Luận án tiến sĩ: Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê - Phan Phương Lan
Luận án tiến sĩ kỹ thuật: Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê. Nâng cao hiệu quả tư vấn, tối ưu hóa quyết định.
Khoa học máy tính
Luan An
Luận án tiến sĩ kỹ thuật
Năm xuất bản
Số trang
192
Thời gian đọc
29 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Giới thiệu Hệ tư vấn dựa trên Mức độ Quan trọng Hàm ý Thống kê
Hệ tư vấn cá nhân hóa cung cấp gợi ý phù hợp. Các hệ thống này giải quyết hiệu quả vấn đề quá tải thông tin. Chúng đóng vai trò cốt lõi trong nhiều lĩnh vực: thương mại điện tử, giáo dục, giải trí. Hiệu quả của hệ tư vấn tác động trực tiếp đến trải nghiệm người dùng. Việc nâng cao chất lượng gợi ý là mục tiêu quan trọng. Luận án này tập trung vào phát triển một hệ tư vấn mới. Hệ thống được xây dựng dựa trên mức độ quan trọng hàm ý thống kê. Mục tiêu chính là tạo ra gợi ý có độ chính xác cao hơn. Luận án cũng tìm cách khắc phục những hạn chế của các phương pháp hiện hành. Điều này bao gồm khả năng xử lý các loại dữ liệu đa dạng. Hệ thống mới phải mang lại giá trị thực tiễn cao cho người dùng. Nghiên cứu áp dụng khái niệm mức độ quan trọng hàm ý thống kê để phân tích. Phương pháp này khám phá các mối quan hệ ẩn sâu trong dữ liệu. Cách tiếp cận này khác biệt so với kỹ thuật lọc cộng tác truyền thống. Mức độ quan trọng hàm ý thống kê giúp xác định sự liên quan mạnh mẽ. Điều đó cải thiện đáng kể chất lượng của các gợi ý. Đây là một bước tiến quan trọng trong lĩnh vực hệ tư vấn.
1.1. Khái niệm và tầm quan trọng của hệ tư vấn
Hệ tư vấn cung cấp gợi ý cá nhân hóa. Chúng giải quyết vấn đề quá tải thông tin. Các hệ thống này đóng vai trò quan trọng trong nhiều lĩnh vực. Thương mại điện tử, giáo dục, giải trí đều cần hệ tư vấn. Hiệu quả của hệ tư vấn ảnh hưởng trực tiếp đến trải nghiệm người dùng. Việc cải thiện chất lượng gợi ý là mục tiêu hàng đầu.
1.2. Mục tiêu nghiên cứu luận án
Luận án tập trung phát triển một hệ tư vấn mới. Hệ thống này dựa trên mức độ quan trọng hàm ý thống kê. Mục tiêu là tạo ra gợi ý chính xác hơn. Luận án cũng tìm cách giải quyết các hạn chế của phương pháp hiện có. Điều này bao gồm xử lý các loại dữ liệu khác nhau. Hệ thống cần mang lại giá trị thực tiễn cao.
1.3. Phương pháp tiếp cận mới trong tư vấn
Nghiên cứu áp dụng khái niệm mức độ quan trọng hàm ý thống kê. Phương pháp này phân tích các mối quan hệ ẩn trong dữ liệu. Nó khác biệt so với các kỹ thuật lọc cộng tác truyền thống. Cách tiếp cận mới giúp xác định sự liên quan mạnh mẽ hơn. Từ đó, chất lượng gợi ý được cải thiện. Đây là một bước tiến trong lĩnh vực hệ tư vấn.
