- HỆ THỐNG GỢI Ý SẢN PHẨM TRONG BÁN HÀNG TRỰC TUYẾN. - Lọc cộng tác, hệ thống gợi ý. - Trong hệ thống gợi ý, lọc cộng tác là một kỹ thuật được dùng để đánh giá độ quan tâm của người dùng trên các sản phẩm mới. - Trong các hệ thống lọc cộng tác, sở thích của người dùng trên các sản phẩm mới được dự đoán dựa trên dữ liệu về sở thích của người dùng – sản phẩm (hoặc đánh giá của người dùng trên sản phẩm) trong quá khứ. - Trong bài viết này, chúng tôi giới thiệu kỹ thuật lọc cộng tác dựa trên mô hình láng giềng (mô hình lân cận) để gợi ý sản phẩm trong hệ thống bán hàng trực tuyến.. - Cuối cùng, chúng tôi xây dựng một hệ thống bán hàng trực tuyến có tích hợp kỹ thuật lọc cộng tác vào hệ thống để nó có thể gợi ý sản phẩm phù hợp cho người dùng.. - Họ khó có thể chọn ra cho mình một sản phẩm ưng ý nhất.. - Để khách hàng có thể đến và mua được một sản phẩm ưng ý thì một lời tư vấn, một sự trợ giúp là rất quan trọng. - Bằng cách xác định mục đích và nhu cầu của khách hàng, hệ thống có thể đưa ra một tập các gợi ý giúp cho người mua dễ dàng chọn lựa sản phẩm yêu thích hơn. - Thực chất, lọc cộng tác là một hình thức tư vấn tự động bằng cách dựa trên sự tương tự giữa những người dùng hoặc giữa những sản phẩm trong hệ thống và đưa ra dự đoán sự quan tâm của người dùng tới một sản phẩm, hoặc đưa ra gợi ý một sản phẩm mới cho người dùng nào đó.. - “Hệ thống Ringo (Ringo system)” (U.. - Chúng tôi tiến hành xây dựng một hệ thống bán hàng trực tuyến, từ đó tích hợp kỹ thuật gợi ý vào hệ thống để tư vấn cho khách hàng những sản phẩm họ có thể yêu thích nhất.. - Phần 5, chúng tôi xây dựng hoàn chỉnh hệ thống gợi ý sản phẩm trong bán hàng trực tuyến có tích hợp kỹ thuật lọc cộng tác được chạy trên nền web.. - Giả thuyết của lọc cộng tác là: “Nếu người dùng u và u' đánh giá cho n sản phẩm tương tự nhau, hoặc có hành vi tương tự nhau (như: xem, mua, nghe…) thì họ sẽ có các đánh giá tương tự nhau đối với các sản phẩm khác”.. - phẩm qua ma trận gồm một tập người dùng U và tập sản phẩm I như Hình 1.. - để chỉ mức độ thích của người dùng u cho một sản phẩm i nào đó, chẳng hạn giá trị này trong khoảng từ 1 (không thích) đến 5 (thích nhất) đối với dữ liệu bán hàng, rˆ ui là một hàm dùng để dự đoán đánh giá của người dùng u cho sản phẩm i (có thể xem như hàm tiện ích).. - Hệ tư vấn dựa trên lọc cộng tác (hệ lọc cộng tác) sẽ dự đoán hàm tiện ích của những sản phẩm cho những người dùng cụ thể dựa trên trọng số ban đầu của sản phẩm được cung cấp bởi người dùng khác. - Giống như trước, hàm tiện ích rˆ ui của sản phẩm i cho người dùng u được đánh giá dựa trên những hàm tiện ích rˆ (u j , i) được gán bởi sản phẩm i và người dùng u j Є U, đây là những người mà có cùng sở thích và thị hiếu giống u. - Mở rộng của vấn đề này là tìm tập N sản phẩm mà rất có thể người dùng sẽ quan tâm – công việc chính trong các hệ tư vấn hiện nay. - chúng ta có một hệ thống dự đoán các đánh giá của người dùng lên các sản phẩm mới, và dựa