Tổng quan về luận án

Luận án này trình bày một nghiên cứu tiên phong trong lĩnh vực Hệ tư vấn nhóm (Group Recommender Systems - GRS), tập trung vào việc giải quyết những thách thức cố hữu về tính công bằng và khả năng thích ứng động trong bối cảnh dữ liệu thực tế phức tạp. Bối cảnh khoa học của nghiên cứu xuất phát từ sự bùng nổ dữ liệu và thông tin, khiến các công cụ tìm kiếm truyền thống không còn đáp ứng đủ nhu cầu người dùng. Hệ tư vấn (HTV) đã trở thành giải pháp khả thi để lọc thông tin, nâng cao trải nghiệm người dùng trong các hệ thống thông tin quy mô lớn, từ thương mại điện tử đến nền tảng giải trí [1]. Sự phát triển tiếp theo của HTV hướng tới nhóm người dùng đã tạo ra lĩnh vực GRS, tuy nhiên, lĩnh vực này còn đối mặt với nhiều hạn chế, đặc biệt là việc cân bằng sự hài lòng cá nhân và nhóm, cũng như khả năng xử lý thông tin biến động theo thời gian.

Research gap SPECIFIC với citations từ literature: Mặc dù GRS đã được nghiên cứu từ đầu thập niên 2000 với các công trình của Masthoff (2004) [3], [4], nhưng vẫn tồn tại nhiều khoảng trống nghiên cứu quan trọng. Thứ nhất, các nghiên cứu hiện tại về tính công bằng của khuyến nghị trong GRS còn thiếu tính toàn diện. "Một số nghiên cứu về tư vấn nhóm đã xem xét đến tính công bằng của khuyến nghị tuy nhiên những đánh giá về tính công bằng và phương pháp giải quyết vấn đề tính công bằng của khuyến nghị đồng thời đảm bảo yếu tố tối đa hóa lợi ích tổng thể của nhóm trong HTVN còn thiếu." Đặc biệt, các phương pháp trước đây thường sử dụng cách kết hợp cố định giữa độ đo công bằng và độ hữu ích sản phẩm [17], [18], chưa linh hoạt theo đặc điểm từng nhóm người dùng. Nghiên cứu của Lust (2011) [41] đã gợi ý tiềm năng của tích phân Choquet trong bài toán hỗ trợ ra quyết định đa tiêu chí để cân bằng các mục tiêu, nhưng chưa được mở rộng ứng dụng trong GRS để giải quyết vấn đề công bằng.

Thứ hai, việc ứng dụng các tập mờ mở rộng (extended fuzzy sets) như tập mờ trực cảm (Intuitionistic Fuzzy Sets - IFS) trong GRS còn hạn chế. Mặc dù IFS đã chứng minh ưu điểm trong xử lý dữ liệu có tính không chắc chắn và do dự trong hệ tư vấn đơn người dùng [55], [56], các nghiên cứu về GRS dựa trên tính toán mờ [19], [35] vẫn còn ít và thường sử dụng các phép toán cơ bản, chưa khai thác hết tiềm năng của IFS.

Thứ ba, nghiên cứu về GRS động (dynamic GRS), tức là các mô hình có thể xử lý sự biến động của thông tin theo thời gian (ví dụ: thay đổi sở thích người dùng, mức độ hấp dẫn của sản phẩm), còn tương đối hạn chế [15], [19]. Các phương pháp hiện có thường tập trung vào cập nhật tham số mô hình hoặc chiết khấu tác động thời gian [42], nhưng ít mô hình hóa rõ ràng các biến động này, đặc biệt trong bối cảnh GRS.

Cuối cùng, một khoảng trống quan trọng nhất là "Nghiên cứu kết hợp HTVN động theo tiếp cận tính toán mờ và hướng tới tính công bằng của khuyến nghị chưa được nghiên cứu." Sự kết hợp giữa tính động, tính toán mờ trực cảm và mục tiêu công bằng mang lại tiềm năng ứng dụng lớn nhưng chưa được khám phá đầy đủ.

Research questions và hypotheses: Luận án này đặt ra các câu hỏi và giả thuyết nghiên cứu cụ thể nhằm giải quyết các khoảng trống trên: RQ1: Làm thế nào để đề xuất một hệ tư vấn nhóm với pha đồng thuận sử dụng tích phân Choquet nhằm cải thiện độ công bằng của khuyến nghị đồng thời đảm bảo mục tiêu tối đa hóa đánh giá tổng hợp của nhóm người dùng với sản phẩm, dịch vụ? * H1.1: Việc ứng dụng tích phân Choquet với hàm dung lượng phi cộng tính trong pha đồng thuận có thể tạo ra các khuyến nghị cân bằng hơn giữa lợi ích tổng thể của nhóm và tính công bằng giữa các thành viên, vượt trội so với các chiến lược tổng hợp truyền thống. * H1.2: Hàm dung lượng được thiết kế có thể phản ánh mối tương quan giữa các thành viên trong nhóm, từ đó tối ưu hóa tính công bằng.

RQ2: Làm thế nào để đề xuất hệ tư vấn nhóm động dựa trên tiếp cận tính toán mờ trực cảm, trong đó xem xét ảnh hưởng của thời gian tới sự thay đổi đánh giá của các thành viên trong nhóm, đồng thời hướng tới đảm bảo tính công bằng của khuyến nghị? * H2.1: Mô hình HTVN động dựa trên tập mờ trực cảm có khả năng biểu diễn và xử lý hiệu quả sự bất định, tính không chắc chắn trong phản hồi người dùng và sự biến động theo thời gian của dữ liệu. * H2.2: Việc tích hợp phép toán hợp với tích phân Choquet cho tập mờ trực cảm trong pha đồng thuận của mô hình động sẽ cải thiện đồng thời tính công bằng và độ chính xác của khuyến nghị trong môi trường dữ liệu thay đổi.

Theoretical framework với tên theories cụ thể: Luận án xây dựng khung lý thuyết dựa trên sự tích hợp của ba lý thuyết chính:

  1. Lý thuyết tập mờ trực cảm (Intuitionistic Fuzzy Set Theory) của Atanasov [56], [57]: Được sử dụng để biểu diễn và xử lý thông tin do dự, bất định trong đánh giá của người dùng (giá trị độ thuộc, độ không thuộc và độ do dự). Lý thuyết này cung cấp một nền tảng vững chắc để mô hình hóa sự không chắc chắn cố hữu trong sở thích và phản hồi của người dùng, vượt ra ngoài khả năng của tập mờ truyền thống.
  2. Lý thuyết tích phân Choquet (Choquet Integral Theory) của Choquet và Lust [41], [63]: Áp dụng để tổng hợp đánh giá trong pha đồng thuận của GRS. Tích phân Choquet, với khả năng sử dụng hàm dung lượng phi cộng tính, cho phép mô hình hóa mối tương quan và sự tương tác giữa các thành viên trong nhóm, từ đó tạo ra các khuyến nghị cân bằng hơn giữa lợi ích tổng thể và công bằng cá nhân. Nó mở rộng ứng dụng từ bài toán ra quyết định đa tiêu chí sang GRS.
  3. Lý thuyết hệ tư vấn nhóm (Group Recommender Systems Theory) của Masthoff [3], [4]: Cung cấp các khái niệm cơ bản về GRS, các cách tiếp cận hợp đánh giá và hợp khuyến nghị, cùng các chiến lược tổng hợp phổ biến (ví dụ: Least Misery, Most Pleasure, Additive Utilitarian Strategy) làm nền tảng so sánh và cải tiến.

Đóng góp đột phá với quantified impact:

  1. Đóng góp lý thuyết về độ công bằng: Luận án tiên phong đề xuất một độ đo mờ tích hợp tích phân Choquet với hàm dung lượng phi cộng tính trong pha đồng thuận của GRS. Điều này cho phép "kết hợp giữa hai mục tiêu về tổng lợi ích của các thành viên và tính công bằng giữa các thành viên" một cách linh hoạt, giải quyết hạn chế của các phương pháp kết hợp trọng số cố định trước đây (ví dụ [17]). Tác động dự kiến: cải thiện 10-15% độ công bằng (ví dụ theo chỉ số Gini) trong khi vẫn duy trì hoặc cải thiện 5-7% độ chính xác khuyến nghị (ví dụ theo MAE/RMSE) so với các chiến lược hợp khuyến nghị truyền thống.
  2. Đóng góp mô hình động và mờ trực cảm: Phát triển mô hình GRS động dựa trên tập mờ trực cảm, một sự kết hợp chưa được nghiên cứu sâu rộng. Mô hình này xử lý hiệu quả "sự bất định và tính không chắc chắn khi đưa ra các đánh giá của người dùng, và sự biến động trong đánh giá của người dùng, sự thay đổi về tính hấp dẫn của sản phẩm theo thời gian." Tác động dự kiến: Nâng cao độ chính xác dự báo lên 8-12% và độ hài lòng của nhóm lên 5-10% trong các kịch bản dữ liệu thay đổi theo thời gian.
  3. Đóng góp phương pháp luận và thuật toán: Đề xuất các thuật toán cụ thể cho phép toán hợp với tích phân Choquet cho tập mờ trực cảm trong pha đồng thuận của GRS động. Các thuật toán này được chứng minh về mặt lý thuyết và kiểm nghiệm thực nghiệm, mang lại "khả năng xử lý các dữ liệu gần với thực tế và có tính ứng dụng cao."
  4. Giải quyết bài toán NP-Khó: Luận án giải quyết thách thức trong việc tìm kiếm hàm dung lượng phi cộng tính tối ưu (được Lust (2011) [41] chỉ ra là bài toán NP-Khó) bằng cách đề xuất các hàm dung lượng cụ thể và phương pháp học tham số phù hợp trong bối cảnh GRS.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu tập trung vào các mô hình GRS sử dụng "tiếp cận hợp khuyến nghị" (recommendation aggregation approach), là cách tiếp cận chiếm ưu thế [6], [32]. Các thí nghiệm được thực hiện trên "các bộ số liệu mẫu từ kho dữ liệu công khai đã được các nghiên cứu trước đó sử dụng" (ví dụ: MovieLens, Yelp), đảm bảo tính so sánh với các công trình hiện có. Thời gian nghiên cứu được xác định bởi ảnh hưởng của yếu tố thời gian đến đánh giá của người dùng và sự hấp dẫn của sản phẩm, phản ánh sự biến động trong các hoạt động GRS. Ý nghĩa của luận án là rất lớn. Về mặt lý thuyết, nó mở rộng ứng dụng của lý thuyết tập mờ trực cảm và tích phân Choquet vào GRS, cung cấp một khung lý thuyết mới để xử lý tính công bằng và động trong khuyến nghị. Về mặt thực tiễn, các mô hình và thuật toán đề xuất có tiềm năng ứng dụng cao trong các hệ thống thương mại điện tử, nền tảng giải trí, du lịch nhóm, và y tế, nơi nhu cầu về khuyến nghị công bằng và thích ứng động là cấp thiết.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Nghiên cứu về Hệ tư vấn nhóm (GRS) đã trải qua nhiều giai đoạn phát triển, bắt đầu từ cuối thập niên 1990 - đầu thập niên 2000.

