Xây dựng hệ thống thông minh gợi ý hàng hóa dựa trên hành vi người dùng trên cộng đồng trực tuyến

GIỚI THIỆU

Đặt vấn đề

Trong thời đại công nghệ 4.0, việc áp dụng mô hình chuyển đổi số là yếu tố quyết định cho sự phát triển của doanh nghiệp Công nghệ được tích hợp vào nhiều giai đoạn sản xuất và kinh doanh, trong đó tăng doanh số bán hàng và lợi nhuận là nhiệm vụ hàng đầu Hệ thống gợi ý, sử dụng thuật toán để phân tích hành vi khách hàng, ngày càng được nhiều doanh nghiệp lựa chọn Hệ thống này giúp giới thiệu những sản phẩm phù hợp, từ đó tăng cường doanh thu và lợi nhuận cho doanh nghiệp.

Hệ thống gợi ý thông minh giúp người bán hàng nắm bắt sở thích và thói quen của khách hàng, từ đó giới thiệu sản phẩm phù hợp kèm theo khuyến mãi hấp dẫn Điều này không chỉ tăng cơ hội tiếp cận sản phẩm cho khách hàng mà còn kéo dài thời gian họ ở lại trang web, nâng cao sự trung thành và tạo mối gắn kết bền vững giữa doanh nghiệp và khách hàng.

Ngày nay, các cộng đồng trực tuyến như Facebook và Twitter đã trở thành một phần thiết yếu trong cuộc sống hàng ngày của nhiều người Hệ thống gợi ý sử dụng sức mạnh của hành vi trên các nền tảng này, giúp người bán hàng hiểu rõ hơn về khách hàng của mình Hệ gợi ý thông minh cho phép nhiều sản phẩm tiếp cận với từng khách hàng riêng biệt, từ đó đưa ra các gợi ý phù hợp với sở thích và quan tâm của họ.

Gần đây, các nghiên cứu về hệ gợi ý trong cộng đồng trực tuyến đã phát triển theo hai hướng chính Hướng thứ nhất tập trung vào việc phân tích sự thay đổi sở thích của người dùng theo thời gian, thường sử dụng thuật toán mạng nơ-ron Hướng thứ hai lại xem xét ảnh hưởng của bạn bè đến sở thích của người dùng.

Mô hình hồi quy (RNN – Recurrent Neural Network) được sử dụng để phân tích sở thích của người dùng thông qua các phiên làm việc trên cộng đồng trực tuyến Ngoài ra, nghiên cứu còn tập trung vào việc sử dụng phân tích nhân tử ma trận Gaussian hoặc Poisson để mô hình hóa ảnh hưởng xã hội trong cộng đồng trực tuyến đến sở thích của người dùng.

Việc xây dựng hệ thống gợi ý cho bán hàng dựa trên hành vi người dùng trong cộng đồng trực tuyến là rất quan trọng Tuy nhiên, việc đề xuất trong các cộng đồng này gặp nhiều khó khăn do sở thích người dùng thường thay đổi và bị ảnh hưởng bởi bạn bè Hơn nữa, các yếu tố ngữ cảnh có thể làm thay đổi những người có ảnh hưởng trong các chủ đề khác nhau Để giải quyết những vấn đề này, luận văn đã giới thiệu mô hình hệ gợi ý xã hội động DGRec (Dynamic social recommender), một hướng nghiên cứu hiệu quả cho bài toán nêu trên.

Mục đích nghiên cứu

Xây dựng hệ gợi ý hàng hóa dựa vào mô hình gợi ý xã hội động DGRec

Hệ gợi ý này dựa trên hành vi của khách hàng trên các cộng đồng trực tuyến để gợi ý hàng hóa cho hệ thống bán hàng

Mục tiêu cụ thể và kết quả luận văn sẽ hoàn thành như sau:

- Tìm hiểu hệ gợi ý xã hội động DGRec

- Xây dựng ứng dụng trang web bán hàng sách

- Chạy thử nghiệm mô hình với bộ dữ liệu sách của trang Douban [3] và cài đặt API tích hợp của mô hình

- Minh họa kết quả gợi ý mô hình DGRec bằng cách giả lập tích hợp vào chức năng gợi ý trang web bán hàng sách.

Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu bao gồm:

- Hệ gợi ý xã hội động

Luận văn nghiên cứu hành vi sở thích của người dùng, đồng thời phân tích các mối quan hệ xã hội và ảnh hưởng của ngữ cảnh đến những mối quan hệ này đối với người dùng.

Ý nghĩa khoa học và thực tiễn

Luận văn nghiên cứu mô hình hệ gợi ý xã hội động DGRec, giúp cung cấp gợi ý sản phẩm dựa trên sở thích và ảnh hưởng từ mối quan hệ xã hội của người dùng trong cộng đồng trực tuyến Thực tiễn, mô hình này sẽ được áp dụng để phát triển một trang web bán sách, tích hợp chức năng gợi ý sách thông qua việc chạy thử nghiệm với bộ dữ liệu Douban, từ đó tạo ra API cho ứng dụng.

Tóm tắt nội dung

Bố cục luận văn được trình bày thành 5 chương

Chương 1 giới thiệu về bài toán, đối tượng và phạm vi của bài toán và các nội dung tóm tắt

Chương 2 trình bày các nội dung lý thuyết về mạng nơ-ron, mạng nơ-ron tích chập đồ thị và các hệ gợi ý gồm hệ gợi ý động dựa trên sự thay đổi sở thích người dùng theo thời gian và hệ gợi ý xã hội dựa trên mối quan hệ bạn bè của người dùng trên cộng đồng trực tuyến ảnh hưởng đến sở thích người dùng

Chương 3 mô tả về mô hình gợi ý xã hội động trên trang bán hàng Chương này trình bày về việc xây dựng vấn đề của bài toán Sau đó đưa ra mô hình tổng thể, chi tiết các thành phần của mô hình

Chương 4 mô tả về phân tích thiết kế hệ thống trang web bán sách có ứng dụng hệ gợi ý thông minh Chương này trình bày kiến trúc hệ thống tổng thể, biểu đồ nghiệp vụ tổng thể, chức năng, giao diện của trang bán hàng và chức năng gợi ý hàng hóa cho người dùng dựa trên mô hình gợi ý xã hội động

Chương 5 trình bày thiết lập thực nghiệm mô hình và kết quả Đồng thời kết quả cài đặt trang web bán sách dựa trên hệ gợi ý

Sau đó trình bày kết luận và một số hướng phát triển Cuối cùng là danh mục tài liệu tham khảo

CƠ SỞ LÝ THUYẾT

Mạng nơ-ron

2.1.1 Giới thiệu về mạng nơ-ron

Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) là một mô hình toán học được phát triển dựa trên các mạng nơ-ron sinh học Nó bao gồm nhiều phần tử xử lý (nơ-ron) kết nối với nhau qua các trọng số liên kết, hoạt động như một thể thống nhất để giải quyết các vấn đề cụ thể Mạng nơ-ron có khả năng học, nhớ lại và khái quát hóa từ dữ liệu học bằng cách điều chỉnh các giá trị trọng số của các liên kết giữa các nơ-ron.