II. Nền tảng Lý thuyết Mức độ Quan trọng Hàm ý Thống kê
Mức độ quan trọng hàm ý thống kê là một thước đo. Nó đánh giá sức mạnh và sự liên quan của các mối quan hệ. Các mối quan hệ này được rút ra từ dữ liệu. Khái niệm này dựa trên lý thuyết phân tích hàm ý thống kê. Nó vượt qua các chỉ số truyền thống như support và confidence. Việc hiểu rõ mức độ quan trọng này là nền tảng cho hệ tư vấn mới. Nó giúp phân biệt các hàm ý có giá trị thực sự, loại bỏ nhiễu. Dữ liệu nhị phân là loại dữ liệu cơ bản. Nó thường thể hiện sự xuất hiện hoặc không xuất hiện của một mục. Ví dụ: người dùng đã xem một sản phẩm hay chưa. Mối quan hệ hàm ý thống kê trên dữ liệu nhị phân được xác định. Các chỉ số như chỉ số hàm ý, cường độ hàm ý có entropy được sử dụng. Chúng giúp đo lường mức độ quan trọng của các luật kết hợp. Dữ liệu phi nhị phân phức tạp hơn. Nó có thể là dữ liệu định lượng hoặc định tính đa giá trị. Ví dụ: xếp hạng sản phẩm từ 1 đến 5 sao. Luận án mở rộng khái niệm mức độ quan trọng hàm ý thống kê. Việc này áp dụng cho dữ liệu phi nhị phân. Mức độ quan trọng xếp hạng hàm ý thống kê được đề xuất. Nó giúp hệ tư vấn xử lý được nhiều loại dữ liệu khác nhau. Điều này tăng tính linh hoạt của hệ thống, mở rộng phạm vi ứng dụng.
2.1. Định nghĩa mức độ quan trọng hàm ý thống kê
Mức độ quan trọng hàm ý thống kê là một thước đo. Nó đánh giá sức mạnh và sự liên quan của các mối quan hệ. Các mối quan hệ này được rút ra từ dữ liệu. Khái niệm này dựa trên lý thuyết phân tích hàm ý thống kê. Nó vượt qua các chỉ số truyền thống như support và confidence. Việc hiểu rõ mức độ quan trọng này là nền tảng cho hệ tư vấn mới.
2.2. Mối quan hệ hàm ý trên dữ liệu nhị phân
Dữ liệu nhị phân là loại dữ liệu cơ bản. Nó thường thể hiện sự xuất hiện hoặc không xuất hiện của một mục. Ví dụ: người dùng đã xem một sản phẩm hay chưa. Mối quan hệ hàm ý thống kê trên dữ liệu nhị phân được xác định. Các chỉ số như chỉ số hàm ý, cường độ hàm ý có entropy được sử dụng. Chúng giúp đo lường mức độ quan trọng của các luật kết hợp.
2.3. Mối quan hệ hàm ý trên dữ liệu phi nhị phân
Dữ liệu phi nhị phân phức tạp hơn. Nó có thể là dữ liệu định lượng hoặc định tính đa giá trị. Ví dụ: xếp hạng sản phẩm từ 1 đến 5 sao. Luận án mở rộng khái niệm mức độ quan trọng hàm ý thống kê. Việc này áp dụng cho dữ liệu phi nhị phân. Mức độ quan trọng xếp hạng hàm ý thống kê được đề xuất. Nó giúp hệ tư vấn xử lý được nhiều loại dữ liệu khác nhau.
III. Phát triển Mô hình Hệ tư vấn theo Hàm ý Thống kê SIR
Mô hình SIR là viết tắt của "Statistical Implication Relationship". Mô hình này sử dụng các luật kết hợp đã được đánh giá. Các luật này có mức độ quan trọng hàm ý thống kê cao. SIR giúp tạo ra gợi ý dựa trên hành vi của người dùng. Hệ thống tìm kiếm các mục liên quan đến các mục người dùng đã tương tác. Đây là một cách tiếp cận mạnh mẽ để dự đoán sở thích. Mô hình SIR đã được cải tiến liên tục. Các cải tiến tập trung vào nâng cao hiệu quả và tốc độ xử lý. Điều này bao gồm tối ưu hóa thuật toán tìm kiếm luật. Hoạt động của mô hình dựa trên việc xây dựng một tập hợp các luật. Các luật này được lọc kỹ lưỡng theo mức độ quan trọng. Sau đó, hệ thống sử dụng các luật này để gợi ý mục mới cho người dùng. Quy trình hoạt động được mô tả chi tiết, đảm bảo tính minh bạch. Ngoài SIR, luận án còn phát triển mô hình UIR. UIR là "User-based Implication Relationship". Mô hình này tập trung vào mối quan hệ giữa những người dùng. Nó dựa trên mức độ quan trọng xếp hạng hàm ý thống kê giữa các người dùng. UIR xác định các người dùng có sở thích tương đồng mạnh mẽ. Từ đó, hệ thống gợi ý các mục mà người dùng tương đồng đã thích. Đây là một hướng tiếp cận bổ sung, tăng cường độ chính xác.
