Tóm tắt Đề án Thạc sĩ: Nghiên cứu và ứng dụng kỹ thuật học sâu cho hệ tư vấn

Trong bối cảnh bùng nổ thông tin và sự phức tạp của các quyết định hàng ngày, hệ thống tư vấn (Recommender System) đóng vai trò then chốt trong việc hỗ trợ người dùng khám phá sản phẩm và nội dung phù hợp. Những hệ thống này không chỉ nâng cao trải nghiệm cá nhân mà còn là yếu tố quyết định thành công của nhiều nền tảng số. Tuy nhiên, các phương pháp truyền thống thường gặp khó khăn với dữ liệu thưa thớt, đặc biệt là ở các nền tảng nhỏ và mới, hạn chế khả năng cung cấp gợi ý chính xác. Đề tài này tập trung vào việc nghiên cứu và ứng dụng các kỹ thuật học sâu (Deep Learning) để cải thiện hiệu suất của hệ tư vấn, đặc biệt trong việc giải quyết bài toán dữ liệu ít, nhằm tối ưu hóa khả năng đề xuất và mang lại giá trị thiết thực cho người dùng và các nền tảng.

Các nhà nghiên cứu, sinh viên sau đại học, kỹ sư trong lĩnh vực Khoa học Máy tính, Trí tuệ Nhân tạo, Học máy và Khoa học Dữ liệu, đặc biệt là những người quan tâm đến hệ thống tư vấn và ứng dụng học sâu.

Đề án này trình bày nghiên cứu chuyên sâu về các hệ tư vấn, nhằm giải quyết thách thức về hiệu suất khi xử lý dữ liệu thưa thớt, đặc biệt trên các nền tảng nhỏ. Bắt đầu bằng việc cung cấp bối cảnh về tầm quan trọng của hệ thống gợi ý trong việc hỗ trợ ra quyết định của người dùng, đề án sau đó đi sâu vào các phương pháp tiếp cận truyền thống như lọc dựa trên nội dung (Content-based Filtering), lọc cộng tác (Collaborative Filtering) và lọc kết hợp (Hybrid Filtering), đồng thời phân tích ưu nhược điểm của từng phương pháp. Trọng tâm của nghiên cứu là phát triển một mô hình mới sử dụng kỹ thuật học sâu. Cụ thể, đề án tập trung vào việc xây dựng mô hình GHRS (Graph-based Hybrid Recommender System) bằng cách kết hợp kỹ thuật đồ thị (Graph-Based) với Autoencoder và thuật toán phân cụm K-means. Mô hình này được thiết kế để cải thiện khả năng đề xuất trong môi trường dữ liệu phức tạp và thiếu hụt. Phương pháp nghiên cứu bao gồm việc cài đặt và so sánh hiệu suất của mô hình GHRS với các phương pháp phổ biến khác, sử dụng các chỉ số đánh giá như RMSE để định lượng hiệu quả. Giá trị ứng dụng của đề án nằm ở khả năng cung cấp các gợi ý chính xác hơn, nâng cao trải nghiệm người dùng và hỗ trợ các nền tảng có lượng dữ liệu hạn chế, từ đó đóng góp vào sự phát triển của lĩnh vực hệ tư vấn. Kết quả thực nghiệm dự kiến sẽ khẳng định tính hiệu quả của phương pháp đề xuất và mở ra hướng nghiên cứu tiếp theo.