Chia sẻ đồ án, luận văn ngành công nghệ thông tin miễn phí
Nội quy chuyên mục: - Hiện nay có khá nhiều trang chia sẻ Tài liệu nhưng mất phí, đó là lý do Ketnooi mở ra chuyên mục Tài liệu miễn phí.

- Ai có tài liệu gì hay, hãy đăng lên đây để chia sẻ với mọi người nhé! Bạn chia sẻ hôm nay, ngày mai mọi người sẽ chia sẻ với bạn!
Cách chia sẻ, Upload tài liệu trên Ketnooi

- Những bạn nào tích cực chia sẻ tài liệu, sẽ được ưu tiên cung cấp tài liệu khi có yêu cầu.
Nhận download tài liệu miễn phí
By Kamron
#969857 Link tải luận văn miễn phí cho ae Kết nối
Luận án TS. Khoa học máy tính -- Trường Đại học Công nghệ. Đại học Quốc gia Hà Nội, 2011
Giới thiệu tổng quan về lọc thông tin, các phương pháp lọc thông tin như phương pháp lọc theo nội dung, lọc cộng tác và phương pháp lọc kết hợp. Nghiên cứu phương pháp hạn chế ảnh hưởng của vấn đề dữ liệu thưa của lọc cộng tác bằng phương pháp học đa nhiệm và phương pháp kết hợp giữa lọc cộng tác và lọc nội dung dựa trên mô hình đồ thị. Tiến hành thử nghiệm để đánh giá mức độ khả thi của các phương pháp đã đề xuất
PHẦN MỞ ĐẦU
1. Tính cấp thiết của luận án
Vấn đề quá tải thông tin (Information Overload) đƣợc J.Denning nêu ra
lần đầu tiên vào năm 1982 [49]. Với những lý lẽ và bằng chứng thuyết phục,
Denning khẳng định khả năng lựa chọn thông tin hữu ích của ngƣời dùng máy
tính sẽ gặp khó khăn nghiêm trọng bởi sự gia tăng không ngừng lƣợng thông tin
lớn đến từ hàng trăm kênh truyền hình, hàng triệu băng hình, sách, báo, tạp
chí, tài liệu thông qua các hệ thống giao dịch điện tử. Vấn đề Denning công bố
ngay lập tức đƣợc cộng đồng các nhà khoa học máy tính nhiệt tình hƣởng ứng và
tập trung nghiên cứu phƣơng pháp hạn chế ảnh hƣởng của vấn đề quá tải thông tin
đối với ngƣời dùng, thúc đẩy một lĩnh vực nghiên cứu mới đó là lọc thông tin.
Lọc thông tin (Information Filtering) là lĩnh vực nghiên cứu các quá trình
lọc bỏ những thông tin không thích hợp và cung cấp thông tin t hích hợp đến với
mỗi ngƣời dùng. Lọc thông tin đƣợc xem là phƣơng pháp hiệu quả hạn chế tình
trạng quá tải thông tin đƣợc quan tâm nhiều nhất hiện nay.
Lọc thông tin đƣợc tiếp cận theo hai xu hƣớng chính, đó là lọc dựa trên tri
thức và lọc dựa trên dữ liệu. Trong trƣờng hợp dựa vào tri thức, hệ thống thực
hiện lọc thông tin bằng cách sử dụng tập luật xây dựng trƣớc. Nhƣợc điểm của
phƣơng pháp này là để có đƣợc một tập luật đủ tốt đòi hỏi chi phí nhiều thời gian
và kinh nghiệm của chuyên gia; việc cập nhật các luật không thể thực hiện đƣợc
tự động vì nguồn dữ liệu vào thƣờng không có cấu trúc và luôn trong trạng thái
biến động. Chính vì vậy, lọc dựa trên tri thức có xu hƣớng ít đƣợc sử dụng.
Đối với các hệ thống lọc dựa trên dữ liệu, các quy tắc lọc đƣợc xây dựng từ
dữ liệu mà hệ thống thu thập đƣợc bằng các kỹ thuật thống kê hay các thuật toán
học máy. Cách tiếp cận này cho phép tự động cập nhật các quy tắc lọc và không
lệ thuộc vào tri thức chuyên gia. Hệ thống lọc dựa trên dữ liệu có khả năng thích
nghi cao và tận dụng đƣợc nguồn dữ liệu. Chính vì vậy, cách tiếp cận này đƣợc
quan tâm nghiên cứu hơn so với phƣơng pháp dựa vào tri thức.