2.1.2 Cấu trúc của mạng nơ-ron cơ bản a Đơn vị xử lý Đơn vị xử lý trong mạng nơ-ron còn được gọi là một nơ-ron hay một nút (node), thực hiện một công việc rất đơn giản: nó nhận tín hiệu vào từ các đơn vị phía trước hay một nguồn bên ngoài và sử dụng chúng để tính tín hiệu ra sẽ được lan truyền sang các đơn vị khác Đơn vị xử lý trong mạng nơ-ron được thể hiện trong hình sau:

Hình 1: Đơn vị xử lý trong mạng nơ-ron [4]

Trong mô hình nơ-ron, mỗi nơ-ron thư i nhận tín hiệu từ n nơ-ron khác 𝑥 1 , 𝑥 2 , … , 𝑥 𝑛 với trọng số tương ứng 𝑤 𝑖1 , 𝑤 𝑖2 , … , 𝑤 𝑖𝑛 Tại nơ-ron i, tổng các tín hiệu được tính bằng công thức ∑ 𝑛 𝑗=1 𝑤 𝑖𝑗 𝑥 𝑗 Giá trị tổng này sau đó được biến đổi qua hàm phi tuyến 𝑔(∑ 𝑛 𝑗=1 𝑤 𝑖𝑗 𝑥 𝑗), thể hiện quá trình xử lý trong nơ-ron.

Liên kết nơ-ron là yếu tố quan trọng trong mạng nơ-ron nhân tạo, giúp kết nối đầu ra của nơ-ron lớp này với đầu vào của nơ-ron lớp khác Mỗi liên kết được đặc trưng bởi một trọng số, mà tín hiệu đi qua sẽ được nhân với trọng số này Các trọng số liên kết đóng vai trò là các tham số tự do cơ bản của mạng nơ-ron, cho phép chúng có khả năng điều chỉnh và thích nghi với môi trường xung quanh.

Trọng số trong mạng nơ-ron đóng vai trò quan trọng trong việc lưu trữ thông tin dài hạn, và quá trình huấn luyện nhằm cập nhật các trọng số này dựa trên thông tin mới từ mẫu học Mục tiêu là điều chỉnh các trọng số để đảm bảo rằng đầu ra của mạng mô phỏng chính xác các đặc điểm của môi trường đang được phân tích.

Mỗi đơn vị trong mạng nơ-ron kết hợp các giá trị đầu vào thông qua các liên kết với các đơn vị khác, tạo ra giá trị gọi là net input Hàm kết hợp (combination function) thực hiện nhiệm vụ này, được định nghĩa bởi một luật lan truyền cụ thể Trong hầu hết các mạng nơ-ron, mỗi đơn vị cung cấp một bộ cộng làm đầu vào cho đơn vị mà nó liên kết, do đó tổng đầu vào của đơn vị j là tổng trọng số của các đầu ra từ các đơn vị kết nối cộng với ngưỡng hay độ lệch (bias) 𝑏 𝑗.

Khi trọng số 𝑤 𝑗𝑖 lớn hơn 0, nơ-ron sẽ ở trạng thái kích thích, trong khi nếu 𝑤 𝑗𝑖 nhỏ hơn 0, nơ-ron sẽ ở trạng thái kiềm chế Các đơn vị hoạt động theo quy luật này được gọi là các sigma units.

Trong một số trường hợp, có thể áp dụng các luật lan truyền phức tạp hơn, trong đó luật sigma-pi là một ví dụ điển hình.

Trong mạng nơ-ron, các đơn vị chuyển net input thông qua hàm kích hoạt, một hàm vô hướng tạo ra mức độ kích hoạt cho đơn vị Giá trị này, trừ khi đơn vị thuộc lớp ra, sẽ được truyền đến một hay nhiều đơn vị khác Các hàm kích hoạt thường được giới hạn trong một khoảng giá trị nhất định, do đó chúng được gọi là các hàm bẹp Một số hàm kích hoạt phổ biến được sử dụng trong mạng nơ-ron bao gồm:

Bảng 1: Một số hàm kích hoạt thông dụng

STT Tên hàm Công thức tính

2.1.3 Các mô hình mạng nơ-ron thường gặp

Mạng nơ-ron được cấu thành từ ba loại lớp: lớp đầu vào, lớp ẩn và lớp đầu ra Mô hình mạng được xác định bởi số lượng lớp, số node trong từng lớp và cách liên kết giữa các lớp Tổng thể, mạng nơ-ron được phân loại thành hai loại chính: mạng truyền thẳng và mạng hồi quy.

Mạng nơ-ron truyền thẳng cho phép dòng dữ liệu chỉ di chuyển từ đơn vị đầu vào đến đơn vị đầu ra mà không có các liên kết phản hồi Dữ liệu có thể được xử lý qua nhiều lớp, nhưng không có liên kết giữa các đơn vị đầu ra và đầu vào trong cùng một lớp hoặc các lớp trước đó Mô hình này được minh họa qua hình ảnh dưới đây.

Hình 2: Mạng nơ-ron truyền thẳng [4]

Khác với mạng truyền thẳng, trong mạng hồi quy có chứa các liên kết ngược giữa các node, vì thế các thuộc tính động của mạng mới quan trọng

Trong một số trường hợp, giá trị kích hoạt của các đơn vị trong mạng nơ-ron trải qua quá trình nới lỏng, bao gồm việc tăng giảm số lượng đơn vị và thay đổi các liên kết, cho đến khi mạng đạt trạng thái ổn định với các giá trị kích hoạt không còn thay đổi Mô hình mạng nơ-ron hồi quy được thể hiện trong hình dưới đây.

