Luận án Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê

Tên luận án:

HỆ TƯ VẤN DỰA TRÊN MỨC ĐỘ QUAN TRỌNG HÀM Ý THỐNG KÊ

Ngành:

KHOA HỌC MÁY TÍNH

Tóm tắt nội dung tài liệu:

Luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" của Phan Phương Lan, chuyên ngành Khoa học Máy tính, năm 2019, tập trung giải quyết bài toán bùng nổ thông tin bằng cách cải tiến hệ tư vấn. Luận án nhấn mạnh tầm quan trọng của phân tích hàm ý thống kê, một phương pháp phân tích dữ liệu nghiên cứu khuynh hướng giữa các thuộc tính dựa trên mức độ quan trọng hàm ý thống kê, đặc biệt là tính không đối xứng và khả năng xử lý số phản ví dụ. Phương pháp này được xem là phù hợp với các mối quan hệ thực tế nhưng còn hạn chế trong ứng dụng vào hệ tư vấn, đặc biệt là với dữ liệu phi nhị phân và hiệu quả đánh giá.

Mục tiêu chính của luận án là tìm hiểu, vận dụng các mức độ quan trọng hàm ý thống kê và kỹ thuật lọc cộng tác để đề xuất, hiệu chỉnh các mô hình tư vấn nhằm cải thiện độ chính xác của kết quả gợi ý, từ đó liên kết lý thuyết phân tích hàm ý thống kê vào lĩnh vực hệ tư vấn. Đối tượng nghiên cứu bao gồm các mức độ quan trọng hàm ý thống kê và các mô hình tư vấn sử dụng kỹ thuật lọc cộng tác. Phạm vi nghiên cứu giới hạn trong việc đề xuất các mô hình tư vấn mới áp dụng cho cả dữ liệu nhị phân và phi nhị phân, đánh giá hiệu quả tư vấn bằng các độ đo tính chính xác.

Luận án đóng góp bằng việc đề xuất hai mức độ quan trọng hàm ý thống kê mới để dự đoán xếp hạng người dùng, cùng với ba mô hình tư vấn mới (SIR, UIR, IIR) có khả năng áp dụng trên cả dữ liệu nhị phân và phi nhị phân, dựa trên luật kết hợp, người dùng và mục dữ liệu. Cụ thể, mô hình SIR (Chương 2) tập trung vào luật kết hợp, được cải tiến để giảm thời gian tư vấn và đạt hiệu quả cao nhất khi kết hợp cường độ hàm ý có entropy với chỉ số đóng góp. Mô hình UIR (Chương 3) giới thiệu mức độ KnnUIR dựa trên láng giềng người dùng, cải thiện độ chính xác bằng cách xem xét ảnh hưởng của mục dữ liệu. Mô hình IIR (Chương 4) đề xuất mức độ KnnIIR dựa trên láng giềng mục, kết hợp giá trị bất ngờ và tin cậy của mối quan hệ giữa hai mục dữ liệu.

Các mô hình được cài đặt và tích hợp trong công cụ Interestingnesslab và được đánh giá thực nghiệm trên các tập dữ liệu MSWeb, DKHP (nhị phân) và MovieLens (phi nhị phân). Kết quả cho thấy các mô hình đề xuất có hiệu quả cao hơn các mô hình hiện có trong nhiều kịch bản, đặc biệt khi kết hợp các mức độ quan trọng hàm ý thống kê phù hợp. Luận án cũng phát triển công cụ phần mềm Interestingnesslab và thu thập tập dữ liệu DKHP để phục vụ thực nghiệm. Hướng phát triển trong tương lai bao gồm xây dựng mô hình tư vấn lai ghép và áp dụng các phương pháp học máy tiên tiến.

