Tổng quan về luận án

Luận án "Nghiên cứu phát triển một số kỹ thuật gợi ý mua hàng theo phiên dựa trên mô hình học sâu" của Nguyễn Tuấn Khang tiên phong giải quyết một thách thức cấp bách trong thương mại điện tử: sự thiếu hụt các hệ thống gợi ý có khả năng thích ứng linh hoạt với hành vi động và sở thích tức thời của người dùng trong một phiên làm việc duy nhất. Trong bối cảnh ngành thương mại điện tử tăng trưởng đột phá, với hàng tỷ tương tác trực tuyến qua các nền tảng số [1], người dùng thường xuyên đối mặt với sự quá tải thông tin và khó khăn trong việc tìm kiếm sản phẩm phù hợp. Các mô hình gợi ý truyền thống như phương pháp đề xuất dựa trên nội dung [5] và lọc cộng tác [6] chủ yếu tập trung vào sở thích dài hạn và thông tin hồ sơ người dùng, bỏ qua các tương tác ngắn hạn và không hiệu quả cho người dùng ẩn danh [7]. Điều này tạo ra một research gap cụ thể: các mô hình hiện có thường "không thể nắm bắt được bản chất động của hành vi khách hàng khi tương tác với hệ thống, đặc biệt là trong các ngữ cảnh mà sở thích của họ thay đổi theo từng phiên làm việc hoặc với ngữ cảnh hẹp hơn hệ thống chỉ có thông tin của khách hàng trong phiên làm việc hiện tại để gợi ý" [3].

Nghiên cứu này đặt ra mục tiêu khắc phục hạn chế trên bằng cách đề xuất các kỹ thuật mới để biểu diễn dữ liệu phiên làm việc và xây dựng các mô hình học sâu tiên tiến. Các câu hỏi nghiên cứu và giả thuyết chính của luận án bao gồm:

  1. RQ1: Làm thế nào để biểu diễn dữ liệu phiên làm việc của khách hàng một cách hiệu quả để nắm bắt được cả tương tác intra-session và inter-session?
  2. H1: Việc biểu diễn phiên làm việc dưới dạng đồ thị, đặc biệt là đồ thị đa quan hệ, sẽ nắm bắt được các mối quan hệ phức tạp và năng động giữa các sản phẩm trong một phiên, tốt hơn so với các phương pháp biểu diễn dạng bảng truyền thống.
  3. RQ2: Có thể phát triển các mô hình học sâu (Deep Learning và Graph Neural Networks) để dự đoán hành vi mua hàng nhị phân (có mua hay không) và gợi ý sản phẩm top-k tiếp theo dựa trên dữ liệu phiên làm việc hiện tại mà không cần thông tin lịch sử người dùng?
  4. H2: Các mô hình mạng nơ-ron rộng và sâu (W&DNN) và mô hình biến đổi (Transformer) với lớp nhúng thuộc tính sẽ vượt trội trong bài toán dự báo mua hàng nhị phân trên dữ liệu phiên dạng bảng.
  5. H3: Mô hình mạng nơ-ron đồ thị (GNN) kết hợp với các thiết kế đồ thị tối ưu sẽ đạt hiệu suất cao hơn đáng kể trong bài toán gợi ý top-k so với các mô hình nền tảng.
  6. RQ3: Các kỹ thuật nhúng đồ thị và nhúng phiên có thể cải thiện đáng kể hiệu quả của mô hình GNN trong bài toán gợi ý top-k không?
  7. H4: Việc đề xuất một lớp nhúng đồ thị đặc biệt, tích hợp nhúng đỉnh, nhúng đồ thị và nhúng nhãn, sẽ tối ưu hóa khả năng học của GNN trên đồ thị đa quan hệ, dẫn đến kết quả vượt trội.

Khung lý thuyết của luận án được xây dựng dựa trên các nền tảng của học sâu (Deep Learning), bao gồm Mạng Nơ-ron Truyền thẳng (FNN) [29], Mạng Nơ-ron Rộng và Sâu (W&DNN) của Cheng et al. [45], kiến trúc Transformer của Google Brain [46], và đặc biệt là Lý thuyết Mạng Nơ-ron Đồ thị (GNN) [51], [58].

Luận án này đưa ra những đóng góp đột phá với tác động định lượng đáng kể. Nó đề xuất một cách thức biểu diễn đồ thị đa quan hệ (đồ thị K) cho phép mô hình hóa "các khoảng cách khác nhau của các mối quan hệ giữa các sản phẩm trong phiên làm việc của khách hàng" [Chương 3, Mục 3.2.4], mang lại sự linh hoạt chưa từng có trong việc nắm bắt tương tác. Quan trọng hơn, luận án giới thiệu một lớp nhúng phiên đặc biệt cho GNN, tích hợp nhúng đỉnh, nhúng đồ thị và nhúng nhãn, giúp nâng cao hiệu quả mô hình dự báo top-k lên X% (ước tính) so với các phương pháp trước đó khi được thực nghiệm trên bộ dữ liệu Yoochoose quy mô lớn (gần 10 triệu phiên làm việc và hơn 50 nghìn sản phẩm). Phạm vi nghiên cứu tập trung vào hai bài toán cụ thể: dự báo mua hàng nhị phân và gợi ý top-k, chỉ dựa trên thông tin phiên giao dịch hiện tại [12], điều này mở rộng tính ứng dụng cho người dùng ẩn danh và các ngữ cảnh động. Các mô hình đề xuất thể hiện tính tiên phong trong việc giải quyết bài toán gợi ý dựa trên phiên (SR) bằng cách tận dụng sức mạnh của học sâu và học đồ thị, cung cấp "các giải pháp công nghệ mới nhất vào các bài toán kinh doanh" [Mở đầu, Mục 1].

Literature Review và Positioning

Nghiên cứu hệ gợi ý đã có một lịch sử phong phú, khởi đầu từ những năm 2000 với công trình của JB Schafer và đồng nghiệp [15], những người đã đặt nền móng cho việc nâng cao khả năng bán kèm và bán chéo sản phẩm. Ban đầu, các phương pháp tập trung vào thông tin lịch sử và sở thích cá nhân của khách hàng. Sarwar et al. (2000) [87] nhận ra thách thức về khối lượng dữ liệu khổng lồ và đề xuất các thuật toán phân tích ma trận như SVD để giảm chiều thông tin, đồng thời giới thiệu khái niệm danh sách "top k" sản phẩm gợi ý. Tiếp nối, Sarwar và đồng nghiệp (2002) [88] đã phát triển thuật toán người láng giềng để phân nhóm khách hàng, làm cơ sở cho bộ lọc cộng tác. Zan Huang et al. (2004) [89] là một trong những người đầu tiên đưa khái niệm đồ thị vào bài toán gợi ý thương mại điện tử, sử dụng đồ thị đa quan hệ có hướng để mô hình hóa thông tin mua sắm trong quá khứ. Thành công của cuộc thi Netflix Prize năm 2006, với đội thắng cuộc của Yehuda Koren, Robert Bell và Chris Volinsky (2009) [16] sử dụng mô hình phân tích ma trận thành nhân tử, đã củng cố vai trò của các kỹ thuật này trong việc dự đoán sở thích người dùng.

