Giới thiệu
Mở Shopee bạn thấy “Gợi ý cho bạn” — 20 sản phẩm xếp theo thứ tự. Mở TikTok bạn lướt For You và 30 video đầu tiên đã chọn thứ tự rất kỹ. Mở Spotify, Discover Weekly sắp 30 bài theo đúng tuần tự bạn sẽ thích nhất — giảm dần. YouTube làm điều tương tự với hàng tỉ video mỗi ngày.
Bên trong cả bốn hệ gợi ý này là cùng một câu hỏi: “Mô hình nên học điều gì?” Câu trả lời nằm ở hàm mất mát (loss function) — thước đo cho biết mô hình đoán “đúng” đến đâu. Cùng một dữ liệu, đổi loss thì bảng xếp hạng top 10 đổi hoàn toàn. Đây là chỗ thú vị nhất của câu chuyện: không phải “bao nhiêu dữ liệu” mà là “dạy mô hình tối ưu điều gì” mới quyết định trải nghiệm của bạn.
| Nền tảng | Mục tiêu tối ưu |
|---|---|
| E-commerce (SG) | Gợi ý sản phẩm — ưu tiên mua thật, không chỉ click |
| TikTok For You | Sắp xếp cho người xem lâu, không bỏ lướt |
| Spotify Discover Weekly | 30 bài theo đúng thứ tự yêu thích |
| YouTube Home & Up Next | Tối ưu watch time, chống clickbait |
Hệ gợi ý không cần đoán “điểm” chính xác. Nó cần sắp xếp đúng thứ tự. Nhưng các hàm mất mát quen thuộc nhất từ trường lớp (MSE — sai số bình phương trung bình, MAE — sai số tuyệt đối) lại được thiết kế cho hồi quy: chúng phạt khoảng cách giữa con số dự đoán và con số thật.
| Loss | Cách học | Phù hợp khi |
|---|---|---|
| MSE — học con số | Dự đoán rating 4.0 khi thật là 4.5 → mất 0.25. Phạt theo khoảng cách, không quan tâm thứ tự. | Hồi quy giá nhà, nhiệt độ — có đáp án số thật. |
| Pairwise — học cặp | So từng cặp A vs B. Mô hình đặt A > B đúng → điểm tốt. Không cần biết số cụ thể. | Hệ gợi ý có phản hồi ngầm (ai click, ai skip). |
| Listwise — học cả bảng | Nhìn top-K, phạt mạnh lỗi ở vị trí cao. Tối ưu trực tiếp metric đánh giá (NDCG). | Ranking sản xuất — TikTok, YouTube, Shopee. |
Ba thế hệ loss cho hệ gợi ý
| Thời điểm | Thế hệ | Điều xảy ra |
|---|---|---|
| Netflix Prize (2006–2009) | MSE / RMSE | Netflix mở cuộc thi 1 triệu đô với metric là RMSE trên rating 1–5 sao. Toàn ngành học bằng MSE trong 3 năm. Bài báo thắng giải dùng tới 107 mô hình gộp lại, nhưng khi triển khai thật thì Netflix không dùng — vì metric tối ưu (RMSE trên sao) không phải thứ người xem quan tâm. Khách hàng không nhập sao, họ ấn play. |
| 2009 | Pairwise (BPR) | Rendle và cộng sự đề xuất: thay vì dự đoán số, hãy cho mô hình học từ cặp “A được click, B không được click”. Không cần rating rõ ràng — chỉ cần biết “user thích A hơn B”. Đây là nền tảng của gần như mọi hệ gợi ý hiện đại với phản hồi ngầm. |
| 2010 | Listwise (LambdaRank) | Burges et al. chỉ ra: pairwise đối xử mọi cặp như nhau, nhưng lỗi ở top 1–3 tệ hơn lỗi ở vị trí 18–20. LambdaRank đưa thêm trọng số NDCG vào gradient — phạt mạnh hơn khi lỗi xảy ra ở đỉnh bảng. Đây chính là thuật toán phía sau Bing search rank và lan ra hầu hết hệ gợi ý lớn. |
| 2016 | Weighted logistic (YouTube) | Trong paper RecSys 2016, Covington đưa ra cách “mượn” logistic regression để tối ưu thời gian xem: mỗi ví dụ positive được nhân trọng số bằng số giây đã xem. Loss function vẫn là cross-entropy, nhưng trọng số biến nó thành “xác suất người dùng sẽ xem bao lâu”. Kết quả: video clickbait bị hạ rank vì ai nhấp cũng thoát nhanh, trọng số thấp. |
| 2022 | Multi-task loss (TikTok Monolith) | ByteDance công bố: For You không chỉ tối ưu một mục tiêu. Mô hình có nhiều đầu ra (đã xem hết, like, comment, share) và cộng nhiều loss lại với trọng số riêng. Skip nhanh = tín hiệu negative mạnh, like = positive mạnh, share = cực mạnh. Cùng lúc tối ưu tất cả → ranking phản ánh nhiều dạng hài lòng hơn. |
Shopee tối ưu xác suất mua (không phải click) với loss có trọng số doanh thu. Spotify Discover Weekly kết hợp collaborative filtering (gần như pairwise) với CNN phân tích phổ âm thanh. Dù app khác nhau, ý tưởng trung tâm đều giống: chọn loss phản ánh đúng giá trị thực sự muốn tối ưu, không phải một tín hiệu thay thế dễ đo.