Luận án Tiến sĩ: Học máy xác định đặc điểm người dùng Internet - Dương Trần Đức
Luận án tiến sĩ dùng học máy tiên tiến để xác định đặc điểm người dùng internet, góp phần hiểu sâu hành vi trực tuyến.
Kỹ thuật máy tính
Luan An
Luận án Tiến sĩ
Năm xuất bản
Số trang
153
Thời gian đọc
23 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Học máy xác định đặc điểm người dùng Internet hiệu quả
Nghiên cứu tập trung vào học máy để xác định đặc điểm người dùng trên Internet. Đây là lĩnh vực quan trọng với nhiều ứng dụng thực tiễn. Việc hiểu rõ người dùng giúp các nền tảng trực tuyến tối ưu hóa trải nghiệm. Các phương pháp học máy được áp dụng để phân tích dữ liệu đa dạng. Dữ liệu này bao gồm văn bản và hành vi trực tuyến. Mục tiêu là xây dựng hồ sơ người dùng chính xác. Hồ sơ này hỗ trợ cá nhân hóa dịch vụ và tối ưu hóa quảng cáo. Nghiên cứu cũng giải quyết các thách thức cụ thể trong môi trường tiếng Việt. Sự phát triển của Internet tạo ra lượng dữ liệu khổng lồ. Khai phá dữ liệu người dùng trở thành một nhu cầu cấp thiết. Các thuật toán học máy cung cấp công cụ mạnh mẽ. Chúng giúp biến dữ liệu thô thành thông tin giá trị. Đây là nền tảng cho nhiều hệ thống thông minh hiện đại.
1.1. Tầm quan trọng của nhận diện đặc điểm người dùng
Nhận diện đặc điểm người dùng mang lại lợi ích lớn. Nó giúp doanh nghiệp hiểu khách hàng sâu sắc hơn. Cá nhân hóa trải nghiệm trở nên khả thi. Website có thể gợi ý sản phẩm phù hợp. Nền tảng mạng xã hội hiển thị nội dung cá nhân hóa. Điều này tăng cường tương tác và sự hài lòng của người dùng. Phân khúc khách hàng trở nên chính xác hơn. Các chiến dịch marketing được nhắm mục tiêu hiệu quả. Việc xác định đặc điểm người dùng cũng hỗ trợ phát hiện gian lận trực tuyến. Bảo mật dữ liệu người dùng được cải thiện. Các hệ thống có thể nhận diện hành vi bất thường. Đây là bước đi chiến lược để tối ưu hóa mọi hoạt động trực tuyến.
1.2. Các phương pháp chính trong xác định đặc điểm
Nghiên cứu sử dụng hai phương pháp chính. Một là phân tích văn bản người dùng. Phương pháp này xem xét nội dung do người dùng tạo ra. Ví dụ: bài viết diễn đàn, bình luận. Các đặc trưng ngôn ngữ và phong cách viết được trích xuất. Hai là phân tích hành vi người dùng trực tuyến. Phương pháp này dựa trên dữ liệu tương tác. Ví dụ: lịch sử truy cập, click chuột, thời gian trên trang. Cả hai phương pháp đều dùng học máy để xây dựng mô hình. Các mô hình này dự đoán hoặc phân loại đặc điểm người dùng. Việc kết hợp cả hai phương pháp tăng cường độ chính xác. Điều này mang lại cái nhìn toàn diện về người dùng.
1.3. Mục tiêu và đóng góp của luận án
Luận án hướng tới phát triển các phương pháp học máy mới. Các phương pháp này được dùng để xác định đặc điểm người dùng trên Internet. Mục tiêu cụ thể là cải thiện độ chính xác và hiệu quả. Luận án đóng góp hai giải pháp chính. Một là phương pháp xác định tác giả bài viết diễn đàn tiếng Việt. Phương pháp này khai thác đặc trưng ngôn ngữ độc đáo. Hai là phương pháp trích chọn đặc trưng từ dữ liệu thương mại điện tử. Đây là các đóng góp quan trọng cho lĩnh vực học máy. Các kết quả có thể ứng dụng vào nhiều hệ thống thực tế. Từ đó nâng cao chất lượng dịch vụ và bảo mật.
