Recommendation System

Hệ thống khuyến nghị là một thuật toán lọc thông tin được thiết kế để dự đoán sở thích của người dùng đối với các mục cụ thể. Những hệ thống thông minh này đóng vai trò là nền tảng của các ứng dụng Trí tuệ nhân tạo (AI) hiện đại, giúp người dùng định hướng trong khối lượng nội dung khổng lồ có sẵn trực tuyến bằng cách lựa chọn các gợi ý cá nhân hóa. Bằng cách phân tích các mẫu trong Dữ liệu lớn (Big Data)—như lịch sử mua hàng, thói quen xem và đánh giá của người dùng—các bộ máy khuyến nghị giúp tăng cường sự tương tác của người dùng và hợp lý hóa các quy trình ra quyết định. Chúng được sử dụng rộng rãi trong các môi trường mà sự đa dạng của các lựa chọn vượt quá khả năng đánh giá thủ công của người dùng.

Link to this sectionCác cơ chế cốt lõi của khuyến nghị#

Các bộ máy khuyến nghị thường sử dụng các chiến lược Học máy (ML) cụ thể để tạo ra các gợi ý phù hợp. Ba phương pháp chính bao gồm:

• Lọc cộng tác (Collaborative Filtering): Phương pháp này dựa trên giả định rằng những người dùng đã đồng ý trong quá khứ sẽ đồng ý trong tương lai. Nó xác định sự tương đồng giữa những người dùng (dựa trên người dùng) hoặc các mục (dựa trên mục) bằng cách sử dụng dữ liệu tương tác. Ví dụ: nếu Người dùng A và Người dùng B đều thích "Phim X", hệ thống giả định rằng Người dùng A cũng có thể thích "Phim Y" nếu Người dùng B đã thưởng thức nó.
• Lọc dựa trên nội dung (Content-Based Filtering): Phương pháp này đề xuất các mục tương tự với những mục mà người dùng đã thích trước đó, dựa trên các thuộc tính của mục. Nó đòi hỏi phải phân tích các đặc trưng của chính các mục đó, thường sử dụng Xử lý ngôn ngữ tự nhiên (NLP) cho các mô tả văn bản hoặc Thị giác máy tính (CV) để phân tích hình ảnh sản phẩm.
• Mô hình lai: Bằng cách kết hợp lọc cộng tác và lọc dựa trên nội dung, các hệ thống khuyến nghị lai nhằm mục đích khắc phục những hạn chế của từng phương pháp riêng lẻ, chẳng hạn như việc không thể đề xuất các mục mới chưa có lịch sử tương tác của người dùng.

Link to this sectionCác ứng dụng trong thực tế#

Tiện ích thực tiễn của các hệ thống khuyến nghị trải rộng trên nhiều ngành công nghiệp, thúc đẩy cả trải nghiệm khách hàng và doanh thu doanh nghiệp.

1. Thương mại điện tử và Bán lẻ: Các nền tảng sử dụng các thuật toán tinh vi để gợi ý sản phẩm cho người mua sắm. Những hệ thống này vận hành AI trong bán lẻ bằng cách hiển thị động các danh sách "Khách hàng đã mua sản phẩm này cũng đã mua...", điều này làm tăng đáng kể cơ hội bán chéo.

2. Phát trực tuyến phương tiện: Các dịch vụ phụ thuộc rất nhiều vào cá nhân hóa. Các nhóm nghiên cứu khuyến nghị của Netflix phát triển các thuật toán phân tích lịch sử xem để hiển thị các bộ phim và chương trình phù hợp trên trang chủ của người dùng. Tương tự, các nền tảng âm nhạc tạo ra danh sách phát bằng cách phân tích các mẫu âm thanh và hành vi nghe của người dùng.

Link to this sectionKhuyến nghị trực quan với Embeddings#

Một kỹ thuật quan trọng trong các hệ thống khuyến nghị hiện đại, đặc biệt là đối với nội dung trực quan, liên quan đến việc sử dụng embeddings. Embedding là một biểu diễn số của một mục (như hình ảnh) trong không gian đa chiều. Các mục tương tự nhau về mặt trực quan sẽ có các embedding nằm gần nhau.

Đoạn mã Python sau đây trình bày cách trích xuất các embedding hình ảnh bằng mô hình phân loại Ultralytics YOLO26 đã được huấn luyện trước và tính toán độ tương đồng của chúng bằng PyTorch.

import torch.nn.functional as F
from ultralytics import YOLO

# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for two images (returns a list of Results objects)
results = model.predict(["bus.jpg", "dog.jpg"], embed=[1000])

# Calculate cosine similarity between the two embeddings
# Higher score indicates greater visual similarity
similarity = F.cosine_similarity(results[0].probs.data, results[1].probs.data, dim=0)

print(f"Visual Similarity Score: {similarity.item():.4f}")

Link to this sectionHệ thống khuyến nghị và các khái niệm liên quan#

Điều quan trọng là phải phân biệt hệ thống khuyến nghị với các công nghệ nền tảng mà chúng thường sử dụng:

• Tìm kiếm Vector (Vector Search): Đây là một phương pháp truy xuất được sử dụng để tìm các mục trong cơ sở dữ liệu vector có khoảng cách gần nhất về mặt toán học với một truy vấn. Mặc dù một hệ thống khuyến nghị sử dụng tìm kiếm vector để tìm các sản phẩm tương tự, bản thân hệ thống khuyến nghị bao hàm logic rộng hơn về hồ sơ người dùng và xếp hạng. Bạn có thể khám phá thêm điều này trong hướng dẫn về tìm kiếm tương đồng của chúng tôi.
• Tìm kiếm ngữ nghĩa (Semantic Search): Không giống như các khuyến nghị cơ bản có thể dựa trên sự trùng lặp hành vi, tìm kiếm ngữ nghĩa tập trung vào việc hiểu ý nghĩa đằng sau một truy vấn. Một bộ máy khuyến nghị có thể sử dụng tìm kiếm ngữ nghĩa để giải thích ý định của người dùng khi họ duyệt các danh mục cụ thể.

Link to this sectionThách thức và Cân nhắc#

Việc triển khai các hệ thống khuyến nghị hiệu quả đi kèm với những trở ngại đáng kể:

• Vấn đề Cold Start: Người dùng hoặc mục mới thiếu lịch sử tương tác cần thiết cho lọc cộng tác. Các kỹ thuật như học ít mẫu (few-shot learning) hoặc sử dụng siêu dữ liệu là những giải pháp phổ biến cho vấn đề cold start.
• Khả năng mở rộng (Scalability): Các hệ thống phải xử lý hàng triệu tương tác trong thời gian thực. Điều này đòi hỏi các chiến lược triển khai mô hình hiệu quả và phần cứng được tối ưu hóa.
• Hệ lụy đạo đức: Nhu cầu giải quyết định kiến thuật toán ngày càng tăng để ngăn chặn các hệ thống củng cố những khuôn mẫu rập khuôn. Tuân thủ Đạo đức AI và đảm bảo quyền riêng tư dữ liệu là rất quan trọng để duy trì niềm tin của người dùng.

Để xây dựng và huấn luyện các mô hình của riêng bạn cho các tác vụ khuyến nghị, Ultralytics Platform cung cấp một môi trường toàn diện cho việc quản lý tập dữ liệu và huấn luyện mô hình.