Gợi ý món ăn kết hợp kỹ thuật lọc nội dung Và lọc cộng tác theo người dùng
Abstract
Current recommender systems have attracted significant attention in research and practical applications. Applying recommendation techniques to the culinary field, especially in suggesting dishes, still holds considerable potential for exploration and development. This paper, titled "Dish Recommendation Combining Content-Based and User-Based Collaborative Filtering Techniques" proposes a specific model to address this problem. It employs a hybrid approach combining content-based filtering with collaborative filtering to recommend dishes to customers. Subsequently, the system is integrated into an electronic menu for practical experimentation, offering intuitive recommendations to users. The experimental results of the model show a root mean squared error (RMSE) of 0.325 and an F1-Score of 66.3%.
Tóm tắt
Hiện nay, các hệ thống gợi ý đã thu hút được sự quan tâm lớn trong lĩnh vực nghiên cứu và ứng dụng thực tiễn. Việc áp dụng các kỹ thuật gợi ý vào lĩnh vực ẩm thực, đặc biệt là gợi ý món ăn, vẫn còn nhiều tiềm năng để khai thác và phát triển. Đề tài "Gợi ý món ăn kết hợp kỹ thuật lọc nội dung và lọc cộng tác theo người dùng" đề xuất mô hình cụ thể để giải quyết bài toán đặt ra dùng kỹ thuật lọc theo nội dung kết hợp với lọc cộng tác để gợi ý món ăn cho khách hàng. Tiếp theo là hệ thống được tích hợp vào menu điện tử để thực nghiệm, đưa ra những gợi ý một cách trực quan cho người dùng. Kết quả thực nghiệm của mô hình có giá trị sai số bình phương trung bình gốc (RMSE) là 0.325 và có giá trị F1-Score là 66.3%.
Tài liệu tham khảo
[1] Đ. T. Liên, "Hợp nhất lọc cộng tác và lọc nội dung bằng phương pháp học bán giám sát," Trường Đại học Bưu chính Viễn thông, 2020.
[2] Nguyễn Hùng Dũng, Nguyễn Thái Nghe. 2014. Hệ thống gợi ý sản phẩm trong bán hàng trực tuyến sử dụng kỹ thuật lọc cộng tác. Tạp chí Khoa học Trường Đại học Cần Thơ, số 31a (2014), trang 36-51. ISSN: 1859-2333.
[3] N. T. Nghe, Đ. H. H. Nguyên, T. Q. Toanh, và N. H. Hòa, "Một giải pháp ứng dụng trí tuệ nhân tạo trong gợi ý món ăn cho các nhà hàng," Tạp chí Khoa học Đại học Cần Thơ, vol. 60, no. SDMD, pp. 17-24, 2024.
[4] P. M. Chuẩn, L. T. Hương, T. Đ. Khang, and N. V. Hậu, "Hệ thống gợi ý sử dụng thuật toán tối ưu bầy đàn". Kỷ yếu Hội nghị quốc gia lần thứ VIII "Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin" (FAIR 2015)
[5] Nguyễn Tấn Phong, Nguyễn Thái Nghe. 2014. Một giải pháp trong xây dựng Hệ thống gợi ý bài hát. Trang 149-154, kỷ yếu hội thảo quốc gia lần thứ XVII: Một số vấn đề chọc lọc của CNTT&TT (@2014). Nhà xuất bản Khoa học và kỹ thuật. ISBN: 978-604-67-0426-3
[6] R. Baeza-Yates and B. Ribeiro-Neto (1999), “Modern Information Retrieval”. Addison-Wesley.
[7] T. Mitchell (1997), “Machine Learning”, 1 ed. McGraw Hill.
[8] M. Pazzani and D. Billsus (1997), “Learning and Revising User Profiles: The Identification of Interesting Web Sites”, Machine Learning, vol. 27, pp. 313-331.
[9] G. Somlo and A. Howe (2001), “Adaptive Lightweight Text Filtering”, Proc. Fourth Int’l Symp. Intelligent Data Analysis.
[10] Y. Zhang and J. Callan (2001), “Maximum Likelihood Estimation for Filtering Thresholds”, Proc. 24th Ann. Int’l ACM SIGIR Conf.
[11] G. Adomavicius, A. Tuzhilin (2005), “Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions”, IEEE Transactions On Knowledge And Data Engineering, vol. 17, No. 6, 2005.
[12] J.L. Herlocker, J.A. Konstan, and J. Riedl (2000), “Explaining Collaborative Filtering Recommendations”, Proc. ACM Conf. Computer Supported Cooperative Work.
