ôn tập kiến thức về java và python trong phát triển phần mềm và kiến thức về trí tuệ nhân tạo

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

<b>TRƯỜNG ĐẠI HỌC KIẾN TRÚC HÀ NỘIKHOA CÔNG NGHỆ THÔNG TIN</b>

<b>----***----BÁO CÁO MÔN HỌC </b>

<b>NỘI DUNG: ÔN TẬP KIẾN THỨC VỀ JAVA VÀ PYTHONTRONG PHÁT TRIỂN PHẦN MỀM VÀ KIẾN THỨC VỀ</b>

<b> TRÍ TUỆ NHÂN TẠO</b>

<b>Giảng viên hướng dẫn: TS. Trần Trung</b>

<b>Nhóm sinh viên thực hiện: Tạ Thị Hậu (Nhóm trưởng)Dỗn Thu Trang</b>

<i><b>Hà Nội, tháng 5 năm 2024</b></i>

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

<b>Phần 1: Bản dịch thứ nhất</b>

<b>1.1 Khuyến nghị trong thực tế</b>

<b>1.1.1 Hệ thống khuyến nghị xuất hiện tại nhà hoặc trên internet</b>

Hệ thống khuyến nghị thường xuất hiện của yếu tại nhà hoặc trên internet bởi đây là những nơi bạn khơng những có thể kết nối với những người khác mà cịn có thể thu thập được dữ liệu về hành vi. Một số ví dụ

Một trang web đưa ra danh sách top 10 máy làm bánh bán chạy nhất cung cấp khuyến nghị khơng được cá nhân hóa. Nếu một trang web bán nhà hoặc vé xem concert đưa ra khuyến nghị dựa trên nhân khẩu hoặc vị trí hiện tại của bạn thì khuyến nghị thuộc loại bán cá nhân hóa. Khuyến nghị cá nhân hóa thể hiện rõ trên Amazon ở mục “Gợi ý cho bạn”. Ý tưởng về khuyến nghị được cá nhân hóa được gợi lên từ ý tưởng rằng con người không chỉ hứng thú với những sản phẩm phổ biến mà còn hứng thú với nhứng sản phẩm không bán chạy nhất trong 1 thời điểm

<b>1.1.2 Định nghĩa hệ thống khuyến nghị </b>

Định nghĩa: Hệ thống khuyến nghị tính tốn và cung cấp nội dung phù hợp cho người dùng dựa trên kiến thức về người dùng, nội dung và sự tương tác giữa người dùng và mặt hàng

<b>1.2 Phân loại hệ thống khuyến nghị1.2.1 Miền</b>

Miền đề cập đến thể loại của các nội dung được khuyến nghị.

Miền có ý nghĩa lớn bởi nó cung cấp gợi ý về những thứ bạn sẽ làm với khuyến nghị. Miền cũng quan trọng bởi nó chỉ ra sẽ tồi tệ như thế nào nếu khuyến nghị sai. Nếu bạn đang làm một phần mềm khuyến nghị nhạc, sẽ không quá tệ nếu bạn khuyến nghị nhạc không chính xác. Nếu bạn khuyến nghị bố mẹ ni cho trẻ em mồ cơi thì cái giá phải trả cho mỗi lần thất bại là khá lớn.

Xét việc tìm kiếm một quán cà phê trên Google Maps. Người dùng tìm kiếmtừ máy tính trong cơng ty hay người dùng đang đứng trên phố và trời bắt đầu mưa. Trong trường hợp thứ nhất, phản hồi tốt nhất là những quán cà phê chất

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

lượng tốt trong khu vực rộng. Cịn trong trường hợp thứ hai, thì khuyến nghị tốt nhất là địa điểm gần nhất để uống cà phê trong lúc chờ tạnh mưa.

<b>1.2.4 Mức độ cá nhân hóa</b>

* Chưa cá nhân hóa

Một danh sách những sản phẩm phổ biến nhất được coi là chưa cá nhân hóa.Khả năng là người dùng hiện tại thích cùng một sản phẩm với đa số người khác.Khuyến nghị chưa cá nhân hóa cũng bao gồm đưa ra những thứ được sắp xếp theo ngày, chẳng hạn như đưa ra những thứ mới nhất. Tất cả những ai tương tác với hệ thống khuyến nghị đều nhận những danh sách khuyến nghị như nhau.

