Khóa luận Giải pháp mở rộng thông tin ngữ cảnh phiên duyệt web người dùng nhằm nâng cao chất lượng tư vấn trong hệ thống tư vấn tin tức

59 trang yendo 6250

Download

Bạn đang xem 20 trang mẫu của tài liệu "Khóa luận Giải pháp mở rộng thông tin ngữ cảnh phiên duyệt web người dùng nhằm nâng cao chất lượng tư vấn trong hệ thống tư vấn tin tức", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

khoa_luan_giai_phap_mo_rong_thong_tin_ngu_canh_phien_duyet_w.pdf

Nội dung text: Khóa luận Giải pháp mở rộng thông tin ngữ cảnh phiên duyệt web người dùng nhằm nâng cao chất lượng tư vấn trong hệ thống tư vấn tin tức

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Uông Huy Long GIẢI PHÁP MỞ RỘNG THÔNG TIN NGỮ CẢNH PHIÊN DUYỆT WEB NGƯỜI DÙNG NHẰM NÂNG CAO CHẤT LƯỢNG TƯ VẤN TRONG HỆ THỐNG TƯ VẤN TIN TỨC KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI - 2010
ĐẠI HỌC QUỐC GIA HÀ NỘI Lời cảm ơn TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Trước tiên, tôi xin gửi lời cảm ơn và lòng biết ơn sâu sắc nhất tới Phó Giáo sư Tiến sĩ Uông Huy Long Hà Quang Thụy và Thạc sĩ Trần Mai Vũ, ngư ời đã tận tình chỉ bảo và hướng dẫn tôi trong suốt quá trình thực hiện khoá luận tốt nghiệp. Tôi chân thành cảm ơn các thầy, cô đã tạo những điều kiện thuận lợi cho tôi học tập và nghiênGI cứuẢI tại PHÁP trường Đại MỞ Học RỘNGCông Nghệ. THÔNG TIN NGỮ CẢNH Tôi PHIÊNcũng xin gửi DUY lời cảmỆT ơn WEBtới các anh NGƯ chị vàỜI các DbạnÙNG sinh vi NHên trongẰM nhóm NÂNG “Khai phá dCAOữ liệu” đCHã giúpẤT tôi rLấtƯ nhiềuỢNG trong T viƯệc VhỗẤN trợ kiến TRONG thức chuy ênHỆ môn THỐNG để hoàn thành TƯ tốt khoá luận. VẤN TIN TỨC Cuối cùng, tôi muốn gửi lời cảm vô hạn tới gia đình và bạn bè, những người thân yêu luôn bên cạnh và động viên tôi trong suốt quá trình thực hiện khóa luận tốt nghiệp. Tôi xin chân thành cảm ơn! KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Sinh viên Uông Huy Long Cán bộ hướng dẫn: Th.S Trần Mai Vũ HÀ NỘI - 2010
Lời cảm ơn Trước tiên, tôi xin gửi lời cảm ơn và lòng biết ơn sâu sắc nhất tới Phó Giáo sư Tiến sĩ Hà Quang Thụy và Thạc sĩ Trần Mai Vũ, người đã tận tình chỉ bảo và hướng dẫn tôi trong suốt quá trình thực hiện khoá luận tốt nghiệp. Tôi chân thành cảm ơn các thầy, cô đã tạo những điều kiện thuận lợi cho tôi học tập và nghiên cứu tại trường Đại Học Công Nghệ. Tôi cũng xin gửi lời cảm ơn tới các anh chị và các bạn sinh viên trong nhóm “Khai phá dữ liệu” đã giúp tôi rất nhiều trong việc hỗ trợ kiến thức chuyên môn để hoàn thành tốt khoá luận. Cuối cùng, tôi muốn gửi lời cảm vô hạn tới gia đình và bạn bè, những người thân yêu luôn bên cạnh và động viên tôi trong suốt quá trình thực hiện khóa luận tốt nghiệp. Tôi xin chân thành cảm ơn! Sinh viên Uông Huy Long i
Tóm tắt Với sự phát triển của Internet, con người ngày nay không chỉ có nhiều hơn cơ hội tiếp xúc với các nguồn cung cấp tin tức mà còn có thể có được nó đúng lúc hơn. Các tờ báo điện tử ở Việt Nam cung cấp mỗi ngày hàng chục cho tới hàng trăm tin mới thuộc nhiều lĩnh vực khác nhau sẵn sàng đáp ứng các yêu cầu mọi lúc, mọi nơi của người đọc. Tuy nhiên, bên cạnh những tiện ích, tồn tại những vấn đề cần được giải quyết như sự gia tăng về số lượng, tính đa dạng về nội dung của tin tức ở các nguồn khác nhau, sự phù hợp cá nhân, Trong bối cảnh đó, sự giúp đỡ của một hệ thống tư vấn tin tức là cần thiết, bằng cách duyệt qua không gian các lựa chọn, nó dự đoán các tin tức hữu ích tiềm năng với từng người dùng cá nhân. Xây dựng hồ sơ sở thích người dùng là một trong các thành phần cơ bản nhất của hệ thống tư vấn. Tuy nhiên, những mô hình (như trong khảo sát của Gauch và cộng sự [14] ) đang được sử dụng hiện nay vẫn tồn tại nhiều vấn đề chưa được giải quyết, ví dụ như: tính nhập nhằng ngữ nghĩa trong các hồ sơ dựa trên từ khóa, hoặc đòi hòi thông tin suy diễn từ WordNet để xác định ngữ nghĩa trong các hồ sơ dựa trên mạng ngữ nghĩa, Thêm vào đó, các giải pháp này còn thiếu khả năng tính hợp mềm dẻo các nhân tố ngữ cảnh. Khóa luận này trình bày một mô hình hệ thống tư vấn tin tức sử dụng một mô hình sở thích ngươi dùng mới. Dựa trên khai phá dữ liệu từ ngữ cảnh duyệt web của người dùng, hệ thống coi sở thích của người sử dụng là một kết hợp của tập các chủ đề ẩn xuất hiện phổ biến và tập các thực thể trong các tin tức người dùng từng quan tâm. ii
Mục lục Mở đầu 1 Chương 1. Khái quát về các hệ thống tư vấn 3 1.1. Bài toán tư vấn 3 1.2. Các kĩ thuật tư vấn 5 1.2.1. Kĩ thuật tư vấn dựa trên nội dung 5 1.2.2. Kĩ thuật tư vấn cộng tác 8 1.2.3. Kĩ thuật tư vấn lai 11 1.3. Sơ lược về hệ thống tư vấn tin tức của khóa luận 13 1.3.1. Đặc trưng của tư vấn tin tức. 13 1.3.2. Hướng tiếp cận của khóa luận 14 Chương 2. Mô hình hóa sở thích người dùng cho các hệ tư vấn dựa trên nội dung. 16 2.1. Tiến trình mô hình sở thích người dùng 16 2.2. Thu thập thông tin về người dùng 17 2.2.1. Phương pháp định danh người dùng 17 2.2.2. Các phương pháp thu thập thông tin 18 2.3. Xây dựng mô hình sở thích người dùng 21 2.3.1. Phương pháp dựa trên từ khóa có trọng số 21 2.3.2. Phương pháp dựa trên mạng ngữ nghĩa 22 2.3.3. Phương pháp dựa trên cây phân cấp khái niệm 23 Chương 3. Mô hình 24 3.1. Cơ sở lý thuyết 25 3.1.1. Phân tích thông tin chủ đề dựa trên mô hình chủ đề LDA. 25 3.1.2. Nhận dạng các thực thể trong tài liệu dựa trên từ điển 27 3.2. Phân tích sở thích người dùng 28 3.2.1. Thông tin trong phiên duyệt web người dùng 28 3.2.2. Mô hình sở thích người dùng 29 3.3. Áp dụng mô hình môi quan tâm người dùng vào tư vấn tin tức 30 3.3.1. Pha phân tích dữ liệu tư vấn 30 3.3.2. Pha tư vấn trực tuyến 33 3.4. Đánh giá kết quả tư vấn. 36 Chương 4: Thực nghiệm và đánh giá 37 iii
4.1. Môi trường thực nghiệm 37 4.2. Dữ liệu và công cụ 37 4.2.1. Dữ liệu 37 4.2.2. Công cụ 38 4.3. Thực nghiệm 39 4.3.1. Ví dụ về phân tích tin tức 39 4.3.2. Ví dụ phân tích sở thích người dùng 40 4.3.3. Tư vấn tin tức 42 4.4. Kết quả thực nghiệm và đánh giá 43 Kết luận 46 Tài liệu tham khảo 48 iv
Danh sách hình Hình 1. Các thành phần chính của hệ thống tư vấn. 4 Hình 2. Tiến trình mô hình hóa sở thích người dùng. 16 Hình 3. Các hệ thống tư vấn dựa trên thông tin phản hồi hiện. 19 Hình 4. Mô hình mối quan tâm người dùng dựa trên từ khóa. 22 Hình 5. Mô hình mối quan tâm người dùng dựa trên mạng ngữ nghĩa 22 Hình 6. Mô hình mối quan tâm người dùng dựa trên mạng khái niệm 23 Hình 7. Tài liệu với K chủ đề ẩn. 25 Hình 8. Biểu diễn đồ họa LDA 26 Hình 9. Ước lượng tham số tập dữ liệu văn bản. 26 Hình 10. Suy diễn chủ đề sử dụng tập dữ liệu VnExpress 27 Hình 11. Mô hình sở thích người dùng dựa trên chủ đề ẩn và thực thể. 29 Hình 12. Mô hình pha phân tích dữ liệu tư vấn 31 Hình 13. Mô hình pha tư vấn trực tuyến. 33 Hình 14. Biểu diễn tin tức theo chủ đề và thực thể. 39 Hình 15. Kết quả phân tích cho thấy các thông tin liên quan đến chủ đề 19. 42 v
Danh sách các bảng Bảng 1. Đánh giá theo thang điểm về một số bộ phim đã xem. 5 Bảng 2. Các kĩ thuật thu thập thông tin ẩn. 20 Bảng 3. Ví dụ về một hồ sơ sở thích người dùng. 24 Bảng 4. Thông tin trong phiên duyệt web. 28 Bảng 5. Môi trường thực nghiệm. 37 Bảng 6. Công cụ. 38 Bảng 7. Một số chủ đề ẩn 39 Bảng 8. Ví dụ về phân tích sở thích người dùng. 40 Bảng 9. Đánh giá mô hình phân tích sở thích. 44 Bảng 10. Độ chính xác của mô hình dựa vào đánh giá của người sử dụng. 44 vi
Mở đầu Từ khi những bài báo đầu tiên về lọc công tác được công bố từ những năm 90 của thế kỉ trước, hệ tư vấn đã chứng tỏ được vai trò quan trọng của mình trong cả hai khía cạnh nghiên cứu và ứng dụng. Chúng ta có thể dễ dàng tiếp cận với các bài báo khoa học liên quan đến từ khóa “Recommender System” trong hơn 8600 kết quả trả về từ máy tìm kiếm GoogleScholar 1 với hơn 1100 kết quả cho riêng năm 2009 hoặc sử dụng các ứng dụng tư vấn nổi tiếng như sách trên Amazon2, phim trên NetFlix3. Các hệ tư vấn hoạt động như một bộ lọc thông tin [8], nhằm cố gắng đưa ra các thông tin về nội dung hoặc thông tin về sản phẩm (như phim, sách, website, tin tức, ) có nhiều khả năng thuộc được người dùng quan tâm. Thông thường, một hệ tư vấn so sánh mối quan tâm của người dùng (trong khóa luận, hai khái niệm mối quan tâm người dùng hay sở thích người dùng có thể được sử dụng thay thế cho nhau) với một vài đặc trưng tham chiếu để đưa ra các ước lượng đánh giá cho các sản phẩm. Các đặc trưng này có thể đến từ các thông tin của sản phẩm (hướng tiếp cận lọc dựa trên nội dung) hoặc từ môi trường xã hội người dùng (hướng tiếp cận lọc cộng tác). Mặc dù các hệ thống tư vấn đã được nghiên cứu từ khá lâu, và đã có nhiều ứng dụng chứng minh được tính hiệu quả của các hệ thống tư vấn trên thế giới, các nghiên cứu về lĩnh vực này ở Việt Nam còn hạn chế. Mong muốn phát triển một hệ thống tư vấn, khóa luận tập trung vào xây dựng một hệ thống tư vấn các tin tức tiếng Việt. Ngày nay, khái niệm “báo điện tử” cũng như việc đọc tin tức điện tử đã không còn xa lạ với đa số người dân Việt Nam. Những thống kê trong gần đây trên BaoMoi4 về số lượt người sử dụng internet để xem các tin tức điện tử hiện nay đang cho thấy nhu cầu ngày một tăng của xã hội trong lĩnh vực truyền thông này. Tuy nhiên, một vấn đề còn tồn tại hiện nay đó là trong khi có quá nhiều tin tức mỗi ngày được cập nhật, người dùng giường như bị chìm ngập trong biển thông tin mà vẫn không tìm ra được các thông tin phù hợp, đó chính là môi trường cho các lĩnh vực liên quan đến tư vấn tin tức phát triển. Nắm bắt được nhu cầu này, khóa luận đề xuất một giải pháp tư vấn các nội dung thông tin liên quan đến ngữ cảnh tiếp nhận thông tin hiện tại của người sử dụng, qua đó mong 1 2 3 4 1
muốn cung cấp được những chỉ dẫn đúng, nhanh chóng, và không có các phiền toái từ việc phải đăng kí hay cung cấp các thông tin cá nhân. Nội dung chính của khóa luận được chia làm 4 phần: Chương 1. Các hệ thống tư vấn: Trình bày các khái niệm, các thuật ngữ, các kĩ thuật liên quan đến hệ thống tư vấn. Các ưu và nhược điểm của các kĩ thuật này cũng được trình bày chi tiết hơn trong các mục 1.2 và 1.3. Chương 2. Mô hình hóa sở thích người dùng cho các hệ tư vấn dựa trên nội dung: Giới thiệu về bài toán xây dựng sở thích người dùng, các thông tin được sử dụng để phân tích và một số kĩ thuật mô hình sở thích người dùng. Chương 3. Mô hình: Trình bày đề xuất xây dựng sở thích người dùng dựa trên phân tích chủ đề ẩn phổ biến và các thực thể, và áp dụng của mô hình này vào hệ thống tư vấn tin tức. Chương 4. Thực nghiệm và đánh giá: Trình bày một số kết quả đánh giá ban đầu. 2
