Hệ thống khuyến nghị - AI best practices - FPT Digital
Hệ thống khuyến nghị – AI best practices
Digital Strategy

Hệ thống khuyến nghị – AI best practices

Hệ thống khuyến nghị (Recommender System) sử dụng công nghệ AI để thực hiện phân tích và hiểu khối dữ liệu cá nhân, từ đó, đưa ra các dự đoán, gợi ý đề xuất phù hợp với sở thích của người dùng tại thời điểm bất kỳ trên các ứng dụng và nền tảng trực tuyến giúp tiết kiệm thời gian tìm kiếm, truy cập nội dung dễ dàng, đồng thời, giúp doanh nghiệp nâng cao trải nghiệm khách hàng.

Nhắc đến AI, nhiều người sẽ nghĩ ngay tới các ứng dụng nhận dạng ảnh, chatbot, hay xe tự lái. Trên thực tế, ứng dụng AI đã được sử dụng phổ biến từ lâu và hiện có mặt trên hầu hết các nền tảng trực tuyến, không phải chỉ trong các ứng dụng nói trên mà trong các hệ thống khuyến nghị (recommender systems hay RS).

Hệ thống khuyến nghị là các công cụ và kỹ thuật phần mềm cung cấp các đề xuất về các hạng mục/nội dung đề xuất cho người dùng. Các đề xuất liên quan đến các quá trình ra quyết định khác nhau tại những thời điểm bất kỳ cho người dùng, ví dụ như mua hàng hóa nào, nghe nhạc gì hoặc đọc tin tức gì. Hệ thống khuyến nghị có thể sử dụng các kỹ thuật AI như học máy để hiểu được sở thích của người dùng, nhờ vậy đưa ra những dự đoán và khuyến nghị những sản phẩm/dịch vụ/nội dung mà người dùng có thể quan tâm (hàng hoá, phim, sách, video, tin tức, bài hát, khách sạn, khoá học, v.v.). Một số hệ thống khuyến nghị tiêu biểu bao gồm hệ thống của Amazon, Netflix và Youtube (hình 1, hình 2).

hệ thống khuyến nghị
Hình 1. Ví dụ ảnh chụp màn hình kết quả khuyến nghị của Netflix
Hình 2. Ví dụ ảnh chụp màn hình kết quả khuyến nghị trên Youtube

Lợi ích đem lại của hệ thống khuyến nghị

Lý do cần có hệ thống khuyến nghị là bởi số lượng sản phẩm/dịch vụ/nội dung được cung cấp trực tuyến quá nhiều và người dùng khó tìm được thứ mình cần. Khi người dùng vào website cung cấp sản phẩm, hệ thống khuyến nghị sẽ trả về một danh sách ngắn các sản phẩm mà người dùng nhiều khả năng sẽ chọn, có thể bao gồm cả những thứ mà người đó không biết từ trước.

Như vậy, hệ thống khuyến nghị giúp tiết kiệm thời gian, tăng tốc độ tìm kiếm và giúp người dùng truy cập tới nội dung họ quan tâm một cách dễ dàng hơn, đồng thời, gợi ý tới người dùng những đề xuất mới mà trước đây họ chưa từng biết đến. Với khả năng của hệ thống khuyến nghị, các doanh nghiệp sử dụng chúng để giới thiệu sản phẩm tới người tiêu dùng, giúp gia tăng doanh số nhờ các ưu đãi, sản phẩm, dịch vụ được khuyến nghị một cách cá nhân hóa, làm nâng cao trải nghiệm khách hàng. Điều này cải thiện lợi thế cạnh tranh của doanh nghiệp và giảm thiểu tỉ lệ khách hàng rời bỏ và đến với đối thủ cạnh tranh khi họ nhận thấy doanh nghiệp hiểu nhu cầu của họ và cung cấp cho họ những thứ họ muốn.

Hệ thống khuyến nghị là thành phần không thể thiếu của các nền tảng trực tuyến cung cấp đa dạng các loại hình dịch vụ, từ các website thương mại điện tử tới nền tảng đào tạo trực tuyến. Theo McKinsey, 35% doanh thu của Amazon được tạo ra từ các tương tác với hệ thống khuyến nghị của hãng này. Một thống kê khác cũng cho thấy 75% thời lượng xem phim trên Netflix được thực hiện nhờ các khuyến nghị được cá nhân hoá (*).

Cách thức hoạt động của hệ thống khuyến nghị

Khác với các công cụ tìm kiếm (search engine), hệ thống khuyến nghị chủ động đưa ra các dự đoán mà không cần người dùng yêu cầu. Trong khi các công cụ tìm kiếm đòi hỏi người dùng phải mô tả yêu cầu của mình, ví dụ dưới dạng các từ khoá, tức là người dùng phải biết mình muốn gì, cũng như phải biết hệ thống có thể cung cấp thứ mình muốn thì hệ thống khuyến nghị không cần cả hai thông tin này.