* Bán cá nhân hóa

Mức độ tiếp theo của khuyến nghị chia người dùng vào 2 nhóm bán cá nhânhóa, cá nhân hóa theo mức độ. Có thể chia nhóm người dùng theo nhiều cách: theo tuổi, theo khu vực hoặc phân chia theo hình mẫu riêng biệt: người đi làm, sinh viên, lái xe hoặc người chạy xe đạp.

Hệ thống bán vé sự kiện, khuyến nghị được đưa ra dựa trên quốc gia hoặc thành phố người dùng đang ở. Một trường hợp khác: nếu người dùng đang nghenhạc trên điện thoại, hệ thống có thể suy ra được thiết bị đang chuyển động hay khơng. Nếu thiết bị đang chuyển động, người dùng có thể đang tập thể dục hoặchọ có thể đang lái xe hoặc đạp xe. Nếu thiết bị không chuyển động, người dùng có thể đang ngồi trên sofa ở nhà và âm nhạc có thể sẽ khác.

Hệ thống khuyến nghị khơng biết gì về thơng tin cá nhân của một người, coimột người như thành viên của một nhóm. Những người cùng một nhóm sẽ có khuyến nghị giống nhau

* Cá nhân hóa

Khuyến nghị cá nhân hóa dựa trên dữ liệu về người sử dụng hiện tại được biểu thị thông qua cách người dùng tương tác với hệ thống những lần trước đó. Từ đó đưa ra những khuyến nghị riêng cho người dùng.

Phần lớn hệ thống khuyến nghị cũng sử dụng các bộ phận và độ phổ biến đểđưa ra khuyến nghị cá nhân hóa. Một ví dụ đó là mục gợi ý cho bạn trên

Amazon hoặc trang khởi đầu của Netflix

<b>1.2.5 Quan điểm của đối tượng</b>

Hệ thống khuyến nghị chuyên gia được dùng trong các lĩnh vực mà bạn cần có mức độ kiến thức như các chuyên gia để hiểu được cái gì là tốt

Ngày nay, những trang web dành cho chuyên gia dần trở nên kém phổ biến. Hầu hết các trang web hiện tại sử dụng theo quan điểm của quần chúng. Họ cho rằng khơng có ngun tắc nào mà khơng có ngoại lệ. Tuy nhiên, một số trang web hướng đến đối tượng là các chuyên gia vẫn còn hoạt động

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

<b>1.2.6 Bảo mật và độ tin cậy</b>

Nhiều người coi khuyến nghị như một dạng thao túng bởi chúng đưa ra những lựa chọn mà người dùng có khả năng cao sẽ chọn thay vì đưa ra một lựa chọn ngẫy nhiên. Và hầu hết cửa hàng cố gắng muốn bán được nhiều hàng hơn nên việc các cửa hàng dùng khuyến nghị để bán hàng khiến một số người nghĩ họ đang bị thao túng. Nhưng nếu trong trường hợp xem được một bộ phim thú vị với một bộ phim nhàm chán thì điều đó vẫn chấp nhận được. Thao túng thường liên quan đến động cơ để chỉ ra những món hàng cụ thể hơn là hành động đưa ra cho người xem.

Độ tin cậy chỉ ra mức độ mà người dùng tin tưởng vào các khuyến nghị thayvì cân nhắc nó như một hình thức quảng cáo hay thao túng. Nếu người dùng cânnhắc lời đề nghị một các nghiêm túc thì hệ thống khuyến nghị được coi là đáng tin cậy

*Đầu ra

Đầu ra có thể được dự đốn, đề xuất hoặc chọn lọc. Ví dụ, Netflix đưa ra khuyến nghị bằng nhiều cách khác nhau. Nó tính tốn dự đốn, đưa ra gợi ý mộtcách cá nhân hóa, đưa ra các mục phổ biến dưới dạng top 10 (nhưng đã được cá nhân hóa cho người dùng)

Một số hệ thống nhất định giải thích về đề xuất của họ. Hệ thống khuyến nghị có khả năng làm việc đó gọi là hệ khuyến nghị hộp trắng, còn lại là hệ khuyến nghị hộp đen. Sự phân biệt này khá quan trọng khi lựa chọn thuật tốn bởi khơng phải thuật tốn nào cũng cung cấp rõ ràng lý do cho dự đoán của nó