Chương 1. Khái quát về các hệ thống tư vấn Trong cuộc sống hàng ngày, khi đứng trước quá nhiều lựa chọn, người ta thường dựa trên những ý kiến hay lời khuyên của mọi người xung quanh. Nhưng trong kỉ nguyên thông tin, hàng triệu thông tin được đưa lên internet mỗi ngày, điều này dẫn tới yêu cầu phải có các phương pháp tự động thu thập thông tin và đưa ra lời khuyên để hỗ trợ cho các phương pháp truyền thống trên . Hệ tư vấn (recommender system) là một giải pháp như vậy. Hệ thống này đưa ra gợi ý dựa trên những gì người dùng đã làm trong quá khứ, hoặc dựa trên tổng hợp ý kiến của những người dùng khác. Hệ tư vấn đã trở thành một ứng dụng quan trọng và thu hút được sự quan tâm lớn của các nhà nghiên cứu cũng như các doanh nghiệp. Một số hệ tư vấn nổi tiếng hiện nay như [26] : Phim / TV/ âm nhạc: MovieLens, EachMovie, Morse, Firefly, Flycasting Tin tức / báo chí: Tapestry, GroupLens, Lotus Notes, Anatagonomy Sách / Tài liệu: Amazon.com, Foxtrot, InfoFinder Web: Phoaks, Gab, Fab, IfWeb, Let's Browse Nhà hàng: Adaptive Place Advisor, Polylens, Pocket restaurent finder Du lịch: Dietorecs, LifestyleFinder 1.1. Bài toán tư vấn Một cách hình thức, bài toán tư vấn được các tác giả Adomavicius và Tuzhilin [2] mô tả như sau: Gọi U = (u,u, u, , u ) là tập hợp tất cả người dùng trong hệ thống tư vấn, = (i, i, i, , i) là tập tất cả các sản phẩm có thể tư vấn. Một hàm g = × → , trong đó R là một tập hợp có thứ tự, được dùng để đo sự phù hợp của sản phẩm in với người dùng um. Như vậy, với mỗi người dùng um thuộc vào U, hệ tư vấn cần chọn ra các sản phẩm , i ∈ , chưa biết với người dùng um sao cho hàm g đạt giá trị lớn nhất. , ∀u ∈ , i = arg max g(u, i) 3
Trong các hệ thống tư vấn, mức độ phù hợp của sản phẩm thường được biểu diễn theo đánh giá thang điểm (rating), phụ thuộc vào từng ứng dụng, các đánh giá này có thể được thực hiện trực tiếp bởi người dùng hoặc được tính toán bởi hệ thống. Mỗi người dùng thuộc không gian ngươi dùng U được xác định bởi một hồ sơ (user profile), những thông tin lưu trong hồ sơ này có thể bao gồm các thông tin như giới tính, tuổi, quốc gia, tính trạng hôn nhân, hay cũng có thể bao gồm các thông tin về sở thích, mối quan tâm của họ. Tương tự như vậy, mỗi sản phẩm cũng được mô tả bởi tập hợp các đặc trưng của chúng. Ví dụ, trong hệ thống tư vấn phim, các đặc trưng của một bộ phim có thể là tên phim, thể loại, đạo diễn, diễn viên chính, Một cách khát quát tiến trình tư vấn có thể được mô tả như sau: Hình 1. Các thành phần chính của hệ thống tư vấn. Đầu tiên, bộ phận học hồ sơ người dùng phân tích các sở thích ngươi dùng. Một khi hệ thống hiểu được người dùng quan tâm đến điều gì, nó thực thi một thuật toán tư vấn, so sánh, tổ hợp giữa các hồ sơ người dùng hoặc giữa hồ sơ người dùng với các đặc trưng sản phẩm, sau đó chọn ra tập hợp những sản phẩm người dùng có thể ưa thích. Vấn đề chính của hệ tư vấn là hàm g không được xác định trên toàn không gian × mà chỉ trên một miền nhỏ của không gian đó. Điều này dẫn tới việc hàm g phải được ngoại suy trong không gian này. Thông thường, độ phù hợp được thể hiện bằng điểm và chỉ xác định trên tập các sản phẩm đã từng được người dùng đánh giá từ trước 4
(thường khá ít). Ví dụ, bảng 2 là đánh giá của một số người dùng với các phim mà họ đã xem (thang điểm từ 0-10, kí hiệu ∅ nghĩa là bộ phim chưa được người dùng cho điểm). Từ những thông tin đó, hệ thống tư vấn phải dự đoán (ngoại suy) điểm cho các bộ phim chưa được người dùng đánh giá, từ đó đưa ra những gợi ý phù hợp nhất. Bảng 1. Đánh giá theo thang điểm về một số bộ phim đã xem. Spartacus Back to the HarryPotter 6 Up Future 3 A 2 ∅ 8 9 B 8 7 ∅ ∅ C ∅ ∅ 6 5 D ∅ 4 ∅ 7 1.2. Các kĩ thuật tư vấn Có rất nhiều cách để dự đoán, ước lượng hạng/điểm cho các sản phẩm như sử dụng học máy, lí thuyết xấp sỉ, các thuật toán dựa trên kinh nghiệm Các hệ thống tư vấn thường được phân thành ba loại dựa trên cách nó dùng để ước lượng các đánh giá về sản phẩm: Dựa trên nội dung (content-based): người dùng được gợi ý những sản phẩm tương tự như các sản phẩm từng được họ đánh giá cao. Cộng tác (collaborative): người dùng được gợi ý những sản phẩm mà những người cùng sở thích với họ đánh giá cao. Lai ghép (hybrid): kết hợp cả hai phương pháp trên. 1.2.1. Kĩ thuật tư vấn dựa trên nội dung Hệ tư vấn dựa trên nội dung đưa ra các tư vấn dựa trên phỏng đoán rằng một người có thể thích các sản phẩm có nhiều đặc trưng tương tự với các sản phẩm mà họ đã từng ưa thích. Theo đó, độ phù hợp g(u,i) của sản phẩm i với người dùng u được đánh giá dựa 5
trên độ phù hợp g(u, ij), trong đó ij ∈ và tương tự về nội dung i. Ví dụ, để gợi ý một bộ phim cho người dùng u, hệ thống tư vấn sẽ nhận ra sở thích của u qua các đặc điểm của những bộ phim từng được u đánh giá cao (như thể loại, tên đạo diễn ); sau đó chỉ những bộ phim tương đồng với sở thích của u mới được giới thiệu. Hướng tiếp cận dựa trên nội dung bắt nguồn từ những nghiên cứu về thu thập thông tin (IR - information retrieval) và lọc thông tin (IF - information filtering). Do đó, rất nhiều hệ thống dựa trên nội dung hiện nay tập trung vào tư vấn các đối tượng chứa dữ liệu text như văn bản, tin tức, website Những tiến bộ so với hướng tiếp cận cũ của IR là do việc sử dụng hồ sơ về người dùng (chứa thông tin về sở thích, nhu cầu ). Hồ sơ này được xây dựng dựa trên những thông tin được người dùng cung cấp trực tiếp (khi trả lời khảo sát) hoặc gián tiếp (do khai phá thông tin từ các giao dịch của người dùng). Để cụ thể hơn, đặt Content(i) là tập thông tin (hay tập các đặc trưng) về sản phẩm i. Do hệ thống dựa trên nội dung được thiết kế chủ yếu để dành cho các sản phẩm dạng văn bản hoặc có các mô tả nội dung (metadata) dạng văn bản nên phương pháp biểu diễn thường được lựa chọn là mô hình không gian vector (Vector Space Model ). Theo đó, nội dung sản phẩm được biểu diễn bởi các từ khóa: Content(i) = (wi1,wi2, ,wik), với wi1, wik là trọng số của các từ khóa (như TF-IDF) từ 1 tới k trong không gian từ khóa được xây dựng từ trước. Ví dụ điển hình cho hệ thống dạng này là các hệ tư vấn trang web như Fab[5], biểu diễn nội dung các trang web bằng 100 từ quan trọng nhất hay Syskill & Webert [23] sử dụng 128 từ có trọng số cao nhất. Đặt Profile(u) là hồ sơ về người dùng u, bao gồm các thông tin về sở thích của u. Những thông tin này có được bằng cách phân tích nội dung của các sản phẩm từng được u đánh giá (cho điểm) trước đó. Phương pháp được sử dụng thường là các kĩ thuật phân tích từ khóa của IR, do đó, Profile(u) cũng có thể được định nghĩa như một vector trọng số: Profile(u) = (wu1, ,wuk) với xuj biểu thị độ quan trọng của từ khóa j với người dùng u. Trong hệ thống tư vấn dựa trên nội dung, độ phù hợp g(u,i) được xác định bởi công thức: g(u,i) = Score(Profile(u), Content(i)) Cả Profile(u), Content(i) đều được biểu diễn bằng vector trọng số từ TF-IDF (tương ứng là các vector ⃗, ⃗ ) nên ta có thể sử dụng một công thức tính độ tương tự như độ đo cosin: 6
⃗ . ⃗ g(, ) = cos(⃗, ⃗)= ‖⃗‖×‖⃗‖ Bên cạnh các phương pháp IR, hệ tư vấn dựa trên nội dung còn sử dụng nhiều phương pháp học máy khác như: phân lớp Bayes, cây quyết định, mạng nơron nhân tạo Các phương pháp này khác với các phương pháp của IR ở chỗ nó dựa trên các mô hình học được từ dữ liệu nền. Ví dụ, dựa trên tập các trang web đã được người dùng đánh giá là “thích” hay “không thích” có thể sử dụng phân lớp Bayes để phân lớp các trang web chưa được đánh giá. Một số hạn chế của hệ thống tư vấn dựa trên nội dung: Theo công trình khảo sát các hệ tư vấn của Adomavicius và Tuzhulin[2], các hệ thống tư vấn dựa trên nội dung có một vài hạn chế sau đây: Sự phân tích nội dung bị hạn chế (Restricted content analysis): Tính hiệu quả của hệ tư vấn này phụ thuộc vào việc mô tả một cách đầy đủ các đặc trưng nội dung của sản phẩm. Vì vậy, nội dung sản phẩm phải hoặc có thể được trích xuất tự động bởi máy tính hoặc dễ dàng được trích xuất bằng tay. Có nhiều trường hợp, yêu cầu này rất khó thực hiện, ví dụ trong miền ứng dụng tư vấn dữ liệu đa phương tiện như ảnh đồ họa, phim, âm thanh, Trích xuất tự động đặc trưng nội dung của các đối tượng dữ liệu này là một bài toán khó, và việc trích xuất bằng tay là không khả thi do chi phí lớn. Sự lạm dụng nội dung chuyên môn (Content over-specialisation): Sự tư vấn chỉ được tạo ra từ phân tích nội dung các sản phẩm đã từng được người dùng ưa thích, trong khi các những đánh giá của người dùng khác có thể được sử dụng để tư vấn những sản phẩm mới (thậm chí khác loại), những tư vấn dựa trên nội dung chỉ có thể đưa ra những sản phẩm tương tự với những gì họ đã từng đánh giá cao trước đây. Trong nhiều trường hợp, những sản phẩm không nên được tư vấn nếu nó quá giống với các sản phẩm đã được đánh giá từ trước. Một ví dụ điển hình là trong các hệ thống tư vấn tin tức, những tin tức tư vấn được đánh giá cao hơn nếu nó không phải là một bản trích dẫn hoặc có nội dung thông tin trùng lặp. 7
Vấn đề người dùng mới (new user problem): Người dùng cần đánh giá một lượng sản phẩm đủ lớn trước khi hệ thống tư vấn có thể thực sự hiểu sở thích của họ, và đưa ra những tư vấn đáng tin cậy. 1.2.2. Kĩ thuật tư vấn cộng tác Theo Adomavicius và cộng sự [2], không giống như phương pháp tư vấn dựa trên nội dung, hệ thống cộng tác dự đoán độ phù hợp g(u,i) của một sản phẩm i với người dùng u dựa trên độ phù hợp g(uj, i) giữa người dùng uj và i, trong đó uj là người có cùng sở thích với u. Ví dụ, để gợi ý một bộ phim cho người dùng u, đầu tiên hệ thống cộng tác tìm những người dùng khác có cùng sở thích với u, ví dụ cùng thích các bộ phim hành động. Sau đó, những bộ phim được họ đánh giá cao sẽ được dùng để tư vấn cho u. Có rất nhiều hệ thống cộng tác đã được phát triển như: Grundy, GroupLens (tin tức), Ringo (âm nhạc), Amazon.com (sách), Phoaks (web) Các hệ thống này có thể chia thành hai loại: dựa trên kinh nghiệm (heuristic-based hay memory-based) và dựa trên mô hình (model-based). Hệ thống cộng tác dựa trên kinh nghiệm Các thuật toán dựa trên kinh nghiệm dự đoán hạng của một sản phẩm dựa trên toàn bộ các sản phẩm đã được đánh giá trước đó. Nghĩa là, độ phù hợp của sản phẩm in với người dùng um, g(um, in) được tổng hợp từ đánh giá của những người dùng khác về in (thường là N người có sở thích tương đồng nhất với um). Theo đó, hướng tiếp cận lọc cộng tác này tổ hợp các đánh giá người dùng cùng sở thích này: Trong đó, m là tập các người dùng cùng sở thích với um. Một số ví dụ về hàm tổ hợp [2]: 8
