Luận văn Thạc sĩ: Nghiên cứu một số độ đo tương tự cho tư vấn lọc cộng tác

Trong bối cảnh bùng nổ thông tin trên không gian mạng hiện nay, người dùng thường xuyên đối mặt với thách thức quá tải thông tin, khiến việc tiếp cận các nội dung hữu ích trở nên khó khăn. Hệ thống tư vấn (Recommender Systems) đóng vai trò quan trọng trong việc khắc phục vấn đề này bằng cách dự đoán và đề xuất danh sách các mặt hàng, sản phẩm hoặc thông tin phù hợp với sở thích cá nhân. Một trong những phương pháp nền tảng và phổ biến nhất trong các hệ thống này là lọc cộng tác (Collaborative Filtering - CF), được ứng dụng rộng rãi trong các nền tảng thương mại điện tử lớn như Netflix hay Amazon. Nghiên cứu này tập trung khảo sát các cách tiếp cận tư vấn lọc cộng tác thông qua việc phân tích và đánh giá một số độ đo tương tự, đồng thời sử dụng thuật toán K-Means để thử nghiệm và tối ưu hóa hiệu quả của chúng.

Các nhà nghiên cứu, sinh viên chuyên ngành Khoa học máy tính, Công nghệ thông tin, cũng như các kỹ sư và chuyên gia phát triển hệ thống khuyến nghị.

Luận văn tập trung nghiên cứu sâu về các độ đo tương tự, đóng vai trò then chốt trong các hệ thống tư vấn lọc cộng tác (Collaborative Filtering - CF) nhằm giải quyết vấn đề quá tải thông tin trong kỷ nguyên số. CF là một phương pháp mạnh mẽ, được ứng dụng rộng rãi để tạo ra các khuyến nghị cá nhân hóa bằng cách phân tích mối tương quan giữa các lựa chọn và sở thích của người dùng. Nghiên cứu này khảo sát một loạt các độ đo tương tự phổ biến như Khoảng cách Euclide, Chỉ số Jaccard, Tương tự Cosine, Hệ số tương quan Pearson (bao gồm cả biến thể ràng buộc và dựa trên chức năng Sigmoid), phân tích cơ chế hoạt động và ứng dụng của chúng trong việc xác định sự giống nhau giữa người dùng hoặc sản phẩm. Phương pháp nghiên cứu bao gồm việc tìm hiểu lý thuyết về lọc cộng tác và các độ đo tương tự thông qua phân tích tài liệu và công trình khoa học đã công bố. Đặc biệt, thuật toán K-Means được áp dụng để thử nghiệm và đánh giá hiệu quả của các độ đo này trong việc nhóm các đối tượng có sở thích tương đồng. Toàn bộ quá trình đánh giá được thực hiện trên bộ dữ liệu thực tế MovieLens, cho phép kiểm chứng tính chính xác và khả năng ứng dụng của các độ đo. Giá trị ứng dụng của nghiên cứu này là cung cấp cái nhìn sâu sắc về cách lựa chọn và tối ưu hóa các độ đo tương tự, từ đó cải thiện chất lượng khuyến nghị và nâng cao trải nghiệm người dùng trong các ứng dụng thương mại điện tử. Các kết quả có thể góp phần phát triển các hệ thống tư vấn hiệu quả hơn, đặc biệt trong các tình huống dữ liệu thưa thớt, đảm bảo khả năng mở rộng và giải quyết các thách thức cố hữu của lọc cộng tác. Hàm ý nghiên cứu là đóng góp vào kho tri thức về kỹ thuật lọc cộng tác, hỗ trợ các nhà phát triển xây dựng các hệ thống khuyến nghị thông minh và chính xác hơn.