Hình 3: Mạng nơ-ron hồi quy [4]

2.1.4 Mô hình mạng nơ-ron hồi quy a Mạng nơ-ron hồi quy

Con người không bắt đầu suy nghĩ của họ từ đầu tại tất cả các thời điểm

Khi đọc một bài viết, việc hiểu từng từ dựa trên những từ đã được hiểu trước đó là rất quan trọng Điều này cho thấy rằng tư duy của chúng ta có khả năng lưu giữ thông tin, giúp chúng ta không phải bắt đầu lại từ đầu mỗi khi đọc một chữ mới.

Các mô hình mạng nơ-ron truyền thống không thể thực hiện được nhiệm vụ này, điều này được xem là một trong những khuyết điểm lớn nhất của chúng.

Khi phân loại các bối cảnh trong một bộ phim, việc hiểu một tình huống cụ thể có thể gặp khó khăn do sự phụ thuộc vào các tình huống trước đó, đặc biệt khi sử dụng các mạng nơ-ron truyền thống.

Mạng nơ-ron hồi quy (Recurrent Neural Network) [1] sinh ra để giải quyết vấn đề đó Mạng này chứa các vòng lặp bên trong cho phép thông tin có

Mạng nơ-ron tích chập đồ thị

2.2.1 Mạng nơ-ron tích chập a Giới thiệu

Mạng nơ-ron tích chập (CNN) được thiết kế để xử lý dữ liệu đầu vào có cấu trúc lưới, với các phụ thuộc không gian mạnh trong các vùng cục bộ CNN có khả năng nhận diện các đặc điểm dựa trên khoảng cách không gian, cho phép nó áp dụng cho nhiều loại dữ liệu, không chỉ riêng hình ảnh Mặc dù ứng dụng chính của CNN chủ yếu tập trung vào xử lý hình ảnh, nhưng nó cũng có thể được sử dụng cho dữ liệu thời gian, không gian và các loại dữ liệu không thời gian khác.

Một đặc điểm quan trọng của mạng nơ-ron tích chập (CNN) là phép toán tích chập Phép toán này thực hiện nhân tích vô hướng giữa các tín hiệu, giúp mạng học và nhận diện các đặc trưng trong dữ liệu hình ảnh.

Mạng nơ-ron tích chập (CNN) là một loại mạng sử dụng phép tính tích chập trong ít nhất một lớp, thường được áp dụng cho dữ liệu có cấu trúc không gian cao, như hình ảnh Phép tính này cho phép rút ra các đầu vào từ các không gian cục bộ khác nhau trong khối lượng dữ liệu, mang lại hiệu quả cao trong việc xử lý thông tin có tính chất không gian hoặc cục bộ Hầu hết các mạng CNN hiện nay đều sử dụng phép tính tích chập trong nhiều lớp để tối ưu hóa khả năng nhận diện và phân loại.

Bí quyết thành công của mạng nơ-ron nằm ở việc điều chỉnh cấu trúc mạng dựa trên hiểu biết về miền dữ liệu CNN áp dụng lý thuyết này bằng cách sử dụng các kết nối rải rác với các tham số chia sẻ nhạy cảm với miền Cụ thể, không phải tất cả trạng thái trong một lớp đều kết nối ngẫu nhiên với các trạng thái trong lớp trước, mà giá trị của một đặc tính trong lớp chỉ kết nối với một vùng không gian địa phương trong lớp trước, sử dụng một tập hợp các tham số nhất quán trên toàn bộ không gian của hình ảnh.

Trong mạng CNN, các lớp cơ bản bao gồm Lớp tích chập, Lớp kích hoạt phi tuyến ReLU, Lớp lấy mẫu và Lớp kết nối đầy đủ Số lượng và cách sắp xếp của các lớp này có thể được điều chỉnh để tạo ra các mô hình huấn luyện phù hợp cho từng bài toán cụ thể.

Hình 13: Kiến trúc của CNN [4]

Lớp tích chập là thành phần quan trọng nhất trong mạng CNN, thể hiện tư tưởng xây dựng sự liên kết cục bộ thay vì kết nối toàn bộ các điểm ảnh Các liên kết cục bộ này được tính toán thông qua phép tích chập giữa các giá trị điểm ảnh trong một vùng ảnh cục bộ và các bộ lọc (filters) có kích thước nhỏ.

Lớp kích hoạt phi tuyến ReLU đóng vai trò quan trọng trong việc đảm bảo tính phi tuyến cho mô hình huấn luyện sau khi thực hiện các phép toán tuyến tính qua các lớp Tích chập Các hàm kích hoạt phi tuyến như ReLU, sigmoid, và tanh được sử dụng để giới hạn biên độ giá trị đầu ra Trong số đó, hàm ReLU được ưa chuộng nhờ vào cài đặt đơn giản và tốc độ xử lý nhanh, đồng thời vẫn đảm bảo hiệu quả tính toán, với phép tính chỉ chuyển đổi tất cả giá trị âm thành 0.

Lớp ReLU thường được sử dụng ngay sau lớp Tích chập, tạo ra một ảnh mới có kích thước tương đương với ảnh đầu vào Điểm khác biệt duy nhất là các giá trị âm đã bị loại bỏ, giữ lại các giá trị điểm ảnh dương.

Lớp lấy mẫu (Pooling) là một thành phần quan trọng trong mạng CNN, thường được đặt sau lớp Tích chập và lớp ReLU Chức năng chính của lớp này là giảm kích thước ảnh đầu ra mà vẫn giữ lại thông tin quan trọng từ ảnh đầu vào Việc giảm kích thước dữ liệu giúp giảm số lượng tham số và tăng hiệu quả tính toán Lớp lấy mẫu sử dụng cửa sổ trượt để quét qua các vùng của ảnh, thực hiện phép lấy mẫu bằng cách chọn một giá trị duy nhất đại diện cho toàn bộ thông tin của vùng ảnh đó.

Lớp kết nối đầy đủ trong mạng nơ-ron được thiết kế tương tự như trong mạng nơ-ron truyền thống, với tất cả các điểm ảnh được kết nối hoàn toàn với các node trong lớp tiếp theo Tuy nhiên, kích thước của các ảnh đầu vào trong lớp này đã được giảm bớt đáng kể so với mạng nơ-ron truyền thống.