Trong đó, d là hệ số chuẩn hóa Giá trị trung bình các đánh giá của người dùng uj Có nhiều cách để tính độ tương đồng (về sở thích) giữa hai người dùng, nhưng trong hầu hết các phương pháp, độ tương đồng chỉ được tính dựa trên các sản phẩm được cả hai người cùng đánh giá. Hai phương pháp phổ biến nhất là dựa trên độ tương quan (correlation-based) và dựa trên cosin (cosine-based). Biểu diễn những đánh giá quá khứ của hai người dùng um và uj tương ứng như sau: Độ tương đồng dựa trên cosin: 9
Độ tương quan: Hệ thống cộng tác dựa trên mô hình Khác với phương pháp dựa trên kinh nghiệm, phương pháp dựa trên mô hình (model-based) sử dụng kĩ thuật thống kê và học máy trên dữ liệu nền (các đánh giá đã biết) để xây dựng nên các mô hình. Mô hình này sau đó sẽ được dùng để dự đoán hạng của các sản phẩm chưa được đánh giá. Breese [10] đề xuất hướng tiếp cận xác suất cho lọc cộng tác (collaborative filtering), trong đó công thức sau ước lượng đánh giá của người dùng u về sản phẩm i (thang điểm đánh giá từ 0 đến n): ru,i = , = ∑ × Pr , = ,́ , ́ ∈ Billsus và Pazzani [9] đề xuất phương pháp lọc cộng tác trên nền học máy, trong đó rất nhiều các kĩ thuật học máy (như mạng nơron nhân tạo) và các kĩ thuật trích chọn đặc trưng (như SVD – một kĩ thuật đại số nhằm làm giảm số chiều của ma trận) có thể được sử dụng. Ngoài ra còn nhiều hướng tiếp cận khác như mô hình thống kê, mô hình bayes, mô hình hồi quy tuyến tính, mô hình entropy cực đại Hệ thống tư vấn cộng tác khắc phục được nhiều nhược điểm của hệ thống dựa trên nội dung. Một điểm quan trọng là nó có thể xử lý mọi loại dữ liệu và gợi ý một loại sản phẩm, kể cả những sản phẩm mới, khác hoàn toàn so với những gì người dùng từng xem. Một số hạn chế của hệ thống tư vấn lọc cộng tác Một số hạn chế của các hệ tư vấn lọc cộng tác có thể được liệt kê như sau: Vấn đề của sự đánh giá thưa thớt: vấn đề số lượng các đánh giá từ người dùng quá ít để tạo ra các dự đoán đủ tin cậy. Mức độ thành công của các hệ thống tư 10
vấn phụ thuộc nhiều vào những đánh giá nhận được từ khách hàng, và sự tư vấn cộng tác được thực hiện dựa trên sự chồng lấn của những đánh giá này. Vì vậy, rất khó để có thể đưa ra những tư vấn chính xác khi không gian đánh giá là thưa thớt. Ví dụ như một vài sản phẩm chỉ được nhận được ít đánh giá từ người dùng, chúng có thể rất ít có cơ hội được tư vấn, thậm chí cả khi được đánh giá cao. Vấn đề người dùng mới: Chiến lược cộng tác học sở thích người dùng từ chính những đánh giá trong quá khứ của họ. Đối với những người dùng mới chưa thực hiện đánh giá nào, không có một sự tư vấn nào có thể được tạo ra. Vấn đề sản phẩm mới: tương tự như vấn đề người dùng mới, đối với những sản phẩm mới, chưa nhận được đánh giá nào từ phía người dùng, không thể có sự tư vấn nào về chúng. Vấn đề chú cừu xám: Đối với người dùng có sở thích khác biệt với số đông, sự tư vấn đôi khi không mang lại kết quả. Vấn đề thiếu tính đa dạng: Vì tri thức của hệ thống về nội dung chỉ dựa trên các lựa chọn từ phía người dùng, nên sự tư vấn thường có xu hướng lệch về những sản phẩm đã được chọn trong quá khứ, kết quả là trong khi phải xử lý lượng lớn dữ liệu, phần lớn những tư vấn được tạo ra lại chỉ tập trung vào những sản phẩm phổ biến nhất. Ví dụ điển hình cho những cản trở của vấn đề này là ở các hệ thống tư vấn tin tức, trong khi những tin tức mới hơn có thể mang nhiều giá trị hơn, những tin tức được nhiều người đọc trước đây lại thường xuyên được tư vấn. 1.2.3. Kĩ thuật tư vấn lai Một vài hệ tư vấn kết hợp cả phương pháp cộng tác và dựa trên nội dung nhằm tránh những hạn chế của cả hai. Có thể phân thành bốn cách kết hợp như sau: Cài đặt hai phương pháp riêng rẽ rồi kết hợp dự đoán của chúng. Tích hợp các đặc trưng của phương pháp dựa trên nội dung vào hệ thống cộng tác. Tích hợp các đặc trưng của phương pháp cộng tác vào hệ thống dựa trên đặc trưng. Xây dựng mô hình hợp nhất, bao gồm các đặc trưng của cả hai phương pháp. 11
Kết hợp hai phương pháp riêng rẽ Có hai kịch bản cho trường hợp này: Cách 1: Kết hợp kết quả của cả hai phương pháp thành một kết quả chung duy nhất, sử dụng cách kết hợp tuyến tính (linear combination) hoặc voting scheme. Cách 2: Tại mỗi thời điểm, chỉ chọn phương pháp cho kết quả tốt hơn (dựa trên một số độ đo chất lượng tư vấn nào đó). Thêm đặc trưng của mô hình dựa trên nội dung vào mô hình cộng tác Một số hệ thống lai (như Fab[5]) dựa chủ yếu trên các kĩ thuật cộng tác nhưng vẫn duy trì hồ sơ về người dùng (theo dạng của mô hình dựa trên nội dung). Hồ sơ này được dùng để tính độ tương đồng giữa hai người dùng, nhờ đó giải quyết được trường hợp có quá ít sản phẩm chung được đánh giá bởi cả hai người. Một lợi ích khác là các gợi ý sẽ không chỉ giới hạn trong các sản phẩm được đánh giá cao bởi những người cùng sở thích (gián tiếp), mà còn cả với những sản phẩm có độ tương đồng cao với sở thích của chính người dùng đó (trực tiếp). Thêm đặc trưng của mô hình cộng tác vào mô hình dựa trên nội dung Hướng tiếp cận phổ biến nhất là dùng các kĩ thuật giảm số chiều trên tập hồ sơ của phương pháp dựa trên nội dung. Ví dụ, Soboroff và Nicholas [29] sử dụng phân tích ngữ nghĩa ẩn (latent semantic analysis) để tạo ra cách nhìn cộng tác (collaborative view) với tập hồ sơ người dùng (mỗi hồ sơ được biểu diễn bởi một vector từ khóa). Mô hình hợp nhất hai phương pháp Trong những năm gần đây đã có khá nhiều nghiên cứu về mô hình hợp nhất. Basu và cộng sự [5] đề xuất kết hợp đặc trưng của cả hai phương pháp vào một bộ phân lớp dựa trên luật (rule-based classifier). Popescul và cộng sự [25] đưa ra phương pháp xác suất hợp nhất dựa trên phân tích xác suất ngữ nghĩa ẩn (probabilistic latent semantic analysis). Ansari và cộng sự [4] giới thiệu mô hình hồi quy Bayes sử dụng dây Markov Monte Carlo để ước lượng tham số. 12
Độ chính xác của hệ thống tư vấn lai ghép có thể được cải tiến bằng cách sử dụng các kĩ thuật dựa trên tri thức (knowledge-based) như case-based reasoning. Ví dụ, hệ thống Entrée dùng những tri thức về nhà hàng, thực phẩm (như: đồ biển không phải là thức ăn chay) để gợi ý nhà hàng thích hợp cho người dùng. Hạn chế chính của hệ thống dạng này là nó cần phải thu thập đủ tri thức, đây cũng là nút thắt cổ chai (bottle- neck) của rất nhiều hệ thống trí tuệ nhân tạo khác. Tuy nhiên, các hệ thống tư vấn dựa trên tri thức hiện đang được phát triển trên các lĩnh vực mà miền tri thức của nó có thể biểu diễn ở dạng mà máy tính đọc được (như ontology). Ví dụ, hệ thống Quickstep và Foxtrot sử dụng ontology về chủ đề của các bài báo khoa học để gợi ý những bài báo phù hợp cho người dùng. 1.3. Sơ lược về hệ thống tư vấn tin tức của khóa luận Mô hình hệ tư vấn do khóa luận đề xuất không được triển khai một cách độc lập mà tích hợp vào hệ thống cung cấp tin tức. Với việc phân tích những đặc trưng của đối tượng tư vấn này, khóa luận đề xuất ý tưởng ban đầu cho giải pháp tư vấn được triển khai. 1.3.1. Đặc trưng của tư vấn tin tức. Tư vấn tin tức là một lĩnh vực giàu tiềm năng bởi số lượng các sản phẩm tư vấn, số lượng người dùng và số lượt sử dụng cao hơn nhiều so với các đối tượng tư vấn khác. Tuy nhiên, đi kèm theo đó là các thử thách về các đặc trưng riêng có của miền đối tượng tin tức cũng như các đặc trưng chung của người sử dụng tư vấn. Tin tức là một đối tượng tư vấn đặc biệt, các đặc trưng sau của tin tức giúp đưa ra các giải pháp hữu hiệu hơn trong xây dựng giải pháp tư vấn: Tính không đồng nhất giá trị: Giá trị của tin tức chỉ có thể được xác định bằng cách kết hợp các yếu tố: nội dung thông tin của bản tin, nguồn tin, thời điểm xuất bản, nhà xuất bản, tác giả, người nhận tin, Tính dễ sinh ra: một số lượng lớn tin tức có thể nảy sinh xung quanh một sự kiện, hiện tượng. Tính dễ tàn lụi: hiện tượng tin tức đánh mất giá trị khi vấn đề nó đề cập không còn tính thời sự. 13
Khi xem xét đến yếu tố phù hợp giữa đối tượng tư vấn và mối quan tâm người dùng, các đặc trưng về mối quan tâm của người dùng cũng cần được xem xét. Tính đa quan tâm: Tại một thời điểm, người dùng có thể có nhiều mối quan tâm khác nhau. Ví dụ: họ có thể quan tâm đến cả các thông tin về cả thể thao và chính trị. Tính thay mới: Mối quan tâm của họ có thể phân chia thành 3 loại chính: các mối quan tâm dài hạn, các mối quan tâm trung hạn và các mối quan tâm ngắn hạn. Tính thay mới có thể diễn ra ở cả ba loại mối quan tâm này, tuy nhiên tốc độ thay mới của các mối quan ngắn hạn là nhanh nhất và nó cũng có ưu thế hơn khi dùng để tư vấn các tin tức, vốn liên tục được sinh ra. 1.3.2. Hướng tiếp cận của khóa luận Để vượt qua các thử thách này, chúng tôi tập trung vào các tiếp cận lọc dựa trên nội dung với thông tin về mối quan tâm ngắn hạn thông qua các chủ đề ẩn. Các lý do có thể được nêu ra là: Thứ nhất: Lọc dựa trên nội dung không gặp phải các vấn đề rất khó giải quyết của lọc cộng tác trên miền đối tượng tin tức: (i) vấn đề những đánh giá đầu: các tin tức liên tục được sinh ra và cần dễ dàng tiếp cận trong khi quá trình lọc cộng tác không thể tạo ra các sản phẩm chưa từng được đánh giá bởi người dùng khác hoặc những người dùng chưa từng đánh giá một sản phẩm nào; (ii) vấn đề ma trận thưa: Khó tìm ra được các sản phẩm đã được đánh giá bởi một lượng đủ người dùng vì số lượng quá lớn các tin tức mới và đặt gánh nặng cung cấp thông tin đánh giá lên người dùng [11]. Thứ hai: Biểu diễn thông tin ở mức chủ đề có mô tả rõ ràng hơn tập hợp các mối quan tâm hay sở thích của người dùng. Sử dụng phương pháp này còn có thể khắc phục được hạn chế tư vấn các sản phẩm quá giống các sản phẩm đã được ưa thích trước đó (ví dụ như vấn đề trùng lặp tin tức). Thứ ba: Các dữ liệu thu thập dựa trên những tin tức được truy cập gần nhất cho phép mô tả chính xác hơn đặc tính thay mới mối quan tâm. 14