Hệ tƣ vấn (Recommender System) là hệ thống có khả năng tự động phân
tích, phân loại, lựa chọn và cung cấp cho ngƣời dùng những thông tin, hàng hóa
hay dịch vụ mà họ quan tâm. Hệ tƣ vấn đƣợc xem nhƣ một biến thể điển hình có
vai trò quan trọng trong lọc thông tin. Nhiều hệ tƣ vấn đã đƣợc thƣơng mại hóa và
triển khai thành công, tiêu biểu là hệ tƣ vấn của các hãng Amazon.com,
Netflix.com, Procter & Gamble.
Hệ tƣ vấn đƣợc xây dựng dựa trên hai kỹ thuật lọc thông tin chính: Lọc
theo nội dung (Content-Based Filtering) và lọc cộng tác (Collaborative Filtering).
Lọc theo nội dung khai thác những khía cạnh liên quan đến nội dung thông tin sản
phẩm ngƣời dùng đã từng sử dụng hay truy nhập trong quá khứ để tạo nên tƣ vấn.
Trái lại, lọc cộng tác khai thác những khía cạnh liên quan đến thói quen sử dụng
sản phẩm của cộng đồng ngƣời dùng có cùng sở thích để tạo nên tƣ vấn.
Trong quá trình nghiên cứu và ứng dụng, bên cạnh những vấn đề chung
của bài toán lọc thông tin thông thƣờng, xuất hiện một số vấn đề mang tính đặc
thù đối với thông tin tƣ vấn nhƣ tính thƣa thớt dữ liệu huấn luyện, xử lý ngƣời
dùng mới, hàng hóa mới, yêu cầu kết hợp các dạng thông tin khác nhau, làm việc
với dữ liệu kích thƣớc lớn đƣợc cập nhật thƣờng xuyên. Mặc dù đã có nhiều
nghiên cứu nhắm tới nội dung này, nhƣng đây vẫn là những vấn đề nghiên cứu
mở, có tính thời sự và thu hút sự qua tâm của cộng đồng nghiên cứu.
Đề tài ―Phát triển một số phương pháp lọc thông tin cho hệ tư vấn‖ đƣợc
thực hiện trong khuôn khổ luận án tiến sĩ chuyên ngành khoa học máy tính nhằm
góp phần giải quyết một số vấn đề còn tồn tại của lọc thông tin cho các hệ tƣ vấn.
2. Mục tiêu của luận án
Mục tiêu của luận án là nghiên cứu áp dụng, cải tiến một số kỹ thuật học
máy nhằm cải thiện độ chính xác của lọc thông tin trong các hệ tƣ vấn. Đặc biệt,
nghiên cứu tập trung vào việc nâng cao kết quả đoán nhu cầu ngƣời dùng
trong trƣờng hợp dữ liệu thƣa, cũng nhƣ trong trƣờng hợp có cả dữ liệu sở thích
ngƣời dùng và thông tin nội dung sản phẩm.
3. Các đóng góp của luận án
Đóng góp thứ nhất của luận án là đề xuất áp dụng một kỹ thuật Boosting
cải tiến cho nhiều bài toán phân loại vào lọc cộng tác [3, 81], bao gồm:
- Đề xuất phƣơng pháp giải quyết bài toán lọc cộng tác bằng kỹ thuật
Boosting dựa trên biểu diễn dữ liệu phù hợp cho bài toán phân loại của
học máy;
- Áp dụng kỹ thuật Boosting cải tiến cho nhiều bài toán phân loại bằng
phƣơng pháp học đa nhiệm dựa trên gốc quyết định (Decision Stump) cho
lọc cộng tác nhằm hạn chế ảnh hƣởng của vấn đề dữ liệu thƣa;
- Thử nghiệm và đánh giá kết quả phƣơng pháp cải tiến, đặc biệt chú trọng
đánh giá kết quả đoán trong trƣờng hợp dữ liệu thƣa của lọc cộng tác.
Hầu hết các phƣơng pháp học máy cho lọc cộng tác hiện nay đều thực hiện
những nhiệm vụ học đơn lẻ (Single Task Learning) với giả thiết dữ liệu huấn
luyện và dữ liệu kiểm tra đƣợc mô tả trong cùng một không gian các giá trị đặc
trƣng với cùng một phân bố. Khi phân bố thay đổi, tập dữ liệu huấn luyện và dữ
liệu kiểm tra phải xây dựng lại. Trên thực tế, việc làm này không phải lúc nào
cũng thực hiện đƣợc làm cho kết quả đoán các phƣơng pháp kém tin cậy.