II. Phân tích văn bản người dùng Khai phá thông tin sâu
Phân tích văn bản là một trụ cột trong việc xác định đặc điểm người dùng. Internet tràn ngập văn bản do người dùng tạo ra. Các bài viết, bình luận, đánh giá chứa đựng thông tin phong phú. Chúng phản ánh tính cách, sở thích và quan điểm cá nhân. Việc khai thác hiệu quả thông tin này đòi hỏi kỹ thuật phức tạp. Các thuật toán xử lý ngôn ngữ tự nhiên (NLP) là công cụ chủ chốt. Chúng giúp trích xuất các đặc trưng có ý nghĩa. Từ đó, học máy xây dựng mô hình nhận diện. Phân tích dữ liệu web từ văn bản cung cấp cái nhìn sâu sắc. Nó giúp hiểu rõ hơn hành vi người dùng trực tuyến. Đây là nền tảng cho nhiều ứng dụng cá nhân hóa. Phương pháp này cũng hỗ trợ phân khúc khách hàng hiệu quả. Học sâu trong phân tích hành vi ngày càng được ứng dụng.
2.1. Đặc trưng của văn bản trực tuyến và thách thức phân tích
Văn bản trực tuyến có những đặc điểm riêng biệt. Chúng thường không chuẩn mực, chứa từ viết tắt, tiếng lóng. Ngôn ngữ có thể đa dạng, từ trang trọng đến đời thường. Điều này tạo ra thách thức lớn cho việc phân tích. Dữ liệu có thể nhiễu và không đồng nhất. Các kỹ thuật truyền thống gặp khó khăn. Cần có phương pháp xử lý ngôn ngữ mạnh mẽ. Khai phá dữ liệu người dùng từ văn bản yêu cầu sự tinh tế. Các mô hình phải có khả năng thích ứng với sự biến đổi ngôn ngữ. Đây là yếu tố then chốt để đạt được độ chính xác cao.
2.2. Kỹ thuật phân tích tác giả văn bản hiệu quả
Nghiên cứu sử dụng nhiều kỹ thuật phân tích. Các đặc trưng dựa trên từ vựng được khai thác. Ví dụ: tần suất từ, độ dài từ, từ loại. Các đặc trưng cú pháp cũng quan trọng. Chúng bao gồm cấu trúc câu, cách dùng dấu câu. Phong cách viết là một yếu tố nhận diện mạnh mẽ. Kỹ thuật máy học như Support Vector Machine (SVM) và Naive Bayes được áp dụng. Việc kết hợp các loại đặc trưng khác nhau mang lại hiệu quả cao. Các mô hình học máy được huấn luyện trên tập dữ liệu lớn. Điều này giúp chúng học được các mẫu nhận diện tinh vi. Phân tích văn bản tiếng Việt có thêm các đặc thù về âm tiết và vần.
2.3. Các đặc trưng nhận diện từ nội dung và phong cách viết
Nội dung văn bản cung cấp các đặc trưng về chủ đề quan tâm. Phong cách viết thể hiện đặc điểm cá nhân. Các đặc trưng này bao gồm độ dài câu, độ phức tạp ngữ pháp. Tỷ lệ lỗi chính tả cũng có thể là một dấu hiệu. Việc sử dụng từ ngữ chuyên ngành hoặc bình dân. Khai phá dữ liệu người dùng từ những đặc trưng này rất hiệu quả. Chúng tạo ra một dấu vân tay ngôn ngữ độc đáo. Các thuật toán học máy phân tích các mẫu này. Từ đó, nhận diện được tác giả hoặc đặc điểm nhân khẩu học. Điều này đóng góp vào cá nhân hóa trải nghiệm người dùng.
