày ở phần tính tiếp theo.
4.1.5. Tính năng hiển thị danh sách các sự kiện từ thiện
Bên cạnh tính năng chia sẻ đồ vật, thì hệ thống còn cung cấp các tính năng cho phép các tổ chức từ thiện có thể tạo các sự kiện để thu nhận sự đóng góp của cộng đồng.
Hình 4.6 Tính nănghiện thị sự kiện từ thiện
4.1.6. Tính năng đóng góp đồ vật cho các sự kiện từ thiện.
Người dùng khi xem các sự kiện từ thiện có thể đóng góp các đồ vật mà mình chia sẻ cho sự kiện đó. Người tổ chức có thể nhận các đồ vật đó.
Hình 4.7 Tính năng donate cho sự kiện từ thiện
4.2. Các kết quả đạt được khi phân tích bộ dữ liệu mẫu
Do hệ thống mới được xây dựng, dữ liệu phần nhiều tự tạo, có khối lượng rất nhỏ, mà quan trọng hơn cả nó không phản ánh đúng các quy luật trong thực tế. Vì thế dữ liệu hệ thống không thể đáp ứng yêu cầu cho bài toán phân tích luật kết hợp.
Như đã nói ở trên, người viết luật văn sử dụng bộ dữ liệu mẫu về hoạt động mua bán xe đạp để test thử. Dưới đây người viết luận văn xin trình bày một số kết quả đạt được từ quá trình phân tích dữ liệu.
a. Đánh giá về hiệu năng của các thuật toán
Đồ thị dưới đây mô tả hiệu năng của thuật toán khi kiểm tra với bộ dư liệu hơn 21 nghìn giao dịch và khoảng 254 mục(item) các loại.
Biểu đồ 1: Biểu đồ so sánh hiệu năng giữa các thuật toán.
Qua đồ thị ta nhận thấy, khi tăng độ hộ trợ từ 0.5% lên 3% thì thời gian của ba thuật toán giảm dần, và dần tiệm cận nhau. Qua đây ta cũng thấy với thuật toán FP Tree tốt hơn hẳn so với các thuật toán khác, ngay cả khi độ hỗ trợ rất thấp thuật toán vẫn hoạt động được. Trong khi đó các thuật toán như Apriori hoạt động với hiệu năng tương đối rất thấp.
b. Một số luật rút ra từ thuật toán
Qua khai thác thì ta rút ra được một số luật từ cơ sở dữ liệu: {Mountain-100 Black, 44}=>{Half-Finger Gloves, M} {Mountain-100 Silver, 42}=>{ Half-Finger Gloves, M } { Mountain-100 Silver, 42}=>{LL Road Handlebars }
{ Mountain-100 Silver, 42, Half-Finger Gloves, M }=>{Men's Sports Shorts, S} { Mountain-100 Silver, 42 }=>{Men's Sports Shorts, M,Racing Socks, M}
{Mountain-500 Black, 48 , LL Mountain Pedal }=>{ML Mountain Front Wheel }
Kết chương bốn:
Trong chương này người viết luận văn đã trình bày các vấn đề:
• Các kết quả đạt được khi cài đặt và triển khai mạng chia sẻ đồ vật MiGi
• Một số kết quả đạt được khi chạy thử các thuật toán kết hợp trên bộ dữ liệu mẫu.