ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN LÊ VIỆT HỒNG KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG KINH DOANH THIẾT BỊ ĐIỆN TỬ HỖ TRỢ KHUYẾN NGHỊ SẢN PHẨM Business application for electronic devices with recommendation KỸ SƯ NGÀNH CÔNG NGHỆ PHẦN MỀM TP HỒ CHÍ MINH, 2021 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN LÊ VIỆT HỒNG - 17520513 KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG KINH DOANH THIẾT BỊ ĐIỆN TỬ HỖ TRỢ KHUYẾN NGHỊ SẢN PHẨM Business application for electronic devices with recommendation KỸ SƯ NGÀNH CÔNG NGHỆ PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN THS MAI TRỌNG KHANG TP HỒ CHÍ MINH, 2021 THƠNG TIN HỘI ĐỒNG CHẤM KHĨA LUẬN TỐT NGHIỆP Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số ……………… ngày ……………… Hiệu trưởng Trường Đại học Công nghệ Thông tin ………………………………………… – Chủ tịch ………………………………………… – Thư ký ………………………………………… – Ủy viên ………………………………………… – Ủy viên LỜI CẢM ƠN Sau trình học tập rèn luyện khoa Công nghệ phần mềm trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM em trang bị kiến thức bản, kỹ thực tế để hồn thành Khóa luận tốt nghiệp Để hồn thành khóa luận này, em xin gửi lời cảm ơn chân thành đến: Ban Giám hiệu trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM tạo điều kiện sở vật chất với hệ thống thư viện đại, đa dạng loại sách, tài liệu thuận lợi cho việc tìm kiếm, nghiên cứu thơng tin Em xin gửi lời cảm ơn chân thành đến Ths Mai Trọng Khang tận tình giúp đỡ, định hướng cách tư cách làm việc khoa học, tạo điều kiện cho em hồn thành khóa luận Đó góp ý q báu khơng q trình thực luận văn mà hành trang tiếp bước cho em trình học tập lập nghiệp sau Và cuối cùng, em xin gửi lời cảm ơn đến gia đình, tất thầy khoa, bạn bè, tập thể lớp KTPM2017 người sẵn sàng sẻ chia giúp đỡ học tập sống Trong q trình làm khóa luận này, em khơng tránh khỏi sai sót, kính mong nhận dẫn góp ý q thầy để khóa luận hồn thiện Em xin chân thành cảm ơn Xin chúc điều tốt đẹp đồng hành người, vượt qua giai đoạn khó khăn dịch bệnh Thành phố Hồ Chí Minh, 24 tháng 12 năm 2021 Sinh viên NGUYỄN LÊ VIỆT HỒNG MỤC LỤC TĨM TẮT KHÓA LUẬN 14 Chương GIỚI THIỆU CHUNG 1.1 Lý chọn đề tài 1.2 Mục tiêu đề tài 1.3 Đối tượng nguyên cứu 1.4 Phạm vi nghiên cứu .2 Chương PHÂN TÍCH TỔNG QUAN 2.1 Tính đề tài 2.2 Điểm khác biệt đề tài Chương 3.1 KIẾN THỨC NỀN TẢNG Flutter 3.1.1 Giới thiệu Flutter 3.1.2 Tại sử dụng Flutter? 3.2 Java Spring Boot 3.2.1 Giới thiệu Java Spring Boot 3.2.2 Tại sử dụng Java Spring Boot .7 3.3 Hệ quản trị sở liệu MySQL .8 3.3.1 Giới thiệu MySQL 3.3.2 Tại sử dụng MySQL .8 3.4 Hệ thống gợi ý .9 3.4.1 Giới thiệu 3.4.2 Các phương pháp hệ thống gợi ý .10 Chương 4.1 XÂY DỰNG HỆ THỐNG 13 Xây dựng kiến trúc hệ thống .13 4.1.1 Kiến trúc hệ thống ứng dụng .13 4.1.2 Xác định yêu cầu hệ thống 14 4.2 Phân tích yêu cầu hệ thống .16 4.2.1 Phần ứng dụng Mobile (Flutter) 16 4.2.2 Phần Website Admin (quản trị viên) .18 4.3 Phân tích