<b>1.2.8 Thuật tốn</b>

Các thuật tốn được đưa ra thành 2 nhóm dựa trên dữ liệu người dùng sử dụng để đưa ra khuyến nghị. Thuật toán sử dụng dữ liệu từ người dùng gọi là lọc cộng tác (collaborative filtering). Thuật toán sử dụng nội dung từ siêu dữ liệu và hồ sơ người dùng để tính tốn khuyến nghị được gọi là khuyến nghị dựa trên nội dung (content-based filtering). Thuật toán sử dụng cả 2 phương pháp gọi là khuyến nghị lai (hybird recommender)

* Lọc cộng tác

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

Một cách hoạt động của lọc cộng tác: Phần ngoài cùng là danh mục các sản phẩm. Phần ở giữa là nhóm người dùng tiêu thụ những sản phẩm giống nhau. Hệ thống khuyến nghị đưa ra gợi ý những sản phẩm từ nhỏ nhất, trước nhất. Giảđịnh rằng những người dùng có cùng sở thích với người dùng hiện tại, khi đó người dùng hiện tại có thể sẽ thích các sản phẩm khác mà nhóm người dùng nàyđã tiêu thụ. Nhóm này được định nghĩa chồng lên nhau giữa những thứ mà từng cá nhân thích và những thứ người dùng hiện tại thích. Khi đó những nội dung mà người dùng hiện tại còn thiếu sẽ được đưa ra để gợi ý.

* Khuyến nghị dựa trên nội dung

Khuyến nghị dựa trên nội dung sử dụng siêu dữ liệu mà bạn có cho sản phẩm ở trong danh mục các sản phẩm. Netflix sử dụng mô tả cho phim của họ. Ví dụ

Dự trên thuật tốn cụ thể, hệ thống có thể tính tốn gợi ý bằng cách tìm những nội dung tương tự với nội dung người dùng đã thích bằng cách đối chiếu sản phẩm với hồ sơ người dùng hoặc nếu khơng có người dùng thì sẽ đối chiếu nội dung của các sản phẩm. Nếu như có hồ sơ của người dùng, hệ thống tính tốn hồ sơ cho từng người dùng bao gồm các thể loại.

* Khuyến nghị lai

Cả hai phương pháp phía trên đều có ưu, nhược điểm. Lọc cộng tác cần nhiều phản hồi từ người dùng để hoạt động tốt trong khi khuyến nghị dựa trên nội dung cần mô tả tốt về các sản phẩm. Đôi khi các khuyến nghị được đưa ra dưới dạng đan xem đầu ra của cả 2 loại thuật toán trên

<b>1.3 Xây dựng một hệ thống khyến nghị</b>

Bắt đầu với ý tưởng bạn muốn bán nhiều hàng hơn bằng cách thêm vào các khuyến nghị. Bạn sẽ phải thu thập dữ liệu về các hành vi và dùng dữ liệu đó để xây dựng thuật toán, thứ sẽ tạo ra các mơ hình khi chạy. Các mơ hình được coi như là các hàm, thứ mà sẽ được đưa ra id người dùng, tính tốn các đề xuất

Bạn sẽ thử các mơ hình này trên các dữ liệu để xem liệu bạn có thể sử dụng nó để phán đốn hành vi của người dùng hay không. Giả sử, nếu bạn có dữ liệu khách hàng mua những gì tháng trước, bạn có thể tạo mơ hình sử dụng 3 tuần đầu tiên để xem mức độ tốt mà các gợi ý mơ hình đưa ra những thứ người dùng mua trong dữ liệu của tuần cuối cùng. Điều đó tốt hơn là dự đoán những thứ người dùng đã mua so với hệ thống khuyến nghị cơ sở, cái chỉ đưa ra phương pháp trả về những sản phẩm phổ biến nhất.

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

<b>Phần 2: Bản dịch thứ 2</b>

<b>1.1Giới thiệu</b>

Sự tăng trưởng quan trọng của Web như một phương tiện cho các giao dịch điện tử và kinh doanh đã đóng vai trị làm động lực cho sự phát triển của công nghệ hệ thống gợi ý. Một phương pháp điển hình để cung cấp phản hồi ở dạng xếp hạng là người dùng chọn các số từ hệ thống đánh giá cụ thể cho lượt thích và khơng thích của họ đối với những mặt hàng khác nhau.

Các hình thức phản hồi khác khơng hồn tồn rõ ràng nhưng lại dễ thu thập hơn trong mơ hình lấy Web làm trung tâm. Khách hàng mua hoặc chọn một mặthàng có thể được xem như một sự chứng thực cho mặt hàng đó. Ý tưởng cơ bảncủa các hệ thống đề xuất là sử dụng các nguồn dữ liệu khác nhau này để suy ra lợi ích của khách hàng. Ngoại lệ đáng chú ý là trường hợp hệ thống gợi ý dựa trên tri thức, trong đó là các đề xuất trên cơ sở các yêu cầu do người dùng chỉ định thay vì lịch sử hoạt động của khách hàng.

Nguyên tắc cơ bản của các đề xuất là tồn tại các phụ thuộc đáng kể giữa hoạt động lấy người dùng và vật phẩm làm trung tâm. Trong nhiều trường hợp, các loại mặt hàng khác nhau có thể cho thấy mối tương quan đáng kể, có thể tậndụng để đưa ra đề xuất chính xác hơn. Ngồi ra, các phụ thuộc có thể có mặt ở mức độ cho tiết hơn của các mặt hàng riêng lẻ qua các danh mục. Số lượng các mục được xếp hạng có sẵn cho người dùng càng lớn, việc đưa ra dự đoán về hành vi trong tương lai của người dùng càng dễ dàng. Có thể tạo ra các nhóm người dùng tương tự quan tâm đến các sản phẩm tương tự qua hành vi mua và xếp hạng tập thể của nhiều người.

Mô tả trên dựa trên một họ thuật toán đề xuất rất đơn giản, được gọi là mơ hình khu phố. Nó thuộc một lớp mơ hình lớn hơn được gọi là lọc cộng tác. Thuật ngữ “lọc cộng tác” đề cập đến việc sử dụng xếp hạng từ nhiều người dùng theo cách hợp tác để dự đoán xếp hạng bị thiếu. Trong các mơ hình nâng cao, dữ liệu theo ngữ cảnh, chẳng hạn như thông tin về thời gian, kiến thức bên ngồi, vị trí, xã hội hoặc mạng, có thể được sử dụng.

<b>1.2Mục tiêu của Hệ thống gợi ý</b>

Hai mô hình chính:

1. Phiên bản dự đốn của các vấn đề: cách tiếp cận đầu tiên là dự đoán giá trị xếp hạng cho sự kết hợp giữa người dùng và các mục, tương tự ma trận mxn không đầy đủ, trong đó các giá trị được chỉ định được dùng để đào tạo. Các giá trị bị thiếu được dự đốn bằng cách sử dụng mơ hình đào tạo này.

2. Phiên bản xếp hạng của vấn đề: không cần thiết phải dự đoán xếp hạng của người dùng cho các mục cụ thể để đưa ra đề xuất cho người dùng. Thay vào

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

đó, người bán có thể muốn giưới thiệu các mặt hàng top-k cho một người cụ thểhoặc xác định người dùng top-k, mặc dù các phương pháp trong hai trường hợp như nhau.

Để đạt được mục tiêu tập trung kinh doanh rộng hơn là tăng doanh thu, các mục tiêu hoạt động và kỹ thuật chung của các hệ thống đề xuất:

1. Mức độ liên quan2. Tính mới lạ3. Serendipity

4. Tăng tính đa dạng đề xuất

<b>1.3 Mơ hình cơ bản của hệ gợi ý</b>

Các phương pháp sử dụng phương pháp trước được gọi là phương pháp lọc cộng tác, trong khi các phương pháp sử dụng phương pháp sau được gọi là phương pháp đề xuất dựa trên nội dung. Lưu ý rằng các hệ thống dựa trên nội dung cũng sử dụng ma trận xếp hạng trong hầu hết các trường hợp, mặc dù mơ hình thường tập trung vào xếp hạng của một người dùng thay vì của tất cả ngườidùng. Trong các hệ thống tư vấn dựa trên kiến thức, các đề xuất dựa trên yêu cầu của người dùng được chỉ định rõ ràng. Thay vì sử dụng xếp hạng lịch sử hoặc dữ liệu mua hàng, kiến thức cơ bản bên ngoài và các ràng buộc được sử dụng để tạo đề xuất. Một số hệ thống gợi ý kết hợp các khía cạnh khác nhau nàyđể tạo ra các hệ thống kết hợp. Các hệ thống kết hợp có thể kết hợp điểm mạnh của nhiều loại hệ thống gợi ý khác nhau để tạo ra các kỹ thuật có thể hoạt động mạnh mẽ hơn trong nhiều mơi trường khác nhau.