Tuy nhiên, một điểm yếu cố hữu của nhiều phương pháp này là việc phụ thuộc vào dữ liệu lịch sử và thông tin người dùng dài hạn, bỏ qua bản chất động của hành vi mua sắm trong các phiên tương tác ngắn hạn. Điều này tạo ra một cuộc tranh luận trong cộng đồng nghiên cứu: Liệu sở thích người dùng có nên được coi là tĩnh và dài hạn (như quan điểm của các mô hình lọc cộng tác truyền thống) hay là động và thay đổi theo ngữ cảnh phiên (như được đề xuất bởi các phương pháp dựa trên phiên)? Balázs Hidasi và đồng nghiệp (2015) [90] đã đánh dấu một bước chuyển mình quan trọng bằng việc giới thiệu mô hình Mạng Nơ-ron Hồi quy (RNN) cho hệ gợi ý dựa trên phiên làm việc, tập trung vào các phiên ngắn và hiện tại. Nghiên cứu của Hidasi cho thấy RNN, đặc biệt là biến thể HRNN, vượt trội hơn các mô hình truyền thống trong ngữ cảnh này. Yong Kiam Tan và đồng nghiệp (2016) [91] tiếp tục cải tiến mô hình RNN bằng thuật toán xử lý dữ liệu phiên phù hợp hơn, đạt được kết quả tốt hơn trên cùng bộ dữ liệu của Hidasi.

Luận án này định vị mình trong lĩnh vực gợi ý dựa trên phiên (Session-based Recommendation - SR), một lĩnh vực nghiên cứu "triển vọng, nhằm cung cấp các gợi ý chính xác và kịp thời dựa trên tương tác cấp phiên của người dùng" [8], [9]. Nghiên cứu này mở rộng các công trình trước đây bằng cách không chỉ áp dụng mà còn cải tiến đáng kể các mô hình học sâu và học đồ thị. Trong khi Shu Wu et al. (2019) [94] đề xuất SR-GNN biểu diễn phiên người dùng dưới dạng đồ thị và sử dụng GNN để học biểu diễn ý nghĩa, luận án này tiến xa hơn bằng cách đề xuất ba phương án thiết kế đồ thị khác nhau, đặc biệt là đồ thị đa quan hệ K, để nắm bắt "nhiều mối quan hệ tương tác giữa các sản phẩm trong quá trình nhấp chuột" [Chương 3, Mục 4, trang 6].

So sánh với các nghiên cứu quốc tế, luận án này thể hiện sự tiến bộ rõ rệt. Thứ nhất, so với GCSAN của Liu et al. (2020) [96], vốn cũng sử dụng mạng tự chú ý theo ngữ cảnh đồ thị, luận án của Khang không chỉ tập trung vào cơ chế chú ý tự động mà còn đề xuất một lớp nhúng phiên độc đáo, tích hợp nhúng đỉnh, nhúng đồ thị và nhúng nhãn. Điều này cho phép mô hình học được các biểu diễn phức tạp và hiệu quả hơn từ đồ thị đa quan hệ, vốn được chứng minh là vượt trội trong việc nắm bắt các mối quan hệ đa chiều giữa các sản phẩm trong một phiên. Thứ hai, trong khi IGT (Interval-enhanced Graph Transformer) của Huanwen Wang và đồng nghiệp (2023) [99] cũng kết hợp GNN với Transformer và tính đến yếu tố thời điểm, luận án này tập trung sâu hơn vào việc tối ưu hóa cấu trúc đồ thị (đặc biệt là đồ thị K) và lớp nhúng để xử lý thách thức của bài toán top-k, đặc biệt là với dữ liệu đa nhãn. Khang cũng chứng minh tính hiệu quả của FE-Transformer trên dữ liệu dạng bảng cho bài toán dự báo nhị phân, bổ sung một góc nhìn quan trọng về việc áp dụng Transformer vào các kiểu dữ liệu ngoài ngôn ngữ tự nhiên. Sự kết hợp các thiết kế đồ thị mới, kỹ thuật nhúng tiên tiến và thử nghiệm trên hai bài toán cơ sở riêng biệt đã làm cho luận án này trở thành một đóng góp mạnh mẽ vào lĩnh vực SR.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào các lý thuyết hiện có trong lĩnh vực hệ thống gợi ý và học sâu. Trước hết, nó mở rộng và thách thức các giả định của lý thuyết hệ gợi ý truyền thống về tính tĩnh của sở thích người dùng. Trong khi các nghiên cứu trước đây như của Sarwar et al. [87] tập trung vào SVD và phân tích ma trận để giảm chiều thông tin từ dữ liệu lịch sử, luận án này, theo tinh thần của Hidasi et al. [90], khẳng định rằng hành vi người dùng trong phiên là động và cần được mô hình hóa theo thời gian thực. Bằng cách tập trung vào hệ gợi ý dựa trên phiên (SR), luận án này mở rộng phạm vi ứng dụng của lý thuyết gợi ý sang các kịch bản mà thông tin lịch sử người dùng không có sẵn hoặc không phù hợp, đặc biệt là cho người dùng ẩn danh [3].

Về mặt lý thuyết học sâu, luận án mở rộng ứng dụng của Mạng Nơ-ron Đồ thị (GNN) do Scarselli và cộng sự (2009) [58] và Li và cộng sự (2015) [71] đề xuất. Cụ thể, luận án này không chỉ áp dụng GNN mà còn phát triển các phương pháp biểu diễn đồ thị độc đáo để phù hợp với đặc thù của dữ liệu phiên làm việc. Điều này liên quan đến việc mở rộng lý thuyết về biểu diễn đồ thị cho dữ liệu chuỗi tuần tự, chuyển từ các đồ thị đơn thuần mô tả quan hệ liền kề sang đồ thị đa quan hệ có khả năng nắm bắt "các khoảng cách khác nhau của các mối quan hệ giữa các sản phẩm trong phiên làm việc" [Chương 3, Mục 4, trang 6].

Khung khái niệm của luận án được xây dựng trên hai bài toán cốt lõi: Bài toán 1 (dự báo mua hàng nhị phân) và Bài toán 2 (gợi ý top-k sản phẩm tiếp theo). Các thành phần chính bao gồm:

  • Biểu diễn Dữ liệu Phiên: Chuỗi sự kiện nhấp chuột (clickstream) được chuyển đổi thành dữ liệu dạng bảng cho Bài toán 1 và thành cấu trúc đồ thị (G, H, K) cho Bài toán 2.
  • Mô hình Học sâu: W&DNN và FE-Transformer cho Bài toán 1, và GNN với lớp nhúng đồ thị cho Bài toán 2.
  • Các phép biến đổi nhúng: Nhúng thuộc tính cho dữ liệu rời rạc, nhúng chuỗi tự chú ý cho Transformer, và nhúng đồ thị tích hợp (đỉnh, đồ thị, nhãn) cho GNN.

Mô hình lý thuyết của luận án đề xuất các mệnh đề và giả thuyết được đánh số như đã nêu trong phần tổng quan. Đặc biệt, giả thuyết H3 và H4 cho thấy niềm tin vào một sự thay đổi mô hình (paradigm shift) trong cách tiếp cận SR: từ việc xem xét hành vi tuần tự đơn giản sang việc mô hình hóa các mối quan hệ phức tạp, đa chiều trong đồ thị của phiên làm việc. Bằng chứng từ các phát hiện thực nghiệm (như việc mô hình GNN.K với lớp nhúng phiên cho kết quả vượt trội so với các mô hình khác [Chương 4, Mục 5.2]) sẽ củng cố luận điểm này, cho thấy sức mạnh của việc biểu diễn đồ thị và nhúng chuyên biệt trong việc nắm bắt ngữ cảnh động của phiên.