Theo đó, hệ thống đề xuất giải quyết hai vấn đề cơ bản của tiến trình tư vấn: Đầu tiên là dựa trên khảo sát về các phương pháp xây dựng mô hình hóa sở thích người dùng dựa trên các dữ liệu văn bản thường được áp dụng cho hướng tiếp cận lọc nội dung, đề xuất giải pháp mô hình sở thích người dùng dựa trên phân tích chủ đề ẩn phiên duyệt web người dùng (ngữ cảnh đọc tin tức). Sau đó, dựa trên mô hình sở thích này của người dùng, những tin tức liên quan được thực hiện thông qua đối chiếu chủ đề và thực thể của chúng với những chủ đề và thực thể người dùng từng quan tâm. 15
Chương 2. Mô hình hóa sở thích người dùng cho các hệ tư vấn dựa trên nội dung. Trong chương một, khóa luận đã trình bày sơ bộ về các khái niệm liên quan đến hệ tư vấn. Qua đó, chúng ta biết rằng chất lượng của những tư vấn cá nhân phụ thuộc vào khả năng học sở thích người dùng của hệ tư vấn (hay xây dựng hồ sơ sở thích ngươi dùng). Hồ sơ sở thích người dùng càng phản ảnh đúng mối quan tâm của họ, thì càng có nhiều khả năng có được những tư vấn tốt. Các kĩ thuật tư vấn dựa trên nội dung thường dựa trên các hồ sơ sở thích được xây dựng thông qua một quá trình phân tích các tài liệu dạng văn bản. Trong chương này, khóa luận trình bày sâu hơn về các khái niệm và kĩ thuật liên quan đến quá trình mô hình hóa sở thích người dùng nói chung và cho các hệ tư vấn dựa trên nội dung nói riêng. 2.1. Tiến trình mô hình sở thích người dùng Theo Gauch và các cộng sự [14], một tiến trình mô hình hóa sở thích người dùng cho các ứng dụng hướng cá nhân (như các hệ tư vấn hướng cá nhân, các hệ thống web thích nghi, ) bao gồm 2 pha cơ bản như minh họa sau. Hình 2. Tiến trình mô hình hóa sở thích người dùng. Trong pha đầu tiên, một tiến trình thu thập thông tin được sử dụng để thu thập các dữ liệu từ người dùng, có thể chia các dữ liệu này thành hai loại cơ bản: các thông tin người dùng hiện (hay thông tin người dùng rõ) và các thông tin người dùng ẩn. Những thông tin này sau đó được tổng hợp để xây dựng mô hình sở thích người dùng trong pha còn lại, pha xây dựng hồ sơ người dùng. 16
2.2. Thu thập thông tin về người dùng Bước đầu tiên trong kĩ thuật học sở thích người dùng là thu thập các thông tin về người dùng cá nhân. Trong đó, một yêu cầu cơ bản là hệ thống cần phải xác định duy nhất người dùng. Nhiệm vụ này sẽ được trình bày trong phần 2.2.1. Các thông tin người dùng được có thể được thu thập hiện qua việc nhập trực tiếp bởi người dùng hay thu thập ẩn thông qua một các tử phần mềm. Nó có thể thu thập từ máy khách của người dùng hay thu thập từ chính máy chủ ứng dụng. Phụ thuộc vào cách thức thu thập dữ liệu này mà những dạng dữ liệu khác nhau về người dùng có thể được thu thập. Một số lựa chọn và ảnh hưởng của các lựa chọn được trình bày ở mục 2.2.2. Nhìn chung, các hệ thống thu thập thông tin ẩn và thu thập thông tin từ máy chủ được ưa thích hơn do đặt ít hơn gánh nặng cung cấp thông tin về phía người dùng và hạn chế được phiền hà vì yêu cầu cài đặt thêm phần mềm [14]. 2.2.1. Phương pháp định danh người dùng Định danh người dùng là tiêu chí quan trọng giúp hệ thống phân biệt, và xây dựng hồ sơ khác nhau cho những người dùng khác nhau. Gauch và cộng sự [14] liệt kê ra 5 cách tiếp cận cơ bản trong định danh người dùng: các tử phần mềm (software agent), đăng nhập (login), proxy server, cookie và phiên duyệt web(session). Mỗi phương pháp đều có những ưu, nhược điểm riêng và ảnh hưởng các dữ liệu người dùng có thể thu thập được. Ba phương pháp đầu tiên chính xác hơn, nhưng chúng yêu cầu sự tham gia của người dùng. Các tử phần mềm là một phần mềm nhỏ được đặt trên máy người dùng, thu thập thông tin về họ và chia sẻ chúng với máy chủ thông qua một vài giao thức. Giải pháp này có độ tin cậy cao nhất vì có nhiều hơn sự điều khiển khi triển khai ứng dụng và các giao thức. Nó cũng có khả năng thu thập được nhiều thông tin nhất vì có quyền truy cập tới nhiều hơn các nguồn thông tin người dùng. Tuy nhiên, nó yêu cầu sự tham gia của người dùng để cài đặt phần mềm, đó là một cản trở không dễ chịu. Giải pháp có độ tin cậy thứ hai là dựa trên việc đăng nhập. Bởi vì người dùng định danh chính họ thông qua đăng nhập, cách định danh này thường chính xác và có thể sử dụng để xác định người dùng dùng nhiều máy khách khác nhau. Mặt trở ngại của phương pháp này là người dùng cần thực hiện một tiến trình đăng kí và thực hiện đăng nhập và đăng xuất cho mỗi lần sử dụng. Ở giải pháp thứ ba, một proxy server sẽ làm nhiệm vụ thu thập thông tin người dùng, phương pháp này hữu ích khi cần thu thập thông tin về một nhóm người dùng hoặc một 17
người dùng sử dụng nhiều máy tính, tương tự như hai giải pháp trên, nó yêu cầu người dùng tham gia bằng cách đăng kí cùng một địa chỉ proxy cho tất cả các máy họ sử dụng. Hai phương pháp sau, cookie và phiên duyệt web không yêu cầu bất cứ sự tham gia nào từ phía người dùng. Trong lần đầu tiên trình duyệt máy khách truy cập vào hệ thống , một userid được tạo ra, id này sẽ được lưu trong cookie máy người dùng. Một người dùng truy cập vào cùng một trang web được xác định là duy nhất nếu cùng một userid được sử dụng. Tuy nhiên, nếu người dùng sử dụng nhiều hơn một máy tính, hay một loại trình duyệt, sẽ có những cookie khác nhau, và tương ứng là những hồ sơ người dùng khác nhau. Hơn nữa, giải pháp này cũng gặp vấn đề khi có nhiều hơn một người dùng cho một máy, hoặc trường hợp người dùng xóa, hay tắt cookie. Đối với phiên duyệt web, trở ngại cũng tương tự khi có nhiều hơn một người dùng cho một máy hay có sử dụng nhiều hơn một máy, một trình duyệt, nhưng nó không lưu trữ userid giữa những lần duyệt. Một người dùng bắt đầu với một phiên duyệt web mới, thông tin trong phiên duyệt web lưu lại vết các hành vi người dùng tương tác với hệ thống trong một lần duyệt web của họ ví dụ danh sách các pageview, thời gian giành cho mỗi pageview, địa chỉ IP, Ưu điểm quan trọng của giải pháp định danh dựa trên phiên duyệt web là nó không đặt bất cứ gánh nặng nào về phía người dùng, không gặp những nghi ngại về tính riêng tư (tức là không lưu lại bất cứ thông tin nào về người dùng) và cũng không yêu cầu bật cookie ở trình duyệt. 2.2.2. Các phương pháp thu thập thông tin Thông thường, các kĩ thuật thu thập thông tin được phân theo tính chất của dữ liệu thu thập được. Theo đó, tương ứng với hai kiểu thông tin người dùng ẩn và hiện, có hai phương pháp thu thập thông tin người dùng. 2.2.2.1. Phương pháp thu thập thông tin người dùng hiện Phương pháp thu thập thông tin người dùng hiện (hay thông tin phản hồi hiện) thu thập những thông tin được nhập trực tiếp bởi người dùng, thông thường qua các HTML Form. Dữ liệu thu thập có thể là các là các thông tin như ngày sinh, tình trạng hôn nhân, nghề nghiệp, sở thích, Một trong các hệ tư vấn sớm nhất Syskill & Webert [23] tư vấn các trang web dựa vào các phản hồi hiện. Nếu người dùng đánh giá cao một vài liên kết từ một trang, Syskill 18
& Webert sẽ tư vấn các trang liên kết khác. Thêm vào đó, hệ thống còn có thể tạo một truy vấn tới máy tìm kiếm Lycos1 để trích xuất các trang web có thể người dùng sẽ ưa thích. Một vấn đề với các thông tin phản hồi hiện đó là nó đặt gánh nặng cung cấp thông tin về phía người dùng. Vì vậy, nếu người dùng không muốn phải cung cấp các thông tin riêng tư, họ sẽ không tham gia hoặc không cung cấp thông tin chính xác. Hơn nữa, vì các hồ sơ được duy trì tĩnh trong khi tồn tại các đặc điểm có thể thay đổi như sở thích, thói quen, khiến cho những hồ sơ này có thể trở nên không chính xác nữa theo thời gian. Một lý lẽ cho những hệ thống sử dụng thông tin phản hồi hiện là trong một vài trường hợp người dùng thích cung cấp, chia sẻ thông tin của họ. Hình 3. Các hệ thống tư vấn dựa trên thông tin phản hồi hiện. 2.2.2.2. Phương pháp thu thập thông tin người dùng ẩn Hồ sơ người dùng trong phương pháp này được xây dựng dựa trên các thông tin phản hồi ẩn. Ưu điểm của phương pháp này là không yêu cầu bất cứ sự xen vào nào của người dùng trong suốt tiến trình xây dựng và duy trì các hồ sơ người dùng. Công trình của Kelly và Teevan [20] cung cấp một cái nhìn tổng quát về các kĩ thuật phổ biến để thu thập thông tin phản hồi ẩn và các thông tin về người dùng có thể suy diễn từ hành vi của họ. Theo đó, Gauch và các cộng sự [14] thống kê tóm tắt các cách tiếp cận của kĩ thuật thu thập thông tin phản hồi ẩn. 1 19
Bảng 2. Các kĩ thuật thu thập thông tin ẩn [14]. Thông tin Bề rộng Kĩ thuật Ưu và Nhược Ví dụ thu thập thông tin Ưu: Người dùng không cần cài đặt bất cứ Bất cứ Lịch sử thứ gì. OBIWAN Browser Cache trang duyệt web Nhược: Người dùng phải upload cache [24] web nào định kì. Ưu: Người dùng có thể sử dụng nhiều Bất cứ trình duyệt. Hành vi OBIWAN Proxy Servers trang Nhược: Người dùng phải sử dụng proxy duyệt web [24] web nào server. Bất cứ ứng Ưu: Các tử có thể thu thập tất cả các hành Hành vi dụng vi web. WebMate Browser Agents duyệt web hướng Nhược: Cài đặt và sử dụng ứng dụng mới [12] cá nhân khi đang duyệt web. nào Bất cứ ứng Tất cả hành Ưu: Tất cả các tập tin và hành vi của Google dụng Desktop Agents vi người người dùng. Desktop hướng dùng Nhược: Yêu cầu cài đặt phần mềm. cá nhân nào Các Ưu: Thông tin về nhiều người dùng. Hành vi trang Mobasher Web Logs Nhược: Có thể có ít thông tin vì chỉ từ một duyệt web web có [7] trang web. log Ưu: Thu thập và sử dụng thông tin từ Truy vấn Các nhiều trang Misearch Search Logs và Url trang tìm Nhược:Cookies phải được bật và/hoặc yêu được click kiếm cầu đăng nhập. Nhược: Có thể có rất ít thông tin. Dựa trên nguồn gốc các thông tin ẩn này, có thể chia các thông tin phản hồi ẩn thành hai loại: thông tin ẩn phía máy khách (client log) thu được từ bốn cách tiếp cận đầu và thông tin ẩn phía máy chủ (server log) thu được từ hai cách tiếp cận còn lại. Trong khi các kĩ thuật thu thập thông tin phía máy khách đặt gánh nặng về phía người dùng để thu thập và chia sẻ log các hành vi của họ. Các kĩ thuật thu thập thông tin phía máy chủ (như search log và web log) thu thập chỉ những thông tin trong quá trình 20
