ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← Ứng dụng ngành

AI Foundation

Hệ thống gợi ý

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Shopee, Tiki, Netflix, Zing MP3 đều đang đoán sở thích của bạn bằng cùng một công thức. Bài này vẽ ra công thức đó cho dân văn phòng — không mã, không công thức toán.

lesson36 minỨng dụng ngànhAI Foundation

Dự đoán

Bạn vừa xem xong một phim kiếm hiệp trên Netflix. Lần sau mở app, Netflix sẽ gợi ý kiểu nào?

Ẩn dụ — anh bán tạp hóa đầu hẻm

Anh bán tạp hóa lâu năm không cần thuật toán. Anh nhớ chị bán bún sáng nào cũng mua ba quả trứng vịt lộn. Anh đoán chị khó ngủ có thể cần thêm lọ mật ong, vì dì Năm hàng xóm có thói quen gần giống cũng mua mật ong. Khi có hàng mới, anh gợi ý đúng người hợp gu chứ không tiếp thị tràn lan.

Việc anh làmHệ thống gợi ý làm gì
Nhớ lịch sửGhi nhận hành vi mua và xem của từng khách
Đoán sở thích ẩnSuy ra thứ khách có thể thích từ những người có thói quen tương tự
Gợi ý đúng lúc, đúng ngườiĐẩy đúng sản phẩm mới tới người hợp gu, không tiếp thị đại trà

Shopee với 200 triệu khách không thể thuê 200 triệu anh bán tạp hóa. Nhưng có thể dựng một hệ thống gợi ý làm đúng ba việc trên ở quy mô lớn.

Khám phá — hai cách đoán và một khởi đầu lạnh

Máy đoán sao

Khi bạn chấm sao vài phim, hệ thống đoán rating cho các phim còn lại bằng cách nhìn những người giống bạn. Công thức: trung bình có trọng số các rating của họ. Người giống bạn hơn được tính nặng hơn.

Hai kiểu gợi ý, hai kiểu kết quả

Cùng một người vừa xem “Anh Hùng Xạ Điêu”, hệ thống có hai cách chọn phim tiếp theo.

Theo đặc tính phim (content-based)Theo người giống bạn (collaborative)
Nhìn vàoThể loại, đạo diễn, diễn viên, thời đại của phimNhững người có gu xem gần giống bạn đã thích thêm phim gì
Ưu điểmPhim mới đăng hôm qua vẫn gợi ý được, chỉ cần có metadataPhát hiện sở thích ẩn: fan kiếm hiệp có thể thích cả một phim lãng mạn mà họ chưa biết
Nhược điểmDễ lặp lại kiểu phim cũ, khó bất ngờPhim mới chưa ai xem sẽ không xuất hiện

Khởi đầu lạnh (cold start)

Khách mới đăng ký Shopee, chưa mua gì: app không có lịch sử để đoán sở thích. Trong 10 phút đầu, cách làm thường gặp là hỏi onboarding, quan sát hành vi ngầm và đưa ra sản phẩm hot an toàn — đây là bước mà công thức cá nhân hoá chưa thể làm một mình.

Khoảnh khắc Aha

Chất lượng gợi ý tỷ lệ thuận với lượng hành vi quan sát được.

Càng nhiều người dùng thì có càng nhiều “hàng xóm” để so sánh. Càng nhiều tương tác trên mỗi người thì càng biết rõ gu. Đó là lý do các sàn lớn khó bị đánh bại: không phải vì họ có thuật toán bí mật, mà vì có kho hành vi của hàng trăm triệu người.

Thử thách

Sàn A có 1 triệu khách, sàn B có 100 triệu khách. Giả sử cả hai dùng cùng một thuật toán lọc cộng tác. Sàn nào có gợi ý đúng gu tốt hơn?
TikTok “bắt bài” bạn sau 30–40 video dù bạn chưa like cái nào. Tín hiệu nào giúp nó làm được?
Bạn làm marketing ở Tiki và được giao: tăng tỷ lệ khách mới quay lại mua lần hai trong 30 ngày. Đội recommender nên ưu tiên cải thiện gì?

Giải thích

Phía sau trang chủ của một app mua sắm là nhiều lớp. Dân làm sản phẩm hay gọi là retrieval → ranking → re-ranking: chọn ứng viên, xếp hạng cẩn thận, rồi chỉnh cho đẹp. Mỗi lớp dùng một kỹ thuật khác nhau.