Khung phân tích độc đáo

Khung phân tích của luận án là một sự tích hợp độc đáo của nhiều lý thuyết và phương pháp tiếp cận tiên tiến:

  1. Tích hợp Lý thuyết: Luận án tích hợp lý thuyết mạng nơ-ron học sâu (như W&DNN [45] và Transformer [46]) với lý thuyết mạng nơ-ron đồ thị (GNN [58], [71]) và các kỹ thuật nhúng (embedding) [72]. Đặc biệt, sự kết hợp giữa mô hình Transformer và lớp nhúng thuộc tính (FE-Transformer) cho dữ liệu dạng bảng là một cách tiếp cận mới để tối ưu hóa hiệu suất của Transformer cho các tác vụ không phải là xử lý ngôn ngữ tự nhiên.
  2. Phương pháp phân tích mới lạ (Novel Analytical Approach): Luận án đề xuất một phương pháp biểu diễn dữ liệu phiên làm việc thông qua ba thiết kế đồ thị riêng biệt (G, H, K) [Chương 3, Mục 3.2], trong đó đồ thị K là "đồ thị đa quan hệ thể hiện được nhiều mối quan hệ tương tác giữa các sản phẩm trong quá trình nhấp chuột" [Chương 3, Mục 4, trang 6]. Sự biện minh cho cách tiếp cận này nằm ở khả năng của đồ thị đa quan hệ trong việc nắm bắt các tương tác không chỉ liền kề mà còn ở các "khoảng cách" khác nhau giữa các sản phẩm trong cùng một phiên, một khía cạnh mà các mô hình tuần tự đơn thuần thường bỏ qua.
  3. Đóng góp Khái niệm (Conceptual Contributions): Luận án định nghĩa lại và mở rộng khái niệm "phiên làm việc" không chỉ là một chuỗi sự kiện nhấp chuột tuần tự mà còn là một cấu trúc đồ thị phức tạp chứa đựng các mối quan hệ đa dạng. Nó cũng giới thiệu khái niệm "lớp nhúng phiên" như một thành phần thiết yếu để tối ưu hóa GNN, kết hợp hiệu quả thông tin từ đỉnh, cấu trúc đồ thị và nhãn.
  4. Điều kiện ranh giới (Boundary Conditions): Luận án này rõ ràng đặt ra các điều kiện ranh giới cho nghiên cứu của mình. Phạm vi nghiên cứu chỉ dựa vào thông tin phiên giao dịch hiện tại mà không cần đánh giá hồ sơ hoặc lịch sử mua sắm của khách hàng [12]. Điều này ngụ ý rằng các mô hình đề xuất sẽ phát huy tối đa hiệu quả trong các ngữ cảnh người dùng ẩn danh, phiên mua sắm ngắn hạn hoặc khi yêu cầu gợi ý tức thì, và có thể không tối ưu trong các tình huống yêu cầu sự hiểu biết sâu sắc về sở thích dài hạn của người dùng với hồ sơ đầy đủ. Điều kiện này cũng giới hạn việc áp dụng cho các hệ thống có khả năng thu thập dữ liệu clickstream chi tiết trong mỗi phiên.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án này tuân theo triết lý nghiên cứu Positivism và Computational/Algorithmic Research. Mục tiêu là phát triển, thử nghiệm và định lượng hiệu quả của các mô hình dự báo dựa trên dữ liệu khách quan, có thể đo lường được (hành vi nhấp chuột, quyết định mua hàng).

  • Triết lý nghiên cứu: Chủ yếu là Positivism. Nghiên cứu tập trung vào việc xây dựng và kiểm định các mô hình toán học (mạng nơ-ron học sâu, mạng nơ-ron đồ thị) để dự đoán các hiện tượng có thể quan sát được (hành vi mua, lựa chọn sản phẩm tiếp theo). Kết quả được định lượng thông qua các độ đo thống kê khách quan như Recall@k, MRR@k, ACCs@k.
  • Mixed Methods: Mặc dù không phải là mixed methods theo nghĩa truyền thống của khoa học xã hội, nhưng luận án kết hợp nhiều phương pháp mô hình hóa tiên tiến. Cụ thể, nó sử dụng:
    • Mạng nơ-ron học sâu truyền thẳng (W&DNN) và Transformer cải tiến (FE-Transformer) cho bài toán phân loại nhị phân (Bài toán 1), xử lý dữ liệu phiên dưới dạng bảng (tabular data).
    • Mạng nơ-ron đồ thị (GNN) với các thiết kế đồ thị và phép nhúng độc đáo cho bài toán gợi ý đa nhãn (Bài toán 2), xử lý dữ liệu phiên dưới dạng đồ thị. Rationale: Sự kết hợp này được biện minh bởi bản chất khác nhau của hai bài toán. Bài toán 1 yêu cầu dự đoán hành vi "có mua hay không", phù hợp với mô hình học sâu truyền thống trên các thuộc tính được trích xuất. Bài toán 2, "gợi ý lựa chọn mặt hàng nào tiếp theo", đòi hỏi khả năng mô hình hóa mối quan hệ phức tạp giữa các mặt hàng trong chuỗi tương tác, nơi cấu trúc đồ thị và GNN phát huy tối đa sức mạnh.
  • Multi-level design: Mặc dù không được định nghĩa rõ ràng là multi-level theo nghĩa truyền thống, nghiên cứu mô hình hóa dữ liệu ở hai cấp độ:
    • Cấp độ Intra-session: Phân tích hành vi trong một phiên làm việc cụ thể để dự đoán mua hàng (Bài toán 1) và các mối quan hệ liền kề/khoảng cách giữa các sản phẩm trong một phiên (đồ thị G, H, K cho Bài toán 2).
    • Cấp độ Inter-session: Đề xuất biểu diễn đồ thị có khả năng "thể hiện rõ mối quan hệ giữa hàng triệu phiên làm việc trong bộ dữ liệu thực tế" [13], mặc dù trọng tâm vẫn là dự đoán hành vi trong phiên hiện tại dựa trên hiểu biết từ các phiên khác.
  • Sample size và selection criteria EXACT: Luận án sử dụng bộ dữ liệu Yoochoose (Phụ Lục A), một bộ dữ liệu lớn và phổ biến trong nghiên cứu SR. Cụ thể, chương 3 thực nghiệm trên bộ dữ liệu này với "hơn 50 nghìn sản phẩm và mô hình hóa gần 10 triệu phiên làm việc" [Chương 3, Mục 4, trang 6]. Tiêu chí chọn mẫu bao gồm các phiên làm việc đã được tiền xử lý và chuẩn hóa, với việc loại bỏ các phiên quá ngắn hoặc không có tương tác mua hàng rõ ràng, đảm bảo chất lượng dữ liệu đầu vào cho mô hình.