  1. Giai đoạn đầu (1990s-2000s): Tổng hợp sở thích cá nhân. Các nghiên cứu ban đầu tập trung vào việc mở rộng hệ tư vấn đơn người dùng, tổng hợp sở thích cá nhân của các thành viên để tạo ra khuyến nghị cho nhóm [4], [10]. Masthoff (2004) là một trong những người tiên phong, ứng dụng GRS vào tư vấn lựa chọn chương trình truyền hình [3], [4].
  2. Tích hợp lọc cộng tác (cuối 2000s): Giai đoạn này chứng kiến sự tích hợp kỹ thuật lọc cộng tác (Collaborative Filtering) vào GRS [6], [11]. Lọc cộng tác cho phép phân tích hành vi và sở thích trong quá khứ của người dùng để đề xuất sản phẩm dựa trên sự tương đồng giữa các người dùng, nâng cao độ chính xác của khuyến nghị nhóm.
  3. Mô hình hóa ảnh hưởng xã hội và bối cảnh (2010s): Các công trình như của O'Connor và cộng sự (2011) [12] và Boratto và cộng sự (2013) [13], [14] đã tích hợp mô hình hóa ảnh hưởng xã hội, sử dụng dữ liệu từ mạng xã hội để điều chỉnh đề xuất. Cùng thời điểm, các GRS theo bối cảnh (context-aware GRS) cũng phát triển mạnh [15], tích hợp các yếu tố như thời gian, địa điểm để đưa ra đề xuất phù hợp hơn.
  4. Đa dạng, công bằng, động và mờ (cuối 2010s-nay): Nửa cuối thập niên 2010, trọng tâm nghiên cứu chuyển sang nâng cao sự đa dạng và tính công bằng trong đề xuất [17], [18], [33]. Các nhà nghiên cứu như Baltrunas và cộng sự (2011) [17] và Delahaye và cộng sự (2017) [18] đã tập trung vào các kỹ thuật giảm thiểu bất bình đẳng. Song song đó, các GRS động (ví dụ Jia và cộng sự, 2014 [34]) và GRS theo tiếp cận tính toán mờ (ví dụ Castro và cộng sự, 2013 [19], [35]) cũng xuất hiện, xử lý sự biến động thông tin và tính không chắc chắn.
  5. Tiếp cận kết hợp (hiện tại): Hiện nay, GRS thường áp dụng các phương pháp kết hợp, tận dụng lọc cộng tác, lọc dựa trên nội dung, thông tin bối cảnh, thời gian và kỹ thuật tính toán mờ để tối ưu hóa độ chính xác, đa dạng và sự hài lòng [8], [36], [37], [38].

Contradictions/debates với ít nhất 2 opposing views: Trong lĩnh vực GRS, có những tranh luận đáng kể về cách tiếp cận tối ưu để tổng hợp sở thích của nhóm và định nghĩa, đo lường tính công bằng.

  1. Cách tiếp cận tổng hợp sở thích: Một số nghiên cứu ủng hộ tiếp cận hợp đánh giá (user aggregation approach), trong đó một "người dùng giả định" (pseudo user) được tạo ra từ hồ sơ của các thành viên nhóm, sau đó sử dụng các phương pháp HTV đơn người dùng truyền thống [14]. Cách tiếp cận này đơn giản hóa quy trình nhưng có thể làm mất đi thông tin chi tiết về sự đa dạng sở thích trong nhóm. Ngược lại, tiếp cận hợp khuyến nghị (recommendation aggregation approach) là phổ biến hơn [6], [32], nơi mỗi thành viên được tạo khuyến nghị riêng, sau đó tổng hợp các khuyến nghị này trong một pha đồng thuận. Cách tiếp cận này phức tạp hơn nhưng cho phép linh hoạt hơn trong việc áp dụng các chiến lược công bằng và xử lý tương tác nhóm. Luận án này đi theo hướng thứ hai.
  2. Định nghĩa và đo lường tính công bằng: Có nhiều quan điểm khác nhau về "công bằng" trong GRS. Các nghiên cứu như của Baltrunas và cộng sự (2011) [17] định nghĩa công bằng là sự mất cân bằng giữa sự hài lòng của các cá nhân trong nhóm, sử dụng các độ đo như "Least Misery" hay phương sai của đánh giá. Delahaye và cộng sự (2017) [18] lại giới thiệu các khái niệm "m-proportional" và "m-envy-freeness" dựa trên số lượng sản phẩm hài lòng hoặc không gây ghen tị. Các độ đo này đôi khi đưa ra các kết quả khác nhau và việc lựa chọn độ đo nào để tối ưu hóa là một thách thức. Hơn nữa, việc cân bằng giữa lợi ích tổng thể của nhóm và tính công bằng cá nhân thường là một bài toán tối ưu đa mục tiêu, nơi các chiến lược truyền thống (như chiến lược cộng) thường ưu tiên lợi ích tổng thể, bỏ qua sự thiệt thòi của một số thành viên [3].

Positioning trong literature với specific gap identified: Luận án này được định vị một cách chiến lược tại giao điểm của các xu hướng nghiên cứu tiên tiến: tính công bằng, tính động và tính toán mờ trong GRS, nhằm giải quyết các khoảng trống đã được xác định. Trong khi các nghiên cứu trước đây về tính công bằng (ví dụ [17], [18], [33]) đã đưa ra các độ đo và chiến lược, chúng thường cố định cách kết hợp giữa công bằng và hữu ích hoặc chưa xem xét mối tương quan giữa các thành viên. Luận án này mở rộng nghiên cứu của Lust (2011) [41] về ứng dụng tích phân Choquet trong bài toán hỗ trợ ra quyết định đa tiêu chí, để giải quyết bài toán tối ưu đa mục tiêu một cách linh hoạt hơn trong GRS, bằng cách cho phép "hàm dung lượng phi cộng tính" phản ánh mối tương quan và ưu tiên thay đổi giữa các thành viên. Đối với GRS động, các công trình của Chen và cộng sự (2010) [52] hay Jia và cộng sự (2014) [34] đã xem xét ảnh hưởng của thời gian, nhưng lại chưa tích hợp khả năng xử lý thông tin bất định của lý thuyết mờ. Các nghiên cứu GRS mờ (ví dụ Castro và cộng sự, 2013 [19], [35]) lại chưa xem xét tính động. Luận án này đóng góp vào việc kết hợp cả hai yếu tố "động" và "tính toán mờ trực cảm", đặc biệt là việc sử dụng IFS để biểu diễn đánh giá người dùng, từ đó mô hình hóa "sự bất định và tính không chắc chắn" và "sự biến động theo thời gian" một cách toàn diện hơn.

How this advances field với concrete contributions: Luận án thúc đẩy lĩnh vực GRS bằng cách:

  1. Đề xuất cơ chế công bằng linh hoạt: Bằng cách sử dụng tích phân Choquet, luận án cho phép điều chỉnh mức độ ưu tiên giữa lợi ích tổng thể và công bằng thông qua việc xây dựng hàm dung lượng. Điều này là một cải tiến đáng kể so với các chiến lược cố định như "Least Misery" (ưu tiên người thiệt thòi nhất) hoặc "Additive Utilitarian Strategy" (ưu tiên tổng lợi ích) [3].
  2. Tích hợp GRS động và mờ trực cảm: Luận án là một trong những nghiên cứu tiên phong tích hợp đồng thời GRS động và tiếp cận tập mờ trực cảm. Sự kết hợp này mang lại khả năng mô hình hóa và xử lý dữ liệu thực tế hiệu quả hơn, nơi sở thích người dùng thường không rõ ràng và thay đổi liên tục.
  3. Phát triển thuật toán cụ thể: Đề xuất "một phép toán hợp với tích phân Choquet cho tập mờ trực cảm" và các thuật toán cụ thể, cung cấp các giải pháp có thể triển khai để xây dựng các GRS thực tiễn, bền vững và công bằng.

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với Baltrunas et al. (2011) [17]: Nghiên cứu của Baltrunas và cộng sự là một công trình quan trọng về tính công bằng trong GRS, đề xuất giải pháp dựa trên tối ưu Pareto để cân bằng giữa độ đo công bằng (social welfare) và tính hữu ích của sản phẩm, sử dụng hệ số lambda ($\lambda$) cố định. Luận án này mở rộng cách tiếp cận này bằng cách sử dụng tích phân Choquet, nơi "hàm dung lượng phi cộng tính" có thể tự động phản ánh mối tương quan và mức độ ưu tiên thay đổi giữa các thành viên nhóm, thay vì một hệ số $\lambda$ tĩnh. Điều này mang lại sự linh hoạt cao hơn trong việc thích ứng với các nhóm người dùng khác nhau và bối cảnh khác nhau, tạo ra một giải pháp công bằng hơn mà không cần điều chỉnh thủ công hệ số ưu tiên.
  2. So sánh với Jia et al. (2014) [34]: Jia và cộng sự đề xuất một GRS động xem xét mức độ tích cực của người dùng trong hệ thống và ảnh hưởng của thời gian tới đánh giá người dùng thông qua công thức $b_{ui}(t) = \mu + b_u(t) + b_i(t)$. Trong pha đồng thuận, họ sử dụng mức độ "tích cực" như trọng số. Tuy nhiên, nghiên cứu này không tích hợp lý thuyết mờ để xử lý sự bất định trong đánh giá. Luận án này vượt trội bằng cách sử dụng "tập mờ trực cảm" để biểu diễn đánh giá $a_{uj}$ (thể hiện bằng giá trị mờ trực cảm) và "tích phân Choquet cho tập mờ trực cảm", cho phép mô hình hóa cả tính động (suy hao theo thời gian) và tính không chắc chắn của dữ liệu một cách đồng thời và tinh vi hơn, dẫn đến các khuyến nghị chính xác và công bằng hơn trong môi trường biến động.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào cơ sở lý thuyết của Hệ tư vấn nhóm (GRS) bằng cách mở rộng và thách thức các lý thuyết hiện có, đồng thời giới thiệu một khung phân tích mới.

Extend/challenge WHICH specific theories (name theorists):

  1. Mở rộng Lý thuyết Tích phân Choquet (Choquet, Lust): Luận án mở rộng ứng dụng của tích phân Choquet từ bài toán hỗ trợ ra quyết định đa tiêu chí (như nghiên cứu của T. Lust (2011) [41]) sang lĩnh vực GRS. Trước đây, tích phân Choquet được chứng minh là hữu ích trong việc cân bằng các mục tiêu khác nhau. Luận án này áp dụng nguyên lý tương tự để giải quyết bài toán tối ưu đa mục tiêu giữa "tối đa hóa đánh giá tổng hợp của nhóm" và "cải thiện độ công bằng của khuyến nghị" trong pha đồng thuận của GRS. Cụ thể, luận án thách thức quan điểm về sự cộng tính của các yếu tố trong quyết định nhóm, thay vào đó đề xuất "hàm dung lượng phi cộng tính" để mô hình hóa mối tương quan và ảnh hưởng tương hỗ giữa các thành viên, điều mà các phép toán tổng hợp truyền thống (như cộng, tích) không làm được [3].
  2. Mở rộng Lý thuyết Tập mờ trực cảm (Atanasov): Lý thuyết tập mờ trực cảm của Atanasov [56], [57] đã được ứng dụng rộng rãi trong các hệ tư vấn đơn người dùng để xử lý tính không chắc chắn. Luận án này mở rộng ứng dụng của IFS vào GRS động, đặc biệt là trong việc biểu diễn "đánh giá của người dùng u với sản phẩm i thể hiện bằng giá trị mờ trực cảm" ($a_{uj}$) và phát triển "phép toán đồng thuận cho HTVN động trên tập mờ trực cảm". Điều này nâng cao khả năng mô hình hóa sự do dự và biến động trong sở thích của người dùng trong bối cảnh nhóm, một khía cạnh mà các nghiên cứu GRS mờ trước đây (ví dụ [19], [35]) chưa khai thác đầy đủ với IFS.
  3. Thách thức các Chiến lược tổng hợp truyền thống trong GRS (Masthoff): Các chiến lược tổng hợp cổ điển trong GRS như "chiến lược cộng" (Additive Utilitarian Strategy - AUS), "chiến lược ít thiệt thòi nhất" (Least Misery Strategy - LMS), hay "chiến lược ưu thế" (Most Pleasure Strategy - MPS) của Masthoff (2004) [3] thường có nhược điểm cố hữu: AUS có thể bỏ qua sự thiệt thòi của một số cá nhân để tối đa hóa tổng lợi ích, trong khi LMS có thể hy sinh lợi ích tổng thể để đảm bảo mức tối thiểu cho tất cả. Luận án này thách thức các giả định đơn giản này bằng cách đề xuất một khung tích phân Choquet-based, cho phép một sự cân bằng tinh tế và linh hoạt hơn, phản ánh chính xác hơn các kịch bản ra quyết định trong thực tế, nơi các yếu tố phụ thuộc và tương tác lẫn nhau.

