- MỘT PHƯƠNG PHÁP TƯ VẤN CỘNG TÁC THEO NGỮ CẢNH. - Trong bài báo này, chúng tôi đề xuất một phương pháp lọc cộng tác theo ngữ cảnh sử dụng sản phẩm của mỗi người dùng. - Trên cơ sở biểu diễn đồ thị cho hệ tư vấn cộng tác theo ngữ cảnh, chúng tôi xây dựng mô hình dự đoán mức độ phù hợp của sản phẩm với người dùng trong từng tình huống ngữ cảnh cụ thể. - Lọc cộng tác dựa vào ngữ cảnh (Context-aware collaborative filtering - CACF). - Ngữ cảnh (Context). - Mô hình hóa ngữ cảnh dựa trên đồ thị (Graph- based contextual modeling).. - Ví dụ một số hệ tƣ vấn dựa trên ngữ cảnh nhƣ hệ tƣ vấn địa điểm du lịch [3], thức ăn [4], phim ảnh [5].. - Chính vì vậy, yếu tố ngữ cảnh đƣợc nghiên cứu rộng rãi trong lĩnh vực hệ tƣ vấn. - Chẳng hạn đối với hệ tƣ vấn du lịch, yếu tố ngữ cảnh có thể là thời gian (buổi trong ngày, thời gian trong tuần, mùa), bạn đồng hành (một mình, gia đình, bạn bè). - Hệ tƣ vấn sẽ đóng vai trò ghi nhớ lại sở thích của ngƣời dùng theo ngữ cảnh để đƣa ra những gợi ý chính xác nhất.. - Trong bài báo này, chúng tôi đề xuất một phƣơng pháp tƣ vấn cộng tác theo ngữ cảnh mới, lấy phƣơng pháp lọc cộng tác là cơ sở để thực hiện quá trình huấn luyện dữ liệu. - Phƣơng pháp đƣợc tiến hành bằng cách biểu diễn tất cả mối quan hệ giữa các ngƣời dùng, sản phẩm và ngữ cảnh trên cùng một mô hình đồ thị hợp nhất. - Trên cơ sở biểu diễn đồ thị cho hệ tƣ vấn cộng tác theo ngữ cảnh, chúng tôi xây dựng mô hình dự đoán mức độ phù hợp của sản phẩm với ngƣời dùng trong từng điều kiện ngữ cảnh cụ thể. - Để trọng tâm vào phƣơng pháp đề xuất, phần II chúng tôi trình bày bài toán lọc cộng tác theo ngữ cảnh. - Tiếp đến là phƣơng pháp đề xuất về lọc cộng tác theo ngữ cảnh trên đồ thị trong phần III. - BÀI TOÁN TƢ VẤN CỘNG TÁC THEO NGỮ CẢNH (CONTEXT-AWARE COLLABORATIVE FILTERING - CACF). - Khi đó bài toán tƣ vấn cộng tác tích hợp yếu tố ngữ cảnh lúc này sẽ có dạng ma trận đánh giá đa chiều nhƣ sau:. - p M } là tập gồm M sản phẩm và K chiều ngữ cảnh C 1 , C 2. - C K , mỗi chiều ngữ cảnh có tƣơng ứng điều kiện ngữ cảnh.. - Nhiệm vụ của hệ tƣ vấn cộng tác theo ngữ cảnh là dự đoán đánh giá và đƣa ra tƣ vấn các sản phẩm mới cho ngƣời dùng trong tình huống ngữ cảnh cụ thể.. - kèm thông tin về các chiều ngữ cảnh nhƣ sau:. - Ma trận đánh giá đa chiều của lọc cộng tác theo ngữ cảnh. - chiều ngữ cảnh “Location” có 2 điều kiện ngữ cảnh (“Home”,. - chiều ngữ cảnh “Companion” có 3 điều kiện ngữ cảnh (“Kids”,”Family”,”Partner. - Có một số phƣơng pháp đề xuất khác nhau để giải quyết bài toán tƣ vấn cộng tác theo ngữ cảnh. - Các phƣơng pháp này thuộc ba hƣớng: (i) lọc trƣớc ngữ cảnh, (ii) lọc sau ngữ cảnh và (iii) mô hình hóa dựa vào ngữ cảnh.. - Hƣớng thứ hai để giải quyết bài toán tƣ vấn cộng tác theo ngữ cảnh là lọc sau ngữ cảnh (ii). - Nhƣ vậy các phƣơng pháp tƣ vấn cộng tác theo ngữ cảnh thuộc hƣớng lọc sau ngữ cảnh cũng có thể áp dụng các phƣơng pháp tƣ vấn cộng tác truyền thống nhƣ (i).. - Hƣớng thứ ba để giải quyết bài toán tƣ vấn cộng tác theo ngữ cảnh là mô hình hóa dựa vào ngữ cảnh (iii). - Với hƣớng tiếp cận này, một