HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG
---------------------------------------

NGUYỄN NGỌC TUYÊN

NGHIÊN CỨU XÂY DỰNG HỆ THỐNG
KHUYẾN NGHỊ SẢN PHẨM TRONG
THƢƠNG MẠI ĐIỆN TỬ VỚI DEEP LEARNING

LUẬN VĂN THẠC SĨ KỸ THUẬT
(Theo định hướng ứng dụng)

TP.HỒ CHÍ MINH - 2017


HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG
---------------------------------------

NGUYỄN NGỌC TUYÊN

NGHIÊN CỨU XÂY DỰNG HỆ THỐNG
KHUYẾN NGHỊ SẢN PHẨM TRONG
THƢƠNG MẠI ĐIỆN TỬ VỚI DEEP LEARNING
Chuyên ngành:
Mã số:

HỆ THỐNG THÔNG TIN
60.48.01.04

LUẬN VĂN THẠC SĨ KỸ THUẬT
(Theo định hướng ứng dụng)

xin chúc Thầy luôn thành công trên con đƣờng giảng dạy, và cùng với gia đình
đƣợc nhiều sức khỏe và hạnh phúc.
Tiếp đến, tôi xin đƣợc gửi lời cảm ơn đến tất cả các Thầy, Cô đã và đang
giảng dạy ở Trƣờng Học Viện Công Nghệ Bƣu Chính Viễn Thông đã truyền đạt
cho tôi thêm những kiến thức mới để hoàn thành luận văn này. Tôi xin chúc quý
Thầy, Cô luôn nhiều sức khỏe, hạnh phúc và thành đạt.
Cuối cùng, tôi cũng xin cảm ơn gia đình, bạn bè, đồng nghiệp đã luôn quan
tâm, giúp đỡ, động viên tôi thực hiện luận văn tốt nghiệp cao học này.
TP.Hồ Chí Minh, ngày 25 tháng 05 năm 2017
Học viên thực hiện luân văn

Nguyễn Ngọc Tuyên


iii

MỤC LỤC
LỜI CAM ĐOAN ........................................................................................................ i
LỜI CẢM ƠN .............................................................................................................ii
MỤC LỤC ................................................................................................................. iii
DANH SÁCH HÌNH VẼ ............................................................................................ v
MỞ ĐẦU ..................................................................................................................... 1
1.

Tính cấp thiết của đề tài .................................................................................1

2.

Tổng quan vấn đề nghiên cứu........................................................................3



Kết luận chƣơng .................................................................................... 13

CHƢƠNG 2 – MÔ HÌNH HỌC SÂU – DEEP LEARNING ...............................15
2.1.

Giới thiệu .............................................................................................. 15

2.2.

Mạng nơ ron nhân tạo trong deep learning ........................................... 17

2.3.

Huấn luyện mạng nơ ron nhân tạo ........................................................ 23

2.5.

Một số mô hình mạng học sâu .............................................................. 25

2.6.

Kết luận chƣơng .................................................................................... 33

CHƢƠNG 3 – XÂY DỰNG HỆ THỐNG KHUYẾN NGHỊ SẢN PHẨM VỚI
DEEP LEARNING ...............................................................................................34
3.1.

Giới thiệu bài toán và phƣơng pháp tiếp cận ........................................ 34



KẾT LUẬN ............................................................................................................... 57
1.

Kết quả đạt đƣợc ................................................................................... 57

2.

Hƣớng nghiên cứu tiếp theo của luận văn ............................................ 57

DANH MỤC CÁC TÀI LIỆU THAM KHẢO ......................................................... 58


v

DANH SÁCH HÌNH VẼ
Hình 1.1. Hệ thống khuyến nghị ngƣời dùng của Amazon.com ......................... 10
Hình 2.1. Minh họa nơ ron sinh học ..................................................................... 17
Hình 2.2. Mạng nơ ron sinh học và mạng nơ ron nhân tạo ................................. 18
Hình 2.3. Cấu tạo một nơ ron nhân tạo ................................................................ 19
Hình 2.4. Cấu tạo của một mạng nơ ron nhân tạo đơn giản ................................ 21
Hình 2.5. Kiến trúc mạng nơ ron truyền thẳng .................................................... 22
Hình 2.6. Kiến trúc mạng nơ ron phản hồi ........................................................... 23
Hình 2.7. Mô hình mạng MPL 3 lớp ẩn và lớp output ........................................ 26
Hình 2.8. Cấu trúc mạng Hopfield....................................................................... 28
Hình 2.9. Mạng nơ - ron hồi quy một lớp ............................................................. 30
Hình 2.10. Một Boltzmann Machine .................................................................... 30
Hình 2.11. Một Restricted Boltzmann Machine .................................................. 32
Hình 3.1. Quy trình của hệ thống khuyến nghị sản phẩm cho ngƣời dùng ......... 34
Hình 3.2. Minh họa ma trận đánh giá R ( Rating maxtrix).................................. 35