Mặt khác, tại mỗi thời điểm, phƣơng pháp chỉ thực hiện một nhiệm vụ đơn
lẻ, kết quả của mỗi nhiệm vụ cụ thể hoàn toàn độc lập với các nhiệm vụ khác.
Chính vì vậy, phƣơng pháp tiếp cận này sẽ gặp khó khăn khi dữ liệu huấn luyện
thƣa thớt. Để giải quyết vấn đề này, luận án đề xuất áp dụng phƣơng pháp học đa
nhiệm (Multi-Task Learning) cho lọc cộng tác nhằm sử dụng tập thông tin chung
giữa các nhiệm vụ học đơn lẻ. Tập thông tin chung tìm đƣợc đóng vai trò chia sẻ
và bổ sung thông tin vào quá trình huấn luyện cho mỗi ngƣời dùng khác nhau,
góp phần nâng cao kết quả đoán và hạn chế đƣợc ảnh hƣởng của tình trạng dữ
liệu thƣa trong lọc cộng tác.
Đóng góp thứ hai của luận án là đề xuất một phương pháp lọc kết hợp dựa
trên mô hình đồ thị [2, 80], bao gồm:
- Biểu diễn mối liên hệ giữa các đối tƣợng tham gia hệ thống lọc (Ngƣời
dùng, sản phẩm và nội dung sản phẩm) dựa vào mô hình đồ thị;
- Xây dựng phƣơng pháp đoán cho lọc cộng tác dựa trên mô hình đồ thị.
- Xây dựng phƣơng pháp trích chọn đặc trƣng nội dung sản phẩm dựa trên
thói quen sử dụng sản phẩm của ngƣời dùng;
- Cá nhân hóa ảnh hƣởng của các đặc trƣng nội dung đối với thói quen sử
dụng sản phẩm của ngƣời dùng;
- Áp dụng thuật toán lan truyền mạng trên đồ thị kết hợp để dự đoán, phân
bổ các sản phẩm cho mỗi ngƣời dùng;
- Thử nghiệm và đánh giá kết quả phƣơng pháp đề xuất.
Để tận dụng lợi thế của mỗi phƣơng pháp lọc, luận án đề xuất phƣơng pháp
kết hợp giữa lọc cộng tác và lọc nội dung dựa trên biểu diễn đồ thị các đối tƣợng
tham gia quá trình lọc, bao gồm: ngƣời dùng, sản phẩm, đánh giá ngƣời dùng và
nội dung sản phẩm.
Để tránh những hạn chế của các phƣơng pháp lọc kết hợp trƣớc đây (phƣơng
pháp trích chọn đặc trƣng nội dung chỉ dựa vào nội dung sản phẩm), luận án đề
xuất phƣơng pháp trích chọn đặc trƣng nội dung dựa vào thói quen ngƣời dùng
đối với sản phẩm. Dựa trên phƣơng pháp này, những đặc trƣng nội dung đƣợc
xem là quan trọng với mỗi ngƣời dùng đƣợc giữ lại để phục vụ mục tiêu dự đoán.
Việc tìm ra những đặc trƣng có ảnh hƣởng quan trọng đến thói quen ngƣời dùng
không chỉ làm giảm chi phí tính toán của phƣơng pháp (vì số lƣợng các đặc trƣng
nội dung quan trọng đối với mỗi ngƣời dùng còn lại rất ít), mà còn loại bỏ đƣợc
những đặc trƣng không ảnh hƣởng hay ảnh hƣởng không tốt đến thói quen sử
dụng sản phẩm của ngƣời dùng.
Phƣơng pháp đoán đƣợc đƣa về bài toán tìm kiếm trên đồ thị không chỉ
tận dụng đƣợc các thuật toán hiệu quả trên đồ thị mà còn tận dụng đƣợc mối liên
hệ gián tiếp giữa các đối tƣợng tham gia hệ thống.
Link Download bản DOC
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link tải, không dùng IDM để tải:

Bấm vào đây để đăng nhập và xem link!
Hình đại diện của thành viên
By thjensuit
Kết nối đề xuất:
Đọc Truyện online