Tìm hiểu về hệ thống tư vấn thông tin di động

n duy nhất “cần thiết” ( tính chất “cần thiết” ) ra khỏi đối tƣơṇg. (03) Nguyên tắc phẩm chất cuc̣ bô ̣ - Chuyển đối tƣơṇg ( hay môi trƣờng bên ngoài , tác động bên ngoài ) có cấu trúc đồng nhất thành không đồng nhất. - Các phần khác nhau của đối tƣợng phải có các chức năng khác nhau . - Mỗi phần của đối tƣơṇg phải ở trong nhƣ̃ng điều kiêṇ thíc h hơp̣ nhất đối với công viêc̣. (04) Nguyên tắc phản đối xứng - Chuyển đối tƣơṇg có hình daṇg đối xƣ́ng thành không đối xƣ́ng ( nói chung giãm bật đối xứng). (05) Nguyên tắc kết hơp̣ - Kết hơp̣ các đối tƣơṇg đồng nhất hoăc̣ các đối tƣơṇg dùng cho các hoaṭ đôṇg kế câṇ. - Kết hơp̣ về măṭ thời gian các hoaṭ đôṇg đồng nhất hoăc̣ kế câṇ . (06) Nguyên tắc vaṇ năng - Đối tƣợng thực hiện một số chức năng khác nhau , do đó không cần sƣ ̣tham gia của các đối tƣợng khác. (07) Nguyên tắc “chứa trong” - Môṭ đối tƣơṇg đƣơc̣ đăṭ bên trong đối tƣơṇg khác và bản thân nó laị chƣ́a đối tƣơṇg thƣ́ ba … Mobile Location-Based Recommender System 6 - Môṭ đối tƣơṇg chuyển đôṇg xuyên suốt bên trong đối tƣơṇg khác . (08) Nguyên tắc phản troṇg lươṇg - Bù trừ trọng lƣợng của đối tƣợng bằng cách gắn nó với các đối tƣợng khác có lƣc̣ nâng. - Bù trừ trọng lƣợng của đối tƣợng bằng tƣơng tác với môi trƣờng nhƣ sử dụng các lực thủy động, khí động… (09) Nguyên tắc gây ứng suất sơ bô ̣ - Gây ƣ́ng suất trƣớc với đối tƣơṇg để chống laị ƣ́ng suất không cho phép hoăc̣ không mong muốn khi đối tƣơṇg làm viêc̣ ( hoăc̣ gây ƣ́ng suất trƣớc để khi làm viêc̣ se ̃dùng ƣ́ng suất ngƣơc̣ laị ). (10) Nguyên tắc thưc̣ hiêṇ sơ bô ̣ - Thƣc̣ hi ện trƣớc sự thay đổi cần có , hoàn toàn hoặc từng phần , đối với đối tƣơṇg. - Cần sắp xếp đối tƣơṇg trƣớc , sao cho chúng có thể hoaṭ đôṇg tƣ̀ vi ̣ trí thuâṇ lơị nhất, không mất thời gian dic̣h chuyển. (11) Nguyên tắc dư ̣phòng - Bù đắp độ tin cậy không lớn của đối tƣợng bằng cách chuẩn bị trƣớc các phƣơng tiêṇ báo đôṇg, ứng cứu, an toàn. (12) Nguyên tắc đẳng thế - Thay đổi điều kiêṇ làm viêc̣ để không phải nâng lên hay ha ̣xuống các đối tƣơṇg. (13) Nguyên tắc đảo ngươc̣ - Thay vì hành đôṇg nhƣ yêu cầu bài toán , hành động ngƣợc lại ( ví dụ , không làm nóng mà làm lạnh đối tƣợng) - Làm phần chuyển động của đối tƣợng ( hay môi trƣờng bên ngoài ) thành đứng yên và ngƣơc̣ laị, phần đƣ́ng yên thành chuyển đôṇg . (14) Nguyên tắc cầu ( tròn ) hoá - Chuyển nhƣ̃ng phần thẳng của đối tƣơṇg thành cong , măṭ phẳng thành măṭ cầu , kết cấu hình hôp̣ thành kết cấu hình cầu. - Sƣ̉ duṇg các con lăn, viên bi, vòng xoắn. - Chuyển sang chuyển đôṇg quay , sƣ̉ duṇg lƣc̣ ly tâm. (15) Nguyên tắc linh đôṇg - Cần thay đổi các đăṭ trƣng của đối tƣơṇg hay môi trƣờng bên ngoài sao cho chúng tối ƣu trong từng giai đoạn làm việc. - Phân chia đối tƣơṇg thành tƣ̀ng phần, có khả năng dịch chuyển với nhau. (16) Nguyên tắc giải “thiếu” hoăc̣ “thừa” Mobile Location-Based Recommender System 7 - Nếu nhƣ khó nhâṇ đƣơc̣ 100% hiêụ quả cần thiết , nên nhâṇ ít hơn hoăc̣ nhiều hơn “môṭ chút”. Lúc đó bài toán có thể trở nên đơn giản hơn và dễ giải hơn. (17) Nguyên tắc chuyển sang chiều khác - Nhƣ̃ng khó khăn do chuyển đôṇg ( hay sắp xếp ) đối tƣơṇg theo đƣờng (môṭ chiều) sẽ đƣợc khắc phục nếu cho đối tƣợng khả năng di chuyển trên mặt phẳng ( hai chiều). Tƣơng tƣ,̣ nhƣ̃ng bài toán liên quan đến chuyển đôṇg ( hay sắp xếp) các đối tƣợng trên mặt phẳng sẽ đƣợc đơn giản hoá khi chuyển sang không gian (ba chiều). - Chuyển các đối tƣơṇg có kết cấu môṭ tầng thành nhiều tầng . - Đặt đối tƣợng nằm nghiêng. - Sử dụng mặt sau của diện tích cho trƣớc. - Sƣ̉ duṇg các luồng ánh sáng tới diêṇ tích bên caṇh hoăc̣ tới măṭ sau của diêṇ tích cho trƣớc. (18) Nguyên tắc sử duṇg các dao đôṇg cơ hoc̣ - Làm đối tƣợng dao động. Nếu đa ̃có dao đôṇg, tăng tầng số dao đôṇg ( đến tầng số siêu âm). - Sƣ̉ duṇg tầng số côṇg hƣởng. - Thay vì dùng các bô ̣rung cơ hoc̣, dùng các bộ rung áp điện. - Sƣ̉ duṇg siêu âm kết hơp̣ với trƣờng điêṇ tƣ̀. (19) Nguyên tắc tác đôṇg theo chu kỳ - Chuyển tác động liên tục thành tác động theo chu kỳ (xung). - Nếu đa ̃có tác đôṇg theo chu kỳ, hãy thay đổi chu kỳ . - Sƣ̉ duṇg các khoảng thời gian giƣ̃a các xung để thƣc̣ hiêṇ tác đôṇg khác . (20) Nguyên tắc liên tuc̣ tác đôṇg có ích - Thƣc̣ hiêṇ công viêc̣ môṭ cách liên tuc̣ ( tất cả các phần của đối tƣơṇg cần luôn luôn làm viêc̣ ở chế đô ̣đủ tải ). - Khắc phuc̣ vâṇ hành không tải và trung gian. - Chuyển chuyển đôṇg tiṇh tiến qua laị thành chuyển đôṇg quay. (21) Nguyên tắc “vươṭ nhanh” - Vƣơṭ qua các giai đoaṇ có haị hoăc̣ nguy hiểm với vâṇ tốc lớn . - Vƣơṭ nhanh để có đƣơc̣ hiêụ ƣ́ng cần thiết. (22) Nguyên tắc biến haị thành lơị - Sƣ̉ duṇg nhƣ̃ng tác nhân có haị ( thí dụ tác động có h ại của môi trƣờng ) để thu đƣơc̣ hiêụ ƣ́ng có lơị. - Khắc phuc̣ tác nhân có haị bằng cách kết hơp̣ nó với tác nhân có haị khác . - Tăng cƣờng tác nhân có haị đến mƣ́c nó không còn có haị nƣ̃a . Mobile Location-Based Recommender System 8 (23) Nguyên tắc quan hê ̣phản hồi - Thiết lâp̣ quan hê ̣phản hồi - Nếu đa ̃có quan hê ̣phản hồi, hãy thay đổi nó. (24) Nguyên tắc sử duṇg trung gian - Sƣ̉ duṇg đối tƣơṇg trung gian, chuyển tiếp. (25) Nguyên tắc tư ̣phuc̣ vu ̣ - đối tƣơṇg phải tƣ ̣phuc̣ vu ̣bằng cách thƣc̣ hiêṇ các thao tác phu ̣trơ,̣ sƣ̉a chƣ̃a. - Sƣ̉ duṇg phế liêụ, chát thải, năng lƣơṇg dƣ. (26) Nguyên tắc sao chép (copy) - Thay vì sƣ̉ duṇg nhƣ̃ng cái không đƣơc̣ phép , phƣ́c tap̣, đắt tiền, không tiêṇ lơị hoăc̣ dê ̃vỡ, sƣ̉ duṇg bản sao. - Thay thế đối tƣơṇg hoăc̣ hê ̣các đối tƣơṇg bằng bản sao quang hoc̣ (ảnh, hình vẽ) với các tỷ lê ̣cần thiết. - Nếu không thể sƣ̉ duṇg bản sao quang hoc̣ ở vùng biẻu kiến ( vùng ánh sáng nhìn thấy đƣợc bằng mắt thƣờng ), chuyển sang sƣ̉ duṇg các bản sao hồng ngoaị hoăc̣ tƣ̉ ngoaị. (27) Nguyên tắc “rẻ” thay cho “đắt” - Thay thế đối tƣơṇg đắt tiền bằng bô ̣các đối tƣơṇg rẻ có chất lƣơṇg kém hơn ( thí dụ nhƣ về tuổi thọ). (28) Thay thế sơ đồ cơ hoc̣ - Thay thế sơ đồ cơ hoc̣ bằng điêṇ, quang, nhiêṭ, âm hoăc̣ mùi vi.