Ba lớp của một hệ thống gợi ý

Từ hàng trăm triệu sản phẩm đến màn hình

1 / 3
  1. 1. Chọn ứng viên (retrieval)

    Từ hàng trăm triệu sản phẩm, chọn nhanh khoảng 1.000 ứng viên hợp gu nhất. Ở đây tốc độ quan trọng hơn độ chính xác tuyệt đối.

Hai họ kỹ thuật

Đo gợi ý tốt thế nào?

Ba chỉ số là ngôn ngữ chung của đội recommender. Hiểu ba chỉ số này là đủ để tham gia họp với đội marketing và sản phẩm.

Chỉ sốĐo gìVí dụ trong bài
Precision@10Trong 10 gợi ý đầu, bao nhiêu thật sự trúng10 gợi ý, chị An bấm vào 7 cái → 70%
Recall@50Trong tất cả sản phẩm chị sẽ thích, bao nhiêu nằm trong top 50Chị sẽ thích 100 sản phẩm, top 50 chứa 62 → 62%
nDCG@10Không chỉ trúng hay không — sản phẩm hay có ở vị trí cao khôngSản phẩm trúng nhất cần nằm ở vị trí 1–3, không phải vị trí 9

Ba cạm bẫy kinh điển

  • Cold start (khởi đầu lạnh): khách mới hoặc sản phẩm mới chưa có lịch sử, lọc cộng tác đứng hình. Cách xử: hỏi onboarding, quan sát ngầm, hoặc lùi về gợi ý theo nội dung và sản phẩm hot.
  • Popularity bias (thiên kiến hàng hot): hệ thống đẩy sản phẩm top → khách bấm nhiều → sản phẩm top lại càng top. Sản phẩm dài đuôi (long-tail) bị chìm, gây bất lợi cho người bán nhỏ.
  • Filter bubble (buồng lọc): cá nhân hoá cực đoan làm góc nhìn hẹp dần. Giải pháp: dành khoảng 5–15% gợi ý cho thứ lạ, để khám phá sở thích mới.

Ở Việt Nam, bạn dùng app nào đang được gợi ý?

Gần như mọi app có scroll đều có recommender. Theo nguồn bài:

  • Shopee: trang “Gợi ý hôm nay” gần như toàn bộ cá nhân hoá, dùng cả lọc cộng tác, lọc nội dung và học máy từ hành vi scroll.
  • Tiki: banner “Dành riêng cho bạn” trên trang chủ, thế mạnh là dữ liệu mua sách và điện tử tích luỹ nhiều năm.
  • Lazada: tab “Khám phá” gợi ý theo sở thích (nguồn bài nêu một hệ thống AI riêng phối hợp với Alibaba Cloud — chưa kiểm chứng).
  • Zing MP3: playlist “Gợi ý cho bạn” và radio tự tạo, kết hợp lịch sử nghe và đặc trưng bài hát.
  • FPT Play: trang chủ tuỳ biến theo vùng miền, thời gian xem và loại thiết bị.

Với người làm marketing hoặc e-commerce, hiểu hệ thống gợi ý giúp viết mô tả sản phẩm đúng xu hướng, tận dụng sản phẩm hot dịp lễ để bù cho khách mới, và không hoảng khi doanh số dao động 10–15% — đôi khi chỉ vì nền tảng đổi trọng số trong một thí nghiệm A/B.

Tóm tắt

  • Hệ thống gợi ý là anh bán tạp hóa phiên bản số: nhớ hành vi, đoán sở thích ẩn và đẩy đúng người, ở quy mô hàng trăm triệu khách.
  • Lọc cộng tác dựa vào người giống bạn; lọc nội dung dựa vào đặc tính sản phẩm; đa số sàn trộn cả hai.
  • Cold start là điểm mù lớn nhất — onboarding, sản phẩm hot và quan sát ngầm là ba cách xử lý kinh điển.
  • Đo chất lượng bằng Precision, Recall và nDCG — trong đó nDCG nhạy với thứ tự, phim hay phải ở vị trí cao.
  • Filter bubble là cái giá của cá nhân hoá cực đoan. Các đội recommender chừa khoảng 5–15% để khám phá thứ bạn chưa biết mình thích.

Continue the path

Lesson 92 of 106