Page 348 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

cả tác động đến tăng trưởng lợi nhuận; (ii) phân loại các nghiên cứu trong
TMĐT dựa trên máy học. Chen and Long (2023) đã ứng dụng các thuật toán
trí tuệ nhân tạo để giám sát rủi ro những vấn đề tài chính phức tạp và thay
đổi trong TMĐT. Nhóm tác giả đã nghiên cứu thực nghiệm với mẫu là các
doanh nghiệp TMĐT niêm yết của Trung Quốc từ năm 2012 đến năm 2022
sử dụng các mô hình như phân tích nhân tố để tìm ra các nhân tố chung giữa
các chỉ số tài chính và phi tài chính. Công nghệ học sâu được sử dụng để
phân tích, so sánh trên từng chỉ số đánh giá.

Thai-Nghe et al. (2022) đã đề xuất sử dụng kỹ thuật phân rã ma trận
sâu (deep matrix factorization) để dự đoán và gợi ý sản phẩm trong các hệ
thống TMĐT trực tuyến. Nhóm tác giả đã đề xuất kiến trúc của mô hình
phân rã ma trận sâu trong dự đoán và gợi ý sản phẩm cho khách hàng, từ đó
so sánh với mô hình tiêu chuẩn (matrix factorization) như trình bày trong
Hình 17.1.

Hình 17.1. Mô hình phân rã ma trận sâu (phải)
và mô hình phân rã ma trận tiêu chuẩn (trái)
Kết quả thử nghiệm việc dự đoán và gợi ý sản phẩm trên 10 bộ dữ liệu
ở các lĩnh vực TMĐT khác nhau (như các sản phẩm của Amazon, các
website bán lẻ, gợi ý sách, gợi ý món ăn của các nhà hàng, gợi ý phim và
nhạc,...) cho thấy mô hình phân rã ma trận sâu có thể gợi ý tốt cho các hệ
thống TMĐT trực tuyến. Độ lỗi của mô hình này cải thiện hơn so với sử
dụng mô hình tiêu chuẩn, như trình bày trong Bảng 17.1.

334