Recommendation System Là Gì? Cách TikTok Và Shopee Gợi Ý Sản Phẩm

Recommendation System — hay hệ thống gợi ý — là công nghệ AI đứng sau mọi "For You Page" bạn thấy trên TikTok, mọi "Có thể bạn thích" trên Shopee, hay danh sách phim Netflix đề xuất tối nay.

Thuật toán này âm thầm quan sát từng hành vi nhỏ — bạn dừng lại bao lâu trước một video, bạn cuộn nhanh qua sản phẩm nào, bạn thêm gì vào wishlist lúc nửa đêm — rồi tổng hợp thành mô hình dự đoán sở thích cực kỳ chính xác.

Bài viết này giải thích Recommendation System là gì, ba kiến trúc chính, cách TikTok và Shopee triển khai ở quy mô hàng tỷ item, và ứng dụng thực tế trong chiến lược e-commerce cho doanh nghiệp Việt Nam.

Recommendation System là gì?

Recommendation System (hệ thống gợi ý) là một nhánh của trí tuệ nhân tạo chuyên dự đoán nội dung, sản phẩm hoặc dịch vụ mà một người dùng cụ thể có khả năng quan tâm — dựa trên lịch sử hành vi của người đó và hành vi của những người dùng tương tự.

Mục tiêu không chỉ là tìm ra sản phẩm người dùng sẽ thích mà còn tăng thời gian tương tác (TikTok), tỷ lệ chuyển đổi (Shopee), hoặc doanh thu trung bình trên mỗi người dùng (Netflix, Amazon).

Netflix ước tính 75–80% lượng xem đến từ gợi ý, không phải tìm kiếm chủ động — con số này cho thấy recommendation system là lõi kinh doanh cốt lõi, không phải tính năng phụ. Amazon công bố rằng 35% doanh thu đến từ công cụ "Khách hàng mua sản phẩm này cũng mua" và "Gợi ý cho bạn".

Điều quan trọng là phân biệt recommendation với search:

• Search (tìm kiếm): Người dùng biết mình muốn gì, gõ từ khóa cụ thể. Hệ thống tối ưu cho relevance — kết quả có khớp ý định tìm kiếm không?
• Recommendation (gợi ý): Người dùng chưa biết mình muốn gì, chỉ đang lướt feed. Hệ thống tối ưu cho engagement hoặc conversion — người dùng có dừng lại và mua không?

Điều làm recommendation system mạnh mẽ là khả năng khai thác implicit feedback (phản hồi ngầm). Người dùng hiếm khi chấm sao hay viết review, nhưng mỗi giây xem video, mỗi lần thêm vào giỏ hàng, mỗi lần bỏ qua quảng cáo đều là tín hiệu có giá trị.

Tổng hợp hàng triệu tín hiệu theo thời gian thực tạo ra hồ sơ hành vi chính xác hơn nhiều so với bất kỳ bảng khảo sát nào từng được thực hiện.

Ba loại chính của Recommendation System

Collaborative Filtering — Lọc cộng tác

Collaborative Filtering là phương pháp cổ điển và hiệu quả nhất khi có đủ dữ liệu: tìm những người dùng có hành vi tương tự bạn, rồi gợi ý những thứ họ thích mà bạn chưa thấy.

Ý tưởng đơn giản — "những người giống bạn đã thích X" — nhưng toán học đằng sau rất phức tạp khi quy mô lên đến hàng triệu người dùng và hàng triệu item. Các phương pháp phổ biến gồm:

• Matrix Factorization (SVD, ALS): Phân tích user-item matrix thành hai ma trận nhỏ hơn đại diện cho latent features của user và item.
• Memory-Based CF: Tính cosine similarity hoặc Pearson correlation trực tiếp giữa các user hoặc item mà không cần tối ưu mô hình.
• Neural Collaborative Filtering (NCF): Dùng neural network để học tương tác phi tuyến giữa user embedding và item embedding.

