THÔNG TIN VỀ LUẬN ÁN
– Tên luận án: HỆ THÔNG GỢI Ý DỰA TRÊN NĂNG LƯỢNG
– Ngành: Hệ Thống Thông Tin
– Mã số: 9480104
– Họ tên nghiên cứu sinh: Trần Thị Cẩm Tú
– Khóa: 2020 (Đợt 02)
– Người hướng dẫn khoa học: GS.TS. Huỳnh Xuân Hiệp
– Cơ sở đào tạo: Đại học Cần Thơ
1. Tóm tắt nội dung luận án
Mục tiêu của bài toán lọc cộng tác là tìm ra các ánh xạ chính xác và hiệu quả từ dữ liệu được đánh giá trước đó tại các mục của người dùng. Cải thiện lọc cộng tác dựa trên mục (IBCF) và lọc cộng tác dựa trên người dùng (UBCF) liên quan đến việc hiểu toán học của các phép đo khoảng cách và tìm sự cân bằng phù hợp giữa việc tính toán độ tương đồng và cung cấp các khuyến nghị chính xác. Tuy nhiên, các phép đo khoảng cách phổ biến cho các mô hình khuyến nghị chỉ tập trung vào đo các giá trị xếp hạng theo cặp giữa một người dùng và một người dùng khác hoặc giữa một mục và một mục khác. Trong luận án này, chúng tôi đã đề xuất một mô hình khuyến nghị mới, đó là xây dựng một mô hình lọc cộng tác theo tiếp cận thế năng. Phương pháp thống kê năng lượng tập trung vào việc đo các giá trị xếp hạng của một đối tượng với tất cả các giá trị xếp hạng của đối tượng khác; khoảng cách năng lượng cung cấp ước tính cải tiến về khoảng cách năng lượng. Các kết quả thử nghiệm được phát triển trên tập dữ liệu Jesterők và MovieLens100k, với các phương pháp phân hoạch dữ liệu như cross-validation, split, boostrap. Bên cạnh đó, để so sánh kết quả của mô hình đề xuất với các mô hình có sẵn trong gói recommenderlab, chúng tôi cũng đã sử dụng các giá trị Precision-Recall, F-measure, Accuracy, Threat Score, Matthews Correlation Coefficient (MCC),… để đánh giá độ chính xác của mô hình. Ngoài ra các chỉ số để đánh giá sai số như: RMSE, MAE, MSE,…cũng được sử dụng để so sánh sai số của mô hình đề xuất với các mô hình gợi ý khác. Kết quả thực nghiệm cho thấy việc sử dụng thống kê năng lượng trong hệ thống khuyến nghị đã cải thiện chất lượng của các khuyến nghị được tạo ra.
2. Những kết quả mới của luận án
Đề xuất phương pháp thống kê khoảng cách năng lượng dựa trên tiếp cận mối quan hệ tương thích giữa các người dùng và giữa các mục tin. Phương pháp này giúp lựa chọn được độ đo phù hợp cho các mô hình gợi ý lọc cộng tác.
Để xuất mô hình gợi ý lọc cộng tác dựa trên thống kê khoảng cách năng lượng. Mô hình đề xuất giải quyết cho lớp bài toán gợi ý nhằm đo sự thiếu tương thích giữa người với người dùng và giữa mục tin với mục tin. Kêt quả thực nghiệm trên hai tập dữ liệu Jesterők và Movielens cho thấy mô hình đã hỗ trợ tốt cho người dùng khi số lượng xếp hạng đã biết (given) càng lớn thì các giá trị Precision, Recall và F1 càng cao. Ngoài ra, sai số RMSE và MAE của mô hình đề xuất thấp hơn sai số RMSE và MAE của mô hình được so sánh.
