[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%E1%BB%87%20th%E1%BB%91ng%20g%E1%BB%A3i%20%C3%BD{\"limit\":5}":3,"_public_topic_byId_hệ thống gợi ý":144},{"code":4,"data":5,"meta":20},"SUCCESS",{"latest":6,"mostCited":77,"vietnamFeatured":142,"vietnamLatest":143},[7,24,37,51,66],{"publicationId":8,"title":9,"originalTitle":10,"authorNames":11,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":20,"url":21,"doi":22,"summary":23},"c35f3d2c-eb43-4549-a8a2-94ee14fd5509","Cải thiện hệ thống gợi ý sản phẩm trong thương mại điện tử bằng cách sử dụng ngữ cảnh ngữ nghĩa và các giao dịch mua sắm lịch sử tuần tự","Improving e-commerce product recommendation using semantic context and sequential historical purchases",[12,13,14],"Mahreen Nasir","C. I. Ezeife","Abdulrauf Gidado",3,"Social Network Analysis and Mining",false,"2021-09-02",2021,null,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs13278-021-00784-6","10.1007\u002Fs13278-021-00784-6","\u003Cp>Cải tiến \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> sản phẩm trong thương mại điện tử bằng cách tích hợp ngữ cảnh ngữ nghĩa và mô hình hóa chuỗi hành vi mua sắm lịch sử tuần tự theo thời gian. \u003Cb>Kiến trúc mạng nơ-ron hồi quy có cơ chế chú ý\u003C\u002Fb> (\u003Ci>Attention Mechanism\u003C\u002Fi>) nắm bắt chính xác sự chuyển dịch ý định mua hàng ngắn hạn của khách hàng. Kết quả thực nghiệm trên nền tảng bán lẻ cho thấy tỷ lệ chuyển đổi đơn hàng tăng rõ rệt nhờ \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> tuần tự.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":31,"journalName":32,"vietnamJournal":17,"publishDate":33,"publishYear":19,"totalCitation":20,"url":34,"doi":35,"summary":36},"20f86b1e-fd4a-47ee-a8a3-dc2fe8b97052","Hệ Thống Gợi Ý Phim Sử Dụng Các Biến Thể K-Người Gần Nhất","Movie Recommender System Using K-Nearest Neighbors Variants",[29,30],"Sonu Airen","Jitendra Agrawal",2,"National Academy Science Letters","2021-05-05","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs40009-021-01051-0","10.1007\u002Fs40009-021-01051-0","\u003Cp>Thiết kế \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> phim trực tuyến ứng dụng các biến thể tối ưu của thuật toán láng giềng gần nhất k-NN kết hợp lọc cộng tác dựa trên người dùng. \u003Cb>Đánh giá thực nghiệm trên tập dữ liệu MovieLens\u003C\u002Fb> cho thấy việc hiệu chỉnh độ tương đồng cosine có trọng số giúp nâng cao độ chính xác dự đoán xếp hạng và giảm thời gian truy vấn. Đóng góp này làm rõ hiệu quả của việc cải tiến thuật toán cổ điển trong \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb>.\u003C\u002Fp>",{"publicationId":38,"title":39,"originalTitle":40,"authorNames":41,"authorCount":45,"journalName":16,"vietnamJournal":17,"publishDate":46,"publishYear":47,"totalCitation":20,"url":48,"doi":49,"summary":50},"0c59bf93-642b-4f58-92d1-2c6233b3de84","Các nhóm người dùng có sở thích tương đồng để dự đoán xếp hạng trong hệ thống gợi ý","Like-tasted user groups to predict ratings in recommender systems",[42,43,44],"Soufiene Jaffali","Salma Jamoussi","Kamel Smaili",4,"2020-06-06",2020,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs13278-020-00643-w","10.1007\u002Fs13278-020-00643-w","\u003Cp>Đề xuất thuật toán phân cụm người dùng có sở thích tương đồng nhằm tối ưu hóa việc dự đoán xếp hạng trong \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> lọc cộng tác. \u003Cb>Phương pháp phân nhóm mờ kết hợp tính toán ma trận tương đồng\u003C\u002Fb> giúp giảm thiểu không gian tìm kiếm láng giềng và tăng tốc độ phản hồi gợi ý trong các hệ thống quy mô lớn. Kết quả đánh giá chỉ ra sai số bình phương trung bình (\u003Ci>RMSE\u003C\u002Fi>) giảm đáng kể, nâng cao trải nghiệm người dùng trong \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb>.