Page 355 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

001 Global Average
0,001
001
0,001
001 Student Average
001
001 Item Average
001 0,001 0,001
001 Matrix Factorization
001 0,001 Bias Matrix
001 Factorization

Hình 17.9. Độ đo lỗi của các phương pháp trong hệ thống gợi ý chọn môn học

17.4 MỘT SỐ VẤN ĐỀ KHÁC TRONG HỆ THỐNG GỢI Ý
Hệ thống gợi ý rất cần thiết và quan trọng trong cuộc sống số, tuy
nhiên, các kỹ thuật gợi ý phải đối mặt với vấn đề người dùng mới (là những
người dùng mới vào hệ thống lần đầu tiên nên chưa có dữ liệu lịch sử).
Thai-Nghe et al. (2023b) đã đề xuất một cách tiếp cận được gọi là phân rã
ma trận sâu dựa trên nội dung cho vấn đề người dùng mới này. Theo đó,
thông tin mặt hàng (ví dụ: mô tả mặt hàng và các siêu dữ liệu khác) được xử
lý trước và chuyển đổi thành các vectơ Term Frequency - Inverse Document
Frequency (TF-IDF), sau đó chúng được tích hợp với vectơ người dùng và
mặt hàng trước khi đưa vào mạng học sâu để dự đoán (Hình 17.10). Kết quả
thử nghiệm cho thấy phương pháp đề xuất có thể hoạt động tốt trong việc
đưa ra các gợi ý trong trường hợp người dùng mới đăng nhập lần đầu.

Sở thích của người dùng có thể thay đổi theo thời gian, khi đó một số
đánh giá khá lâu trước đây sẽ không còn phù hợp với sở thích hiện tại của
người dùng. Chẳng hạn, khách hàng có xu hướng thích những sản phẩm mới
đưa ra thị trường gần đây hơn là những sản phẩm cũ, mặc dù trong quá khứ
sản phẩm đó có thể được nhiều người ưa chuộng nhưng đối với thời điểm
hiện tại nó không còn phù hợp. Quyền và ctv. (2017) đã đề xuất mô hình
phân rã ma trận với yếu tố thời gian trong hệ thống gợi ý nhằm tích hợp yếu
tố thời gian hay yếu tố đa quan hệ (Nghe và ctv., 2016) vào mô hình dự
đoán để cải thiện độ chính xác của các mô hình gợi ý truyền thống.

341