Vào thứ Sáu, ngày 21/03/2025 vừa qua, chuỗi seminar "Học Thuật Không Giới Hạn" đã chính thức khai mạc với buổi đầu tiên mang chủ đề "Nâng cao chất lượng danh sách khuyến nghị sử dụng mạng tích chập đồ thị", do TS. Lê Thị Vĩnh Thanh, giảng viên Khoa Công nghệ Thông tin, trình bày. Chuỗi seminar được tổ chức nhằm tạo ra không gian trao đổi học thuật sôi động, kết nối và thúc đẩy tư duy nghiên cứu trong cộng đồng giảng viên.

Trong kỷ nguyên số hóa với lượng dữ liệu khổng lồ ngày càng gia tăng, các hệ thống khuyến nghị (Recommender Systems) đóng vai trò quan trọng trong việc cá nhân hóa nội dung, giúp người dùng tiếp cận thông tin phù hợp một cách hiệu quả. Tại buổi seminar, TS. Lê Thị Vĩnh Thanh đã giới thiệu một phương pháp mới kết hợp cấu trúc phân cụm và mạng tích chập đồ thị (Graph Convolutional Network - GCN) nhằm cải thiện độ chính xác của hệ thống khuyến nghị, đồng thời duy trì sự cân bằng giữa độ chính xác và tính đa dạng trong danh sách đề xuất.

Phương pháp này xây dựng trên nền tảng cấu trúc cây phân cấp kết hợp với khoảng cách năng lượng (Energy Distance) để nhóm người dùng và sản phẩm theo từng cụm tương đồng. Trên cơ sở đó, ba loại đồ thị được xây dựng để biểu diễn mối quan hệ giữa người dùng và sản phẩm: đồ thị quan hệ người dùng (SU-Graph) dựa trên các cụm người dùng tương tự, đồ thị quan hệ sản phẩm (SI-Graph) dựa trên các cụm sản phẩm tương tự, và đồ thị biểu diễn mối quan hệ giữa người dùng và sản phẩm dựa trên ma trận đánh giá (UI-Graph). Quá trình huấn luyện GCN trên hệ thống đồ thị giúp nâng cao độ chính xác trong dự đoán đánh giá của người dùng, đồng thời áp dụng thuật toán xếp hạng lại để đảm bảo danh sách khuyến nghị có tính đa dạng cao hơn.

Kết quả thực nghiệm trên các bộ dữ liệu MovieLens (100K, 1M và 10M) cho thấy phương pháp đề xuất vượt trội so với các mô hình truyền thống, chứng minh tính hiệu quả trong việc cải thiện chất lượng khuyến nghị. Buổi seminar đã giúp người tham dự nắm bắt phương pháp phân cụm người dùng - sản phẩm dựa trên khoảng cách năng lượng, quy trình xây dựng hệ thống đồ thị, cách ứng dụng GCN trong dự đoán đánh giá người dùng, và chiến lược xếp hạng lại để tối ưu sự cân bằng giữa độ chính xác và tính đa dạng.

Đây là một hướng nghiên cứu tiềm năng trong lĩnh vực hệ thống khuyến nghị, tập trung vào việc ứng dụng học sâu nhằm nâng cao khả năng dự đoán, đồng thời cải thiện trải nghiệm người dùng.

Buổi chia sẻ đã nhận được sự quan tâm đông đảo từ các giảng viên, với nhiều câu hỏi thảo luận sôi nổi, góp phần mở ra những góc nhìn mới trong nghiên cứu về hệ thống khuyến nghị.