vào đó ta có thể lấy ra N sản phẩm được dự đoán có trọng số cao nhất. - Cuối cùng, hai vấn đề quan trọng nhất đó là làm thế nào để tìm được tập K người dùng tương tự với người dùng u nhất dựa trên thị hiếu về sản phẩm hay làm thế nào để tìm ra tập K sản phẩm tương tự với sản phẩm i nhất để có thể đưa ra các dự đoán trọng số đánh giá của người dùng và sản phẩm tương ứng.. - Phương pháp lọc cộng tác có đặc trưng cơ bản là nó thường sử dụng toàn bộ dữ liệu đã có để dự đoán đánh giá của một người dùng nào đó về sản phẩm mới. - tức dự đoán dựa trên sự tương tự giữa các người dùng và hệ dựa trên sản phẩm (Item_KNN. - dự đoán dựa trên sự tương tự giữa các sản phẩm. - Hệ dựa trên người dùng (User_KNN) xác định sự tương tự giữa hai người dùng thông qua việc so sánh các đánh giá của họ trên cùng sản phẩm, sau đó dự đoán đánh giá sản phẩm i bởi người dùng u, hay chính là đánh giá trung bình của những người dùng tương tự với người dùng u. - Sau khi tính toán độ tương tự giữa các người dùng hay giữa các sản phẩm, chúng ta có thể dự đoán đánh giá của người dùng u trên sản phẩm i theo công thức (P. - rˆ ui chính là dự đoán cho người dùng u trên sản phẩm i. - Chúng tôi biểu diễn giải thuật lọc cộng tác dựa trên người dùng lân cận gần nhất (User_KNN) sử dụng độ tương tự Pearson bằng ngôn ngữ giả để dự đoán độ thích cho người dùng u trên sản phẩm i như sau:. - Đối với sản phẩm mới nhập vào, chúng được hiển thị đầu tiên trên trang web và có biểu tượng 'New' để nhận biết đây là sản phẩm mới của hệ thống.. - Ngoài ra, khi hiển thị chi tiết mỗi sản phẩm, trang web có một không gian để hiển thị các sản phẩm tương tự với sản phẩm mà người dùng đang xem dựa vào một số thuộc tính tương tự. - Vì vậy, những sản phẩm mới nhập cũng có thể được gợi ý cho người dùng.. - Biểu đồ cho ta thấy lỗi RMSE của phương pháp K láng giềng trong lọc cộng tác tốt hơn dự đoán bằng trung bình toàn cục cũng như trung bình trên sản phẩm và trung bình trên người dùng.. - dựng hệ thống gợi ý sản phẩm trong bán hàng trực tuyến.. - 5.1 Đặc tả hệ thống. - Hệ thống giới thiệu và bán sản phẩm nước hoa trực tuyến cho phép khách hàng bất kỳ có thể tìm kiếm và xem các sản phẩm nước hoa của tất cả các thương hiệu nổi tiếng mà người dùng ưa thích. - Hệ thống sẽ hiển thị các sản phẩm được ưa thích nhất và các sản phẩm bán chạy nhất.. - Hệ thống có chức năng cho khách hàng chấm điểm, đánh giá sản phẩm và có thể đặt hàng thông qua hệ thống này. - Đặc biệt hệ thống sẽ gợi ý các sản phẩm cho khách hàng trong quá trình chọn sản phẩm sử dụng kỹ thuật lọc cộng tác và hiển thị các sản phẩm tương tự với sản phẩm mà khách hàng đang xem sử dụng các thuộc tính tương tự về mùi hương và tính cách của sản phẩm. - Đây là giải thuật có độ tin cậy cao vì đã được kiểm nghiệm qua nhiều công trình nghiên cứu nên việc gợi ý sử dụng kỹ thuật lọc cộng tác có thể sẽ tốt hơn các gợi ý thông thường như gợi ý sản phẩm bổ trợ sản phẩm vừa mua, gợi ý sản phẩm tương tự với sản