Luận văn nghiên cứu sử dụng và so sánh các giải thuật machine learning và deep learning trong bài toán gợi Ý Ứng dụng trong các hệ thống thương mại Điện tử

Lý đo chọn dễ tt ‘Du doan va trong dé la recommendation system dang li lĩnh vực dược các nhà khoa học va các doanh nghiệp quan tâm nghiên cứu trong nhiều năm gần đây.. Tuy nhiên, việc n

NGIIÊN CỨU SỬ DỤNG VẢ SO SÁRH CÁC GIẢI THUẬT -

MACHINE LEARNING VA DEEP LEARNING TRONG BAI TOAN GỢI Ý ỨNG DỤNG TRONG CÁC IIỆ THÔNG THƯƠNG MẠI DIỆN

TỬ

LUẬN VĂN THAC SĨ KHOA HỌC

MANG MAy TINH VA TRUYEN THONG DU'LIBU

Ha Ni — Năm 2019

NGHIÊN CỬU SỬ DỤNG VÀ SO SẢNH CÁC GIẢI THUẬT MACHTNE

LEARNING VA DEEP LEARNING TRONG BAI TOAN GỢI Ý ỨNG DỤNG

TRONG CAC ILE THONG THUONG MAI DIEN TU

Chuyên ngành : Mang máy tỉnh và truyền thông dữ liệu

LUẬN VĂN THAC Si KHOA HOC _

MANG MAY TIN VÀ TRUYỄN THÔNG DỮ LI§ỆU

NGƯỜI HƯỚNG DẪN KIOA HỌC :

1 PG8.TS Nguyễn I.inh Giang

là Nội Năm 2019

TOT CAM DOAN

Những kiên thúc trình bày trong luận văn là đo tôi tìm hiển, nghiên củu và

trình bảy theo những kiến thức tong hop của cá nhân Kết quả nghiền cửu trong luận văn này chưa từng được công bể tại bắt kỳ công trinh nào khác Trong quả trinh làm

luận văn, tôi có tham khảo các tải liệu có liên quan và đã ghỉ rõ nguồn tài liệu tham khảo Tôi xin cam doan dây là công trinh nghiên cửu của tôi và không sao chép của

Figure 27: ENN ceseecsessessieesiseeinseesie

igure 28: Dâu vào và ra cha 32 CNN

Figure 29: Dữ liệu đầu vào cho GRUT

Figure 36; Dit liu log on cesses se

Eigure 37: Dữ liệu sau xử lý

Figure 38: Flask framework

THUẬT NGỮ VẢ TỪ VIET TAT

Từ việt tắt | Tên tiếng Anh Thuật ngữ tiếng Việt

RSs Recommendation systems Hệ thông gợi ý

RNN Recurrent Neural Nelwork

LSIM Long shorl-term memory

Aws Amazon web service

LOT CAM ON

Trước tiền, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Linh Giang,

và cáo thầy cô Viện CNTT-TT, Trường Đại học Bách Khoa Hà Nội đã nhiệt tỉnh đào:

tạo và hướng dân đẻ tạo điều kiện thuận lợi cho tôi nghiên cứu khoa học, vá giúp tôi

só thể hoàn thánh luận văn một cách tắt nhất

Tôi cũng gửi 1i cdm om chin thanh dén anh T'S Dé Due Ding — Group Leader

Software Solution Group va anh Trịnh Hồng Cường — Part Leader Service Platform Parl di tao diéu kiện cho lôi có cơ hội triển khai xây dựng hệ thông, cám ơn những loi dong góp ý kiến của các anh trong thời gian tôi làm việc Lôi cũng gửi lời cảm ơn

đến các đẳng nghiệp của tôi trang đội đã hỗ trợ tôi trong thời gian tôi làm khóa luận

Cuỗi củng tôi xin gúi lời cảm ơn đến gia định, bạn bè, những nguời đã luôn

bên tối, đông viên và khuyến khích tôi trong, quá trinh thực hiện để tải nghién cima

của mình

Hạc viên

NGUYÊN HỮU PHÚC

LOT CAM ON

Trước tiền, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Linh Giang,

và cáo thầy cô Viện CNTT-TT, Trường Đại học Bách Khoa Hà Nội đã nhiệt tỉnh đào:

tạo và hướng dân đẻ tạo điều kiện thuận lợi cho tôi nghiên cứu khoa học, vá giúp tôi

só thể hoàn thánh luận văn một cách tắt nhất

Tôi cũng gửi 1i cdm om chin thanh dén anh T'S Dé Due Ding — Group Leader

Software Solution Group va anh Trịnh Hồng Cường — Part Leader Service Platform Parl di tao diéu kiện cho lôi có cơ hội triển khai xây dựng hệ thông, cám ơn những loi dong góp ý kiến của các anh trong thời gian tôi làm việc Lôi cũng gửi lời cảm ơn

đến các đẳng nghiệp của tôi trang đội đã hỗ trợ tôi trong thời gian tôi làm khóa luận

Cuỗi củng tôi xin gúi lời cảm ơn đến gia định, bạn bè, những nguời đã luôn

bên tối, đông viên và khuyến khích tôi trong, quá trinh thực hiện để tải nghién cima

của mình

Hạc viên

NGUYÊN HỮU PHÚC

LOT CAM ON

Trước tiền, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Linh Giang,

và cáo thầy cô Viện CNTT-TT, Trường Đại học Bách Khoa Hà Nội đã nhiệt tỉnh đào:

tạo và hướng dân đẻ tạo điều kiện thuận lợi cho tôi nghiên cứu khoa học, vá giúp tôi

só thể hoàn thánh luận văn một cách tắt nhất

Tôi cũng gửi 1i cdm om chin thanh dén anh T'S Dé Due Ding — Group Leader

Software Solution Group va anh Trịnh Hồng Cường — Part Leader Service Platform Parl di tao diéu kiện cho lôi có cơ hội triển khai xây dựng hệ thông, cám ơn những loi dong góp ý kiến của các anh trong thời gian tôi làm việc Lôi cũng gửi lời cảm ơn

đến các đẳng nghiệp của tôi trang đội đã hỗ trợ tôi trong thời gian tôi làm khóa luận

Cuỗi củng tôi xin gúi lời cảm ơn đến gia định, bạn bè, những nguời đã luôn

bên tối, đông viên và khuyến khích tôi trong, quá trinh thực hiện để tải nghién cima

của mình

Hạc viên

NGUYÊN HỮU PHÚC

Tambda Amayon web service lambda

Sigmod | Sigmod 1 hảm kích hoạt trong RNN

GPU Grapbics Processing Unit

GRU Gated recurrent unit

OOF Contend-based filtering

NoSQL [No SQL Cơ sở đữ liệu không cầu trủc Framework

Tson JavaSorip! Object Notation Phân đoạn thăm khám bệnh

nhân Log System log Log ghi goi API

Kagele ‘Trang web chuyén vé ML

api application programming interface

Tambda Amayon web service lambda

Sigmod | Sigmod 1 hảm kích hoạt trong RNN

GPU Grapbics Processing Unit

GRU Gated recurrent unit

OOF Contend-based filtering

NoSQL [No SQL Cơ sở đữ liệu không cầu trủc Framework

Tson JavaSorip! Object Notation Phân đoạn thăm khám bệnh

nhân Log System log Log ghi goi API

Kagele ‘Trang web chuyén vé ML

api application programming interface

Tambda Amayon web service lambda

Sigmod | Sigmod 1 hảm kích hoạt trong RNN

GPU Grapbics Processing Unit

GRU Gated recurrent unit

OOF Contend-based filtering

NoSQL [No SQL Cơ sở đữ liệu không cầu trủc Framework

Tson JavaSorip! Object Notation Phân đoạn thăm khám bệnh

nhân Log System log Log ghi goi API

Kagele ‘Trang web chuyén vé ML

api application programming interface

MOPAU

1 Lý đo chọn dễ tt

‘Du doan va trong dé la recommendation system dang li lĩnh vực dược các nhà

khoa học va các doanh nghiệp quan tâm nghiên cứu trong nhiều năm gần đây Ứng

dung lrong dé 14 recommendation systom được thực hiện trong nhiều lĩnh vực khác

nhau như giảo dục, y tế, tài chỉnh, ngãn hàng, kinh doanh với hàng chục các cuộc thị trên Kaggle mdi thang Dac biét, trong thoi gian gin diy, recommendation system trong cde hệ thông thương mại diện tử dang dược quan lâm nghiên cứu Đối với các trang thương mại điện tứ, việc đưa ra những sắn phẩm phú hợp với chính

hệ thông,

phải có các thông tin liên quan dến các sân phẩm vả sự tương tác với hệ thông của

