[Dự án AI] Hệ thống gợi ý phim theo sở thích

Mục tiêu

"Lật mở" cách Netflix/YouTube/Spotify gợi ý nội dung — xây dựng một hệ gợi ý (recommender system) đơn giản dựa trên nguyên lý collaborative filtering (lọc cộng tác): tìm người có sở thích giống mình nhất, rồi gợi ý những gì người đó thích mà mình chưa xem. Đồng thời rèn tư duy phản biện về các giới hạn có thật của kỹ thuật này: vấn đề "khởi đầu lạnh", sai lầm khi coi "chưa xem" là "chấm 0 điểm", và nguy cơ tạo bong bóng lọc (filter bubble).

Thời lượng gợi ý: 2 tiết học (90 phút)

• Tiết 1 (cell 1-6): trực quan hoá ma trận đánh giá, lý thuyết độ giống nhau cosine (cosine similarity), tính độ giống nhau giữa các học sinh
• Tiết 2 (cell 7-14): xây hàm gợi ý phim, tư duy phản biện (khởi đầu lạnh, sai lầm coi "chưa xem" = "chấm 0 điểm" — kiểm chứng bằng số liệu thật, bong bóng lọc), áp dụng dữ liệu thật của lớp qua Tải CSV, vận dụng

Em sẽ làm được gì

• Hiểu và tính được độ giống nhau cosine (cosine similarity) giữa các "vector sở thích"
• Xây dựng một hàm gợi ý đơn giản dựa trên nguyên lý collaborative filtering — nền tảng thật của Netflix/YouTube
• Nhận ra vấn đề "khởi đầu lạnh" (cold start): hệ gợi ý bất lực với người dùng/nội dung mới hoàn toàn
• Phát hiện và kiểm chứng bằng số liệu một sai lầm kỹ thuật phổ biến: coi "chưa xem" giống hệt "đánh giá rất thấp"
• Thảo luận về bong bóng lọc (filter bubble) — hệ quả xã hội thật của các hệ gợi ý ngoài đời

Về dữ liệu và thư viện scikit-learn

Dự án thuộc Nhóm B (Học máy cơ bản) — cần bấm thêm nút "scikit-learn" trong mục "Thư viện thêm" (~72MB, mất khoảng nửa phút tuỳ mạng) SAU KHI đã bấm "Bắt đầu tải & chạy Notebook", TRƯỚC KHI chạy cell import sklearn — xem hướng dẫn chi tiết ở Cell 1. Notebook chạy được ngay với dữ liệu MẪU ở Cell 3 (6 học sinh × 6 phim, giả định). Học sinh có thể tự khảo sát điểm đánh giá phim thật trong lớp (thang 1-5, 0 = chưa xem) rồi tải lên qua CSV ở Tiết 2.