phẩm mà khách hàng ưa thích, gợi ý sản phẩm theo giá chênh lệch với sản phẩm mà khách hàng đang xem.... - Sau khi đăng nhập vào hệ thống, nếu là khách hàng mới thì hệ thống sẽ dựa vào thông tin về tính cách và mùi hương ưa thích của khách hàng để tư vấn những sản phẩm theo thông tin vừa thu thập. - Tuy nhiên, nếu khách hàng đã có chấm điểm cho sản phẩm, hệ thống sẽ gợi ý các sản phẩm theo giải thuật lọc cộng tác.. - Ngoài ra, hệ thống còn cung cấp các công cụ quản trị như: quản trị khách hàng, quản trị thông tin về thương hiệu và sản phẩm, quản trị đơn đặt hàng, thống kê doanh số bán hàng, công cụ cho phép người quản trị có thể xuất thông tin đánh giá của người dùng trên sản phẩm để huấn luyện lại mô hình của giải thuật và chức năng kiểm tra hiệu quả của hệ thống gợi ý sản phẩm.. - Các trường hợp sử dụng ở dạng tổng quát này là “xem sản phẩm”, “mua hàng”, “đặt hàng” và. - Trường hợp sử dụng “xem sản phẩm” có thể được sử dụng bởi khách hàng chỉ khi khách hàng chỉ muốn tìm và xem sản phẩm.. - Trường hợp sử dụng “xem sản phẩm” được mở rộng thành một vài trường hợp sử dụng tuỳ chọn - khách hàng có thể tìm sản phẩm, xem chi tiết sản phẩm, xem những sản phẩm tương tự với sản phẩm, đánh giá và chấm điểm cho sản phẩm, xem những sản phẩm gợi ý cho khách hàng và thêm sản phẩm vào giỏ hàng. - Tất cả các trường hợp sử dụng này là trường hợp sử dụng mở rộng (extend) bởi vì chúng cung cấp một số chức năng tuỳ chọn cho phép khách hàng tìm sản phẩm.. - “đánh giá sản phẩm”, “chấm điểm sản phẩm”,. - “xem sản phẩm gợi ý” và "thêm sản phẩm vào giỏ hàng” bởi vì các thành phần này yêu cầu khách hàng phải chứng thực tài khoản.. - Hình 4: Use case xem sản phẩm gợi ý, đặt hàng và thanh toán Ngoài ra “hệ thống” thực hiện một số các. - Hệ thống bán sản phẩm nước hoa trực tuyến được phát triển trên môi trường Visual Studio.NET với .NetFramework 4.0 có sử dụng DevExpress 12.0. - đăng ký thành viên, tính toán độ tương tự, gợi ý sản phẩm. - Mỗi thành viên muốn nhận thông tin gợi ý, chấm điểm, đánh giá sản phẩm hoặc đặt hàng đều phải là thành viên của hệ thống.. - 5.6.2 Giải thuật khách hàng đánh giá sản phẩm. - Hình 9: Giải thuật khách hàng đánh giá sản phẩm Ý nghĩa:. - Khách hàng nhập thông tin đánh giá sản phẩm.. - Hiển thị đánh giá của khách hàng.. - 5.6.3 Giải thuật khách hàng chấm điểm sản phẩm. - Hình 10: Khách hàng chấm điểm sản phẩm Ý nghĩa:. - Khách hàng chọn ngôi sao để chấm điểm cho sản phẩm (điểm tăng dần tính từ trái sang phải với giá trị từ 1 đến 5).. - Hệ thống sẽ kiểm tra xem khách hàng này đã chấm điểm cho sản phẩm này chưa. - Ngược lại, hệ thống sẽ cập nhật điểm mới mà khách hàng vừa chấm cho sản phẩm.. - Hệ thống tính toán điểm trung bình cho sản phẩm đó.. - Hệ thống tính độ tương tự của khách hàng theo Pearson.. - Hiển thị điểm trung bình của sản phẩm.. - 5.6.4 Giải thuật gợi ý sản phẩm cho khách hàng. - Hình 11: Giải thuật xử lý gợi ý sản phẩm Ý nghĩa:. - Giải thuật này dùng để hiển thị những