thiết kế hệ thống 20 4.3.1 Sơ đồ use case 20 4.3.2 Đặc tả usecase 23 4.3.3 Sơ đồ phân rã chức 44 4.3.4 Sơ đồ sequence 45 4.3.5 Sơ đồ lớp 52 4.3.1 Phân tích thiết kế CSDL .54 4.4 Thiết kế giao diện 63 4.4.1 Trang chủ 63 4.4.2 Đăng nhập, đăng ký 65 4.4.3 Danh mục 67 4.4.4 Sản phẩm yêu thích 68 4.4.5 Hồ sơ 69 4.4.6 Chi tiết sản phẩm .70 4.4.7 Đánh giá sản phẩm 74 4.4.8 Giỏ hàng 75 4.4.9 Đặt hàng 76 4.4.10 Tìm kiếm sản phẩm 78 4.4.11 Quản lý đơn hàng 80 4.4.12 Quản lý địa 82 4.4.13 Quản lý hồ sơ 84 Chương ÁP DỤNG GỢI Ý SẢN PHẨM 85 5.1 Thực nghiệm .85 5.1.1 Một số định nghĩa .85 5.1.2 Phương pháp .92 5.1.3 Đánh giá 100 5.2 Áp dụng thuật toán Recommedation vào ứng dụng 103 5.2.1 Gợi ý cho bạn 103 5.2.2 Có thể bạn thích 104 5.2.3 Sản phẩm tương tự 105 5.2.4 Tìm kiếm phổ biến 106 Chương 6.1 KẾT LUẬN 107 Kết đạt .107 6.1.1 Lý thuyết 107 6.1.2 Công nghệ .107 6.1.3 Ứng dụng 107 6.2 Hạn chế 108 Chương Hướng phát triển 110 DANH MỤC HÌNH VẼ Hình 3-1 Sự phát triển độ phổ biến MySQL Hình 4-1 Sơ đồ kiến trúc hệ thống 13 Hình 4-2 Các bước xây dựng quy trình bán hàng online 14 Hình 4-3 Quy trình xử lý hàng hóa 14 Hình 4-4 Sơ đồ use case tổng quát 20 Hình 4-5 Use case quản lý sản phẩm 23 Hình 4-6 Use case Quản lý người dùng 24 Hình 4-7 Use case Quản lý khuyến 25 Hình 4-8 Use case Quản lý quảng cáo 26 Hình 4-9 Use case quản lý danh mục 27 Hình 4-10 Use case quản lý kho hàng .29 Hình 4-11 Use case quản lý tình trạng đơn hàng 30 Hình 4-12 Use case Đăng nhập, Đăng ký 31 Hình 4-13 Use case xem sản phẩm 32 Hình 4-14 Use case xem chi tiết sản phẩm .34 Hình 4-15 Use case tìm kiếm sản phẩm 35 Hình 4-16 Use case Quản lý giỏ hàng .36 Hình 4-17 Use case đặt hàng .37 Hình 4-18 Use case quản lý địa 38 Hình 4-19 Use case quản lý sản phẩm u thích 40 Hình 4-20 Use case đánh giá sản phẩm 41 Hình 4-21 Use case Quản lý hồ sơ 42 Hình 4-22 Use case Quản lý đơn đặt hàng 43 Hình 4-23 Sơ đồ phân rã chức 44 Hình 4-24 Sơ đồ sequence đăng nhập .45 Hình 4-25 Sơ đồ sequence đăng ký 46 Hình 4-26 Sơ đồ sequence đặt hàng 47 Hình 4-27 Sơ đồ sequence tìm kiếm sản phẩm 48 Hình 4-28 Sơ đồ sequence quản lý địa giao hàng .49 Hình 4-29 Sơ đồ sequence sản phẩm yêu thích 49 Hình 4-30 Sơ đồ sequence xem sản phẩm tương tự 50 Hình 4-31 Sơ đồ sequence đơn hàng .51 Hình 4-32 Sơ đồ lớp 52 Hình 4-33 Màn hình tran chủ 63 Hình 4-34 Màn hình trang chủ 64 Hình 4-35 Màn hình đăng nhập 65 Hình 4-36 Hình 4-36 Màn hình đăng ký 66 Hình 4-37 Màn hình danh mục 67 Hình 4-38 Màn hình sản phẩm yêu thích 68 Hình 4-39 Màn hình Hồ sơ .69 Hình 4-40 Màn hình chi tiết sản phẩm 70 Hình 4-41 Màn hình thơng số kỹ thuật .71 Hình 4-42 Màn hình chi tiết sản phẩm 72 Hình 4-43 Màn hình chi tiết sản phẩm 73 Hình 4-44 Màn hình đánh giá 74 Hình 4-45 Màn hình giỏ hàng 75 Hình 4-46 Màn hình đặt hàng 76 Hình 4-47 Màn hình đặt hàng 77 Hình 4-48 Màn hình tìm kiếm sản phẩm 78 Hình 4-49 Màn hình tìm kiếm sản phẩm 79 Hình 4-50 Màn hình Quản lý đơn hàng 80 Hình 4-51Màn hình chi tiết