Nhược điểm lớn nhất là cold start problem: người dùng mới chưa có lịch sử tương tác nên không thể tìm được "người tương tự" để so sánh. Tương tự, sản phẩm mới chưa ai mua cũng không có dữ liệu co-occurrence để xếp hạng — đây là khe hở lớn mà Content-Based Filtering lấp đầy.

Content-Based Filtering — Lọc dựa trên nội dung

Content-Based Filtering tiếp cận theo hướng khác: phân tích thuộc tính của item — thể loại, từ khóa, giá, màu sắc, thương hiệu, mô tả sản phẩm — và gợi ý những item có thuộc tính tương tự những gì người dùng đã tương tác.

Ưu điểm là không cần dữ liệu từ người dùng khác, nên giải quyết được cold start cho người dùng mới. Chỉ cần biết 2-3 sản phẩm một người mới quan tâm, hệ thống đã có thể tạo gợi ý dựa trên metadata.

Tuy nhiên, phương pháp này có xu hướng tạo gợi ý quá giống nhau và thiếu tính khám phá. Nếu bạn thích áo phông đen, hệ thống sẽ mãi gợi ý áo phông đen khác, không bao giờ giới thiệu quần jeans hay phụ kiện phù hợp mà bạn có thể thích.

Hybrid System — Kết hợp thực tế

Hybrid System là cách tiếp cận mà hầu hết hệ thống sản xuất áp dụng: kết hợp Collaborative và Content-Based ở các tầng khác nhau của pipeline, bổ sung thêm context-aware features và deep learning.

Netflix, YouTube, TikTok và Shopee đều vận hành Hybrid nhiều tầng với hàng trăm features, mỗi tầng được tối ưu cho một mục tiêu cụ thể và liên tục được cải tiến qua A/B testing hàng tuần.

Cách TikTok For You Feed hoạt động

For You Page (FYP) của TikTok được xem là recommendation engine mạnh nhất thế giới hiện nay. Khả năng cá nhân hóa cực cao ngay từ những phiên sử dụng đầu tiên là lý do chính giúp TikTok vượt qua các mạng xã hội lâu đời hơn để trở thành nền tảng có tốc độ tăng trưởng người dùng nhanh nhất lịch sử mạng xã hội.

Hệ thống hoạt động theo kiến trúc multi-stage ranking với ba giai đoạn chính, được thực thi trong chưa đến 200 milliseconds mỗi khi người dùng mở app hoặc swipe lên video tiếp theo.

Giai đoạn 1 — Candidate Generation

Từ kho hơn 10 tỷ video trên toàn cầu, hệ thống lọc nhanh xuống còn 500–1.000 video phù hợp dựa trên ngôn ngữ, khu vực địa lý, thiết bị và lịch sử tương tác gần nhất.

Bước này cần cực kỳ nhanh nên dùng các mô hình nhẹ, chủ yếu là approximate nearest neighbor search trên không gian embedding. TikTok chia candidate generation thành nhiều nguồn song song:

• Video từ những creator đã theo dõi (social graph signal)
• Video trending trong khu vực và toàn cầu (popularity signal)
• Video tương tự những gì đã xem gần đây (similarity signal)
• Một phần ngẫu nhiên để khám phá sở thích mới (exploration)

Giai đoạn 2 — Retrieval và Ranking

1.000 video ứng viên được xếp hạng bởi các mô hình phức tạp hơn, dự đoán xác suất cho từng hành động quan trọng:

• Watch-through rate — Tỷ lệ % thời lượng video được xem (tín hiệu mạnh nhất)
• Like probability — Xác suất người dùng nhấn thích
• Share probability — Xác suất người dùng chia sẻ (trọng số cao vì cần nỗ lực)
• Comment probability — Xác suất người dùng bình luận
• Not-Interested probability — Xác suất nhấn "Không quan tâm" (tín hiệu tiêu cực)

Tín hiệu watch time percentage là quan trọng nhất: video được xem 80% được đánh giá cao hơn nhiều so với video được like nhưng chỉ xem 10%. Điều này có nghĩa là một video dài 60 giây nhưng được xem 50 giây sẽ outperform video 15 giây nhưng bị swipe qua sau 5 giây.