số thuật toán lọc cộng tác cho hệ tƣ vấn cộng tác theo ngữ cảnh đƣợc đƣa ra có độ phức tạp hơn các phƣơng pháp lọc cộng tác truyền thống. - Tensor Decomposition [12] là một phƣơng pháp điển hình thuộc nhóm phƣơng pháp mô hình hóa ngữ cảnh độc lập. - điều chỉnh đánh giá của ngƣời dùng cho sản phẩm trong một tình huống ngữ cảnh cụ thể. - để tính toán mức độ chênh lệch hoặc tƣơng tự giữa các tình huống ngữ cảnh. - Một hƣớng tiếp cận khác để tích hợp ngữ cảnh vào hệ tƣ vấn cộng tác là dựa trên mô hình đồ thị. - đề xuất một hệ tƣ vấn theo ngữ cảnh dựa trên một mô hình đồ thị cộng tác cho các chƣơng trình trên ti vi. - Bahramian và các cộng sự [19] đề xuất hệ tƣ vấn các địa điểm du lịch theo ngữ cảnh dựa trên một mô hình kích hoạt lan truyền. - Để giảm thiểu những hạn chế nêu trên, chúng tôi đề xuất một phƣơng pháp tƣ vấn cộng tác theo ngữ cảnh mới dựa trên mô hình đồ thị hợp nhất, để thực hiện huấn luyện và dự đoán mức độ phù hợp của sản phẩm với ngƣời dùng trong từng tình huống ngữ cảnh cụ thể. - ĐỀ XUẤT PHƢƠNG PHÁP TÍNH MỨC ĐỘ PHÙ HỢP CỦA SẢN PHẨM VỚI NGƢỜI DÙNG TRONG TÌNH HUỐNG NGỮ CẢNH CỤ THỂ DỰA TRÊN MÔ HÌNH ĐỒ THỊ. - Tiếp đến chúng tôi đề xuất phƣơng pháp xác định mức độ phù hợp của sản phẩm với ngƣời dùng trong tình huống ngữ cảnh cụ thể theo các kỹ thuật kích hoạt lan truyền trên đồ thị hợp nhất. - Đây là bƣớc cơ sở quan trọng quyết định hiệu quả của các phƣơng pháp tƣ vấn cộng tác theo ngữ cảnh. - Phƣơng pháp đề xuất đã cho lại kết quả dự đoán tốt hơn so với các phƣơng pháp tƣ vấn cộng tác theo ngữ cảnh cơ sở.. - Phƣơng pháp biểu diễn đồ thị cho hệ tƣ vấn cộng tác theo ngữ cảnh. - C K , mỗi chiều ngữ cảnh có tƣơng ứng điều kiện ngữ cảnh. - Ma trận đánh giá đa chiều R=(r itx ) thể hiện đánh giá của ngƣời dùng u i U với sản phẩm p x P trong từng tình huống ngữ cảnh cụ thể c t C là đầu vào của hệ tƣ vấn cộng tác theo ngữ cảnh. - Không hạn chế tính tổng quát của bài toán, ta giả sử r itx = v nếu ngƣời dùng u i U đánh giá sản phẩm p x P trong tình huống ngữ cảnh c t C với mức độ v, trong đó v [0, 1].. - Nếu người dùng i thích sản phẩm x trong tình huống ngữ cảnh t ở mức độ v (0 ≤ v ≤ 1).. - Mục đích của việc chuyển đổi r ixt [0,1] để sử dụng trong phƣơng pháp tính toán mức độ phù hợp giữa ngƣời dùng với sản phẩm trong một tình huống ngữ cảnh. - Ma trận đánh giá chuyển đổi của lọc cộng tác theo ngữ cảnh User Item Rating Context Situation. - Tập đỉnh V của đồ thị đƣợc chia thành ba tập: tập ngƣời dùng, tập sản phẩm và tập tình huống ngữ cảnh (V=U P C). - Biểu diễn trên đồ thị r itx chính là trọng số đƣờng đi có độ dài 2 từ ngƣời dùng i qua tình huống ngữ cảnh t tới sản phẩm x. - Trọng số đƣờng đi có độ dài 2 từ ngƣời dùng i qua tình huống ngữ cảnh t tới sản phẩm x này sẽ đƣợc tính bằng tích trọng số của các cạnh tƣơng ứng. - để đảm bảo cân bằng trọng số đƣờng đi từ đỉnh ngƣời dùng tới đỉnh tình huống ngữ cảnh và đỉnh tình huống ngữ cảnh tới đỉnh sản phẩm. - Cách tính tƣơng tự với trọng số đƣờng đi từ đỉnh tình huống ngữ cảnh tới đỉnh sản phẩm.. - Ví dụ với hệ lọc cộng tác theo ngữ cảnh