DSpace at VNU: Hệ tư vấn và ứng dụng cho bài toán dự báo kết quả bóng đá

Hệ tư vấn và ứng dụng cho bài toán dự báo kết quả bóng đá Nguyễn Thị Ninh Trường Đại học Công nghệ Luận văn ThS.. Trên cơ sở đó, luận văn đã trình bày và đạt được kết quả như sau: Về mặ

Hệ tư vấn và ứng dụng cho bài toán dự báo

kết quả bóng đá Nguyễn Thị Ninh

Trường Đại học Công nghệ Luận văn ThS Công nghệ thông tin; Mã số: 60480104

Người hướng dẫn: PGS.TS Nguyễn Đình Hóa, TS Lê Hoàng Sơn

Năm bảo vệ: 2014

Abstract Hệ tư vấn đã và đang được ứng dụng rất nhiều trong các lĩnh vực của cuộc

sống để đưa ra khuyến nghị cho người dùng khi cần tìm kiếm, đánh giá thông tin Trên cơ

sở đó, luận văn đã trình bày và đạt được kết quả như sau:

Về mặt lý thuyết, tổng quan được kiến thức cơ bản về khai phá thông tin Tổng quan về

hệ tư vấn và các phương pháp lọc Độ đo tương tự NHSM

Về mặt ứng dụng, triển khai thuật toán lọc cộng tác với độ đo NHSM cho bài toán dự báo kết quả bóng đá

Keywords Hệ tư vấn; Hệ thống thông tin; Công nghệ thông tin

Content

Chương 1: Tổng quan về khai phá dữ liệu

Trong chương này, luận văn sẽ trình bày những vấn đề cơ bản của khai phá dữ liệu như: định nghĩa, các thành tố cơ bản của một nhiệm vụ khai phá dữ liệu, các nhiệm vụ, các kỹ thuật

và ứng dụng của khai phá dữ liệu Thông qua đó, khai phá dữ liệu tạo đã điều kiện phát triển cho

hệ tư vấn

Chương 2: Hệ tư vấn và các phương pháp lọc

Phần đầu tiên giới thiệu là các thông tin liên quan đến hệ tư vấn: định nghĩa và phương pháp khuyến nghị lọc cộng tác

Vấn đề thứ hai được trình bày trong chương này là vấn đề cold - start nảy sinh và phương pháp khắc phục dựa trên tính nhân khẩu Nội dung phần này cũng trình bày cụ thể vai trò của ngữ cảnh cùng sự xuất hiện của phương pháp tiếp cận đa chiều trong khuyến nghị

Phần tiếp theo trình bày về các độ đo tương tự Đưa ra độ đo tương tự mới NHSM và thuật toán dự báo kết quả bóng đá với độ đo mới này

Chương 3: Ứng dụng cho bài toán dự báo kết quả bóng đá

Nội dung chương này trình bày phân tích, thiết kế trang web dự báo kết quả bóng đá và xây dựng chương trình ứng dụng

References

Tiếng Việt

[1] Nguyễn Đức Cường (2011), Tổng quan về khai phá dữ liệu, Khoa Công nghệ Thông tin,

Đại học Bách Khoa TPHCM

[2] Đỗ Phúc (2005), Giáo trình Khai thác dữ liệu, ĐHQG TPHCM

[3] Nguyễn Nhật Quang (2010), Khai phá dữ liệu, Viện Công nghệ Thông tin và Truyền

thông, Đại học Bách Khoa Hà Nội

[4] Hà Quang Thụy (2011), Bài giảng nhập môn khai phá dữ liệu, Đại học Công nghệ,

ĐHQGHN

Tiếng Anh

[1] Abdelwahab A., Sekiya H., Matsuba I., Horiuchi Y., Kuroiwa S (2009), Collaborative filtering based on an iterative prediction method to alleviate the sparsity problem, in: Proceedings of the International Conference on Information Integration and Web-based Applications & Services, pp 375–379

[2] Adomavicius G., R Sankaranarayanan, S Sen and A Tuzhilin (2005), “Incorporating contextual information in recommender systems using a multidimensional approach”,

ACM Transactions on Information Systems (TOIS), 23(1), pp 103-145

[3] Adomavicius G., Tuzhilin, A (2005), “Toward the next generation of recommender

systems: A survey of the state-of-the-art and possible extensions”, Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.

[4] Adomavicius G., Tuzhilin, A (2011), “Context-aware recommender systems”, In

Recommender systems handbook, pp 217-253.