hoạt động không thể thiếu trong đời sống hằng ngày. Mặt khác các website thƣơng
mại điện tử hiện nay dù đã đƣợc phát triển rất nhiều nhƣng thực sự vẫn chƣa thể
thay thế đƣợc các gian hàng thực. Một trong những nguyên nhân dẫn đến sự thua
kém này là yếu tố con ngƣời, ngoài ra một yếu tố khác nữa dẫn tới sự thua kém này
nằm ở chính các hệ thống website thƣơng mại điện tử đó. Các hệ thống mua bán
trực tuyến này luôn muốn ngƣời dùng tiếp cận nhiều mặt hàng cùng một lúc. Tuy
nhiên với sự đa dạng hàng hóa hiện nay thì khả năng tiếp cận chọn mặt hàng của
ngƣời dùng sẽ bị hạn chế, họ phải xem qua nhiều sản phẩm, đi tới nhiều liên kết để
có thể tìm ra sản phẩm mong muốn. Vậy làm sao để hỗ trợ khách hàng trong việc
mua bán đƣợc thuận lợi hơn? Cụ thể hơn là sản phẩm nào đƣợc đề xuất tới khách
hàng tiếp theo sau khi khách hàng đã đặt mua hoặc đánh giá một sản phẩm trƣớc
đó? Nên đề xuất bao nhiêu sản phẩm là tốt nhất cho khác hàng?
Để hình thức mua bán qua mạng thực sự phát triển thì bên cạnh các lợi thế
vốn có của mình việc có thêm một hệ thống trợ giúp là hết sức cần thiết. Hệ thống


2
khuyến nghị sản phẩm (recommendation system [6]) đƣợc hình thành và phát triển
không nằm ngoài mục đích đáp ứng những yêu cầu trên. Một hệ thống tƣ vấn tốt có
thể đóng vai trò nhƣ ngƣời trung gian hỗ trợ khách hàng đƣa ra quyết định chọn
hàng. Tiện ích này đóng vai trò nhƣ một ngƣời bán hàng có khả năng thu thập thông
tin về sở thích của khách hàng, sau đó tìm trong kho hàng vô tận của mình những
mặt hàng thích hợp nhất với sở thích đó. Thực chất của một hệ thống khuyến nghị
sản phẩm là quá trình hỗ trợ khách hàng đƣa ra quyết định.
Các hệ thống khuyến nghị sản phẩm là một tính năng phổ biến của website
và ứng dụng di động nhằm mục đích tƣ vấn cho khách hàng những mặt hàng thích
hợp nhất. Những doanh nghiệp lớn nhƣ Netflix, Amazon, Google, Facebook, và
Twitter đã truy cập vào nguồn dữ liệu dồi dào do ngƣời dùng phát sinh ra. Việc truy
cập vào dữ liệu cho phép các doanh nghiệp này có thể triển khai những hệ thống
khuyến nghị nhằm cung cấp nhiều giá trị hơn cho cả ngƣời dùng và chính họ.


giao dịch thông qua mạng máy tính thì việc xây dựng hệ thống khuyến nghị sản
phẩm là một công việc không thể thiếu. Đã có nhiều hệ thống khuyến nghị sản
phẩm đƣợc xây dựng. Tuy nhiên, để lựa chọn đƣợc phƣơng pháp phù hợp là một
công việc cần nghiên cứu.
Mô hình xây dựng hệ thống khuyến nghị dựa trên sự tăng trƣởng của
Hotmail là mô hình tính toán tốc độ tăng trƣởng của Email. Mô hình có tác dụng dự
đoán xem có bao nhiêu cá nhân tại một thời điểm chấp nhận một sản phẩm nào đó
trong tổng số các cá nhân đƣợc mời sản phẩm.
Mô hình xây dựng hệ thống khuyến nghị dựa trên phƣơng pháp lọc cộng tác
có thể hiểu một cách đơn giản là phƣơng pháp tập hợp các đánh giá của khách hàng,
phân biệt khách hàng trên cơ sở các đánh giá của họ và tƣ vấn các sản phẩm cho
khách hàng.
Báo cáo luận văn thạc sĩ “Movies recommendation system using
collaborative filtering technique supplemented by content with goal programming”
của tác giả Emrah İNAN, tháng 7, 2012. Nội dung tác giả nghiên cứu xây dựng hệ