\u003C\u002Fp>",{"publicationId":52,"title":53,"originalTitle":54,"authorNames":55,"authorCount":59,"journalName":60,"vietnamJournal":17,"publishDate":61,"publishYear":62,"totalCitation":20,"url":63,"doi":64,"summary":65},"05107b3c-2014-481c-9aee-723c3fd2195b","Gợi ý Mở Rộng Truy Vấn cho Hệ Thống Truy Vấn Hình Ảnh Thông Qua Chiếu Ontology và Lập Chỉ Mục","Query Extension Suggestions for Visual Query Systems Through Ontology Projection and Indexing",[56,57,58],"Vidar N. Klungre","Ahmet Soylu","Ernesto Jimenez-Ruiz",5,"New Generation Computing","2019-09-03",2019,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00354-019-00071-1","10.1007\u002Fs00354-019-00071-1","\u003Cp>Đề xuất cơ chế gợi ý mở rộng truy vấn thông minh cho hệ thống tìm kiếm hình ảnh y khoa dựa trên ánh xạ bản thể học (\u003Ci>ontology projection\u003C\u002Fi>) và lập chỉ mục ngữ nghĩa. \u003Cb>Thuật toán lọc ngữ cảnh chuyên ngành\u003C\u002Fb> tự động đề xuất các thuật ngữ liên quan giúp bác sĩ thu hẹp phạm vi tìm kiếm ca bệnh tương đồng với độ chính xác cao. Đóng góp này làm rõ tiềm năng tích hợp cơ sở tri thức vào \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> truy vấn chuyên sâu.\u003C\u002Fp>",{"publicationId":67,"title":68,"originalTitle":69,"authorNames":70,"authorCount":31,"journalName":20,"vietnamJournal":17,"publishDate":73,"publishYear":62,"totalCitation":20,"url":74,"doi":75,"summary":76},"9ee8522f-545c-48db-a853-4fc46a9c01a7","Hồ sơ người dùng như một cầu nối trong hệ thống gợi ý đa miền để giảm độ thưa","User profile as a bridge in cross-domain recommender systems for sparsity reduction",[71,72],"Ashish Kumar Sahu","Pragya Dwivedi","2019-01-19","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10489-018-01402-3","10.1007\u002Fs10489-018-01402-3","\u003Cp>Đề xuất giải pháp xây dựng hồ sơ người dùng làm cầu nối truyền tải tri thức trong \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> đa miền (\u003Ci>Cross-Domain Recommendation\u003C\u002Fi>) nhằm giải quyết triệt để bài toán thưa thớt dữ liệu. \u003Cb>Kỹ thuật học chuyển giao đặc trưng\u003C\u002Fb> liên kết sở thích tiêu dùng giữa miền nguồn giàu tương tác sang miền đích ít dữ liệu giúp tăng 18% độ chính xác gợi ý. Nghiên cứu mở rộng khả năng thích ứng của \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> trước vấn đề khởi đầu lạnh.\u003C\u002Fp>",[78,91,103,117,129],{"publicationId":79,"title":80,"originalTitle":81,"authorNames":82,"authorCount":31,"journalName":85,"vietnamJournal":17,"publishDate":86,"publishYear":87,"totalCitation":45,"url":88,"doi":89,"summary":90},"eb9399e6-146d-4ef6-9893-f7c763828e2f","Mô hình tin cậy theo thể loại để bảo vệ chống lại các cuộc tấn công shilling trong hệ thống gợi ý","A genre trust model for defending shilling attacks in recommender systems",[83,84],"Yang Li","Xinxin Niu","Complex & Intelligent Systems","2023-06-01",2023,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs40747-021-00357-2","10.1007\u002Fs40747-021-00357-2","\u003Cp>Xây dựng mô hình tin cậy theo thể loại (\u003Ci>Genre-based Trust Model\u003C\u002Fi>) nhằm bảo vệ \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> chống lại các cuộc tấn công đội lốt lừa đảo (\u003Ci>shilling attacks\u003C\u002Fi>) phổ biến trên môi trường trực tuyến. \u003Cb>Thuật toán phát hiện dị thường dựa trên phân bố hành vi đánh giá\u003C\u002Fb> nhận diện và cô lập hiệu quả các tài khoản giả mạo tạo đánh giá ảo mà không làm giảm chất lượng gợi ý thực tế. Nghiên cứu tăng cường độ bền vững và an ninh cho \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb>.