Khi đến với SEAS – trại hè đầu tiên ở miền Trung dành cho học sinh, sinh viên yêu thích STEM, mình cũng rất mong muốn có thể đem đến một sản phẩm gì đó giúp đỡ cho vùng đất đầy nắng và gió này. Đó là lý do nhóm lựa chọn đề tài về du lịch miền Trung.

Nhận thấy tiềm năng du lịch miền Trung trong thời gian gần đây ngày càng phát triển, thu hút đông đảo du khách trong nước và quốc tế, nhóm tập trung vào ba khu vực Quảng Bình – Quảng Trị – Huế. Tuy nhiên, thông tin về các địa điểm du lịch độc đáo và giàu bản sắc ở đây vẫn còn khá phân mảnh, chưa được thống nhất và thường nằm rải rác trên nhiều website hay nền tảng mạng xã hội khác nhau.

Đặc biệt, các thông tin hiện có chưa mang tính cá nhân hóa dựa trên sở thích của từng du khách, chẳng hạn như họ yêu thích biển, lịch sử, thiên nhiên, ẩm thực hay muốn đi cùng gia đình.

Việc tự tìm kiếm và lựa chọn địa điểm cũng tốn nhiều thời gian. Đối với những du khách không quen thuộc địa phương, việc sắp xếp lịch trình sao cho hợp lý – nên đi địa điểm nào trước, địa điểm nào sau hay nên phân bổ các địa điểm theo từng ngày như thế nào – cũng là một bài toán không đơn giản.

Từ những vấn đề trên, nhóm xây dựng một hệ thống có khả năng gợi ý địa điểm dựa trên sở thích cá nhân, đồng thời sắp xếp chuyến đi nhằm tối ưu hóa việc di chuyển.

Trần Thị Tâm Phú – Trợ giảng

Dự án kết hợp nhiều thuật toán trong Machine Learning và Optimization, có thể kể đến:

• Recommendation System – Content-based Filtering để gợi ý địa điểm dựa trên sở thích người dùng.

• TF-IDF và Cosine Similarity để xác định mức độ tương đồng giữa mô tả địa điểm và các đặc trưng.

• K-Means++ để phân chia các địa điểm thành các ngày tham quan dựa trên vị trí địa lý.

• Traveling Salesman Problem (TSP) với thuật toán Held-Karp / Dynamic Programming with Bitmask để tối ưu thứ tự tham quan trong từng ngày.

Trần Thị Tâm Phú – Trợ giảng

Thách thức lớn nhất của nhóm là evaluation, vì hệ thống sử dụng content-based filtering và chưa có lịch sử người dùng để làm ground truth. Nhóm đã thử nghiệm với dữ liệu khảo sát từ người dùng thật, sau đó nhận thấy dữ liệu còn chưa đủ nhất quán nên tiếp tục xây dựng LLM-generated users để tạo ra các profile có sở thích và lựa chọn địa điểm theo cùng một logic. Bên cạnh đó, nhóm cũng so sánh Held-Karp và Greedy Nearest Neighbor để đánh giá khả năng tối ưu lịch trình và sự đánh đổi giữa độ chính xác và thời gian tính toán.

Trần Thị Tâm Phú – Trợ giảng

Ban đầu, TA đã chuẩn bị khá chi tiết 4 notebooks tương ứng với 4 stage lớn của dự án, cùng database gồm các địa điểm và đặc trưng của các địa điểm đó.

Tuy nhiên, chúng mình cũng cố tình để các notebook không được hoàn thiện sẵn. Một số phần code quan trọng được để trống để các bạn tiếp tục tìm hiểu và triển khai. Các bạn cũng được giao nhiệm vụ tự tìm kiếm những địa điểm và đặc trưng phù hợp để đưa vào hệ thống.

Mình rất bất ngờ với khả năng của các bạn học viên team 5. Các bạn hiểu code và notebook khá nhanh, sau đó còn chủ động tìm hiểu những thuật toán phù hợp hơn cho hệ thống, tự xây dựng website cho dự án và chuẩn bị phần slide rất chi tiết.

Mình thực sự ấn tượng và ngưỡng mộ khả năng học hỏi, tiếp thu và chủ động phát triển dự án của các bạn.

Trần Thị Tâm Phú – Trợ giảng

Đối với hệ thống recommendation, kết quả evaluation sử dụng LLM-generated users cho thấy 81.5% địa điểm được hệ thống gợi ý phù hợp với ground truth trong thí nghiệm của nhóm.

Đối với phần tối ưu lịch trình, nhóm so sánh Held-Karp và Greedy Nearest Neighbor để đánh giá sự khác biệt về tổng quãng đường và thời gian tính toán. Kết quả giúp nhóm xác định được khi nào nên sử dụng thuật toán tối ưu chính xác và khi nào nên sử dụng heuristic để cân bằng giữa chất lượng và hiệu năng.

Qua quá trình evaluation, nhóm cũng nhận ra rằng việc đánh giá một hệ thống recommendation không chỉ phụ thuộc vào thuật toán mà còn phụ thuộc rất nhiều vào chất lượng và cách xây dựng ground truth. Đây cũng là một trong những hướng nhóm muốn tiếp tục cải thiện trong tương lai.

Trần Thị Tâm Phú – Trợ giảng