đơn hàng .81 Hình 4-52 Màn hình quản lý địa 82 Hình 4-53 Màn hình chỉnh sửa địa 83 Hình 4-54 Màn hình Quản lý hồ sơ 84 Hình 5-1 Utility matrix 85 Hình 5-2 Consine similarity 87 Hình 5-3 Cơng thức tính cosin similarity u1 u2 87 Hình 5-4 Sự tương đồng vector .88 Hình 5-5 Cơng thức tính TF .89 Hình 5-6 Cơng thức tính IDF 90 Hình 5-7 Cơng thức weighted rating 91 Hình 5-8 Cơng thức tính RMSE .91 Hình 5-9 Kết load liệu Content-based 93 Hình 5-10 Ví dụ feature vector item 93 Hình 5-11 Kết dự đốn content-based .94 Hình 5-12 RMSE content-based 94 Hình 5-13 Bảng số user U rate cho item I 95 Hình 5-14 Các bước thực Neighborhood-based CF 96 Hình 5-15 Cơng thức tính hệ sống tương quan Pearson x y .99 Hình 5-16 Hiển thị kết “Gợi ý cho bạn” ứng dụng 103 Hình 5-17 Hiển thị kết “Có thể bạn thích” ứng dụng 104 Hình 5-18 Hiển thị kết sản phẩm tương tự ứng dụng .105 Hình 5-19 Hiển thị kết tìm kiếm phổ biến ứng dụng 106 trị Tiếp tục quan sát vector hàng tương ứng với u0, u1, u2 ta thấy vài điều thú vị: + u0 gần với u1 u5 (độ giống dương) user lại Việc similarity cao u0 u1 dễ hiểu có xu hướng quan tâm tới i0, i1, i2 item lại Việc u0 gần với u5 đầu vơ lý u5 đánh giá thấp item mà u0 đánh giá cao; nhiên nhìn vào ma trận chuẩn hố hình b), ta thấy điều hợp lý Vì item mà cung cấp thông tin i1 với giá trị tương ứng tích cực + u1 gần với u0 xa user lại + u2 gần với u3, u4, u5, u6 xa user cịn lại Từ similarity matrix này, ta phân nhóm user làm nhóm (u0, u1) (u2, u3, u4, u5, u6) Vì ma trận S nhỏ nên dễ dàng quan sát thấy điều này; số user lớn hơn, việc xác định mắt thường bất khả thi Việc xây dựng thuật tốn phân nhóm user (user clustering) việc tối quan trọng Pearson correlation: Pearson correlation hay gọi hệ số tương quan pearson, dùng để đo lường mức độ tương quan người dùng Nguyên tắc thuật toán đo lường phụ thuộc tuyến tính biến (hoặc người dùng) Do phân tích tương quan Pearson cịn gọi phân tích hồi quy đơn giản Hệ số tương quan Pearson (r) nhận giá trị từ -1 đến +1 Khi r = hoặc gần 0, điều có nghĩa biến khơng có liên quan đến Khi r > nghĩa biến tuyến tính dương, nghĩa giá trị biến tăng giá trị biến tăng Ngược lại r < nghĩa biến tuyến tính âm, nghĩa giá trị biến tăng biến giảm ngược lại 98 Cho biến số x, y từ n mẫu, hệ số tương quan Pearson ước tính cơng thức sau: Hình 5-15 Cơng thức tính hệ sống tương quan Pearson x y Rating prediction: Việc xác định mức độ quan tâm user lên item dựa user gần (neighbor user) tương tự phương pháp K-nearest neighbors (KNN) Tương tự KNN, CF, missing rating xác định dựa thông tin k neighbor user Tất nhiên quan tâm tới user rate item xét Predicted rating thường xác định trung bình cộng trọng số rating chuẩn hố Có điểm cần lưu ý, KNN, trọng số xác định dựa khoảng cách điểm, khoảng cách số khơng âm Trong đó, CF, trọng số xác định dựa similarity user, trọng số nhỏ hình c) Cơng thức sử dụng để dự đoán rating u cho i là: 𝑦̂𝑖,𝑢 = ∑𝑢𝑗∈𝑁(𝑢,𝑖) 𝑦𝑖,𝑢 𝑠𝑖𝑚(𝑢, 𝑢𝑗 ) 𝑗 ∑𝑢𝑗∈𝑁(𝑢,𝑖)|𝑠𝑖𝑚(𝑢, 