̣ - Sƣ̉ duṇg điêṇ trƣờng, tƣ̀ trƣờng và điêṇ tƣ̀ trƣờng trong tƣơng tác với đối tƣơṇg . - Chuyển các trƣờng đƣ́ng yên sang chuyển đôṇg , các trƣờng cố định sang thay đổi theo thời gian, các trƣờng đồng nhất sang có cấu trúc nhất định . - Sƣ̉ duṇg các trƣờng kết hơp̣ với các haṭ sắt tƣ̀. (29) Sử duṇg các kết cấu khí và lỏng - Thay cho các phần của đối tƣơṇg ở thể rắn , sƣ̉ duṇg các chất khí và lỏng : nạp khí, nạp chất lỏng, đệm không khí, thủy tĩnh, thủy phản lực. (30) Sử duṇg vỏ dẻo và màng mỏng - Sƣ̉ duṇg các vỏ dẻo và màng mỏng thay cho các kết cấu khối . - Cách ly đối tƣợng với môi trƣờng bên ngoài bằng các vỏ dẻo và màng mỏng. (31) Sử duṇg các vâṭ liêụ nhiều lô ̃ - Làm đối tƣợng có nhiều lỗ hoặc sử dụng thêm những chi tiết có nhiều lỗ ( miếng đêṃ, tấm phủ..) - Nếu đối tƣơṇg đa ̃có nhiều lỗ, sơ bô ̣tẩm nó bằng chất nào đó. Mobile Location-Based Recommender System 9 (32) Nguyên tắc thay đổi màu sắc - Thay đổi màu sắc của đối tƣơṇg hay môi trƣờng bên ngoài - Thay đổi đô ̣trong suốt của của đối tƣơṇg hay môi trƣờng bên ngoài . - Để có thể quan sát đƣơc̣ nhƣ̃ng đối tƣơṇg hoăc̣ nhƣ̃ng quá trình , sƣ̉ duṇg cá c chất phu ̣gia màu, hùynh quang. - Nếu các chất phu ̣gia đó đa ̃đƣơc̣ sƣ̉ duṇg, dùng các nguyên tử đánh dấu . - Sƣ̉ duṇg các hình vẽ, ký hiệu thích hợp. (33) Nguyên tắc đồng nhất - Nhƣ̃ng đối tƣơṇg , tƣơng tác với đối tƣơṇg cho trƣớ c, phải đƣợc làm từ cùng môṭ vâṭ liêụ ( hoăc̣ tƣ̀ vâṭ liêụ gần về các tính chất ) với vâṭ liêụ chế taọ đối tƣơṇg cho trƣớc. (34) Nguyên tắc phân hủy hoăc̣ tái sinh các phần - Phần đối tƣơṇg đa ̃hoàn thành nhiêṃ vu ̣hoăc̣ trở n ên không càn thiết phải tƣ ̣ phân hủy ( hoà tan, bay hơi..) hoăc̣ phải biến daṇg. - Các phần mất mát của đối tƣợng phải đƣợc phục hồi trực tiếp trong quá trình làm việc. (35) Thay đổi các thông số hoá lý của đối tươṇg - Thay đổi trạng thái đối tƣợng. - Thay đổi nồng đô ̣hay đô ̣đâṃ đăc̣ . - Thay đổi đô ̣dẻo - Thay đổi nhiêṭ đô,̣ thể tích. (36) Sử duṇg chuyển pha - Sƣ̉ duṇg các hiêṇ tƣơṇg nảy sinh trong quá trình chuyển pha nhƣ : thay đổi thể tích, toả hay hấp thu nhiêṭ lƣơṇg… (37) Sử duṇg sư ̣nở nhiêṭ - Sƣ̉ duṇg sƣ ̣nở ( hay co) nhiêṭ của các vâṭ liêụ. - Nếu đa ̃dùng sƣ ̣nở nhiêṭ, sƣ̉ duṇg với vâṭ liêụ có các hê ̣số nở nhiêṭ khác nhau. (38) Sử duṇg các chất oxy hoá maṇh - Thay không khí thƣờng bằng không khí giàu oxy. - Thay không khí giàu oxy bằng chính oxy . - Dùng các bức xạ ion hoá tác động lên không khí hoặc oxy. - Thay oxy giàu ozon ( hoăc̣ oxy bi ̣ ion hoá) bằng chính ozon. (39) Thay đổi đô ̣trơ - Thay môi trƣờng thông thƣờng bằng môi trƣờng trung hoà. - Đƣa thêm vào đối tƣơṇg các phần , các chất , phụ gia trung hoà. Mobile Location-Based Recommender System 10 - Thƣc̣ hiêṇ quá trình trong chân không. (40) Sử duṇg các vâṭ liêụ hơp̣ thành ( composite ) - Chuyển tƣ̀ các vâṭ liêụ đồng nhấ t sang sƣ̉ duṇg nhƣ̃ng vâṭ liêụ hơp̣ thành ( composite). Hay nói chung, sƣ̉ duṇg các vâṭ liêụ mới. Mobile Location-Based Recommender System 11 Phần 2. Tổng quan về các hệ thống tư vấn thông tin di động Có cách nào để nhanh chóng tìm ra máy ATM để rút tiền , sau đó đ ến môṭ nhà hàng K entucky để ăn trƣa khi ta đang di chuyển trên môṭ đƣờng phố xa la ̣mà không phải hỏi thăm hoăc̣ vác xe chaỵ doc̣ theo đƣờng? Điều đó se ̃khó khả thi nếu cách đây mƣ ời năm, nhƣng hiêṇ nay ta có thể dê ̃dàng tìm thấy câu trả lời ngay trên chiếc điêṇ thoaị di đôṇg của mình nhờ sƣ ̣ra đời của nhƣ̃ng ƣ́ng duṇg cung cấp dic̣h vu ̣dƣạ trên điạ điểm (Location Based Services). 2.1 Location Based Services (LBSs) là gì? 2.1.1 Điṇh nghiã LBSs Dịch vụ theo địa điểm đƣợc phát triển mạnh mẽ cùng với sự ra đời của GPS trên các thiết bị di động . Sƣ ̣kết hơp̣ của maṇg xa ̃hôị , các hệ thống tƣ vấn và dịch vụ theo địa điểm đã tạo nên những sản phẩm hết sƣ́c tuyêṭ vời , đáp ƣ́ng nhu cầu cá nhân hóa dic̣h vụ cho ngƣời dùng , kiểu nhƣ là “I’am here, take care of me.” hoăc̣ là “Where are you? Can I join?”, ví dụ nhƣ ta phát hiện ra nhóm ngƣời bạn của mình đang ở gần một nhà hàng yêu thích và thế là cả nhóm cùng đi ăn trƣa . Location Based Services (LBSs) là các dịch vụ thông tin hoặc giải trí sử dụng trên các thiết bị di động thông các maṇg điêṇ thoaị và có sƣ̉ duṇg thông tin về vi ̣ trí hiêṇ taị của thiết bi .̣ LBSs are information services accessible with mobile devices through the mobile network and utilizing the ability to make use of the location of the mobile device. [Virrantaus et al. 2001] Một số LBS phổ biến hiện nay có thể kể đến nhƣ Google Map, Foursquare, Facebook Places... Mobile Location-Based Recommender System 12 2.1.2 Phân biệt GIS (Geographic Information Systems) và LBS GIS và LBS có một số điểm tƣơng đồng đặc biệt. Dê ̃thấy nhất là việc xử lý dữ liệu có tham chiếu đến vị trí và các tính năng phân tích không gian (LBS-services), cung cấp cho câu trả lời cho những câu hỏi nhƣ: "Tôi đang ở đâu?" "Có những đối tƣợng nào ở gần?" "Làm thế nào có thể đi đến đó?". Nhƣng LBS và GIS có nguồn gốc và các nhóm ngƣời dùng khác nhau nhƣ đƣợc mô tả bởi Virrantaus et al. (2001). Họ phân tích rằng các hệ thống thông tin địa lý đã đƣợc phát triển trong nhiều thập kỷ trên cơ sở của các ứng dụng dữ liệu địa lý chuyên nghiệp. Trong khi đó, LBS mới ra đời gần đây bởi sự tiến triển của dịch vụ di động công cộng. Hệ thống thông tin địa lý (Geographical information system) là một