Hệ thống đề xuất là phần mềm dự đoán bạn có khả năng quan tâm tới nội dung, sản phẩm nào, dựa trên hành vi của bạn (xem gì, bấm gì, mua gì, xem bao lâu), hành vi của những người giống bạn, và đặc điểm của chính nội dung. Ở quy mô lớn, nó thường hoạt động theo nhiều tầng: chọn ra vài trăm ứng viên từ hàng triệu mục, xếp hạng chúng bằng mô hình học máy, rồi điều chỉnh để đa dạng và tuân thủ chính sách trước khi hiển thị. Đây là công nghệ đứng sau bảng tin mạng xã hội, gợi ý video, "sản phẩm bạn có thể thích" và danh sách nhạc.
Ba cách tiếp cận cơ bản
Lọc cộng tác (collaborative filtering)
Ý tưởng: người có lịch sử tương tác giống nhau sẽ thích những thứ giống nhau. Nếu bạn và một nhóm người cùng thích nhiều bộ phim, phim mà nhóm đó thích nhưng bạn chưa xem sẽ được gợi ý. Ưu điểm là không cần hiểu nội dung; nhược điểm là khó với người dùng mới, sản phẩm mới chưa có tương tác (vấn đề "khởi đầu lạnh").
Lọc theo nội dung (content-based)
Phân tích đặc điểm nội dung: thể loại, từ khóa, hình ảnh, âm thanh. Bạn đọc nhiều bài về điện thoại, hệ thống gợi ý thêm bài có đặc điểm tương tự. Ưu điểm là xử lý được nội dung mới; nhược điểm là dễ quanh quẩn trong vùng quen thuộc.
Kết hợp và học sâu
Hệ thống hiện đại kết hợp cả hai, dùng mạng nơ-ron học "biểu diễn" (embedding) của người dùng và nội dung trong cùng một không gian số. Mô hình học sâu có thể tận dụng hàng trăm tín hiệu cùng lúc, kể cả chuỗi hành vi theo thời gian. Khác biệt giữa học máy truyền thống và học sâu được giải thích trong bài phân biệt Deep Learning và Machine Learning.
Kiến trúc nhiều tầng ở quy mô lớn
| Tầng | Nhiệm vụ | Đặc điểm |
|---|---|---|
| Tạo ứng viên (retrieval) | Từ hàng triệu mục, chọn nhanh vài trăm, vài nghìn mục có thể liên quan | Mô hình đơn giản, rất nhanh; thường dùng tìm kiếm lân cận gần nhất trên embedding |
| Xếp hạng (ranking) | Dự đoán xác suất bấm, xem lâu, thích, mua cho từng ứng viên | Mô hình phức tạp, nhiều đặc trưng |
| Xếp hạng lại (re-ranking) | Điều chỉnh để đa dạng, mới mẻ, công bằng, tuân thủ chính sách, chèn quảng cáo | Kết hợp quy tắc và mô hình |
Toàn bộ quá trình thường phải hoàn thành trong thời gian rất ngắn mỗi lần bạn mở ứng dụng, nên kỹ thuật hạ tầng quan trọng không kém thuật toán.
Hệ thống học từ những tín hiệu nào
- Tín hiệu rõ ràng: thích, đánh giá sao, theo dõi, "không quan tâm".
- Tín hiệu ngầm: thời gian xem, xem lại, cuộn qua nhanh, chia sẻ, thêm vào giỏ hàng.
- Ngữ cảnh: thời gian trong ngày, thiết bị, vị trí gần đúng, ngôn ngữ.
- Đặc điểm nội dung: chủ đề, độ dài, người tạo, mức độ mới.
Hệ thống tối ưu theo mục tiêu do nền tảng chọn. Nếu mục tiêu chỉ là thời gian xem, nội dung gây cảm xúc mạnh có thể được ưu tiên quá mức. Nhiều nền tảng vì vậy kết hợp thêm các mục tiêu như mức hài lòng khảo sát, chất lượng nội dung.
Đánh giá một hệ thống đề xuất
Có hai cách bổ trợ nhau: đánh giá ngoại tuyến trên dữ liệu lịch sử (độ chính xác dự đoán, khả năng xếp đúng thứ tự) và thử nghiệm A/B với người dùng thật (tỷ lệ bấm, thời gian dùng, doanh thu, tỷ lệ quay lại). Chỉ số ngoại tuyến tốt không phải lúc nào cũng dẫn tới trải nghiệm tốt hơn, nên thử nghiệm thật là bước quyết định.