Giai đoạn 3 — Diversity Injection

Sau khi xếp hạng, hệ thống chủ động can thiệp để tránh feed quá đồng nhất. Ràng buộc đa dạng bao gồm: không để 5 video liên tiếp cùng creator, không để 3 video liên tiếp cùng âm thanh, không để quá 30% video trong một session thuộc cùng một chủ đề hẹp.

Khoảng 10–15% video trong FYP là nội dung "khám phá" nằm ngoài vùng sở thích quen thuộc, giúp phát hiện sở thích tiềm ẩn và tránh filter bubble. Phản hồi "Not Interested" hoặc "Don't recommend this creator" được xử lý trong thời gian thực và ảnh hưởng ngay đến các video tiếp theo trong session.

Cách Shopee gợi ý sản phẩm

Recommendation system của Shopee phức tạp hơn TikTok ở chỗ mục tiêu không chỉ là giữ người dùng lướt lâu hơn mà là tối đa hóa xác suất mua hàng — một bài toán khó hơn vì hành vi mua thường cách xa hành vi lướt nhiều bước và bị ảnh hưởng bởi giá, khuyến mãi, thời điểm trong tháng và lịch sử mua trước đó.

Shopee triển khai nhiều module gợi ý song song tùy theo vị trí hiển thị trong app:

• Trang chủ: Gợi ý cá nhân hóa dựa trên lịch sử dài hạn và xu hướng thời điểm
• Trang sản phẩm: "Sản phẩm liên quan" và "Người mua sản phẩm này còn mua..."
• Giỏ hàng: Cross-sell sản phẩm bổ sung trước khi thanh toán
• Trang thanh toán: Upsell và flash deal theo sở thích
• Email/Push notification: Retargeting theo hành vi session và lịch sử mua

Item-to-Item Collaborative Filtering

Xương sống của phần "Sản phẩm liên quan": tìm những item thường xuyên được xem hoặc mua cùng nhau, sau đó dùng co-purchase graph để xếp hạng mức độ liên quan. Hiệu quả với sản phẩm thay thế (điện thoại cùng phân khúc) hoặc sản phẩm bổ sung tự nhiên (ốp lưng cho điện thoại, tai nghe cho laptop).

Co-purchase signal mạnh hơn co-view signal vì mua hàng đòi hỏi cam kết thực sự. Shopee kết hợp cả hai với trọng số khác nhau: mua cùng trong một transaction được tính cao nhất, mua trong cùng ngày tiếp theo, rồi mới đến xem sản phẩm trong cùng session.

Sequential Recommendation

Theo dõi hành trình mua sắm trong session và dự đoán sản phẩm tiếp theo dựa trên chuỗi hành vi gần nhất. Người vừa xem màn hình laptop thường tìm bàn phím cơ hoặc túi đựng laptop trong 15 phút tiếp theo — pattern này được học từ hàng triệu session của người dùng khác.

Shopee dùng mô hình Transformer-based như BERT4Rec hoặc SASRec để nắm bắt dependencies trong chuỗi hành vi tuần tự, cho phép gợi ý ngay trong phiên hiện tại thay vì chỉ dựa vào lịch sử dài hạn.

Real-time Personalization và Price Sensitivity Modeling

Hệ thống cập nhật profile người dùng trong thời gian thực khi họ đang lướt. Nếu bạn đột nhiên bắt đầu xem nhiều sản phẩm thể thao trong buổi chiều, các gợi ý trên trang chủ sẽ thay đổi ngay trong session đó — không chờ đến lần mở app tiếp theo.