Mô hình truyền thẳng đã giúp đơn giản hóa và rút ngắn thời gian tính toán trong việc nhận dạng, đồng thời vẫn đảm bảo các thông tin quan trọng cần thiết cho quá trình này, khác với những phức tạp của mạng nơ ron truyền thống.

2.2.2 Mạng nơ-ron tích chập đồ thị

Mạng tích chập đồ thị (GCN) kế thừa từ mạng nơ-ron tích chập (CNN) và được phát triển để mô hình hóa dữ liệu cấu trúc đồ thị Kipf và Welling đã giới thiệu GCN nhằm phân loại đồ thị bán giám sát, cho phép học cách biểu diễn nút thông qua thuộc tính nút và cấu trúc đồ thị Mô hình này bao gồm nhiều lớp phức hợp, cập nhật biểu diễn nút bằng cách kết hợp thông tin từ nút hiện tại và các nút lân cận, từ đó nắm bắt được sự phụ thuộc giữa các nút Tuy nhiên, GCN ban đầu sử dụng trọng số tĩnh cho các lân cận, điều này đã được Velickovic và cộng sự cải thiện thông qua mạng chú ý đồ thị (GAT), nơi mà sự đóng góp của từng lân cận được cân nhắc khác nhau nhờ vào cơ chế chú ý Mô hình GCN được định nghĩa trên đồ thị G = (V, A), với V là tập hợp các nút và A là ma trận trọng số cạnh giữa các nút.

Hình 14: Mô hình mạng GCN [6]

Một hidden layer của GCN có thể được biểu diễn như sau:

• 𝐻 𝑖 biểu diễn đầu ra của layer thứ i + 1, mỗi layer 𝐻 𝑖 tương ứng với 1 ma trận có kích thước N x 𝐹 𝑖 Với 𝐹 𝑖 thể hiện số feature đầu ra của từng nút tại layer 𝐻 𝑖

• 𝐻 0 =X, có trọng số được khởi tạo luôn là node feature của từng nút

Trong đó hàm f có thể được biểu diễn đơn giản bằng 1 công thức sau:

• 𝑊 𝑖 là ma trận trọng số ứng với layer thứ i

• 𝜎 là 1 hàm kích hoạt phi tuyến tính (activation function), ví dụ hàm ReLU

Hệ thống gợi ý

Trong những năm gần đây, hệ thống gợi ý đã trở thành một phần quan trọng trong các website và ứng dụng di động Đây là các phần mềm giúp người dùng nhận được những thông tin đề xuất phù hợp nhất về các dịch vụ như phim ảnh, âm nhạc và hàng hóa.

Trong kinh doanh, tăng doanh số và lợi nhuận là nhiệm vụ hàng đầu Hệ gợi ý, sử dụng các thuật toán để phân tích hành vi khách hàng, ngày càng được nhiều doanh nghiệp áp dụng Bằng cách giới thiệu sản phẩm phù hợp, hệ thống gợi ý không chỉ thu hút sự chú ý của khách hàng mà còn góp phần đáng kể vào việc tăng doanh thu và lợi nhuận.

Hệ thống gợi ý thông minh giúp người bán hàng nắm bắt sở thích và thói quen của khách hàng, từ đó mang đến những sản phẩm phù hợp cùng với các khuyến mãi hấp dẫn Nhờ vào những sản phẩm gợi ý này, khách hàng sẽ có cơ hội tiếp cận nhiều lựa chọn hơn, nâng cao trải nghiệm mua sắm của họ.

31 hơn, thời gian xem sản phẩm và ở lại với Web lâu hơn, trung thành hơn, qua đó tạo mối gắn kết bền lâu giữa doanh nghiệp và khách hàng

Ngày nay, các cộng đồng trực tuyến như Facebook và Twitter đã trở thành phần thiết yếu trong cuộc sống hàng ngày của nhiều người Hệ thống gợi ý tận dụng hành vi trên các nền tảng này giúp người bán hàng hiểu rõ hơn về khách hàng Hệ gợi ý thông minh cho phép tiếp cận nhiều sản phẩm khác nhau đến từng khách hàng riêng biệt, từ đó đưa ra những gợi ý phù hợp nhất với sở thích và quan tâm của họ.

Mô hình hóa sở thích của người dùng theo thời gian đã thu hút sự chú ý, với nhiều mô hình dựa trên nhân tử hóa ma trận, như nghiên cứu của Xiong và cộng sự về phân tích tensor (người dùng, mục, thời gian) và Charlin cùng cộng sự với thừa số hóa Poisson Tuy nhiên, các mô hình này thường giả định rằng sở thích của người dùng thay đổi từ từ trong thời gian dài hạn Để nắm bắt sở thích ngắn hạn, các nghiên cứu gần đây đã áp dụng RNN, như SessionRNN của Hidasi và cộng sự để mô hình hóa sự quan tâm trong một phiên Wu và cộng sự đã sử dụng hai RNN để cập nhật đại diện của người dùng và mục dựa trên quan sát mới, trong khi Beutel và cộng sự phát triển một hệ thống khuyến nghị dựa trên RNN kết hợp thông tin ngữ cảnh Các mô hình này giả định rằng các mục có sự nhất quán trong một khoảng thời gian và luận văn này cũng áp dụng cách tiếp cận tương tự để mô hình hóa sở thích của người dùng dựa trên phiên.

2.3.3 Hệ thống gợi ý xã hội

Mô hình hóa ảnh hưởng của bạn bè đến sở thích người dùng đã thu hút sự chú ý đáng kể, với nhiều mô hình dựa trên phân tích nhân tử của ma trận Gaussian hoặc Poisson Chẳng hạn, Ma và cộng sự đã nghiên cứu các đề xuất xã hội bằng cách điều chỉnh các yếu tố người dùng tiềm ẩn, đảm bảo rằng các yếu tố của người dùng có sự kết nối gần gũi với nhau.

Nghiên cứu đã xác định tỷ trọng đóng góp của bạn bè trong đề xuất của người dùng thông qua việc sử dụng "yếu tố tin cậy." Các phương pháp này mô hình hóa ảnh hưởng xã hội, giả định rằng ảnh hưởng này là đồng nhất giữa các bạn bè và độc lập với sở thích của người dùng Tang và cộng sự đã đề xuất một mối quan hệ tin cậy đa khía cạnh, dựa vào thông tin phụ bổ sung như danh mục mặt hàng để xác định các khía cạnh này Wang và cộng sự cũng phân biệt mối quan hệ mạnh và yếu giữa người dùng trong mạng xã hội Tuy nhiên, các nghiên cứu này vẫn chưa xem xét các hành vi ngắn hạn của người dùng và không tích hợp các ảnh hưởng xã hội theo ngữ cảnh.