III. Nhận diện đặc điểm từ hành vi Phân tích dữ liệu web
Phân tích hành vi người dùng trực tuyến là một phương pháp quan trọng. Nó bổ sung cho phân tích văn bản. Dữ liệu hành vi bao gồm mọi tương tác của người dùng. Từ việc truy cập trang web đến click vào sản phẩm. Những hành động này tạo ra một lượng dữ liệu lớn. Phân tích dữ liệu web này giúp xây dựng hồ sơ người dùng chi tiết. Các thuật toán học máy đóng vai trò trung tâm. Chúng xử lý dữ liệu để tìm ra các mẫu hành vi. Các mẫu này được dùng để xác định sở thích, ý định và nhu cầu. Kết quả là cá nhân hóa trải nghiệm hiệu quả hơn. Điều này cũng giúp tối ưu hóa quảng cáo và phân khúc khách hàng.
3.1. Tập đặc trưng hành vi và thu thập dữ liệu người dùng
Các đặc trưng hành vi rất đa dạng. Bao gồm số trang đã xem, thời gian trên mỗi trang. Tần suất truy cập, loại sản phẩm đã xem hoặc mua. Lịch sử tìm kiếm, các mặt hàng trong giỏ hàng. Dữ liệu này được thu thập từ các hệ thống web và thương mại điện tử. Quá trình thu thập cần đảm bảo bảo mật dữ liệu người dùng. Các công cụ theo dõi web cung cấp dữ liệu thô. Sau đó, dữ liệu được tiền xử lý và trích xuất đặc trưng. Việc chọn lựa đặc trưng phù hợp ảnh hưởng lớn đến hiệu quả. Tập đặc trưng càng phong phú, hồ sơ người dùng càng chính xác.
3.2. Kỹ thuật phân tích hành vi và phân khúc khách hàng
Nghiên cứu áp dụng các kỹ thuật học máy khác nhau. Các thuật toán phân loại (classification) và gom cụm (clustering) được dùng. Phân loại giúp gán người dùng vào các nhóm đã định sẵn. Gom cụm tự động nhóm người dùng có hành vi tương tự. Điều này tạo ra các phân khúc khách hàng tự nhiên. Ví dụ: người mua sắm thường xuyên, người xem sản phẩm. Phân tích hành vi giúp hiểu rõ động cơ của người dùng. Từ đó, xây dựng chiến lược tiếp thị phù hợp. Đây là yếu tố cốt lõi trong tối ưu hóa quảng cáo và cá nhân hóa.
3.3. Ứng dụng phân tích hành vi trong cá nhân hóa trải nghiệm
Phân tích hành vi là nền tảng cho cá nhân hóa. Các thuật toán gợi ý sử dụng hồ sơ hành vi. Chúng đề xuất sản phẩm, dịch vụ hoặc nội dung. Việc này giúp tăng doanh số bán hàng và mức độ hài lòng. Ví dụ: gợi ý phim trên nền tảng streaming. Gợi ý bài viết trên trang tin tức. Cá nhân hóa trải nghiệm tạo ra môi trường tương tác hiệu quả hơn. Nó cũng giúp duy trì sự gắn bó của người dùng. Việc này đóng góp trực tiếp vào thành công của các doanh nghiệp trực tuyến.
IV. Giải pháp học máy cho diễn đàn tiếng Việt và thương mại điện tử
Luận án đề xuất các giải pháp học máy cụ thể. Các giải pháp này tập trung vào hai mảng chính. Một là phân tích văn bản trên diễn đàn tiếng Việt. Hai là phân tích dữ liệu lịch sử truy cập thương mại điện tử. Đối với tiếng Việt, nghiên cứu khai thác đặc thù ngôn ngữ. Điều này nâng cao hiệu quả xác định đặc điểm tác giả. Trong thương mại điện tử, các kỹ thuật trích chọn đặc trưng mới được phát triển. Mục tiêu là xây dựng hồ sơ người dùng chính xác. Các phương pháp này được thiết kế để giải quyết những thách thức thực tế. Chúng góp phần vào việc tối ưu hóa quảng cáo và cá nhân hóa trải nghiệm. Kết quả thực nghiệm cho thấy hiệu quả vượt trội. Khai phá dữ liệu người dùng trở nên mạnh mẽ hơn.