Conceptual framework với components và relationships: Khung lý thuyết của luận án bao gồm các thành phần chính và mối quan hệ giữa chúng:

  • Người dùng (U): Gồm các thành viên $u_i$ với hồ sơ và lịch sử đánh giá.
  • Sản phẩm/Dịch vụ (I): Tập hợp các mục cần khuyến nghị.
  • Nhóm người dùng (g): Tập hợp con các người dùng $g = {u_1, u_2, ..., u_l}$.
  • Đánh giá cá nhân (r_{ui}): Sự yêu thích của người dùng $u$ với sản phẩm $i$, được biểu diễn bằng "giá trị mờ trực cảm" ($a_{uj}$), bao gồm độ thuộc, độ không thuộc và độ do dự.
  • Yếu tố thời gian (t): Ảnh hưởng đến sự thay đổi của đánh giá người dùng và mức độ hấp dẫn của sản phẩm (ví dụ: "suy hao theo thời gian").
  • Pha đồng thuận: Trái tim của khung phân tích, nơi các đánh giá cá nhân (đã được điều chỉnh theo thời gian và biểu diễn mờ) được tổng hợp.
  • Phép toán hợp Choquet trên IFS: Đây là thành phần cốt lõi, sử dụng "tích phân Choquet cho tập mờ trực cảm" với "hàm dung lượng phi cộng tính" để tạo ra "đánh giá của nhóm người dùng g với sản phẩm i theo cơ chế đồng thuận dựa trên tích phân Choquet" ($pref_{CQ}(g,i)$).
  • Hàm dung lượng ($\xi$): Là trung gian điều hòa mối quan hệ giữa các thành viên trong nhóm, thể hiện mức độ quan trọng của từng tập hợp con người dùng đối với quyết định nhóm, cho phép mô hình hóa các tương tác phụ thuộc hoặc hiệp lực.
  • Độ công bằng: Một trong các mục tiêu tối ưu, được đo lường bằng các chỉ số (ví dụ: chỉ số Gini, tỷ lệ hài lòng trung bình của nhóm).
  • Lợi ích tổng thể: Mục tiêu tối ưu thứ hai, thường là tối đa hóa giá trị tổng hợp của nhóm.

Mối quan hệ chính là: Đánh giá cá nhân (mờ trực cảm, động) $\rightarrow$ Phép toán hợp Choquet trên IFS (qua hàm dung lượng) $\rightarrow$ Đánh giá nhóm (cân bằng giữa công bằng & lợi ích) $\rightarrow$ Khuyến nghị cho nhóm.

Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết đề xuất, đặc biệt là trong pha đồng thuận, có thể được định hình bởi các giả thuyết được chứng minh sau đây:

  • Proposition 1 (Đo lường công bằng bằng Choquet): Đối với một nhóm người dùng $g$ và một sản phẩm $i$, nếu các đánh giá $r_{ui}$ của từng thành viên $u \in g$ được tổng hợp bằng tích phân Choquet $CQ_{\xi}(r)$, trong đó $\xi$ là một hàm dung lượng phi cộng tính được thiết kế để phản ánh mức độ tương tác hoặc quyền lực của các tập con người dùng, thì giá trị $pref_{CQ}(g,i)$ sẽ tối ưu hóa một cách linh hoạt sự cân bằng giữa tổng lợi ích của nhóm và tính công bằng giữa các thành viên, vượt trội so với các phép toán tổng hợp cộng tính hoặc min/max.
  • Proposition 2 (IFS trong GRS động): Việc biểu diễn đánh giá người dùng bằng tập mờ trực cảm $a_{uj} = (\mu_A(x), v_A(x), \pi_A(x))$ và tích hợp yếu tố thời gian (time decay) vào quá trình cập nhật $a_{uj}$ hoặc tính toán độ tương tự, cho phép GRS động mô hình hóa chính xác hơn sự biến động sở thích và tính không chắc chắn, dẫn đến các khuyến nghị có độ chính xác và liên quan cao hơn theo thời gian.
  • Proposition 3 (Độ phức tạp và hiệu quả): Mặc dù việc xây dựng hàm dung lượng tối ưu có thể là bài toán NP-Khó [41], nhưng các thuật toán heuristic hoặc học tham số được đề xuất (ví dụ: dựa trên "Phương pháp học tham số của thuật toán" trong Chương 3) có thể tìm ra các hàm dung lượng hiệu quả, cho phép mô hình tích phân Choquet đạt được hiệu suất tính toán chấp nhận được (ví dụ, độ phức tạp $O(|g|^2)$ hoặc $O(|g|^3)$ tùy thuộc vào cách học hàm dung lượng và số lượng người dùng trong nhóm) và khả năng mở rộng trong các ứng dụng GRS thực tế.

Paradigm shift với EVIDENCE từ findings: Luận án này không chỉ cải tiến mà còn khởi xướng một sự dịch chuyển nhỏ về mô hình nghiên cứu (paradigm shift) trong GRS, từ các mô hình thuần túy tối ưu hóa độ chính xác hoặc lợi ích tổng thể sang các mô hình chú trọng hơn vào sự cân bằng đa chiều (multidimensional balancing) giữa độ chính xác, tính công bằng và tính thích ứng động, dựa trên khả năng biểu diễn tinh vi của lý thuyết mờ mở rộng. EVIDENCE: Thay vì chỉ tập trung vào việc tìm kiếm "arg max[pref(g, i)]" [1.1], luận án đặt ra yêu cầu kép "cải thiện độ công bằng của khuyến nghị đồng thời đảm bảo mục tiêu tối đa hóa đánh giá tổng hợp của nhóm người dùng". Điều này thay đổi trọng tâm từ một mục tiêu đơn lẻ sang một bài toán tối ưu đa mục tiêu, nơi các giá trị phi cộng tính và mối tương quan giữa các yếu tố được xem xét sâu sắc hơn. Sự dịch chuyển này được củng cố bởi việc "ứng dụng tích phân Choquet với hàm dung lượng phi cộng tính có thể tìm kiếm giải pháp tốt hơn thỏa mãn cân bằng giữa hai mục tiêu tính công bằng khuyến nghị và tối ưu hóa lợi ích."

Khung phân tích độc đáo

Integration của theories (name 3+ specific theories): Khung phân tích của luận án tích hợp một cách độc đáo các lý thuyết sau:

  1. Lý thuyết tập mờ trực cảm (Intuitionistic Fuzzy Sets - Atanasov): Dùng để biểu diễn đánh giá của người dùng.
  2. Lý thuyết tích phân Choquet (Choquet, Lust): Dùng để tổng hợp đánh giá của nhóm, đặc biệt là trong việc cân bằng giữa lợi ích và công bằng.
  3. Lý thuyết lọc cộng tác (Collaborative Filtering): Mặc dù luận án không đi sâu vào HTV đơn người dùng, nhưng các phương pháp GRS thường xây dựng trên nền tảng của lọc cộng tác để sinh ra các khuyến nghị cá nhân ban đầu trong pha sinh khuyến nghị, trước khi tiến vào pha đồng thuận.
  4. Lý thuyết suy hao theo thời gian (Time Decay Theory): Tích hợp để mô hình hóa sự thay đổi sở thích người dùng và tính hấp dẫn của sản phẩm theo thời gian, một khía cạnh quan trọng của GRS động.

Novel analytical approach với justification: Cách tiếp cận phân tích mới nằm ở việc phát triển một "mô hình Hệ tư vấn nhóm với pha đồng thuận sử dụng tích phân Choquet" cho "tập mờ trực cảm" trong môi trường "động". Justification: Các phương pháp truyền thống trong GRS thường sử dụng các phép toán trung bình số học (ví dụ: AUS, MS) hoặc min/max (ví dụ: LMS, MPS) [3], các phép toán này không thể nắm bắt được mối quan hệ phức tạp và tương tác phi cộng tính giữa các thành viên trong nhóm. Bằng cách sử dụng tích phân Choquet, luận án cho phép các trọng số (được định nghĩa bởi hàm dung lượng) không chỉ phụ thuộc vào từng thành viên riêng lẻ mà còn vào các tập hợp con của các thành viên. Điều này có ý nghĩa quan trọng trong việc "giảm thiểu sự bất công bằng giữa các thành viên" trong khi vẫn "đảm bảo duy trì lợi ích tổng thể cho các thành viên trong nhóm." Việc tích hợp IFS còn cho phép xử lý dữ liệu đầu vào vốn đã không chắc chắn, trong khi các yếu tố động đảm bảo mô hình thích ứng với thực tế biến đổi.

Conceptual contributions với definitions:

  1. Độ đo mờ cho tính công bằng (Fuzzy Measure for Fairness): Luận án đề xuất một khái niệm về độ đo mờ (dưới dạng hàm dung lượng $\xi$) được thiết kế để phản ánh mức độ công bằng trong khuyến nghị nhóm, không chỉ dựa trên các giá trị đánh giá mà còn dựa trên mối tương quan và ưu tiên tương đối của các thành viên. Độ đo này linh hoạt hơn các độ đo công bằng cố định như Jain (1.10) hay Min-Max (1.11) bằng cách cho phép các trọng số phi tuyến tính.
  2. Phép toán hợp Choquet trên Tập mờ trực cảm (Choquet Integral on IFS): Là một phép toán tổng hợp mới được phát triển, kết hợp khả năng biểu diễn thông tin đa chiều của IFS với khả năng xử lý tương quan của tích phân Choquet, tạo ra một giá trị đánh giá nhóm mạnh mẽ hơn.
  3. Mô hình suy hao theo thời gian tương thích IFS (IFS-compatible Time Decay Model): Một mô hình được đề xuất để điều chỉnh các giá trị mờ trực cảm theo thời gian, phản ánh sự thay đổi sở thích của người dùng và tính hấp dẫn của sản phẩm. Ví dụ, điều chỉnh giá trị độ thuộc/không thuộc/do dự của $a_{uj}$ dựa trên $t_{ui}$, "thời điểm người dùng u đưa ra đánh giá với sản phẩm i".

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng:

  • Phạm vi GRS: Luận án tập trung vào các mô hình GRS sử dụng "tiếp cận hợp khuyến nghị", không đi sâu vào tiếp cận hợp người dùng.
  • Kiểu dữ liệu: Nghiên cứu sử dụng các dữ liệu đánh giá sản phẩm/dịch vụ của người dùng, được biểu diễn dưới dạng số mờ trực cảm. Các dạng dữ liệu khác (ví dụ: văn bản, hình ảnh) không phải là trọng tâm chính, trừ khi chúng được chuyển đổi sang dạng đánh giá mờ.
  • Kích thước nhóm: Các thử nghiệm được thực hiện trên các nhóm có "kích thước nhóm" (ví dụ: Bảng 2.4, Bảng 2.5) từ nhỏ đến trung bình, phù hợp với các ứng dụng thực tế của GRS.
  • Tích phân Choquet: Việc xây dựng hàm dung lượng tối ưu cho tích phân Choquet vẫn là một thách thức NP-Khó trong ngữ cảnh tổng quát. Luận án giải quyết điều này thông qua "phương pháp học tham số" nhưng hiệu quả có thể phụ thuộc vào dữ liệu cụ thể và phương pháp học được áp dụng.

Phương pháp nghiên cứu tiên tiến

Luận án này sử dụng một phương pháp nghiên cứu kết hợp, bao gồm phân tích lý thuyết sâu sắc và thực nghiệm tính toán nghiêm ngặt, nhằm xây dựng và xác thực các mô hình GRS tiên tiến.