hệ thống lƣu giữ, phân tích, quản lý và trình bày dữ liệu liên quan tới vị trí và thông tin địa lý. Theo cách hiểu hiện nay, GIS còn bao gồm các công cụ truy vấn thông tin, phân tích và kết hợp các thông tin rời rạc, bản đồ … GIS đƣợc ứng dụng trong khá nhiều ngành nhƣ bất động sản, y tế, an ninh quốc phòng hay quy hoạch đô thị. GIS đóng vai trò rất quan trọng trong các LBS, vì nếu thiếu cơ sở dữ liệu thông tin về các vị trí do GIS cung cấp, LBS không thể rút ra ý nghĩa từ thông tin vị trí thu đƣợc 2.1.3 Kiến trúc của LBS (Location-Based Services Infrastructure) Để môṭ LBS hoaṭ đôṇg, cần có sƣ ̣phối hơp̣ của các thành phần cơ bản nhƣ sau (Hình 5):  Mobile devices (user): Thiết bị di động đƣợc dùng để gửi đi yêu cầu và nhận về kết quả đáp ứng, nó có thể là điện thoại di động, thiết bị trợ giúp số cá nhân (PDA), máy tính xách tay, các thiết bị dẫn đƣờng đặt trên xe, các trạm cung cấp thông tin đặt tại các điểm công cộng.  Communication networks: Mạng truyền thông đóng vai trò kết nối thiết bị di động và nhà cung cấp dịch vụ. Trong trƣờng hợp nhà cung cấp dịch vụ triển khai ứng dụng của họ trên Internet, mạng truyền thông đƣợc hiểu là mạng thông tin di động và mạng Internet. Trong quá trình hoạt động, yêu cầu đƣợc gửi từ ngƣời dùng qua mạng di động đến giao diện giữa mạng di động và mạng Internet, từ đó yêu cầu đƣợc chuyển tiếp đến nhà cung cấp dịch vụ.  Positioning: Hệ thống định vị có nhiệm vụ cung cấp dữ liệu về vị trí của khách hàng nhƣ một tham số đầu vào cho quá trình xử lý yêu cầu. Cụ thể, nếu là yêu cầu chỉ đƣờng thì đƣơng nhiên nhà cung cấp dịch vụ cần biết vị trí hiện tại của khách hàng. Còn nếu khách hàng yêu cầu trợ giúp về mặt kỹ thuật, y tế, nhân lực... thì thông tin vị trí gửi kèm yêu cầu sẽ giúp nhà cung cấp dịch vụ tiếp cận khách hàng nhanh hơn. Trong một số trƣờng hợp khác thì vị trí của khách hàng Mobile Location-Based Recommender System 13 đƣợc nhà cung cấp dùng làm căn cứ để tính cƣớc cho dịch vụ của mình. Trong thực tế, hệ thống định vị toàn cầu GPS là lựa chọn số một khi lên phƣơng án xây dựng các hệ thống LBS. Vì những ƣu điểm nhƣ diện tích phủ sóng bao phủ toàn bộ bề mặt trái đất, độ chính xác cao, cho phép sử dụng tín hiệu miễn phí mà hiện tại đang xuất hiện xu hƣớng tích hợp chức năng định vị bằng GPS vào các thiết bị di động đặc biệt là điện thoại, PDA, máy tính xách tay…  Service and application Provider: Nhà cung cấp ứng dụng và dịch vụ nhận yêu cầu từ khách hàng, xác định vị trí của họ thông qua dữ liệu định vị đƣợc gửi kèm yêu cầu, sau đó xử lý để cung cấp sự trợ giúp hoặc thông tin tƣơng ứng với vị trí và yêu cầu của khách hàng. Các ứng dụng và dịch vụ đƣợc nhà cung cấp triển khai thƣờng là định vị dẫn đƣờng, tra cứu thông tin địa lý, cứu hộ cứu nạn, quản lý điều hành phƣơng tiện giao thông… Hình 1. Các thành phần (component) của một LBS. 2.1.4 Phân loaị LBS (Types of Location-Based Services) Có thể chia LBS làm hai loại cơ bản , nếu xem xét ở góc đô ̣thông tin đƣơc̣ cung cấp có dƣạ trên tƣơng tác với ngƣời dùng hay không. Đó là Pull Services và Push Services. Pull Services: cung cấp thông tin đƣơc̣ yêu cầu trƣc̣ t iếp tƣ̀ ngƣời sƣ̉ duṇg . Tƣơng tƣ ̣nhƣ ta lên trình duyêṭ web và gõ vào điạ chỉ trang web mà ta cần , nhấn nút trên môṭ thiết bi ̣ kết nối để tƣ ̣đôṇg goị taxi hay dùng các dic̣h vu ̣thông tin tìm kiếm máy ATM gần nhất xung quanh m ình. Push Services: cung cấp thông tin không đƣơc̣ yêu trƣc̣ tiếp tƣ̀ ngƣời sƣ̉ duṇg , thƣờng đƣơc̣ kích hoaṭ bằng môṭ sƣ ̣kiêṇ nào đó chẳng haṇ khi ngƣời dung đi vào môṭ vùng điạ lí đăc̣ biêṭ nào đó hoăc̣ đến môṭ thời điểm đa ̃hoạch định trƣớc. Ví dụ, các dịch vụ tin tƣ́c se ̃tƣ ̣đôṇg thêm vào các đầu muc̣ tin tƣ́c Mobile Location-Based Recommender System 14 liên quan đến thành phố thâṭ sƣ ̣mà ta đang đi đến . Đây là ý tƣởng cơ bản của các ƣ́ng duṇg quảng cáo . Ở đây, hê ̣thống push cần phải nhâ ṇ biết thông tin về nhu cầu và sở thích của khách hàng để có khuyến nghị phù hợp. 2.2 Recommender System 2.2.1 Recommender System là gi?̀ Hệ thống tƣ vấn (Recommeder System - RS) là một công cụ hỗ trợ ra quyết định , đề xuất các sản phẩm hoăc̣ dic̣h vu ̣phù hơp̣ nhất với nhu cầu và sở thích của mỗi ngƣời trong môṭ tình huống và ngƣ̃ cảnh cu ̣ thể. Những đề xuất nhƣ v ậy có thể giúp cho ngƣời dùng định hƣớng nhanh chóng trƣớc lƣợng thông tin khổng lồ về một sản phẩm, bài báo hay đối tƣợng khác cần tìm kiếm trên maṇg . Ứng dụng phổ biến nhất có thể thấy của hệ thống tƣ vấn là các trang thƣơng mại điện tử (Amazon, Netflix), quảng cáo (Google Adsensen)... RS are software agents that elicit the interests and preferences of individual consumers […] and make recommendations accordingly. They have the potential to support and improve the quality of the decisions consumers make while searching for and selecting products online. [Xiao & Benbasat, MISQ, 2007] Môṭ hê ̣thống tƣ vấn sẽ sử dụng dữ liệu và tri thức từ người dùng (sở thích, các đặc điểm cá nhân ...), tƣ̀ sản phẩm (giá cả, đăc̣ điểm, ...), và quá trình giao tiếp của ngƣời dùng với hệ thống (ratings, tags, user’s actions ..) để đề xuất sản phẩm phù hơp̣ với nhu cầu và sở thích của ngƣời sƣ̉ duṇg. Mobile Location-Based Recommender System 15 Hình 2. Tư vá̂n thông tin trong Amazon.com 2.2.2 Phân loaị các hệ thống tư vấn Nhiêṃ vu ̣t ính toán chủ yếu mà một RS phải giải quyết là dự đoán đánh giá chủ quan của ngƣời dùng cho môṭ sản phẩm hoăc̣ dic̣h vu ̣ (item). Dƣ ̣đoán này đƣơc̣ tính toán dƣạ vào môṭ số mô hình . Các mô hình dự đoán đều có một điểm c hung là khai thác các đánh giá (evaluations) hoăc̣ xếp haṇg (rating) đƣơc̣ cho bởi môṭ (nhiều) ngƣời dùng cho các sản phẩm đƣơc̣ xem/mua trƣớc đó. Tùy theo kĩ thuật dự đoán đƣợc sử dụng , các RS đƣợc phân thành bốn loại chính nhƣ sau [Burke, 2007]: dƣạ trên côṇg tác (collaborative-based), dƣạ trên nôị dung (content-based), dƣạ trên tri thƣ́c (knowledge-based), và các hệ thống lai (hybrid). 