4
thống khuyến nghị dành cho dữ liệu Movie sử dụng phƣơng pháp lọc cộng tác để
khai phá dữ liệu.
Bài báo khoa học “Restricted Boltzmann Machines for Collaborative
Filtering” của các tác giả Ruslan Salakhutdinov, Andriy Mnih, Geoffrey Hinton
2007. Nội dung các tác giả nghiên cứu phƣơng pháp lọc cộng tác với thuật toán
Restricted Boltzmann Machines.
Bài báo khoa học “Big Data Deep Learning: Challenges and Perspectives”
của tác giả X.-W. Chen, tháng 4, 2014. Nội dung tác giả phân tích những khó khăn
và triển vọng của Deep learning với thực trạng dữ liệu ngày càng lớn và phức tạp
ngày nay.
Trên đây là những nghiên cứu đã có liên quan tới hệ thống khuyến nghị sản

- Đề xuất phƣơng pháp sử dụng mô hình học sâu (deep learning) cho bài
toán hệ thống khuyến nghị sản phẩm trong thƣơng mại điện tử.
- Cài đặt thử nghiệm phƣơng pháp và đánh giá kết quả.

4.

Đối tƣợng và phạm vi nghiên cứu
Đối tƣợng nghiên cứu:
- Đối tƣợng nghiên cứu của đề tài là: bài toán hệ thống khuyến nghị sản
phẩm trong thƣơng mại điện tử, mô hình học sâu deep learning.
Phạm vi nghiên cứu:
- Nghiên cứu lý thuyết về hệ thống khuyến nghị sản phẩm trong thƣơng mại
điện tử, mô hình học sâu deep learning, giải quyết bài toán hệ thống khuyến
nghị sản phẩm với mô hình học sâu deep leaning.
- Thực hiện thử nghiệm với bộ dữ liệu nghiên cứu movielens đƣợc tải trên
website: https://grouplens.org/datasets/movielens/


6

5.

Phƣơng pháp nghiên cứu
Phƣơng pháp nghiên cứu lý thuyết:
- Nghiên cứu, thu thập thông tin về mô hình học sâu deep learning, hệ thống
khuyến nghị sản phẩm trong thƣơng mại điện tử.
- Nghiên cứu ứng dụng deep learning vào giải quyết các bài toán phức tạp.
- Nghiên cứu ứng dụng deep learning vào giải quyết bài toán hệ thống
khuyến nghị sản phẩm trong thƣơng mại điện tử.
- Xin ý kiến tƣ vấn từ các chuyên gia.

Thƣơng mại điện tử là một từ ngữ không còn xa lạ với chúng ta trong bối

cảnh thời đại bùng nổ công nghệ nhƣ ngày nay. Thƣơng mại điện tử đƣợc biết đến
với nhiều tên gọi khác nhau, nhƣ “thƣơng mại điện tử” (Electronic commerce),
“thƣơng mại trực tuyến” (online trade), “thƣơng mại không giấy tờ” (paperless
commerce) hoặc “kinh doanh điện tử” (e- business).. Thƣơng mại điện tử là việc
mua bán hàng hóa và dịch vụ thông qua các phƣơng tiện điện tử và mạng viễn
thông. Các cá nhân, doanh nghiệp phát triển và ứng dụng công nghệ thông tin vào
mọi hoạt động kinh doanh của mình, từ bán hàng, marketing, thanh toán đến mua
sắm, sản xuất, đào tạo, phối hợp hoạt động với nhà cung cấp, đối tác, khách hàng...
Với sự phát triển của thời đại công nghệ ngày nay, thƣơng mại điện tử sẽ dần
thay thế phƣơng thức thƣơng mại truyền thống bởi lợi ích mà nó đem lại rất lớn.
Đầu tiên phải nói đến sự thuận tiện của thƣơng mại điện tử đem lại. Thay vì phải đi
tìm tới tận nhƣng của hàng, những công ty để tìm sản phẩm, dịch vụ phù hợp cho
mình thì giờ đây chỉ cần một chiếc máy tính, một chiếc laptop, một chiếc tablet
hoặc chỉ một chiếc smartphone có kết nối mạng ngƣời dùng có thể thoải mái chọn
lựa hàng hóa, sản phẩm cho mình cho dù đang ở bất cứ nơi đâu, thời gian nào đều
có thể mua bán, giao dịch đƣợc.
Thƣơng mại điện tử có khả năng tiếp cận tới nhiều thị trƣờng, thị trƣờng
không bị giới hạn bởi vị trí địa lý bởi chi phí đầu tƣ quảng bá thƣơng hiệu nhỏ hơn
rất nhiều phƣơng pháp thƣơng mại truyền thống. Thƣơng mại điện tử có thể mở
rộng, tìm kiếm, tiếp cận khác hàng, dịch vụ, đối tác trên khắp thế giới nhờ mạng
lƣới Internet phát triển nhƣ ngày nay. Việc mở rộng mạng lƣới nhà cung cấp, khách


