Tóm tắt 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, việc người dùng đối mặt với thách thức quá tải thông tin và khó khăn trong việc lựa chọn nội dung hữu ích ngày càng trở nên cấp thiết. Hệ thống tư vấn (Recommender systems) đã nổi lên như một giải pháp quan trọng, đóng vai trò hỗ trợ và tăng cường quá trình khám phá thông tin tự nhiên của con người. Đặc biệt, kỹ thuật lọc cộng tác (Collaborative Filtering - CF) đã chứng minh hiệu quả vượt trội trong việc đưa ra các đề xuất cá nhân hóa, từ đó được ứng dụng rộng rãi trong nhiều nền tảng thương mại điện tử lớn. Nghiên cứu này tập trung vào việc khảo sát và đánh giá một số độ đo tương tự trong tư vấn lọc cộng tác, nhằm nâng cao chất lượng và độ chính xác của các khuyến nghị, góp phần cải thiện trải nghiệm người dùng.

Các nhà nghiên cứu, sinh viên chuyên ngành Khoa học máy tính, Kỹ thuật phần mềm, các chuyên gia làm việc trong lĩnh vực Hệ thống khuyến nghị, Xử lý dữ liệu lớn và Trí tuệ nhân tạo.

Luận văn này tập trung nghiên cứu sâu về các độ đo tương tự được sử dụng trong tư vấn lọc cộng tác (Collaborative Filtering - CF), một kỹ thuật cốt lõi của hệ thống khuyến nghị. Mục tiêu chính là khảo sát các cách tiếp cận CF, bao gồm lọc cộng tác dựa trên bộ nhớ (memory-based) và lọc cộng tác dựa trên mô hình (model-based), đồng thời thử nghiệm và đánh giá hiệu quả của các độ đo tương tự như Hệ số tương quan Pearson, Tương quan Pearson hạn chế, Cosine, Jaccard và Khoảng cách Euclide. Nghiên cứu sử dụng thuật toán K-Means để phân tích và đánh giá các độ đo này, nhằm xác định những phương pháp tối ưu giúp cải thiện chất lượng đề xuất. Ngoài ra, luận văn còn tổng quan các thách thức chính mà CF phải đối mặt như dữ liệu thưa thớt, khả năng mở rộng, vấn đề từ đồng nghĩa, và nhóm người dùng 'Gray sheep'/'Black sheep', cùng các tiêu chuẩn đánh giá độ chính xác dự đoán (MAE, RMSE) và độ chính xác danh sách sản phẩm tư vấn (Precision, Recall, F-measure). Các thử nghiệm được thực hiện trên bộ dữ liệu MovieLens, cung cấp cái nhìn thực tế về ứng dụng và tiềm năng cải thiện của các độ đo tương tự trong việc xây dựng hệ thống khuyến nghị hiệu quả hơn, mang lại giá trị ứng dụng cao cho các nền tảng thương mại điện tử và dịch vụ số.