Hệ thống gợi ý (RS) dựa vào dữ liệu trong quá khứ để dự đoán những gợi ý phù hợp nhằm hỗ trợ người dùng ra quyết định. RS đã trở thành một ứng dụng quan trọng và thu hút được sự quan tâm lớn của các nhà nghiên cứu cũng như các doanh nghiệp kinh doanh trực tuyến lớn. RS được ứng dụng trong rất nhiều lĩnh vực như thương mại, giải trí, giáo dục, y tế…

Bài viết này đề xuất một giải pháp ứng dụng trí tuệ nhân tạo trong lĩnh vực thương mại, cụ thể là ứng dụng trong xây dựng hệ thống gợi ý món ăn nhằm hỗ trợ khách hàng, nhân viên phục vụ lựa chọn món ăn dễ dàng và phù hợp hơn, đồng thời rút ngắn thời gian phục vụ. Hệ thống này kết hợp kỹ thuật lọc cộng tác và phương pháp luật kết hợp nhằm đưa ra các gợi ý không chỉ mang tính quy luật chung trên toàn hệ thống mà còn mang tính cá nhân hóa cho từng người dùng, xây dựng nên gợi ý chuỗi món ăn phù hợp từ món khai vị đến tráng miệng. Giai đoạn đầu tiên là thu thập tập dữ liệu các giao dịch là các hóa đơn phục vụ tại quán ăn, thực hiện tiền xử lý dữ liệu. Tiếp theo là đề xuất phương pháp kết hợp kỹ thuật lọc cộng tác và luật kết hợp và sau cùng thực nghiệm, đánh giá kết quả.

Hiện có rất nhiều nghiên cứu về RS, nhiều thuật toán và kỹ thuật gợi ý đã được đề xuất bởi cả các nhà khoa học. Trong đó hệ thống gợi ý dựa trên phương pháp lọc cộng tác là một trong những hướng tiếp cận phổ biến nhất hiện nay. Kỹ thuật lọc cộng tác được dùng để đánh giá độ quan tâm của người dùng trên sản phẩm. Rất nhiều nghiên cứu về RS từ giới thiệu về các giải thuật cơ bản, cấu trúc hệ thống gợi ý đến phương pháp gợi ý như sử dụng kỹ thuât lọc cộng tác (Low et al., 2019; LeBlanc et al., 2024). Những phương pháp này liên quan đến việc cá nhân hóa các gợi ý dựa trên thông tin của mỗi người dùng (user) hay sản phẩm (item). Bên cạnh đó, phương pháp khai thác dữ liệu bằng luật kết hợp trong hệ thống gợi ý (không cá nhân hóa) cũng nhận được nhiều sự quan tâm. Luật kết hợp được dùng để phát hiện ra các luật quan trọng giữa các thành phần dữ liệu trong cơ sở dữ liệu (Jooa et al., 2016; Kannout et al., 2022).

Bondevik et al. (2024) đã trình bày một tài liệu lược khảo tổng quan về các phương pháp trong gợi ý món ăn. Nhóm tác giả đã trình bày những ưu điểm và nhược điểm của các hệ thống gợi ý món ăn hiện tại. Tổng cộng 67 nghiên cứu chất lượng cao đã được chọn từ nhóm 2,738 nghiên cứu. Đánh giá này cho thấy rằng lĩnh vực gợi ý món ăn rất đa dạng và hầu hết các hệ thống được xây dựng bằng cách sử dụng phương pháp lọc cộng tác và học máy dựa trên nội dung để đề xuất các món ăn, tuy nhiên không được cá nhân hóa.

Một hệ thống gợi ý thức ăn khác được phát triển bởi Singh and Dwivedi (2023) bằng cách sử dụng phương pháp K-láng giềng. Hệ thống này gợi ý thức ăn dựa trên tên, ID, loại món ăn, loại chế độ ăn kiêng như ăn chay hoặc không ăn chay trong trường hợp sử dụng phương pháp lọc dựa trên nội dung.

Gupta et al. (2021) đã xây dựng hệ thống gợi ý thức ăn cá nhân hóa cho người dùng, hệ thống này đề xuất các món ăn và nhà hàng có sẵn dựa trên tâm trạng hiện tại của người dùng. Tập dữ liệu từ Zomato được lấy để xác định vị trí các nhà hàng dựa trên vị trí của người dùng. Một trang web được thiết kế để người dùng nhập thông tin cá nhân cơ bản của họ để phát triển hệ thống được cá nhân hóa, sau đó chọn tâm trạng hiện tại của họ trong số các tùy chọn được cung cấp. Tổng cộng có 9 nhà hàng được đề xuất cho khách hàng, trong đó top 3 là đề xuất tốt nhất và 6 nhà hàng là đề xuất khác. Các nhà hàng được nhóm theo vị trí bằng thuật toán KNN. Các nghiên cứu khác có thể tìm thấy trong Rostami et al. (2023) và Al-Chalabi et al. (2023).

Hệ thống gợi ý sử dụng những dữ liệu về sở thích của người dùng để đề xuất các mục dữ liệu phù hợp. Cấu trúc một hệ thống gợi ý gồm ba thành phần chính: người dùng (user), mục dữ liệu (item) và lịch sử tương tác của người dùng trên mục dữ liệu (rating). Thông thường người ta gọi U là tập tất cả người dùng (users) và u là một người dùng cụ thể nào đó (u ^ U). I là tập tất cả các mục dữ liệu (hay mục sản phẩm - items) sẽ được gợi ý và i là một sản phẩm cụ thể nào đó (i G I) . R là tập hợp các giá trị xếp hạng, dùng để ước lượng “sở thích” (preference) của người dùng và rui G R là xếp hạng của người dùng u trên sản phẩm i. Mục tiêu hệ thống là dự đoán giá trị xếp hạng r của các item i mà người dùng u chưa biết đến. Giá trị xếp hạng lớn nhất là sản phẩm có khả năng được người dùng ưa thích nhất, từ đó gợi ý cho người dùng. Để đưa ra được danh sách gợi ý hay dự đoán các giá trị đánh giá này, hệ thống có thể sử dụng các kỹ thuật như gợi ý dựa trên nội dung, dựa trên lọc cộng tác và kết hợp cả 2 phương pháp này. Nghiên cứu này sử dụng phương pháp lọc cộng tác do tính phổ biến và dễ dàng thu thập dữ liệu của nó.