tương tác của người dùng và hệ thống. Điều này làm cho các thông tin có thể thu thập từ máy chủ ít hơn nhưng có ưu thế hơn về độ phức tạp của dữ liệu thu thập được cũng như tránh được các nghi ngại về tính riêng tư của người dùng. 2.3. Xây dựng mô hình sở thích người dùng Thông thường dựa trên các đặc trưng của dữ liệu thu thập được, có những cách tiếp cận khác nhau để xây dựng mô hình sở thích người dùng. Dữ liệu thu thập từ người dùng có thể được chia làm hai loại chính là dữ liệu có cấu trúc và không cấu trúc. Các dữ liệu có cấu trúc như các đánh giá theo điểm, nghề nghiệp, tuổi tác, Các dữ liệu không cấu trúc là các dữ liệu dạng văn bản như nội dung của các tin tức đã xem, mô tả của các bộ phim đã xem, hay các lời nhận xét dưới dạng ngôn ngữ tự nhiên Gauch và cộng sự trong [14] mô tả khá chi tiết ba phương pháp xây dựng mô hình sở thích người dùng dựa trên các dữ liệu dạng văn bản là phương pháp dựa từ khóa khóa có trọng số, phương pháp dựa trên các mạng ngữ nghĩa và phương pháp dựa trên cây phân cấp khái niệm. Đây là các giải pháp mô hình sở thích người dùng thường được sử dụng cho các hệ thống tư vấn dựa trên nội dung. 2.3.1. Phương pháp dựa trên từ khóa có trọng số Mối quan tâm được mô tả bằng tập các từ khóa có trọng số. Trong đó, từ khóa được trích xuất từ tập các dữ liệu người dùng với trọng số thường được đánh giá thông qua mô hình trọng số tf*idf. Đây là giải pháp được đưa ra sớm nhất và dễ dàng cài đặt nhất, tuy nhiên vấp phải các trở ngại về vấn đề nhập nhằng ngữ nghĩa và kích thước không gian từ khóa. Ví dụ điển hình của phương pháp tiếp cận này là WebMate [12], hồ sơ người dùng chứa một vector từ khóa cho mỗi lĩnh vực quan tâm của người dùng, và một ý tưởng mở rộng của WebMate[12], Alipes [31] sử dụng ba vector từ khóa cho mỗi mối quan tâm người sử dụng bao gồm: một vector mô tả tính dài hạn, hai vector mô tả tính ngắn hạn: một tích cực và một tiêu cực. 21
Hình 4. Mô hình mối quan tâm người dùng dựa trên từ khóa. 2.3.2. Phương pháp dựa trên mạng ngữ nghĩa Mối quan tâm được mô tả bằng tập các node (từ khóa hoặc khái niệm) và các cạnh liên kết. Đầu tiên, các từ khóa cũng được trích xuất từ dữ liệu người dùng. Khái niệm có thể bao gồm một hoặc nhiều từ khóa liên kết với nhau ( ví dụ như: quan hệ đồng nghĩa suy diễn từ WordNet ). Trọng số giữa cạnh được xác định dựa trên sự xuất hiện đồng thời của hai node hoặc các từ khóa thuộc vào hai node trong cùng một văn bản. Điển hình cho mô hình này là hệ thống InfoWeb [15], mỗi hồ sơ người dùng được biểu diễn bởi một mạng ngữ nghĩa các khái niệm. Ban đầu, mạng ngữ nghĩa chứa một tập các node khái niệm không liên kết gọi là các node hành tinh với một trọng số. Càng nhiều thông tin thu thập được, hồ sơ về người dùng càng được làm giàu thông qua các từ khóa có trọng số liên kết với các khái niệm. Các từ khóa được biểu diễn như các node vệ tinh xung quanh các khái niệm chính, trọng số liên kết giữa các khái niệm tương ứng cũng được thêm vào. Hình 5. Mô hình mối quan tâm người dùng dựa trên mạng ngữ nghĩa[15]. 22
2.3.3. Phương pháp dựa trên cây phân cấp khái niệm Mối quan tâm người dùng được mô tả tập các khái niệm có trọng số. Ban đầu, các khái niệm không trích ra từ văn bản mà được định nghĩa trước từ cây phân cấp các mục mở ODP (The Open Directory Project)[30]. Dữ liệu người dùng được phân lớp vào một trong các nhánh của cấu trúc phân cấp này. Vấn đề của phương pháp này là mức độ chi tiết của mục có thể làm mất thông tin về các mối quan tâm chung và sự phụ thuộc vào độ chính xác của các cây phân cấp khái niệm. Một trong các dự án đầu tiên sử dụng phương pháp này là OBIWAN [24]. Ban đầu, họ dùng cấu trúc phân cấp khái niệm từ 3 mức đầu tiên của ODP[30]. Dữ liệu người dùng được tự động phân lớp để tìm ra các các khái niệm phù hợp nhất, các trọng số khái niệm tương ứng được tăng lên. Hình 6. Mô hình mối quan tâm người dùng dựa trên mạng khái niệm [24]. 23
Chương 3. Mô hình Đối với người dùng trong các hệ thống tư vấn, các yếu tố thuộc về ngữ cảnh sử dụng hiện tại của người dùng ảnh hưởng lớn tới các lựa chọn trong tương lai của họ. Các tin tức trong phiên duyệt web hiện phản ánh chính xác hơn những chủ đề hay các thực thể người dùng muốn tìm hiểu thêm thông tin. Do vậy, phân tích thông tin từ các tin tức này là một giải pháp tiềm năng để mở rộng thông tin ngữ cảnh so với phương pháp chỉ phân tích trang tin hiện tại. Trong khi các kĩ thuật biểu diễn sở thích người dùng hiện còn tồn tại các trở ngại như trình bày trong chương 2. Có thể có một cách tiếp cận mới cho các vấn đề này dựa trên phỏng đoán rằng một người dùng A có thể ưa thích một tin tức X nếu như A đã xem các tin tức cùng chủ đề với X và X liên quan đến nhiều hơn các thực thể định danh mà A quan tâm (ví dụ như tên một câu lạc bộ bóng đá như: ManU, hay tên một nhân vật nổi tiếng như tổng thống Mỹ Obama). Như vậy, một hồ sơ người dùng có thể được mô tả hình thức như sau: Bảng 3. Ví dụ về một hồ sơ sở thích người dùng. Người dùng Chủ đề quan tâm Thực thể quan tâm “Bóng đá”, “Du ManU, Chealsea, Đà An lịch”, Lạt, Hội An, Các tin tức có thể được gán nhãn chủ đề bằng tay, tuy nhiên đó là một giải pháp không khả thi do đòi hỏi chi phí lớn, đặc biệt khi có quá nhiều tin tức nảy sinh hay trong các hệ thống tư động thu thập tin tức như RSSReader. Một hướng tiếp cận tiềm năng là sử dụng phân tích chủ đề ẩn. Trong đó, ý tưởng cơ bản là xem các văn bản là một phân phối xác suất theo chủ đề và mỗi chủ đề lại có phân phối xác suất trên các từ. Đã có nhiều nghiên cứu khẳng định được tính ứng dụng của phân tích chủ đề ẩn như mô hình phân lớp, phâm cụm dữ liệu [22], bài toán xác định độ phù hợp giữa nội dung một trang web và các thông điệp quảng cáo[21], Trong các mục sau, khóa luận trình bày một giải pháp xác định các sở thích người dùng theo cách tiếp cận mới này. 24
3.1. Cơ sở lý thuyết 3.1.1. Phân tích thông tin chủ đề dựa trên mô hình chủ đề LDA. Phân tích chủ đề cho văn bản nói chung và cho dữ liệu Web nói riêng có vai trò quan trọng trong việc “hiểu” và định hướng thông tin trên Web. Khi ta hiểu một trang Web có chứa những chủ đề hay thông tin gì thì dễ dàng hơn cho việc xếp loại, sắp xếp, và tóm tắt nội dung của trang Web đó. Trong phân lớp văn bản, mỗi văn bản thường được xếp vào một lớp cụ thể nào đó. Trong phân tích chủ đề, chúng ta giả sử mỗi văn bản đề cập đến nhiều hơn một chủ đề (K chủ đề) và mức độ liên quan đến chủ đề được biểu diễn bằng phân phối xác suất của của tài liệu đó trên các chủ đề. Hình 7. Tài liệu với K chủ đề ẩn. Có rất nhiều phương pháp phân tích thông tin chủ đề từ văn bản, điển hình là mô hình LDA [13]. LDA là một mô hình sinh (generative model) và thực hiện phân tích chủ đề từ các tập dữ liệu văn bản hoàn toàn phi giám sát (fully unsupervised). Về mục tiêu, tương tự với LSA, LDA đưa ra một kĩ thuật mô tả thu gọn các tập dữ liệu rời rạc (như tập văn bản). Về mặt trực quan, LDA tìm những cấu trúc chủ đề (topics) và khái niệm (concepts) trong tập văn bản dựa trên thông tin về đồng xuất hiện (co-occurrence) của các từ khóa trong văn bản, và cho phép mô hình hóa các khái niệm đồng nghĩa (synonymy) và đa nghĩa (polysemy). Về mặt mô hình hóa, LDA hoạt động tương đối giống với pLSA (probabilistic LSA) [19]. Tuy vậy, LDA ưu việt hơn pLSA ở một vài điểm như tính đầy đủ và tính khái quát cao hơn [13][17]. 25
Hình 8. Biểu diễn đồ họa LDA[13]. Ước lượng giá trị tham số cho mô hình LDA. Hình 9. Ước lượng tham số tập dữ liệu văn bản. Ước lượng tham số cho mô hình LDA bằng phương pháp cực đại hóa hàm likelihood trực tiếp và một cách chính xác có độ phức tạp thời gian rất cao và không khả thi trong thực tế. Người ta thường sử dụng các phương pháp xấp xỉ như Variational Methods [13] và Gibbs Sampling [17]. Gibbs Sampling được xem là một thuật toán nhanh, đơn giản, và hiệu quả để huấn luyện LDA. 26
Sử dụng mô hình LDA để suy diễn chủ đề. Theo Nguyễn Cẩm Tú [22], với một mô hình chủ đề đã được huấn luyện tốt dựa trên tập dữ liệu toàn thể (Universial Dataset) bao phủ miền ứng dụng, ta có thể thực hiện một tiến trình quá trình suy diễn chủ đề cho các tài liệu mới tương tự như quá trình ước lượng tham số (tức là xác định được phân phối trên các chủ đề của tài liệu qua tham số theta). Tác giả cũng chỉ ra rằng sử dụng dữ liệu từ VnExpress1 huấn luyện được các mô hình có ưu thế hơn trong các phân tích chủ đề trên dữ liệu tin tức, trong khi các mô hình được huấn luyện bởi dữ liệu từ Wiki2 tốt hơn trong phân tích chủ đề các tài liệu mang tính học thuật. Dựa trên những nghiên cứu đó, chúng tôi lựa chọn mô hình được chủ đề được huấn luyện bởi tập dữ liệu toàn thể thu thập từ trang Vnexpress cho phân tích chủ đề. Một tiến trình phân tích chủ đề tổng quát được minh họa như sau: Hình 10. Suy diễn chủ đề sử dụng tập dữ liệu VnExpress[22]. 3.1.2. Nhận dạng các thực thể trong tài liệu dựa trên từ điển Đối với một đối tượng văn bản, nội dung của nó liên quan nhiều đến các thực thể chứa trong văn bản đó. Đối tượng thực thể có thể là tên người, tên một địa điểm hoăc một tổ chức, Phương pháp nhận dạng các thực thể dựa trên từ điển đơn giản chỉ xem xét đến sự hiện diện của các thực thể thuộc vào một tập từ điển thực thể trong văn bản đang tiến 1 www.vnexpress.net 2 www.wikipedia.org 27
hành phân tích. Thuật toán đối sánh xâu Aho-Corasick [3] là phương pháp nhận dạng thực thể dựa trên từ điển điển hình. Ý tưởng cơ bản của phương pháp này khá đơn giản này, các thực thể trong từ điển được xem là các mẫu, một ôtômát hữu hạn trạng thái xây dựng từ các mẫu này sẽ được sử dụng để xác định sự hiện diện của các mẫu trong văn bản. 3.2. Phân tích sở thích người dùng 3.2.1. Thông tin trong phiên duyệt web người dùng Một phiên duyệt web là một chuỗi các pageview của một người dùng đơn trong một lần duyệt đơn [7]. Trong đó, các pageview là tập hợp các đối tượng web hiển thị tới người dùng. Mỗi pageview có thể được xem như một tập hợp các đối tượng web hay các tài nguyên biểu diễn cho một hành vi người dùng cụ thể như đọc một trang tin tức, xem thông tin một sản phẩm hoặc thêm một sản phẩm vào giỏ hàng, Mô hình sử dụng phiên duyệt web là danh sách các url tương ứng với các trang web người dùng truy cập vào hệ thống. Bảng 4. Thông tin trong phiên duyệt web. Session ID (Profile ID) Url 1 www.bestnews4u.com?newsid=102 1 www.bestnews4u.com?newsid=82 1 www.bestnews4u.com?newsid=11 1 www.bestnews4u.com?newsid=1021 2 www.bestnews4u.com?newsid=102 2 www.bestnews4u.com?newsid=144 28
