Page 349 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

Bảng 17.1. So sánh các mô hình gợi ý sản phẩm từ các website TMĐT theo
độ lỗi MAE
Matrix Deep Matrix
No Dataset Factorization Factorization
1 Amazon – Office Products 2.869 1.013
2 Amazon – Fashion 2.813 1.177
3 Amazon – Cell Phones 2.935 1.160
4 Anime Recommendation 1.012 0.930
5 Book Recommendation 3.015 2.759
6 Food.com Recipes and Interactions 2.107 0.865
7 Movielens 100k 0.830 0.683
8 Restaurant Data with Consumer Ratings 0.792 0.603
9 Retailrocket recommender system 0.740 0.097
R1 - Yahoo! Music User Ratings of
10 Musical Artists 22.373 21.082

Hình 17.2. Minh họa Hệ thống gợi ý sản phẩm

Dũng và Nghe (2014) đã đề xuất xây dựng hệ thống gợi ý cho bán
hàng trực tuyến sử dụng kỹ thuật lọc cộng tác sử dụng phản hồi tường minh
từ người dùng thông qua các đánh giá trên sản phẩm (Hình 17.2). Các tác
giả đã tiến hành xây dựng một hệ thống bán hàng trực tuyến, từ đó tích hợp
kỹ thuật gợi ý vào hệ thống để tư vấn cho khách hàng những sản phẩm họ
có thể yêu thích nhất. Nhóm tác giả cũng đã đề xuất kết hợp cả lọc cộng tác
(collaborative filtering) và lọc dựa trên một số thuộc tính của người dùng
cung cấp để dự đoán sở thích của khách hàng mới nhằm khắc phục vấn đề
“người dùng mới” trong hệ thống gợi ý. Đối với sản phẩm mới nhập vào,

335