𝑢𝑗 )| (sử dụng trị tuyệt đối để xử lý số âm) 99 Trong 𝑁(𝑢, 𝑖) tập hợp k user neighborhood (tức có similarity cao nhất) u rate i Hình d) thể việc điền giá trị thiếu ma trận chuẩn hố Các màu đỏ thể giá trị dương, tức item mà user quan tâm Ở đây, lấy ngưỡng 0, hồn tồn chọn ngưỡng khác Một ví dụ việc tính normalize rating u1 cho i1 cho hình e) với số nearest neighbors k = Các bước thực sau: + Xác định user rate i1, u0, u3, u5 + Xác định similarity u1 user này, nhận 0.83, 0.40, -0.23 Hai (k=2) giá trị lớn 0.83 -0.23 tương ứng với u0 u5 + Xác định normalized rating u0 u5 cho i1, thu giá trị 0.75 0.5 + Dự đoán kết quả: 𝑦̂𝑖1,𝑢1 = 0.83 × 0.75 + (−0.23) × 0.5 ≈ 0.48 |0.83| + |−0.23| Việc hệ thống định gợi ý item cho user xác định nhiều cách khác Có thể xếp unrate item theo thứ tự từ lớn đến bé predicted rating, hoặc chọn item có normalized predicted rating dương – tương ứng với việc user có nhiều khả thích 5.1.3 Đánh giá 5.1.3.1 - So sánh kết Trên liệu MoviesLens100K, với liệu train từ file ua.base liệu test từ ua.test 100 Content-based Neighborhoodbased RMSE 0.908843 0.894275 1.270618 0.98679 training RMSE test Bảng 5-1 Neighborhood-based cho kết tốt (RMSE nhỏ nhất) 5.1.3.2 Ưu điểm Nhược điểm Content-based Recommender System - Ưu điểm: • Khơng cần liệu user khác • Tiết kiệm nhớ thời gian tính tốn Đồng thời, hệ thống có khả tận dụng thơng tin đặc trưng item mô tả mơ tả (description) item • - Có thể gợi ý item mới, item không phổ biến Nhược điểm: • Khó để tìm feature cho item • Khơng gợi ý item ngồi user profile • Khơng khai thác thơng tin user khác • khơng phải lúc có mơ tả cho item Neighborhood-based Collaborative Filtering - Ưu điểm: • Đưa gợi ý xác sử dụng liệu rating từ nhiều user khác 101 • - Có thể hoạt động với nhiều loại item khác Nhược điểm: • Khởi đầu lạnh (Cold Start): cần số lượng đủ user hệ thống để tìm gợi ý phù hợp • Ma trận thưa (Sparsity): Utility matrix (ma trận rating) thường thưa thớt dẫn đến khó khăn việc tìm users rate item • Khơng gợi ý item chưa có rating (item mới) • Có xu hướng gợi ý item phổ biến 102 5.2 Áp dụng thuật toán Recommedation vào ứng dụng 5.2.1 Gợi ý cho bạn Trong ứng dụng có mục “Có thể bạn thích” hình trang chủ, profile gợi ý áp dụng thuật toán Neighborhood-based Collaborative Filtering dựa vào ratings user cho sản phẩm, tính sản phẩm có độ tương đồng với người dùng đăng nhập Nếu trường hợp user chưa có liệu rating hoặc user dựa vào thuật toán WeightedRating để gợi ý top sản phẩm cho người dùng Sau nhận liệu gợi ý, ứng dụng hiển thị kết mục “gợi ý cho bạn” Hình 5-16 Hiển thị kết “Gợi ý cho bạn” ứng dụng 103 5.2.2 - Có thể bạn thích Mục “Có thể bạn thích” hiển thị số hình chi tiết sản phẩm, hình sản phẩm u thích, hồ sơ người dùng, … - “Có thể bạn thích” áp dụng thuật toán Content-Based để gợi ý cho người dùng Dữ liệu dựa vào sản phẩm xem, sản phẩm yêu thích, sản phẩm giỏ hàng đặt hàng để gợi ý cho người dùng - Sau nhận liệu gợi ý, ứng dụng hiển thị