cho trong Bảng 2 thì mô hình đồ thị G = <V,E>. - Đồ thị biểu diễn cho lọc cộng tác theo ngữ cảnh. - Trên cơ sở biểu diễn đồ thị cho lọc cộng tác theo ngữ cảnh, chúng tôi đề xuất phƣơng pháp tính mức độ phù hợp của sản phẩm với ngƣời dùng trong tình huống ngữ cảnh cụ thể. - Phƣơng pháp đề xuất cho phép khai thác tất cả những mối quan hệ trực tiếp và gián tiếp từ ngƣời dùng i tới sản phẩm p trong tình huống ngữ cảnh c trên mô hình đồ thị để giải quyết vấn đề thƣa dữ liệu và nâng cao hiệu quả dự đoán của hệ tƣ vấn cộng tác theo ngữ cảnh. - Mức độ phù hợp của sản phẩm với ngƣời dùng trong tình huống ngữ cảnh cụ thể. - Tổng quát, mức độ phù hợp của ngƣời dùng u i với sản phẩm p x trong điều kiện ngữ cảnh c t trên đồ thị đƣợc ƣớc lƣợng bằng tổng các trọng số của tất cả các đƣờng đi có độ dài chẵn L (L=2,4,6. - Khi đó, bài toán dự đoán đánh giá cho hệ tƣ vấn cộng tác theo ngữ cảnh chính là bài toán tìm kiếm đƣờng đi từ ngƣời dùng u i qua c t tới p x trên mô hình đồ thị cho trƣớc. - Với dữ liệu đầu vào là ma trận W(N K) đƣợc xác định theo công thức (5) thể hiện mối quan hệ giữa ngƣời dùng với tình huống ngữ cảnh, ma trận W(K M) đƣợc xác định theo công thức (6) thể hiện mối quan hệ giữa tình huống ngữ cảnh và sản phẩm. - Theo công thức (7), (8) chúng ta đã xác định mức độ phù hợp của ngƣời dùng u i với sản phẩm p x trong điều kiện ngữ cảnh c t . - Trên cơ sở các công thức đƣa ra ở trên, chúng tôi đề xuất thuật toán tƣ vấn cộng tác theo ngữ cảnh dựa trên mô hình đồ thị (CACF_Graph) đƣợc miêu tả chi tiết trong Hình 2.. - Ma trận đánh giá đa chiều cho lọc cộng tác theo ngữ cảnh.. - t (C 1 x…x C n ) là tình huống ngữ cảnh của người dùng hiện thời.. - Tư vấn K sản phẩm x P có mức độ phù hợp cao nhất cho người dùng hiện thời i U trong tình huống ngữ cảnh t C. - Tính toán mức độ phù hợp của người dùng i U với các sản phẩm x P trong điều kiện ngữ cảnh t C theo công thức (8):. - Để giải quyết vấn đề này, chúng tôi tiến hành áp dụng thuật toán kích hoạt lan truyền trên đồ thị để tính toán mức độ phù hợp của ngƣời dùng với sản phẩm trong tình huống ngữ cảnh cụ thể. - Bộ dữ liệu DepaulMovie chứa 5043 đánh giá từ 97 ngƣời dùng cho 79 phim trong các tình huống ngữ cảnh khác nhau. - Bộ dữ liệu này có 3 chiều ngữ cảnh là Time, Location, Companion. - Chiều ngữ cảnh Time có 2 điều kiện ngữ cảnh (“Weekend”, “Weekday. - chiều ngữ cảnh Location có 2 điều kiện ngữ cảnh (“Home”, “Cinema. - chiều ngữ cảnh Companion có 3 điều kiện ngữ cảnh (“Alone”, “Family”, “Partner. - Bộ dữ liệu MovieLense 100K chứa 100000 đánh giá từ 973 ngƣời dùng, 1682 phim trong các tình huống ngữ cảnh khác nhau. - Bộ dữ liệu này có 2 chiều ngữ cảnh là TimeOfDay, TimeOfWeek. - Chiều ngữ cảnh TimeOfDay có 5 điều kiện ngữ cảnh (“Morning”, “Noon”, “Afternoon”, “Evening”, “Night. - chiều ngữ cảnh TimeOfWeek có 2 điều kiện ngữ cảnh (“Weekend”, “Weekday. - Bộ dữ liệu InCarMusic chứa 3938 đánh giá từ 1042 ngƣời dùng, 139 album trong các tình huống ngữ cảnh khác nhau. - Chiều ngữ cảnh Driving style có 2 điều kiện ngữ cảnh (“Relaxed driving”,. - chiều ngữ cảnh Road type có 3 điều kiện ngữ cảnh (“City”, “Highway”, “Serpentine. - chiều ngữ cảnh Sleepiness có 2 điều kiện ngữ cảnh (“Awake”, “Sleepy. - chiều ngữ cảnh Traffic conditions có 3 điều kiện ngữ cảnh (“Free road”, “Many Cars”, “Traffic jam. - chiều ngữ cảnh Mood có 4 điều kiện ngữ cảnh (“Active”,. - chiều ngữ cảnh Weather có 4 điều kiện ngữ cảnh (“Cloudy”, “Snowing”, “Sunny”,. - chiều ngữ cảnh Natural Phenomena có 4 điều kiện ngữ cảnh (“Day time”, “Morning”, “Night”,. - Chúng tôi tập trung vào nhóm độ đo đánh giá cho bài toán tƣ vấn Top-N sản phẩm để đánh giá hiệu quả của phƣơng pháp đề xuất trong sự so sánh với các phƣơng pháp tƣ vấn theo ngữ cảnh cơ sở. - Chúng tôi tiến hành kiểm nghiệm thuật toán đề xuất (CACF_GRAPH) trong sự so sánh với các phƣơng pháp tƣ vấn cộng tác theo ngữ cảnh cơ sở sau:. - CAMF_C (Context-aware matrix factorization-Context): Sử dụng phƣơng pháp mô hình hóa ngữ cảnh độc lập dựa trên sự chênh lệch đánh giá giữa các điều kiện ngữ cảnh.. - CAMF_CU (Context-aware matrix factorization - User base context): Sử dụng phƣơng pháp mô hình hóa ngữ cảnh độc lập dựa trên sự chênh lệch đánh giá của ngƣời dùng giữa các điều kiện ngữ cảnh.. - CAMF_CI (Context-aware matrix factorization - Item base context): Sử dụng phƣơng pháp mô hình hóa ngữ cảnh độc lập dựa trên sự chênh lệch đánh giá đối với sản phẩm giữa các điều kiện ngữ cảnh.. - CSLIM_C: Sử dụng phƣơng pháp tuyến tính thƣa SLIM kết hợp với mô hình hóa ngữ cảnh dựa vào độ lệch đánh giá.. - CSLIM_MCS (Contextual Sparse Linear Method - Multidimensional Context Similarity): Sử dụng phƣơng pháp tuyến tính thƣa SLIM kết hợp với mô hình hóa ngữ cảnh dựa trên độ tƣơng quan đa chiều.. - Kết quả kiểm nghiệm của các phƣơng pháp lọc cộng tác theo ngữ cảnh cho bộ dữ liệu DepaulMovie. - Kết quả kiểm nghiệm của các phƣơng pháp lọc cộng tác theo ngữ cảnh cho bộ dữ liệu MovieLense 100K. - Kết quả kiểm nghiệm của các phƣơng pháp lọc cộng tác theo ngữ cảnh cho bộ dữ liệu InCarMusic. - Điều đó có thể khẳng định phƣơng pháp đề xuất cho phép khai thác tất cả những mối quan hệ trực tiếp và gián tiếp từ ngƣời dùng tới sản phẩm trong các tình huống ngữ cảnh trên mô hình đồ thị để giải quyết vấn đề thƣa dữ liệu và nâng cao hiệu quả dự đoán của hệ tƣ vấn cộng tác theo ngữ cảnh.. - Bài báo đã trình bày một phƣơng pháp tiếp cận cho lọc cộng tác theo ngữ cảnh bằng mô hình đồ thị. - Trong đó, phƣơng pháp biểu diễn đồ thị đề xuất phù hợp với tất cả các bộ dữ liệu theo ngữ cảnh cho hệ tƣ vấn cộng tác theo ngữ cảnh hiện nay. - Dựa vào biểu diễn này, chúng tôi đƣa ra đề xuất phƣơng pháp dự đoán các sản phẩm phù hợp với ngƣời dùng trong điều kiện ngữ cảnh cụ thể (CARS_GRAPH). - Điều đó có thể khẳng định, phƣơng pháp tiếp cận cho lọc cộng tác theo ngữ cảnh dựa trên mô hình đồ thị cho phép khai thác tất cả những mối quan hệ trực tiếp và gián tiếp từ ngƣời dùng tới sản phẩm trong các tình huống ngữ cảnh để giải quyết vấn đề thƣa dữ liệu và nâng cao hiệu quả dự đoán của hệ tƣ vấn cộng tác theo ngữ cảnh.
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt