Hệ tư vấn ứng dụng cho toán dự báo kết bóng đá Nguyễn Thị Ninh Trường Đại học Công nghệ Luận văn ThS Công nghệ thông tin; Mã số: 60480104 Người hướng dẫn: PGS.TS Nguyễn Đình Hóa, TS Lê Hoàng Sơn Năm bảo vệ: 2014 Abstract Hệ tư vấn ứng dụng nhiều lĩnh vực sống để đưa khuyến nghị cho người dùng cần tìm kiếm, đánh giá thơng tin Trên sở đó, luận văn trình bày đạt kết sau: Về mặt lý thuyết, tổng quan kiến thức khai phá thông tin Tổng quan hệ tư vấn phương pháp lọc Độ đo tương tự NHSM Về mặt ứng dụng, triển khai thuật toán lọc cộng tác với độ đo NHSM cho toán dự báo kết bóng đá Keywords Hệ tư vấn; Hệ thống thông tin; Công nghệ thông tin Content Chương 1: Tổng quan khai phá liệu Trong chương này, luận văn trình bày vấn đề khai phá liệu như: định nghĩa, thành tố nhiệm vụ khai phá liệu, nhiệm vụ, kỹ thuật ứng dụng khai phá liệu Thơng qua đó, khai phá liệu tạo điều kiện phát triển cho hệ tư vấn Chương 2: Hệ tư vấn phương pháp lọc Phần giới thiệu thông tin liên quan đến hệ tư vấn: định nghĩa phương pháp khuyến nghị lọc cộng tác Vấn đề thứ hai trình bày chương vấn đề cold - start nảy sinh phương pháp khắc phục dựa tính nhân Nội dung phần trình bày cụ thể vai trò ngữ cảnh xuất phương pháp tiếp cận đa chiều khuyến nghị Phần trình bày độ đo tương tự Đưa độ đo tương tự NHSM thuật tốn dự báo kết bóng đá với độ đo Chương 3: Ứng dụng cho tốn dự báo kết bóng đá Nội dung chương trình bày phân tích, thiết kế trang web dự báo kết bóng đá xây dựng chương trình ứng dụng References Tiếng Việt [1] Nguyễn Đức Cường (2011), Tổng quan khai phá liệu, Khoa Công nghệ Thông tin, Đại học Bách Khoa TPHCM [2] Đỗ Phúc (2005), Giáo trình Khai thác liệu, ĐHQG TPHCM [3] Nguyễn Nhật Quang (2010), Khai phá liệu, Viện Công nghệ Thông tin Truyền thông, Đại học Bách Khoa Hà Nội [4] Hà Quang Thụy (2011), Bài giảng nhập môn khai phá liệu, Đại học Công nghệ, ĐHQGHN Tiếng Anh [1] Abdelwahab A., Sekiya H., Matsuba I., Horiuchi Y., Kuroiwa S (2009), Collaborative filtering based on an iterative prediction method to alleviate the sparsity problem, in: Proceedings of the International Conference on Information Integration and Web-based Applications & Services, pp 375–379 [2] Adomavicius G., R Sankaranarayanan, S Sen and A Tuzhilin (2005), “Incorporating contextual information in recommender systems using a multidimensional approach”, ACM Transactions on Information Systems (TOIS), 23(1), pp 103-145 [3] Adomavicius G., Tuzhilin, A (2005), “Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions”, Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749 [4] Adomavicius G., Tuzhilin, A (2011), “Context-aware recommender systems”, In Recommender systems handbook, pp 217-253 [5] Ahn H.J (2008), A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem, Inform Sci 178 (1), pp 37–51 [6] Anand D., Bharadwaj K.K (2011), Utilizing various sparsity measures for enhancing accuracy of collaborative recommender systems based on local and global similarities, Expert Syst Appl 38, pp 5101–5109 [7] Bobadilla J., Ortega F., Hernando A., Bernal J (2011), A collaborative filtering approach to mitigate the new user cold start problem, Knowledge-Based Syst 26, pp 225–238 [8] Bryan K., O'Mahony M and Cunningham P (2008), “Unsupervised retrieval of attack profiles in collaborative recommender systems”, Proceedings of the 2008 ACM conference on Recommender systems, pp 155-162 [9] Cacheda F., Carneiro V., Fernández D., Formoso V (2011), Comparison of collaborative filtering algorithms: limitations of current techniques and proposals for scalable, high-performance recommender system, ACM Trans Web (1), pp 1–33 [10] DanEr C (2009), The collaborative filtering recommendation algorithm based on BP neural networks, in: Proceedings of the International Symposium on Intelligent Ubiquitous Computing and Education, pp 234–236 [11] Fayyad U., Piatetsky-Shapiro G and Smyth P (1996), “From data mining to knowledge discovery in databases”, AI