<b>1.3.1Mơ hình lọc cộng tác</b>

Các mơ hình lọc cộng tác sử dụng sức mạnh cộng tác của xếp hạng do nhiềungười dùng cung cấp để đưa ra đề xuất. Thách thức chính trong việc thiết kế cácphương pháp lọc cộng tác là các ma trận xếp hạng khơng có kết quả rất thưa thớt. Các xếp hạng không được chỉ định sẽ được gọi là “khơng được quan sát” hoặc "mất tích."

Ý tưởng cơ bản của phương pháp lọc cộng tác là những xếp hạng khơng xácđịnh này có thể được quy cho vì xếp hạng được quan sát thường có mối tương quan cao giữa nhiều người dùng và mục khác nhau. Có hai loại phương pháp thường được sử dụng trong lọc cộng tác, được gọi là phương pháp dựa trên bộ nhớ và phương pháp dựa trên mơ hình:

1. Phương pháp dựa trên bộ nhớ: Phương pháp dựa trên bộ nhớ còn được gọi là thuật toán lọc cộng tác dựa trên vùng lân cận. Những vùng lân cận này có thể được xác định theo một trong hai cách:

• Lọc cộng tác dựa trên người dùng• Lọc cộng tác dựa trên mục

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

2. Phương pháp dựa trên mô hình: Trong các phương pháp dựa trên mơ hình, phương pháp học máy và khai thác dữ liệu được sử dụng trong bối cảnh các mơ hình dự đốn. Trong trường hợp mơ hình được tham số hóa, các tham sốcủa mơ hình này sẽ được học trong bối cảnh khung tối ưu hóa.

<b>1.3.1.1 Các loại xếp hạng</b>

Việc thiết kế các thuật toán đề xuất bị ảnh hưởng bởi hệ thống được sử dụngđể theo dõi xếp hạng. Xếp hạng thường được chỉ định trên thang đo cho biết mức độ thích hoặc khơng thích cụ thể của mặt hàng đó.

Số lượng xếp hạng có thể có có thể khác nhau tùy theo hệ thống hiện tại. Việc sử dụng xếp hạng 5 điểm, 7 điểm và 10 điểm đặc biệt phổ biến.

Người ta cũng có thể sử dụng các giá trị phân loại theo thứ tự như {Rất không đồng ý, Không đồng ý, Trung lập, Đồng ý, Rất đồng ý} để đạt được các mục tiêu tương tự. Nói chung, các xếp hạng như vậy được gọi là xếp hạng thứ tự và thuật ngữ này bắt nguồn từ khái niệm thuộc tính thứ tự. Một trường hợp đặc biệt của xếp hạng là xếp hạng đơn nhất, trong đó có cơ chế để người dùng chỉ định mức độ thích đối với một mục nhưng khơng có cơ chế chỉ định mức khơng thích. Xếp hạng đơn nhất đặc biệt phổ biến, đặc biệt trong trường hợp tậpdữ liệu phản hồi ngầm.

<b>1.3.1.2 Mối quan hệ với phân tích giá trị bị thiếu</b>

Các mơ hình lọc cộng tác có liên quan chặt chẽ đến việc phân tích giá trị cịn thiếu. Các tài liệu truyền thống về phân tích giá trị cịn thiếu nghiên cứu vấnđề xác định các mục trong một ma trận dữ liệu được chỉ định khơng đầy đủ. Lọccộng tác có thể được xem như một trường hợp đặc biệt (khó) của bài tốn này trong đó ma trận dữ liệu cơ bản rất lớn và thưa thớt.