3.2.2. Mô hình sở thích người dùng Các chủ đề ẩn phổ biến Các tin tức người dùng quan tâm trong phiên Các thực thể liên quan Hình 11. Mô hình sở thích người dùng dựa trên chủ đề ẩn và thực thể. Trong mô hình này, sở thích của người dùng được biểu diễn bởi hai thông tin: Tập các chủ đề ẩn người dùng quan tâm nhất và tập các thực thể liên quan. Xác định tập chủ đề ẩn người dùng quan tâm được thực hiện qua 3 bước Bước 1: Từ tập tài liệu mô tả sở thích người dùng, các chủ đề và phân phối của chúng vào từng tài liệu được tính toán. Ứng với mỗi tài liệu di thuộc vào tập D các tài liệu mô tả mối quan tâm người sử dụng, sử dụng phân tích chủ đề ẩn ta được kết quả là tập các topic của tài liệu di, kí hiệu là các TPj thuộc vào tập các topic TP, với trọng số wtpj. Topics(di) = {(TPj, wtpj), } Bước 2: Xếp hạng chủ đề dựa trên thống kê tính phổ biến Rank (TPj) = Số lần xuất hiện của TPj trong ma trận D x TP với wtpj lớn hơn một ngưỡng Bước 3: Xác định Top N chủ đề ẩn có hạng cao nhất được sử dụng để biểu diễn mô hình người dùng. 29
Xác định tập thực thể qua 2 bước Bước 1: Xác định tài liệu cần phân tích thực thể. Các tài liệu được sử dụng đề phân tích các thực thể biểu diễn sở thích người dùng thỏa mãn hai điều kiện sau: o Là các tin tức thuộc phiên duyệt web người dùng o Là các tin tức có nội dung liên quan đến chủ đề người dùng quan tâm đã xác định ở quá trình xác định chủ đề ẩn phổ biến. Bước 2: Trích xuất các thực thể từ các văn bản tin tức. 3.3. Áp dụng mô hình sở thích người dùng vào tư vấn tin tức Nghiên cứu của chúng tôi phát triển một mô hình hệ thống tư vấn sử dụng mô hình mối quan tâm đề xuất ở phần trước. Trong đó, ý tưởng chung của việc tư vấn dựa trên xem các tin tức tư vấn tiềm năng là các tin tức mang thông tin về chủ đề và các thực thể người dùng từng quan tâm. Ứng dụng tư vấn được tích hợp trong một hệ thống quản lý nội dung (Content Management System). Vì vậy, giải pháp được đưa ra là xác định chủ đề và các thực thể nằm trong mỗi tin tức được thực hiện ngay sau khi dữ liệu tin tức được nhập vào cơ sở dữ liệu các tin tức của hệ thống. Khóa luận xem giai đoạn này là pha xử lý phân tích dữ liệu tư vấn. Sau pha này, mỗi tin tức sẽ tương ứng với hai danh sách một danh sách các chủ đề và một danh sách các thực thể. Pha tư vấn trực tuyến thực hiện thu thập thông tin về sở thích người dùng thông qua thống kê các chủ đề phổ biến trong phiên duyệt web, sau đó tự động sinh các truy vấn cho cơ sở dữ liệu, kết quả đạt được là dữ liệu tư vấn liên quan thuộc về nhiều chủ đề và chứa các thông tin về các thực thể người dùng từng quan tâm. 3.3.1. Pha phân tích dữ liệu tư vấn Input: Mỗi văn bản tin tức. Output: Phân tích chủ đề và thực thể của từng tin tức. Pha phân tích chủ đề ẩn. o Suy diễn chủ đề ẩn o Lựa chọn chủ đề chính Pha phân tích thực thể liên quan. 30
o Xác định các thực thể o Lựa chọn thực thể chính Mô hình chủ đề Suy diễn chủ đề Top chủ đề có xác suất cao Cơ sở dữ liệu Tin tức tin tức Xác định thực thể Top các thực thể có trọng số cao Từ điển thực thể Hình 12. Mô hình pha phân tích dữ liệu tư vấn Pha này xử lý các tin tức trước khi được lưu trữ vào cơ sở dữ liệu. Quá trình xử lý gồm hai pha phân tích độc lập. Phân tích các chủ đề ẩn Tin tức được suy diễn các chủ đề nó thuộc vào theo một mô hình chủ đề ẩn đã được huấn luyện. Pha này, được thực hiện bởi hai bước: Bước 1. Suy diễn chủ đề ẩn: Nhận đầu vào là các văn bản tin tức, bước này phân tích xác suất các chủ đề ẩn phản ánh nội dung trong văn bản. Các chủ đề có xác suất lớn hơn là các 31
chủ đề mà nội dung chính của tin tức hướng tới. Chú ý rằng số lượng các chủ đề ẩn là không đổi, và mỗi chủ đề đều có một xác suất phản ánh nội dung của văn bản. Ví dụ, nếu ta chọn mô hình với 100 chủ đề ẩn để phân tích, mỗi văn bản được xác định bởi một vector 100 chiều, với mỗi chiều là một chủ đề và mỗi giá trị trong các chiều là trọng số xác suất của chủ đề tương ứng. Bước 2. Xác định top các chủ đề có phân phối cao: Từ các vector phân phối chủ đề của văn bản tin tức, ta cần xác định đâu là các chủ đề có thể đại diện cho nội dung thông tin của tin tức. Các chủ đề này có thể được nhận ra bởi hai ràng buộc: o Số lượng chủ đề có thể biểu diễn nội dung cho một văn bản phải nằm trong một giới hạn. o Xác suất của chủ đề đó phải lớn hơn một ngưỡng cho trước. Phân tích các thực thể liên quan. Vì giá trị của tin tức còn liên quan đến các thực thể mà nó đề cập tới, ví dụ như tin tức về kì nghỉ của tổng thống có giá trị hơn tin tức về kì nghỉ của một người bình thường. Pha này xác định các thực thể nằm trong văn bản tin tức. Các thực thể có thể được trích xuất từ văn bản thông qua hai bước: Bước 1: Xác định tất cả các thực thể trong nội dung tin tức. Nếu coi văn bản tin tức tương ứng với một xâu và mỗi thực thể trong từ điển là một mẫu, ta có thể áp dụng một thuật toán đối sánh xâu để nhận ra tất cả các thực thể nằm trong nội dung của tin tức. Kết quả của bước này là một danh sách các thực thể với trọng số là số lần xuất hiện của nó trong văn bản. Bước 2: Lựa chọn các thực thể có trọng số cao để lưu trữ. Những thực thể được nhận định là liên quan nhiều hơn tới nội dung của văn bản nếu nó được nhắc tới hơn một số lần nào đó, bước này thực hiện lọc bớt các thực thể xuất hiện quá ít (nhỏ hơn một ngưỡng). Các thực thể được lưu trữ như biểu diễn một phần giá trị của tin tức. 32
3.3.2. Pha tư vấn trực tuyến Input: Tập Url lưu trong phiên duyệt web. Output: Tập các tin tức tư vấn. Pha tiền xử lý tập Url trong phiên. o Đưa các Url về một chuẩn thống nhất, xác định các tin tức trong phiên. Pha phân tích mối quan tâm người dùng. o Xác định tin tức trong phiên và các chủ đề tương ứng. o Phân tích chủ đề ẩn phổ biến. o Xác định tập thực thể liên quan trong phiên. Pha xác định các tin tức tư vấn. o Lọc ra danh sách các tin có cùng chủ đề phổ biến ẩn. o Xếp hạng lại các tin có liên quan đến nhiều thực thể. Tập url các tin Tập các tin tức tức trong phiên trong phiên với các chủ đề ẩn. Truy vấn 1 Truy vấn 2 Tiền xử lý CSDL tin Thống kê các chủ tức đề phổ biến Truy vấn 3 Các tin tức có chủ Các thực thể người đề là chủ đề phổ dùng quan tâm biến. trong phiên Xếp hạng lại các tin tức Top các tin tức giành cho tư vấn Hình 13. Mô hình pha tư vấn trực tuyến. 33
Tiền xử lý dữ liệu Các Url lưu trong phiên người dùng được đưa về dạng chuẩn và thống nhất. Loại bỏ các Url không tương ứng với một tin tức chi tiết. Đưa các Url về dạng chuẩn, loại bỏ các tham số thừa. Ví dụ: www.bestnews4u.com?newsid=20#top www.bestnews4u.com?newsid=20 Loại bỏ các Url trùng lặp. Lọc lấy trường định danh tin tức (newsid) trong các địa chỉ Url. Phân tích sở thích người dùng Như đã trình bày trong chương 3, sở thích người dùng có thể được xác định thông qua các chủ đề phổ biến và các thực thể. Để nâng cao tốc độ đáp ứng, các phân tích về chủ đề và thực thể cho từng tin tức đã được thực hiện trong pha phân tích dữ liệu tư vấn. Vì vậy, sở thích người dùng có thể trực tiếp trích xuất từ cơ sở dữ liệu. Một cách hình thức, công việc này gồm ba bước: Bước 1. Trích xuất từ cơ sở dữ liệu các tin tức trong phiên và các chủ đề tương ứng. (truy vấn 1 như minh họa hình 14) . Bước 2. Thống kê các chủ đề ẩn phổ biến: Từ dữ liệu thu được ở bước 1, hệ thống thống kê các chủ đề xuất hiện lặp lại trên các tin tức. Trong thực tế, khi số lượng các tin tức trong phiên còn ít, chưa có sự chồng lấn về chủ đề hay các tin tức có thể nằm ở những chủ đề riêng rẽ. Do vậy, hệ thống chưa thể xác định được chủ đề nào được quan tâm phổ biến, giải pháp cho tình huống này là lựa chọn các chủ đề của tin tức gần nhất được người dùng truy cập. Trong các trường hợp còn lại, một ngưỡng nào đó được sử dụng để xác định tính phổ biến của chủ đề. Bước 3. Xác định tập thực thể trong các tin tức thuộc các chủ đề ẩn phổ biến: Mỗi tin tức có nội dung liên quan đến một tập hợp các thực thể. Sau khi đã xác định được các chủ đề phổ biến, cần có một phương pháp xác định thực thể vừa thuộc vào các tin tức vừa thuộc phiên truy cập, vừa liên quan đến chủ đề phổ biến 34
(có thể có những tin tức không thuộc về chủ đề phổ biến). Vì vậy, truy vấn thực hiện trích xuất các thực thể cần thỏa mãn hai ràng buộc (truy vấn 2 như minh họa hình 14): o Thuộc vào các tin tức trong phiên. o Thuộc vào các tin tức có chủ đề là chủ đề phổ biến. Tư vấn tin tức Giai đoạn cuối cùng của tiến trình tư vấn là tìm ra những tin tức phù hợp nhất với sở thích người dùng. Vì vậy, sự tư vấn có thể đạt được theo hai bước sau: Bước 1: Xác định các tin tức ứng viên từ tập các tin tức có thể tin vấn. Hệ thống lọc ra các tin tức thuộc vào cùng chủ đề với mối quan tâm người dùng, thông qua đối sánh chủ đề ẩn của các tin tức trong cơ sở dữ liệu và chủ đề ẩn được phân tích là được người dùng quan tâm phổ biến (truy vấn 3 minh họa hình 14). Bước 2: Xếp hạng lại các tin tức. Kết quả của bước 1 là một lớp các tin tức có thể người dùng quan tâm ở mức chủ đề, có thể có quá nhiều tin tức như vậy, do vậy cần có một giải pháp xếp hạng lại các tin tức này. Một giải pháp có thể triển khai dựa trên ý tưởng một phần tiêu chí ra quyết định của người dùng phụ thuộc ở việc xem xét tin tức đó có liên quan đến các thực thể đang được họ quan tâm hay không. Từ tập thực thể của các tin tức tư vấn tiềm năng, hạng của một tin tức được xác định bằng số thực thể nó đề cập tới thuộc vào danh sách các thực thể người dùng quan tâm trong phiên duyệt web đã được phân tích trong pha trước. Bước 3: Tư vấn top các tin tức xếp hạng cao nhất. Quá trình xếp hạng cho ra một danh sách các tin tức được sắp xếp theo thứ tự giảm dần về mức độ liên quan tới các thực thể người dùng đang quan tâm. Bước này, hệ thống chọn ra N tin tức tiềm năng nhất để tư vấn tới người đọc. 35