2.2.2.1 Collaborative-based Recommender Systems Các hệ thống tư vấn cộng tác sẽ tính toán mối tương quan giữa những ngƣời sử dụng với nhau . Hê ̣ thống se ̃dự đoán đánh giá của ngƣời dùng hiêṇ t ại dựa trên ratings đƣợc cung cấp bởi ngƣời dùng khác Mobile Location-Based Recommender System 16 (nhƣ̃ng ngƣời có sở thích liên quan chặt chẽ với ngƣời sử dụng hiện tại) [Herlocker et al, 1999]. Đây là cách tiếp cận phổ biến , trang thƣơng maị điêṇ tƣ̉ nổi tiếng sƣ̉ duṇg cách tiếp câṇ này là Amazon.com (people who buy x also buy y). Hình 3. Hệ thống tư vá̂n dựa trên cộng tác. Kĩ thuật lọc cộng tác (Collaborative filtering) thông thƣờng sƣ̉ dụng môṭ ma trâṇ đánh giá hai chiều , mỗi ô (i,j) của ma trận lƣu trữ đánh giá của ngƣời dùng i cho một mục sản phẩm j . Hầu hết các ô trong ma trâṇ này đều không có giá trị thật sự . Phƣơng pháp tiếp cận mới và tinh vi hơn se ̃d ựa trên kỹ thuật phân ra ̃ma trâṇ (matrix decomposition techniques). Kĩ thuật này c ố gắng để xấp xỉ ma trâṇ user- item ban đầu thành tích của hai ma trận nhỏ hơn [Koren, 2008]. Và với sự phân tích này, môṭ giá tri ̣ dƣ ̣ đoán se ̃đƣơc̣ tính toán và chèn vào các ô trống. Nhươc̣ điểm: dƣ̃ liêụ thƣa, cần nhiều hơn môṭ daṇg feeback , vấn đề ngƣời dùng mới và item mới (cold start problems). 2.2.2.2 Content-based Recommender Systems Hệ thống tƣ vấn dƣạ trên nôị dung ch ỉ sử dụng các sở thích c ủa ngƣời sử dụng hiện tại, hê ̣thống d ự đoán mƣ́c đô ̣phù phù hơp̣ của m ột item với ngƣời dùng d ựa trên mƣ́c đô ̣tƣơng tƣ ̣giƣ̃a mô t ả của nó (nội dung) với các item mà ngƣời dùng đã đánh giá cao trong quá khứ [Pazzani và Billsus, 2007]. Hình 4. Hệ thống tư vá̂n dựa trên nội dung. Mobile Location-Based Recommender System 17 Những cách tiếp câṇ này dƣạ trên ki ̃thuâṭ truy vấn thông tin (Information retrieval) [Manning, 2008] vì mô tả của m ột item thƣờng là một văn bản (text) và vector đại diện (dƣạ trên đăc̣ trƣng ) xây dƣṇg bằng cách nhâṇ diêṇ các tƣ̀ khóa liên quan trong văn bản đó . Tuy nhiên hê ̣thống tƣ vấn dƣạ trên nôị dung không có bất kì tƣơng đồng nào với môṭ truy vấn trong hê ̣thống truy vấn thông tin thông thƣờng (IR system). Nhươc̣ điểm: cần mô tả nôị dung sản của sản phẩm , gây lối mòn trong tƣ vấn không gây ngac̣ nhiên cho ngƣời dùng, vấn đề ngƣời dùng mới (cold start problem). 2.2.2.3 Knowledge-based Recommender Systems Hê ̣thống truy vấn dƣạ trên tri th ức sử dụng một cấu trúc tri thức để suy luâṇ các nhu cầu và sở thích của ngƣời sử dụng. Hình 5. Hệ thống tư vá̂n dựa trên tri thức. Môṭ ki ̃thuâṭ dƣạ trên tri thƣ́c quan tro ̣ ng đƣơc̣ dƣ̉ duṇg trong hê ̣thống tƣ vấn là suy di ễn dựa trên trƣờng hợp (case-based reasoning – CBR) [Bridge et al., 2006], đó là môṭ ki ̃thuâṭ dƣ ̣đoán, nó truy xuất nhƣ̃ng tƣ vấn tƣơng tƣ ̣trong môṭ trƣờng hơp̣ (case-base) (đa ̃đƣơc̣ lƣu t rƣ̃ trƣớc đó ) và tái sử dụng thông tin trong nhƣ̃ng trƣờng hơp̣ này để xác điṇh tâp̣ tƣ vấn đầu ra . Nhươc̣ điểm: chi phí trong viêc̣ xây dƣṇg cơ sở tri thƣ́c để khởi đôṇg , mang tính tiñh về cơ bản, không tác dụng với những xu hƣớng ngắn hạn (not react to short-term trends). 2.2.2.4 Hybrid Recommender Systems Hê ̣thống tƣ vấn lai : kết hơp̣ hai hay nhiều ki ̃thuâṭ khác nhau để đaṭ đƣơc̣ hiêụ suất tốt hơn , hạn chế nhƣơc̣ điểm của mỗi phƣơng pháp. Mobile Location-Based Recommender System 18 Hình 6. Hệ thống truy vá̂n lai. 2.2.3 Các lĩnh vực ứng dụng Nghiên cƣ́u về hê ̣thống tƣ vấn đƣơc̣ thƣc̣ hiêṇ với muc̣ tiêu chính là cải thiêṇ các hê ̣thống tƣ vấn thƣơng maị và các ƣ́ng duṇg thƣc̣ tiêñ khác. Có thể phân thành các lĩnh vực sau:  Giải trí – phim, nhạc và IPTV.  Nôị dung – tin tƣ́c, tài liệu, trang web, chƣơng trình hoc̣ trƣc̣ tuyến và bô ̣loc̣ email .  Thương maị điêṇ tử (e-commerce) – sách, máy quay phim, PC...  Dịch vụ: dịch vụ du lịch, thuê nhà, mai mối... Đặc biệt, sƣ ̣kết hơp̣ giƣ̃a thông tin trong mạng xã hội , thông tin về vị trí hiện tại của ngƣời dùng đã và đang làm cho tính cá nhân hóa trong các tƣ vấn đƣợc nâng cao lên rất nhiều lần . Ví dụ điển hình cho loại hình này là các mạng di động theo điạ điểm nhƣ Foursquare hoăc̣ Facebook Places. Viêc̣ lƣạ choṇ thuâṭ toán cho RS trong môṭ liñh vƣc̣ cu ̣thể phải dƣạ vào hiểu biết chi tiết về liñh vƣc̣ đó, yêu cầu của nó, cũng nhƣ những thách thƣ́c và haṇ chế của ƣ́ng duṇg. Mobile Location-Based Recommender System 19 Phần 3. Mobile Location Based Recommender System - FourSquare 3.1 Giới thiệu Các hệ thống tƣ vấn sử dụng đánh giá của cộng đồng để giúp đỡ ngƣời dùng xác định sản phẩm hữu ích trong không gian tìm kiếm rộng lớn (ví dụ: Amazon hay Netflix). Kĩ thuật đƣợc sử dụng phổ biến là kĩ thuật lọc cộng tác (collaborative filtering), trong đó các ý kiến của cộng đồng đƣợc phân tích để tìm ra sự tƣơng đồng giữa những ngƣời sử dụng và giữa các sản phẩm, từ đó đề xuất k sản phẩm phù hợp nhất với ngƣời dùng đang thực hiện truy vấn. Ý kiến của cộng đồng đƣợc thể hiện thông qua đánh giá tƣờng minh, biểu diễn bởi bộ ba (user, rating, item). Với sự phát triển của các thiết bị di động có tích hợp GPS, hiện tại có rất nhiều ứng dụng có thể tạo ra các đánh giá theo vị trí địa lí (location-based ratings), tức là các đánh giá có kèm theo thông tin về vị trí của ngƣời dùng (user) hoặc sản phẩm (item). Ví dụ, các mạng xã hội dựa trên địa điểm (Foursquare và Face-book Places) cho phép ngƣời dùng “check-in” tại một vị trí địa lí nào đó (nhà hàng, quán ăn) và đƣa ra đánh giá về địa điểm đó, đây là dạng đánh giá kết hợp thông tin vị trí của cả ngƣời sử dụng và sản phẩm. Điều này thúc đẩy sự ra đời của các hệ thống tƣ vấn dựa trên vị trí (Location Based Recommender System), trong đó khía cạnh “không gian” của đánh giá (spatial aspect of ratings) sẽ đƣợc khai thác để cho ra các tƣ vấn theo vị trí (location-aware recommendations). Một ví dụ cho loại hình này là tính năng “Explore” trong mạng xã hội Foursquare. Các hệ thống này hoạt động chủ yếu trên môi trƣờng di động, thƣ̀a hƣởng hai đăc̣ điểm đăc̣ thù của các dic̣h vu ̣thông tin di đôṇg đó là khả năng nhâṇ diêṇ vi ̣ trí "location-awareness" và tính có mặt khắp nơi “ubiquity”. Hai vấn đề cần phải giải quyết khi xây dựng một hệ thống tƣ vấn dựa trên vị trí là:  Khai thác thông tin về vị trí nhƣ thế nào cho hiệu quả?  