2.3.4 Hệ thống gợi ý xã hội động

Weiping Song và các cộng sự đã phát triển mô hình DGRec, mô hình hệ gợi ý xã hội động, nhằm mô hình hóa sở thích động và quan hệ xã hội của người dùng trong cộng đồng trực tuyến Việc hiểu và phân tích hành vi người dùng để đưa ra gợi ý sản phẩm phù hợp là một thách thức lớn, vì sở thích của họ thường thay đổi theo thời gian Người dùng có thể chuyển từ quan tâm đến thể thao sang các thể loại phim ảnh, và sự chia sẻ thông tin giữa bạn bè trong cộng đồng trực tuyến có thể ảnh hưởng đến lựa chọn của họ Chẳng hạn, khi tìm kiếm một chương trình phim, người dùng có thể bị tác động bởi sở thích của bạn bè, và mức độ ảnh hưởng này có thể thay đổi theo ngữ cảnh.

Khi tìm kiếm phim hài, người dùng có thể bị ảnh hưởng bởi sở thích của bạn bè khi họ tìm kiếm phim hành động Để hiểu rõ hơn về sở thích của người dùng, hành động của họ sẽ được phân đoạn thành các phiên Hệ thống gợi ý sẽ tập trung vào việc đưa ra các đề xuất dựa trên những phiên này.

Gọi U là tập hợp người dùng và I là tập hợp các mục Mỗi người dùng u được liên kết với một tập hợp các phiên theo thời gian T, ký hiệu là 𝐼 𝑇 𝑢 = {𝑆⃗ 1, 𝑢, 𝑆⃗ 2, 𝑢, …, 𝑆⃗ 𝑛, 𝑢} Trong mỗi phiên, 𝑆⃗ 𝑡 𝑢 bao gồm một chuỗi các hành vi của người dùng, được biểu diễn bởi {𝑖 𝑡,1 𝑢, 𝑖 𝑡,2 𝑢, …, 𝑖 𝑡,𝑁 𝑢 𝑢,𝑡}, trong đó 𝑖 𝑡,𝑝 𝑢 là mặt hàng thứ p mà người dùng u tiêu thụ trong phiên thứ t và 𝑁 𝑢,𝑡 là số lượng mặt hàng trong phiên đó Mỗi người dùng u sẽ được cung cấp một phiên mới.

Mục tiêu của đề xuất dựa trên phiên là cung cấp một tập hợp các mục I mà người dùng có khả năng quan tâm trong bước tiếp theo n + 1, được biểu thị là 𝑖 𝑇+1,𝑛+1 𝑢.

Trong các cộng đồng trực tuyến, sở thích của người dùng không chỉ dựa vào hành vi lịch sử mà còn bị ảnh hưởng mạnh mẽ bởi bạn bè của họ Ví dụ, khi một người bạn xem một bộ phim, khả năng cao tôi cũng sẽ muốn xem theo Điều này thể hiện rõ ràng ảnh hưởng xã hội, và đặc biệt, sự tác động này còn thay đổi tùy thuộc vào ngữ cảnh cụ thể.

Khi một người dùng muốn mua sản phẩm như máy tính xách tay, họ thường tìm kiếm ý kiến từ bạn bè có chung sở thích về công nghệ Tương tự, khi chọn mua máy ảnh, họ có thể bị ảnh hưởng bởi những người bạn làm nhiếp ảnh Sở thích của bạn bè, cả ngắn hạn lẫn dài hạn, có thể tác động đến quyết định mua sắm của người dùng Để đưa ra những gợi ý hiệu quả trong cộng đồng trực tuyến, cần phải mô hình hóa sở thích năng động của người dùng và ảnh hưởng xã hội theo ngữ cảnh.

Trong bài viết này, chúng ta xem xét mạng xã hội G = (U, E), trong đó U là tập hợp người dùng, I là tập hợp các mục và E đại diện cho các liên kết xã hội giữa người dùng Mục tiêu của hệ thống gợi ý xã hội dựa trên phiên là đề xuất cho người dùng u một tập hợp các mục từ I mà họ có thể quan tâm trong bước tiếp theo n + 1 Điều này được thực hiện bằng cách sử dụng thông tin từ sở thích động của người dùng, cũng như các ảnh hưởng xã hội từ bạn bè của họ Hệ thống gợi ý xã hội động DGRec tận dụng cả hai nguồn thông tin này để cải thiện độ chính xác của các đề xuất.

DGRec bao gồm ba mô-đun (Hình 15) gồm modul mô hình hóa sở thích động của của người dùng, modul mạng chú ý đồ thị và modul recommendation

Tóm tắt các bước như sau:

Bước 1: Đầu tiên mạng nơ-ron lặp lại (RNN) lập mô hình chuỗi các mục được sử dụng trong phiên hiện tại của người dùng (mục tiêu)

Bước 2: Sở thích của bạn bè người dùng được mô phỏng thông qua việc kết hợp sở thích ngắn hạn và dài hạn Các tùy chọn ngắn hạn, cũng như các mục trong phiên gần nhất, được mã hóa bằng mạng nơ-ron hồi tiếp (RNN) Trong khi đó, sở thích lâu dài của bạn bè được mã hóa bằng cách sử dụng các nhúng cá nhân đã được học.

MÔ HÌNH GỢI Ý XÃ HỘI ĐỘNG TRÊN TRANG BÁN HÀNG

Bài toán

Trong luận văn này, hệ gợi ý được phát triển dựa trên cộng đồng trực tuyến Douban, một trang web phổ biến tại Trung Quốc cho phép người dùng xem phim, nghe nhạc và đọc sách, đồng thời kết nối với nhau để tạo thành các mối quan hệ xã hội Hệ thống sử dụng bộ dữ liệu từ các hoạt động đánh giá phim, nhạc, sách của người dùng cùng với thông tin về mối quan hệ bạn bè để đưa ra những gợi ý về các sản phẩm mà người dùng có thể quan tâm Các sản phẩm gợi ý này sau đó sẽ được hiển thị trên trang bán hàng, giúp người dùng tìm thấy những mặt hàng phù hợp với sở thích và nhu cầu của họ dựa trên hành vi đã thực hiện trên Douban.