3.4. Đánh giá kết quả tư vấn. Việc đánh giá chất lượng của tin tức tư vấn trả về bởi hệ thống là một bài toán khó, vì không có một độ đo ngữ nghĩa đánh giá chính xác được sự phù hợp giữa người dùng và tin tức hệ thống trả lại. Herlocker [18] đưa ra hai nguyên nhân chủ yếu dẫn tới việc đánh giá các hệ thống tư vấn là khó khăn. Nguyên nhân đầu tiên là chất lượng của hệ tư vấn phụ thuộc vào tập dữ liệu sử dụng. Một hệ tư vấn tin tức có mô hình tốt chưa chắc đã tư vấn tốt hơn một hệ tư vấn có dữ liệu tốt (như một cơ sở dữ liệu tin tức phong phú). Nguyên nhân thứ hai là việc đánh giá hệ tư vấn có thể hướng tới các mục tiêu khác nhau. Trong một số hệ thống, các đánh giá có thể dựa trên số lần tư vấn dẫn đến quyết định đúng và sai. Trong một số khác, các đánh giá có thể dựa trên xem xét người dùng hài lòng hoặc không hài lòng đối với các kết quả tư vấn. Do các nguyên nhân này, để đánh giá tính đúng đắn của mô hình tư vấn đã được đề xuất, chúng tôi chủ yếu dựa vào việc thu thập ý kiến người sử dụng về kết quả tư vấn. Bên cạnh đó, dựa vào kết quả nghiên cứu về phân tích sở thích của người sử dụng thông qua lịch sử trình duyệt (history browser) được chúng tôi đề xuất trong công trình nghiên cứu sinh viên 2010 [1], chúng tôi đưa ra một phương pháp đánh giá tự động mô hình phân tích sở thích dựa vào sự tương đồng giữa sở thích nổi trội trong phiên duyệt web với sở thích nổi trội của lịch sử duyệt web của người sử dụng trong cùng một thời điểm. Phương pháp đánh giá này sẽ xem xét sự tương đồng giữa sở thích của người sử dụng trên nhiều trang và sở thích người sử dụng trên hệ thống để đưa ra sự đánh giá. Chúng tôi so sánh 2 loại sở thích trên bằng cách lấy 3 chủ đề ẩn phổ biến nhất của 2 loại sở thích ra làm đại diện, nếu giữa chúng có sự xuất hiện của 1 chủ đề cụ thể nào thì xem như chúng tương đồng. Kết quả đánh giá sẽ được thể hiện trong phần tiếp theo. 36
Chương 4: Thực nghiệm và đánh giá 4.1. Môi trường thực nghiệm Bảng 5. Môi trường thực nghiệm. Thành phần Thông số CPU Core 2 Duo 2.0 GHz RAM 2 GB HDD 320 GB OS Windows 7 Ultimate 4.2. Dữ liệu và công cụ 4.2.1. Dữ liệu Dữ liệu tư vấn Để xây dựng bộ dữ liệu tư vấn của hệ thống, chúng tôi thu thập dữ liệu từ 3 trang web là: Dantri, Vnexpress, 24h. Sau quá trình tiến hành tiền xử lý như bóc tách lấy nội dung chính của tin tức, chúng tôi thu được 4333 tin : 2060 tin trên website Dantri.com.vn 1291 tin trên website Vnexpress.net 982 tin trên website 24h.com.vn Dữ liệu phiên duyệt web của người sử dụng Chúng tôi tiến hành thu thập 30 phiên duyệt web của 30 người sử dụng trên các website Dantri và Vnexpress thông qua việc phân tích các history. Dữ liệu lịch sử trình duyệt của người sử dụng Thu thập 30 dữ liệu lịch sử trình duyệt (history browser) của chính nhưng người sử dụng ở trên có thời gian trong khoảng 15 phút trước và sau của 30 phiên duyệt web đã lấy. 37
4.2.2. Công cụ Bảng 6. Công cụ. Công cụ Mô tả SessionRecommendation Tác giả: Uông Huy Long Mô tả: Bộ công cụ phân tích sở thích duyệt web của người sử dụng thông qua Session và tư vấn tin tức dựa trên sở thích đã được phân tích JGibbLDA Tác giả: Nguyễn Cẩm Tú và Phan Xuân Hiếu Mô tả: Công cụ phân tích chủ đề ẩn cho tài liệu viết trên nền Java Website: VutmDic Tác giả: Trần Mai Vũ Mô tả: Bộ từ điển thực thể gồm 6479 thực thể thuộc 4 loại thực thể: địa danh trong nước, địa danh nước ngoài, tên người, tên tổ chức. Vnexpress 100topics Tác giả: Nguyễn Cẩm Tú và Phan Xuân Hiếu Mô tả: Bộ dữ liệu 100 chủ đề ẩn được phân tích từ Vnexpress dùng để phân tích chủ đề ẩn Website: 100topics.txt Crawler4j Tác giả: Yasser Ganjisaffar Mô tả: Công cụ thu thập dữ liệu từ các website báo điện tử Website: 38
4.3. Thực nghiệm 4.3.1. Ví dụ về phân tích tin tức Danh sách các chủ đề: - Topic 86 - Topic 23 Du lịch Bắc Kinh dịp Olympic cực khó 28/07/2008 08:17 Theo các hãng lữ hành Hà Nội, - Topic 94 hiện nay nhu cầu khách đi du lịch Bắc Kinh vào thời điểm diễn ra Olympic 2008 tăng cao song các công ty không thể đáp ứng được. Vào thời điểm này, giá phòng khách sạn tại Bắc Kinh tăng gấp 5 lần so với trước kia, lượng xe vận chuyển khách du lịch không thể đặt được do đã được huy động phục vụ Olympic. Mặt khác, vào thời điểm này, thủ tục xin cấp visa vào Trung Quốc cũng gặp nhiều khó khăn. Do vậy, không chỉ giá tour đến Bắc Kinh tăng đột biến mà các hãng lữ hành tại Trung Quốc còn từ chối khi Danh sách các thực thể: phía Việt Nam đề nghị đưa khách sang - Bắc kinh - Hà Nội - Olympic - Trung Quốc - Việt Nam Hình 14. Biểu diễn tin tức theo chủ đề và thực thể. Bảng 7. Một số chủ đề ẩn Topic 86 Topic 23 Topic 94 du_lịch việt_nam học_sinh tour vàng quốc_tế thái_lan thể_thao em du_khách hc thi đẹp chạy tốt_nghiệp khách thế_giới giáo_viên singapore vn quốc_gia phố sea_games lớp cổ điền_kinh thpt điểm_đến vđv tổ_chức bãi_biển giành giỏi sinh_thái nội_dung kỳ_thi de_france asiad olympic 39
4.3.2. Ví dụ phân tích sở thích người dùng Các tin tức được phiên duyệt web lưu trữ được dùng để phân tích sở thích người dùng tại thời điểm hiện tại. Quá trình phân tích sẽ tiến hành như trong mô hình đề xuất ở chương 3 với 2 bước là phân tích chủ đề ẩn và nhận dạng các thực thể có trong tin tức. Ví dụ, đối với 4 url được nêu ra trong bảng dưới, hệ thống sẽ phân tích ra 3 chủ đề ẩn nổi trội trong từng tin tức và các thực thể tồn tại trong các tin tức đấy (thực thể là các từ được tô màu). Bảng 8. Ví dụ về phân tích sở thích người dùng. STT Tin tức Chủ Chủ Chủ đề 1 đề 2 đề 3 1 Url: 19 70 72 chi-20-trieu-bang-mua-benzema.htm “Quỷ đỏ” MU ưu tiên chi 20 triệu bảng mua Benzema (Dân trí) - Lo ngại về hàng tấn công phụ thuộc quá nhiều vào phong độ Wayne Rooney hiện nay, Manchester United có kế hoạch chi ra 20 triệu bảng để mua chân sút Karim Benzema trong mùa Hè này. Do sự sa sút phong độ thảm hại của tiền đạo Berbatov, hàng công của Manchester United hiện nay dựa nhiều vào phong độ của Wayne Rooney. Trước nguy cơ chân sút này bị quá tải ở mùa tới do phải thi đấu liên miên từ World Cup cho tới các chuyến du đấu, MU đang có kế hoạch lên phương án dự phòng. 2 Url: 86 78 14 thi-ngay-nghi-le.htm “Bở hơi tai” đi siêu thị ngày nghỉ lễ (Dân trí) - Chen nhau mua hàng, ngạt thở chờ tính tiền, thậm chí nhiều người phải bỏ hàng “thoát thân” Đó là tình cảnh nhiều người gặp phải khi đi siêu thị trong những ngày nghỉ lễ vừa qua. Thay vì đi du lịch, một bộ phận không nhỏ người dân ở 40
TPHCM lại vung tiền cho mua sắm trong dịp nghỉ lễ dài ngày 30/4 - 1/5 vừa qua. Đáp lại, các siêu thị cũng có nhiều chương trình khuyến mãi hấp dẫn để tạo sức hút với người dân 3 Url: 19 4 70 tuc-boi-thu-danh-hieu-ca-nhan.htm Wayne Rooney tiếp tục bội thu danh hiệu cá nhân (Dân trí) - Với phong độ chói sáng trong mùa giải năm nay, Wayne Rooney một lần nữa lại ẵm về các danh hiệu cá nhân cao quý. Mới đây anh đã đoạt thêm 2 giải thưởng Cầu thủ xuất sắc nhất do các CĐV MU và các đồng đội bình chọn. Với tỷ lệ phiếu bầu áp đảo 83% Rooney đã vượt qua các đồng đội Patrice Evra và Antonio Valencia để trở thành Cầu thủ xuất sắc nhất năm 2010 của MU (Sir Matt Busby Player of the Year). Giải thưởng do các CĐV của Quỷ đỏ khắp nơi trên thế giới bình chọn thông qua website ManUtd.com. Đây là lần thứ hai chân sút người Anh có được vinh dự này sau thành công lần đầu vào năm 2006. 4 Url: 19 39 37 mu-bao-ve-thanh-cong-carling-cup.htm Owen, Rooney giúp MU bảo vệ thành công Carling Cup (Dân trí) - Dù để Aston Villa vượt lên dẫn trước ngay đầu trận nhưng với bản lĩnh của mình, “Quỷ đỏ” đã lội ngược dòng để giành chiến thắng 2-1 nhờ hai pha lập công của Owen và Rooney, qua đó lần thứ hai liên tiếp vô địch Carling Cup. Trận chung kết tại Wembley tối nay, 28/2, diễn ra cởi mở và hấp dẫn ngay sau tiếng còi khai cuộc. Aston Villa bất ngờ mở tỷ số ngay phút 4 sau cú sút penalty thành công của James Milner. Bị dội “gáo nước lạnh” từ sớm nhưng MU không hề nao núng và nhanh chóng quân bình tỷ số chỉ sau đó 9 phút, với pha chớp thời cơ của Owen. Dù sau đó cựu tiền đạo Newcastle phải rời sân ở cuối hiệp 1 do bị đau nhưng người vào thay anh, Wayne Rooney tiếp tục hoàn thành xuất sắc nhiệm vụ. Tiền đạo đang có phong độ ghi bàn “cực khủng” này chính là tác giả bàn thắng ấn định tỷ số 2-1 ở phút 74, giúp MU đăng quang chức vô địch Carling Cup lần thứ hai liên tiếp 41
Hệ thống nhận ra điểm tương đồng chủ đề giữa các tin tức mới được đọc. Như trong ví dụ, chủ đề phổ biến là : 19 (3 lần), 70 (2 lần) (ví dụ một số từ khóa có trọng số cao trong 2 chủ đề 19 và 70 được nêu trong bảng dưới) và các thực thể nổi trội như: MU, Wayne Rooney, Newcastle, Carling Cup, Owen, Phân phối trên các từ của chủ đề 19 Phân phối trên các từ của chủ đề 70 giải 0.06996495208178817 đồng 0.07584530113531 vô_địch 0.028954524962552533 hàng 0.03834504357859601 cầu_thủ 0.025173421752977616 tiền 0.03463622689716275 đội 0.021828599682969036 triệu 0.03133950095811097 mùa 0.01935633989209313 tỷ 0.02227350462571858 bóng 0.014993528496429764 chiếm 0.011765190694991037 vòng 0.014266393263819203 lừa 0.008674510127129994 trận 0.011503279379899072 trăm 0.008262419384748521 hạng 0.011212425286854849 chục 0.006614056415222632 bóng_đá 0.011212425286854849 giả 0.006408011044031896 đấu 0.010921571193810624 chiếm_đoạt 0.00620196567284116 thi_đấu 0.010485290054244287 nghìn 0.0053777841880782145 4.3.3. Tư vấn tin tức Các tin tức được xem là liên quan nếu nó thuộc vào cùng chủ đề phổ biến trong các tin tức người dùng quan tâm, ví dụ với các tin tức được liệt kê trong bảng 8. Các tin tức liên quan là các tin tức có chủ đề thuộc vào 19 hoặc 70. Hình 15. Kết quả phân tích cho thấy các thông tin liên quan đến chủ đề 19. 42