Làm thế nào tối ƣu hóa tốc độ truy vấn trên dữ liệu không gian (spatial data) để trả kết quả trong khoảng thời gian chấp nhận đƣợc? (Đặc biệt với những ứng dụng có lƣợng dữ liệu lớn nhƣ Foursquare chẳng hạn). Ta sẽ lần lƣợt xem xét cách giải quyết vấn đề qua:  Cách các nhà phát triển Foursquare xây dựng recommender engine cho hệ thống của họ.  Các kĩ thuật đƣợc đề xuất trong hệ thống LARS (Location-Aware Recommender System) do Levandoski và các đồng sự đề xuất.[Levandoski et al. 2012] Mobile Location-Based Recommender System 20 3.2 Mạng xã hội di động FourSquare 3.2.1 Giới thiệu chung Foursquare là mạng xã hội dựa trên vị trí (location-based social network) có tích hợp các yếu tố của trò chơi ra đời vào tháng 3/2009. Ứng dụng sử dụng chức năng định vị vệ tinh (GPS), chạy trên nền các smartphone. Ngƣời dùng thực hiện “check-in” những địa điểm khác nhau mà họ đến, ghi chú, nhận xét về những địa điểm đó, chia sẻ với bạn bè và nhận phần thƣởng, giảm giá của các doanh nghiệp dành cho các thành viên của FourSquare. Ngƣời “check-in” nhiều nhất tại một địa điểm nhất định sẽ đƣợc trao vƣơng miện "Thị trƣởng" tại địa điểm đó cho đến khi bị ngƣời khác vƣợt qua. Ngƣời nhận vƣơng miện sẽ nhận đƣợc chƣơng trình khuyến mãi đặc biệt của các doanh nghiệp tại địa điểm tƣơng ứng. Sự hấp dẫn vốn có của các mạng xã hội cộng với tính di động và yếu tố trò chơi làm cho Foursquare trở thành một trong những mạng xã hội di động lớn nhất (sau Instagram) với số lƣợng ngƣời dùng hơn 15 triệu và hàng triệu “check-in” mỗi ngày. [Fousquare, 2012] 3.2.2 Tính năng Explore Explore, ra đời cùng với phiên bản Foursquare 3.0 vào cuối năm 2011, giúp ngƣời sử dụng khám phá nhanh chóng những địa điểm thú vị trên hành trình tiếp theo của mình. Ngƣời dùng sẽ lựa chọn loại địa điểm họ đang muốn đến, chẳng hạn nhƣ “nhà hàng”, “quán café”, ứng dụng sẽ tìm và đề xuất ra các địa điểm tốt nhất theo một vài tiêu chí (Hình 5). Kết quả trả về là một danh sách các địa điểm đƣợc xếp hạng với các thông tin nhƣ: khoảng cách, bao nhiêu ngƣời từng ghé thăm, nhận xét của họ... Hình 7. Tính năng Explore của FourSquare. Về cơ bản, bên dƣới tính năng Explore chính là một Recommender Engine, trong đó thông tin tƣ vấn đƣợc rút trích từ hoạt động của chính ngƣời dùng, bạn bè của họ, vị trí địa lí dựa trên GPS, và những nhân tố khác. Với Explore, Foursquare không chỉ “chăm sóc” ngƣời dùng ở thì hiện tại theo kiểu “Bạn đang ở đâu?Làm gì?” mà còn ở cả thì tƣơng lai gần “Bạn dự định đi đến đâu?”. Đây là một tính năng hết sức Mobile Location-Based Recommender System 21 thú vị, tiêu biểu cho sự kết hợp giữa mạng xã hội di động và các hệ thống tƣ vấn thông tin sử dụng vị trí (Location-Aware Recommender System) . 3.2.3 Các thách thức và giải pháp của Foursquare khi xây dựng Recommender Engine Ngoại trừ tính toán độ tƣơng đồng đƣợc tính toán trƣớc, tất cả các khâu khác của hệ thống nhƣ truy vấn (retrieval), xếp hạng (ranking), và trả về kết quả (rendering) đều đƣợc thực hiện online với thời gian phản ứng trung bình của server không quá 100ms. Đây là một bài toán khó vì phải truy lục trên kho thông tin địa lí khổng lồ các địa điểm xung quanh và rất nhiều “check-in” liên quan. Hai vấn đề chính cần giải quyết là:  Xác định các tiêu chí để lựa chọn và xếp hạng các kết quả trả về  Nâng cao tốc độ thực thi của hệ thống (truy vấn, tính toán độ tƣơng tự..) 3.2.3.1 Xác định các tiêu chí xếp hạng Thuật toán chính đƣợc sử dụng để cá nhân hóa nội dung cung cấp cho ngƣời dùng chính đƣợc sử dụng trong recommender engine của Foursquare là lọc cộng tác (collaborative filtering), thuật toán này khai thác thông tin từ các “check-in” của bản thân ngƣời dùng và những ngƣời dùng tƣơng tự nhƣ họ “people like you”. [ Moore, 2011] Tuy nhiên việc xếp hạng nhƣ vậy sẽ gặp nhiều khó khăn, ví dụ nhƣ:  Nếu chỉ đơn thuần sắp xếp dựa và số lần “check-in”, ta có thể có những kết quả hết sức thú vị, lại bỏ sót một số “viên ngọc ẩn mình”[ Moore, 2011].Chẳng hạn một nhà hàng có công suất lớn, và thời gian phục vụ kéo dài sẽ đƣợc đánh giá nặng kí hơn những nhà hàng khác, mặc dù trên thực tế nó chỉ có sức hút cao với ngƣời sử dụng trung bình.  