SLIDE THUYẾT TRÌNH TIỂU LUẬN hệ thống gợi ý recommendation system

Phương phápCác phương pháp sử dụng Nội dung Tổng quan 1 Đối tượng, mục tiêu, ý nghĩa 3 Các vấn đềCấu trúc và dữ liệu 4 Tổng kếtKết luận về hệ thống 2 5 Demo sản phẩm Chạy sản phẩm... Phư

Hệ thống gợi ý

Recommendation System

Nhóm 7 – INT3507 6 Thành viên:

Nguyễn Trần Nhật Anh: 19020240

Nguyễn Tiến Đàn : 19020240

Trường Hoàng Sơn : 19020420

Phương pháp

Các phương pháp sử dụng

Nội dung

Tổng quan

1 Đối tượng, mục tiêu, ý nghĩa 3 Các vấn đềCấu trúc và dữ liệu

4 Tổng kếtKết luận về hệ thống

2

5 Demo sản phẩm

Chạy sản phẩm

Tổng quan

1

Đối tượng, mục tiêu, ý nghĩa

Tổng quan

Đối tượng

Website bán sách online

Mục tiêu

Sử dụng phương pháp lọc cộng tác

để đưa ra gợi ý

Ý nghĩa

Tăng doanh thu, trải nghiệm người dùng

Phương pháp

2

Phương pháp, công nghệ sử dụng

Phương pháp lọc cộng tác

Phương pháp lọc cộng tác là phương pháp phân tích dữ liệu

người dùng để tìm ra mối tương quan giữa các đối tượng người dùng

Chuẩn hóa dữ liệu

Chuẩn hóa dữ liệu bằng cách trừ đi trung bình cộng của mỗi cột

khiến trong trong mỗi cột có những giá trị dương và âm

• Những giá trị dương: user

thích item

• Những giá trị âm: user

không thích item

• Những giá trị bằng 0:

chưa xác định

Tìm mức độ giống nhau giữa các user

Sử dụng cosine_similarity, tức là hàm tính cos của góc giữa 2 vector u1 và u2 Vector u1 và u2 tương ứng với user 1 và user 2

Dự đoán đánh giá của người dùng

• Trong đó: N(u, i) là tập hợp k user có mức độ giống nhau cao nhất với user đang xét mà đã đánh giá sản phẩm đang dự đoán

• yi,uj là là đánh giá của k user trên với sản phẩm đang dự đoán

• sim(u, uj) là giá trị mức độ giống nhau của k user với user đang xét

Recommend sản phẩm

Sau khi dự đoán đánh giá, để recommend sản phẩm cho user ta chỉ cần chọn những sản phẩm mà user đó chưa đánh giá mà có điểm dự đoán đánh giá lớn hơn 0

Ở trong dự án: recommend 6 sản phẩm có điểm dự đoán cao nhất cho user

Công nghệ ứng dụng

Sử dụng thuật toán xây dựng ma trận tính toán độ

tương tự giữa các người dùng

FrontEnd BackEnd

Database ORM

Sequelize HTML, CSS, JS

Các vấn đề

3

Cấu trúc và dữ liệu

Lược đồ cơ sở dữ liệu

Tổng kết

4

Kết luận về hệ thống

Kết luận

Điểm yếu

• Không thể gợi ý nếu khách hàng chưa có dữ liệu về lịch sử tương tác mặt hàng

• Trên thực tế, số lượng users luôn lớn hơn số lượng items rất nhiều

• Ma trận đánh giá mức độ giống nhau của user là rất lớn, khiến cho việc lưu trữ ma trận này trong nhiều trường hợp là không khả thi

• Rất nhiều cột của ma trận này sẽ chỉ có một vài phần tử khác 0 Lý do là users thường lười đánh giá

• Một khi user đó thay đổi đánh giá hoặc rate thêm items, trung bình cộng các đánh giá cũng như vector chuẩn hoá tương ứng với user này thay đổi nhiều

• Kéo theo đó, việc tính toán ma trận mức độ giống nhau, vốn tốn nhiều bộ nhớ và thời gian, cũng cần được thực hiện lại

Demo sản phẩm

5

Chạy sản phẩm

Thanks!