magazine, 17(3), pp 37 [12] Fu Y (1997), Data mining: Tasks, techniques and applications, Department of Computer Science, University of Missouri-Rolla [13] Han J., Fu Y., Wang W., Koperski K and Zaiane O (1996), “DMQL: A data mining query language for relational databases”, Proc 1996 SiGMOD, 96, pp 27-34 [14] Hand D J., Mannila H and Smyth P (2001), Principles of data mining, MIT press Ho T B (2002), Introduction to knowledge discovery and data mining, National Center for Natural Science and Technology [15] Han J., Kamber M (2001), Data Mining: Concepts and Techniques, Morgan Kaufmann [16] Han J., Kamber M and Pei J (2006), Data mining: concepts and techniques, Morgan kaufmann [17] Han J., Kamber M and Pei J (2011), Data mining: concepts and techniques, Elsevier [18] Hao M., King I., Michael R.I (2007), Effective missing data prediction for collaborative filtering, in: Proceedings of the Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp 39–46 [19] Hao M., Haixuan Y., Lyu M.R., Irwin K (2008), Sorec: social recommendation using probabilistic matrix factorization, in: Proceedings of the 17th ACM Conference on Information and Knowledge Management, pp 931–940 [20] Herlocker J.L., Konstan J.A., Borchers A., Riedl J (1999), An algorithmic framework for performing collaborative filtering, in: Proceedings of the Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp 230– 237 [21] Jamali M., Ester M (2009), TrustWalker: a random walk model for combining trustbased and item-based recommendation, in: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp 397–406 [22] Koutrica G., Bercovitz B., Garcia H (2009), FlexRecs: expressing and combining flexible recommendations, in: Proceedings of the ACM SIGMOD International Conference on Management of Data, pp 745–758 [23] Mobasher B., Burke R., Bhaumik R and Williams C (2005), “Effective attack models for shilling item-based collaborative filtering systems”, Proceedings of the 2005 WebKDD Workshop, held in conjuction with ACM SIGKDD’2005 [24] Haifeng L., Zheng H., Ahmad M., Hui T., Xuzhen Z., (2014), “Knowledge-Based Systems: A new user similarity model to improve the accurary of collaborative filtering”, pp 5-6 [25] Nan L., Chunping L (2009), Zero-sum reward and punishment collaborative filtering recommendation algorithm in: Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence Agent Technology, pp 548–551 [26] Naisbitt J (1982), Megatrends New York: Warner Books [27] O'Mahony M., Hurley N., Kushmerick N and Silvestre G (2004), “Collaborative recommendation: A robustness analysis”, ACM Transactions on Internet Technology (TOIT), 4(4), pp 344-377 [28] Ricci F., Rokach L and Shapira B (2011), Introduction to recommender systems handbook, pp 1-35 [29] Resnick P., Iacovou N., Suchak M., Bergstrom P., Riedl J (1994), GroupLens: an open architecture for collaborative filtering of netnews, in: Proceeding of the ACM Conference on Computer Supported Cooperative Work, pp 175–186 [30] Shardanand U., Maes P (1994), Social information filtering: algorithms for automating word of mouth, in: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pp 210–217 [31] Zenebe A., Norcio A F (2009), “Representation, similarity measures and aggregation methods using fuzzy sets for content-based recommender systems”, Fuzzy Sets and Systems, 160(1), pp 76-94  ... đo tư ng tự Đưa độ đo tư ng tự NHSM thuật tốn dự báo kết bóng đá với độ đo Chương 3: Ứng dụng cho toán dự báo kết bóng đá Nội dung chương trình bày phân tích, thiết kế trang web dự báo kết bóng. .. Collaborative filtering based on an iterative prediction method to alleviate the sparsity problem, in: Proceedings of the International Conference on Information Integration and Web-based Applications... thiết kế trang web dự báo kết bóng đá xây dựng chương trình ứng dụng References Tiếng Việt [1] Nguyễn Đức Cường (2011), Tổng quan khai phá liệu, Khoa Công nghệ Thông tin, Đại học Bách Khoa TPHCM