kết mục “Có thể bạn thích” Hình 5-17 Hiển thị kết “Có thể bạn thích” ứng dụng 104 5.2.3 - Sản phẩm tương tự Mục “sản phẩm tương tự” dựa vào thuật tốn Content-Based để tính độ tương đồng mô tả sản phẩm khác Sẽ trả cho người dùng sản phẩm tương tự với sản phẩm người dùng hướng đến Hình 5-18 Hiển thị kết sản phẩm tương tự ứng dụng 105 5.2.4 Tìm kiếm phổ biến Khi tìm kiếm sản phẩm, ứng dụng hiển thị cho khách hàng tìm kiếm phổ biến dựa vào thuật tốn WeightedRating Hình 5-19 Hiển thị kết tìm kiếm phổ biến ứng dụng 106 Chương KẾT LUẬN 6.1 Kết đạt 6.1.1 - Lý thuyết Hiểu toán khuyến nghị với phương pháp chính: Contendbased Collaborative Filtering, bên cạnh cịn có phương pháp WeightedRating để xếp hạng sản phẩm - Nắm bắt nghiệp vụ bán hàng online 6.1.2 Công nghệ Biết cách sử dụng công nghệ hỗ trợ (Flutter, Java Spring Boot, MySQL) để xây dựng ứng dụng Java Spring Boot: Khoá luận sử dụng Java Spring Boot để xây dựng - backend, tạo API cho ứng dụng MySQL: Sử dụng hệ quản trị sở liệu MySQL để lưu trữ database - ứng dụng Flutter: xây dựng ứng dụng mobile để người dùng sử dụng, mua sắm thời - trang 6.1.3 Ứng dụng 6.1.3.1 Đối với ứng dụng - Hoạt động tốt tảng Android iOS - Khách hàng thực chức có ứng dụng - Giao diện trực quan tiện lợi cho người dùng - Tạo liên kết logic hình để khách hàng chuyển hình cách nhanh thuận tiện 107 6.1.3.2 - Đối với hệ thống gợi ý sản phẩm Hệ thống gợi ý sản phẩm phù hợp cho người dùng (chưa đăng nhập) người dùng cũ (đã đăng nhập) - Dự đoán dược sở thích người dùng dựa vào liệu ratings 6.1.3.3 Đối với người dùng - Có thể đăng ký đăng nhập để vào ứng dụng - Có thể tìm kiếm xem thơng tin sản phẩm - Có thể xem danh mục tìm sản phẩm theo danh mục - Được gợi ý sản phẩm phù hợp với sở thích - Có thể chỉnh sửa thơng tin cá nhân - Có thể thêm sản phẩm vào giỏ hàng, yêu thích sản phẩm, xem sản phẩm xem Có thể xem lịch sử đơn hàng quản lý đơn hàng muốn tốn - Có thể đánh giá sản phẩm mua hàng toán thành cơng 6.2 Hạn chế - Vì quỹ thời gian gặp số khó khăn việc làm đề tài, nên ứng dụng nhiều chức thiếu sót ứng dụng cịn nhiều hạn chế: + Chưa tích hợp tốn trực tuyến + Chưa phát triển tính xác thực qua email, số điện thoại + Chưa có tích hợp chức nhận thơng báo + Chưa có chức admin để quản lý sản phẩm, viết đơn hàng + Hệ thống gợi ý chưa hiệu với trường hợp chưa có liệu, thời gian cập nhật lại liệu gợi ý chậm thời gian thực 108 + Tối ưu code chưa tốt nên tốc độ tương tác ứng dụng cịn chậm + Các thuật tốn mức độ hiểu code nên chưa tối ưu hoá + Một số chức chưa hoàn thiện + Điểm bật đăng viết dừng mức thiết kế 109 Chương Hướng phát triển - Xây dựng chứa cịn thiếu, hồn thiện chức có - Tích hợp tốn trực tuyến Paypal, Momo, thẻ ATM… - Tích hợp đơn vị vận chuyển khuyến giảm giá vận chuyển - Tối ưu hóa code để tăng tốc độ tương tác - Tối ưu hóa việc gợi ý thư viện hỗ trợ - Tích hợp điểm thưởng để quy đổi voucher phù hợp - Xây dựng chức quản lý ứng dụng Admin - Quản lý chi tiết nghiệp