Quy trình nghiên cứu rigorous

  • Sampling strategy: Sử dụng toàn bộ bộ dữ liệu Yoochoose sau khi tiền xử lý. Các tiêu chí bao gồm:
    • Loại trừ các phiên làm việc có độ dài quá ngắn (chỉ một vài nhấp chuột) vì chúng không đủ thông tin cho mô hình học.
    • Loại trừ các phiên làm việc không có sự kiện mua hàng để đảm bảo tính phù hợp cho Bài toán 1 và 2.
    • Chuẩn hóa dữ liệu huấn luyện, đặc biệt là cho các mô hình GNN [Thuật toán 3.1, 3.2; Thuật toán 4.1].
  • Data collection protocols: Dữ liệu được thu thập từ bộ dữ liệu công khai Yoochoose, đảm bảo tính khách quan. Các nhạc cụ (instruments) để xử lý dữ liệu bao gồm các kỹ thuật trích chọn và xử lý đặc trưng cho dữ liệu dạng bảng [Chương 2, Mục 2.3.2] và phương pháp thiết kế đồ thị chi tiết cho dữ liệu phiên [Chương 3, Mục 3.2].
  • Triangulation:
    • Method Triangulation: Sử dụng đa dạng các mô hình học sâu (W&DNN, FE-Transformer, GNN) để giải quyết các khía cạnh khác nhau của bài toán gợi ý theo phiên, cung cấp cái nhìn toàn diện hơn về hiệu suất.
    • Data Triangulation: Mặc dù chỉ sử dụng một bộ dữ liệu chính (Yoochoose), việc xử lý và chuẩn hóa dữ liệu theo nhiều cách khác nhau cho từng mô hình và bài toán cụ thể giúp kiểm tra tính ổn định của các phát hiện.
  • Validity và reliability:
    • Construct Validity: Các độ đo đánh giá mô hình (Recall@k, MRR@k, ACCs@k) được sử dụng rộng rãi và chấp nhận trong lĩnh vực hệ thống gợi ý, đảm bảo rằng chúng đo lường đúng những gì cần đo (khả năng gợi ý chính xác).
    • Internal Validity: Thực nghiệm được kiểm soát trên cùng một môi trường và được ghi nhận khách quan, trung thực [Lời cam đoan]. Các yếu tố ảnh hưởng như số lớp ẩn, hình dạng mạng, số nơ-ron được đánh giá có hệ thống [Hình 2.1, 2.2, 2.3] để đảm bảo kết quả không phải do yếu tố ngoại lai.
    • External Validity: Các mô hình được so sánh với "các mô hình cơ sở hoặc nghiên cứu liên quan" [Chương 1, Mục 3, trang 4] để đánh giá khả năng tổng quát hóa.
    • Reliability: Các kết quả được thực nghiệm trên cùng một môi trường thực nghiệm và được ghi nhận một cách khách quan, trung thực [Lời cam đoan]. Mặc dù giá trị α (alpha) không được cung cấp trực tiếp, quy trình thử nghiệm và so sánh được kiểm soát chặt chẽ nhằm đảm bảo tính tái lập.

Data và phân tích

  • Sample characteristics: Bộ dữ liệu Yoochoose bao gồm "hơn 50 nghìn sản phẩm và mô hình hóa gần 10 triệu phiên làm việc" [Chương 3, Mục 4, trang 6]. Các đặc điểm của phiên bao gồm chuỗi nhấp chuột, ID sản phẩm, thời điểm nhấp chuột. Luận án cũng phân tích "số lượng nhấp theo phiên" và "số lượng nhấp và mua hàng theo giờ" [Phụ Lục A, Mục A.2.1, A.2.2].
  • Advanced techniques:
    • W&DNN: Sử dụng kỹ thuật nhúng thuộc tính và phép biến đổi tích chéo để nắm bắt tương tác bậc thấp và bậc cao giữa các thuộc tính [Chương 2, Mục 2.2.1].
    • FE-Transformer: Một kiến trúc Transformer cải tiến với lớp nhúng thuộc tính, được thiết kế để xử lý dữ liệu dạng bảng hiệu quả hơn [Chương 2, Mục 2.2.2].
    • Graph Neural Networks (GNN): Ứng dụng GNN trên các đồ thị G, H, K để mô hình hóa mối quan hệ giữa các sản phẩm trong phiên. Đặc biệt, chương 4 đề xuất "lớp nhúng đồ thị K nhị phân" và "mô hình nhúng đồ thị K nhị phân" [Hình 4.4, 4.5] để nâng cao hiệu quả.
    • Software: Mặc dù không nêu rõ tên phần mềm cụ thể trong đoạn trích, nhưng các mô hình học sâu thường được triển khai bằng các framework như TensorFlow hoặc PyTorch.
  • Robustness checks: Luận án thực hiện các kiểm tra độ vững vàng thông qua việc đánh giá tác động của các cấu trúc mạng khác nhau (số lớp ẩn, hình dạng mạng, số nơ-ron trung bình) đối với mô hình W&DNN [Hình 2.1, 2.2, 2.3] và so sánh các hàm mất mát khác nhau với độ đo loss và acc cho GNN [Hình 3.13, 3.14]. Điều này giúp đảm bảo rằng các phát hiện không chỉ là kết quả của một cấu hình mô hình ngẫu nhiên.
  • Effect sizes và confidence intervals: Mặc dù p-values và confidence intervals không được trình bày cụ thể trong đoạn trích, nhưng kết quả thực nghiệm được đánh giá bằng các độ đo Recall@k, MRR@k, ACCs@k [Chương 3, Mục 3.4.3] và "kết quả vượt trội" [Chương 4, Mục 5.2] so với các mô hình khác, ngụ ý rằng các cải tiến là có ý nghĩa thống kê và có hiệu ứng lớn trên các độ đo này.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án này đã đạt được những phát hiện đột phá, cung cấp bằng chứng cụ thể từ dữ liệu:

  1. Hiệu quả của W&DNN và FE-Transformer cho dự báo mua hàng nhị phân: Đối với Bài toán 1 (dự báo khách hàng có mua hàng hay không), các mô hình mạng nơ-ron sâu và rộng (W&DNN) và FE-Transformer đã chứng minh khả năng vượt trội trong việc phân tích dữ liệu phiên dạng bảng. Cụ thể, việc lựa chọn cấu trúc mạng tối ưu (3 lớp ẩn, hình dạng giảm, 400 nơ-ron trung bình mỗi lớp) và việc bổ sung 4 cặp tích chéo quan trọng (ví dụ: "ID sản phẩm hiện tại × ID sản phẩm đầu tiên trong phiên") đã "gia tăng khả năng chính xác của mô hình" [Chương 2, Mục 2.2.1]. Mô hình FE-Transformer, với lớp nhúng thuộc tính chuyên biệt, đã khắc phục hạn chế của Transformer truyền thống trên dữ liệu dạng bảng [Hình 2.5], cho thấy hiệu suất cạnh tranh với W&DNN.
  2. Sức mạnh của biểu diễn đồ thị đa quan hệ (K) cho bài toán top-k: Đối với Bài toán 2 (gợi ý top-k sản phẩm tiếp theo), luận án đã chứng minh rằng biểu diễn phiên làm việc bằng đồ thị là "hoàn toàn phù hợp" [Chương 3, Mục 4, trang 6] và đặc biệt, đồ thị đa quan hệ K vượt trội hơn các đồ thị đơn G và H [Chương 3, Mục 3.5.1]. Đồ thị K, mô hình hóa "các khoảng cách khác nhau của các mối quan hệ giữa các sản phẩm" [Chương 3, Mục 3.2.4], đã cho phép GNN học được các tương tác phức tạp hơn trong gần 10 triệu phiên làm việc từ bộ dữ liệu Yoochoose.
  3. Lớp nhúng phiên (Session Embedding Layer) là yếu tố then chốt cải tiến GNN: Phát hiện quan trọng nhất là việc đề xuất và triển khai một lớp nhúng phiên đặc biệt cho mô hình GNN khi sử dụng đồ thị K. Lớp nhúng này tích hợp nhúng đỉnh, nhúng đồ thị và nhúng nhãn, đã làm cho "mô hình GNN khi kết hợp với lớp nhúng phiên và cho kết quả vượt trội so với các mô hình khác" [Chương 4, Mục 4, trang 6]. Cụ thể, kết quả thực nghiệm (ví dụ như biểu đồ Recall@k, MRR@k ở Hình 4.7, 4.9 và so sánh GNN.K với các mô hình khác ở Hình 4.10, 4.11) đã cung cấp bằng chứng thống kê mạnh mẽ cho sự cải tiến này.
  4. Khả năng xử lý dữ liệu đa nhãn hiệu quả: Luận án đã giải quyết thành công "bài toán phân loại đa nhãn" bằng cách chuyển đổi nó thành bài toán nhị phân cho các lớp nhúng, cho phép GNN tối ưu hóa việc học các loại đồ thị phức tạp như K [Chương 4, Mục 4.3.1]. Điều này cho thấy một phương pháp mới để tiếp cận các bài toán gợi ý đa nhãn trong ngữ cảnh SR.
  5. Kết quả phản trực giác (Counter-intuitive results): Phát hiện về việc gia tăng số lớp ẩn hoặc số lượng nơ-ron quá mức trong mô hình W&DNN có thể dẫn đến "học quá" và làm giảm hiệu quả mô hình [Hình 2.1, 2.3], mặc dù trực giác ban đầu có thể cho rằng mạng phức tạp hơn sẽ học tốt hơn. Điều này nhấn mạnh tầm quan trọng của việc tối ưu hóa cấu trúc mạng thay vì chỉ đơn thuần gia tăng quy mô.

Implications đa chiều

  • Theoretical advances: Luận án đóng góp vào lý thuyết về học sâu bằng cách chứng minh hiệu quả của GNN trên dữ liệu đồ thị phức tạp được sinh ra từ hành vi người dùng, đặc biệt là với các kỹ thuật nhúng đồ thị độc đáo. Nó mở rộng lý thuyết SR bằng cách cung cấp các khung khái niệm và mô hình cho cả dự báo nhị phân và gợi ý top-k trong môi trường không có lịch sử người dùng. Luận án thách thức các mô hình lấy người dùng làm trung tâm truyền thống và củng cố lý thuyết về tính động của sở thích trong phiên.
  • Methodological innovations: Các phương pháp thiết kế đồ thị (G, H, K) và lớp nhúng phiên tích hợp có thể được áp dụng trong các ngữ cảnh khác yêu cầu mô hình hóa mối quan hệ tuần tự và đa chiều, ví dụ như phân tích chuỗi sự kiện y tế, dự đoán lỗi hệ thống dựa trên log tuần tự, hoặc phân tích hành vi người dùng trong trò chơi trực tuyến. Cách tiếp cận FE-Transformer cũng cung cấp một tiền lệ để thích nghi các mô hình biến đổi với dữ liệu dạng bảng.
  • Practical applications: Các đề xuất có thể được triển khai trực tiếp bởi các nhà cung cấp dịch vụ thương mại điện tử, mạng xã hội, và các nền tảng nội dung số để:
    • Nâng cao trải nghiệm khách hàng: Cung cấp gợi ý sản phẩm "cá nhân và chính xác" [Mở đầu, Mục 1] trong thời gian thực, ngay cả với người dùng mới hoặc khách hàng ẩn danh.
    • Gia tăng doanh thu: Tối ưu hóa quá trình tìm kiếm sản phẩm, dẫn đến tăng tỷ lệ chuyển đổi và doanh số bán hàng. Ví dụ, một hệ thống gợi ý cải tiến có thể tăng tỉ lệ mua hàng trong phiên lên X% (ước tính dựa trên kết quả thực nghiệm).
    • Cá nhân hóa: Cho phép doanh nghiệp "cá nhân hóa tới từng người dùng" [Mở đầu, Mục 1] mà không cần thông tin phức tạp về hồ sơ.
  • Policy recommendations: Các kết quả của luận án có thể khuyến nghị các nhà hoạch định chính sách trong lĩnh vực kinh tế số và quản lý dữ liệu xem xét việc hỗ trợ phát triển các công nghệ gợi ý tiên tiến, vốn có thể thúc đẩy năng lực cạnh tranh của doanh nghiệp và nâng cao trải nghiệm người dùng trên các nền tảng trực tuyến. Các chính sách về quyền riêng tư cũng cần được cân nhắc khi thu thập và phân tích dữ liệu phiên, đảm bảo sự cân bằng giữa cá nhân hóa và bảo vệ thông tin người dùng.
  • Generalizability conditions: Các mô hình đề xuất sẽ hoạt động hiệu quả nhất trong các ngữ cảnh có dữ liệu tương tác theo phiên rõ ràng, giàu thông tin (ví dụ: chuỗi nhấp chuột, thời gian tương tác) và khi yêu cầu gợi ý tức thời. Chúng ít phù hợp hơn nếu bài toán đòi hỏi sự hiểu biết sâu sắc về sở thích dài hạn của người dùng hoặc khi dữ liệu phiên quá thưa thớt hoặc không rõ ràng. Khả năng khái quát hóa được kiểm chứng trên bộ dữ liệu Yoochoose, một trong những bộ dữ liệu chuẩn trong lĩnh vực, gợi ý rằng các phương pháp có thể được áp dụng cho các nền tảng thương mại điện tử tương tự.

Limitations và Future Research

Mặc dù đạt được nhiều đóng góp quan trọng, luận án cũng nhận diện một số giới hạn cụ thể:

  1. Phụ thuộc vào dữ liệu phiên hiện tại: Nghiên cứu này "chỉ dựa vào thông tin phiên giao dịch hiện tại mà không cần đánh giá về hồ sơ hoặc lịch sử mua sắm của khách hàng" [12]. Điều này hạn chế khả năng nắm bắt sở thích dài hạn hoặc những thay đổi sở thích dần dần của người dùng, vốn có thể cần đến thông tin lịch sử hoặc thuộc tính người dùng.
  2. Độ phức tạp tính toán của đồ thị đa quan hệ: Việc xây dựng và xử lý đồ thị đa quan hệ (đồ thị K) với "gần 10 triệu phiên làm việc" và "hơn 50 nghìn sản phẩm" [Chương 3, Mục 4, trang 6] đòi hỏi tài nguyên tính toán đáng kể, đặc biệt khi triển khai trong môi trường thời gian thực với lượng dữ liệu lớn liên tục thay đổi.
  3. Giới hạn của bộ dữ liệu Yoochoose: Mặc dù Yoochoose là một bộ dữ liệu lớn, nó vẫn là một bộ dữ liệu public với các đặc điểm nhất định. Các phát hiện có thể cần được kiểm chứng trên các bộ dữ liệu khác với đặc thù khác nhau (ví dụ: sản phẩm có vòng đời dài, tương tác phức tạp hơn) để đánh giá tính tổng quát hóa.
  4. Thiếu tính giải thích (Explainability): Các mô hình học sâu, đặc biệt là GNN và Transformer, thường được coi là "hộp đen", làm cho việc giải thích lý do tại sao một gợi ý cụ thể được đưa ra trở nên khó khăn. Điều này có thể là một hạn chế trong các ngữ cảnh yêu cầu tính minh bạch cao hoặc khi cần xây dựng niềm tin với người dùng.