những người tiêu dùng là một điền cực kỳ thiết yếu Đề làm được điển nải

người dùng, Người dùng có thể phải tự mình tim kiếm hoặc lựa chọn các sán phẩm

ma họ đã định hình sẵn trong đâu Tuy nhiên, việc người dùng mưa cáo sản phẩm mà

thúc đây nghiên cứu và phát triển cde module recommendation

dược đặt ra cho lĩnh vực khai phá dữ liệu khủ có dữ liệu lớn về thôi quen người dùng

và quá trình tương tác của người đùng trong hệ thống nhằm hỗ trợ cho người dùng, tim kiếm, trãi nghiệm các địch vụ tốt hơn mả hệ thống mang lại Khi làm luận án tôi

dang công tác tại Trung tâm nghiên cứu và phát triển điện thoại Samsung Việt Nam SVMC, trước những bải toán đang tên tại ở nơi lám việc củng với lĩnh vực tôi đang theo hoc, được sự đổng ý của PGS.TS Nguyễn Tánh Giang tôi chọn để tài luận văn: “phiên cửu sứ dụng và so sảnh các giải thuật machine learning và deep learning,

trong bài toán gợi ý ứng dụng trong các hệ thông thương mại điện tử”, luận văn góp phần vào việu giải quyết các bài Loán cẩn thiết trong thực tế

Figure 27: ENN ceseecsessessieesiseeinseesie

igure 28: Dâu vào và ra cha 32 CNN

Figure 29: Dữ liệu đầu vào cho GRUT

Figure 36; Dit liu log on cesses se

Eigure 37: Dữ liệu sau xử lý

Figure 38: Flask framework

THUẬT NGỮ VẢ TỪ VIET TAT

Từ việt tắt | Tên tiếng Anh Thuật ngữ tiếng Việt

RSs Recommendation systems Hệ thông gợi ý

RNN Recurrent Neural Nelwork

LSIM Long shorl-term memory

Aws Amazon web service

Figure 27: ENN ceseecsessessieesiseeinseesie

igure 28: Dâu vào và ra cha 32 CNN

Figure 29: Dữ liệu đầu vào cho GRUT

Figure 36; Dit liu log on cesses se

Eigure 37: Dữ liệu sau xử lý

Figure 38: Flask framework

THUẬT NGỮ VẢ TỪ VIET TAT

Từ việt tắt | Tên tiếng Anh Thuật ngữ tiếng Việt

RSs Recommendation systems Hệ thông gợi ý

RNN Recurrent Neural Nelwork

LSIM Long shorl-term memory

Aws Amazon web service

DANH MỤC HÌNH VE

Figure 1: Recommendation system

Figure 2; Matrix Utity

Figure 3: Matrix Utility sau khi chudn hoa

Figure 4: Hudng liép can Content-based

Figure 5: Huong tiếp cận Collaborative Eiltering ::coc

Figure 6: Huéng Hybrid recommendation system

Figure 7: Session based recommendation system

Figure 8: Hướng translation recommendation system

Figure 9: Deep learning

Figure 17: LSTM nhớ thông tỉa

Figure 18: Logic quả cống quên

Figure 19: Đầu vào của I.STM

Eigure 20: LSTM cập rhhập đữ liệu mới

Figure 21: LSTM cập nhập vào trong đường thớ

Figure 22: Cập nhập lại đữ liệu dầu ra

Iigure 23: Cáo dạng khác của L8TM

LOT CAM ON

Trước tiền, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Linh Giang,

và cáo thầy cô Viện CNTT-TT, Trường Đại học Bách Khoa Hà Nội đã nhiệt tỉnh đào:

tạo và hướng dân đẻ tạo điều kiện thuận lợi cho tôi nghiên cứu khoa học, vá giúp tôi

só thể hoàn thánh luận văn một cách tắt nhất

Tôi cũng gửi 1i cdm om chin thanh dén anh T'S Dé Due Ding — Group Leader

Software Solution Group va anh Trịnh Hồng Cường — Part Leader Service Platform Parl di tao diéu kiện cho lôi có cơ hội triển khai xây dựng hệ thông, cám ơn những loi dong góp ý kiến của các anh trong thời gian tôi làm việc Lôi cũng gửi lời cảm ơn

đến các đẳng nghiệp của tôi trang đội đã hỗ trợ tôi trong thời gian tôi làm khóa luận