Vậy làm thế nào để hệ thống khuyến nghị có thể đoán được người dùng muốn gì? Theo cách đơn giản, mọi người có thể ra quyết định bằng cách làm theo người khác. Ví dụ, khi xem phim xong, ta có thể tìm được lối ra chỉ bằng cách đi theo mọi người thay vì biết chính xác cửa ra nằm ở đâu. Tương tự như vậy, một người có khả năng cao đi xem một bộ phim đơn giản vì đó đang là phim bom tấn. Các phương pháp khuyến nghị đơn giản cũng sử dụng nguyên tắc này: khuyến nghị những sản phẩm có nhiều người thích.

Đa số hệ thống khuyến nghị hiện nay cho phép cá nhân hoá khuyến nghị tới người dùng, tức là giới thiệu những dịch vụ, sản phẩm chỉ có một nhóm người thích, bên cạnh các sản phẩm đại chúng. Việc cá nhân hoá khuyến nghị đòi hỏi các thuật toán khuyến nghị hoàn thiện hơn. Ví dụ, thuật toán thế hệ đầu tìm kiếm những người dùng có lịch sử mua sắm tương tự như người dùng mà hệ thống đang cần đưa ra khuyến nghị (mua những sản phẩm tương tự trong quá khứ), sau đó giới thiệu cho người dùng này những sản phẩm mà những người kia mới mua.

Các thuật toán thế hệ tiếp theo ngày càng hoàn thiện và cho kết quả tốt hơn. Một phương pháp thường được nhắc đến là thừa số hoá ma trận. Theo phương pháp này, mỗi người dùng sẽ được biểu diễn dưới dạng một vec tơ các con số, trong đó mỗi phần tử của vec tơ thể hiện mức độ người đó liên quan tới một số sở thích nào đó. Chẳng hạn, trong trường hợp khuyến nghị phim, một người dùng có thể biểu diễn bằng vec tơ (hành động/0.8, hài/0.1, kinh dị/0.2) thể hiện đó là người thích phim hành động và không thích phim hài hay phim kinh dị lắm. Tương tự, một bộ phim có thể được biểu diễn dưới dạng (hành động/0.9, hài/0.3, kinh dị/0.0). Người dùng sẽ được khuyến nghị những phim có vec tơ biểu diễn tương tự vec tơ của mình. Các vec tơ này được tính từ lịch sử xem phim của người dùng nhờ một thuật toán riêng. Trên thực tế, các vec tơ biểu diễn thường có vài trăm phần tử và các phần tử không có ý nghĩa rõ ràng như trong ví dụ trên.

Các hệ thống khuyến nghị hiện nay thường sử dụng mạng nơ ron nhân tạo nhiều lớp và kỹ thuật học sâu để xây dựng biểu diễn người dùng và sản phẩm. Học sâu cho thấy những tiến bộ đầy hứa hẹn trong những năm gần đây trong việc cung cấp các khuyến nghị được cá nhân hóa. Hệ thống dạng này cho phép học các quan hệ phức tạp giữa người dùng, sản phẩm và tích hợp thêm các thông tin khác như ngữ cảnh diễn ra tương tác giữa người dùng với sản phẩm, hay tích hợp thêm các thông tin mô tả sản phẩm. Điều này thực hiện được bởi học sâu có khả năng tìm hiểu các đại diện phân tán trong các thuộc tính của người dùng và của mặt hàng trong không gian vectơ dày đặc chiều thấp và kết hợp chúng để giới thiệu các mặt hàng phù hợp cho người dùng. Với những lợi ích mang lại, các dịch vụ trực tuyến nổi tiếng nhất hiện nay như Youtube, Netflix, Spotify, Pinterest, Amazon… đều đã chuyển sang hệ thống khuyến nghị sử dụng các kỹ thuật học sâu.

 

Các hệ thống khuyến nghị là một trong những lớp ứng dụng thành công và phổ biến nhất của trí tuệ nhân tạo. Với các dịch vụ trực tuyến ngày càng phát triển mạnh mẽ và đóng vai trò quan trọng, hệ thống khuyến nghị được tiếp tục ứng dụng rộng rãi, đồng thời, liên tục được nghiên cứu, cải tiến để đưa ra những kết quả khuyến nghị ngày một chính xác và có thể được mở rộng cho nhiều dạng ứng dụng mới.

 

 

Nguồn tham khảo
(*) McKinsey. 2013. How retailers can keep up with consumers.

Nghiên cứu nổi bật
01. Tương lai ngành dệt may Việt Nam: Công nghệ số và xu hướng xanh sẽ giúp Việt Nam duy trì và tăng cường vị thế toàn cầu như thế nào? 02. eKYC – Bước ngoặt trong xác thực danh tính an toàn ngành ngân hàng 03. Chuyển đổi số trong ngành bất động sản: Xu hướng và giải pháp thực hiện 04. Vai trò của công nghệ Industrial IoT trong chuyển đổi nhà máy thông minh
Đăng kí theo dõi ngay!
Cập nhật những xu hướng và phân tích mới nhất về chuyển đổi số với các bản tin điện tử của FPT Digital.

    Tìm hiểu về chuyển đổi số cho doanh nghiệp
    Xác nhận