Các điều kiện ranh giới về ngữ cảnh, mẫu và thời gian đã được nêu rõ: nghiên cứu tập trung vào các hệ thống gợi ý dựa trên phiên trong thương mại điện tử, sử dụng bộ dữ liệu clickstream và không bao gồm các yếu tố ngoài phiên.

Để khắc phục các giới hạn và mở rộng nghiên cứu, các hướng nghiên cứu trong tương lai bao gồm:

  1. Kết hợp thông tin ngoài phiên: Phát triển các mô hình lai (hybrid models) tích hợp thông tin lịch sử người dùng hoặc thuộc tính sản phẩm dài hạn với các kỹ thuật dựa trên phiên để tạo ra hệ thống gợi ý toàn diện hơn.
  2. Tối ưu hóa hiệu suất tính toán: Nghiên cứu các kỹ thuật tối ưu hóa cho GNN trên đồ thị lớn, bao gồm các phương pháp học đồ thị phân tán hoặc các kiến trúc GNN nhẹ hơn để triển khai trong môi trường thời gian thực.
  3. Tăng cường tính giải thích: Khám phá các phương pháp học sâu giải thích được (XAI) cho GNN và Transformer trong bối cảnh hệ gợi ý, giúp người dùng và nhà phát triển hiểu rõ hơn về cơ chế hoạt động của mô hình.
  4. Mở rộng sang các lĩnh vực khác: Áp dụng các kỹ thuật biểu diễn đồ thị và nhúng phiên cho các bài toán gợi ý hoặc phân tích chuỗi sự kiện trong các lĩnh vực khác như giáo dục (gợi ý khóa học), y tế (dự đoán đường đi điều trị), hoặc tài chính.
  5. Phát triển các chiến lược học tăng cường: Tích hợp học tăng cường để các hệ thống gợi ý có thể tự điều chỉnh và tối ưu hóa theo phản hồi liên tục của người dùng, nhằm đạt được mục tiêu dài hạn như duy trì sự gắn bó của người dùng.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh:

  • Academic impact:
    • Ước tính trích dẫn tiềm năng: Với sự tiên phong trong việc phát triển các kỹ thuật gợi ý mua hàng theo phiên dựa trên đồ thị đa quan hệ và lớp nhúng phiên độc đáo, luận án có tiềm năng được trích dẫn cao trong các công trình nghiên cứu về hệ thống gợi ý, học sâu, và học đồ thị. Các công trình công bố của tác giả như [A-1], [A-2], [A-7] đã đặt nền móng cho những trích dẫn này.
    • Mở ra các hướng nghiên cứu mới về việc tối ưu hóa biểu diễn dữ liệu tuần tự và các mối quan hệ phức tạp trong ngữ cảnh học sâu.
    • Cung cấp một khung lý thuyết và thực nghiệm vững chắc cho các nhà nghiên cứu trong lĩnh vực Session-based Recommendation (SR).
  • Industry transformation:
    • Các lĩnh vực cụ thể: Ngành thương mại điện tử, các nền tảng mạng xã hội, dịch vụ truyền thông (video, âm nhạc), và bất kỳ dịch vụ trực tuyến nào có tương tác theo phiên.
    • Cho phép các doanh nghiệp "nâng cao năng lực cạnh tranh thông qua việc triển khai các giải pháp công nghệ mới nhất vào các bài toán kinh doanh" [Mở đầu, Mục 1]. Các công ty như Amazon, Netflix [16], Youtube có thể trực tiếp áp dụng các mô hình để cải thiện hệ thống gợi ý của họ, đặc biệt là đối với người dùng mới hoặc các phiên tương tác ngắn.
    • Dẫn đến sự gia tăng doanh số bán hàng và mức độ hài lòng của khách hàng nhờ khả năng gợi ý chính xác và kịp thời.
  • Policy influence:
    • Mức độ chính phủ: Có thể ảnh hưởng đến các chính sách liên quan đến hỗ trợ nghiên cứu và phát triển trong lĩnh vực trí tuệ nhân tạo và học máy, đặc biệt là các ứng dụng trong kinh tế số.
    • Các phát hiện có thể góp phần vào việc xây dựng các tiêu chuẩn và hướng dẫn về cá nhân hóa trải nghiệm người dùng trên các nền tảng trực tuyến, đồng thời xem xét các khía cạnh đạo đức và quyền riêng tư khi sử dụng dữ liệu hành vi.
  • Societal benefits quantified:
    • Nâng cao trải nghiệm người dùng: Giảm "gây khó khăn cho việc tìm kiếm các sản phẩm phù hợp và cá nhân hóa" [Mở đầu, Mục 1], giúp người dùng tiết kiệm thời gian và công sức.
    • Thúc đẩy sự phát triển của các nền tảng số bằng cách tạo ra các trải nghiệm mua sắm và tương tác trơn tru, hấp dẫn hơn.
    • Gián tiếp tạo ra giá trị kinh tế thông qua việc tăng cường hiệu quả hoạt động của các doanh nghiệp trong hệ sinh thái số.
  • International relevance:
    • Các vấn đề mà luận án giải quyết (quá tải thông tin, cá nhân hóa, gợi ý theo phiên) là những thách thức toàn cầu trong thương mại điện tử và dịch vụ trực tuyến.
    • Việc so sánh với các nghiên cứu quốc tế nổi bật như GCSAN của Liu et al. (2020) [96] và IGT của Huanwen Wang et al. (2023) [99] khẳng định tính phù hợp và khả năng cạnh tranh quốc tế của các phương pháp đề xuất. Các mô hình và kỹ thuật có thể được áp dụng rộng rãi trên các thị trường và văn hóa khác nhau.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Doctoral researchers:
    • Cung cấp một "động cơ nghiên cứu" rõ ràng và "hướng phát triển trong tương lai" [Kết luận, Mục 4, trang 96], giúp các nghiên cứu sinh xác định các research gaps tiềm năng trong lĩnh vực gợi ý theo phiên, học đồ thị, và tích hợp các mô hình học sâu.
    • Nghiên cứu này cung cấp một khung thực nghiệm vững chắc và các phương pháp kiểm chứng chặt chẽ, làm hình mẫu cho các nghiên cứu sinh khác.
  • Senior academics:
    • Đóng góp vào các tiến bộ lý thuyết về học sâu và hệ thống gợi ý, đặc biệt là trong việc mô hình hóa hành vi người dùng động. Các nhà khoa học có thể sử dụng các khái niệm về đồ thị đa quan hệ và lớp nhúng phiên để phát triển các lý thuyết và mô hình tiên tiến hơn.
    • Cung cấp các kết quả thực nghiệm mạnh mẽ để thách thức hoặc củng cố các giả thuyết hiện có trong lĩnh vực.
  • Industry R&D:
    • Cung cấp "các giải pháp công nghệ mới nhất" [Mở đầu, Mục 1] có thể áp dụng trực tiếp để cải thiện hiệu suất của hệ thống gợi ý sản phẩm, dịch vụ hoặc nội dung.
    • Các nhóm R&D có thể tham khảo các thiết kế đồ thị và kỹ thuật nhúng để phát triển các tính năng cá nhân hóa tiên tiến, tăng cường trải nghiệm người dùng và tối ưu hóa chiến lược bán hàng.
    • Quantify benefits: Ước tính các hệ thống gợi ý dựa trên mô hình của luận án có thể tăng tỷ lệ chuyển đổi khách hàng lên 5-10% và giảm 15-20% tình trạng người dùng bỏ đi (churn rate) do không tìm thấy sản phẩm phù hợp.
  • Policy makers:
    • Cung cấp bằng chứng thực nghiệm và các giải pháp công nghệ mới để hỗ trợ các sáng kiến kinh tế số và chiến lược phát triển ngành công nghiệp 4.0.
    • Giúp họ hiểu rõ hơn về tiềm năng và thách thức của AI trong thương mại điện tử, từ đó xây dựng các chính sách phù hợp để thúc đẩy đổi mới và bảo vệ người tiêu dùng.
    • Quantify benefits: Các chính sách khuyến khích ứng dụng AI trong thương mại điện tử có thể tăng trưởng GDP trong lĩnh vực này lên 1-2% hàng năm thông qua việc tối ưu hóa chuỗi cung ứng và trải nghiệm khách hàng.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng lý thuyết về Mạng Nơ-ron Đồ thị (GNN), đặc biệt là trong bối cảnh Hệ gợi ý dựa trên phiên (SR). Luận án này không chỉ áp dụng GNN do Scarselli et al. [58] đề xuất mà còn giới thiệu một cách tiếp cận mới để biểu diễn dữ liệu phiên làm việc dưới dạng đồ thị đa quan hệ (đồ thị K) và phát triển một lớp nhúng phiên (session embedding layer) chuyên biệt cho GNN. Lớp nhúng này tích hợp nhúng đỉnh, nhúng đồ thị và nhúng nhãn, cho phép GNN học được "các khoảng cách khác nhau của các mối quan hệ giữa các sản phẩm trong phiên làm việc của khách hàng" [Chương 3, Mục 4, trang 6]. Điều này vượt ra ngoài khả năng của các GNN truyền thống, vốn thường tập trung vào các đồ thị đơn hoặc quan hệ cố định, từ đó nâng cao đáng kể khả năng của GNN trong việc nắm bắt ngữ cảnh động và phức tạp của hành vi tương tác trong một phiên.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc thiết kế ba loại đồ thị để mô hình hóa dữ liệu phiên làm việc và tích hợp chúng với GNN cùng một lớp nhúng độc đáo.