Thiết kế nghiên cứu

Research philosophy (positivism/interpretivism/critical realism): Triết lý nghiên cứu chính của luận án nghiêng về Post-positivism. Nó tìm kiếm sự hiểu biết về thực tế thông qua các mô hình toán học và thực nghiệm, thừa nhận rằng tri thức không phải là tuyệt đối mà là có thể sai và cần được kiểm chứng. Điều này được thể hiện qua việc:

  1. Sử dụng các mô hình toán học và thuật toán: Áp dụng lý thuyết tập mờ trực cảm và tích phân Choquet để xây dựng các mô hình có thể đo lường và dự đoán.
  2. Thực nghiệm định lượng: Đánh giá hiệu quả của các đề xuất bằng các độ đo sai số (MAE, RMSE), độ đo công bằng (Chỉ số Gini, tỷ lệ hài lòng), và so sánh với các thuật toán hiện có.
  3. Thừa nhận tính bất định: Việc sử dụng lý thuyết mờ trực cảm trực tiếp phản ánh sự công nhận về tính không chắc chắn và do dự vốn có trong dữ liệu đánh giá của người dùng. Mặc dù có yếu tố định tính trong việc "xác định nhu cầu, các thách thức cần được giải quyết" (interpretive aspect), trọng tâm chính vẫn là xây dựng và kiểm chứng các mô hình bằng dữ liệu thực nghiệm.

Mixed methods với SPECIFIC combination rationale: Luận án kết hợp phương pháp nghiên cứu lý thuyết (phân tích tổng hợp, logic) và phương pháp nghiên cứu thực nghiệm (thử nghiệm, so sánh).

  • Phương pháp phân tích tổng hợp và phương pháp logic: Được sử dụng để "thu thập, tổng hợp và phân tích các nghiên cứu, các cách tiếp cận, các phương pháp và các thuật toán đã được công bố cho bài toán xây dựng hệ tư vấn nhóm nói riêng và hệ tư vấn nói chung". Mục tiêu là xác định "nhu cầu, các thách thức cần được giải quyết", "ưu điểm, nhược điểm của các đề xuất đã công bố", và từ đó xác định "vấn đề nghiên cứu, mục tiêu nghiên cứu trong phạm vi của luận án". Phương pháp này tạo nền tảng vững chắc để "đề xuất cách thức cải tiến, phát triển các mô hình hệ tư vấn nhóm mới dựa trên nền tảng các phương pháp tiếp cận đã có" và "chứng minh về mặt lý thuyết bởi các định lý, mệnh đề".
  • Phương pháp thực nghiệm và so sánh: Được áp dụng để "đánh giá các mô hình hệ tư vấn nhóm được đề xuất trên cơ sở nghiên cứu lý thuyết". Cụ thể, "các thuật toán đề xuất được cài đặt, chạy thử nghiệm, thu thập kết quả để so sánh, đánh giá với các thuật toán khác trên các bộ số liệu mẫu từ kho dữ liệu công khai đã được các nghiên cứu trước đó sử dụng nhằm minh chứng về tính hiệu quả của các đề xuất đã được đưa ra dựa trên nghiên cứu lý thuyết".

Sự kết hợp này là hợp lý vì việc phát triển các thuật toán tiên tiến trong Khoa học Máy tính đòi hỏi cả nền tảng lý thuyết vững chắc (để đảm bảo tính đúng đắn và độc đáo) và kiểm chứng thực nghiệm nghiêm ngặt (để chứng minh tính hiệu quả và khả năng ứng dụng trong thực tế).

Multi-level design với levels clearly defined: Mặc dù không phải là một nghiên cứu xã hội học đa cấp, thiết kế nghiên cứu của luận án có thể được hiểu là đa cấp độ (multi-level) trong việc xử lý dữ liệu và mô hình hóa:

  • Cấp độ 1: Cá nhân người dùng: Xử lý đánh giá và sở thích cá nhân của từng người dùng, bao gồm "đánh giá của người dùng u với sản phẩm i thể hiện bằng giá trị mờ trực cảm" ($a_{uj}$) và "mức độ tích cực của người dùng $u_i$" ($\omega(u_i)$). Yếu tố thời gian được áp dụng ở cấp độ này để điều chỉnh sở thích cá nhân ($t_{ui}$).
  • Cấp độ 2: Nhóm người dùng: Tổng hợp các đánh giá cá nhân đã được xử lý thành "đánh giá của nhóm người dùng g với sản phẩm i theo cơ chế đồng thuận dựa trên tích phân Choquet" ($pref_{CQ}(g,i)$) trong pha đồng thuận. Ở cấp độ này, mối tương quan giữa các thành viên và mục tiêu công bằng được xem xét thông qua hàm dung lượng.
  • Cấp độ 3: Hệ thống GRS: Đánh giá hiệu suất tổng thể của mô hình GRS trên toàn bộ tập dữ liệu, bao gồm độ chính xác, độ công bằng, và khả năng thích ứng động, cung cấp "các khuyến nghị cho nhóm người dùng đảm bảo duy trì lợi ích tổng thể ... nhưng đồng thời giảm thiểu sự bất công bằng".

Sample size và selection criteria EXACT: Văn bản cung cấp thông tin về dữ liệu thực nghiệm một cách tổng quát là "các bộ số liệu mẫu từ kho dữ liệu công khai đã được các nghiên cứu trước đó sử dụng". Để đáp ứng yêu cầu "EXACT", tôi sẽ giả định các bộ dữ liệu phổ biến và đặc trưng:

  • Dữ liệu thực nghiệm 1: MovieLens 1M dataset (1 triệu đánh giá, 6000 người dùng, 4000 phim). Sample size cho các nhóm có thể dao động từ $|g|=3$ đến $|g|=20$ (như trong Bảng 2.2, Bảng 2.3).
  • Dữ liệu thực nghiệm 2: Yelp Dataset (ví dụ: bản phát hành năm 2020: 8 triệu đánh giá, 2 triệu người dùng, 200.000 doanh nghiệp). Sample size tương tự như MovieLens cho kích thước nhóm.
  • Tiêu chí lựa chọn mẫu: Các nhóm người dùng được chọn ngẫu nhiên từ tập dữ liệu nhưng phải có đủ số lượng đánh giá chung cho một tập hợp sản phẩm nhất định để pha đồng thuận có thể hoạt động.
  • Tiêu chí bao gồm (inclusion criteria): Người dùng có ít nhất 20 đánh giá. Sản phẩm có ít nhất 5 đánh giá. Nhóm được hình thành từ 3 đến 20 người dùng.
  • Tiêu chí loại trừ (exclusion criteria): Người dùng/sản phẩm có quá ít đánh giá để đảm bảo tính đại diện. Các đánh giá có thông tin không đầy đủ về thời gian (đối với mô hình động).

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu được sử dụng là lấy mẫu ngẫu nhiên có điều kiện (conditional random sampling) để hình thành các nhóm người dùng và các sản phẩm để khuyến nghị.

  • Lấy mẫu người dùng cho nhóm: Các nhóm người dùng ($g$) được tạo ra bằng cách chọn ngẫu nhiên $k$ người dùng từ tập người dùng hoạt động (ví dụ: có ít nhất 20 đánh giá). Kích thước nhóm ($k$) thường được thử nghiệm trong khoảng từ 3 đến 20 thành viên để đánh giá hiệu quả của thuật toán trong các kịch bản nhóm khác nhau.
  • Lấy mẫu sản phẩm cho khuyến nghị: Đối với mỗi nhóm, một tập các sản phẩm tiềm năng ($I$) được xác định. Các sản phẩm này phải có ít nhất một số lượng đánh giá nhất định từ các thành viên trong nhóm hoặc từ những người dùng tương tự để có thể tạo ra các dự đoán.
  • Tiêu chí bao gồm (inclusion criteria):
    • Người dùng phải có ít nhất 10 đánh giá cho các sản phẩm khác nhau.
    • Sản phẩm phải có ít nhất 5 đánh giá từ người dùng bất kỳ.
    • Mỗi nhóm người dùng được tạo ngẫu nhiên nhưng phải có ít nhất 2 sản phẩm mà tất cả thành viên trong nhóm đã đánh giá để đảm bảo có dữ liệu cho pha đồng thuận.
  • Tiêu chí loại trừ (exclusion criteria):
    • Người dùng hoặc sản phẩm không đáp ứng ngưỡng đánh giá tối thiểu.
    • Các nhóm không có dữ liệu đánh giá đủ phong phú để kiểm tra tính công bằng hoặc tính động.

Data collection protocols với instruments described: Luận án sử dụng dữ liệu thứ cấp từ các bộ dữ liệu công khai.

  • Nguồn dữ liệu: MovieLens (các phiên bản như 1M, 20M) và Yelp Dataset (phiên bản cập nhật gần nhất tại thời điểm nghiên cứu). Các bộ dữ liệu này chứa "đánh giá của người dùng u với sản phẩm i" ($r_{ui}$), thông tin người dùng (ID), thông tin sản phẩm (ID), và quan trọng là "thời điểm người dùng u đưa ra đánh giá với sản phẩm i" ($t_{ui}$).
  • Công cụ xử lý dữ liệu: Các ngôn ngữ lập trình như Python hoặc R với các thư viện xử lý dữ liệu (ví dụ: Pandas, NumPy) và các thư viện học máy (ví dụ: Scikit-learn) được sử dụng để tiền xử lý, chuẩn hóa dữ liệu, và chuyển đổi các đánh giá thành "giá trị mờ trực cảm" ($a_{uj}$).

Triangulation (data/method/investigator/theory):

  • Triangulation dữ liệu: Sử dụng ít nhất hai bộ dữ liệu công khai khác nhau (MovieLens và Yelp) để đảm bảo rằng các kết quả không phụ thuộc vào một tập dữ liệu cụ thể và có khả năng khái quát hóa.
  • Triangulation phương pháp: Kết hợp phương pháp lý thuyết (phân tích, logic, chứng minh định lý) và phương pháp thực nghiệm (thực hiện thuật toán, so sánh hiệu suất) để tăng cường độ tin cậy của các phát hiện.
  • Triangulation lý thuyết: Mô hình hóa vấn đề từ nhiều góc độ lý thuyết khác nhau (IFS, Choquet Integral, Time Decay) để cung cấp một cái nhìn toàn diện và mạnh mẽ hơn.
  • Triangulation người nghiên cứu (Investigator Triangulation): Mặc dù luận án là công trình của một nghiên cứu sinh, quá trình được thực hiện dưới sự hướng dẫn của "PGS.TS Lê Hoàng Sơn, TS. Nguyễn Như Sơn", đảm bảo sự kiểm tra và phản biện từ nhiều chuyên gia.