4.1. Phương pháp xác định tác giả trên diễn đàn tiếng Việt
Việc xác định tác giả bài viết tiếng Việt đòi hỏi phương pháp đặc biệt. Luận án đã nghiên cứu các đặc trưng cơ bản. Ví dụ: tần suất từ, độ dài câu. Các đặc trưng nội dung cũng được sử dụng. Đặc biệt, nghiên cứu khám phá đặc trưng vần và âm tiết tiếng Việt. Đây là các đặc trưng ngôn ngữ học độc đáo. Chúng giúp nhận diện phong cách viết cá nhân. Việc kết hợp nhiều loại đặc trưng giúp cải thiện độ chính xác. Các mô hình học máy được huấn luyện để phân biệt các tác giả khác nhau. Kết quả thực nghiệm cho thấy hiệu quả cao. Điều này mở ra nhiều ứng dụng trong phân tích dữ liệu web.
4.2. Trích chọn đặc trưng từ lịch sử truy cập thương mại điện tử
Dữ liệu lịch sử truy cập thương mại điện tử rất phong phú. Nó chứa thông tin về sản phẩm đã xem, thời gian xem, đường dẫn. Nghiên cứu đề xuất phương pháp tái chọn mẫu. Phương pháp này giúp cân bằng dữ liệu. Một phương pháp trích chọn đặc trưng dựa trên biểu diễn cây cũng được phát triển. Nó mô hình hóa hành trình của người dùng trên website. Các đặc trưng được trích xuất từ cấu trúc cây này. Điều này giúp nắm bắt mối quan hệ phức tạp giữa các hành động. Từ đó, xây dựng hồ sơ hành vi người dùng chính xác hơn. Các đặc trưng này là đầu vào cho các thuật toán gợi ý và phân khúc khách hàng.
4.3. Kết quả thực nghiệm và tiềm năng ứng dụng thực tiễn
Các phương pháp đề xuất đã được kiểm chứng qua thực nghiệm. Kết quả cho thấy độ chính xác cao trong cả hai mảng. Đối với xác định tác giả, các đặc trưng vần và âm tiết hiệu quả. Trong thương mại điện tử, phương pháp trích chọn đặc trưng cây mang lại cải thiện đáng kể. Những kết quả này có tiềm năng ứng dụng lớn. Chúng có thể dùng để cá nhân hóa trải nghiệm mua sắm. Tối ưu hóa quảng cáo dựa trên hành vi khách hàng. Ngoài ra, chúng cũng hỗ trợ phát hiện gian lận trực tuyến. Bảo mật dữ liệu người dùng được tăng cường. Nghiên cứu tạo ra nền tảng cho các hệ thống thông minh hơn.
V. Ứng dụng thực tiễn và hướng nghiên cứu học máy tương lai
Các phương pháp học máy xác định đặc điểm người dùng có ứng dụng rộng rãi. Chúng không chỉ giới hạn trong cá nhân hóa. Chúng còn đóng vai trò quan trọng trong bảo mật và phát hiện gian lận. Việc hiểu rõ người dùng là chìa khóa để xây dựng các hệ thống an toàn hơn. Tối ưu hóa quảng cáo trở nên hiệu quả hơn khi có hồ sơ người dùng chi tiết. Nghiên cứu trong lĩnh vực này không ngừng phát triển. Học sâu trong phân tích hành vi đang mở ra những khả năng mới. Tuy nhiên, các thách thức về quyền riêng tư và đạo đức cũng cần được xem xét. Hướng nghiên cứu tiếp theo sẽ tập trung vào giải quyết những vấn đề này. Mục tiêu là tạo ra các hệ thống thông minh và có trách nhiệm.
5.1. Tối ưu hóa quảng cáo và cá nhân hóa Lợi ích kinh doanh
Hồ sơ người dùng chính xác mang lại lợi ích kinh doanh lớn. Nó cho phép tối ưu hóa quảng cáo hiệu quả hơn. Quảng cáo được hiển thị cho đúng đối tượng. Tỷ lệ chuyển đổi và doanh thu tăng lên. Cá nhân hóa trải nghiệm khách hàng giúp xây dựng lòng trung thành. Người dùng cảm thấy được hiểu và phục vụ tốt hơn. Các thuật toán gợi ý đóng vai trò then chốt. Chúng sử dụng đặc điểm người dùng để đưa ra đề xuất phù hợp. Điều này tạo ra một vòng lặp tích cực. Khai phá dữ liệu người dùng trở thành tài sản quý giá cho doanh nghiệp.