[5] Ahn H.J (2008), A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem, Inform Sci 178 (1), pp 37–51

[6] Anand D., Bharadwaj K.K (2011), Utilizing various sparsity measures for enhancing accuracy of collaborative recommender systems based on local and global similarities, Expert Syst Appl 38, pp 5101–5109

[7] Bobadilla J., Ortega F., Hernando A., Bernal J (2011), A collaborative filtering approach to mitigate the new user cold start problem, Knowledge-Based Syst 26, pp 225–238

[8] Bryan K., O'Mahony M and Cunningham P (2008), “Unsupervised retrieval of attack profiles in collaborative recommender systems”, Proceedings of the 2008 ACM conference on Recommender systems, pp 155-162

[9] Cacheda F., Carneiro V., Fernández D., Formoso V (2011), Comparison of

collaborative filtering algorithms: limitations of current techniques and proposals for scalable, high-performance recommender system, ACM Trans Web 5 (1), pp 1–33 [10] DanEr C (2009), The collaborative filtering recommendation algorithm based on BP neural networks, in: Proceedings of the International Symposium on Intelligent Ubiquitous Computing and Education, pp 234–236

[11] Fayyad U., Piatetsky-Shapiro G and Smyth P (1996), “From data mining to knowledge discovery in databases”, AI magazine, 17(3), pp 37

[12] Fu Y (1997), Data mining: Tasks, techniques and applications, Department of Computer Science, University of Missouri-Rolla

[13] Han J., Fu Y., Wang W., Koperski K and Zaiane O (1996), “DMQL: A data mining query language for relational databases”, Proc 1996 SiGMOD, 96, pp 27-34

[14] Hand D J., Mannila H and Smyth P (2001), Principles of data mining, MIT press Ho

T B (2002), Introduction to knowledge discovery and data mining, National Center for Natural Science and Technology

[15] Han J., Kamber M (2001), Data Mining: Concepts and Techniques, Morgan Kaufmann

[16] Han J., Kamber M and Pei J (2006), Data mining: concepts and techniques, Morgan kaufmann

[17] Han J., Kamber M and Pei J (2011), Data mining: concepts and techniques, Elsevier

[18] Hao M., King I., Michael R.I (2007), Effective missing data prediction for collaborative filtering, in: Proceedings of the Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp 39–46

[19] Hao M., Haixuan Y., Lyu M.R., Irwin K (2008), Sorec: social recommendation using probabilistic matrix factorization, in: Proceedings of the 17th ACM Conference on Information and Knowledge Management, pp 931–940

[20] Herlocker J.L., Konstan J.A., Borchers A., Riedl J (1999), An algorithmic framework for performing collaborative filtering, in: Proceedings of the Annual International ACM

SIGIR Conference on Research and Development in Information Retrieval, pp 230–

237

[21] Jamali M., Ester M (2009), TrustWalker: a random walk model for combining trust-based and item-trust-based recommendation, in: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp 397–406 [22] Koutrica G., Bercovitz B., Garcia H (2009), FlexRecs: expressing and combining flexible recommendations, in: Proceedings of the ACM SIGMOD International Conference on Management of Data, pp 745–758

[23] Mobasher B., Burke R., Bhaumik R and Williams C (2005), “Effective attack models for shilling item-based collaborative filtering systems”, Proceedings of the 2005 WebKDD Workshop, held in conjuction with ACM SIGKDD’2005

[24] Haifeng L., Zheng H., Ahmad M., Hui T., Xuzhen Z., (2014), “Knowledge-Based Systems: A new user similarity model to improve the accurary of collaborative filtering”, pp 5-6

[25] Nan L., Chunping L (2009), Zero-sum reward and punishment collaborative filtering recommendation algorithm in: Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence Agent Technology, pp 548–551

[26] Naisbitt J (1982), Megatrends New York: Warner Books

[27] O'Mahony M., Hurley N., Kushmerick N and Silvestre G (2004), “Collaborative recommendation: A robustness analysis”, ACM Transactions on Internet Technology (TOIT), 4(4), pp 344-377

[28] Ricci F., Rokach L and Shapira B (2011), Introduction to recommender systems handbook, pp 1-35

[29] Resnick P., Iacovou N., Suchak M., Bergstrom P., Riedl J (1994), GroupLens: an open architecture for collaborative filtering of netnews, in: Proceeding of the ACM Conference on Computer Supported Cooperative Work, pp 175–186

[30] Shardanand U., Maes P (1994), Social information filtering: algorithms for automating word of mouth, in: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pp 210–217

[31] Zenebe A., Norcio A F (2009), “Representation, similarity measures and aggregation

methods using fuzzy sets for content-based recommender systems”, Fuzzy Sets and Systems, 160(1), pp 76-94.