MATRIX COMPLETION: Bí mật Toán học đằng sau hệ thống gợi ý tinh vi của Netflix!

Đã bao giờ bạn ngạc nhiên khi Netflix gợi ý một bộ phim đúng gu đến mức cho rằng nó đã “nghe lén” mình chưa? Để TMH lý giải cho bạn qua bài toán mô hình toán học kinh điển Hoàn thiện ma trận (𝐌𝐚𝐭𝐫𝐢𝐱 𝐂𝐨𝐦𝐩𝐥𝐞𝐭𝐢𝐨𝐧).

Vấn đề đặt ra là: Làm thế nào máy tính có thể định lượng và dự đoán được những sở thích tưởng chừng rất cảm tính của con người?

Để trả lời, họ xây dựng các mô hình dựa trên Đại số tuyến tính, kết hợp cùng những kỹ thuật tối ưu hóa hiện đại. Để hiểu cách tiếp cận này, trước tiên hãy hình dung toàn bộ dữ liệu đánh giá phim của Netflix dưới dạng một ma trận khổng lồ (𝐑). Trong đó, mỗi hàng tương ứng với một người dùng, mỗi cột tương ứng với một bộ phim, còn mỗi ô chứa số sao mà người dùng đã đánh giá cho bộ phim đó. Một người thường chỉ xem và đánh giá một số lượng rất nhỏ phim trong kho dữ liệu khổng lồ của Netflix, vì vậy, phần lớn các ô trong ma trận đều bị bỏ trống. Ma trận này được gọi là một ma trận siêu thưa (𝐡𝐢𝐠𝐡𝐥𝐲 𝐬𝐩𝐚𝐫𝐬𝐞 𝐦𝐚𝐭𝐫𝐢𝐱). Từ đây xuất hiện bài toán Matrix Completion: Làm thế nào để dự đoán chính xác những giá trị còn thiếu trong ma trận đó?

Một trong những cách tiếp cận nổi tiếng nhất là Phân rã ma trận (𝐌𝐚𝐭𝐫𝐢𝐱 𝐅𝐚𝐜𝐭𝐨𝐫𝐢𝐳𝐚𝐭𝐢𝐨𝐧). Mô hình này giả định rằng sở thích của người dùng và đặc điểm của phim thực chất được quyết định bởi một số lượng nhỏ các yếu tố ẩn (𝐥𝐚𝐭𝐞𝐧𝐭 𝐟𝐚𝐜𝐭𝐨𝐫𝐬), chẳng hạn như mức độ hài hước, tính kịch tính hay yếu tố viễn tưởng. Thay vì làm việc trực tiếp với ma trận khổng lồ ban đầu, ta tách nó thành tích của hai ma trận nhỏ hơn, một ma trận mô tả sở thích tiềm ẩn của từng người dùng; cái còn lại làm rõ đặc trưng tiềm ẩn của từng bộ phim; và nếu hồ sơ sở thích của bạn phù hợp với đặc trưng của một bộ phim, mô hình sẽ dự đoán bạn có khả năng yêu thích bộ phim ấy.

Tuy nhiên, việc tìm ra các ma trận ẩn này không hề đơn giản. Các nhà nghiên cứu thường sử dụng thuật toán Hạ gradient ngẫu nhiên (𝐒𝐭𝐨𝐜𝐡𝐚𝐬𝐭𝐢𝐜 𝐆𝐫𝐚𝐝𝐢𝐞𝐧𝐭 𝐃𝐞𝐬𝐜𝐞𝐧𝐭 – 𝐒𝐆𝐃) để tối ưu các tham số. Và trong quá trình thực nghiệm, mô hình phải đối mặt với hai giới hạn lớn.

Thứ nhất là hiện tượng Quá khớp (𝐎𝐯𝐞𝐫𝐟𝐢𝐭𝐭𝐢𝐧𝐠). Trên một tập dữ liệu thử nghiệm, sai số huấn luyện (𝐓𝐫𝐚𝐢𝐧 𝐑𝐌𝐒𝐄) giảm xuống rất thấp, cho thấy mô hình gần như ghi nhớ hoàn toàn dữ liệu đã quan sát. Thế nhưng khi áp dụng lên dữ liệu mới, sai số kiểm tra (𝐓𝐞𝐬𝐭 𝐑𝐌𝐒𝐄) lại tăng quá cao. Khi số lượng tham số cần tìm lớn hơn số lượng điểm dữ liệu thực tế, mô hình có xu hướng "học vẹt" toàn bộ lịch sử trong quá khứ để đạt điểm số tối ưu, nhưng hoàn toàn mất đi khả năng suy luận linh hoạt khi đối mặt với dữ liệu mới.

Thứ hai là sự xuất hiện của các Dự đoán không ràng buộc (𝐔𝐧𝐛𝐨𝐮𝐧𝐝𝐞𝐝 𝐏𝐫𝐞𝐝𝐢𝐜𝐭𝐢𝐨𝐧𝐬). Do là một mô hình tuyến tính, phép nhân vô hướng có thể tạo ra những giá trị vượt ngoài phạm vi đánh giá thực tế. Điều này lý giải tại sao hệ thống đôi khi đưa ra những đề xuất chưa thực sự phù hợp.

Để khắc phục những giới hạn này, các nhà mô hình hóa toán học đã đưa vào các công cụ giải tích bổ trợ, chẳng hạn như số hạng Kìm hãm điều hòa (𝐑𝐞𝐠𝐮𝐥𝐚𝐫𝐢𝐳𝐚𝐭𝐢𝐨𝐧) dựa trên chuẩn 𝐅𝐫𝐨𝐛𝐞𝐧𝐢𝐮𝐬 để kiểm soát biên độ tham số, hoặc chuyển sang mô hình Phân rã ma trận không âm (𝐍𝐌𝐅), trong đó các giá trị được ràng buộc không âm nhằm đảm bảo kết quả dự đoán phù hợp hơn với thực tế.

Hệ thống gợi ý của AI không hoạt động nhờ khả năng “đọc suy nghĩ” hay “nghe lén”. Chúng đơn giản là kết quả của việc mô hình hóa toán học nhằm dịch chuyển các hành vi phức tạp của con người thành ngôn ngữ của ma trận, vector và tối ưu hóa.

Đọc đến đây, các bạn đã hiểu lý do tại sao Netflix hiểu mình đến thế chưa?

𝐂𝐎𝐍𝐓𝐀𝐂𝐓𝐒:

☎️ Hotline: 0353 840 125 - Phan Minh Trang (Trưởng Ban Tổ chức)

📧 Email: contact.toanmohinh@gmail.com

📸 Instagram: archive.toanmohinh