8
hàng cũng cho phép các tổ chức có thể mua với giá thấp hơn và bán đƣợc nhiêu sản
phẩm hơn, lợi nhuận cao hơn.
Tiếp theo, loại hình kinh doanh này giúp giảm chi phí rất nhiều nhƣ chi phí
về mặt giấy tờ, chi phí chia sẻ thông tin quảng cáo, chi phí in ấn và gửi văn bản

doanh mới đƣợc phát hiện nhanh chóng trên phạm vi toàn quốc, toàn khu vực, toàn
thế giới, và có nhiều cơ hội để lựa chọn hơn.
Ngoài ra, thƣơng mại điện tử còn có các lợi ích khác nhƣ nâng cao uy tín,
hình ảnh doanh nghiệp, cải thiện chất lƣợng dịch vụ khách hàng. Đối tác kinh doanh
mới thì đơn giản hóa và chuẩn hóa các quy trình giao dịch, tăng năng suất, giảm chi
phí giấy tờ, tăng khả năng tiếp cận thông tin và giảm chi phí vận chuyển, tăng sự
linh hoạt trong giao dịch và hoạt động kinh doanh.
Trên đây là những lợi ích mà thƣơng mại điện tử đem lại. Nhƣng với sự phát
triển bùng nổ nhƣ vậy, thì rõ ràng sẽ kéo theo sự cạnh tranh gay gắt trong thƣơng
mại điện tử. Khách hàng phải tìm đến những dịch vụ tốt cho họ nhất. Những
website, những gian hàng mua bán, những siêu thị online…luôn nỗ lực hết mình để
phục vụ khách hàng. Mục tiêu của họ không gì ngoài tăng lƣợng giao dịch của
ngƣời dùng trên dịch vụ. Vậy câu hỏi lớn đặt ra: với bối cảnh hiện nay, làm sao để
tăng lƣợng giao dịch điện tử trong thƣơng mại điện tử? Đó là một vấn đề cần phải
đƣợc nghiên cứu.

1.2.

Hệ thống khuyến nghị sản phẩm trong thƣơng mại điện tử
1.2.1. Giới thiệu
Hệ thống khuyến nghị (Recommender Systems) là công cụ hoặc phần mềm

trong thƣơng mại điện tử cung cấp các gợi ý, khuyến nghị về các sản phẩm cho
ngƣời dùng. Các khuyến nghị này rất quan trọng bởi nó liên quan đến quá trình ra


10
quyết định về loại sản phẩm cần mua, loại âm nhạc cần nghe, hoặc tin tức cần
đọc,...đến với ngƣời dùng. Các hệ thống khuyến nghị là một tính năng phổ biến của
hệ thống các website, application, gian hàng online, siêu thị online nhằm mục đích


Một số kỹ thuật xây dựng hệ thống khuyến nghị
1.3.1. Mô hình tăng trưởng email
Có nhiều kỹ thuật xây dựng hệ thống khuyên nghị sản phẩm. Đầu tiên phải