Price Sensitivity Modeling là điểm khác biệt quan trọng: Shopee tích hợp ngưỡng giá lịch sử của từng người dùng vào ranking. Cùng một danh mục sản phẩm sẽ hiển thị phân khúc giá khác nhau cho hai người dùng với ngân sách mua sắm khác nhau — người thường chi 200.000 VND mỗi lần sẽ thấy gợi ý khác với người thường chi hơn 1 triệu VND.

Metrics đo hiệu quả Recommendation System

Đo lường recommendation system không thể chỉ dùng accuracy vì một hệ thống luôn gợi ý những thứ người dùng chắc chắn thích có thể hoàn toàn vô ích về mặt kinh doanh — như gợi ý kem đánh răng cho người vừa mua kem đánh răng 5 phút trước.

Nhóm metrics kinh doanh

• CTR (Click-Through Rate): Tỷ lệ nhấp vào gợi ý trên tổng số lần hiển thị. CTR thấp cho thấy gợi ý không đủ hấp dẫn hoặc không phù hợp với vị trí hiển thị.
• Conversion Rate: Tỷ lệ chuyển đổi từ click thành giao dịch thực. Metric quan trọng hơn CTR vì đo lường tác động trực tiếp đến doanh thu.
• Revenue Per User: Doanh thu trung bình trên mỗi người dùng trong một khoảng thời gian. Metric tổng hợp nhất vì phản ánh cả tần suất mua lẫn giá trị đơn hàng trung bình.

Nhóm metrics chất lượng gợi ý

• Novelty (Độ mới): Hệ thống có gợi ý những thứ người dùng chưa từng biết đến không?
• Diversity (Đa dạng): Các gợi ý trong cùng một feed có quá giống nhau không?
• Serendipity (Khám phá bất ngờ): Hệ thống có đem lại phát hiện thú vị ngoài mong đợi không?

Một hệ thống chỉ tối ưu CTR thuần túy thường dẫn đến filter bubble, giảm novelty và ảnh hưởng xấu đến retention dài hạn. Người dùng cảm thấy nhàm chán và rời nền tảng sau vài tuần khi không còn thấy nội dung mới lạ nào trong feed. Các hệ thống tốt nhất như TikTok và Spotify đầu tư nghiêm túc vào cân bằng giữa tối ưu ngắn hạn và trải nghiệm dài hạn thông qua A/B testing liên tục.

Vấn đề Filter Bubble

Filter Bubble là hệ quả không mong muốn của recommendation system hiệu quả: khi thuật toán quá giỏi trong việc gợi ý những thứ người dùng thích, nó tạo ra một "bong bóng thông tin" khép kín.

Người dùng chỉ được tiếp xúc với quan điểm, nội dung và sản phẩm trong vùng sở thích quen thuộc, không bao giờ thấy những gì nằm ngoài vùng đó. Reinforcement loop diễn ra theo cơ chế: thuật toán gợi ý X → người dùng tương tác với X → thuật toán học rằng người dùng thích X → gợi ý thêm X, ít Y, Z hơn → người dùng dần không bao giờ thấy Y, Z.

Trên mạng xã hội, filter bubble bị chỉ trích vì củng cố định kiến và làm phân cực quan điểm xã hội — hiện tượng "echo chamber" được nhiều nhà nghiên cứu truyền thông ghi nhận trong thập kỷ qua.

Trên sàn thương mại điện tử, filter bubble gây thiệt hại doanh thu trực tiếp: khách hàng không được giới thiệu đến danh mục sản phẩm mới có tiềm năng, thương hiệu bỏ lỡ cơ hội cross-sell và upsell.

Giải pháp cho Filter Bubble

Exploration vs Exploitation (epsilon-greedy): Thay vì luôn gợi ý thứ có xác suất cao nhất, hệ thống định kỳ gợi ý những thứ ít chắc chắn hơn để khám phá sở thích mới. TikTok thiết lập tỷ lệ explore khoảng 10–15% mỗi feed — con số được A/B test liên tục để cân bằng engagement ngắn hạn và retention dài hạn. Khi người dùng phản ứng tích cực với nội dung khám phá, thuật toán ghi nhận và mở rộng vùng sở thích của người dùng đó.