3.1. Mô hình tư vấn SIR cho luật kết hợp
Mô hình SIR là viết tắt của "Statistical Implication Relationship". Mô hình này sử dụng các luật kết hợp đã được đánh giá. Các luật này có mức độ quan trọng hàm ý thống kê cao. SIR giúp tạo ra gợi ý dựa trên hành vi của người dùng. Hệ thống tìm kiếm các mục liên quan đến các mục người dùng đã tương tác. Đây là một cách tiếp cận mạnh mẽ để dự đoán sở thích.
3.2. Cải tiến mô hình SIR và hoạt động
Mô hình SIR đã được cải tiến. Các cải tiến tập trung vào nâng cao hiệu quả và tốc độ. Điều này bao gồm tối ưu hóa thuật toán tìm kiếm luật. Hoạt động của mô hình dựa trên việc xây dựng một tập hợp các luật. Các luật này được lọc theo mức độ quan trọng. Sau đó, hệ thống sử dụng các luật này để gợi ý mục mới cho người dùng. Quy trình hoạt động được mô tả chi tiết.
3.3. Mô hình UIR dựa trên người dùng
Ngoài SIR, luận án còn phát triển mô hình UIR. UIR là "User-based Implication Relationship". Mô hình này tập trung vào mối quan hệ giữa những người dùng. Nó dựa trên mức độ quan trọng xếp hạng hàm ý thống kê giữa các người dùng. UIR xác định các người dùng có sở thích tương đồng. Từ đó, hệ thống gợi ý các mục mà người dùng tương đồng đã thích. Đây là một hướng tiếp cận bổ sung.
IV. Đánh giá Hiệu quả Hệ tư vấn dựa trên Hàm ý Thống kê
Việc đánh giá hệ tư vấn đòi hỏi một môi trường thực nghiệm đáng tin cậy. Các bộ dữ liệu thực tế được sử dụng để kiểm tra kỹ lưỡng. Các bộ dữ liệu này có thể là dữ liệu nhị phân hoặc phi nhị phân. Ví dụ về dữ liệu nhị phân là các giao dịch mua hàng trực tuyến. Dữ liệu phi nhị phân có thể là xếp hạng phim hoặc khóa học. Công cụ thực nghiệm chuyên dụng được phát triển để hỗ trợ. Nó hỗ trợ toàn bộ quá trình thử nghiệm và phân tích kết quả. Hiệu quả của mô hình SIR được đánh giá rất kỹ lưỡng. So sánh nội bộ giúp xác định các giá trị tham số tối ưu cho mô hình. Các phiên bản cải tiến của mô hình được so sánh với phiên bản gốc. So sánh bên ngoài đối chiếu SIR với các phương pháp hiện có. Điều này bao gồm các kỹ thuật lọc cộng tác phổ biến trên thị trường. Mục tiêu là chứng minh sự vượt trội rõ ràng của phương pháp mới. Tính chính xác của gợi ý là chỉ số quan trọng bậc nhất. Nó đo lường mức độ phù hợp của các đề xuất đối với người dùng. Các phương pháp đánh giá chéo k tập con được áp dụng rộng rãi. Các chỉ số đánh giá bao gồm Precision, Recall, và F1-score. Các chỉ số khác như MAE, RMSE cũng được sử dụng cho dữ liệu xếp hạng. Kết quả đánh giá cung cấp cái nhìn khách quan và toàn diện. Nó xác nhận hiệu quả của hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê.
4.1. Thiết lập môi trường và dữ liệu thực nghiệm
Việc đánh giá hệ tư vấn đòi hỏi môi trường thực nghiệm. Các bộ dữ liệu thực tế được sử dụng để kiểm tra. Các bộ dữ liệu này có thể là dữ liệu nhị phân hoặc phi nhị phân. Ví dụ về dữ liệu nhị phân là các giao dịch mua hàng. Dữ liệu phi nhị phân có thể là xếp hạng phim. Công cụ thực nghiệm chuyên dụng được phát triển. Nó hỗ trợ quá trình thử nghiệm và phân tích.