Cuỗi củng tôi xin gúi lời cảm ơn đến gia định, bạn bè, những nguời đã luôn

bên tối, đông viên và khuyến khích tôi trong, quá trinh thực hiện để tải nghién cima

của mình

Hạc viên

NGUYÊN HỮU PHÚC

LOT CAM ON

Trước tiền, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Linh Giang,

và cáo thầy cô Viện CNTT-TT, Trường Đại học Bách Khoa Hà Nội đã nhiệt tỉnh đào:

tạo và hướng dân đẻ tạo điều kiện thuận lợi cho tôi nghiên cứu khoa học, vá giúp tôi

só thể hoàn thánh luận văn một cách tắt nhất

Tôi cũng gửi 1i cdm om chin thanh dén anh T'S Dé Due Ding — Group Leader

Software Solution Group va anh Trịnh Hồng Cường — Part Leader Service Platform Parl di tao diéu kiện cho lôi có cơ hội triển khai xây dựng hệ thông, cám ơn những loi dong góp ý kiến của các anh trong thời gian tôi làm việc Lôi cũng gửi lời cảm ơn

đến các đẳng nghiệp của tôi trang đội đã hỗ trợ tôi trong thời gian tôi làm khóa luận

Cuỗi củng tôi xin gúi lời cảm ơn đến gia định, bạn bè, những nguời đã luôn

bên tối, đông viên và khuyến khích tôi trong, quá trinh thực hiện để tải nghién cima

của mình

Hạc viên

NGUYÊN HỮU PHÚC

DANH MỤC HÌNH VE

Figure 1: Recommendation system

Figure 2; Matrix Utity

Figure 3: Matrix Utility sau khi chudn hoa

Figure 4: Hudng liép can Content-based

Figure 5: Huong tiếp cận Collaborative Eiltering ::coc

Figure 6: Huéng Hybrid recommendation system

Figure 7: Session based recommendation system

Figure 8: Hướng translation recommendation system

Figure 9: Deep learning

Figure 17: LSTM nhớ thông tỉa

Figure 18: Logic quả cống quên

Figure 19: Đầu vào của I.STM

Eigure 20: LSTM cập rhhập đữ liệu mới

Figure 21: LSTM cập nhập vào trong đường thớ

Figure 22: Cập nhập lại đữ liệu dầu ra

Iigure 23: Cáo dạng khác của L8TM

MOPAU

1 Lý đo chọn dễ tt

‘Du doan va trong dé la recommendation system dang li lĩnh vực dược các nhà

khoa học va các doanh nghiệp quan tâm nghiên cứu trong nhiều năm gần đây Ứng

dung lrong dé 14 recommendation systom được thực hiện trong nhiều lĩnh vực khác

nhau như giảo dục, y tế, tài chỉnh, ngãn hàng, kinh doanh với hàng chục các cuộc thị trên Kaggle mdi thang Dac biét, trong thoi gian gin diy, recommendation system trong cde hệ thông thương mại diện tử dang dược quan lâm nghiên cứu Đối với các trang thương mại điện tứ, việc đưa ra những sắn phẩm phú hợp với chính

hệ thông,

phải có các thông tin liên quan dến các sân phẩm vả sự tương tác với hệ thông của

những người tiêu dùng là một điền cực kỳ thiết yếu Đề làm được điển nải

người dùng, Người dùng có thể phải tự mình tim kiếm hoặc lựa chọn các sán phẩm

ma họ đã định hình sẵn trong đâu Tuy nhiên, việc người dùng mưa cáo sản phẩm mà

thúc đây nghiên cứu và phát triển cde module recommendation

dược đặt ra cho lĩnh vực khai phá dữ liệu khủ có dữ liệu lớn về thôi quen người dùng

và quá trình tương tác của người đùng trong hệ thống nhằm hỗ trợ cho người dùng, tim kiếm, trãi nghiệm các địch vụ tốt hơn mả hệ thống mang lại Khi làm luận án tôi

dang công tác tại Trung tâm nghiên cứu và phát triển điện thoại Samsung Việt Nam SVMC, trước những bải toán đang tên tại ở nơi lám việc củng với lĩnh vực tôi đang theo hoc, được sự đổng ý của PGS.TS Nguyễn Tánh Giang tôi chọn để tài luận văn: “phiên cửu sứ dụng và so sảnh các giải thuật machine learning và deep learning,

trong bài toán gợi ý ứng dụng trong các hệ thông thương mại điện tử”, luận văn góp phần vào việu giải quyết các bài Loán cẩn thiết trong thực tế