Diversity Injection: Sau khi thuật toán xếp hạng xong, một lớp post-processing cưỡng chế độ đa dạng bằng cách đảm bảo không quá X% gợi ý đến từ cùng một nguồn, creator hay danh mục. Kỹ thuật này đơn giản nhưng hiệu quả trong việc tránh "chuỗi đơn điệu" mà người dùng nhận thức được dù không nói ra — họ chỉ thấy feed nhàm và rời app.

User Control Settings: Một số nền tảng như YouTube và Spotify cho phép người dùng tự điều chỉnh feed — xóa lịch sử xem, đánh dấu "không quan tâm", tạm dừng lịch sử xem — để phá vỡ bubble theo ý muốn. Trao quyền kiểm soát cho người dùng không chỉ giải quyết filter bubble mà còn tăng trust và loyalty với nền tảng.

AlgoData & Recommendation System trong e-commerce

AlgoData ứng dụng nguyên lý recommendation system để giúp các thương hiệu phân tích market basket analysis từ dữ liệu giao dịch Shopee và TikTok Shop — xác định những cặp hoặc nhóm sản phẩm thường được mua cùng nhau với xác suất cao hơn mức ngẫu nhiên đáng kể.

Từ dữ liệu này, thương hiệu có thể:

• Thiết kế bundle khuyến mãi thông minh dựa trên co-purchase patterns thực tế từ thị trường
• Điều chỉnh vị trí hiển thị sản phẩm bổ sung trong gian hàng để tăng cross-sell tự nhiên
• Tối ưu chiến dịch cross-sell qua email và push notification với đúng sản phẩm, đúng timing
• Xác định cơ hội cross-category mà trước đây không nhìn thấy qua báo cáo bán hàng thông thường
• Dự đoán thời điểm mua tiếp theo để tối ưu frequency của chiến dịch retargeting

Thay vì xây dựng recommendation engine riêng — tốn vài tháng và cần nhiều kỹ sư ML chuyên biệt — thương hiệu có thể trực tiếp sử dụng insight từ AlgoData để triển khai cải tiến trong vài ngày.

Ví dụ case study thực tế: AlgoData phát hiện khách hàng mua kem chống nắng trên Shopee có xác suất 34% mua thêm serum vitamin C trong 14 ngày tiếp theo — cao hơn 6 lần so với mức nền của danh mục mỹ phẩm. Thương hiệu dùng insight này để thiết lập retargeting campaign với đúng sản phẩm và đúng timing, tăng conversion rate đáng kể mà không cần tăng ngân sách quảng cáo.

Mô hình Next Purchase Timing của AlgoData dự đoán khi nào một khách hàng cụ thể có khả năng mua lại, cho phép gửi voucher đúng lúc nhu cầu đang hình thành thay vì spam liên tục và gây phiền nhiễu. Cross-Category Opportunity Identification giúp phát hiện những nhóm khách hàng có tiềm năng mua thêm ở danh mục chưa từng thử — ví dụ người mua dụng cụ thể thao outdoor thường có nhu cầu về thực phẩm chức năng trong vòng 30 ngày tiếp theo.

Xây dựng Recommendation System đơn giản từ đầu

Để hiểu bản chất, hãy xây dựng một User-Based Collaborative Filtering cơ bản bằng Python. Bước đầu tiên là tạo user-item matrix: các hàng là người dùng, các cột là sản phẩm, giá trị là điểm đánh giá hoặc số lần mua.

Ma trận này thường rất thưa (sparse) — mỗi người dùng chỉ mua một phần nhỏ tổng số sản phẩm. Đây là lý do matrix factorization được ưa dùng hơn cosine similarity thuần túy trong production.