5.2. Phát hiện gian lận trực tuyến và bảo mật dữ liệu người dùng
Xác định đặc điểm người dùng còn hữu ích trong bảo mật. Các hệ thống có thể nhận diện hành vi bất thường. Ví dụ: truy cập từ địa điểm lạ, mẫu giao dịch khác thường. Điều này giúp phát hiện gian lận trực tuyến kịp thời. Nó bảo vệ tài khoản và thông tin cá nhân của người dùng. Bảo mật dữ liệu người dùng là ưu tiên hàng đầu. Hồ sơ hành vi chuẩn mực giúp thiết lập đường cơ sở. Bất kỳ sai lệch nào đều được cảnh báo. Đây là một ứng dụng quan trọng, giúp tăng cường an toàn cho môi trường mạng.
5.3. Hướng phát triển học máy trong nhận diện đặc điểm người dùng
Hướng nghiên cứu tiếp theo sẽ tích hợp học sâu. Các mạng nơ-ron sâu có tiềm năng lớn. Chúng có thể tự động học các đặc trưng phức tạp. Phân tích dữ liệu web thời gian thực cũng là một trọng tâm. Việc xử lý dữ liệu lớn (Big Data) hiệu quả hơn. Nghiên cứu sẽ tập trung vào các mô hình có khả năng giải thích được. Điều này giúp tăng cường sự tin cậy của hệ thống. Đồng thời, các vấn đề về quyền riêng tư sẽ được quan tâm. Phát triển các kỹ thuật bảo vệ dữ liệu người dùng trong quá trình phân tích. Mục tiêu là tạo ra các giải pháp toàn diện và bền vững.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (153 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộHỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG Dương Trần Đức MỘT SỐ PHƯƠNG PHÁP HỌC MÁY XÁC ĐỊNH ĐẶC ĐIỂM NGƯỜI DÙNG TRÊN MẠNG INTERNET LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – Năm 2018 i HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG Dương Trần Đức MỘT SỐ PHƯƠNG PHÁP HỌC MÁY XÁC ĐỊNH ĐẶC ĐIỂM NGƯỜI DÙNG TRÊN MẠNG INTERNET Chuyên ngành: Kỹ thuật máy tính Mã số: 9.06 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: 1.TS PHẠM BẢO SƠN 2. TÂN HẠNH Hà Nội – Năm 2018 ii LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện. Các số liệu và kết quả trình bày trong luận án là trung thực, chưa được công bố bởi bất kỳ tác giả nào hay ở bất kỳ công trình nào khác. Tác giả Dương Trần Đức iii LỜI CẢM ƠN Tôi xin gửi lời cảm ơn chân thành tới Khoa Đào tạo Sau Đại học, Khoa Công nghệ Thông tin, Ban Lãnh đạo Học viện Công nghệ Bưu chính Viễn thông, các Quý Thầy Cô đã giúp tôi trang bị kiến thức, tạo điều kiện thuận lợi cho tôi trong suốt quá trình thực hiện Luận án này.
Đồng thời, tôi xin bày tỏ lòng cảm ơn chân thành và sâu sắc tới PGS. Phạm Bảo Sơn và TS. Tân Hạnh, những người đã tận tình khuyến khích và hướng dẫn trong quá trình thực hiện để tôi có thể hoàn thành Luận án. Xin chân thành cảm ơn các đồng nghiệp, các nhà khoa học, các thầy cô giáo công tác tại Khoa Công nghệ Thông tin, Học viện Công nghệ Bưu chính Viễn thông, Đại học Công nghệ - Đại học Quốc gia Hà Nội đã động viên, hỗ trợ tôi trong quá trình thực hiện Luận án.
Cuối cùng, xin gửi lời tri ân sâu sắc tới gia đình, bạn bè, những người đã luôn động viên, khuyến khích, là chỗ dựa tinh thần cho tôi trong thời gian thực hiện Luận án. iv MỤC LỤC Trang TRANG PHỤ BÌA. i LỜI CAM ĐOAN. ii LỜI CẢM ƠN.
iii MỤC LỤC. iv DANH MỤC BẢNG BIỂU. vii DANH MỤC HÌNH VẼ. viii DANH MỤC CÁC TỪ VIẾT TẮT.
ix MỞ ĐẦU. LÝ DO LỰA CHỌN ĐỀ TÀI. MỤC TIÊU CỦA LUẬN ÁN. PHẠM VI NGHIÊN CỨU.