kể đến mô hình dựa vào sự tăng trƣởng của email. Chúng ta biết rằng, email của
ngƣời dùng đƣợc lƣu trữ trên máy chủ và mọi ngƣời gửi email cho nhau bằng trang
web. Mỗi khi chúng ta sử dụng email, hiển nhiên có một lƣợng khá lớn thƣ quảng
cáo sản phẩm trong hòm thƣ của chúng ta. Những sản phẩm này lại liên kết với
trang web thƣơng mại điện tử nào đó. Các trang web căn cứ vào những ngƣời sử
dụng email để gửi thông tin quảng cáo tới các hòm thƣ. Điển hình cho phƣơng pháp
này đó chính là hệ thống khuyến nghị của Hotmail. Hotmail thu hút ngƣời dùng
bằng cách sau mỗi một email thì có một liên kết tới trang chủ của hotmail để cho
ngƣời dùng đăng ký mới. Với tốc độ lan truyền của mạng Internet, hiệu ứng dây
chuyền phát huy tác dụng khủng khiếp. Mỗi một email gửi đi đƣợc coi nhƣ một
khuyến nghị tới ngƣời nhận email. Nó nhƣ đánh vào tâm lý ngƣời nhận email: “bạn
tôi sử dụng hotmail thì tôi cũng sử dụng xem như thế nào?”. Theo thống kê, hotmail
bắt đầu hoạt động tháng 7 năm 1996, tới cuối tháng 7 thì có 20000 ngƣời dùng, tới
tháng 9 số ngƣời dùng là 100000, tháng 1 năm 1997 có khoảng 1 triệu thuê bao.


12
Hiện nay hotmail thuộc tập đoàn Microsoft và số ngƣời dùng vào khoảng 120 triệu.
Tuy nhiên hình thức này không còn phù hợp với thời đại ngày nay. Các thƣ gửi
quảng cáo sản phẩm ngƣời dùng thƣờng cho là thƣ rác. Các sản phẩm giới thiệu tới
ngƣời dùng cũng không đƣợc chính xác do lƣợng thƣ giới thiệu sản phẩm quá
nhiều. Xuất hiện nhiều hình thức lừa đảo, cấy virus qua email dẫn tới sự tin tƣởng
sản phẩm quảng cáo qua email giảm sút.
1.3.2. Tư vấn dựa trên việc khai phá dữ liệu
Để chính xác hơn trong việc quảng cáo, khuyến nghị sản phẩm tới

pháp mới là rất cần thiết.
Deep learning là một trong những hƣớng nghiên cứu rất phát triển của lĩnh
vực trí tuệ nhân tạo trong những năm gần đây. Các mô hình Deep learning đã tạo
nên những đột phá lớn trong việc giải quyết các bài toán phức tạp. Nó là thuật toán
dựa trên một số ý tƣởng từ não bộ với việc tiếp thu nhiều tầng biểu diễn, cả cụ thể
lẫn trừu tƣợng, qua đó làm rõ nghĩa của các loại dữ liệu. Điều đặc biệt thực tế đã
chứng minh công nghệ deep learning đạt đƣợc sự chính xác cao khi phải xử lý
nguồn dữ liệu khổng lồ, nó ít bị hạn chế bởi sự quá tải của dữ liệu. Với sự phát triển
của thƣơng mại điện tử sẽ tạo ra nguồn dữ liệu rất lớn gây khó khăn trong việc phân
tích dữ liệu để xây dựng hệ thống khuyến nghị sản phẩm nên việc áp dụng deep
learning vào xây dựng hệ thống khuyến nghị sản phẩm trong thƣơng mại điện tử là
một hƣớng nghiên cứu đúng đắn thời điểm này.

1.4.

Kết luận chƣơng
Ở chƣơng 1 đã giới thiệu tổng quan hệ thống khuyến nghị trong thƣơng mại

điện tử, các đặc điểm và ứng dụng của nó. Để thúc đẩy lƣợng giao dịch trong
thƣơng mại điện tử thì hệ thống khuyến nghị sản phẩm tới ngƣời dùng là không thể
thiếu. Tuy nhiên việc giao dịch thông qua các website thƣơng mại điện tử tạo ra
lƣợng dữ liệu vô cùng lớn và phức tạp. Dữ liệu này chính là thông tin về khách hàng


14
cũng nhƣ các sản phẩm giao dịch rất hữu ích cho việc xây dựng một hệ thống
khuyến nghị sản phẩm. Trong bối cảnh lƣợng dữ liệu thu thập đƣợc ngày càng
nhiều nhƣ vậy việc sử dụng các mô hình deep learning để phân tích nguồn dữ liệu
khổng lồ này là một hƣớng đi đúng. Chƣơng tiếp theo, chúng tôi sẽ trình bày những
nghiên cứu của mình về deep learning.

chúng ta thấy những tiềm năng rất lớn của deep learning trong tƣơng lai. Ngoài ra
sự phát triển một cách đột phá của các công nghệ học sâu đƣợc ứng dụng ngày càng
nhiều trong các doanh nghiệp, các mô hình kinh doanh và xây dựng các ứng dụng