4.2. So sánh nội bộ và bên ngoài của mô hình SIR
Hiệu quả của mô hình SIR được đánh giá kỹ lưỡng. So sánh nội bộ giúp xác định các giá trị tham số tối ưu. Các phiên bản cải tiến của mô hình được so sánh với phiên bản gốc. So sánh bên ngoài đối chiếu SIR với các phương pháp hiện có. Điều này bao gồm các kỹ thuật lọc cộng tác phổ biến. Mục tiêu là chứng minh sự vượt trội của phương pháp mới.
4.3. Đánh giá tính chính xác của gợi ý
Tính chính xác của gợi ý là chỉ số quan trọng. Nó đo lường mức độ phù hợp của các đề xuất. Các phương pháp đánh giá chéo k tập con được áp dụng. Chỉ số đánh giá bao gồm Precision, Recall, F1-score. Các chỉ số khác như MAE, RMSE cũng được sử dụng cho dữ liệu xếp hạng. Kết quả đánh giá cung cấp cái nhìn khách quan. Nó xác nhận hiệu quả của hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê.
V. Ứng dụng và Cải tiến Hệ tư vấn theo Mức độ Quan trọng
Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê có nhiều ứng dụng tiềm năng. Một ví dụ cụ thể là gợi ý đăng ký học phần cho sinh viên. Hệ thống phân tích kỹ lưỡng lịch sử học tập của từng sinh viên. Nó xác định các mối quan hệ mạnh mẽ giữa các học phần khác nhau. Từ đó, hệ thống đề xuất các học phần phù hợp nhất. Điều này giúp sinh viên lựa chọn môn học hiệu quả và tối ưu. Nó tối ưu hóa lộ trình học tập của sinh viên, tránh lãng phí thời gian. Nghiên cứu tiếp theo có thể mở rộng mô hình hiện có. Việc tích hợp các yếu tố ngữ cảnh là một hướng đi triển vọng. Ví dụ: thời gian, địa điểm, hoặc thậm chí tâm trạng của người dùng. Xử lý các loại dữ liệu phức tạp hơn cũng là một yêu cầu. Nghiên cứu cũng có thể khám phá các thuật toán tối ưu hóa mới. Mục tiêu là tiếp tục nâng cao tính chính xác và hiệu quả của hệ thống. Mô hình có tiềm năng mở rộng sang nhiều lĩnh vực khác. Bất kỳ nơi nào có dữ liệu hành vi người dùng, mô hình đều áp dụng được. Các lĩnh vực như y tế, tài chính, sản xuất có thể hưởng lợi lớn. Hệ thống có thể giúp đưa ra quyết định dựa trên dữ liệu một cách thông minh. Khả năng cá nhân hóa cao là một lợi thế lớn của phương pháp này. Đây là đóng góp quan trọng của luận án đối với khoa học và thực tiễn.
5.1. Ứng dụng hệ tư vấn trong gợi ý học phần
Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê có nhiều ứng dụng. Một ví dụ cụ thể là gợi ý đăng ký học phần. Hệ thống phân tích lịch sử học tập của sinh viên. Nó xác định các mối quan hệ giữa các học phần. Từ đó, hệ thống đề xuất các học phần phù hợp. Điều này giúp sinh viên lựa chọn môn học hiệu quả. Nó tối ưu hóa lộ trình học tập của họ.
5.2. Hướng phát triển và nghiên cứu tiếp theo
Nghiên cứu tiếp theo có thể mở rộng mô hình. Việc tích hợp các yếu tố ngữ cảnh là một hướng. Ví dụ: thời gian, địa điểm, tâm trạng người dùng. Xử lý các loại dữ liệu phức tạp hơn cũng cần thiết. Nghiên cứu cũng có thể khám phá các thuật toán tối ưu hóa mới. Mục tiêu là tiếp tục nâng cao tính chính xác và hiệu quả.