vụ nhập hàng, xuất hàng tồn kho - Thêm đối tượng cửa hàng tham giao vào ứng dụng để mở rộng hệ thống, gia tăng thêm lợi nhuận tăng doanh thu 110 Tài liệu tham khảo [1] J Gosling, D C Holmes, and K Arnold (2005), “The Java programming language.” Addison-Wesley [2] M J Pazzani and D Billsus (2007), “Content-based recommendation systems,” in The adaptive web, Springer [3] G Linden, B Smith, and J York (2003) , “Amazon com recommendations: Item-to-item collaborative filtering,” IEEE Internet Comput [4] D Friends (2020), “History of MySQL.” http://databasefriends.blogspot.com/2014/02/history-of-mysql.html [5] “Machine Learning bản.” https://machinelearningcoban.com/ [6] Magenet - One-stop Solultion (2020), “Flutter gì? Tại nên học, sử dụng ngơn ngữ lập trình Flutter?,” [Trực tuyến] Available: https://magenest.com/vi/flutter-la-gi/ [7] TMA Solution (2010), “Spring Boot gì? `Bạn cần biết học Spring Boot,” [Trực tuyến] Available: https://www.tma.vn/Hoi-dap/Camnang-nghe-nghiep/Spring-Boot-la-gi-Ban-can-biet-nhung-gi-khi-hocSpring-Boot/55096 [8] BizFlyCloud (2020), “Mysql gì? Tổng hợp thông tin chi tiết Mysql,” [Trực tuyến] Available: https://bizflycloud.vn/tin-tuc/mysql-la-gitai-sao-nen-su-dung-mysql-20200917180705499.htm [9] L Nguyen (2021), “Firebase gì? Giới thiệu Firebase tính Firebase,” itnavi [Trực tuyến] Available: https://itnavi.com.vn/blog/firebase-la-gi/ [10] GMO-Z.com (2017), “Firebase: (P1) Giới thiệu Firebase,” [Trực tuyến] Available: https://blog.vietnamlab.vn/firebase-p1-gioi-thieu-firebase/ 111 [11] o7planning (2020), “Introduction to ReactJS,” [Trực tuyến] Available: https://o7planning.org/12115/introduction-to-react [12] O Chuks (2019), “How to handle state in Flutter using the BLoC pattern,” [13] topdev.vn (2017), “Hiểu rõ JSON gì?,” [Trực tuyến] Available: https://topdev.vn/blog/json-la-gi/ [14] C T Nguyen (2018), “Ứng dụng học máy hệ khuyến nghị tự động,” [Trực tuyến] Available: https://thucnc.medium.com/ứng-dụnghọc-máy-trong-hệ-khuyến-nghị-tự-động-55afd08610b6 [15] Aditya Sharma (2020) “Beginner Tutorial: Recommender Systems in Python” https://www.datacamp.com/community/tutorials/recommendersystems-python [16] Bindhu Balu (2019), “Content-Based Recommendation System | | Medium” https://medium.com/@bindhubalu/content-basedrecommender-system-4db1b3de03e7 112 ... thống gợi ý sản phẩm dựa theo thông tin người dùng VIEHO Viet Hoang Tên ứng dụng thực TĨM TẮT KHĨA LUẬN Khóa luận “XÂY DỰNG ỨNG DỤNG KINH DOANH THIẾT BỊ ĐIỆN TỬ HỖ TRỢ KHUYẾN NGHỊ SẢN PHẨM” gồm 07... PHẦN MỀM NGUYỄN LÊ VIỆT HỒNG - 17520513 KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG KINH DOANH THIẾT BỊ ĐIỆN TỬ HỖ TRỢ KHUYẾN NGHỊ SẢN PHẨM Business application for electronic devices with recommendation... cứu - Xây dụng ứng dụng đa tảng Flutter, service xây dựng ngôn ngữ Java - Xây dựng ứng dụng hướng đến người dùng có nhu cầu mua sắm thiết bị điện tử trực tuyến - Tìm hiểu hệ thống gợi ý sản phẩm