Luận văn Thạc sĩ: Nghiên cứu giải pháp phân tích hành vi người dùng qua mạng học sâu nhằm thiết kế giải thuật tư vấn kênh cho người xem truyền hình

Với sự phát triển bùng nổ của công nghệ thông tin, đặc biệt là các dịch vụ truyền hình qua Internet (OTT), người dùng có cơ hội tiếp cận kho nội dung đa dạng mọi lúc, mọi nơi. Tuy nhiên, việc tìm kiếm và chọn lựa chương trình truyền hình yêu thích trên các lịch phát sóng truyền thống vẫn còn nhiều hạn chế, đòi hỏi người xem phải thực hiện thủ công, gây tốn thời gian. Nhận thấy thách thức này, nghiên cứu này tập trung vào việc phát triển giải pháp phân tích hành vi người dùng thông qua mạng học sâu nhằm thiết kế giải thuật tư vấn kênh hiệu quả cho người xem truyền hình, hướng tới mục tiêu cải thiện trải nghiệm và tối ưu hóa quá trình khám phá nội dung.

Các nhà nghiên cứu, sinh viên và chuyên gia trong lĩnh vực công nghệ thông tin, học máy, xử lý ngôn ngữ tự nhiên và truyền hình Internet (OTT) quan tâm đến hệ thống gợi ý và phân tích hành vi người dùng.

Nghiên cứu này đề xuất giải pháp toàn diện để nâng cao trải nghiệm xem truyền hình trên nền tảng OTT bằng cách phân tích hành vi người dùng thông qua mạng học sâu và thiết kế giải thuật tư vấn kênh thông minh. Cụ thể, luận văn tập trung vào việc phân loại tự động các đoạn văn mô tả chương trình truyền hình thành các chủ đề cụ thể, sử dụng các mô hình phân tích tiên tiến. Phương pháp tiếp cận bao gồm việc nghiên cứu và ứng dụng thuật toán K-Means clustering để phân loại và bổ sung chủ đề dựa trên các quy luật xác định, đồng thời tận dụng mô hình máy học PhoBERT để phân tích tự động nội dung chủ đề và gợi ý dựa trên sở thích người xem. Quá trình này bao gồm việc thu thập, tiền xử lý và gán nhãn dữ liệu từ các trang web lịch phát sóng truyền hình. Đặc biệt, nghiên cứu tiến hành so sánh hiệu quả của các phương pháp phân loại văn bản khác nhau như SVM, BERT và PhoBERT trong việc tìm kiếm thông tin và tạo cảm giác thoải mái cho người dùng. Giá trị ứng dụng của công trình này là cải thiện đáng kể chất lượng dịch vụ truyền hình, tiết kiệm thời gian cho người xem trong việc tra cứu kênh và nội dung mong muốn, đồng thời cung cấp các gợi ý cá nhân hóa, góp phần tối ưu hóa quá trình khám phá nội dung và thúc đẩy sự phát triển của công nghệ OTT trong thực tiễn.