5.3. Tiềm năng mở rộng mô hình
Mô hình có tiềm năng mở rộng sang nhiều lĩnh vực. Bất kỳ nơi nào có dữ liệu hành vi người dùng, mô hình đều áp dụng được. Các lĩnh vực như y tế, tài chính, sản xuất có thể hưởng lợi. Hệ thống có thể giúp đưa ra quyết định dựa trên dữ liệu. Khả năng cá nhân hóa cao là một lợi thế lớn. Đây là đóng góp quan trọng của luận án.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (192 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA PHAN PHƯƠNG LAN HỆ TƯ VẤN DỰA TRÊN MỨC ĐỘ QUAN TRỌNG HÀM Ý THỐNG KÊ LUẬN ÁN TIẾN SĨ KỸ THUẬT Đà Nẵng - Năm 2019 ii ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA PHAN PHƯƠNG LAN HỆ TƯ VẤN DỰA TRÊN MỨC ĐỘ QUAN TRỌNG HÀM Ý THỐNG KÊ Chuyên ngành: Khoa học máy tính Mã số: 9480101 LUẬN ÁN TIẾN SĨ KỸ THUẬT Người hướng dẫn khoa học: 1. Huỳnh Xuân Hiệp 2. Huỳnh Hữu Hưng Đà Nẵng - Năm 2019 LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện, dưới sự hướng dẫn của PGS. Huỳnh Xuân Hiệp và TS.
Huỳnh Hữu Hưng. Tôi cam đoan các kết quả nghiên cứu được trình bày trong luận án là trung thực và không sao chép từ bất kỳ công trình nghiên cứu nào khác. Một số kết quả nghiên cứu là thành quả tập thể và đã được các đồng tác giả đồng ý cho sử dụng trong luận án. Mọi trích dẫn trong luận án đều có ghi nguồn gốc xuất xứ rõ ràng và đầy đủ.
Phan Phương Lan LỜI CẢM ƠN Trước tiên, tôi xin bày tỏ lòng biết ơn sâu sắc và gửi lời tri ân đến PGS. Huỳnh Xuân Hiệp và TS. Huỳnh Hữu Hưng đã tận tình hướng dẫn, truyền đạt kiến thức và kinh nghiệm nghiên cứu khoa học cho tôi trong suốt quá trình học tập, nghiên cứu và hoàn thành luận án. Tôi xin chân thành cảm ơn Phòng Đào tạo và Khoa Công nghệ thông tin - Trường Đại học Bách khoa đã luôn tạo điều kiện thuận lợi cho tôi trong thời gian làm nghiên cứu sinh tại đây.
Xin cảm ơn Ban Lãnh đạo trường Đại học Cần Thơ, Khoa Công nghệ thông tin và Truyền thông, Bộ môn Công nghệ phần mềm đã luôn hỗ trợ và tạo điều kiện tốt nhất để tôi có thể tập trung nghiên cứu. Tôi xin được bày tỏ lòng biết ơn chân thành đến GS. Régis Gras đã cung cấp cho tôi nhiều tài liệu về lý thuyết phân tích hàm ý thống kê và có những góp ý sâu sắc cho nghiên cứu của tôi. Xin chân thành cảm ơn các nhà khoa học đã dành thời gian và công sức đọc và đưa ra các góp ý quý báu để luận án được hoàn chỉnh hơn.
Cuối cùng, tôi xin được gửi lời cảm ơn sâu sắc đến gia đình và bạn thân - những người luôn bên cạnh, giúp đỡ và động viên tôi trong suốt thời gian học tập, nghiên cứu và hoàn thành luận án. Đà Nẵng, ngày 09 tháng 11 năm 2019 NCS. Phan Phương Lan i MỤC LỤC 1. I DANH MỤC THUẬT NGỮ VÀ TỪ VIẾT TẮT.
VI DANH MỤC BẢNG. VIII DANH MỤC HÌNH. IX MỞ ĐẦU. Mức độ quan trọng hàm ý thống kê.
Định nghĩa mức độ quan trọng hàm ý thống kê. Mức độ quan trọng hàm ý thống kê cho dữ liệu nhị phân. Mối quan hệ hàm ý thống kê trên dữ liệu nhị phân. Chỉ số hàm ý và cường độ hàm ý.
Cường độ hàm ý có entropy. Chỉ số gắn kết. Chỉ số đóng góp. Chỉ số tiêu biểu.
Mức độ quan trọng hàm ý thống kê cho dữ liệu phi nhị phân. Mối quan hệ hàm ý thống kê trên dữ liệu phi nhị phân. Mức độ quan trọng hàm ý thống kê cho dữ liệu phi nhị phân. Mức độ quan trọng xếp hạng hàm ý thống kê.