Tƣơng tự nhƣ vậy, xếp hạng dựa vào thông tin phản hồi của ngƣời sử dụng (xếp hạng ngôi sao chẳng hạn), cũng dẫn đến những vấn đề khác, nhƣ sự khác nhau tƣơng đối giữa các bảng xếp hạng. Một ngƣời dùng có thể xếp hạng cả quán “Ốc Đào” và “Mực nướng Đại học Sư Phạm” 5 sao, nhƣng sự thật hai địa điểm này có tốt nhƣ nhau hay không? Việc giải quyết các thuật toán này là một thách thức lớn đòi hỏi những nghiên cứu nhất định ở cả hai phƣơng pháp thống kê phổ biến và bí truyền. Một số lƣợng lớn các đặc điểm khác nhau cần phải đƣợc khảo sát, đồng thời, phải cân bằng các thông tin gây nhiễu. Cũng giống nhƣ các RS truyền thống khác khi sử dụng lọc cộng tác, Foursquare cũng gặp vấn đề “khởi đầu lạnh”, họ đã xây dựng một thuật toán riêng để giải quyết vấn đề này. Mobile Location-Based Recommender System 22 Một vấn đề khác đƣợc quan tâm là việc giải thích kết quả tƣ vấn cho ngƣời sử dụng. “Tại sao” họ nên đến nơi này mà không phải là nơi khác. Vấn đề đƣợc giải quyết trên cơ sở coi trọng và khuyến khích các mối liên kết xã hội cũng nhƣ các thói quen (loyalty) của ngƣời sử dụng. Hệ thống sẽ cho ngƣời dùng biết những thông tin nhƣ: bạn bè của họ đến một nơi nào đó, những địa điểm họ từng đến mà ngƣời khác cũng đến, cũng nhƣ số lần “check-in” của họ tại một địa điểm nào đó. Những thông tin này không chỉ ảnh hƣởng đến kết quả xếp hạng mà còn bổ sung kinh nghiệm, gợi lên một cuộc trò chuyện với bạn bè, hoặc gợi nhớ cho ngƣời dùng tới một địa điểm mà họ chƣa viếng thăm trong một khoảng thời gian. [ Moore, 2011] 3.2.3.2 Vấn đề nâng cao hiệu suất của hệ thống Sự chậm trễ lớn nhất đến từ việc truy vấn cơ sở dữ liệu, bao gồm: Truy vấn dữ liệu ban đầu để xếp hạng o Yêu cầu: lấy tập hợp các địa điểm trong vòng bán kính do ngƣời dùng xác định (tuy nhiên bỏ lại một số vì lí do hiệu suất). Cần có một cách truy vấn CSDL địa điểm để lấy đƣợc top N giá trị ban đầu trong vòng tròn địa lí đó theo một số tiêu chí nào đó. o Giải pháp: Hầu hết các CSDL hiện tại không đáp ứng đƣợc yêu cầu này với quy mô dữ liệu của Foursquare vì nó đòi hỏi đầu tiên phải đánh chỉ mục (indexing) về mặt địa lí, sau đó hợp nhất các chỉ mục địa lý này. Mongo (open source document- oriented NoSQL database system) đƣợc lựa chọn. MongoDB có thể thực hiện truy vấn trên với thời gian 30ms cho một bán kính 10 dặm ở thành phố New York (hàng trăm ngàn địa điểm). [ Moore, 2011] Những nơi bạn bè đã đến? o Yêu cầu: lục lại lịch sử “check-in” của những ngƣời bạn tại tất cả những địa điểm là một nhiệm vụ khó khả thi với số lƣợng ngƣời dùng và địa điểm hiện có của FourSquare. Chẳng hạn, ngƣời sử dụng có 50 bạn bè, và ngữ liệu ban đầu là 250 địa điểm, mỗi ngƣời bạn “check-in” khoảng 2 lần thì có khả năng hê thống sẽ phải thực hiện truy vấn trên 250 000 “check-in”. o Giải pháp: Xây dựng vùng “cache” đặc biệt lƣu trữ các dữ liệu đã đƣợc tính toán về mối tƣơng tác giữa ngƣời dùng và các địa điểm, bao gồm cả số lần “check-in”. [ Moore, 2011] Việc tính toán độ tƣơng tự, tuy là thực hiện offline nhƣng cũng phải thực hiện một khối lƣợng tính toán khổng lồ, lên đến hàng trăm nghìn tỉ phép tính với số lƣợng 10 triệu địa điểm. Một số kĩ thuật khác đã đƣợc các nhà phát triển thực hiện để xử lí khối lƣợng tính toán trên. Mobile Location-Based Recommender System 23 3.3 LARS: A Location-Aware Recommender System LARS là một hệ thống tƣ vấn nhận diện vị trí sử dụng các đánh giá theo vị trí (location-based ratings) để tƣ vấn cho ngƣời dùng. Các hệ RS truyền thống, không quan tâm tới vị trí địa lí của ngƣời dùng/sản phẩm, ngƣợc LARS lại hỗ trợ mô hình ba loại đánh giá: “spatial ratings for non-spatial items”, “nonspatial ratings for spatial items” và “spatial ratings for spatial items”. LARS khai thác vị trí của ngƣời đánh giá qua kĩ thuật “user partioning”, và khai thác vị trí của sản phẩm sử dụng kĩ thuật “travel penalty”. Hai kĩ thuật này có thể áp dụng độc lập, hoặc kết hợp tùy theo loại đánh giá theo vị trí đƣợc thực hiện. Kết quả thực nghiệm trên dữ liệu thực của Foursquare và Movilens cho thấy LARS hiệu quả, uyển chuyển và có khả năng đƣa ra tƣ vấn chính xác gấp hai lần các tƣ vấn hiện có. [Levandoski et al. 2012] 3.3.1 Tổng quan về LARS Hai kĩ thuật quan trọng nhất, để khai thác thông tin về vị trí trong LARS, đƣợc xây dựng trên mô hình ba loại đánh giá theo vị trí và hai đặc tính rút ra đƣợc trên cơ sở khảo sát hai tập dữ liệu lớn của Foursquare và Movilens. [Levandoski et al. 2012] 3.3.1.1 Mô hình ba loại đánh giá theo vị trí Trong các RS truyền thống không quan tâm tới vị trí địa lí, đánh giá (rating) đƣợc biểu diễn bởi bộ ba (user, rating, item). Trong LARS, các đánh giá đƣợc chia làm ba loại:  “spatial ratings for non-spatial items”, biểu diễn bởi bộ bốn (user, ulocation, rating, item), trong đó “ulocation” là vị trí của người dùng.  “nonspatial ratings for spatial items” , biểu diễn bởi bộ bốn (user, rating, item, ilocation)  “spatial ratings for spatial items”, biểu diễn bởi bộ năm (user, ulocation, rating, item, ilocation) Mobile Location-Based Recommender System 24 3.3.1.2 “Preference locality” và “Travel locality” Hình 8. “Preference locality” trong đánh giá theo vị trí [Levandoski et al. 2012] Hai tính chất đặc biệt trong hành vi ngƣời dùng đƣợc rút ra khi khảo sát tập dữ liệu của Foursquare và Movilens [Levandoski et al. 2012] là:  Preference locality (tạm dịch “Sở thích cục bộ”): Tính chất này chỉ ra rằng, ngƣời dùng trong một khu vực địa lí sẽ có sở thích (phim, hoặc địa điểm) rất khác với những ngƣời ở khu vực khác, thậm chí là những khu vực lân cận (Hình 8). Do đó, các tƣ vấn cho một ngƣời dùng u phải khai thác dựa trên các rating r gần về mặt địa lí với u nhất.  