Tác động tới người dùng và xã hội
Bong bóng lọc và buồng vang
Gợi ý liên tục những gì giống điều bạn đã thích có thể thu hẹp góc nhìn. Mức độ ảnh hưởng thực tế vẫn được giới nghiên cứu tranh luận, nhưng các nền tảng ngày càng đưa yếu tố đa dạng vào tầng xếp hạng lại.
Quyền riêng tư
Hệ thống càng chính xác càng cần nhiều dữ liệu. Người dùng có thể xem và điều chỉnh lịch sử hoạt động, tắt cá nhân hóa quảng cáo, xóa lịch sử xem trên nhiều nền tảng.
Minh bạch
Một số khung quản lý yêu cầu nền tảng lớn giải thích các tham số chính của hệ thống đề xuất và cung cấp lựa chọn không cá nhân hóa. Vấn đề minh bạch thuật toán được bàn trong bài đạo đức AI và pháp lý.
Người dùng có thể "điều khiển" gợi ý của mình
- Dùng nút "không quan tâm", "ẩn kênh này" thay vì chỉ lướt qua.
- Xóa mục khỏi lịch sử xem nếu không muốn nó ảnh hưởng gợi ý.
- Chủ động tìm kiếm và theo dõi chủ đề mới.
- Dùng chế độ xem theo thời gian hoặc theo người theo dõi nếu nền tảng có.
Ví dụ đơn giản: gợi ý trên một trang bán sách
Một nhà sách trực tuyến nhỏ có thể bắt đầu bằng quy tắc "khách mua cuốn này cũng thường mua", tính từ lịch sử đơn hàng. Khi dữ liệu nhiều hơn, họ thêm lọc cộng tác để gợi ý theo lịch sử từng khách, và lọc theo nội dung (thể loại, tác giả, chủ đề) để sách mới chưa ai mua vẫn có cơ hội xuất hiện. Ở trang chủ, một lớp xếp hạng lại đảm bảo không phải mọi gợi ý đều cùng một tác giả, và ưu tiên sách còn hàng. Chỉ với ba bước này, trải nghiệm đã khác hẳn danh sách "bán chạy" giống nhau cho mọi người.
Ứng dụng ngoài giải trí
Hệ thống đề xuất còn được dùng trong học trực tuyến (gợi ý bài học tiếp theo), tuyển dụng (gợi ý việc làm), y tế (gợi ý tài liệu cho bác sĩ), thương mại B2B (gợi ý sản phẩm cho đại lý), và cả quản lý tồn kho. Trong giải trí trực tuyến, nó là một phần của bức tranh lớn hơn được phân tích trong bài AI thay đổi trải nghiệm giải trí trực tuyến.
Câu hỏi thường gặp
Vì sao vừa nói chuyện về sản phẩm thì thấy quảng cáo sản phẩm đó?
Thường là do nhiều tín hiệu khác: bạn hoặc người ở gần đã tìm kiếm, truy cập trang liên quan, hoặc sản phẩm đang được quảng cáo mạnh với nhóm của bạn. Các nền tảng lớn cho biết họ không dùng micro để nghe lén nhằm hiển thị quảng cáo; bạn vẫn nên kiểm tra quyền micro của ứng dụng.
Có cách nào tắt hoàn toàn gợi ý cá nhân hóa không?
Một số nền tảng cho phép tắt lịch sử xem, tắt cá nhân hóa quảng cáo hoặc chuyển sang bảng tin theo thời gian. Mức độ tùy chọn khác nhau giữa các dịch vụ.
Doanh nghiệp nhỏ có tự xây hệ thống đề xuất được không?
Có. Với dữ liệu vừa phải, các phương pháp đơn giản như sản phẩm thường được mua cùng, lọc cộng tác cơ bản đã mang lại hiệu quả. Nhiều nền tảng thương mại điện tử và dịch vụ đám mây cũng cung cấp sẵn tính năng gợi ý.
Hệ thống đề xuất khác công cụ tìm kiếm thế nào?
Tìm kiếm phản hồi một truy vấn bạn chủ động nhập, còn hệ thống đề xuất chủ động đưa nội dung tới bạn khi bạn chưa hỏi. Về kỹ thuật, hai hệ thống dùng chung nhiều thành phần như embedding và mô hình xếp hạng.



