Trang chủ
- Giảm 10% phí tải tài liệu khi like và share website
- Tặng 1 bộ slide thuyết trình khi tải tài liệu
- Giảm 5% dịch vụ viết thuê luận văn thạc sĩ của Luận Văn A-Z
- Giảm 2% dịch vụ viết thuê luận án tiến sĩ của Luận Văn A-Z
MỘT GIẢI PHÁP ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG GỢI Ý MÓN ĂN CHO CÁC NHÀ HÀNG
Giá gốc là: 100.000 VNĐ.0 VNĐGiá hiện tại là: 0 VNĐ.
Trí tuệ nhân tạo (AI) đang được ứng dụng rất nhiều trong đời sống. Một nhánh của AI là máy học, trong đó có Hệ thống gợi ý (Recommender Systems – RS). RS hiện đang được sử dụng trong nhiều lĩnh vực như thương mại điện tử, giáo dục, giải trí,… để dự đoán “sở thích” (thói quen/nhu cầu/…) của người dùng, từ đó gợi ý cho họ những mục sản phẩm (item) phù hợp nhất. Phương pháp ứng dụng trí tuệ nhân tạo và máy học cho lĩnh vực kinh doanh nhà hàng được đề xuất, cụ thể là kết hợp phương pháp lọc cộng tác và luật kết hợp cho vấn đề gợi ý món ăn. Hệ thống đưa ra các gợi ý dựa vào các mối liên hệ giữa người dùng, các mối liên hệ giữa món ăn và kết hợp cả hai. Thực nghiệm trên tập dữ liệu thu thập từ một quán ăn thực tế đã cho thấy các gợi ý được đưa ra bởi hệ thống khá phù hợp. Chúng vừa mang tính quy luật chung trên toàn hệ thống, vừa mang tính cá nhân hóa cho từng người dùng.
1/ Thông tin bài báo
- Tên bài báo: MỘT GIẢI PHÁP ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG GỢI Ý MÓN ĂN CHO CÁC NHÀ HÀNG
- Tác giả: Nguyễn Thái Nghe, Đoàn Hồ Hạnh Nguyên, Trần Quốc Toanh, Nguyễn Hữu Hòa
- Số trang: 17-24
- Năm: 2024
- Nơi xuất bản: Tạp chí Khoa học Đại học Cần Thơ
- Từ khoá: Hệ thống gợi ý, lọc cộng tác, luật kết hợp, gợi ý món ăn
2/ Nội dung chính
Bài báo trình bày một giải pháp ứng dụng trí tuệ nhân tạo, cụ thể là kết hợp phương pháp lọc cộng tác và luật kết hợp, để xây dựng hệ thống gợi ý món ăn cho các nhà hàng. Mục tiêu của hệ thống là hỗ trợ khách hàng và nhân viên phục vụ trong việc lựa chọn món ăn một cách nhanh chóng và phù hợp, đồng thời rút ngắn thời gian phục vụ. Hệ thống này tận dụng dữ liệu lịch sử giao dịch, bao gồm thông tin về người dùng (nhân viên phục vụ), món ăn và số lượng món ăn được đặt, để đưa ra các gợi ý cá nhân hóa cho từng người dùng, đồng thời đảm bảo tính quy luật chung dựa trên thói quen gọi món của khách hàng. Giai đoạn đầu của nghiên cứu tập trung vào việc thu thập và tiền xử lý dữ liệu từ một quán ăn thực tế, sau đó xây dựng mô hình gợi ý kết hợp hai phương pháp đã nêu. Việc đánh giá hiệu quả của hệ thống được thực hiện thông qua thực nghiệm trên tập dữ liệu đã thu thập.
Nghiên cứu này sử dụng phương pháp lọc cộng tác dựa trên người dùng (user-based collaborative filtering) để dự đoán sở thích cá nhân của từng người dùng. Kỹ thuật tìm kiếm lưới (grid search) được áp dụng để tìm ra các tham số tối ưu cho mô hình lọc cộng tác. Bên cạnh đó, phương pháp luật kết hợp (association rule mining) được sử dụng để xác định các mối quan hệ giữa các món ăn, ví dụ như các món thường được gọi chung với nhau. Giải thuật Apriori được sử dụng để khai phá các luật kết hợp từ dữ liệu giao dịch. Các luật này được đánh giá bằng độ hỗ trợ (support), độ tin cậy (confidence) và chỉ số LIFT. Mô hình gợi ý kết hợp cả hai phương pháp này, trong đó phương pháp lọc cộng tác cung cấp các gợi ý cá nhân hóa, còn phương pháp luật kết hợp bổ sung các gợi ý dựa trên quy luật chung về các món ăn thường được chọn cùng nhau. Thuật toán sẽ cập nhật lại điểm số gợi ý của các món theo công thức kết hợp có trọng số giữa kết quả từ lọc cộng tác và luật kết hợp.
Kết quả thực nghiệm cho thấy hệ thống gợi ý kết hợp này đạt hiệu quả khá cao, với độ chính xác trung bình trên 97%. Hệ thống không chỉ đưa ra các gợi ý dựa trên sở thích của từng người dùng, mà còn xem xét đến các mối quan hệ giữa các món ăn. Ví dụ, khi một người dùng chọn một món khai vị, hệ thống sẽ gợi ý thêm các món chính hoặc món tráng miệng thường được gọi cùng với món khai vị đó. Đối với người dùng mới, hệ thống sẽ đưa ra các gợi ý dựa trên các luật kết hợp phổ biến. Với những người dùng đã có lịch sử giao dịch, hệ thống sẽ đưa ra các gợi ý cá nhân hóa dựa trên lịch sử giao dịch của họ, đồng thời kết hợp với các luật kết hợp để tạo ra danh sách gợi ý phong phú hơn. Các thực nghiệm cho thấy rằng sự kết hợp giữa hai phương pháp này giúp hệ thống gợi ý hiệu quả hơn so với việc chỉ sử dụng một trong hai phương pháp độc lập.