Mô hình kiến trúc tổng thể

Bộ dữ liệu nghiên cứu bao gồm thông tin từ cộng đồng trực tuyến Douban, tập trung vào hành động đánh giá của người dùng trong ba danh mục: sách, âm nhạc và phim Ngoài ra, dữ liệu cũng chứa thông tin về mối quan hệ bạn bè giữa các người dùng trong mạng xã hội Douban, được gọi là SocialNet.

Mô hình cung cấp danh sách các mặt hàng gợi ý cho người dùng tại bước thứ n trong phiên, từ đó hiển thị danh sách gợi ý trên trang bán hàng.

Hình 16: Mô hình gợi ý xã hội động trên trang bán hàng

Mô hình gồm có 4 bước chính:

Bước đầu tiên là xử lý dữ liệu từ Douban để chuyển đổi thành định dạng chuẩn của mô hình, bao gồm dữ liệu người dùng đánh giá các mặt hàng trong phiên và dữ liệu quan hệ giữa các người dùng.

- Bước 2: Mô hình DGRec huấn luyện trên Google colab

- Bước 3: Flask API để đưa ra danh sách gợi ý với cho một người dùng trong phiên

- Bước 4: Xử lý so sánh danh sách gợi ý với dữ liệu ở ứng dụng để đưa ra danh sách gợi ý cuối cùng và hiển thị ra website.

Mô hình hệ gợi ý xã hội động DGRec

DGRec được ứng dụng trên trang bán hàng bao gồm ba mô-đun (Hình

17) Mô hình tổng thể gồm có 4 bước:

- Bước 1: Mô hình hóa sở thích động của user dựa vào các sessionID

- Bước 2: Mô hình hóa ảnh hưởng của mối quan hệ xã hội đến sở thích của người dùng dựa vào user’s relationship

- Bước 3: Tích chập cả sở thích động và ảnh hưởng mối quan hệ xã hội

- Bước 4: Đưa ra danh sách các items gợi ý sắp thứ tự

Hình 17: Sơ đồ mô hình DGRec

Chi tiết các bước như sau:

Bước đầu tiên trong quá trình này là sử dụng mạng nơ-ron lặp lại (RNN) để mô hình hóa chuỗi các sách mà khách hàng quan tâm trong phiên hiện tại của họ trên nền tảng trực tuyến Douban.

Bước 2: Sở thích của bạn bè được tái tạo thông qua việc kết hợp sở thích ngắn hạn và dài hạn của họ Các lựa chọn ngắn hạn hoặc các mục từ phiên gần đây nhất của họ được mã hóa bằng mạng nơ-ron hồi tiếp (RNN), trong khi các sở thích lâu dài được mã hóa thông qua các nhúng cá nhân đã được học.

Mô hình kết hợp đại diện của khách hàng với bạn bè của họ thông qua mạng chú ý đồ thị Cuối cùng, mô hình đưa ra các đề xuất sách dựa trên sở thích hiện tại của khách hàng và ảnh hưởng xã hội trong ngữ cảnh cụ thể.

Attention-based graph convolution networks

Dynamic individual interests user’s session s user’s relation

Mô hình DGRec được trình bày chi tiết với các thành phần, công thức và hình vẽ được trích dẫn từ tài liệu tham khảo.

Mô-đun sở thích động của người dùng sử dụng mạng nơ-ron hồi tiếp (RNN) để theo dõi và nắm bắt những thay đổi nhanh chóng trong sở thích của người dùng trong phiên hiện tại RNN là công nghệ tiêu chuẩn để mô hình hóa các chuỗi dữ liệu và gần đây đã được áp dụng hiệu quả trong việc lập mô hình dữ liệu ưu tiên của người dùng theo thứ tự.

RNN biểu thị phiên của người dùng 𝑆⃗ 𝑇+1 𝑢 = {𝑖 𝑇+1,1 𝑢 ,…, 𝑖 𝑇+1,𝑛 𝑢 }, trong đó mã thông báo được tạo ra bằng cách kết hợp đệ quy tất cả các mã thông báo trước đó với mã thông báo mới nhất.

Trong bài viết này, chúng ta xem xét công thức ℎ 𝑛 = 𝑓(𝑖 𝑇+1,𝑛 𝑢 , ℎ 𝑛−1 ), trong đó ℎ 𝑛 đại diện cho sở thích của người dùng và f (ã, ã) là một hàm phi tuyến kết hợp hai nguồn thông tin Thực tế cho thấy rằng bộ nhớ ngắn hạn có vai trò quan trọng trong việc lưu trữ và xử lý thông tin.

(LSTM) [15] thường được sử dụng làm hàm kết hợp f (ã, ã):

2) trong đó 𝜎 là hàm sigmoid: 𝜎(𝑥) = (1 + exp (−𝑥)) −1

• Mô-đun sở thích của bạn bè

DGRec phân tích lợi ích ngắn hạn và dài hạn của bạn bè, với sự chú trọng vào sở thích ngắn hạn được mô hình hóa thông qua chuỗi các mặt hàng mà người dùng đã quan tâm gần đây.

Sở thích dài hạn của một người bạn thể hiện mối quan tâm trung bình của họ và được mô hình hóa thông qua phương pháp nhúng riêng lẻ, ví dụ như trong phiên trực tuyến mới nhất.

Sở thích ngắn hạn: Đối với phiên hiện tại của người dùng mục tiêu

Mô hình DGRec thể hiện sở thích ngắn hạn của bạn bè thông qua phiên giao dịch trước phiên T + 1, cho thấy hiệu quả theo kinh nghiệm Hành động của mỗi người bạn được mô hình hóa bằng RNN, với các phiên của người dùng mục tiêu cũng được lập mô hình bằng RNN tương tự, sử dụng chung trọng số Kết quả cuối cùng của RNN đại diện cho sở thích ngắn hạn của bạn k.

Hình 18: Sơ đồ sở thích của bạn bè [2]

Sở thích lâu dài của bạn bè thường phản ánh sở thích chung của họ Những sở thích này không bị ảnh hưởng bởi yếu tố thời gian, vì vậy chúng được đại diện bằng một vectơ duy nhất.

𝑠 𝑘 𝑙 = 𝐖 𝑢 [𝑘, : ], (4) trong đó sở thích lâu dài của người bạn k 𝑠 𝑘 𝑙 là hàng thứ k của ma trận người dùng nhúng 𝐖 𝑢

Cuối cùng, mô hình kết hợp các sở thích ngắn hạn và dài hạn của bạn bè bằng cách sử dụng một phép biến đổi phi tuyến tính:

𝑠 𝑘 = 𝑅𝑒𝐿𝑈(𝐖 1 [𝑠 𝑘 𝑠 ; 𝑠 𝑘 𝑙 ]) (5) trong đó ReLU(x) = max (0, x) là một hàm kích hoạt phi tuyến tính và 𝐖 1 là ma trận biến đổi

• Tích chập ảnh hưởng xã hội

Mô hình đã trình bày cách thu thập thông tin đại diện về người dùng mục tiêu và bạn bè của họ Chúng ta sẽ kết hợp cả hai thành một biểu diễn duy nhất, sử dụng sự kết hợp này để phân tích sâu hơn Sự thể hiện kết hợp này phản ánh mối quan tâm của người dùng mục tiêu cùng với những mối quan tâm của bạn bè họ.

Mô hình đồ họa của lớp chập đơn áp dụng cơ chế chú ý, cho phép điều chỉnh kết quả đầu ra dựa trên sự quan tâm hiện tại, phản ánh các ảnh hưởng xã hội phụ thuộc vào ngữ cảnh.

Mô hình này được xây dựng dựa trên một mạng biểu đồ mới, trong đó các nút đại diện cho người dùng và bạn bè của họ, còn các cạnh thể hiện tình bạn Mỗi nút sử dụng biểu diễn của người dùng tương ứng dưới dạng các tính năng động Các tính năng này được lan truyền qua các cạnh bằng thuật toán truyền thông điệp Điểm mới của mô hình là việc áp dụng cơ chế chú ý để đánh giá mức độ ảnh hưởng của từng người bạn, với trọng số phản ánh sự ảnh hưởng của họ Quá trình này diễn ra qua nhiều lần lặp lại cố định.

42 của thông điệp được truyền đi, các tính năng kết quả tại nút của người dùng mục tiêu là biểu diễn kết hợp

Dưới đây, trình bày chi tiết cách thiết kế các tính năng nút cũng như cơ chế chú ý đồ thị đi kèm

Biểu đồ tính động được xây dựng cho mỗi người dùng, trong đó các nút đại diện cho người dùng và bạn bè của họ Đối với người dùng mục tiêu u với |N(u)| bạn, đồ thị sẽ có tổng cộng |N(u)| + 1 nút Đặc điểm ban đầu của người dùng u, ký hiệu là ℎ 𝑛, được sử dụng làm tính năng cho nút u, ký hiệu là ℎ 𝑢 (0), và các tính năng này sẽ được cập nhật khi người dùng tương tác với các mặt hàng mới trong 𝑆⃗ 𝑇+1 𝑢 Trong khi đó, đặc điểm của bạn k sẽ được đặt thành 𝑠 𝑘 và không thay đổi trong khoảng thời gian T + 1 Cụ thể, đặc điểm nút được thể hiện như sau: ℎ 𝑢 (0) = ℎ 𝑛 và ℎ 𝑘 (0) = 𝑠 𝑘 với k thuộc N(u).

PHÂN TÍCH THIẾT KẾ HỆ THỐNG

Phân tích thiết kế hệ thống

4.1.1 Người dùng hệ thống Đối tượng sử dụng hệ thống được chia thành hai nhóm là: nhóm đối tượng sử dụng hệ thống và nhóm đối tượng quản lý hệ thống Phân chia đối tượng và vai trò được mô tả như bảng dưới

Bảng 2: Bảng danh sách đối tượng sử dụng hệ thống

STT Người sử dụng Vai trò

Nhóm đối tượng người sử dụng

Bao gồm những khách hàng của cửa hàng

Bao gồm các nhân viên bán hàng, những người làm nhiệm vụ như quản lý danh mục mặt hàng, quản lý sản phẩm, khách hàng, đơn hàng…

Nhóm người sử dụng Quản Lý Hệ Thống

Nhân viên quản trị hệ thống, quản trị phân quyền, thực hiện chính sách bảo mật, sao lưu

4.1.2 Biểu đồ usecase tổng quát

Hệ thống bao gồm ba tác nhân chính: người quản trị hệ thống, người bán hàng và khách hàng Những tác nhân này tương tác thông qua các usecase được thể hiện trong biểu đồ usecase tổng quát dưới đây.

Hình 20: Sơ đồ Usecase tổng quát Đặc tả một số usecase chính của hệ thống:

Bảng 3: Đặc tả usecase thêm mới sản phẩm

Tên Usecase: Thêm mới sản phẩm

Tác nhân chính: Người bán hàng Tác nhân phụ: Hệ thống

Mô tả Usecase: Chức năng này cho phép người dùng thêm mới sản phẩm vào hệ thống Điều kiện tiên quyết để bắt đầu sử dụng chức năng này là người dùng phải đăng nhập thành công vào hệ thống quản trị Sau khi thực hiện, điều kiện kết thúc là sản phẩm được thêm mới thành công.

Trình tự các sự kiện:

• Trong màn hình quản trị, người dùng bấm nút thêm mới sản phẩm

• Hệ thống sẽ hiển thị màn hình để người dùng nhập các thông tin về sản phẩm cần thêm mới

Người dùng cần nhập các thông tin cần thiết như tên sản phẩm, giá sản phẩm, danh mục sản phẩm, mã DoubanID và mô tả sản phẩm, sau đó nhấn nút Lưu để hoàn tất quá trình.

Hệ thống sẽ lưu trữ thông tin sản phẩm vừa nhập vào cơ sở dữ liệu và hiển thị thông báo thành công nếu việc lưu trữ diễn ra suôn sẻ Trong trường hợp không thành công, hệ thống sẽ thông báo lỗi để người dùng có thể biết và thực hiện thao tác lại.

Bảng 4: Đặc tả usecase quản lý khách hàng

Tên Usecase: Quản lý khách hàng

Tác nhân chính: Người bán hàng Tác nhân phụ: Hệ thống

Use case này được thiết kế để quản lý khách hàng của cửa hàng Điều kiện cần thiết để bắt đầu là người dùng phải đăng nhập thành công vào hệ thống quản trị Sau khi hoàn tất, hệ thống sẽ hiển thị danh sách khách hàng một cách thành công.

