Đánh giá các mô hình mạng lưới đồ thị để dự đoán doanh số thương mại điện tử

Abstract

Nghiên cứu này tập trung vào việc chứng minh tính khả thi của việc áp dụng Mạng Nơ-ron Đồ thị (GNN), cụ thể là Graph Attention Network (GAT) và GraphSAGE, để khai thác thông tin đồng mua hàng nhằm dự báo doanh thu Thương mại Điện tử (TMĐT), một khía cạnh thường bị bỏ qua hoặc khó mô hình hóa hiệu quả bằng các phương pháp truyền thống. Luận văn trình bày cơ sở lý thuyết về dự báo doanh thu TMĐT, tầm quan trọng của phân tích quan hệ đồng mua hàng, cách biểu diễn dữ liệu này dưới dạng đồ thị sản phẩm-sản phẩm, cùng kiến trúc của GAT và GraphSAGE. Nghiên cứu sử dụng bộ dữ liệu giao dịch TMĐT tháng 1/2024 (hơn 4,700 đơn hàng, 3,112 hoàn thành) để xây dựng đồ thị đồng mua hàng (128 sản phẩm, 97 cạnh, mật độ ~1.2%). Các mô hình GAT (2 lớp GATConv, đầu ra 64 và 16 chiều) và GraphSAGE (2 lớp SAGEConv, đầu ra 32 và 16 chiều) được huấn luyện với hàm mất mát MSE, thuật toán Adam, tốc độ học 0.01, trong 200 epochs, với 80% nút cho huấn luyện và 20% cho kiểm thử. Kết quả cho thấy cả GAT (R2 ≈ 0.61, MAE ≈ 0.97 triệu VND) và GraphSAGE (R2 ≈ 0.71, MAE ≈ 0.77 triệu VND) đều có khả năng dự báo doanh thu khả quan, chứng tỏ tính khả thi của việc dùng GNN trên đồ thị đồng mua hàng, trong đó GraphSAGE cho hiệu năng vượt trội hơn. Ưu điểm của GAT là sự linh hoạt của cơ chế chú ý, trong khi GraphSAGE hiệu quả trên đồ thị thưa và mở rộng tốt. Nhược điểm bao gồm GAT có thể phức tạp và overfit trên đồ thị thưa, còn GraphSAGE ít giải thích trực tiếp. Các hạn chế chính của nghiên cứu là thiếu đa dạng đặc trưng nút, đồ thị tĩnh, và chưa tối ưu hóa siêu tham số toàn diện. Nghiên cứu đã chứng minh tính khả thi của việc áp dụng GNN (đặc biệt là GraphSAGE) để khai thác thông tin đồng mua hàng trong dự báo doanh thu TMĐT, đóng góp bằng chứng thực nghiệm và một quy trình tiếp cận cho bài toán này. Các hướng phát triển tương lai bao gồm làm giàu đặc trưng, xây dựng đồ thị động, tối ưu hóa mô hình, và mở rộng đánh giá