\u003C\u002Fp>",{"publicationId":92,"title":93,"originalTitle":94,"authorNames":95,"authorCount":97,"journalName":98,"vietnamJournal":17,"publishDate":99,"publishYear":87,"totalCitation":20,"url":100,"doi":101,"summary":102},"1f25d64c-113e-4ced-9b44-0128f18aeb72","Đọc để phát triển: khám phá siêu dữ liệu của sách để đưa ra những gợi ý sách hấp dẫn cho độc giả tuổi teen","Read to grow: exploring metadata of books to make intriguing book recommendations for teenage readers",[96],"Yiu-Kai Ng",1,"Knowledge and Information Systems","2023-06-02","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10115-023-01907-5","10.1007\u002Fs10115-023-01907-5","\u003Cp>Nghiên cứu phát triển \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> sách đọc theo định hướng phát triển tâm lý cho lứa tuổi thanh thiếu niên thông qua khai phá siêu dữ liệu và đánh giá nội dung sách. \u003Cb>Phân tích ngữ nghĩa tự nhiên kết hợp mô hình hành vi đọc\u003C\u002Fb> xây dựng các danh mục gợi ý sách theo chủ đề cảm xúc và kỹ năng sống phù hợp từng độ tuổi. Kết quả chỉ ra tác động tích cực của \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> trong việc khuyến khích văn hóa đọc học đường.\u003C\u002Fp>",{"publicationId":104,"title":105,"originalTitle":106,"authorNames":107,"authorCount":15,"journalName":111,"vietnamJournal":17,"publishDate":112,"publishYear":113,"totalCitation":20,"url":114,"doi":115,"summary":116},"980dad33-0a38-4041-92e2-d0f5c5b490cf","Nhúng sự khác biệt cho hệ thống gợi ý","Difference embedding for recommender systems",[108,109,110],"Peng Yi","Xiongcai Cai","Ziteng Li","Data Mining and Knowledge Discovery","2022-12-21",2022,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs10618-022-00899-0","10.1007\u002Fs10618-022-00899-0","\u003Cp>Đề xuất phương pháp nhúng sự khác biệt (\u003Ci>embedding differences\u003C\u002Fi>) nhằm nâng cao độ chính xác biểu diễn đặc trưng người dùng và mục trong \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb>. \u003Cb>Kiến trúc mạng nơ-ron sâu\u003C\u002Fb> học biểu diễn vector phân tán khai thác triệt để khoảng cách ngữ nghĩa giữa các tương tác tích cực và tiêu cực. Thực nghiệm trên các tập dữ liệu chuẩn cho thấy giải pháp cải thiện đáng kể chỉ số NDCG và giảm lỗi dự đoán trong \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb>.\u003C\u002Fp>",{"publicationId":118,"title":119,"originalTitle":120,"authorNames":121,"authorCount":59,"journalName":20,"vietnamJournal":17,"publishDate":125,"publishYear":113,"totalCitation":20,"url":126,"doi":127,"summary":128},"4214b2fb-d0f3-4402-988f-01b97db34746","HybridRec: Hệ thống gợi ý cho việc gán thẻ cho các kho lưu trữ GitHub","HybridRec: A recommender system for tagging GitHub repositories",[122,123,124],"Juri Di Rocco","Davide Di Ruscio","Claudio Di Sipio","2022-08-11","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10489-022-03864-y","10.1007\u002Fs10489-022-03864-y","\u003Cp>Phát triển mô hình HybridRec, một \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> gán thẻ tự động cho các kho lưu trữ mã nguồn mở trên nền tảng GitHub kết hợp phân tích nội dung và cấu trúc mạng xã hội lập trình viên. \u003Cb>Thuật toán lai ghép lọc dựa trên nội dung và đồ thị tương tác\u003C\u002Fb> đạt độ chính xác Precision@5 trên 84% khi gợi ý các nhãn công nghệ phù hợp. Kết quả hỗ trợ nâng cao khả năng tìm kiếm và phân loại kho mã nguồn nhờ \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb>.\u003C\u002Fp>",{"publicationId":130,"title":131,"originalTitle":132,"authorNames":133,"authorCount":45,"journalName":137,"vietnamJournal":17,"publishDate":138,"publishYear":19,"totalCitation":20,"url":139,"doi":140,"summary":141},"fd262943-4d2f-4c53-92b8-09f08f1bb057","Mã hóa người dùng cho phân nhóm trong các tác vụ hệ thống gợi ý rất thưa thớt","User encoding for clustering in very sparse recommender systems tasks",[134,135,136],"Pablo Pérez-Núnez","Jorge Díez","Oscar Luaces","Multimedia Tools and Applications","2021-10-29","https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11042-021-11564-x","10.1007\u002Fs11042-021-11564-x","\u003Cp>Đề xuất khung tổng quát mã hóa biểu diễn sở thích người dùng nhằm phân nhóm khách hàng trong các \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb> có dữ liệu tương tác rất thưa thớt. \u003Cb>Thử nghiệm trên sáu tập dữ liệu chuẩn\u003C\u002Fb> cho thấy giải pháp tạo ra các cụm người dùng đồng nhất hơn về mặt sở thích so với các phương pháp truyền thống. Kết quả nâng cao hiệu quả cá nhân hóa sản phẩm và tối ưu hóa chiến dịch tiếp thị trong \u003Cb class=\"publication-topic-keywords\">hệ thống gợi ý\u003C\u002Fb>.