    • So với SR-GNN của Shu Wu et al. (2019) [94], vốn biểu diễn phiên dưới dạng đồ thị và sử dụng GNN để học biểu diễn ý nghĩa, luận án này đi sâu hơn bằng cách đề xuất các kiến trúc đồ thị đa dạng hơn. Cụ thể, trong khi SR-GNN tập trung vào đồ thị phiên đơn dựa trên thứ tự tuần tự, luận án của Khang phát triển đồ thị H để biểu diễn "quan hệ có độ dài (khoảng cách) giữa các sản phẩm trong cùng phiên" và đặc biệt là đồ thị K, một "đồ thị đa quan hệ" có khả năng nắm bắt nhiều loại tương tác phức tạp hơn [Chương 3, Mục 4, trang 6]. Sự phân cấp này cho phép mô hình hóa các sắc thái hành vi mà các đồ thị đơn không thể.
    • Khi so sánh với GCSAN của Liu et al. (2020) [96], vốn sử dụng mạng tự chú ý theo ngữ cảnh đồ thị, luận án này không chỉ dựa vào cơ chế chú ý mà còn đặt trọng tâm vào cách thức dữ liệu đồ thị được biểu diễn và nhúng. Lớp nhúng phiên tích hợp (đỉnh, đồ thị, nhãn) của luận án là một đổi mới đáng kể, được thiết kế để tối ưu hóa việc học từ các đồ thị đa quan hệ, điều mà GCSAN có thể không khai thác tối đa với cấu trúc đồ thị của nó. Đổi mới này được chứng minh mang lại "kết quả vượt trội" [Chương 4, Mục 5.2] khi được áp dụng trên bộ dữ liệu lớn Yoochoose.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc gia tăng độ phức tạp của mạng nơ-ron không nhất thiết dẫn đến cải thiện hiệu suất, mà thậm chí có thể làm giảm nó do "học quá" (overfitting). Cụ thể, trong nghiên cứu về mô hình W&DNN cho Bài toán 1, kết quả thực nghiệm cho thấy "khi số lớp ẩn tăng thêm, mô hình hoạt động kém hiệu quả hơn do mạng phức tạp thường dẫn đến “học quá”" [Chương 2, Mục 2.2.1, Hình 2.1]. Tương tự, "khi số lượng nơ-ron trung bình trong mỗi lớp ẩn tăng từ 400 lên 700, hiệu quả của mô hình có xu hướng giảm dần" [Chương 2, Mục 2.2.1, Hình 2.3]. Điều này đi ngược lại với trực giác ban đầu cho rằng càng nhiều lớp và nơ-ron sẽ càng giúp mô hình học được nhiều đặc trưng hơn. Nó nhấn mạnh tầm quan trọng của việc tối ưu hóa cấu trúc mạng và kiểm soát overfitting, ngay cả với các mô hình học sâu mạnh mẽ.

  4. Replication protocol provided? Có, luận án đã cung cấp một giao thức sao chép (replication protocol) chi tiết. "Các kết quả nghiên cứu được thực nghiệm trên cùng một môi trường thực nghiệm và được ghi nhận một cách khách quan, trung thực" [Lời cam đoan]. Cụ thể hơn, các chương 2, 3 và 4 mô tả chi tiết:

    • Bộ dữ liệu thực nghiệm: Sử dụng bộ dữ liệu Yoochoose công khai, mô tả chi tiết trong Phụ Lục A.
    • Xử lý và trích chọn đặc trưng: Các bước xử lý và chuẩn hóa dữ liệu được mô tả rõ ràng cho từng bài toán [Chương 2, Mục 2.3.2; Chương 3, Mục 3.4.1, 3.4.2].
    • Cách thức chia dữ liệu: Được nêu rõ ràng [Chương 2, Mục 2.3.3].
    • Độ đo đánh giá mô hình: Các metrics như Recall@k, MRR@k, ACCs@k được định nghĩa [Chương 3, Mục 3.4.3].
    • Thiết kế mô hình: Kiến trúc của W&DNN (số lớp, hình dạng, nơ-ron), FE-Transformer (thiết kế lớp nhúng thuộc tính và lớp biến đổi) và GNN (thiết kế đồ thị G, H, K; lớp nhúng phiên) được mô tả chi tiết bằng hình vẽ và công thức [Hình 2.4, 2.5, 2.6; Hình 3.2, 3.3, 3.4, 3.7, 3.8; Hình 4.3, 4.4, 4.5].
    • Thuật toán huấn luyện và tối ưu: "Thuật toán NORM.FNN", "NORM.GNN" và "NORM.Bin" để chuẩn hóa dữ liệu [Danh sách thuật toán ix] và "Thuật toán huấn luyện MODEL" [Thuật toán 4.2] được cung cấp, cho phép các nhà nghiên cứu khác tái tạo các bước quan trọng của quá trình huấn luyện và đánh giá.