DANH MỤC HÌNH VE

Figure 1: Recommendation system

Figure 2; Matrix Utity

Figure 3: Matrix Utility sau khi chudn hoa

Figure 4: Hudng liép can Content-based

Figure 5: Huong tiếp cận Collaborative Eiltering ::coc

Figure 6: Huéng Hybrid recommendation system

Figure 7: Session based recommendation system

Figure 8: Hướng translation recommendation system

Figure 9: Deep learning

Figure 17: LSTM nhớ thông tỉa

Figure 18: Logic quả cống quên

Figure 19: Đầu vào của I.STM

Eigure 20: LSTM cập rhhập đữ liệu mới

Figure 21: LSTM cập nhập vào trong đường thớ

Figure 22: Cập nhập lại đữ liệu dầu ra

Iigure 23: Cáo dạng khác của L8TM

MOPAU

1 Lý đo chọn dễ tt

‘Du doan va trong dé la recommendation system dang li lĩnh vực dược các nhà

khoa học va các doanh nghiệp quan tâm nghiên cứu trong nhiều năm gần đây Ứng

dung lrong dé 14 recommendation systom được thực hiện trong nhiều lĩnh vực khác

nhau như giảo dục, y tế, tài chỉnh, ngãn hàng, kinh doanh với hàng chục các cuộc thị trên Kaggle mdi thang Dac biét, trong thoi gian gin diy, recommendation system trong cde hệ thông thương mại diện tử dang dược quan lâm nghiên cứu Đối với các trang thương mại điện tứ, việc đưa ra những sắn phẩm phú hợp với chính

hệ thông,

phải có các thông tin liên quan dến các sân phẩm vả sự tương tác với hệ thông của

những người tiêu dùng là một điền cực kỳ thiết yếu Đề làm được điển nải

người dùng, Người dùng có thể phải tự mình tim kiếm hoặc lựa chọn các sán phẩm

ma họ đã định hình sẵn trong đâu Tuy nhiên, việc người dùng mưa cáo sản phẩm mà

thúc đây nghiên cứu và phát triển cde module recommendation

dược đặt ra cho lĩnh vực khai phá dữ liệu khủ có dữ liệu lớn về thôi quen người dùng

và quá trình tương tác của người đùng trong hệ thống nhằm hỗ trợ cho người dùng, tim kiếm, trãi nghiệm các địch vụ tốt hơn mả hệ thống mang lại Khi làm luận án tôi

dang công tác tại Trung tâm nghiên cứu và phát triển điện thoại Samsung Việt Nam SVMC, trước những bải toán đang tên tại ở nơi lám việc củng với lĩnh vực tôi đang theo hoc, được sự đổng ý của PGS.TS Nguyễn Tánh Giang tôi chọn để tài luận văn: “phiên cửu sứ dụng và so sảnh các giải thuật machine learning và deep learning,

trong bài toán gợi ý ứng dụng trong các hệ thông thương mại điện tử”, luận văn góp phần vào việu giải quyết các bài Loán cẩn thiết trong thực tế

2 Mục dích nghiên cửu cửa luận văn TH HH tt Hee re 11

3, Đôi tượng, phương pháp và phạm vi nghiên cứu - 22c 52222 s0scsircre "

4 Tóm tắt nội dung và đông góp mới của tác giá ceeeeeeeeoee.2Ỷ CHƯƠNG 1 TÔNG QUAN BÀI TOÁN KHUYỂN NGHỊ

1.1 Giới thiệu vẻ bài toản khuyến nghị

13 Một số hướng tiép can trong recommendation system 18

CHƯƠNG 3 HƯỚNG TIẾP CẬN SESSION-BASED 34

3.1 Vấn dễ người dùng trên các trang thương mại điện tử 34

3.2 Hướng tiếp cân Session-bascd rccommendation

3.3 Hướng tiếp cận RNN trong bai toan Session-based

3.4 Kết quả thứ nghiệm - ¬

CHƯƠNG 4 CÀI DẶT VÀ TRHÌN KHIAI, 25222222552 crecceeeEEeevee 41

4.1 Tệ thống Galaxy Gữf TH 2 1 te re 41

45 So sánh với thuật toán Matrix Faclorizaticn đã triển khai 46

LOT CAM ON

Trước tiền, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Linh Giang,

và cáo thầy cô Viện CNTT-TT, Trường Đại học Bách Khoa Hà Nội đã nhiệt tỉnh đào:

tạo và hướng dân đẻ tạo điều kiện thuận lợi cho tôi nghiên cứu khoa học, vá giúp tôi

só thể hoàn thánh luận văn một cách tắt nhất

Tôi cũng gửi 1i cdm om chin thanh dén anh T'S Dé Due Ding — Group Leader

Software Solution Group va anh Trịnh Hồng Cường — Part Leader Service Platform Parl di tao diéu kiện cho lôi có cơ hội triển khai xây dựng hệ thông, cám ơn những loi dong góp ý kiến của các anh trong thời gian tôi làm việc Lôi cũng gửi lời cảm ơn

đến các đẳng nghiệp của tôi trang đội đã hỗ trợ tôi trong thời gian tôi làm khóa luận

Cuỗi củng tôi xin gúi lời cảm ơn đến gia định, bạn bè, những nguời đã luôn

bên tối, đông viên và khuyến khích tôi trong, quá trinh thực hiện để tải nghién cima

của mình

Hạc viên

NGUYÊN HỮU PHÚC

2 Mục dích nghiên cửu cửa luận văn TH HH tt Hee re 11

3, Đôi tượng, phương pháp và phạm vi nghiên cứu - 22c 52222 s0scsircre "

4 Tóm tắt nội dung và đông góp mới của tác giá ceeeeeeeeoee.2Ỷ CHƯƠNG 1 TÔNG QUAN BÀI TOÁN KHUYỂN NGHỊ

1.1 Giới thiệu vẻ bài toản khuyến nghị

13 Một số hướng tiép can trong recommendation system 18

CHƯƠNG 3 HƯỚNG TIẾP CẬN SESSION-BASED 34

3.1 Vấn dễ người dùng trên các trang thương mại điện tử 34

3.2 Hướng tiếp cân Session-bascd rccommendation

3.3 Hướng tiếp cận RNN trong bai toan Session-based

3.4 Kết quả thứ nghiệm - ¬

CHƯƠNG 4 CÀI DẶT VÀ TRHÌN KHIAI, 25222222552 crecceeeEEeevee 41

4.1 Tệ thống Galaxy Gữf TH 2 1 te re 41

45 So sánh với thuật toán Matrix Faclorizaticn đã triển khai 46

LOT CAM ON

Trước tiền, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Linh Giang,

và cáo thầy cô Viện CNTT-TT, Trường Đại học Bách Khoa Hà Nội đã nhiệt tỉnh đào:

tạo và hướng dân đẻ tạo điều kiện thuận lợi cho tôi nghiên cứu khoa học, vá giúp tôi

só thể hoàn thánh luận văn một cách tắt nhất

Tôi cũng gửi 1i cdm om chin thanh dén anh T'S Dé Due Ding — Group Leader

Software Solution Group va anh Trịnh Hồng Cường — Part Leader Service Platform Parl di tao diéu kiện cho lôi có cơ hội triển khai xây dựng hệ thông, cám ơn những loi dong góp ý kiến của các anh trong thời gian tôi làm việc Lôi cũng gửi lời cảm ơn

đến các đẳng nghiệp của tôi trang đội đã hỗ trợ tôi trong thời gian tôi làm khóa luận

Cuỗi củng tôi xin gúi lời cảm ơn đến gia định, bạn bè, những nguời đã luôn

bên tối, đông viên và khuyến khích tôi trong, quá trinh thực hiện để tải nghién cima

của mình

Hạc viên

NGUYÊN HỮU PHÚC

MOPAU

1 Lý đo chọn dễ tt

‘Du doan va trong dé la recommendation system dang li lĩnh vực dược các nhà

khoa học va các doanh nghiệp quan tâm nghiên cứu trong nhiều năm gần đây Ứng

dung lrong dé 14 recommendation systom được thực hiện trong nhiều lĩnh vực khác

nhau như giảo dục, y tế, tài chỉnh, ngãn hàng, kinh doanh với hàng chục các cuộc thị trên Kaggle mdi thang Dac biét, trong thoi gian gin diy, recommendation system trong cde hệ thông thương mại diện tử dang dược quan lâm nghiên cứu Đối với các trang thương mại điện tứ, việc đưa ra những sắn phẩm phú hợp với chính

hệ thông,

phải có các thông tin liên quan dến các sân phẩm vả sự tương tác với hệ thông của