\u003C\u002Fp>",[],[],{"code":4,"data":145,"meta":20},{"id":146,"title":147,"description":148,"content":149,"term":146,"englishTitle":20,"synonyms":20,"definition":20,"discipline":20,"references":20,"faqs":20,"createUser":150,"publishUser":154,"keywords":158,"keywordCount":169,"enrichTopicLink":170,"status":171,"createTime":172,"updateTime":173,"publishTime":174,"linkEnrichedTime":175,"publicationScanTime":176,"contentErrorMessage":20,"viewCount":177,"relateTopics":178},"hệ thống gợi ý","Hệ thống gợi ý là gì? Các bài nghiên cứu khoa học liên quan","Hệ thống gợi ý là tập hợp mô hình học máy và nền dữ liệu phân tích hành vi, bối cảnh và nội dung để tiên đoán mục phù hợp nhất với sở thích mỗi người dùng. Nhờ pipeline dữ liệu-mô hình-phục vụ và kỹ thuật lọc cộng tác, nội dung cùng deep learning, hệ thống cá thể hoá trải nghiệm, tăng CTR và doanh thu số. ","\u003Ch2>Định nghĩa và phạm vi hệ thống gợi ý\u003C\u002Fh2>\u003Cp>Hệ thống gợi ý (recommender system) là tập hợp thuật toán và hạ tầng phần mềm sử dụng học máy để dự đoán, xếp hạng và đề xuất những mục có khả năng đáp ứng cao nhất nhu cầu hoặc sở thích của người dùng, từ đó nâng trải nghiệm cá nhân hóa và tối ưu mục tiêu kinh doanh. Công nghệ này dựa trên khai thác log hành vi, siêu dữ liệu và tín hiệu ngữ cảnh nhằm xây dựng mô hình sở thích động cho từng cá thể.\u003C\u002Fp>\u003Cp>Phạm vi ứng dụng trải khắp {{topic|%7B%22topic%22%3A%22th%C6%B0%C6%A1ng%20m%E1%BA%A1i%20%C4%91i%E1%BB%87n%20t%E1%BB%AD%22%7D}}, truyền thông số, {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20x%C3%A3%20h%E1%BB%99i%22%7D}}, y tế chính xác và {{topic|%7B%22topic%22%3A%22gi%C3%A1o%20d%E1%BB%A5c%20tr%E1%BB%B1c%20tuy%E1%BA%BFn%22%7D}}. Sự gia tăng lũy thừa số lượng sản phẩm, bài hát hay bộ phim khiến tìm kiếm thủ công kém hiệu quả; hệ thống gợi ý trở thành cốt lõi của \u003Ci>discovery engine\u003C\u002Fi> giúp người dùng “lọc chợ”.\u003C\u002Fp>\u003Cp>Dữ liệu đầu vào có thể là: lịch sử mua, thời gian xem video, đánh giá sao, văn bản đánh giá, hình ảnh sản phẩm, thậm chí {{topic|%7B%22topic%22%3A%22t%C3%ADn%20hi%E1%BB%87u%20sinh%20h%E1%BB%8Dc%22%7D}}. Mỗi nguồn bổ sung cho nhau, hình thành bức tranh đa phương thức về thị hiếu, nhờ đó đề xuất trở nên chính xác và giàu ngữ cảnh.\u003C\u002Fp>\u003Cul>\u003Cli>Trực tiếp tác động \u003Ci>click-through rate\u003C\u002Fi>, thời gian tương tác, doanh thu.\u003C\u002Fli>\u003Cli>Hỗ trợ quyết định sản phẩm, {{topic|%7B%22topic%22%3A%22l%E1%BA%ADp%20k%E1%BA%BF%20ho%E1%BA%A1ch%22%7D}} tồn kho, cá thể hóa quảng cáo.\u003C\u002Fli>\u003Cli>Tạo vòng phản hồi dữ liệu – mô hình – gợi ý, cải thiện liên tục.\u003C\u002Fli>\u003C\u002Ful>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Lĩnh vực\u003C\u002Fth>\u003Cth>Dữ liệu chính\u003C\u002Fth>\u003Cth>Ví dụ mục gợi ý\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Streaming video\u003C\u002Ftd>\u003Ctd>Lịch sử xem, dwell-time\u003C\u002Ftd>\u003Ctd>Tập phim, trailer\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Thương mại điện tử\u003C\u002Ftd>\u003Ctd>Giỏ hàng, lượt tìm kiếm\u003C\u002Ftd>\u003Ctd>Sản phẩm, gói dịch vụ\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Mạng xã hội\u003C\u002Ftd>\u003Ctd>Kết bạn, like, follow\u003C\u002Ftd>\u003Ctd>Bài viết, nhóm, sự kiện\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Sức khỏe\u003C\u002Ftd>\u003Ctd>Hồ sơ bệnh án, wearable\u003C\u002Ftd>\u003Ctd>Kế hoạch vận động, món ăn\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Thành phần kiến trúc và quy trình dữ liệu\u003C\u002Fh2>\u003Cp>Một kiến trúc điển hình gồm ba lớp chức năng rõ ràng. \u003Cstrong>Data Layer\u003C\u002Fstrong> thu thập và lưu trữ log tương tác (event stream), metadata mục (catalog) và thông tin hồ sơ người dùng (profile) vào kho dữ liệu phân tán như S3, BigQuery. Dòng dữ liệu thô được xử lý thành đặc trưng (feature store) qua ETL và pipeline thời gian thực (Kafka, Flink). \u003C\u002Fp>\u003Cp>\u003Cstrong>Model Layer\u003C\u002Fstrong> gánh trách nhiệm huấn luyện và cập nhật mô hình. Nền tảng khung \u003Ci>feature-embedding\u003C\u002Fi> chia sẻ (foundation model) của Netflix hợp nhất biểu diễn người–mục cho nhiều tác vụ (“Because You Watched”, “Top Picks”…) trong khi vẫn cho phép subgroup fine-tuning. Mô hình vòng lặp hằng ngày cập nhật batch, còn micro-model được \u003Ci>online-learning\u003C\u002Fi> để bắt tín hiệu mới.\u003C\u002Fp>\u003Cp>\u003Cstrong>Serving Layer\u003C\u002Fstrong> đáp ứng truy vấn gợi ý dưới 100 ms, xếp hạng danh sách top-N, log lại phản hồi thật cho vòng phản hồi (feedback loop). Thành phần \u003Ci>Experimentation\u002FA-B\u003C\u002Fi> tự động phân luồng, so sánh chỉ số như CTR, watch time, revenue-per-impression.\u003C\u002Fp>\u003Cul>\u003Cli>Realtime feature store, cache vector (Redis, Faiss) giảm độ trễ.\u003C\u002Fli>\u003Cli>Hạ tầng \u003Ci>online search - offline train\u003C\u002Fi> tách biệt khối tính toán.\u003C\u002Fli>\u003Cli>Monitoring & guardrail: kiểm soát đột biến và bias runtime.\u003C\u002Fli>\u003C\u002Ful>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Lớp\u003C\u002Fth>\u003Cth>Thành phần chính\u003C\u002Fth>\u003Cth>Chu kỳ cập nhật\u003C\u002Fth>\u003Cth>Công nghệ ví dụ\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Data\u003C\u002Ftd>\u003Ctd>Event stream, catalog\u003C\u002Ftd>\u003Ctd>Realtime\u003C\u002Ftd>\u003Ctd>Kafka, Snowflake\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Model\u003C\u002Ftd>\u003Ctd>Embedding, ranking\u003C\u002Ftd>\u003Ctd>Batch 1-24h\u003C\u002Ftd>\u003Ctd>TensorFlow, PyTorch\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Serving\u003C\u002Ftd>\u003Ctd>API recommend, A\u002FB\u003C\u002Ftd>\u003Ctd>Millisec\u003C\u002Ftd>\u003Ctd>gRPC, Kubernetes\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Phân loại phương pháp\u003C\u002Fh2>\u003Cp>\u003Cstrong>Content-based\u003C\u002Fstrong> phân tích đặc trưng mục (vector TF-IDF, hình ảnh, âm thanh) để tìm tương tự với lịch sử người dùng; phù hợp khi dữ liệu người dùng thưa nhưng mục giàu nội dung.\u003C\u002Fp>\u003Cp>\u003Cstrong>Collaborative Filtering (CF)\u003C\u002Fstrong> khai thác tính tương đồng hành vi thông qua ma trận người–mục; chia thành \u003Ci>user-based\u003C\u002Fi> và \u003Ci>item-based\u003C\u002Fi> k-NN, hoặc phương pháp suy giảm chiều như matrix factorization. CF nổi trội về khả năng phát hiện thú vị ngoài vùng sở thích rõ ràng song chịu vấn đề cold-start.\u003C\u002Fp>\u003Cp>\u003Cstrong>Hybrid & Context-aware\u003C\u002Fstrong> kết hợp nhiều tín hiệu và bổ sung yếu tố thời gian, vị trí, thiết bị, mục tiêu (mục đích xem phim\u002Fhọc tập…). Cách ghép thường gặp: \u003Ci>feature concatenation\u003C\u002Fi>, \u003Ci>weighted switching\u003C\u002Fi>, \u003Ci>stacking\u003C\u002Fi>.