CÁC ĐÓNG GÓP CỦA LUẬN ÁN. BỐ CỤC CỦA LUẬN ÁN. 5 CHƯƠNG 1: TỔNG QUAN VỀ XÁC ĐỊNH ĐẶC ĐIỂM NGƯỜI DÙNG .1 XÁC ĐỊNH ĐẶC ĐIỂM NGƯỜI DÙNG THÔNG QUA PHÂN TÍCH VĂN BẢN .2 Đặc điểm của văn bản trực tuyến .3 Các dạng thức trong phân tích tác giả văn bản .4 Các kỹ thuật phân tích.5 Các đặc trưng nhận diện.2 NHẬN DIỆN ĐẶC ĐIỂM NGƯỜI DÙNG THÔNG QUA PHÂN TÍCH HÀNH VI .2 Tập đặc trưng hành vi .3 Các kỹ thuật phân tích.4 Nhận xét và đánh giá .3 CÔNG CỤ THỰC NGHIỆM .4 KẾT LUẬN CHƯƠNG. 31 CHƯƠNG 2: XÁC ĐỊNH ĐẶC ĐIỂM TÁC GIẢ BÀI VIẾT DIỄN ĐÀN TIẾNG VIỆT .1 XÁC ĐỊNH ĐẶC ĐIỂM TÁC GIẢ BÀI VIẾT DIỄN ĐÀN TIẾNG VIỆT SỬ DỤNG CÁC ĐẶC TRƯNG CƠ BẢN .2 Phương pháp .2 SỬ DỤNG CÁC ĐẶC TRƯNG NỘI DUNG .2 Phương pháp .3 SỬ DỤNG CÁC ĐẶC TRƯNG VẦN VÀ ÂM TIẾT TIẾNG VIỆT .2 Tổng quan về các nghiên cứu phân tích tác giả sử dụng các đặc trưng dựa trên từ vựng.3 Âm tiết và vần trong tiếng Việt .4 Phương pháp .4 KẾT LUẬN CHƯƠNG.
79 CHƯƠNG 3: XÁC ĐỊNH ĐẶC ĐIỂM NGƯỜI DÙNG DỰA TRÊN DỮ LIỆU LỊCH SỬ TRUY CẬP HỆ THỐNG THƯƠNG MẠI ĐIỆN TỬ .1 PHƯƠNG PHÁP TÁI CHỌN MẪU .2 Phương pháp .2 PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG DỰA TRÊN BIỂU DIỄN CÂY .2 Phương pháp .3 KẾT LUẬN CHƯƠNG. 106 KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO. HƯỚNG NGHIÊN CỨU TIẾP THEO. 109 DANH MỤC CÔNG TRÌNH CÔNG BỐ.
110 TÀI LIỆU THAM KHẢO. 112 PHỤ LỤC 1: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM XÁC ĐỊNH ĐẶC ĐIỂM TÁC GIẢ VĂN BẢN TIẾNG VIỆT.2 MÔ TẢ HỆ THỐNG .2 Chức năng Thu thập dữ liệu .3 Chức năng Xử lý dữ liệu .4 Chức năng Trích chọn đặc trưng .5 Chức năng Xây dựng mô hình nhận diện .6 Chức năng Xây dựng dịch vụ nhận diện .7 Chức năng Ứng dựng Web thử nghiệm sử dụng dịch vụ .3 XÂY DỰNG HỆ THỐNG.1 Mô đun Thu thập dữ liệu.2 Mô đun Xử lý dữ liệu và trích chọn đặc trưng .4 Mô đun Xây dựng dịch vụ nhận diện .5 Mô đun ứng dụng thử nghiệm sử dụng dịch vụ. 135 vii DANH MỤC BẢNG BIỂU Bảng 1. Các đặc trưng dựa theo phong cách .1 Các đặc trưng cơ bản.