Hệ tư vấn và các hướng nghiên cứu. Phân loại hệ tư vấn. Hệ tư vấn thuộc nhóm cá thể. Hệ tư vấn thuộc nhóm cộng tác/cộng đồng.
Hệ tư vấn thuộc nhóm chuyên gia. Hệ tư vấn thuộc nhóm lai ghép. Hệ tư vấn thuộc nhóm theo ngữ cảnh. Các hướng nghiên cứu về hệ tư vấn.
Nghiên cứu về dữ liệu. Nghiên cứu đề xuất và cải tiến các phương pháp tư vấn. Nghiên cứu đánh giá hệ tư vấn. Kỹ thuật tư vấn lọc cộng tác.
Kỹ thuật lọc cộng tác dựa trên bộ nhớ (láng giềng). Kỹ thuật lọc cộng tác dựa trên mô hình. Tư vấn lọc cộng tác dựa trên luật kết hợp. Mô hình nhân tố tiềm ẩn.
Đánh giá hiệu quả tư vấn. Phương pháp đánh giá chéo k tập con. Tính chính xác của gợi ý. Tính chính xác của xếp hạng được dự đoán.
Tính chính xác của gợi ý được sắp thứ tự. Phương pháp tư vấn theo mức độ quan trọng hàm ý thống kê. Tư vấn dựa trên phân tích hàm ý thống kê hiện có. Tư vấn dựa trên mức độ quan trọng hàm ý thống kê.
Kết luận chương 1. TƯ VẤN THEO MỨC ĐỘ QUAN TRỌNG HÀM Ý THỐNG KÊ TRÊN LUẬT KẾT HỢP. Mô hình tư vấn theo mức độ quan trọng hàm ý thống kê trên luật SIR. Mô hình tư vấn SIR.
Mô hình tư vấn SIR được cải tiến. Hoạt động của mô hình tư vấn theo mức độ quan trọng hàm ý thống kê trên luật. Hoạt động của mô hình tư vấn SIR. Hoạt động của mô hình tư vấn SIR được cải tiến.
Đánh giá hiệu quả tư vấn của mô hình SIR. Dữ liệu thực nghiệm của mô hình SIR. Công cụ thực nghiệm của mô hình SIR. Hiệu quả tư vấn của mô hình SIR trên dữ liệu nhị phân.
Các giá trị tham số phù hợp. Thời gian xây dựng mô hình tư vấn trước và sau cải tiến. Tính chính xác của gợi ý qua so sánh nội trên dữ liệu nhị phân. Tính chính xác của gợi ý qua so sánh ngoại trên dữ liệu nhị phân.
Mô hình tư vấn SIR trong gợi ý đăng ký học phần. Hiệu quả tư vấn của mô hình SIR trên dữ liệu phi nhị phân. Tính chính xác của gợi ý qua so sánh nội trên dữ liệu phi nhị phân. Tính chính xác của gợi ý qua so sánh ngoại trên dữ liệu phi nhị phân.
Kết luận chương 2. TƯ VẤN THEO MỨC ĐỘ QUAN TRỌNG XẾP HẠNG HÀM Ý THỐNG KÊ TRÊN NGƯỜI DÙNG. Định nghĩa mức độ quan trọng xếp hạng hàm ý thống kê trên người dùng. Mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên người dùng UIR.
Hoạt động của mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên người dùng. Đánh giá hiệu quả tư vấn của mô hình UIR. Dữ liệu thực nghiệm của mô hình UIR. Công cụ thực nghiệm của mô hình UIR.
Đánh giá mô hình UIR qua tính chính xác của gợi ý. Tính chính xác của mô hình UIR qua so sánh ngoại. Tính chính xác của mô hình UIR qua so sánh nội. Đánh giá mô hình UIR qua tính chính xác của xếp hạng được dự đoán.
Sai số của mô hình UIR qua so sánh ngoại. Sai số của mô hình UIR qua so sánh nội. Đánh giá mô hình UIR qua tính chính xác của gợi ý được sắp thứ tự. Độ lợi tích lũy giảm dần của mô hình UIR trên dữ liệu nhị phân.