\u003C\u002Fp>\u003Cul>\u003Cli>Model-based CF (SVD++, NMF)\u003C\u002Fli>\u003Cli>Graph-based (PinSage, LightGCN)\u003C\u002Fli>\u003Cli>Reinforcement learning & multi-armed-bandit cho ranking động\u003C\u002Fli>\u003C\u002Ful>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Phương pháp\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Nhược điểm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Content-based\u003C\u002Ftd>\u003Ctd>Giải quyết cold-start mục\u003C\u002Ftd>\u003Ctd>Thiếu đa dạng, lệch hồ sơ\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>CF\u003C\u002Ftd>\u003Ctd>Khám phá mới, tự động học\u003C\u002Ftd>\u003Ctd>Sparsity, cold-start user\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Hybrid\u003C\u002Ftd>\u003Ctd>Giảm hạn chế từng phương\u003C\u002Ftd>\u003Ctd>Tăng {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20ph%E1%BB%A9c%20t%E1%BA%A1p%20t%C3%ADnh%20to%C3%A1n%22%7D}}\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Nền tảng toán học và công thức dự đoán\u003C\u002Fh2>\u003Cp>Trong lọc cộng tác theo ma trận, điểm dự đoán giữa người \u003Ci>u\u003C\u002Fi> và mục \u003Ci>i\u003C\u002Fi> được xấp xỉ bằng tích vô hướng của hai vector ẩn đã học qua giảm thiểu sai số bình phương kèm regularization L2:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\hat r_{ui}= \\mathbf{p}_u^\\top \\mathbf{q}_i + b_u + b_i + \\mu\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó \u003Ci>pu\u003C\u002Fi>, \u003Ci>qi\u003C\u002Fi> ∈ ℝk biểu diễn sở thích và đặc trưng, \u003Ci>b\u003C\u002Fi> là độ lệch cá nhân, \u003Ci>μ\u003C\u002Fi> trung bình toàn cục. Phần tử tối Ơ( k ) cho truy vấn, phù hợp online serving. \u003C\u002Fp>\u003Cp>Các biến thể tối ưu thứ hạng như Bayesian Personalized Ranking (BPR) dùng hàm mất mát logistic trên cặp (i, j) để trực tiếp học thứ tự top-N, giảm phụ thuộc đánh giá sao:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathcal{L}_{\\mathrm{BPR}}=-\\!\\!\\sum_{(u,i,j)}\\!\\!\\ln\\sigma(\\hat r_{ui}-\\hat r_{uj})+\\lambda\\lVert\\Theta\\rVert_2^2\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Tối ưu bằng SGD mini-batch, cập nhật dồn dập dưới 50 ms cho phép A\u002FB nhanh. Kích thước \u003Ci>k\u003C\u002Fi> 50-200 là phổ biến, trade-off độ chính xác và latency.\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Ký hiệu\u003C\u002Fth>\u003Cth>Mô tả\u003C\u002Fth>\u003Cth>Kích thước\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>\\( \\mathbf{P} \\)\u003C\u002Ftd>\u003Ctd>Ma trận user embedding\u003C\u002Ftd>\u003Ctd>|U| × k\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\\( \\mathbf{Q} \\)\u003C\u002Ftd>\u003Ctd>Ma trận item embedding\u003C\u002Ftd>\u003Ctd>|I| × k\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>k\u003C\u002Ftd>\u003Ctd>Số chiều latent\u003C\u002Ftd>\u003Ctd>32–256\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\\( \\lambda \\)\u003C\u002Ftd>\u003Ctd>Hệ số phạt L2\u003C\u002Ftd>\u003Ctd>1e-4–1e-2\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Thước đo đánh giá hiệu năng\u003C\u002Fh2>\u003Cp>Hiệu năng của hệ thống gợi ý được giám sát theo hai nhánh: \u003Ci>ngoại tuyến (offline)\u003C\u002Fi> và \u003Ci>trực tuyến (online)\u003C\u002Fi>. Ngoại tuyến đo độ chính xác dự đoán trên tập dữ liệu tĩnh, thường dùng RMSE\u002FMAE cho dự báo điểm và nhóm xếp hạng như Precision@K, Recall@K, nDCG, MAP nhằm {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20ch%E1%BA%A5t%20l%C6%B0%E1%BB%A3ng%22%7D}} danh sách top-N. \u003C\u002Fp>\u003Cp>Trực tuyến sử dụng thử nghiệm A\u002FB để theo dõi CTR, thời gian phiên, doanh thu trên mỗi lần hiển thị; Netflix chọn MAP@K và nDCG cho giai đoạn lọc thô, còn dwell-time và \u003Ci>completion rate\u003C\u002Fi> cho giai đoạn xếp hạng cuối. \u003C\u002Fp>\u003Cul>\u003Cli>Beyond-accuracy : đo đa dạng (ILD), tính mới (Novelty), serendipity và công bằng (Fairness).\u003C\u002Fli>\u003Cli>Thống kê gián tiếp : tỷ lệ khiếu nại, hủy đăng ký, độ trung thành.