sản phẩm gợi ý cho khách hàng.. - Nếu có độ tương tự với khách hàng khác, hệ thống lại kiểm tra tiếp có sản phẩm được khách hàng có độ tương tự với khách hàng đang xét đánh giá không. - Nếu có, hệ thống sẽ dự đoán độ thích của khách hàng trên các sản phẩm theo giải thuật lọc cộng tác. - Ngược lại, dự đoán độ thích của khách hàng trên các sản phẩm dựa vào các thuộc tính như mùi hương và tính cách mà khách hàng đã cung cấp. - Nếu có, dự đoán độ thích của khách hàng trên các sản phẩm dựa vào các thuộc tính như mùi hương và tính. - Ngược lại, sẽ hiển thị các sản phẩm bán chạy nhất và các sản phẩm được ưa thích nhất cho khách hàng.. - Hiển thị các sản phẩm đã gợi ý cho khách hàng.. - 5.7.2 Khách hàng chấm điểm và đánh giá sản phẩm. - Khách hàng có thể chấm điểm cho sản phẩm.. - Sau đó dự đoán các sản phẩm mà khách hàng có thể thích dựa trên giải thuật lọc cộng tác. - Ngoài ra, khách hàng có thể gửi đánh giá (feedback) cho sản phẩm. - Đây cũng là hình thức gợi ý cho khách hàng chọn sản phẩm như Hình 13.. - Hình 13: Giao diện khách hàng chấm điểm và đánh giá sản phẩm 5.7.3 Gợi ý sản phẩm cho khách hàng. - thống sẽ gợi ý một số sản phẩm mới cho khách hàng thông qua kỹ thuật lọc cộng tác.. - Nhập đánh giá sản phẩm. - Hình 14: Gợi ý sản phẩm mới cho khách hàng. - 5.7.4 Gợi ý sản phẩm đối với khách hàng mới (khắc phục vấn đề người dùng mới). - chưa đánh giá bất kỳ sản phẩm nào, hệ thống chưa có thông tin gì về quá khứ của khách hàng. - Vì vậy, hệ thống sẽ yêu cầu khách hàng nhập thêm một số thông tin để gợi ý sản phẩm được tốt hơn.. - Hình 15: Biểu mẫu cung cấp thêm thông tin để gợi ý sản phẩm. - hệ thống sẽ sử dụng các thuộc tính như mùi hương và tính cách mà khách hàng cung cấp đó để tư vấn các sản phẩm cho khách hàng. - Hình 16: Gợi ý sản phẩm cho khách hàng mới. - 5.7.5 Đối với sản phẩm mới nhập (khắc phục vấn đề sản phẩm mới). - Hệ thống sẽ hiển thị các sản phẩm mới nhập. - tại giao diện chính và có biểu tượng 'New' trên sản phẩm.. - Những sản phẩm được gợi ý Những sản phẩm được gợi ý. - Hình 17: Giao diện hiển thị những sản phẩm mới. - Ngoài ra, khi hiển thị chi tiết mỗi sản phẩm, website có một không gian để hiển thị các sản phẩm tương tự với sản phẩm mà khách hàng đang. - chọn xem dựa vào giá trị tương tự về mùi hương và tính cách trên sản phẩm. - Hình 18: Giao diện liệt kê sản phẩm tương tự. - Trong bài viết này, chúng tôi đã trình bày mô hình láng giềng trong lọc cộng tác – mô hình tư vấn dựa trên độ tương tự trực tiếp giữa hai người dùng hoặc sản phẩm. - Trong mô hình này, chúng tôi tính toán độ tương tự giữa hai người dùng, từ đó đưa ra dự đoán đánh giá của người dùng với sản phẩm mới. - Đối với những người dùng mới thì chúng tôi sẽ lọc dựa trên một số thuộc tính thu thập từ người dùng để tư vấn những sản phẩm.. - Bên cạnh đó, chúng tôi đã cài đặt, đánh giá giải thuật, xây dựng hệ thống bán hàng trực tuyến hoàn chỉnh có tích hợp kỹ thuật lọc cộng tác để gợi ý sản phẩm cho khách hàng