Trình tự các sự kiện:

• Trong màn hình quản trị, người dùng bấm nút quản lý khách hàng

Hệ thống sẽ hiển thị danh sách khách hàng của cửa hàng, bao gồm các thông tin quan trọng như tên, số điện thoại, email, địa chỉ và DoubanID của từng khách hàng.

• Người dùng tiến hành nhập thông tin tìm kiếm sau đó nhấn nút tìm kiếm

Hệ thống sẽ cung cấp danh sách khách hàng dựa trên các điều kiện tìm kiếm đã nhập Nếu không tìm thấy kết quả, thông tin lỗi sẽ được hiển thị để người dùng có thể nắm bắt và thực hiện thao tác lại.

Bảng 5: Đặc tả usecase mặt hàng gợi ý

Tên Usecase: Hiển thị sách gợi ý trên trang chủ

Tác nhân chính: Khách hàng Tác nhân phụ: Hệ thống

Mô tả Usecase: Hiển thị sách gợi ý trên trang chủ dành cho khách hàng đã đăng nhập Điều kiện kết thúc Use-case là việc hiển thị thành công các quyển sách gợi ý trên trang chủ, mang lại trải nghiệm tốt cho người dùng.

Trình tự các sự kiện:

• Trong màn hình website, người dùng bấm nút trang chủ

• Hệ thống sẽ hiển thị màn hình danh sách các quyển sách gợi ý cho khách hàng đó trên mục mặt hàng gợi ý

• Hệ thống cũng hiển thị danh sách các quyển sách hot cho khách hàng đó trên các danh mục khác

Bảng 6: Đặc tả usecase xem chi tiết quyển sách

Tên Usecase: Xem chi tiết quyển sách

Tác nhân chính: Khách hàng Tác nhân phụ: Hệ thống

Trong use-case này, khách hàng sẽ được hiển thị thông tin chi tiết về quyển sách sau khi đã đăng nhập thành công Điều kiện bắt đầu là khách hàng phải thực hiện đăng nhập vào hệ thống Khi quá trình hoàn tất, thông tin chi tiết của quyển sách sẽ được hiển thị thành công.

Trình tự các sự kiện:

• Trong màn hình website, người dùng bấm vào xem chi tiết một quyển sách

• Hệ thống sẽ hiển thị thông tin chi tiết của quyển sách

• Hệ thống cũng hiển thị danh sách các quyển sách cùng chuyên mục với quyển sách hiện tại ở bên dưới để người dùng có thể xem thêm

• Nếu có lỗi hệ thống sẽ hiển thị lỗi để khách hàng chọn lại

4.1.3 Biểu đồ phân rã chức năng

Hình 21: Sơ đồ phân rã chức năng

Thiết kế cơ sở dữ liệu

4.2.1 Mô tả bộ dữ liệu

Douban là một trang web phổ biến cho phép người dùng đánh giá phim, nhạc và sách Luận văn này đã thu thập dữ liệu từ danh tính của người dùng trong cộng đồng phim, ghi lại mọi bộ phim họ đã đánh giá cùng với dấu thời gian tương ứng Ngoài ra, luận văn còn thu thập thông tin mạng xã hội của người dùng để xây dựng tập dữ liệu, sử dụng mỗi bài đánh giá như một bằng chứng cho việc tiêu thụ sản phẩm Người dùng thường hoạt động tích cực trên Douban, do đó, luận văn đã phân đoạn hành vi xem phim thành các phiên kéo dài trong suốt tuần.

Bộ dữ liệu Douban được thu thập từ trang web Douban (www.douban.com), bao gồm các đánh giá của người dùng trong ba lĩnh vực chính: phim, sách và âm nhạc, cùng với các mối quan hệ xã hội giữa họ.

Bảng 7: Bảng dữ liệu Douban_movie

Bảng 8: Bảng dữ liệu Douban_music

Bảng 9: Bảng dữ liệu Douban_book

Bài viết mô tả hoạt động đánh giá của người dùng trong ba lĩnh vực: phim, âm nhạc và sách Trong đó, UserId là mã định danh của người dùng, còn ItemId là mã của các mặt hàng tương ứng trong từng bảng Các chỉ số đánh giá (rating) do người dùng cung cấp có giá trị từ -1 đến 5, trong đó -1 thể hiện việc người dùng đã tương tác với mặt hàng nhưng không đưa ra đánh giá.

Bảng 10: Bảng dữ liệu Socialnet

… Bảng trên mô tả quan hệ folow giữa các người dùng với nhau

4.2.2 Sơ đồ thực thể liên kết

Hình 22: Biểu đồ quan hệ cơ sở dữ liệu trang bán hàng

Sơ đồ kiến trúc ứng dụng

Ở đây ứng dụng trang bán hàng dựa trên hệ gợi ý được phát triển trên kiến trúc mô hình 3 lớp Kiến trúc gồm 3 thành phần:

• Model gồm các class xử lý các nghiệp vụ lấy ra danh sách các mặt hàng gợi ý, lấy ra thông tin mặt hàng…

• Controller gồm các class điều khiển

View bao gồm các lớp hiển thị và giao diện người dùng Chúng tôi sử dụng Framework Flask để xây dựng API, cung cấp dịch vụ cho các ứng dụng bên ngoài, cho phép tương tác với nhiều nền tảng lập trình khác nhau.

Id Code Name Comment CreatedById CreatedDate UpdatedById UpdatedDate

Id Name Address Phone Fax Email DoubanID Avatar IdCategory LanguageId

Id ProvinceId Code Name CreatedById CreatedDate

Id ParentId LanguageId Name UrlName LinkWebsite Description ImageFile

Id IdCategory IdEvent LanguageId Name UrlName Introduction ContentBody

Id ParentId LanguageId Name UrlName LinkWebsite Description ImageFile SortOrder

Id ProductId Fullname Email Phone Title Comment

Id IdCategory LanguageId Name UrlName Price Investor Address Acreage

IdUserNamePasswordFullNameEmailLastVisitedLogins

Hình 23: Sơ đồ Kiến trúc ứng dụng

CÀI ĐẶT VÀ KẾT QUẢ THỬ NGHIỆM