những người tiêu dùng là một điền cực kỳ thiết yếu Đề làm được điển nải

người dùng, Người dùng có thể phải tự mình tim kiếm hoặc lựa chọn các sán phẩm

ma họ đã định hình sẵn trong đâu Tuy nhiên, việc người dùng mưa cáo sản phẩm mà

thúc đây nghiên cứu và phát triển cde module recommendation

dược đặt ra cho lĩnh vực khai phá dữ liệu khủ có dữ liệu lớn về thôi quen người dùng

và quá trình tương tác của người đùng trong hệ thống nhằm hỗ trợ cho người dùng, tim kiếm, trãi nghiệm các địch vụ tốt hơn mả hệ thống mang lại Khi làm luận án tôi

dang công tác tại Trung tâm nghiên cứu và phát triển điện thoại Samsung Việt Nam SVMC, trước những bải toán đang tên tại ở nơi lám việc củng với lĩnh vực tôi đang theo hoc, được sự đổng ý của PGS.TS Nguyễn Tánh Giang tôi chọn để tài luận văn: “phiên cửu sứ dụng và so sảnh các giải thuật machine learning và deep learning,

trong bài toán gợi ý ứng dụng trong các hệ thông thương mại điện tử”, luận văn góp phần vào việu giải quyết các bài Loán cẩn thiết trong thực tế

Tambda Amayon web service lambda

Sigmod | Sigmod 1 hảm kích hoạt trong RNN

GPU Grapbics Processing Unit

GRU Gated recurrent unit

OOF Contend-based filtering

NoSQL [No SQL Cơ sở đữ liệu không cầu trủc Framework

Tson JavaSorip! Object Notation Phân đoạn thăm khám bệnh

nhân Log System log Log ghi goi API

Kagele ‘Trang web chuyén vé ML

api application programming interface

Figure 27: ENN ceseecsessessieesiseeinseesie

igure 28: Dâu vào và ra cha 32 CNN

Figure 29: Dữ liệu đầu vào cho GRUT

Figure 36; Dit liu log on cesses se

Eigure 37: Dữ liệu sau xử lý

Figure 38: Flask framework

THUẬT NGỮ VẢ TỪ VIET TAT

Từ việt tắt | Tên tiếng Anh Thuật ngữ tiếng Việt

RSs Recommendation systems Hệ thông gợi ý

RNN Recurrent Neural Nelwork

LSIM Long shorl-term memory

Aws Amazon web service

MOPAU

1 Lý đo chọn dễ tt

‘Du doan va trong dé la recommendation system dang li lĩnh vực dược các nhà

khoa học va các doanh nghiệp quan tâm nghiên cứu trong nhiều năm gần đây Ứng

dung lrong dé 14 recommendation systom được thực hiện trong nhiều lĩnh vực khác

nhau như giảo dục, y tế, tài chỉnh, ngãn hàng, kinh doanh với hàng chục các cuộc thị trên Kaggle mdi thang Dac biét, trong thoi gian gin diy, recommendation system trong cde hệ thông thương mại diện tử dang dược quan lâm nghiên cứu Đối với các trang thương mại điện tứ, việc đưa ra những sắn phẩm phú hợp với chính

hệ thông,

phải có các thông tin liên quan dến các sân phẩm vả sự tương tác với hệ thông của

những người tiêu dùng là một điền cực kỳ thiết yếu Đề làm được điển nải

người dùng, Người dùng có thể phải tự mình tim kiếm hoặc lựa chọn các sán phẩm

ma họ đã định hình sẵn trong đâu Tuy nhiên, việc người dùng mưa cáo sản phẩm mà

thúc đây nghiên cứu và phát triển cde module recommendation

dược đặt ra cho lĩnh vực khai phá dữ liệu khủ có dữ liệu lớn về thôi quen người dùng

và quá trình tương tác của người đùng trong hệ thống nhằm hỗ trợ cho người dùng, tim kiếm, trãi nghiệm các địch vụ tốt hơn mả hệ thống mang lại Khi làm luận án tôi

dang công tác tại Trung tâm nghiên cứu và phát triển điện thoại Samsung Việt Nam SVMC, trước những bải toán đang tên tại ở nơi lám việc củng với lĩnh vực tôi đang theo hoc, được sự đổng ý của PGS.TS Nguyễn Tánh Giang tôi chọn để tài luận văn: “phiên cửu sứ dụng và so sảnh các giải thuật machine learning và deep learning,

trong bài toán gợi ý ứng dụng trong các hệ thông thương mại điện tử”, luận văn góp phần vào việu giải quyết các bài Loán cẩn thiết trong thực tế