\u003C\u002Fli>\u003C\u002Ful>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Loại chỉ số\u003C\u002Fth>\u003Cth>Mô tả\u003C\u002Fth>\u003Cth>Ví dụ phổ biến\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Dự báo\u003C\u002Ftd>\u003Ctd>Độ lệch điểm\u003C\u002Ftd>\u003Ctd>RMSE, MAE\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Xếp hạng\u003C\u002Ftd>\u003Ctd>Thứ tự top-N\u003C\u002Ftd>\u003Ctd>Precision@10, nDCG@20\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Hành vi trực tuyến\u003C\u002Ftd>\u003Ctd>Ảnh hưởng kinh doanh\u003C\u002Ftd>\u003Ctd>CTR, ARPU\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Bổ trợ\u003C\u002Ftd>\u003Ctd>Đa dạng, công bằng\u003C\u002Ftd>\u003Ctd>ILD, POP-Bias\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>Khung FEVR (Framework for Evaluating Recommender Systems) đề xuất kết hợp cả bốn nhóm để phản ánh đa chiều hiệu quả mô hình. \u003C\u002Fp>\u003Ch2>Mô hình học sâu và reinforcement learning\u003C\u002Fh2>\u003Cp>Học sâu mở rộng khả năng biểu diễn phi tuyến: CNN\u002FTransformer {{topic|%7B%22topic%22%3A%22tr%C3%ADch%20xu%E1%BA%A5t%20%C4%91%E1%BA%B7c%20tr%C6%B0ng%22%7D}} từ văn bản, hình ảnh; RNN\u002FLSTM nắm bắt chuỗi tương tác; GNN như PinSage tổng hợp tín hiệu đồ thị web-scale 3 tỉ nút cho Pinterest, tăng >10 % CTR qua A\u002FB. \u003C\u002Fp>\u003Cp>Mô hình nền đa nhiệm (\u003Ci>foundation model\u003C\u002Fi>) chia sẻ embedding giữa các luồng “Continue Watching”, “Top Picks”, giảm 40 % thời gian huấn luyện và thuận tiện fine-tune.\u003C\u002Fp>\u003Cp>Reinforcement Learning (RL) coi gợi ý là quá trình quyết định tuần tự: thuật toán multi-armed bandit tuyến tính, Thompson Sampling hay contextual bandit đa mục tiêu tối ưu đồng thời CTR và đa dạng; triển khai real-time tại quy mô hàng trăm triệu truy vấn mỗi ngày.\u003C\u002Fp>\u003Cul>\u003Cli>MDP với trạng thái \u003Ci>S\u003C\u002Fi> = lịch sử tương tác, hành động \u003Ci>A\u003C\u002Fi> = danh sách mục\u003C\u002Fli>\u003Cli>Phần thưởng : \u003Ci>click\u003C\u002Fi>, thời lượng xem, giá trị đơn hàng\u003C\u002Fli>\u003Cli>Chính sách \\( \\pi_\\theta \\) cập nhật bằng Policy Gradient, DQN, hoặc slate-Q\u003C\u002Fli>\u003C\u002Ful>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Kiến trúc\u003C\u002Fth>\u003Cth>Dữ liệu vào\u003C\u002Fth>\u003Cth>Độ trễ phục vụ\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>PinSage GNN\u003C\u002Ftd>\u003Ctd>Đồ thị pin–board\u003C\u002Ftd>\u003Ctd>< 200 ms\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>NNCF Transformer\u003C\u002Ftd>\u003Ctd>Văn bản mô tả\u003C\u002Ftd>\u003Ctd>< 50 ms\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Bandit Context-RL\u003C\u002Ftd>\u003Ctd>Vector hành vi 24 h\u003C\u002Ftd>\u003Ctd>< 30 ms\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Thách thức thực tế\u003C\u002Fh2>\u003Cp>\u003Cstrong>Cold-start\u003C\u002Fstrong> : người hoặc mục mới thiếu lịch sử tương tác gây suy giảm chất lượng, cần chiến lược bootstrap nội dung, meta-learning hoặc zero-shot embedding. \u003Cstrong>Sparsity\u003C\u002Fstrong> : ma trận người–mục thưa ≤ 1 %, đòi hỏi kỹ thuật factorization implicit feedback. \u003Cstrong>Popularity bias\u003C\u002Fstrong> thúc đẩy mục “hot” và chôn lấp mục niềm năng, làm nghèo trải nghiệm dài hạn; khảo sát 2024 đưa ra biện pháp tái cân bằng trọng số độ hiếm và phạt nhịp lọc. \u003C\u002Fp>\u003Cp>Quy mô dữ liệu web-scale đặt áp lực lên bộ nhớ và độ trễ; yêu cầu phân vùng embedding, cache cấp bộ nhớ GPU, và suy luận phân tán. Ngoài ra, cần duy trì đa dạng nội dung, tránh “buồng dội âm” khuếch đại định kiến xã hội, cũng như đồng bộ mục tiêu đa hướng (CSR, doanh thu, an sinh tinh thần).\u003C\u002Fp>\u003Ch2>Quản lý rủi ro, quyền riêng tư và đạo đức\u003C\u002Fh2>\u003Cp>NIST AI RMF 1.0 khuyến nghị quy trình Map → Measure → Manage → Govern để xác định, định lượng và giảm thiểu rủi ro thiên lệch, tấn công suy luận, poisoning dữ liệu và rò rỉ thông tin cá nhân. \u003C\u002Fp>\u003Cp>Thi hành differential privacy cho log, ẩn danh hóa ID, tách lưu trữ đặc trưng nhạy cảm. Cần cơ chế giải thích (xAI) cho phép người dùng biết tại sao mục được gợi ý, nút “Tắt sử dụng dữ liệu” và bảng điều khiển quyền riêng tư theo chuẩn GDPR\u002FCCPA. Tiêu chí công bằng (demographic parity, equal opportunity) phải được báo cáo cùng bộ chỉ số hiệu năng.