AI

Hệ khuyến nghị là gì và vì sao quan trọng với ngân hàng: cá nhân hoá tăng gắn kết, chuyển đổi và bán chéo. Bài mở đầu series điểm qua các dạng bài toán (rating, ranking top-N, next-item, retrieval), ma trận user-item explicit vs implicit, các họ phương pháp (CF, content-based, hybrid, deep learning), thách thức (cold start, sparsity, bias) và ứng dụng Next-Best-Action.

Collaborative Filtering: gợi ý dựa trên hành vi tập thể, không cần đặc trưng nội dung. So sánh user-based vs item-based CF, các độ đo tương đồng (cosine/Pearson/Jaccard), cách tính điểm dự đoán bằng weighted sum, xử lý implicit feedback và co-occurrence. Phân tích cold start, sparsity, popularity bias và bối cảnh gợi ý sản phẩm ngân hàng.

Matrix Factorization phân rã ma trận user-item thưa thành hai ma trận latent factor nhỏ, học embedding khách hàng & sản phẩm mà không cần đặc trưng thủ công. Bài trình bày SVD/FunkSVD, ALS cho implicit feedback, BPR ranking, regularization, dự đoán bằng dot product + ANN, so sánh với memory-based CF và hạn chế dẫn tới deep learning.

Content-based filtering gợi ý dựa trên đặc trưng của item và hồ sơ sở thích user, giải quyết cold start item mới mà CF không làm được. Bài phân tích cách biểu diễn item bằng TF-IDF/embedding, xây user profile, ưu nhược điểm (over-specialization), knowledge-based/rule-based cho sản phẩm tài chính, các kiểu hybrid (weighted/switching/cascade), chiến lược xử lý cold start và giải thích khuyến nghị trong ngân hàng.

Khi nào dùng deep learning cho recommender: dữ liệu lớn, quan hệ phi tuyến và chuỗi hành vi. Bài đi qua các kiến trúc chính — Neural CF (embedding + MLP), two-tower/retrieval cho candidate ở quy mô lớn, Wide & Deep/DeepFM, sequence model (GRU4Rec, SASRec/Transformer), GNN — cùng huấn luyện bằng negative sampling, hai giai đoạn retrieval→ranking, đánh đổi chi phí/giải thích và bối cảnh ngân hàng.

Đánh giá recommender khó vì gợi ý là bài toán xếp hạng top-N chứ không phải dự đoán điểm đơn lẻ. Bài chuyển từ RMSE/MAE sang precision@k, recall@k, MAP, NDCG, MRR; các độ đo beyond-accuracy (coverage, diversity, novelty, serendipity, popularity bias, fairness); protocol chia theo thời gian, leave-one-out, negative sampling; và cầu nối offline↔online (A/B, CTR, doanh thu, position bias) trong bối cảnh gợi ý sản phẩm ngân hàng.

Đưa recommender vào production theo kiến trúc nhiều giai đoạn chuẩn công nghiệp: candidate generation (ANN) → ranking → re-ranking & business rules. Bài bàn online vs batch vs near-real-time, feature/embedding store, MLOps cho rec, feedback loop & logging, A/B testing, caching và fallback cold start, cùng bối cảnh Next Best Action ngân hàng.

Bài tổng kết series: áp dụng recommender vào Next-Best-Action (NBA) và cá nhân hoá ngân hàng. Bàn use case cross-sell/giữ chân/onboarding, dữ liệu và kiến trúc candidate→rank→ràng buộc tuân thủ→kênh, các ràng buộc đặc thù ngân hàng (suitability, công bằng, riêng tư, minh bạch), đo lường bằng uplift, và bản đồ toàn series.