Luận văn ThS: Nghiên cứu mô hình người sử dụng mở trong các hệ thống gợi ý thông tin theo nhu cầu

1. Mở đầu

Hiện nay, việc áp dụng hệ gợi ý vào các website thương mại điện tử là điều tất yếu nhằm tiết kiệm thời gian, công sức và chi phí cho khách hàng, giúp họ tìm ra sản phẩm ưng ý nhất để mua. Hệ gợi ý sử dụng các tri thức về sản phẩm, các tri thức của chuyên gia hay tri thức khai phá học được từ hành vi của người tiêu dùng để đưa ra các gợi ý về sản phẩm mà họ thích trong hàng ngàn hàng vạn sản phẩm có trong hệ thống. Các website thương mại điện tử, ví dụ như sách, phim, nhạc, báo,... sử dụng hệ thống gợi ý để cung cấp các thông tin giúp cho người sử dụng quyết định sẽ lựa chọn sản phẩm nào. Các sản phẩm được gợi ý dựa trên số lượng sản phẩm đó đã được bán, dựa trên các thông tin ngƣời sử dụng, dựa trên sự phân tích hành vi mua hàng trước đó của người sử dụng để đưa ra các dự đoán về hành vi mua hàng trong tương lai của chính khách hàng đó. Các dạng gợi ý gồm: Gợi ý sản phẩm tới người tiêu dùng, các sản phẩm mang tính cá nhân hóa, tổng kết các ý kiến cộng đồng, và cung cấp các chia sẻ, các phê bình, đánh giá mang tính cộng đồng liên quan tới yêu cầu, mục đích của người sử dụng đó.

2. Nội dung

3. Kết luận

Trong luận văn này, tác giả tập trung giải quyết các nội dung sau:

• Nghiên cứu tổng quan về thương mại điện tử, lý thuyết học máy.
• Nghiên cứu sâu về thuật toán học không giám sát K-Means.
• Xây dựng ứng dụng thử nghiệm cho thuật toán K-Means kết hợp với một số kỹ thuật khác ứng dụng trong hệ thống thương mại điện tử.

Hướng phát triển:

• Tiếp tục phát triển chương trình nhằm hoàn thiện các chức năng một cách đầy đủ nhất sao cho đây thực sự là một công cụ hữu ích hỗ trợ cho nhiều hệ thống hơn nữa và rút ngắn thời gian tìm kiếm hơn nữa.
• Tiếp tục nghiên cứu các phương pháp khác kết hợp cùng thuật toán K-Means để đưa ra được kết quả chính xác hơn nữa.

4. Tài liệu tham khảo

M. Pazzani and D. Billsus, “Learning and Revising User Profiles: The Identification of Interesting Web Sites,” Machine Learning 27, pp. 313–331, 1997

W. Hill, L. Stead, M. Rosenstein, and G. Furnas, “Recommending and Evaluating choices in a Virtual Community of use,” Proceedings of CHI’95

M. Balabanovic and Y. Shoham, “Fab: Content-based, Collaborative Recommendation,” Communications of the ACM, vol. 40, no. 3, pp. 66–72, 1997.

K. Lang, “NewsWeeder: Learning to filter news,” Proceedings of the Twelfth International Conference on Machine Learning, pp. 331– 339, 1995....