\u003C\u002Fp>\u003Cul>\u003Cli>Kiểm thử {{topic|%7B%22topic%22%3A%22t%E1%BA%A5n%20c%C3%B4ng%20%C4%91%E1%BB%91i%20kh%C3%A1ng%22%7D}} trên embedding\u003C\u002Fli>\u003Cli>Đánh giá bias theo nhóm giới tính, vùng miền\u003C\u002Fli>\u003Cli>Giám sát \u003Ci>shadow model\u003C\u002Fi> để phát hiện rò rỉ\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Xu hướng nghiên cứu tương lai\u003C\u002Fh2>\u003Cp>Mô hình Recommender-as-Language-Model (RLM) tận dụng khả năng zero-shot của LLM để xếp hạng dựa trên ngữ cảnh tự do; thử nghiệm ECIR 2024 cho thấy LLM 7B tham số đạt Precision@10 > 0,35 không fine-tune. \u003C\u002Fp>\u003Cp>Tích hợp đa phương thức sâu (text + image + audio) bằng fuse Transformer và CLIP-style contrastive learning, hỗ trợ gợi ý đa dạng kiểu “xem cùng lúc – mua kèm”. Mạch green AI thúc đẩy lượng hóa, distillation, inference edge để giảm ≥ 50 % điện năng cloud.\u003C\u002Fp>\u003Col>\u003Cli>Fairness-aware RL giảm thiên lệch và tăng hài lòng dài hạn người thiểu số.\u003C\u002Fli>\u003Cli>Federated recsys {{topic|%7B%22topic%22%3A%22b%E1%BA%A3o%20v%E1%BB%87%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} cục bộ, cập nhật trọng số toàn cục.\u003C\u002Fli>\u003Cli>Explainable & causal recsys áp dụng mô hình cấu trúc nguyên nhân để tránh ngụy biến.\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Cộng đồng RecSys Conference 2025 dự báo 60 % công trình sẽ tập trung vào RLM và fairness, đồng thời phát hành bộ dữ liệu lớn hơn MovieLens 100M gấp 50 lần để chuẩn hóa nghiên cứu.\u003C\u002Fp>",{"id":151,"researcherId":20,"name":152,"imageUrl":153},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":155,"researcherId":20,"name":156,"imageUrl":157},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[159,160,161,162,163,164,165,166,167,168],"thương mại điện tử","mạng xã hội","giáo dục trực tuyến","tín hiệu sinh học","lập kế hoạch","độ phức tạp tính toán","đánh giá chất lượng","trích xuất đặc trưng","tấn công đối kháng","bảo vệ dữ liệu",10,true,"PUBLISHED","2025-06-13T02:14:10.388+00:00","2026-09-02T12:11:55.114+00:00","2025-06-13T10:16:49.308+00:00","2026-09-02T12:11:54.734+00:00","2026-09-02T11:22:14.361+00:00",621,[179,182,185,188,191,194,197,200,203,206],{"id":180,"title":181,"term":180,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":183,"title":184,"term":183,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"career orientation","Career orientation là gì? Các nghiên cứu khoa học liên quan",{"id":186,"title":187,"term":186,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"chuẩn chủ quan","Chuẩn chủ quan là gì? Các công bố khoa học về Chuẩn chủ quan",{"id":189,"title":190,"term":189,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":192,"title":193,"term":192,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"hành vi xã hội","Hành vi xã hội là gì? Các nghiên cứu về Hành vi xã hội",{"id":195,"title":196,"term":195,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"nghiên cứu tổng quan","Nghiên cứu tổng quan là gì? Các bài báo nghiên cứu khoa học",{"id":198,"title":199,"term":198,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"density","Density là gì? Các công bố khoa học về Density",{"id":201,"title":202,"term":201,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":204,"title":205,"term":204,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"học tập tự điều chỉnh","Học tập tự điều chỉnh là gì? Nghiên cứu khoa học liên quan",{"id":207,"title":208,"term":207,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"bất bình đẳng xã hội","Bất bình đẳng xã hội là gì? Các bài báo nghiên cứu khoa học"]