<b>1.3.1.3 Lọc cộng tác là một khái qt hóa phân loại và mơ hình hồi quy</b>

Các phương pháp lọc cộng tác có thể được xem như là sự tổng hợp của mơ hình phân loại và hồi quy. Trong các bài tốn mơ hình phân loại và hồi quy, biến lớp/phụ thuộc có thể được xem như một thuộc tính thiếu các giá trị. Các cột khác được coi là tính năng/biến độc lập. Vấn đề lọc cộng tác có thể được xem như một sự khái qt hóa của khung này vì bất kỳ cột nào cũng được phép thiếu các giá trị thay vì (chỉ) biến lớp. Lọc cộng tác là sự tổng qt hóa của mơ hình phân loại/hồi quy trong đó dự đốn được thực hiện theo kiểu đầu vào thay vì kiểu theo hàng.

Bài tốn hồn thiện ma trận cũng có một số đặc điểm với cài đặt quy nạp trong phân loại và hồi quy. Trong cài đặt chuyển đổi, các trường hợp kiểm tra cũng được đưa vào q trình đào tạo (thường sử dụng thuật tốn bán giám sát) và thường khó đưa ra dự đốn cho các trường hợp kiểm tra khơng có sẵn tại thời

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

điểm đào tạo. Mặt khác, các mơ hình trong đó có thể dễ dàng đưa ra dự đoán cho các trường hợp mới được gọi là mơ hình quy nạp.

Cài đặt để hồn thành ma trận vốn có tính chất chuyển nạp vì dữ liệu huấn luyện và kiểm tra được tích hợp chặt chẽ với nhau trong ma trận xếp hạng mxn R và nhiều mơ hình khơng thể dễ dàng dự đốn xếp hạng cho người dùng và/hoặc vật phẩm ngoài mẫu.

<b>1.3.2Hệ thống gợi ý dựa trên nội dung</b>

Trong các hệ thống gợi ý dựa trên nội dung, các thuộc tính mơ tả của các mục được sử dụng để đưa ra gợi ý. Thuật ngữ “nội dung” đề cập đến những mô tả này. Trong phương pháp dựa trên nội dung, xếp hạng và hành vi mua hàng của người dùng được kết hợp với thơng tin nội dung có sẵn trong các mục.

Trong các phương pháp dựa trên nội dung, các mô tả mục, được gắn với xếphạng, được sử dụng làm dữ liệu huấn luyện để tạo ra một vấn đề mơ hình hồi quy hoặc phân loại dành riêng cho người dùng.

Các phương pháp dựa trên nội dung có một số ưu điểm trong việc đưa ra đề xuất cho các mặt hàng mới khi khơng có đủ dữ liệu xếp hạng cho mặt hàng đó. Điều này là do các mặt hàng khác có thuộc tính tương tự có thể đã được người dùng đang hoạt động xếp hạng. Do đó, mơ hình được giám sát sẽ có thể tận dụng các xếp hạng này kết hợp với các thuộc tính của mặt hàng để đưa ra đề xuất ngay cả khi khơng có lịch sử xếp hạng cho mặt hàng đó.

Các phương pháp dựa trên nội dung cũng có một số nhược điểm:

1. Trong nhiều trường hợp, các phương pháp dựa trên nội dung đưa ra các đề xuất rõ ràng nhờ sử dụng từ khóa hoặc nội dung. Ví dụ: nếu người dùng chưabao giờ sử dụng một mặt hàng có một bộ từ khóa cụ thể thì mặt hàng đó sẽ khơng có cơ hội được đề xuất. Điều này là do mơ hình được xây dựng dành riêng cho người dùng hiện tại và kiến thức cộng đồng từ những người dùng tương tự không được tận dụng. Hiện tượng này có xu hướng làm giảm tính đa dạng của các mặt hàng được đề xuất, điều này là không mong muốn.

2. Mặc dù các phương pháp dựa trên nội dung có hiệu quả trong việc cung cấp đề xuất cho các mục mới nhưng chúng lại không hiệu quả trong việc cung cấp đề xuất cho người dùng mới.

<b>1.3.3Hệ thống gợi ý dựa trên kiến thức</b>

Hệ thống gợi ý dựa trên kiến thức đặc biệt hữu ích trong bối cảnh những mặt hàng khơng được mua thường xun. Khơng có đủ xếp hạng cho quy trình đề xuất. Do đó, trong những trường hợp này, miền hạng mục có xu hướng phức tạp về các thuộc tính đa dạng của nó và khó có thể liên kết đủ xếp hạng với số lượng lớn các kết hợp có sẵn.

</div>