DANH MỤC HÌNH VE

Figure 1: Recommendation system

Figure 2; Matrix Utity

Figure 3: Matrix Utility sau khi chudn hoa

Figure 4: Hudng liép can Content-based

Figure 5: Huong tiếp cận Collaborative Eiltering ::coc

Figure 6: Huéng Hybrid recommendation system

Figure 7: Session based recommendation system

Figure 8: Hướng translation recommendation system

Figure 9: Deep learning

Figure 17: LSTM nhớ thông tỉa

Figure 18: Logic quả cống quên

Figure 19: Đầu vào của I.STM

Eigure 20: LSTM cập rhhập đữ liệu mới

Figure 21: LSTM cập nhập vào trong đường thớ

Figure 22: Cập nhập lại đữ liệu dầu ra

Iigure 23: Cáo dạng khác của L8TM

Figure 27: ENN ceseecsessessieesiseeinseesie

igure 28: Dâu vào và ra cha 32 CNN

Figure 29: Dữ liệu đầu vào cho GRUT

Figure 36; Dit liu log on cesses se

Eigure 37: Dữ liệu sau xử lý

Figure 38: Flask framework

THUẬT NGỮ VẢ TỪ VIET TAT

Từ việt tắt | Tên tiếng Anh Thuật ngữ tiếng Việt

RSs Recommendation systems Hệ thông gợi ý

RNN Recurrent Neural Nelwork

LSIM Long shorl-term memory

Aws Amazon web service

MOPAU

1 Lý đo chọn dễ tt

‘Du doan va trong dé la recommendation system dang li lĩnh vực dược các nhà

khoa học va các doanh nghiệp quan tâm nghiên cứu trong nhiều năm gần đây Ứng

dung lrong dé 14 recommendation systom được thực hiện trong nhiều lĩnh vực khác

nhau như giảo dục, y tế, tài chỉnh, ngãn hàng, kinh doanh với hàng chục các cuộc thị trên Kaggle mdi thang Dac biét, trong thoi gian gin diy, recommendation system trong cde hệ thông thương mại diện tử dang dược quan lâm nghiên cứu Đối với các trang thương mại điện tứ, việc đưa ra những sắn phẩm phú hợp với chính

hệ thông,

phải có các thông tin liên quan dến các sân phẩm vả sự tương tác với hệ thông của

những người tiêu dùng là một điền cực kỳ thiết yếu Đề làm được điển nải

người dùng, Người dùng có thể phải tự mình tim kiếm hoặc lựa chọn các sán phẩm

ma họ đã định hình sẵn trong đâu Tuy nhiên, việc người dùng mưa cáo sản phẩm mà

thúc đây nghiên cứu và phát triển cde module recommendation

dược đặt ra cho lĩnh vực khai phá dữ liệu khủ có dữ liệu lớn về thôi quen người dùng

và quá trình tương tác của người đùng trong hệ thống nhằm hỗ trợ cho người dùng, tim kiếm, trãi nghiệm các địch vụ tốt hơn mả hệ thống mang lại Khi làm luận án tôi

dang công tác tại Trung tâm nghiên cứu và phát triển điện thoại Samsung Việt Nam SVMC, trước những bải toán đang tên tại ở nơi lám việc củng với lĩnh vực tôi đang theo hoc, được sự đổng ý của PGS.TS Nguyễn Tánh Giang tôi chọn để tài luận văn: “phiên cửu sứ dụng và so sảnh các giải thuật machine learning và deep learning,

trong bài toán gợi ý ứng dụng trong các hệ thông thương mại điện tử”, luận văn góp phần vào việu giải quyết các bài Loán cẩn thiết trong thực tế

Tambda Amayon web service lambda

Sigmod | Sigmod 1 hảm kích hoạt trong RNN

GPU Grapbics Processing Unit

GRU Gated recurrent unit

OOF Contend-based filtering

NoSQL [No SQL Cơ sở đữ liệu không cầu trủc Framework

Tson JavaSorip! Object Notation Phân đoạn thăm khám bệnh

nhân Log System log Log ghi goi API

Kagele ‘Trang web chuyén vé ML

api application programming interface