Tuy nhiên, nếu chỉ tư vấn các tin tức thuộc cùng chủ đề thì có thể có quá nhiều tin tức được lựa chọn, cần có một giải pháp để sắp xếp lại các tin tức này, khóa luận sử dụng những thực thể nằm trong các tin tức đã được xem thuộc về chủ đề được quan tâm phổ biến (như MU, Wayne Rooney, Newcastle, Carling Cup, Owen, ) để xếp hạng lại những kết quả thu được. Top N các tin tức thu được sẽ được sử dụng để đưa ra tư vấn với người dùng. Ví dụ, tin tức có thể được tư vấn. Garry Neville và 10 sự kiện đáng nhớ trong sự nghiệp ở MU - Bóng đá - Tin bên lề. Score: 4 Gary Neville, tên đầy đủ là Gary Alexander Neville, hiện nay đang là người đứng thứ 5 trong danh sách những cầu thủ khoác áo nhiều nhất của MU với 597 trận đấu trên tất cả các đấu trường. Xếp trên anh là Paul Scholes với 641 lần ra sân và Ryan Giggs đang là người dẫn đầu danh sách này với 836 lần. Neville cũng là 1 trong 9 cầu thủ trong top hơn 500 lần xuất hiện trong màu áo đỏ của MU. Neville là sản phẩm của lò đào tạo trẻ MU những năm 90 và đã có vinh dự được đeo băng đội trưởng trong đội hình Manchester United đoạt cúp vô địch FA dành cho các đội trẻ năm 1992. Mùa bóng đó chứng kiến sự ra đời của lứa cầu thủ tài năng như David Beckham, Ryan 4.4. Kết quả thực nghiệm và đánh giá Chúng tôi tiến hành đánh giá độ chính xác của mô hình dựa vào 2 phương pháp đánh giá đã được nêu ở mục 3.4: Đánh giá mô hình phân tích sở thích dựa vào tính tương đồng chủ đề giữa mối quan tâm người dùng nhận ra từ lịch sử duyệt web lưu trong máy khách và mối quan tâm người dùng nhận ra từ phiên duyệt web lưu tại máy chủ. Đánh giá độ chính xác của mô hình dựa vào đánh giá của người sử dụng: thống kê các đánh giá trực tiếp của người dùng qua việc kiểm tra thông tin tư vấn là phù hợp hay không phù hợp. Kết quả đo độ chính xác là độ chính xác trung bình tính trên 30 người sử dụng. 43
Bảng 9. Đánh giá mô hình phân tích sở thích. Độ chính xác của chủ đề với mối quan Chủ đề tâm người dùng Chủ đề đứng đầu 85% Chủ đề đứng thứ hai 79% Chủ đề đứng thứ ba 72% Chủ đề đứng thứ tư 66% Chủ đề đứng thứ năm 57% Kết quả so sánh độ tương đồng chủ đề giữa phiên duyệt web và các trang web người dùng truy cập trước và sau phiên duyệt web cho thấy những phân tích về mối quan tâm người dùng có thể sử dụng để tổng hợp các mối quan tâm hiện tại và dự đoán các tin tức có thể được người dùng ưa thích trong tương lai. Bảng 10. Độ chính xác của mô hình dựa vào đánh giá của người sử dụng. Số lượng các tin tức Độ chính xác của 1 Độ chính xác của 3 Độ chính xác của 5 người dùng đã duyệt kết quả tư vấn kết quả tư vấn kết quả tư vấn qua 1 tin tức 70% 68.3% 65.2% 3 tin tức 76.7% 64.3% 66.4% 5 tin tức 83.3% 79.4% 76.5% 7 tin tức 56.7% 43.7% 42% Từ các số liệu bảng 10, có thể đưa ra các kết luận sau: Kết quả tư vấn đạt tốt nhất ở trường hợp phiên duyệt web lưu trữ 5 tin tức. Các trường hợp phiên duyệt web lưu trữ 1 và 3 tin tức hiệu quả thấp hơn là vì đôi khi người dùng quan tâm đến các tin tức thuộc các lĩnh vực hoàn toàn độc lập, chưa xuất hiện tính phổ biến trong các chủ đề được phân tích. Ở trường hợp còn lại khi số tin tức lưu trong phiên là 7, nhiễu do một số chủ đề ít được quan tâm trong các tin tức cũ tăng lên. Vì hệ thống chỉ xác định các chủ đề phổ biến mà chưa quan tâm tới trọng số của mỗi chủ đề, trong một số 44
trường hợp, những chủ đề ít được quan tâm trở thành phổ biến, làm giảm độ chính xác của mô hình. Nhìn chung, độ chính xác của mô hình tư vấn giảm dần theo số lượng các tin tức được tư vấn. Tuy nhiên việc đưa ra nhiều tư vấn cung cấp cho người dùng nhiều lựa chọn hơn. 45
Kết luận Các hệ thống tư vấn đã nhận được nhiều quan tâm từ cộng đồng nghiên cứu và các tổ chức kinh tế vì những đóng góp của nó trong giải quyết vấn đề tràn ngập thông tin và cung cấp các dịch vụ hướng cá nhân. Tuy nhiên, đối với lĩnh vực tư vấn tin tức, các hướng tiếp cận hiện nay vẫn còn nhiều vấn đề cần giải quyết. Nắm bắt được nhu cầu đó, khóa luận tiến hành nghiên cứu, khảo sát một số hướng tiếp cận giải quyết bài toán tư vấn đã có. Sau đó, dựa trên các khảo sát này, khóa luận đề xuất một giải pháp tư vấn cho các hệ thống cung cấp tin tức. Các kết quả chính đạt được Khóa luận đã tìm hiểu các khái niệm, thuật ngữ, kĩ thuật liên quan đến các hệ thống tư vấn. Dựa vào khảo sát các đặc trưng của tư vấn tin tức, phân tích ưu nhược điểm của các phương pháp xây dựng hai thành phần chính của hệ tư vấn là mô hình sở thích người dùng và các thuật toán tư vấn, khóa luận đề xuất một giải pháp tư vấn tin tức dựa trên khai phá ngữ cảnh sử dụng hiện tại của người dùng. Trong đó, hệ thống thực thi một thuật toán tư vấn dựa trên phân tích chủ đề ẩn và các thực thể trong nội dung của những tin tức người dùng vừa truy cập (hướng tiếp cận dựa trên nội dung). Hướng tiếp cận này có nhiều tiềm năng và đã được chứng minh thông qua một số số liệu thống kê kết quả ban đầu. Một số vấn đề cần tiếp tục giải quyết Tuy mô hình đã bước đầu đạt được một số kết quả khả quan, nhưng vẫn còn tồn tại nhiều vấn đề cần giải quyết. Đầu tiên, vì chưa có các độ đo ngữ nghĩa cho các hệ thống tư vấn tương tự, các đánh giá chủ yếu dựa trên các nhận định chủ quan về tính phù hợp hay không phù hợp của kết quả tư vấn. Thêm vào đó, hạn chế về số lượng và chất lượng của kho dữ liệu tin tức cũng ảnh hưởng xấu đến chất lượng của sự tư vấn. Cuối cùng, do hệ thống sử dụng dữ liệu từ phiên duyệt web người dùng, kết quả tư vấn khi người dùng mới truy cập một vài tin tức đầu còn chưa cao. 46
Hướng nghiên cứu tiếp theo Trong thời gian tới, ngoài việc tiếp tục giải quyết các vấn đề còn tồn tại, chúng tôi định hướng một số nghiên cứu tiếp theo: - Nghiên cứu thêm về các yếu tố ngữ cảnh và ảnh hưởng của chúng đến quyết định của người dùng. - Nghiên cứu các hướng áp dụng của giải pháp mở rộng thông tin ngữ cảnh người dùng như cung cấp các thông tin quảng cáo phù hợp với ngữ cảnh sử dụng. 47
Tài liệu tham khảo Tiếng Việt [1] Uông Huy Long, Nguyễn Đạo Thái, Trần Xuân Tứ. Mô hình tư vấn dựa trên việc phân tích chủ đề ẩn sự quan tâm của người dùng, Công trình sinh viên nghiên cứu khoa học, Đại học Công Nghệ, ĐHQGHN, 2009. Tiếng Anh [2] G.Adomavicius, A.Tuzhilin. Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Possible Extensions, IEEE Transactions on Knowledge and Data Engineering, 2005. [3] Aho, Alfred V.; Margaret J. Corasick. "Efficient string matching: An aid to bibliographic search". Communications of the ACM 18 (6): 333–340, June 1975. [4] Ansari, A., S. Essegaier, and R. Kohli. Internet recommendations systems. Journal of Marketing Research, pages 363-375, 2000. [5] Basu, C., H. Hirsh, and W. Cohen. Recommendation as classification: Using social and content-based information in recommendation. In Recommender Systems. Papers from 1998 Workshop. Technical Report WS-98-08. AAAI Press, 1998. [6] Balabanovic, M. and Y. Shoham. Fab: Content-based, collaborative recommendation. Communications of the ACM, 40(3):66-72, 1997. [7] Bamshad Mobasher: Data Mining for Web Personalization. The Adaptive Web 2007:90-135. [8] Belkin, N.J., Croft, W.B.: Information ﬁltering and information retrieval: two sides of the same coin?. Communications of the ACM 35(12), 29–38 (1992). [9] Billsus, D. and M. Pazzani. Learning collaborative information filters. In International Conference on Machine Learning, Morgan Kaufmann Publishers, 48
1998. [10] Breese, J. S., D. Heckerman, and C. Kadie. Empirical analysis of predictive algorithms for collaborative filtering. In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, Madison, WI, 1998. [11] Burke, R. Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction 12, 4 (Nov. 2002), 331-370. [12] Chen, L., Sycara, K.: A Personal Agent for Browsing and Searching. In: Proceedings of the 2nd International Conference on Autonomous Agents, Minneapolis/St. Paul, May 9-13, (1998) 132-139. [13] David M. Blei, Andrew Y. Ng, Michael I. Jordan: Latent Dirichlet Allocation. Journal of Machine Learning Research (JMLR) 3:993-1022 (2003). [14] Gauch, S., Speretta, M., Chandramouli, A., Micarelli, A. User profiles for personalized information access, In: Brusilovsky, P., Kobsa, A., and Neidl, W., Eds. The Adaptive Web: Methods and Strategies of Web Personalization. Springer- Verlag, Berlin Heidelberg New York, 2007, 54-89. [15] Gentili, G., Micarelli, A., Sciarrone, F.: Infoweb: An Adaptive Information Filtering System for the Cultural Heritage Domain. Applied Artificial Intelligence 17(8-9) (2003) 715-744. [16] Guarino, N., Masolo, C., Vetere, G.: OntoSeek: Content-Based Access to the Web. IEEE Intelligent Systems, May 14(3) (1999) 70-80. [17] Heinrich, G., “Parameter Estimation for Text Analysis”, Technical Report. [18] Herlocker, .L., Konstan, J.A., Terveen, L.G., Riedl, J.T.: Evaluating Collaborative Filtering Recommender Systems. ACM Transactionson Information Systems 22(1), 5–53(2004). [19] Thomas Hofmann. Probabilistic latent semantic indexing. In Proceedings of 49
SIGIR-99, (1999) 35–44. [20] Kelly, D., Teevan, J.: Implicit feedback for inferring user preference: a bibliography. ACM SIGIR Forum 37(2) (2003) 18-28. [21] Le Dieu Thu. Online context advertising, Undergraduate Thesis, College of Technology, Vietnam National University, Hanoi, 2008. [22] Nguyen Cam Tu. Hidden Topic Discovery toward Classification and Clustering in Vietnamese Web Documents, Master Thesis, College of Technology, Vietnam National University, Hanoi, 2008. [23] Pazzani, M., Muramatsu, J., Billsus, D.: Syskill & Webert: Identifying Interesting Web Sites. In: Proceedings of the 13th National Conference On Artificial Intelligence Portland, Oregon, August 4–8 (1996) 54-61. [24] Pretschner, A.: Ontology Based Personalized Search. Master’s thesis. University of Kan- sas, June (1999). [25] Popescul, A., L. H. Ungar, D. M. Pennock, and S. Lawrence. Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse- Data Environments. In Proc. of the 17th Conf. on Uncertainty in Artificial Intelligence, Seattle, WA, 2001. [26] R.Baeza, F.Silvestri. Web Query Log Mining, ACM SIGIR Conference tutorial, 2009. [27] G. Salton, A. Wong, C.S. Yang. A Vector Space Model for Automatic Indexing, Communication of the ACM, 18 (11), 1975. [28] Sieg, A., Mobasher, B., Burke, R.: Inferring users information context: Integrating user profiles and concept hierarchies. In: 2004 Meeting of the International Federation of Classification Societies, IFCS, Chicago, July (2004). [29] Soboroff, I. and C. Nicholas. Combining content and collaboration in 50
text filtering. In 43 IJCAI'99 Workshop: Machine Learning for Information Filtering, 1999. [30] The Open Directory Project (ODP), [31] Widyantoro, D.H., Yin, J., El Nasr, M., Yang, L., Zacchi, A., Yen, J.: Alipes: A Swift Messenger In Cyberspace. In: Proc. 1999 AAAI Spring Symposium Workshop on Intelli- gent Agents in Cyberspace, Stanford, March 22-24 (1999) 62-67. 51