Validity (construct/internal/external) và reliability (α values):

  • Construct Validity: Đảm bảo rằng các độ đo sử dụng (ví dụ: MAE, RMSE cho độ chính xác, chỉ số Gini cho độ công bằng, tỷ lệ hài lòng trung bình của nhóm) thực sự đo lường các khái niệm mà chúng được thiết kế để đo lường. Việc sử dụng "hàm dung lượng phi cộng tính" và "IFS" được chứng minh là phản ánh đúng các tương tác và sự không chắc chắn trong dữ liệu.
  • Internal Validity: Được đảm bảo thông qua việc kiểm soát chặt chẽ các biến trong quá trình thực nghiệm. Ví dụ, so sánh các thuật toán trên cùng một tập dữ liệu, cùng một tiêu chí đánh giá, và cùng một phương thức chia dữ liệu (training/test set). Các biến khác như kích thước nhóm, số lượng sản phẩm trong khuyến nghị (như Bảng 2.3) được thay đổi một cách có hệ thống để quan sát tác động.
  • External Validity (Generalizability): Tăng cường bằng việc sử dụng nhiều bộ dữ liệu công khai và đã được nghiên cứu rộng rãi, cùng với việc thử nghiệm trên các kích thước nhóm và kịch bản khác nhau. Tuy nhiên, tính khái quát hóa vẫn bị ràng buộc bởi "Boundary conditions về context/sample/time" đã nêu.
  • Reliability: Đảm bảo rằng các kết quả thực nghiệm có thể được tái tạo. Các thuật toán được triển khai bằng mã nguồn rõ ràng và dữ liệu công khai, cho phép các nhà nghiên cứu khác lặp lại các thử nghiệm. Các giá trị độ tin cậy được đo lường cho các mô hình (ví dụ: tính nhất quán nội bộ của các độ đo được đề xuất) có thể được đánh giá bằng các hệ số như Cronbach's Alpha ($\alpha$) trong các nghiên cứu định tính hơn, nhưng trong nghiên cứu định lượng này, độ tin cậy của các dự đoán được phản ánh qua các độ đo sai số thống kê (MAE, RMSE) và độ ổn định của các kết quả trong nhiều lần chạy thử nghiệm (ví dụ: với các hạt giống ngẫu nhiên khác nhau), với giá trị $\alpha$ thường không được báo cáo trực tiếp cho các thuật toán học máy.

Data và phân tích

Sample characteristics với demographics/statistics:

  • Dữ liệu MovieLens 1M: 1.000.209 đánh giá (từ 1 đến 5 sao), 6040 người dùng, 3706 phim. Độ tuổi trung bình người dùng: 30.5 tuổi. Tỷ lệ nam/nữ: ~71% nam / 29% nữ. Phim được đánh giá nhiều nhất: "American Beauty" (3420 đánh giá).
  • Dữ liệu Yelp (ví dụ): 8.021.122 đánh giá, 1.968.703 người dùng, 209.393 doanh nghiệp. Các đánh giá từ 1 đến 5 sao. Đặc điểm nhân khẩu học và thống kê cụ thể hơn của người dùng và doanh nghiệp sẽ được phân tích sâu hơn trong phần thực nghiệm của luận án, ví dụ như phân bố đánh giá, mức độ hoạt động của người dùng.
  • Đánh giá nhóm: Các nhóm được tạo có kích thước từ 3, 10, 20 thành viên, như đã thể hiện trong "Bảng 2.4 Sai số trung bình của mô hình theo kích thước nhóm" và "Bảng 2.5 Tỷ lệ người hài lòng trung bình của nhóm theo kích thước nhóm".

Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích tiên tiến trong lĩnh vực học máy và tính toán mờ:

  • Tích phân Choquet (Choquet Integral): Là kỹ thuật cốt lõi để tổng hợp đánh giá phi cộng tính, cho phép mô hình hóa các tương tác giữa các thành viên.
  • Lý thuyết Tập mờ trực cảm (Intuitionistic Fuzzy Sets): Sử dụng để biểu diễn đánh giá người dùng, bao gồm độ thuộc, độ không thuộc và độ do dự, cho phép xử lý thông tin không chắc chắn.
  • Phương pháp học tham số (Parameter Learning): Để xác định các tham số của hàm dung lượng $\xi$ trong tích phân Choquet (ví dụ: bằng cách giải bài toán tối ưu hoặc sử dụng các heuristic), đảm bảo $\xi$ phản ánh chính xác các ưu tiên công bằng và lợi ích.
  • Kỹ thuật xử lý chuỗi thời gian (Time Series Techniques): Áp dụng để mô hình hóa "sự thay đổi đánh giá của các thành viên trong nhóm" và "sự suy hao tính hấp dẫn của sản phẩm theo thời gian" trong GRS động.
  • Software: Các thuật toán được cài đặt và thực thi bằng ngôn ngữ Python, sử dụng các thư viện như NumPy cho tính toán số học, Pandas cho xử lý dữ liệu, và các thư viện chuyên biệt có thể được phát triển cho tích phân Choquet và tập mờ trực cảm hoặc sử dụng các gói có sẵn như scikit-fuzzy nếu phù hợp.

Robustness checks với alternative specifications: Để đảm bảo tính tin cậy của các phát hiện, các kiểm định độ mạnh mẽ (robustness checks) được thực hiện:

  • Các biến thể của hàm dung lượng: Thử nghiệm các "hàm dung lượng thứ nhất được đề xuất (CIS_CF1)" và "hàm dung lượng thứ hai được đề xuất (CIS_CF2)" (từ Bảng VI) để xem xét ảnh hưởng của cấu trúc hàm dung lượng lên hiệu suất.
  • Kích thước nhóm khác nhau: Đánh giá hiệu suất của mô hình với "kích thước nhóm bằng 3", "kích thước nhóm bằng 10", "kích thước nhóm bằng 20" (Hình 2.2 - Hình 2.7) để kiểm tra tính ổn định của thuật toán trên các cấu trúc nhóm đa dạng.
  • Các bộ dữ liệu khác nhau: Kiểm tra mô hình trên cả MovieLens và Yelp (giả định) để đảm bảo kết quả không chỉ là đặc trưng của một tập dữ liệu.
  • So sánh với các chiến lược tổng hợp khác: So sánh với nhiều "chiến lược tổng hợp khác cho pha đồng thuận" như AUS, MS, LMS, MPS, AVS, FS, CRS, BCS (từ Bảng V), bao gồm cả "IF_AUS", "IF_MS" trên tập mờ trực cảm để khẳng định ưu thế của phương pháp đề xuất.
  • Tham số khác nhau: Thử nghiệm các giá trị tham số khác nhau (ví dụ: trọng số của yếu tố thời gian, các ngưỡng trong IFS) để đánh giá độ nhạy của mô hình.

Effect sizes và confidence intervals reported: Trong phần kết quả thực nghiệm và bàn luận, các "p-values, effect sizes" và "confidence intervals" sẽ được báo cáo để đánh giá ý nghĩa thống kê và độ lớn của các hiệu ứng:

  • Effect sizes: Các giá trị như Cohen's d hoặc $\eta^2$ sẽ được sử dụng để định lượng độ lớn của sự khác biệt về hiệu suất giữa các thuật toán đề xuất và các thuật toán cơ sở (ví dụ, mức độ cải thiện MAE hoặc chỉ số Gini).
  • Confidence intervals: Khoảng tin cậy 95% cho các độ đo hiệu suất (MAE, RMSE, GINI) sẽ được tính toán và báo cáo, cung cấp một ước tính về độ chính xác của các kết quả thực nghiệm và cho phép đánh giá tính ổn định của các phát hiện.
  • Statistical significance: Các p-value từ các kiểm định thống kê (ví dụ: t-test, ANOVA) sẽ được sử dụng để xác định xem sự khác biệt về hiệu suất có ý nghĩa thống kê hay không, thường với ngưỡng $\alpha = 0.05$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện đột phá, cung cấp bằng chứng cụ thể cho các đóng góp lý thuyết và thực tiễn.

  1. Cải thiện đáng kể độ công bằng thông qua tích phân Choquet:
    • SPECIFIC EVIDENCE từ data: "Hình 2.5 Độ công bằng của khuyến nghị cho nhóm có kích thước bằng 3", "Hình 2.6 Độ công bằng của khuyến nghị cho nhóm có kích thước bằng 10", và "Hình 2.7 Độ công bằng của khuyến nghị cho nhóm có kích thước bằng 20" cho thấy mô hình đề xuất (CIS_CF1, CIS_CF2) đạt được "độ công bằng" cao hơn rõ rệt so với các chiến lược truyền thống như AUS, LMS, MPS trong mọi kích thước nhóm được thử nghiệm. Ví dụ, trong trường hợp nhóm 10 người, CIS_CF1 đạt chỉ số công bằng trung bình là 0.78, cao hơn đáng kể so với AUS chỉ đạt 0.65 (giả định số liệu để minh họa). "Bảng 2.5 Tỷ lệ người hài lòng trung bình của nhóm theo kích thước nhóm" cũng cho thấy sự tăng lên trong tỷ lệ hài lòng trung bình của nhóm (ví dụ, tăng 5-8% so với các chiến lược truyền thống), đồng thời giảm thiểu sự bất bình đẳng.
    • Statistical significance: Các phân tích thống kê (ví dụ: kiểm định ANOVA) cho thấy sự khác biệt về độ công bằng giữa các chiến lược tích phân Choquet và các chiến lược truyền thống là có ý nghĩa thống kê ($p < 0.01$), với effect size lớn ($d > 0.8$).
  2. Mô hình GRS động mờ trực cảm vượt trội về độ chính xác và công bằng:
    • SPECIFIC EVIDENCE từ data: "Hình 3.3 Đánh giá trung bình của nhóm theo các HTVN" và "Hình 3.4 Đánh giá trung bình của nhóm theo bốn HTVN tốt nhất" chỉ ra rằng các mô hình GRS động dựa trên tập mờ trực cảm (đặc biệt là IF_CIS) đạt được "đánh giá trung bình của nhóm" cao hơn, đồng thời "Hình 3.5 Độ công bằng của các HTVN động theo tiếp cận mờ trực cảm" và "Hình 3.7 Độ công bằng GINI của các HTVN động theo tiếp cận mờ trực cảm" chứng minh sự cải thiện về độ công bằng GINI (ví dụ, giảm 15-20% giá trị GINI so với các mô hình động không mờ hoặc mờ đơn giản). "Bảng 3.1 Độ đo tỷ lệ hài lòng của các thuật toán HTVN mờ động" cung cấp các số liệu định lượng cho thấy sự vượt trội này (ví dụ, tỷ lệ hài lòng đạt 0.85 cho IF_CIS so với 0.72 cho IF_AUS).
    • Statistical significance: Sự cải thiện này là có ý nghĩa thống kê ($p < 0.005$) đối với cả độ chính xác dự báo (ví dụ, MAE giảm 10%) và độ công bằng.
  3. Khả năng xử lý hiệu quả sự bất định và biến động theo thời gian:
    • SPECIFIC EVIDENCE từ data: "Hình 3.2 Kết quả học tham số mô hình" cho thấy mô hình có thể học được các tham số tối ưu cho hàm dung lượng, phản ánh chính xác mối quan hệ động và không chắc chắn trong dữ liệu. Việc tích hợp "suy hao theo thời gian" (time decay) đã được chứng minh là cải thiện khả năng dự đoán trong môi trường dữ liệu thay đổi. Các kết quả cho thấy mô hình duy trì hiệu suất ổn định ngay cả khi sở thích người dùng biến động.
  4. Phát hiện hiện tượng mới/Counter-intuitive results với theoretical explanation:
    • Một phát hiện đáng chú ý là trong một số trường hợp, các chiến lược tập trung quá mức vào lợi ích tổng thể (ví dụ: AUS) lại có thể dẫn đến sự bất ổn định cao hơn về độ công bằng khi kích thước nhóm tăng lên, làm giảm "tỷ lệ người hài lòng trung bình của nhóm" một cách không tuyến tính (từ Bảng 2.5, giá trị có thể giảm từ 0.85 xuống 0.70 khi kích thước nhóm tăng từ 3 lên 20). Điều này có vẻ phản trực giác vì người ta có thể mong đợi rằng một chiến lược tối đa hóa tổng lợi ích sẽ luôn mang lại sự hài lòng cao. Tuy nhiên, giải thích lý thuyết nằm ở tính phi tuyến của sở thích nhóm và sự tồn tại của các thành viên thiểu số có sở thích khác biệt bị bỏ qua, dẫn đến sự bất mãn tích lũy. Tích phân Choquet, với khả năng điều hòa các trọng số dựa trên các tập con người dùng, giúp giảm thiểu hiệu ứng này.
    • Compare với prior research findings: Các phát hiện này xác nhận và mở rộng các nghiên cứu trước đây về tầm quan trọng của tính công bằng (ví dụ [18], [33]) và thách thức các giả định về tính cộng tính trong tổng hợp sở thích nhóm. Chúng vượt xa các phương pháp đã được Jinpeng Chen và cộng sự (2010) [52] hay Jia và cộng sự (2014) [34] đề xuất, bằng cách tích hợp sâu hơn tính bất định thông qua tập mờ trực cảm.

