Khóa luận tốt nghiệp: Kỹ thuật tập thô dựa trên phủ giải quyết vấn đề khởi đầu nguội và ứng dụng

Trong bối cảnh kinh tế và công nghệ phát triển nhanh chóng, nhu cầu cá nhân hóa thông tin ngày càng trở nên cấp thiết, thay thế các phương thức quảng cáo đại trà bằng trải nghiệm được tùy chỉnh. Hệ tư vấn (Recommender Systems) đóng vai trò trung tâm trong việc cung cấp gợi ý cá nhân hóa cho người dùng, từ sách, phim đến tin tức, và đã trở thành công nghệ không thể thiếu của nhiều nền tảng lớn. Tuy nhiên, một thách thức lớn là bài toán khởi đầu nguội (cold-start problem), xảy ra khi người dùng hoặc sản phẩm mới chưa có đủ dữ liệu tương tác để hệ thống đưa ra khuyến nghị hiệu quả. Vấn đề này ảnh hưởng trực tiếp đến hiệu suất và trải nghiệm người dùng. Khóa luận này tập trung giải quyết vấn đề khởi đầu nguội cho người dùng mới thông qua việc cải tiến thuật toán lọc cộng tác dựa trên độ bao phủ, nhằm nâng cao khả năng gợi ý chính xác và phù hợp.

Nghiên cứu sinh, sinh viên, và các nhà nghiên cứu trong lĩnh vực hệ thống thông tin, khoa học dữ liệu, và trí tuệ nhân tạo quan tâm đến hệ thống gợi ý và giải pháp cho bài toán khởi đầu nguội.

Bài toán khởi đầu nguội trong các hệ thống tư vấn đặt ra thách thức đáng kể khi người dùng hoặc sản phẩm mới gia nhập mà không có đủ dữ liệu lịch sử, làm giảm hiệu quả gợi ý. Để giải quyết vấn đề này, nhiều giải pháp đã được đề xuất, bao gồm các phương pháp dựa trên học sâu, ma trận nhân tử và độ tương tự. Khóa luận này đặc biệt chú trọng vào việc ứng dụng lý thuyết tập thô, một công cụ mạnh mẽ để xác định độ tương tự giữa các người dùng trong bối cảnh dữ liệu thưa thớt. Cụ thể, nghiên cứu khảo sát mô hình tập thô phủ do Z. Zhang và cộng sự đề xuất, trong đó phủ tối thiểu được sử dụng để tìm ra những "láng giềng gần nhất" cho người dùng mới. Luận văn trình bày một khung thử nghiệm chi tiết để triển khai mô hình tập thô phủ này, tập trung vào việc cải tiến lọc cộng tác dựa trên độ bao phủ. Các thực nghiệm được tiến hành trên tập dữ liệu Movielens với 100.000 đánh giá để đánh giá hiệu suất của mô hình. Kết quả mong đợi là sự cải thiện đáng kể trong khả năng cung cấp khuyến nghị cá nhân hóa cho người dùng mới, từ đó nâng cao trải nghiệm người dùng và mở rộng cơ hội cho họ khám phá những sản phẩm phù hợp, góp phần tối ưu hóa hiệu suất của hệ thống tư vấn trong môi trường dữ liệu còn hạn chế.