NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ KỸ THUẬT GỢI Ý MUA HÀNG THEO PHIÊN DỰA TRÊN MÔ HÌNH HỌC SÂU
Khoa học Máy tính
Luận án này tập trung vào việc nghiên cứu và phát triển các kỹ thuật gợi ý mua hàng theo phiên dựa trên mô hình học sâu, nhằm giải quyết hạn chế của các hệ thống gợi ý truyền thống thường bỏ qua tương tác ngắn hạn. Trong bối cảnh thương mại điện tử phát triển nhanh chóng, việc dự đoán hành vi mua sắm của khách hàng dựa trên chuỗi nhấp chuột trong một phiên làm việc trở nên cấp thiết.
Đối tượng nghiên cứu là chuỗi hành vi nhấp chuột của khách hàng khi lựa chọn sản phẩm trên các hệ thống thương mại điện tử. Mục tiêu chính là đề xuất mô hình dự báo hành vi lựa chọn sản phẩm trong phiên hiện tại, cụ thể là nghiên cứu cách biểu diễn dữ liệu phiên làm việc, xây dựng các mô hình mạng nơ-ron học sâu và mạng nơ-ron đồ thị (GNN) để dự báo hành vi mua hàng, và thực nghiệm đánh giá hiệu quả.
Luận án giải quyết hai bài toán cụ thể: Bài toán 1 (dự báo nhị phân) nhằm xác định khả năng khách hàng có mua hàng hay không trong phiên tương tác hiện tại; và Bài toán 2 (hệ gợi ý top-k) nhằm đề xuất những sản phẩm mà khách hàng có khả năng chọn tiếp theo trong phiên.
Để giải quyết Bài toán 1, luận án đề xuất hai mô hình mạng nơ-ron học sâu cải tiến: mạng nơ-ron rộng & sâu (W&DNN) và mạng nơ-ron biến đổi (FE-Transformer). Kết quả thực nghiệm trên bộ dữ liệu Yoochoose cho thấy mô hình FE-Transformer đạt AUC 0.7868 và độ chính xác 0.9449, vượt trội so với các nghiên cứu liên quan, đồng thời khẳng định khả năng dự báo hành vi mua với độ chính xác cao chỉ dựa trên phân tích chuỗi nhấp chuột trong phiên làm việc hiện tại.
Đối với Bài toán 2, luận án đề xuất biểu diễn dữ liệu phiên làm việc dưới dạng ba đồ thị khác nhau (G, H, K) và sử dụng mô hình GNN để xây dựng hệ gợi ý top-k. Luận án cũng cải tiến mô hình GNN.K bằng cách chuyển đổi bài toán đa nhãn thành nhị phân và đề xuất lớp nhúng phiên kết hợp. Kết quả thực nghiệm chứng minh rằng mô hình GNN kết hợp với biểu diễn đồ thị phiên làm việc cho kết quả rất khả quan, với Recall@20 là 0.712 và MRR@20 là 0.363, cao hơn các nghiên cứu trước đây.
Các đóng góp chính của luận án bao gồm việc mô hình hóa hành vi mua sắm bằng đồ thị, đề xuất các mô hình học sâu và GNN cho bài toán gợi ý theo phiên, và phát triển thuật toán nhúng đồ thị cho phép GNN học các thuộc tính ẩn của hành vi người dùng.
Trình bày tổng quan về bài toán nghiên cứu, tính cấp thiết và ý nghĩa khoa học thực tiễn của đề tài.
Trình bày về bài toán gợi ý mà nhiều hệ thống bán hàng thương mại điện tử hay các nền tảng mạng xã hội đang triển khai. Nêu định nghĩa và phát biểu hai bài toán ứng với hai mục tiêu cụ thể của luận án được nêu ở phần Mở đầu, gồm Bài toán 1 (mô hình dự báo nhị phân có mua hàng hay không) và Bài toán 2 (hệ gợi ý top-k dựa theo phiên làm việc hiện tại của khách hàng khi nhấp chuột lựa chọn sản phẩm trên hệ thống bán hàng).
Giải quyết Bài toán 1 của luận án trả lời câu hỏi "khách hàng có mua hàng trong phiên làm việc hiện tại không?". Chương này đề xuất hai mô hình mạng nơ-ron cụ thể gồm mạng nơ-ron rộng & sâu và mạng nơ-ron biến đổi để xây dựng mô hình dự báo mua hàng.
Giải quyết Bài toán 2 mang tính tổng quát hơn của luận án là bài toán top-k. Chương này trình bày một số phương án thiết kế đồ thị để mô hình hóa thông tin đầu vào là phiên làm việc của khách hàng, gồm hai đồ thị đơn G, H và một đồ thị đa quan hệ K.
Nhằm tiếp tục cải tiến mô hình GNN đề xuất ở chương 3, chương 4 đề xuất phép biến đổi trên đồ thị để nâng cao hiệu quả của mô hình. Tác giả đề xuất tối ưu hóa mô hình mạng nơ-ron đồ thị GNN bằng cách đề xuất mới một lớp nhúng đồ thị đặc biệt nhằm cải tiến mô hình dự báo top-k. Chương này thiết kế lớp nhúng phiên sử dụng phép biến đổi nhúng kết hợp bao gồm nhúng đỉnh, nhúng đồ thị và nhúng nhãn.
Phần cuối cùng đưa ra các kết luận chung và nhận xét kết quả đạt được của luận án để giải thích rõ động cơ nghiên cứu và các bước cải tiến các mô hình.