Độ lợi tích lũy giảm dần của mô hình UIR trên dữ liệu phi nhị phân. Kết luận chương 3. 103 iv CHƯƠNG 4. TƯ VẤN THEO MỨC ĐỘ QUAN TRỌNG XẾP HẠNG HÀM Ý THỐNG KÊ TRÊN MỤC.
Định nghĩa mức độ quan trọng xếp hạng hàm ý thống kê trên mục dữ liệu. Mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên mục IIR. Hoạt động của mô hình tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên mục. Đánh giá hiệu quả tư vấn của mô hình IIR.
Dữ liệu và công cụ thực nghiệm của mô hình IIR. Thời gian xây dựng ma trận mục trực tiếp và gián tiếp. Đánh giá mô hình IIR qua tính chính xác của gợi ý. Tính chính xác của mô hình IIR qua so sánh nội.
Tính chính xác của mô hình IIR qua so sánh ngoại. Tính ổn định của mô hình IIR. Đánh giá mô hình IIR qua tính chính xác của xếp hạng được dự đoán. Sai số của mô hình IIR qua so sánh nội.
Sai số của mô hình IIR qua so sánh ngoại. Đánh giá mô hình IIR qua tính chính xác của gợi ý được sắp thứ tự. So sánh hiệu quả tư vấn của các mô hình đề xuất. So sánh thời gian tư vấn.
So sánh tính chính xác của các mô hình. Đánh giá chung về các mô hình đề xuất. Kết luận chương 4. 138 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN.
139 Hướng phát triển. 140 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ.141 TÀI LIỆU THAM KHẢO .1 Phụ lục 1: Công cụ Interestingnesslab và tập dữ liệu DKHP. 1 v Công cụ Interestingnesslab. 1 Tập dữ liệu DKHP.
2 Phụ lục 2: Giải thuật tư vấn theo mức độ quan trọng hàm ý thống kê trên luật kết hợp. 4 Sinh tập luật dựa trên ngưỡng hỗ trợ, ngưỡng tin cậy và độ dài tối đa của một luật. 4 Biểu diễn tập luật theo phân tích hàm ý thống kê. 4 Tính cường độ hàm ý, chỉ số gắn kết của luật.
6 Lọc tập luật theo ngưỡng cường độ hàm ý hoặc chỉ số gắn kết. 8 Phụ lục 3: Giải thuật tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên người dùng. 10 Biểu diễn mối quan hệ giữa hai người dùng theo phân tích hàm ý thống kê. 10 Tính cường độ hàm ý giữa hai người dùng.
11 Tìm các láng giềng gần nhất của người cần được tư vấn. 12 Xác định chỉ số tiêu biểu của một mục đối với mối quan hệ hàm ý giữa hai người dùng. 12 Dự đoán xếp hạng của người dùng cho các mục dữ liệu. 14 Phụ lục 4: Giải thuật tư vấn theo mức độ quan trọng xếp hạng hàm ý thống kê trên mục dữ liệu.
15 Xây dựng ma trận mục dữ liệu - gián tiếp. 15 Xây dựng ma trận mục dữ liệu - trực tiếp. 16 Dự đoán xếp hạng của người dùng cho các mục dữ liệu. 17 Phụ lục 5: Giải thuật đánh giá hệ tư vấn.
18 Phụ lục 6: Xác định giá trị tham số phù hợp của mô hình SIR, AR và IBCF. 21 Ngưỡng tin cậy và hỗ trợ trong các mô hình SIR, AR. 21 Độ dài tối đa của một luật trong các mô hình SIR, AR. 22 Số láng giềng gần nhất của mô hình IBCF .
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" nghiên cứu về vấn đề gì?
Luận án tiến sĩ kỹ thuật: Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê. Nâng cao hiệu quả tư vấn, tối ưu hóa quyết định.
Luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Trường Đại học Bách khoa, Đại học Đà Nẵng. Năm bảo vệ: 2019.
Luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" thuộc chuyên ngành gì?
Luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" thuộc chuyên ngành Khoa học máy tính. Danh mục: Hệ Thống Thông Tin.
Luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" có bao nhiêu trang?
Luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" có 192 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Hệ tư vấn dựa trên mức độ quan trọng hàm ý thống kê" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.