Travel locality ( tạm dịch “Di chuyển cục bộ”): Khi đối tƣợng đƣợc tƣ vấn mang yếu tố không gian (spatial item), ngƣời dùng có xu hƣớng lựa chọn địa điểm nằm trong một khoảng cách giới hạn nhất định (limited distance). Trong bảng phân tích dữ liệu của Foursquare, ngƣời ta nhận thấy rằng 45% ngƣời dùng di chuyển trong 10 dặm hoặc ít hơn, trong khi 75% còn lại chỉ di chuyển trong vòng bán kính 50 dặm. Quan sát này chỉ ra rằng các đối tƣợng ở các khoảng cách gần hơn cần đƣợc ƣu tiên lựa chọn nhƣ là các ứng viên tƣ vấn. 3.3.2 SPATIAL RATINGS FOR NON-SPATIAL ITEMS LARS phát sinh các tƣ vấn cho loại hình “spatial ratings for non-spatial items” (với bộ bốn (user, ulocation, rating, item)) bằng cách sử dụng kĩ thuật phân vùng người dùng (user partioning). Kĩ thuật này sẽ khai thác sở thích cục bộ (preference locality) của ngƣời dùng. Kĩ thuật “phân vùng ngƣời dùng” sử dụng một cấu trúc kim tự tháp thích nghi (adaptive pyramid structure) để phân nhóm các đánh giá (ratings) theo vị trí của ngƣời sử dụng vào các vùng không gian có kích thƣớc thay đổi ở các cấp bậc khác nhau. Với ngƣời sử dụng đang thực hiện truy vấn ở tại khu vực R, kĩ thuật lọc cộng tác (CF) sẽ chỉ khai thác các đánh giá (ratings) đƣợc thực hiện trong khu vực R để tƣ vấn. Mobile Location-Based Recommender System 25 Tuy nhiên thách thức ở đây là việc quyết định xem có phải duy trì tất cả các vùng (regions) trong kim tự tháp, để đảm bảo cân bằng giữa hai yêu cầu đối lập nhau: tính cục bộ (locality) và khả năng mở rộng (scalability). Duy trì một số lƣợng lớn khu vực (regions) sẽ tăng tính địa phương (locality) (tức là, các tƣ vấn duy nhất cho các khu vực địa lí nhỏ), nhƣng ảnh hưởng xấu đến khả năng mở rộng hệ thống (scalability) bởi vì mỗi khu vực cần phải lƣu trữ và duy trì của một cấu trúc dữ liệu lọc cộng tác cần thiết để có thể phát sinh các tƣ vấn. Kim tự tháp LARS có thể tự động thích ứng, tìm ra hình dạng phù hợp để cân bằng khả năng mở rộng và tính địa phƣơng của tƣ vấn. [Levandoski et al. 2012] 3.3.3 NON-SPATIAL USER RATINGS FOR SPATIAL ITEMS LARS phát sinh các tƣ vấn cho loại hình “nonspatial ratings for spatial items” , biểu diễn bởi bộ bốn (user, rating, item, ilocation) bằng cách sử dụng kĩ thuật “travel penalty”. Kĩ thuật này khai thác thuộc tính “travel locality” của ngƣời sử dụng, tức là các ứng viên tƣ vấn có khoảng cách càng xa với ngƣời dùng càng có độ ƣu tiên thấp hơn. Vấn đề đặt ra là phải tránh việc tính toán khoảng cách cho tất cả các ứng viên (spatial items) để đƣa ra danh sách k tƣ vấn, vì việc này sẽ tiêu tốn rất nhiều tài nguyên hệ thống. LARS giải quyết vấn đề này bằng cách sử dụng cơ cấu truy vấn hiệu quả, có khả năng kết thúc ngay khi phát hiện ra danh sách k câu trả lời không thể tối ƣu hơn nữa (tức là không thể thay đổi dù có xử lí thêm các ứng viên khác). [Levandoski et al. 2012] 3.3.4 SPATIAL USER RATINGS FOR SPATIAL ITEMS Để phát sinh tƣ vấn cho hình thức “spatial ratings for spatial items”, biểu diễn bởi bộ năm (user, ulocation, rating, item, ilocation), LARS sử dụng cả hai kĩ thuật “user partioning” và “travel penalty” để khai thác cả vị trí của ngƣời dùng và đối tƣợng tích hợp trong các đánh giá (ratings). Đây là một đặc tính nổi bật của LARS, cả hai kĩ thuật có thể đƣợc sử dụng riêng rẽ, hoặc kết hợp tùy vào loại đánh giá theo vị trí (location-based ratings) mà hệ thống hỗ trợ. [Levandoski et al. 2012] 3.4 Đánh giá chung Cùng một bài toán, Foursquare và LARS đã có cách tiếp cận giải quyết vấn đề khá khác nhau. Về việc khai thác vị trí địa lí để đƣa ra kết quả tƣ vấn, Foursquare, với những yêu cầu của một ứng dụng thực tế, đã cố gắng tìm ra các đặc trƣng tốt nhất để thực hiện việc xếp hạng tƣ vấn trong phạm vi cụ thể của ứng dụng. Trái lại, các tác giả của LARS đã xác định đƣợc hai đặc trƣng chung của các đánh giá theo vị trí là “preference locality” và “travel locality” từ đó đề xuất ra hai kĩ thuật khai thác một cách hiệu quả thông tin về vị trí khi đƣa ra tƣ vấn. Về vấn đề tốc độ truy vấn trên dữ liệu địa lí, đã đƣợc Foursquare giải quyết bằng những phƣơng pháp mang tính “kĩ thuật”, ngƣợc lại LARS đề xuất ra một kĩ thuật truy vấn hiệu quả dựa trên Tƣ tƣởng về “travel locality” [Levandoski et al. 2012]. Mobile Location-Based Recommender System 26 3.5 Hướng phát triển Với phát triển của các công nghê ̣mới nhƣ ki ̃thuâṭ điṇh vi ̣ (RFID hoặc Wi-Fi beacon-based và GPS), ... và sự hấp dẫn đáng kinh ngạc của các thiết bị di động , đa ̃có nhiều nghiên cƣ́u và dƣ ̣án đang cố gắng áp dụng công nghệ tƣ vấn vào thị trƣờng này . Các loại hình dịch vụ mới xuất hiện ngày càng nhi ều và tinh vi hơn. Tuy nhiên, các lĩnh vực nghiên cứu này chƣa đƣợc định hình một cách rõ ràng và sẽ khó rõ ràng trong tƣơng lai vì khó mà xác điṇh đƣơc̣ các đăc̣ tính của môṭ thiết bi ̣ di đôṇg đƣơc̣ ƣu chuôṇg , thiết bi ̣ nào se ̃ chiếm thi ̣ phần lớn nhất . Chẳng haṇ, ta thấy rất nhiều nghiên cƣ́u đƣơc̣ thƣc̣ hiêṇ để khắc phuc̣ haṇ chế của thiết bị di động nhƣ màn hình nhỏ , khả năng tính toán kém ...., tất cả nhƣ̃ng haṇ chế này có thể đƣơc̣ khắc phuc̣ môṭ cách nhanh chóng và làm cho môṭ số reasearch trở nên lỗi thời [Ricci, 2011]. Măc̣ dù vâỵ, vâñ có môṭ số liñh vƣc̣ troṇg tâm đáng lƣu ý, bao gồm [Ricci, 2011]:  Khám phá nhu cầu của ngƣời dùng (Elicitation of the user’s preferences). Viêc̣ thu nhâṇ nhanh và chính xác nhu cầu của ngƣời dùng vẫn còn là một vấn đề mở . Hê ̣thống tƣ vấn di đôṇg , đăc̣ biêṭ là nhƣ̃ng hê ̣thống liên quan đến ngƣ̃ cảnh (context) sẽ cần nhiều thông tin về nhu cầu và sở thích của ngƣời dùng hơn nƣ̃a , nhƣng laị không có môṭ giao diêṇ linh hoaṭ để hỗ trơ ̣nhiêṃ vu ̣này . Viêc̣ suy luâṇ ngầm (implicit) các sở thích, nhu cầu tƣ̀ hành vi của ngƣời dùng (user’s behavior), là một giải pháp dễ thấy nhất. Tuy nhiên, nhƣ̃ng giao diêṇ mới nhƣ âm thanh (dƣạ trên nhâṇ diêṇ gioṇg nói ), hình ảnh, video (dƣạ trên ƣ́ng duṇg thƣc̣ tế ảo tăng cƣờng ...) sẽ tạo ra một kênh giao tiếp hiệu quả hơn. Sƣ̉ duṇg nhƣ̃ng ki ̃thuâṭ mới này , thông tin đầu ngƣời dùng bao gồm cả tƣơng tác với không gian , ví dụ , cƣ̉ chỉ , nét mặt ..., (the interaction with the space) sẽ khắc phục một vài hạn chế của cách tƣơng tác cổ điển (với bàn phím).  