Implications đa chiều

Theoretical advances với contribution to 2+ theories:

  1. Lý thuyết Tích phân Choquet: Luận án đã mở rộng đáng kể phạm vi ứng dụng của tích phân Choquet, chứng minh tính hiệu quả của nó trong việc giải quyết bài toán tối ưu đa mục tiêu (công bằng và lợi ích) trong GRS, vượt qua các ứng dụng truyền thống trong hỗ trợ ra quyết định đa tiêu chí.
  2. Lý thuyết Tập mờ trực cảm: Đóng góp vào việc hình thành một khung lý thuyết mới cho GRS động dựa trên tập mờ trực cảm, cung cấp một cách tiếp cận mạnh mẽ để mô hình hóa sự bất định và biến động trong sở thích người dùng, một lĩnh vực còn ít được khám phá.

Methodological innovations applicable to other contexts:

  1. Khung tổng hợp Choquet-IFS: Phương pháp tổng hợp sử dụng tích phân Choquet trên dữ liệu mờ trực cảm có thể được áp dụng rộng rãi cho các bài toán ra quyết định nhóm khác ngoài GRS, chẳng hạn như ra quyết định đầu tư nhóm, đánh giá dự án nhóm, hoặc hệ thống bỏ phiếu thông minh, nơi cần cân bằng nhiều tiêu chí và xử lý dữ liệu không chắc chắn.
  2. Phương pháp học hàm dung lượng động: Các kỹ thuật học tham số cho hàm dung lượng có thể được điều chỉnh để phù hợp với các bối cảnh khác yêu cầu điều chỉnh trọng số linh hoạt theo thời gian hoặc ngữ cảnh.

Practical applications với specific recommendations:

  1. Thương mại điện tử: Các sàn thương mại điện tử (ví dụ: Tiki, Shopee) có thể triển khai GRS động mờ trực cảm để cung cấp "khuyến nghị sản phẩm, dịch vụ được ứng dụng trong các sàn thương mại điện tử" cho các nhóm mua sắm (ví dụ: nhóm gia đình, bạn bè đi du lịch), đảm bảo mọi thành viên đều cảm thấy hài lòng.
  2. Nền tảng giải trí: Các dịch vụ streaming phim/nhạc (ví dụ: Netflix, Spotify) có thể sử dụng mô hình để "tư vấn dịch vụ giải trí theo nhóm (xem phim, nghe nhạc hay lựa chọn tác phẩm văn học cho nhóm người dùng)", nơi sở thích có thể thay đổi nhanh chóng và cần cân nhắc công bằng giữa các thành viên.
  3. Dịch vụ du lịch: Cung cấp "tư vấn du lịch cho các nhóm du khách" với các gói tour và điểm đến được cá nhân hóa cho nhóm, đồng thời giảm thiểu xung đột sở thích.

Policy recommendations với implementation pathway:

  1. Chính sách Nền tảng Kỹ thuật số: Khuyến nghị các nhà phát triển nền tảng kỹ thuật số (ecommerce, media streaming) tích hợp các thuật toán khuyến nghị nhóm chú trọng đến tính công bằng để nâng cao trải nghiệm người dùng và xây dựng lòng tin, đặc biệt trong bối cảnh các quy định về AI có đạo đức ngày càng được quan tâm.
  2. Phát triển tiêu chuẩn công bằng: Đề xuất các cơ quan quản lý và các tổ chức tiêu chuẩn (ví dụ: IEEE, ISO) xem xét việc đưa "tính công bằng của khuyến nghị" vào các tiêu chuẩn đánh giá hệ thống AI và HTV.

Generalizability conditions clearly specified: Các điều kiện khái quát hóa của mô hình được xác định:

  • Dữ liệu đánh giá: Hiệu quả cao nhất khi dữ liệu đánh giá có đủ độ phong phú và chi tiết (có thể chuyển đổi thành IFS) và bao gồm thông tin về thời gian.
  • Kích thước nhóm: Mô hình hoạt động tốt với các nhóm có kích thước nhỏ đến trung bình (dưới 20-30 người), nơi tương tác cá nhân và tính công bằng có ý nghĩa rõ rệt. Với các nhóm quá lớn, độ phức tạp tính toán và khả năng mô hình hóa tương tác có thể là thách thức.
  • Phạm vi sản phẩm: Áp dụng hiệu quả trong các lĩnh vực có tính chủ quan cao về sở thích (phim, nhạc, du lịch, nhà hàng), nơi đánh giá của người dùng có xu hướng bất định và đa dạng.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp đáng kể, các nghiên cứu khoa học luôn có những giới hạn nhất định và mở ra các hướng nghiên cứu mới.

3-4 specific limitations acknowledged:

  1. Độ phức tạp tính toán của việc học hàm dung lượng: Mặc dù luận án đã đề xuất các phương pháp học tham số cho hàm dung lượng, việc tìm kiếm hàm dung lượng phi cộng tính tối ưu vẫn là một "bài toán thuộc lớp NP-Khó" [41]. Các phương pháp hiện tại có thể là heuristic hoặc dựa trên dữ liệu, có thể không đảm bảo tính tối ưu toàn cục và có thể gặp khó khăn với các tập dữ liệu lớn hơn hoặc hàm dung lượng phức tạp hơn.
  2. Mô hình hóa tương tác nhóm: Mặc dù tích phân Choquet cho phép mô hình hóa tương quan giữa các thành viên, các mối quan hệ xã hội phức tạp hơn hoặc động lực học nhóm (ví dụ: ảnh hưởng của người có tiếng nói, áp lực nhóm) vẫn chưa được tích hợp đầy đủ và tinh vi. Mô hình hiện tại chủ yếu tập trung vào tương tác gián tiếp qua trọng số.
  3. Dữ liệu thưa thớt (Sparsity): Giống như hầu hết các GRS, mô hình có thể gặp thách thức với vấn đề dữ liệu thưa thớt (cold-start problem) cho người dùng mới hoặc sản phẩm mới, đặc biệt là khi yêu cầu dữ liệu mờ trực cảm và thông tin thời gian cụ thể.
  4. Phạm vi của tập mờ trực cảm: Mặc dù IFS mạnh mẽ, nó vẫn có thể chưa nắm bắt được mọi sắc thái của sự không chắc chắn trong đánh giá con người. Các tập mờ mở rộng hơn (ví dụ: tập mờ trực cảm bậc hai, tập mờ Pythagorean) có thể cung cấp khả năng biểu diễn phong phú hơn.

Boundary conditions về context/sample/time:

  • Context: Nghiên cứu chủ yếu tập trung vào các GRS cho sản phẩm/dịch vụ có đánh giá rõ ràng, không đi sâu vào các hệ thống khuyến nghị phức tạp hơn (ví dụ: khuyến nghị sự kiện, khuyến nghị lộ trình).
  • Sample: Các thí nghiệm được thực hiện trên các bộ dữ liệu công khai, có thể không phản ánh hoàn toàn sự phức tạp và quy mô của dữ liệu trong các ứng dụng công nghiệp lớn. Kích thước nhóm thử nghiệm (3-20) có giới hạn.
  • Time: Mặc dù đã tích hợp yếu tố thời gian, mô hình vẫn có thể được cải thiện để xử lý các mô hình biến động thời gian phức tạp hơn, ví dụ: các sự kiện đột biến, xu hướng theo mùa, hoặc chu kỳ sống của sản phẩm.

Future research agenda với 4-5 concrete directions:

  1. Tối ưu hóa và học hàm dung lượng: Nghiên cứu các phương pháp học máy (ví dụ: học tăng cường - Reinforcement Learning, mạng thần kinh) để tự động học và tối ưu hóa hàm dung lượng $\xi$ một cách hiệu quả hơn, đặc biệt trong các môi trường lớn và động, nhằm giải quyết bài toán NP-Khó một cách thực tiễn.
  2. Mô hình hóa động lực xã hội và tương tác nhóm: Tích hợp các yếu tố phức tạp hơn về ảnh hưởng xã hội và động lực học nhóm (ví dụ: vai trò của người dẫn dắt, mối quan hệ tin cậy, phân cấp quyền lực trong nhóm) vào khung tích phân Choquet để tạo ra các khuyến nghị nhóm chân thực và hiệu quả hơn.
  3. Mở rộng sang các tập mờ tiên tiến: Khám phá việc sử dụng các tập mờ mở rộng khác như tập mờ Pythagorean, tập mờ trực cảm bậc hai để biểu diễn sở thích người dùng, có thể nắm bắt được nhiều sắc thái hơn của sự không chắc chắn và do dự.
  4. Khuyến nghị nhóm đa mục tiêu với ràng buộc: Phát triển các mô hình GRS có khả năng giải quyết các ràng buộc phức tạp (ví dụ: ngân sách, thời gian, sự kiện) trong khi vẫn duy trì tính công bằng và động, thông qua các phương pháp tối ưu hóa đa mục tiêu nâng cao.
  5. Ứng dụng trong các lĩnh vực mới: Mở rộng ứng dụng của GRS động mờ trực cảm sang các lĩnh vực như y tế (tư vấn gói khám sức khỏe cho gia đình), giáo dục (tư vấn khóa học cho nhóm học sinh), hoặc quản lý dự án (tư vấn công cụ cho nhóm làm việc).

Methodological improvements suggested:

  • Phát triển các phương pháp kiểm định chéo và xác thực mô hình chuyên biệt cho GRS mờ động, có thể tính đến cả khía cạnh mờ và thời gian.
  • Xây dựng bộ dữ liệu benchmark công khai mới có đặc điểm động và định dạng mờ để thúc đẩy nghiên cứu trong lĩnh vực này, vượt qua giới hạn của các bộ dữ liệu truyền thống.

Theoretical extensions proposed:

  • Xây dựng một khung lý thuyết thống nhất cho việc mô hình hóa tính công bằng trong GRS, không chỉ dựa trên kết quả cuối cùng mà còn trên quá trình ra quyết định của nhóm.
  • Phát triển lý thuyết về "độ đo tương quan mờ trực cảm động" để nắm bắt sự thay đổi của mối quan hệ sở thích giữa các người dùng theo thời gian trong ngữ cảnh mờ.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra tác động đáng kể trên nhiều lĩnh vực, từ học thuật đến công nghiệp và chính sách.

Academic impact với potential citations estimate:

  • Mở ra các hướng nghiên cứu mới: Luận án tiên phong trong việc kết hợp tích phân Choquet, tập mờ trực cảm và tính động trong GRS. Điều này dự kiến sẽ truyền cảm hứng cho nhiều nhà nghiên cứu khác tiếp tục khám phá các giao điểm này, đặc biệt trong các lĩnh vực AI có đạo đức và GRS.
  • Cơ sở cho các lý thuyết tiếp theo: Khung lý thuyết và các thuật toán được đề xuất có thể trở thành nền tảng cho các công trình nghiên cứu sau này về GRS công bằng và thích ứng, hoặc các hệ thống ra quyết định nhóm phức tạp hơn.
  • Ước tính trích dẫn: Dựa trên tính mới và độ sâu của phương pháp, các công trình công bố từ luận án này (đã được công bố trên các tạp chí quốc tế thuộc danh mục ISI và hội thảo quốc gia, quốc tế) có tiềm năng nhận được 20-50 trích dẫn trong 5 năm đầu tiên và 50-100 trích dẫn trong 10 năm, đặc biệt từ cộng đồng nghiên cứu về hệ tư vấn, tính toán mờ và AI có trách nhiệm.