 1import pandas as pd
 2import numpy as np
 3from sklearn.metrics.pairwise import cosine_similarity
 4
 5# Bước 1: Tạo user-item matrix
 6# Giá trị 0 = chưa mua, 1-5 = điểm đánh giá
 7data = {
 8    'Kem chống nắng': [5, 3, 0, 4, 2],
 9    'Serum vitamin C': [4, 0, 4, 1, 5],
10    'Tẩy trang':       [0, 2, 5, 3, 0],
11    'Kem dưỡng ẩm':    [3, 0, 0, 5, 4],
12    'Son dưỡng môi':   [2, 4, 3, 0, 5],
13}
14users = ['An', 'Bình', 'Châu', 'Dung', 'Emly']
15user_item = pd.DataFrame(data, index=users)
16
17# Bước 2: Tính cosine similarity giữa các người dùng
18sim_matrix = cosine_similarity(user_item.fillna(0))
19sim_df = pd.DataFrame(sim_matrix, index=users, columns=users)
20
21# Bước 3: Gợi ý cho 'An'
22# Tìm người tương tự nhất → lấy sản phẩm họ thích mà An chưa mua
23target = 'An'
24not_bought = user_item.loc[target][user_item.loc[target] == 0].index
25most_similar_user = sim_df[target].drop(target).idxmax()
26recs = user_item.loc[most_similar_user][not_bought].sort_values(ascending=False)
27
28print(f"Người dùng tương tự nhất với {target}: {most_similar_user}")
29print(f"Top 3 gợi ý cho {target}:")
30print(recs.head(3))

Yêu cầu dữ liệu theo quy mô

Để hệ thống hoạt động tốt trong thực tế, cần đủ dữ liệu theo từng mức độ:

• < 1.000 users: Content-Based Filtering với TF-IDF trên mô tả sản phẩm ổn định hơn
• 1.000–100.000 interactions: Cosine similarity hoặc ALS với thư viện implicit
• 100.000–1.000.000 interactions: Matrix Factorization với Surprise hoặc LightFM
• > 1.000.000 interactions: Faiss (Meta) cho ANN search, Two-Tower neural network

AI Agent là gì?

Mỗi người dùng cần tối thiểu 5 lượt tương tác để mô hình có đủ tín hiệu. Khi dữ liệu chưa đủ, ưu tiên Content-Based Filtering và dần chuyển sang Hybrid khi tích lũy được đủ implicit feedback.

Vector Database là gì?

RFM là gì?

Kết luận

Recommendation System không còn là công nghệ chỉ dành cho các ông lớn như Netflix hay Amazon. Ngày nay bất kỳ doanh nghiệp thương mại điện tử nào cũng có thể khai thác nguyên lý gợi ý ở mức độ phù hợp, từ market basket analysis đơn giản đến deep learning recommendation engine.

Tương lai của lĩnh vực này đang hướng đến ba hướng chính:

• Real-time personalization: Cá nhân hóa theo từng click trong session, không chờ đến lần mở app tiếp theo — mỗi hành động ngay lập tức ảnh hưởng đến gợi ý tiếp theo.
• Multimodal recommendations: Kết hợp tín hiệu từ text, hình ảnh và video để hiểu sản phẩm và người dùng ở chiều sâu hơn, vượt ra ngoài tag và metadata đơn giản.
• LLM-powered explanations: Giải thích bằng ngôn ngữ tự nhiên tại sao hệ thống gợi ý một sản phẩm cụ thể — "Chúng tôi gợi ý vì bạn mua kem chống nắng tuần trước và 34% người mua cùng sản phẩm đó cũng thích serum này" — tăng độ tin tưởng và tỷ lệ chấp nhận.

Doanh nghiệp nào đầu tư vào việc hiểu và khai thác dữ liệu hành vi khách hàng ngay từ bây giờ sẽ có lợi thế cạnh tranh bền vững trong kỷ nguyên thương mại điện tử cá nhân hóa. Bắt đầu không cần phức tạp — chỉ cần đặt đúng câu hỏi: khách hàng này thường mua gì tiếp theo?

Câu hỏi thường gặp