[13] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl (2001), “Item-Based Collaborative Filtering Recommendation Algorithms”, Proc. 10th Int’l WWW Conf.
[14] J.L. Herlocker, J.A. Konstan, L.G. Terveen, and J.T. Riedl (2004), “Evaluating Collaborative Filtering Recommender Systems”, ACM Trans. Information Systems, vol. 22, No. 1, pp. 5-53.
[15] B. Marlin (2003), “Modeling User Rating Profiles for Collaborative Filtering”, Proc. 17th Ann. Conf. Neural Information Processing Systems (NIPS ’03).
[16] D. Billsus and M. Pazzani (1998), “Learning Collaborative Information Filters”, Proc. Int’l Conf. Machine Learning.
[17] D. Billsus and M. Pazzani (2000), “User Modeling for Adaptive News Access”, User Modeling and User-Adapted Interaction, vol. 10, No. 2-3, pp. 147-180
[18] [103] X. Su and T. M. Khoshgoftaar (2006), “Collaborative filtering for multi- class data using belief nets algorithms”, in Proceedings of the International Conference on Tools with Artificial Intelligence (ICTAI '06), pp. 497–504.
[19] X. Su, T. M. Khoshgoftaar (2009), “A Survey of Collaborative Filtering Techniques”. Advances in Artificial Intelligence, vol 2009, pp.1-20.
[20] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl (2000), “Application of Dimensionality Reduction in Recommender Systems—A Case Study”, Proc. ACM WebKDD Workshop.
[21] L.H. Ungar and D.P. Foster (1998), “Clustering Methods for Collaborative Filtering”, Proc. Recommender Systems, Papers from 1998 Workshop, Technical Report WS-98-08 1998.
[22] L. Si and R. Jin (2003), “Flexible Mixture Model for Collaborative Filtering”, Proc. 20th Int’l Conf. Machine Learning.
[23] T. Hofmann (2003), “Collaborative Filtering via Gaussian Probabilistic Latent Semantic Analysis”, Proc. 26th Ann. Int’l ACM SIGIR Conf.
[24] T. Hofmann (2004), “Latent Semantic Models for Collaborative Filtering”,ACM Trans. Information Systems, vol. 22, No. 1, pp. 89-115.
[25] C. Desrosiers, G. Karypis (2008), “Solving the Sparsity Problem: Collaborative Filtering via Indirect Similarities”, Department of Computer Science and Engineering University of Minnesota (Technical Report).
[26] D. Pavlov and D. Pennock (2002), “A Maximum Entropy Approach to Collaborative Filtering in Dynamic, Sparse, High-Dimensional Domains”, Proc. 16th Ann. Conf. Neural Information Processing Systems (NIPS ’02).
[27] C.C.Aggarwal, J.L. Wolf, K.L. Wu, and P.S.Yu (1999), “Horting Hatches an Egg: A New Graph-Theoretic Approach to Collaborative Filtering”, Proc. Fifth ACM SIGKDD Int’l Conf. Knowledge Discovery and Data Mining.
[28] Z. Huang, H. Chen, D. Zeng (2004), “Applying Associative Retrieval Techniques to Alleviate the Sparsity Problem in Collaborative Filtering”, ACM Transactions on Information Systems, vol. 22(1) pp. 116–142
[29] I. Soboroff and C. Nicholas (1999), “Combining Content and Collaboration in Text Filtering” Proc. Int’l Joint Conf. Artificial Intelligence Workshop: Machine Learning for Information Filtering.
[30] C. Basu, H. Hirsh, and W. Cohen (1998), “Recommendation as Classification: Using Social and Content-Based Information in Recommendation”, Recommender Systems. Papers from 1998 Workshop, Technical Report WS-98-08, AAAI Press 1998.
[31] J. Balisico, T. Hofmann (2004),”Unifying collaborative and content-based filtering”, In Proceedings. of Int’l. Conf. on Machine learning (ICML-2004).
[32] A.I. Schein, A. Popescul, L.H. Ungar, and D.M. Pennock (2002), “Methods and Metrics for Cold-Start Recommendations”. Proc. 25th Ann. Int’l ACM SIGIR Conf.
[33] P. Melville, R.J. Mooney, and R. Nagarajan (2002), “Content-Boosted Collaborative Filtering for Improved Recommendations”, Proc. 18th Nat’l Conf. Artificial Intelligence.
[34] A. Gunawardana, C. Meek (2009), “A unified approach to building hybrid recommender systems. Microsoft Research , RecSys 2009: 117-124.