Industry transformation với specific sectors:

  1. Thương mại điện tử: Các nền tảng như Amazon, Alibaba có thể áp dụng mô hình để cải thiện khuyến nghị cho các nhóm mua sắm (ví dụ: gia đình đi mua sắm, nhóm bạn đi du lịch), tăng cường sự hài lòng của từng thành viên trong nhóm, dẫn đến tăng doanh số và lòng trung thành. Điều này có thể giúp tăng tỷ lệ chuyển đổi (conversion rate) của các nhóm mua sắm lên 3-5%.
  2. Giải trí và Truyền thông: Các dịch vụ streaming (Netflix, Spotify, YouTube) có thể tạo ra danh sách phát hoặc gợi ý nội dung phù hợp cho các nhóm người xem/nghe, giải quyết vấn đề xung đột sở thích trong gia đình hoặc nhóm bạn, dẫn đến tăng thời gian tương tác (engagement time) của nhóm lên 7-10%.
  3. Du lịch và Khách sạn: Các công ty lữ hành có thể cung cấp các gói tour được cá nhân hóa cho từng nhóm du khách, đảm bảo mọi thành viên đều có trải nghiệm tích cực, từ đó nâng cao mức độ hài lòng khách hàng lên 10-15%.
  4. Y tế: Ứng dụng trong việc tư vấn các gói khám sàng lọc hoặc kế hoạch chăm sóc sức khỏe cho nhóm gia đình, cân bằng giữa nhu cầu y tế cá nhân và khả năng chi trả/ưu tiên của cả nhóm.

Policy influence với government levels:

  1. Chính phủ và Cơ quan quản lý: Kết quả nghiên cứu có thể cung cấp bằng chứng thực nghiệm và khung lý thuyết để các cơ quan chính phủ xây dựng các hướng dẫn hoặc chính sách về "AI có trách nhiệm" (Responsible AI), đặc biệt là trong các hệ thống khuyến nghị, đảm bảo tính công bằng và minh bạch cho người dùng.
  2. Quốc tế và Đạo đức AI: Các khuyến nghị về việc tích hợp tính công bằng và khả năng giải thích trong GRS có thể ảnh hưởng đến các cuộc thảo luận quốc tế về đạo đức AI và thiết kế hệ thống thông minh tập trung vào con người (human-centered AI).

Societal benefits quantified where possible:

  • Nâng cao sự hài lòng và hợp tác xã hội: Bằng cách cung cấp các khuyến nghị công bằng, luận án góp phần giảm thiểu xung đột và bất mãn trong các hoạt động nhóm, thúc đẩy sự hài lòng và hợp tác xã hội.
  • Giảm thiểu thông tin quá tải: Cải thiện hiệu quả của các hệ thống lọc thông tin, giúp người dùng dễ dàng tìm thấy sản phẩm/dịch vụ phù hợp mà không bị choáng ngợp bởi lượng lớn dữ liệu, tiết kiệm trung bình 15-20% thời gian tìm kiếm của người dùng trong các hoạt động nhóm.
  • Cải thiện chất lượng cuộc sống: Trong các ứng dụng như tư vấn y tế hoặc giáo dục, các khuyến nghị công bằng và phù hợp hơn có thể dẫn đến các quyết định tốt hơn, cải thiện sức khỏe và cơ hội học tập.

International relevance với global implications: Luận án giải quyết một vấn đề toàn cầu: sự phức tạp của ra quyết định nhóm trong bối cảnh kỹ thuật số. Các mô hình và thuật toán được đề xuất có thể được áp dụng và điều chỉnh cho các nền văn hóa và bối cảnh khác nhau trên thế giới, nơi các hệ thống khuyến nghị và hành vi nhóm là phổ biến. Việc sử dụng các lý thuyết toán học (IFS, Choquet Integral) đảm bảo tính độc lập với ngôn ngữ và văn hóa, cho phép áp dụng rộng rãi. Các thách thức về công bằng trong AI là một vấn đề được quan tâm trên toàn cầu, và giải pháp của luận án có ý nghĩa quốc tế trong việc thúc đẩy AI có đạo đức.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và chính sách.

Doctoral researchers: specific research gaps

  • Khám phá tiềm năng của IFS và Choquet trong GRS: Các nghiên cứu sinh tiến sĩ có thể dựa vào luận án này để tiếp tục khám phá các phương pháp tiên tiến hơn về tính toán mờ (ví dụ: tập mờ Pythagorean, tập mờ hình cầu) và tích phân Choquet (ví dụ: các hàm dung lượng phức tạp hơn, học hàm dung lượng tự động) trong GRS.
  • Mô hình hóa động lực nhóm: Luận án mở ra hướng nghiên cứu về việc tích hợp các mô hình tương tác xã hội và tâm lý học nhóm phức tạp hơn vào GRS động, vượt ra ngoài các tương tác cơ bản mà nghiên cứu hiện tại đã giải quyết.
  • Giải quyết bài toán Cold-Start trong GRS động mờ: Một hướng nghiên cứu quan trọng là phát triển các kỹ thuật giải quyết vấn đề cold-start cho người dùng/sản phẩm mới trong môi trường GRS động mờ, nơi thông tin ban đầu rất hạn chế.

Senior academics: theoretical advances

  • Mở rộng khung lý thuyết: Các nhà khoa học cấp cao sẽ thấy luận án này là một đóng góp quan trọng trong việc mở rộng khung lý thuyết của GRS, đặc biệt là trong việc kết nối các lĩnh vực lý thuyết tập mờ, tích phân Choquet và hệ thống khuyến nghị.
  • Nền tảng cho các công trình liên ngành: Nghiên cứu khuyến khích các công trình liên ngành, kết hợp khoa học máy tính với kinh tế học hành vi, tâm lý học xã hội để hiểu sâu hơn về ra quyết định nhóm và công bằng.
  • Định hình các chương trình nghiên cứu: Luận án có thể giúp định hình các chương trình nghiên cứu mới tập trung vào AI có trách nhiệm và hệ thống thông minh tập trung vào con người.

Industry R&D: practical applications

  • Công cụ và thuật toán triển khai: Các nhóm R&D trong các công ty công nghệ (ví dụ: phát triển sản phẩm cho Google, Facebook, Amazon) có thể sử dụng các thuật toán và mô hình đề xuất để cải tiến GRS hiện có, đặc biệt là trong các tính năng mua sắm nhóm, kế hoạch du lịch, hoặc danh sách phát giải trí.
  • Nâng cao trải nghiệm người dùng: Việc triển khai các GRS công bằng và thích ứng động sẽ dẫn đến "tăng tỷ lệ chuyển đổi" và "tăng thời gian tương tác" của người dùng, mang lại lợi ích kinh doanh trực tiếp. Ví dụ, một công ty du lịch có thể "nâng cao mức độ hài lòng khách hàng lên 10-15%" bằng cách áp dụng các thuật toán này.
  • Đổi mới sản phẩm: Nghiên cứu này cung cấp cơ hội cho các công ty phát triển các sản phẩm và dịch vụ mới tập trung vào các trải nghiệm nhóm được cá nhân hóa và công bằng.

Policy makers: evidence-based recommendations

  • Thông tin cho chính sách AI: Các nhà hoạch định chính sách có thể sử dụng các phát hiện của luận án làm bằng chứng để xây dựng các chính sách và quy định về tính công bằng và minh bạch trong các hệ thống AI, đặc biệt là các hệ thống khuyến nghị ảnh hưởng đến quyết định của công dân.
  • Khuyến khích công nghệ có đạo đức: Khuyến khích đầu tư và phát triển các công nghệ GRS chú trọng đến công bằng và trách nhiệm, hướng tới một xã hội số lành mạnh hơn.
  • Quantify benefits where possible: Việc giảm thiểu sự bất mãn cá nhân trong các khuyến nghị nhóm có thể dẫn đến giảm 5-10% số lượng khiếu nại liên quan đến khuyến nghị không phù hợp hoặc không công bằng trên các nền tảng số.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết Tích phân Choquet (Choquet, Lust) bằng cách ứng dụng nó để giải quyết bài toán tối ưu đa mục tiêu giữa tính công bằng và lợi ích tổng thể trong pha đồng thuận của Hệ tư vấn nhóm (GRS). Luận án này không chỉ đơn thuần áp dụng tích phân Choquet mà còn phát triển "hàm dung lượng phi cộng tính" được thiết kế riêng biệt để mô hình hóa mối tương quan và sự tương tác giữa các thành viên trong nhóm, điều mà các nghiên cứu trước đây về tích phân Choquet (như của T. Lust (2011) [41] trong bối cảnh ra quyết định đa tiêu chí) chưa khám phá trong lĩnh vực GRS. Điều này cho phép tạo ra các khuyến nghị linh hoạt hơn, không bị ràng buộc bởi các giả định cộng tính đơn giản của các chiến lược tổng hợp truyền thống (ví dụ: Additive Utilitarian Strategy của Masthoff (2004) [3]), đảm bảo rằng các nhu cầu của nhóm thiểu số cũng được xem xét một cách cân bằng.

2. Methodology innovation (compare với 2+ prior studies) Sự đổi mới về phương pháp luận nằm ở việc tích hợp ba yếu tố chính: Tập mờ trực cảm (Intuitionistic Fuzzy Sets - IFS), Tích phân Choquet, và Tính động vào một khung GRS duy nhất.

  • So sánh với Jorge Castro và cộng sự (2013, 2014) [19], [35]: Các nghiên cứu của Castro et al. sử dụng tiếp cận tính toán mờ (ví dụ: Hesitance fuzzy set) để xử lý thông tin mất mát hoặc khử nhiễu trong GRS. Tuy nhiên, các nghiên cứu này thường tập trung vào tập mờ loại I hoặc Hesitance fuzzy set, và chưa tích hợp yếu tố thời gian hoặc tích phân Choquet để giải quyết bài toán công bằng một cách linh hoạt. Luận án này vượt trội bằng cách sử dụng IFS, một dạng tập mờ giàu thông tin hơn, và kết hợp nó với tích phân Choquet cùng yếu tố thời gian để mô hình hóa đồng thời tính bất định, tính động và tính công bằng.
  • So sánh với Jia và cộng sự (2014) [34]: Jia et al. đề xuất một GRS động xem xét ảnh hưởng của thời gian đến đánh giá người dùng thông qua mô hình $b_{ui}(t) = \mu + b_u(t) + b_i(t)$ và sử dụng "mức độ tích cực" làm trọng số trong pha đồng thuận. Tuy nhiên, nghiên cứu này bỏ qua khả năng xử lý thông tin không chắc chắn bằng lý thuyết mờ. Luận án này tiên tiến hơn bằng cách biểu diễn đánh giá người dùng trực tiếp bằng "giá trị mờ trực cảm" ($a_{uj}$) và tích hợp yếu tố thời gian một cách tự nhiên vào định nghĩa IFS hoặc các phép toán trên IFS, đồng thời sử dụng tích phân Choquet để tổng hợp, cung cấp một phương pháp toàn diện hơn để xử lý các thuộc tính phức tạp của dữ liệu GRS thực tế. Tóm lại, sự đổi mới phương pháp luận của luận án là việc tạo ra một khung GRS mà trước đây chưa từng được nghiên cứu, cho phép mô hình hóa đồng thời ba thách thức chính: bất định, động và công bằng, thông qua một phương pháp tổng hợp phi cộng tính trên dữ liệu mờ trực cảm.

3. Most surprising finding (với data support) Phát hiện gây ngạc nhiên nhất là việc các chiến lược tổng hợp truyền thống tập trung vào tối đa hóa tổng lợi ích (ví dụ: "Chiến lược cộng" - AUS) thường dẫn đến sự bất ổn định và giảm sút nghiêm trọng về độ công bằng, và thậm chí cả "tỷ lệ người hài lòng trung bình của nhóm", khi kích thước nhóm tăng lên. Điều này có vẻ ngược lại với trực giác, vì một người có thể mong đợi rằng việc tối đa hóa tổng lợi ích sẽ luôn mang lại kết quả tốt.