Thống kê về tập dữ liệu huấn luyện. Kết quả xác định đặc điểm tác giả bài viết diễn đàn. Kết quả thực nghiệm sử dụng các đặc trưng nâng cao. Kết quả trên thuật toán SMO sau khi điều chỉnh tham số.
Những đặc trưng nội dung (từ nội dung) quan trọng nhất. Cấu trúc âm tiết tiếng Việt. Các đặc trưng. Kết quả xác định đặc điểm tác giả sử dụng các đặc trưng vần và âm tiết.
Các vần và âm tiết quan trọng trong nhận diện tác giả. Các đặc trưng chung. Các đặc trưng dựa trên sản phẩm. Các đặc trưng dựa trên sản phẩm chuyển tiếp.
Thống kê dữ liệu. Ma trận chi phí. Kết quả của các thực nghiệm trên các thuật toán khác nhau (chưa áp dụng kỹ thuật hỗ trợ). Kết quả thực nghiệm khi áp dụng thêm các kỹ thuật hỗ trợ.
Các đặc trưng về sản phẩm/loại sản phẩm riêng rẽ. Các đặc trưng nâng cao. Kết quả thực nghiệm khi sử dụng ClassBalancer kết hợp CosSensitiveClassifier với ma trận chi phí 1:3. Kết quả phân loại sau khi lựa chọn đặc trưng và tối ưu tham số.
105 viii DANH MỤC HÌNH VẼ Hình 2. Độ chính xác nhận diện trên các số lượng đặc trưng khác nhau. Biểu diễn dạng cây của danh mục sản phẩm/loại sản phẩm được xem. Biểu diễn dạng cây của lượt xem có 1 loại sản phẩm mức A.
Biểu diễn dạng cây của lượt xem có nhiều loại sản phẩm mức A. 97 Hình 1 Sơ đồ tổng quát của hệ thống. 127 Hình 2 Giao diện mô đun xử lý dữ liệu và trích chọn đặc trưng. 131 Hình 3 Giao diện mô đun Xây dựng mô hình nhận diện.
132 Hình 4 Giao diện mô đu thử nghiệm nhận diện tác giả văn bản. 132 Hình 5 Mã nguồn dịch vụ Web xác định đặc điểm tác giả. 134 Hình 6 Giao diện ứng dụng Web sử dụng dịch vụ. 134 Hình 7 Mã nguồn mô đun ứng dụng Web sử dụng dịch vụ.
135 ix DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Thuật ngữ tiếng Anh Thuật ngữ tiếng Việt BAC Balanced Accuracy Độ đo chính xác cân bằng Bayesian Multinomial BMR Regression Hồi quy đa thức Bayes BN Bayesian Networks Mạng Bayes BNC British National Corpus Kho ngữ liệu quốc gia Anh BPN Back Propagation Network Mạng truyền ngược DT Decision Tree Cây quyết định EG Exponential Gradient Gradient mũ EM Expectation Maximization Cực đại hóa kỳ vọng ID Information Gain Độ lợi thông tin Information Retrieval Độ tương tự trích xuất thông IRS Similarity tin Java API for RESTful Web Giao diện lập trình ứng dụng JAX-RS Services Java cho dịch vụ Web REST JSON Javascript Object Notion KLS Kullback–Leibler Similarity Độ tương tự Kullback–Leibler National Institute of Standards Viện Tiêu chuẩn và Công nghệ NIST and Technology Quốc gia (Hoa Kỳ) Hội nghị về Phát hiện tri thức – Pacific Asia Knowledge và Khai phá dữ liệu Châu Á - PAKDD Discovery and Data Mining TBD x POS Part of Speech Từ loại RBF Radias Basis Function Hàm cơ sở bán kính REST Representational State Transfer Sequential minimal SMO optimization Tối ưu hóa tối thiểu tuần tự Giao thức truy cập đối tượng SOAP Simple Object Access Protocol đơn gian SVM Support Vector Machine Máy véc tơ hỗ trợ TMĐT Thương mại điện tử TREC Text Retrieval Conference Hội nghị về rút trích thông tin XML eXtensible Markup Language Ngôn ngữ đánh dấu mở rộng 1 MỞ ĐẦU Sự phát triển mạnh mẽ của Internet và các dịch vụ trên Internet có những tác động lớn đến nhiều mặt trong xã hội. Chỉ với một thiết bị được kết nối đến mạng Internet, người dùng có thể dễ dàng sử dụng các kênh trao đổi thông tin như website, email, diễn đàn, mạng xã hội, hoặc các dịch vụ khác như tìm kiếm thông tin, thương mại điện tử (TMĐT) v. Một đặc điểm chung của các hệ thống này là không bắt buộc người dùng cung cấp chính xác thông tin cá nhân khi sử dụng. Việc này nhằm khuyến khích và tạo thuận lợi cho người dùng trong quá trình sử dụng, tuy nhiên cũng tạo ra một số vấn đề.