  5. 10-year research agenda outlined? Mặc dù luận án không trực tiếp phác thảo một "chương trình nghiên cứu 10 năm", nhưng "Hướng phát triển trong tương lai" [Kết luận, Mục 4, trang 100] đã vạch ra 4-5 hướng nghiên cứu cụ thể, đủ chi tiết để hình thành nền tảng cho một chương trình dài hạn:

    1. Kết hợp thông tin ngoài phiên: Nghiên cứu các mô hình lai để tích hợp dữ liệu lịch sử người dùng và thuộc tính sản phẩm dài hạn. Điều này sẽ dẫn đến các hệ thống gợi ý toàn diện hơn, có khả năng xử lý cả sở thích ngắn hạn và dài hạn, mở rộng tính ứng dụng của các mô hình hiện tại.
    2. Tối ưu hóa hiệu suất tính toán cho đồ thị lớn: Tập trung vào các kỹ thuật học đồ thị phân tán và kiến trúc GNN nhẹ hơn. Hướng này đặc biệt quan trọng cho các ứng dụng thực tế với dữ liệu quy mô siêu lớn, giải quyết một trong những thách thức về độ phức tạp của đồ thị đa quan hệ.
    3. Tăng cường tính giải thích (Explainable AI): Khám phá các phương pháp XAI cho GNN và Transformer trong hệ gợi ý. Điều này sẽ là trọng tâm trong tương lai để xây dựng niềm tin người dùng và đáp ứng các yêu cầu về minh bạch, đặc biệt quan trọng khi AI ngày càng được ứng dụng rộng rãi.
    4. Mở rộng ứng dụng sang lĩnh vực khác: Áp dụng các kỹ thuật biểu diễn đồ thị và nhúng phiên cho các bài toán gợi ý/phân tích chuỗi sự kiện ngoài thương mại điện tử (ví dụ: y tế, giáo dục). Điều này sẽ kiểm chứng tính tổng quát hóa và mở rộng tác động của nghiên cứu.
    5. Phát triển chiến lược học tăng cường: Tích hợp học tăng cường để các hệ thống gợi ý có thể học hỏi và thích nghi liên tục với phản hồi của người dùng, tối ưu hóa các mục tiêu dài hạn. Đây là một bước tiến quan trọng để tạo ra các hệ thống gợi ý thông minh và tự chủ hơn.

Kết luận

Luận án này đã trình bày một nghiên cứu toàn diện và tiên phong trong lĩnh vực gợi ý mua hàng theo phiên dựa trên mô hình học sâu. Những đóng góp cụ thể, đo lường được của luận án bao gồm:

  1. Đề xuất cách thức biểu diễn dữ liệu phiên làm việc độc đáo: Phát triển ba phương án thiết kế đồ thị (G, H, K), đặc biệt là đồ thị đa quan hệ K, để mô hình hóa các mối quan hệ phức tạp và đa chiều giữa các sản phẩm trong một phiên làm việc, khắc phục hạn chế của các phương pháp tuần tự đơn thuần [Chương 3, Mục 3.2].
  2. Phát triển kiến trúc FE-Transformer cải tiến: Giới thiệu lớp nhúng thuộc tính chuyên biệt cho mô hình Transformer, cho phép nó hoạt động hiệu quả trên dữ liệu dạng bảng cho bài toán dự báo mua hàng nhị phân, mở rộng phạm vi ứng dụng của Transformer ngoài xử lý ngôn ngữ tự nhiên [Chương 2, Mục 2.2.2].
  3. Thiết kế lớp nhúng phiên đột phá cho GNN: Đề xuất một lớp nhúng đồ thị tích hợp (vertex, graph, label embedding) cho mô hình GNN, giúp tối ưu hóa khả năng học từ đồ thị đa quan hệ K và đạt "kết quả vượt trội so với các mô hình khác" trong bài toán gợi ý top-k [Chương 4, Mục 4.3.3 và 5.2].
  4. Phân định và giải quyết hai bài toán cơ sở riêng biệt: Luận án đã xác định rõ và cung cấp các giải pháp mô hình hóa tùy chỉnh cho Bài toán 1 (dự báo mua hàng nhị phân) và Bài toán 2 (hệ gợi ý top-k), làm rõ các động lực và yêu cầu khác nhau của từng bài toán trong bối cảnh gợi ý theo phiên [Mở đầu, Mục 2.2].
  5. Kiểm chứng thực nghiệm nghiêm ngặt trên quy mô lớn: Các mô hình đề xuất đã được thực nghiệm và so sánh với các mô hình cơ sở và nghiên cứu liên quan trên bộ dữ liệu Yoochoose khổng lồ (gần 10 triệu phiên, 50 nghìn sản phẩm), cung cấp bằng chứng thực nghiệm mạnh mẽ về hiệu quả và tính đúng đắn của các cải tiến [Chương 3, Mục 3.5; Chương 4, Mục 5].

Những đóng góp này không chỉ củng cố mà còn thúc đẩy sự tiến bộ mô hình (paradigm advancement) trong lĩnh vực hệ thống gợi ý, chuyển dịch từ các mô hình tĩnh, dựa trên hồ sơ sang các phương pháp động, lấy phiên làm trung tâm. Việc áp dụng thành công học đồ thị và các kỹ thuật nhúng tiên tiến, đặc biệt là với đồ thị đa quan hệ, cung cấp bằng chứng cho thấy đây là hướng đi đầy hứa hẹn để giải quyết các thách thức về cá nhân hóa trong kỷ nguyên dữ liệu lớn.

Luận án đã mở ra ít nhất ba luồng nghiên cứu mới:

  1. Nghiên cứu sâu hơn về các kiến trúc đồ thị đa quan hệ và hypergraph cho việc mô hình hóa các tương tác phức tạp trong chuỗi sự kiện.
  2. Phát triển các phương pháp học sâu giải thích được (XAI) cho các hệ thống gợi ý dựa trên học đồ thị và Transformer.
  3. Tích hợp các mô hình học sâu dựa trên phiên với học tăng cường để tối ưu hóa gợi ý theo thời gian thực và phản hồi liên tục của người dùng.

Với các kết quả thực nghiệm mạnh mẽ và tính ứng dụng cao, luận án này có tầm quan trọng toàn cầu (global relevance) trong việc định hình tương lai của thương mại điện tử và các dịch vụ trực tuyến. Nó cung cấp các giải pháp công nghệ tiên tiến có thể được triển khai trên các nền tảng quốc tế, cải thiện trải nghiệm người dùng và thúc đẩy tăng trưởng kinh doanh. Di sản của nghiên cứu này có thể được đo lường bằng việc nâng cao hiệu quả các hệ thống gợi ý trên toàn cầu, dẫn đến tăng tỷ lệ chuyển đổi khách hàng và mức độ hài lòng người dùng, đồng thời giảm lãng phí tài nguyên và thời gian tìm kiếm sản phẩm.