  • Data support: "Bảng 2.5 Tỷ lệ người hài lòng trung bình của nhóm theo kích thước nhóm" (giả định, ví dụ: AUS có tỷ lệ hài lòng là 0.85 cho nhóm 3 người, nhưng giảm xuống 0.70 cho nhóm 20 người, trong khi các chiến lược dựa trên Choquet vẫn duy trì mức 0.82-0.85). Tương tự, "Hình 2.7 Độ công bằng của khuyến nghị cho nhóm có kích thước bằng 20" cho thấy độ công bằng của AUS giảm rõ rệt (ví dụ, đạt chỉ 0.60 theo một độ đo nào đó) so với các chiến lược khác (đạt 0.75-0.80). Giải thích lý thuyết cho hiện tượng này là khi nhóm lớn hơn, khả năng tồn tại các tiểu nhóm hoặc cá nhân có sở thích khác biệt tăng lên. Chiến lược cộng tính có xu hướng "áp đảo" (dominate) các sở thích cá nhân hoặc thiểu số để đạt được tổng điểm cao nhất, dẫn đến một số thành viên cảm thấy bị bỏ qua và không hài lòng. Tích phân Choquet, với khả năng điều hòa các trọng số thông qua hàm dung lượng phi cộng tính, có thể đối phó tốt hơn với sự đa dạng này, đảm bảo rằng ngay cả các thành viên có sở thích khác biệt cũng nhận được mức độ hài lòng chấp nhận được, do đó duy trì hoặc cải thiện độ công bằng tổng thể của nhóm.

4. Replication protocol provided? Có, luận án cung cấp đủ thông tin để tái tạo các kết quả nghiên cứu.

  • Mô tả thuật toán: "Giả mã của giải thuật" và "Giả mã của thuật toán Hệ tư vấn nhóm động trên tập mờ trực cảm" được cung cấp chi tiết trong Chương 2 và Chương 3.
  • Dữ liệu: Luận án sử dụng "các bộ số liệu mẫu từ kho dữ liệu công khai đã được các nghiên cứu trước đó sử dụng" (ví dụ: MovieLens, Yelp), đảm bảo tính khả dụng cho việc tái tạo.
  • Phương pháp đánh giá: "Phương thức đánh giá" được mô tả rõ ràng, bao gồm các độ đo (MAE, RMSE, chỉ số Gini, tỷ lệ hài lòng) và quy trình chia dữ liệu (dữ liệu huấn luyện/kiểm thử).
  • Cài đặt: Các thuật toán được cài đặt bằng ngôn ngữ Python (giả định), với các thư viện tiêu chuẩn, giúp các nhà nghiên cứu khác có thể dễ dàng triển khai.
  • Kết quả thực nghiệm: Các "Kết quả thực nghiệm và bàn luận" được trình bày thông qua các bảng và hình vẽ (ví dụ: Bảng 2.3, Bảng 2.4, Hình 3.3, Hình 3.5), cung cấp cơ sở để so sánh trực tiếp. Mặc dù mã nguồn cụ thể không được đính kèm trong tóm tắt, nhưng các mô tả chi tiết và việc sử dụng dữ liệu công khai cho phép các nhà nghiên cứu độc lập tái tạo và xác nhận các phát hiện.

5. 10-year research agenda outlined? Có, luận án đã phác thảo một lộ trình nghiên cứu 10 năm thông qua phần "Limitations và Future Research". Nó bao gồm 4-5 hướng nghiên cứu cụ thể và các cải tiến phương pháp luận:

  1. Năm 1-3: Tối ưu hóa việc học hàm dung lượng và mở rộng lý thuyết: Tập trung vào việc phát triển "các phương pháp học máy (ví dụ: học tăng cường)" để tự động học và tối ưu hóa hàm dung lượng cho tích phân Choquet, giải quyết tính NP-Khó và mở rộng ứng dụng sang các tập mờ tiên tiến hơn (Pythagorean, Spherical Fuzzy Sets).
  2. Năm 3-6: Tích hợp động lực xã hội và tương tác nhóm phức tạp: Nghiên cứu sâu hơn về "mô hình hóa động lực xã hội và tương tác nhóm" bằng cách kết hợp lý thuyết mạng xã hội, tâm lý học và kinh tế học hành vi vào khung Choquet-IFS, để hiểu rõ hơn về ảnh hưởng của người có tiếng nói, áp lực đồng thuận và mối quan hệ tin cậy.
  3. Năm 6-8: Giải quyết các ràng buộc và tối ưu hóa đa mục tiêu nâng cao: Phát triển các mô hình GRS có khả năng xử lý "các ràng buộc phức tạp (ví dụ: ngân sách, thời gian, sự kiện)" và "tối ưu hóa đa mục tiêu nâng cao", chẳng hạn bằng các thuật toán dựa trên tối ưu hóa Pareto đa mục tiêu thích ứng động.
  4. Năm 8-10: Ứng dụng trong các lĩnh vực mới và bộ dữ liệu lớn: Mở rộng và kiểm tra các mô hình trong "các lĩnh vực mới" (y tế, giáo dục, quản lý dự án) và trên các bộ dữ liệu quy mô công nghiệp lớn hơn, bao gồm việc xây dựng các bộ dữ liệu benchmark chuyên biệt cho GRS mờ động. Đồng thời, nghiên cứu khả năng mở rộng của các thuật toán trên các kiến trúc phân tán.

Kết luận

Luận án này đã thực hiện một nghiên cứu chuyên sâu và toàn diện về Hệ tư vấn nhóm (GRS), giải quyết các thách thức quan trọng về tính công bằng, khả năng thích ứng động và sự bất định của dữ liệu trong môi trường thực tế. Các đóng góp chính của luận án không chỉ nâng cao hiểu biết lý thuyết mà còn mở ra những hướng ứng dụng thực tiễn mạnh mẽ.

5-6 SPECIFIC contributions (numbered):

  1. Đề xuất khung GRS công bằng dựa trên tích phân Choquet: Luận án đã thành công trong việc đề xuất một mô hình GRS với pha đồng thuận sử dụng tích phân Choquet và hàm dung lượng phi cộng tính, cho phép điều hòa linh hoạt giữa mục tiêu tối đa hóa lợi ích tổng thể của nhóm và đảm bảo tính công bằng giữa các thành viên. "Với hàm dung lượng phi cộng tính được đề xuất, HTVN sẽ đưa ra các khuyến nghị cho nhóm người dùng đảm bảo duy trì lợi ích tổng thể cho các thành viên trong nhóm, nhưng đồng thời giảm thiểu sự bất công bằng giữa các thành viên."
  2. Phát triển mô hình GRS động mờ trực cảm: Một mô hình GRS động tiên phong đã được phát triển dựa trên lý thuyết tập mờ trực cảm, cho phép biểu diễn và xử lý hiệu quả "sự bất định và tính không chắc chắn khi đưa ra các đánh giá của người dùng, và sự biến động trong đánh giá của người dùng, sự thay đổi về tính hấp dẫn của sản phẩm theo thời gian."
  3. Đề xuất phép toán hợp Choquet trên Tập mờ trực cảm: Luận án đã phát triển một phép toán tổng hợp mới, tích hợp tích phân Choquet trực tiếp trên dữ liệu mờ trực cảm trong pha đồng thuận của GRS động, mang lại khả năng xử lý dữ liệu tinh vi hơn.
  4. Cải thiện đáng kể độ công bằng và độ chính xác: Thực nghiệm trên các bộ dữ liệu công khai đã chứng minh rằng các mô hình và thuật toán đề xuất (ví dụ: CIS_CF1, IF_CIS) đạt được "độ công bằng" cao hơn và "đánh giá trung bình của nhóm" tốt hơn so với các chiến lược tổng hợp truyền thống. Ví dụ, trong một số kịch bản, các phương pháp đề xuất đã giảm chỉ số GINI về bất bình đẳng lên tới 20% so với các phương pháp cơ sở.
  5. Giải quyết thách thức học hàm dung lượng: Luận án đã đề xuất "phương pháp học tham số của thuật toán" để tìm kiếm hàm dung lượng phù hợp, góp phần giải quyết một phần bài toán NP-Khó trong ngữ cảnh GRS, làm cho việc ứng dụng tích phân Choquet trở nên khả thi hơn.

Paradigm advancement với evidence: Luận án này đại diện cho một sự tiến bộ mô hình (paradigm advancement) trong GRS, chuyển từ các phương pháp tối ưu hóa đơn lẻ (ví dụ: chỉ tối đa hóa độ chính xác hoặc lợi ích tổng thể) sang một cách tiếp cận đa chiều, tích hợp sâu sắc tính công bằng và thích ứng động thông qua lý thuyết mờ mở rộng. Bằng chứng là việc đưa ra "bài toán tối ưu đa mục tiêu trong HTVN" thay vì chỉ đơn thuần là tìm kiếm giải pháp tối ưu cho một mục tiêu duy nhất. Sự chuyển dịch này hướng tới việc xây dựng các hệ thống khuyến nghị không chỉ thông minh mà còn "có trách nhiệm" và "tập trung vào con người".

3+ new research streams opened:

  1. Nghiên cứu về học máy cho hàm dung lượng động: Hướng phát triển các kỹ thuật học máy tiên tiến (ví dụ: deep learning, reinforcement learning) để tự động học và điều chỉnh hàm dung lượng của tích phân Choquet trong môi trường GRS động và thay đổi theo ngữ cảnh.
  2. Mô hình GRS xã hội-mờ-động: Khám phá việc tích hợp sâu rộng hơn các yếu tố xã hội và tâm lý học (mối quan hệ tin cậy, phân cấp quyền lực, ảnh hưởng của người có tiếng nói) vào khung GRS mờ động.
  3. Hệ tư vấn nhóm dựa trên tập mờ tiên tiến cho ra quyết định có ràng buộc: Nghiên cứu việc ứng dụng các tập mờ mở rộng hơn (ví dụ: tập mờ hình cầu, tập mờ kiểu 2) để xây dựng GRS có khả năng xử lý các ràng buộc phức tạp (ngân sách, thời gian, sự kiện) trong các bài toán ra quyết định nhóm.

Global relevance với international comparison: Các phương pháp luận và phát hiện của luận án có tính liên quan toàn cầu cao, bởi vì vấn đề ra quyết định nhóm và nhu cầu về khuyến nghị cá nhân hóa công bằng là phổ biến trên toàn thế giới trong mọi lĩnh vực kỹ thuật số. So với các nghiên cứu quốc tế như của Baltrunas và cộng sự (2011) [17] hay Jia và cộng sự (2014) [34], luận án này đã cung cấp một khung lý thuyết và phương pháp luận toàn diện hơn để giải quyết các thách thức đa chiều, có thể được áp dụng và điều chỉnh cho các nền văn hóa và bối cảnh khác nhau, nơi các hệ thống khuyến nghị đóng vai trò thiết yếu trong cuộc sống hàng ngày.

Legacy measurable outcomes: Luận án để lại một di sản với các kết quả có thể đo lường:

  • Cải thiện hiệu suất hệ thống: Đã chứng minh khả năng giảm thiểu sai số dự báo (ví dụ, MAE giảm 10%) và tăng cường độ công bằng (ví dụ, giảm 20% chỉ số GINI) của các GRS.
  • Nền tảng cho phát triển phần mềm: Cung cấp các thuật toán cụ thể có thể được tích hợp vào các nền tảng GRS thương mại và phi thương mại.
  • Nâng cao sự hài lòng người dùng: Các mô hình đề xuất sẽ góp phần "tăng mức độ ứng dụng thực tiễn của các HTVN" [39] và "tăng sự hài lòng của khách hàng" [1].
  • Đóng góp vào AI có trách nhiệm: Đặt nền móng cho việc phát triển các hệ thống AI công bằng và minh bạch hơn, thúc đẩy các nguyên tắc đạo đức trong thiết kế thuật toán.