Thứ nhất, người dùng có thể sử dụng các kênh trao đổi thông tin một cách nặc danh hoặc giả mạo, với mục đích xấu. Thứ hai, việc thiếu thông tin cá nhân người dùng làm cho các nhà cung cấp dịch vụ trên Internet gặp khó khăn trong việc cá nhân hóa hệ thống nhằm tăng trải nghiệm cho người dùng, thúc đẩy bán hàng, hoặc thực hiện các hoạt động quảng cáo trực tuyến hiệu quả hơn. Luận án này thực hiện nghiên cứu về vấn đề xác định các đặc điểm của người dùng dựa trên phân tích văn bản do người dùng tạo ra hoặc dựa trên phân tích hành vi người dùng thực hiện trên hệ thống bằng các phương pháp học máy. Các nội dung tiếp theo của phần này bao gồm: Phần 1.1 trình bày lý do lựa chọn đề tài.3 nêu các mục tiêu và đóng góp của luận án.
Nội dung của phần 1.4 là bố cục của toàn bộ luận án. LÝ DO LỰA CHỌN ĐỀ TÀI Xác định đặc điểm người dùng là một trong những mối quan tâm hàng đầu của các nhà cung cấp dịch vụ trên mạng Internet. Đặc biệt, trong bối cảnh xu hướng cá nhân hóa các hệ thống cho phù hợp với từng cá nhân người dùng, việc có được các thông tin về đặc điểm cá nhân của người dùng như giới tính, độ tuổi, nghề nghiệp, v. giúp cho các hệ thống có thể được tối ưu hóa theo các đặc điểm tương ứng hoặc hiển thị các thông tin quảng cáo, tiếp thị, giới thiệu sản phẩm phù hợp với người 2 dùng.
Việc xác định được đặc điểm người dùng còn trợ giúp cho các nhà quản lý trong việc hỗ trợ điều tra tội phạm trực tuyến. Trong các trường hợp tội phạm để lại dấu vết trên hệ thống như các bản tin trực tuyến hoặc các hành vi khác trên hệ thống, việc dựa vào các thông tin này để dự đoán các đặc điểm của tội phạm sẽ giúp khoanh vùng, thu hẹp phạm vi xác định tội phạm, thậm chí trong nhiều trường hợp có thể xác định đích danh tội phạm nếu danh sách nghi phạm là biết trước và có sự phân biệt.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Học máy xác định đặc điểm người dùng trên Internet" nghiên cứu về vấn đề gì?
Luận án tiến sĩ dùng học máy tiên tiến để xác định đặc điểm người dùng internet, góp phần hiểu sâu hành vi trực tuyến.
Luận án "Học máy xác định đặc điểm người dùng trên Internet" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Học viện Công nghệ Bưu chính Viễn thông. Năm bảo vệ: 2018.
Luận án "Học máy xác định đặc điểm người dùng trên Internet" thuộc chuyên ngành gì?
Luận án "Học máy xác định đặc điểm người dùng trên Internet" thuộc chuyên ngành Kỹ thuật máy tính. Danh mục: Trí Tuệ Nhân Tạo.
Luận án "Học máy xác định đặc điểm người dùng trên Internet" có bao nhiêu trang?
Luận án "Học máy xác định đặc điểm người dùng trên Internet" có 153 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Học máy xác định đặc điểm người dùng trên Internet" 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.