- Qua mô hình thử nghiệm, kết quả cho thấy hệ thống tư vấn với phương pháp lọc cộng tác dựa trên sản phẩm sử dụng thuật toán tính độ tự Adjusted Cosine có chất lượng tốt hơn các thuật toán khác.
- Có sự ảnh hưởng của số lượng lân cận tham gia vào dự đoán đánh giá sản phẩm, đối với dữ liệu thử nghiệm MovieLens số lân cận từ 50 đến 100 cho chất lượng dự đoán tốt hơn.
- Phương pháp tính dự đoán sử dụng tổng trọng số với trung bình đánh giá sản phẩm có độ lỗi thấp hơn.
- Kết quả thử nghiệm phụ thuộc vào chất lượng của các dữ liệu, độ chính xác của các đánh giá.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Hệ thống tư vấn là một hệ thống đang phát triển trong rất nhiều lĩnh vực đặc biệt là thương mại điện tử. Hệ thống tư vấn ngày càng được nâng cao về chất lượng và giảm thời gian xử lý nhằm đáp ứng nhu cầu tư vấn sản phẩm, dịch vụ cho người dùng.
Luận văn đã trình bày ứng dụng phương pháp lọc cộng tác dựa trên sản phẩm trong hệ thống tư vấn. Mục tiêu là tìm hiểu đánh giá các thuật toán trong hệ thống tư vấn, qua đó nâng cao được chất lượng tư vấn.
Luận văn tìm hiểu quá trình tư vấn của hệ thống tư vấn, các vấn đề khi giải quyết bài toán tư vấn trong thực tế, mô phỏng và thử nghiệm được phương pháp lọc cộng tác dựa trên sản phẩm với các giải thuật khác nhau, từ đó đánh giá kết quả tư vấn của thuật toán.
Luận văn đưa ra những yếu tố ảnh hưởng đến chất lượng hệ thống tư vấn như độ thưa thớt dữ liệu, số lân cận, giải thuật tính độ tương tự và phương pháp dự đoán.
Tuy nhiên, luận văn vẫn còn nhiều điểm hạn chế, luận văn chỉ đang ở mức độ nghiên cứu, tìm hiểu, mô phỏng thử nghiệm, chưa cài đặt ứng dụng trong hệ thống tư vấn thực tế. Những hạn chế này đã đưa ra một số hướng mở cho đề tài tiếp tục phát triển như sau:
- Tiếp tục tìm hiểu một số thuật toán liên quan đến hệ thống tư vấn
- Tiếp tục nghiên cứu một số giải thuật tính độ tương tự và giải thuật dự đoán - Xây dựng ứng dụng thực tế để áp dụng giải thuật lọc cộng tác vào hệ thống tư vấn sản phẩm dịch vụ cụ thể.
TÀI LIỆU THAM KHẢO
1. Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl (2001),
“Item-Based Collaborative Filtering Recommendation”, WWW10, pp. 285-295.
2. Dietmar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich
(2011), Recommender Systems, Cambridge University Press, pp. 185-195.
3. FaQing Wu, Liang He, Lei Ren, WeiWei Xia, “An Effective Similarity Measure for Collaborative Filtering” (2008), Granular Computing, pp. 659 - 664.
4. Francesco Ricci, Lior Rokach and Bracha Shapira (2011), Recommender Systems Handbook, Ben-Gurion University of the Negev, pp. 566-618.
5. Gediminas Adomavicius, Alexander Tuzhilin (2005), “Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions”. IEEE Transactions On Knowledge And Data Engineering, Vol. 17, No. 6, (June 2005), pp. 734-749.
6. Greg Linden, Brent Smith, and Jeremy York (2003), “Item-to-Item Collaborative Filtering”, IEEE Internet Computing , 7(1), pp. 76-80.
7. Huifeng Sun, Yong Peng, Junliang Chen, Chuanchang Liu, Yuzhuo Sun (2011), “A New Similarity Measure Based on Adjusted Euclidean Distance for Memory-based Collaborative Filtering”, JSW, 6 (6), pp. 993-1000.
8. Jun Wang , Arjen P. de Vries, Marcel J.T. Reinders (2006), “Unifying User-
based and Item-based Collaborative Filtering Approaches by Similarity
Fusion”, Proceedings of the 29th Annual International ACM SIGIR Conference
on Research and Development in Information Retrieval, pp. 501-508.
9. Mohammad Khabbaz, Laks V.S. Lakshmanan (2011),”Top-k Algorithms for
Item-based Collaborative Filtering”,14th International Conference on Extending Database Technology, pp. 213-224.
10. Yueping Wu, Jianguo Zheng, ”Collaborative Filtering Recommendation
Algorithm Based on Improved Similarity Measure Method”, Informatics and