16
mới để giải quyết các bài toán trong thực tế cuộc sống con ngƣời, trong đó phải kể
đến những ứng dụng có tiềm năng trong thƣơng mại nhƣ sau:
Ứng dụng trợ lý bằng giọng nói : Ứng dụng này là một trong những ứng
dụng rất nổi tiếng và thông dụng của công nghệ deep learning. Nó là tính năng
chúng ta có thể tìm thấy hầu hết ở các smartphone, tablet. Điển hình nhƣ ứng dụng
Siri của Apple đƣợc giới thiệu vào 10/2011, ứng dụng Google Now trợ lý giọng nói
cho hệ điều hành Android hay Microsoft Cortana dành cho hệ điều hành Windows
hay ứng dụng tìm kiếm bằng giọng nói trên Xbox One của Microsoft. Sử dụng ứng
dụng trợ lý bằng giọng nói ngƣời dùng có thể dễ dàng tìm kiếm phim, âm nhạc và
những nội dung khác bằng chính ngôn ngữ tự nhiên của mình. Ứng dụng này sử
dụng công nghệ xử lý ngôn ngữ tự nhiên (Natural Language Processing _NPL [16])
dựa trên deep learning.
Nhận diện hình ảnh: công nghệ nhận diện ảnh nhằm mục đích phân tích
nhận diện và xác định đối tƣợng có trong một bức ảnh cũng nhƣ hiểu đƣợc ngữ
cảnh và nội dung trong đó. Không xa lạ với ứng dụng này, chúng ta có thể tìm thấy
nó trên mạng xã hội Facebook, nó giúp gợi ý tag bạn bè trong một bức ảnh. Điều
này giúp hiệu ứng lan truyền trên mạng xã hội phát huy tác dụng rất nhiều. Ngoài ra
công nghệ này còn áp dụng trong khoa học tội phạm.
Quảng cáo: Nhận thấy hiệu quả deep learning mạng lại, rất nhiều doanh
nghiệp đƣa deep learning ứng dụng vào marketing, quảng bá thƣơng hiệu, sản
phẩm, và dịch vụ. Công nghệ deep learning có thể tính toán đƣa ra các dự đoán về
quảng cáo, hiển thị quảng cáo tới mục tiêu là ngƣời dùng một cách chính xác hơn
rất nhiều. Ví dụ điển hình là công ty Baidu của Trung Quốc một phiên bản tƣơng tự
nhƣ Google đang nghiên cứu và sử dụng deep learning để dự đoán và quảng cáo


(T là tổng các tích tín hiệu đầu vào x và trọng số tương ứng w)
Một mạng nơ ron nhân tạo là một mạng lƣới gồm các nơ ron nhân tạo liên
kết với nhau. Một mạng nơ ron có thể có một lớp mạng (còn đƣợc gọi là tầng mạng)
hoặc nhiều lớp mạng, lớp input không đƣợc tính là một lớp mạng. Mỗi lớp mạng có


21
chứa một hoặc nhiều nơ ron. Hình vẽ minh họa một mạng nơ ron đơn giản có 2 lớp
mạng lớp ẩn và Output, có nhiều hơn 2 lớp mạng thì có nhiều lớp ẩn hơn.

Input
Output

Lớp ẩn

Hình 2.4: Cấu tạo của một mạng nơ ron nhân tạo đơn giản [3]

2.2.3. Kiến trúc mạng nơ ron
Một nơ ron trong mạng có thể thực hiện đƣợc chức năng xử lý thông tin nhất
định, nhƣng tiêu điểm chính trong xây dựng và tính toán trong mạng lƣới nơ ron
thần kinh nhân tạo là sự phối hợp giữa các nơ ron nhƣ thế nào trong một mô hình
kiến trúc thống nhất. Các tính toán trên một mạng nơ ron đƣợc xác định qua các yếu
tố: kiểu nơ ron nhƣ thế nào? Kiến trúc kết nối các nơ ron ra làm sao? Và sử dụng
thuật toán nào để huấn luyện cho mạng học tập?
Về bản chất chức năng và nhiệm vụ của một mạng nơ ron giống nhƣ một
hàm số ánh xạ.
F: X → Y
Trong đó: F là hàm ánh xạ, X là tập tín hiệu đầu vào và Y là tập các tín hiệu đầu ra.