Mục lục chi tiết:

• MỞ ĐẦU

• Chương 1. TỔNG QUAN

  • 1.1. Mức độ quan trọng hàm ý thống kê
    • 1.1.1. Định nghĩa mức độ quan trọng hàm ý thống kê
    • 1.1.2. Mức độ quan trọng hàm ý thống kê - dữ liệu nhị phân
    • 1.1.3. Mức độ quan trọng hàm ý thống kê - dữ liệu phi nhị phân
  • 1.2. Mức độ quan trọng xếp hạng hàm ý thống kê
  • 1.3. Hệ tư vấn và các hướng nghiên cứu
  • 1.4. Kỹ thuật tư vấn lọc cộng tác
    • 1.4.1. Kỹ thuật tư vấn lọc cộng tác dựa trên bộ nhớ/láng giềng
    • 1.4.2. Kỹ thuật tư vấn lọc cộng tác dựa trên mô hình
  • 1.5. Đánh giá hiệu quả tư vấn
    • 1.5.1. Phương pháp đánh giá chéo k tập con
    • 1.5.2. Đánh giá tính chính xác của gợi ý
    • 1.5.3. Đánh giá tính chính xác của xếp hạng được dự đoán
    • 1.5.4. Đánh giá tính chính xác của gợi ý được sắp thứ tự
  • 1.6. Tư vấn theo mức độ quan trọng hàm ý thống kê
    • 1.6.1. Tư vấn dựa trên phân tích hàm ý thống kê hiện có
    • 1.6.2. Tư vấn theo mức độ quan trọng hàm ý thống kê
  • 1.4. Kết luận

• Chương 2. TƯ VẤN THEO MỨC ĐỘ QUAN TRỌNG HÀM Ý THỐNG KÊ TRÊN LUẬT KẾT HỢP

  • 2.1. Mô hình tư vấn theo mức độ quan trọng hàm ý thống kê trên luật SIR
  • 2.2. Hoạt động của mô hình tư vấn theo mức độ quan trọng hàm ý thống kê trên luật
  • 2.3. Thực nghiệm
    • 2.3.1. Dữ liệu và công cụ thực nghiệm
    • 2.3.2. Hiệu quả tư vấn của mô hình SIR trên dữ liệu nhị phân
    • 2.3.2. Hiệu quả tư vấn của mô hình SIR trên dữ liệu phi nhị phân
  • 2.6. Kết luận

• Chương 3. TƯ VẤN THEO MỨC ĐỘ QUAN TRỌNG XẾP HẠNG HÀM Ý THỐNG KÊ TRÊN NGƯỜI DÙNG

  • 3.1. Định nghĩa mức độ quan trọng xếp hạng hàm ý thống kê
  • 3.2. Mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên người dùng UIR
  • 3.3. Hoạt động của mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên người dùng
  • 3.4. Thực nghiệm
    • 3.4.1. Dữ liệu và công cụ thực nghiệm
    • 3.4.2. Đánh giá mô hình UIR qua tính chính xác của gợi ý
    • 3.4.3. Đánh giá mô hình UIR qua tính chính xác của xếp hạng được dự đoán
    • 3.4.4. Đánh giá mô hình UIR qua tính chính xác của gợi ý được sắp thứ tự
  • 3.3. Kết luận

• Chương 4. TƯ VẤN THEO MỨC ĐỘ QUAN TRỌNG XẾP HẠNG HÀM Ý THỐNG KÊ TRÊN MỤC

  • 4.1. Định nghĩa mức độ quan trọng xếp hạng hàm ý thống kê trên mục
  • 4.2. Mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê IIR
  • 4.3. Hoạt động của mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê
  • 4.4. Thực nghiệm
    • 4.4.1. Dữ liệu và công cụ thực nghiệm
    • 4.4.2. Đánh giá mô hình IIR qua tính chính xác của gợi ý
    • 4.3.3. Đánh giá mô hình IIR qua tính chính xác của xếp hạng được dự đoán
    • 4.4.4. Đánh giá mô hình IIR qua tính chính xác của gợi ý được sắp thứ tự
    • 4.5. So sánh các mô hình tư vấn đề xuất
  • 4.6. Kết luận

• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

  • Các kết quả của luận án
  • Hướng phát triển