Tƣ vấn chủ đôṇg dƣạ trên cảm biến (Proactive and sensor based recommendations ). Không có hê ̣ thống tƣ vấn nào đƣơc̣ xét đến ở trên có khả năng chủ đôṇg làm gián đoaṇ hoaṭ đôṇg của ngƣời dùng với các tƣ vấn không đƣợc yêu cầu , nhƣng có liên quan . Có quá nhiều rủ i ro cho viêc̣ làm phiền ngƣời dùng . Tuy nhiên, sƣ ̣xuất hiêṇ của các bô ̣cảm biến sinh trắc hoc̣ thế hê ̣mới , đáng tin câỵ có thể làm tăng tính khả thi và tiêṇ lơị của loaị hình này . Viêc̣ này có thể cách maṇg hóa vai trò của RSs từ công cụ tìm kiếm và hỗ trợ ra quyết định trở thành công cụ khám phá thông tin (information discovery) và giải trí đồng thời.  Giải thích các tƣ vấn (Explanations of recommendations ). Đây là chủ đề ít đƣơc̣ nghiên cƣ́u và rõ ràng là cần thiết trong một kịch bản sử dụng mobile . Giải thích phải dựa trên mô tả của sản phầm , và điều này khá khó với kích thƣớt màn hình của thiết bị di động.  An ninh và bảo mật thông tin và bộ nhớ của ngƣời dùng (Security and privacy and the user memory). Ngƣời sử dụng điện thoại di động môṭ măṭ phải cung cấp thông tin để khám phá dịch vụ mới và đồng thời phải đƣơc̣ che giấu sự riêng tƣ và bảo mật c ủa mình khỏi những nguy hiểm tiềm tàng từ các chƣơng trình và dic̣h vu ̣nguy hiểm. Mobile Location-Based Recommender System 27  Portable recommender systems. Điểm cuối cùng đề cập đến khả năng thƣc̣ hiêṇ và di chuyển các RS và qua các thiết bi ̣ và nền tảng khác nhau. Ngƣời sử dụng trong thực tế nên có thể thƣc̣ hiêṇ môṭ dịch vụ thông tin bằng cách sử dụng một loạt các thiết bị (điện thoại, máy tính xách tay và máy ảnh kỹ thuật số) và nhƣ̃ng hoaṭ đôṇg đa ̃thƣc̣ hiêṇ , nhƣ̃ng dic̣h vu ̣đa ̃sƣ̉ duṇg , với những thiết bị và giao diêṇ này nên đƣơc̣ tích hơp̣ laị với nhau . Ngƣời sử dụng phải đƣợc nhâṇ diêṇ và phục vụ một cách thích hợp bất cứ thiết bị gì đƣợc sử dụng, và các hành động thực hiện với một thiết bị nên là một phần của quá trình cá nhân hoá toàn bộ dịch vụ. Mobile Location-Based Recommender System 28 Phần 4. Các nguyên tắc sáng tạo được vận dụng trong xây dựng FourSquare (01) Nguyên tắc “tách khỏi” - Khi xếp hạng các kết quả trả về, các nhà phát triển đã lựa chọn ra những tiêu chuẩn quan trọng nhất để đánh trọng số: khoảng cách địa điểm với ngƣời sử dụng, mức độ rating của cộng đồng với các địa điểm và một vài yếu tố khác. Các yếu tố đƣợc đánh giá với trọng số khác nhau. (02) Nguyên tắc phẩm chất cuc̣ bô ̣ - Các địa điểm đang đƣợc ngƣời dùng di chuyển tới sẽ đƣợc đánh dấu trên bản đồ. (03) Nguyên tắc kết hơp̣ - Kết hợp tính cộng tác trên mạng xã hội, thông tin vị trí địa lí trên các thiết bị di động để đƣa ra tƣ vấn cho ngƣời sử dụng thiết bị. (04) Nguyên tắc phản đối xứng - Màn hình hiển thị của ứng dụng trên các thiết bị khác nhau (laptop, điên thoại) sẽ tự động điểu chỉnh để có chế độ hiển thị hợp lí. (05) Nguyên tắc thưc̣ hiêṇ sơ bô ̣ - Để việc truy vấn cơ sở dữ liệu địa lí đƣợc thực hiện với tốc độ nhanh, trƣớc đó các địa điểm đã đƣợc đánh chỉ mục và . kiêṇ làm viêc̣ để không phải nâng lên hay ha ̣xuống các đối tƣơṇg . (06) Nguyên tắc sử dụng trung gian - Yêu cầu: nâng cao hiệu suất hệ thống khi lục lại lịch sử “check-in” của những ngƣời bạn tại tất cả những địa điểm là một nhiệm vụ khó khả thi với số lƣợng ngƣời dùng và địa điểm hiện có của FourSquare. Chẳng hạn, ngƣời sử dụng có 50 bạn bè, và ngữ liệu ban đầu là 250 địa điểm, mỗi ngƣời bạn “check-in” khoảng 2 lần thì có khả năng hê thống sẽ phải thực hiện truy vấn trên 250 000 “check-in”. - Giải pháp: Xây dựng vùng “cache” đặc biệt lƣu trữ các dữ liệu đã đƣợc tính toán về mối tƣơng tác giữa ngƣời dùng và các địa điểm, bao gồm cả số lần “check-in”. [ Moore, 2011] Mobile Location-Based Recommender System 29 TÀI LIỆU THAM KHẢO [Bridge et al., 2006] Bridge, D., G¨ oker, M., McGinty, L., and Smyth, B. (2006). Case-based recommender systems.The Knowledge Engineering review, 20(3):315–320. [Burke, 2007] Burke, R. (2007). Hybrid web recommender systems. In The Adaptive Web, pages 377– 408. Springer Berlin / Heidelberg. [Fousquare, 2012] About foursquare. Truy cập ngày 15 tháng 4 năm 2012, từ https://foursquare.com/about/ [Herlocker et al., 1999] Herlocker, J. L., Konstan, J. A., Borchers, A., and Riedl, J. (1999). An algorithmic frame-work for performing collaborative filtering. In SIGIR ’99: Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, August 15-19, 1999, Berkeley, CA, USA, pages 230–237. [Koren, 2008] Koren, Y. (2008). Factorization meets the neighborhood: a multifaceted collaborative filtering model. In Li, Y., Liu, B., and Sarawagi, S., editors, KDD, pages 426–434. ACM. [Levandoski et al. 2012] Levandoski, J. Sarwat, M. Eldawy, A. and Mokbel, M.(2012). LARS: A Location-Aware Recommender System. To appear in Proceedings of the IEEE International Conference on Data Engineering, Washington D.C., April 2012 [Manning, 2008] Manning, C. (2008). Introduction to Information Retrieval. Cambridge University Press, Cambridge. [ Moore, 2011] Moore, J. (2011). Building a recommendation engine, foursquare style. Truy cập ngày 10 tháng 04 năm 2012, từ [Pazzani và Billsus , 2007] Pazzani, M. J. and Billsus, D. (2007). Content-based recommendation systems. In [Brusilovsky et al., 2007], pages 325–341. [Ricci, 2011] F. Ricci (2011). Mobile Recommender Systems. International Journal of Information Technology and Tourism, 12(3):205-23. [Virrantaus et al. 2001] Virrantaus, K., Markkula, J., Garmash, A., Terziyan, Y.V., 2001. Developing GIS-Supported Location Based Services. In: Proc. of WGIS’2001 – First International Workshop on Web Geographical Information Systems., Kyoto, Japan. , 423–432. [Xiao and Benbasat, 2007] B. Xiao, I. Benbasat (2007). E-Commerce Product Recommendation Agents: use, characteristics, and impact. MIS Quarterly Vol. 31 No. 1, pp. 137-209.