Xây dựng mô hình học sâu đa phương thức trong phân loại sản phẩm kết hợp phân tích hành vi khách hàng nghiên cứu trường hợp công ty H&M

Abstract

Nghiên cứu này được thực hiện trong bối cảnh ngành thương mại điện tử thời trang đang đối mặt với thách thức quản trị danh mục sản phẩm khổng lồ và không đồng nhất, thiếu phương thức nhận diện nhanh chóng. Lý do lựa chọn đề tài xuất phát từ việc các hệ thống phân loại truyền thống thường bỏ qua sự kết hợp giữa dữ liệu bảng định lượng và dữ liệu phi cấu trúc, dẫn đến hiện tượng sai sót trong định danh sản phẩm. Mục tiêu chính của nghiên cứu là xây dựng một mô hình học sâu đa phương thức (Multimodal Learning) có khả năng phân loại định danh sản phẩm với độ chính xác cao, đồng thời đảm bảo tính giải thích thông qua việc lấp đầy các khoảng trống về hợp nhất dữ liệu hỗn hợp. Về phương pháp nghiên cứu, đề tài đề xuất một khung làm việc tích hợp bao gồm ResNet để xử lý hình ảnh, SBERT để trích xuất ngữ nghĩa văn bản và đặc biệt là kiến trúc Tabnet để tối ưu hóa dữ liệu bảng. Cách tiếp cận này cho phép mô hình thực hiện chọn lọc đặc trưng chủ động thông qua cơ chế Sequential Attention. Kết quả nghiên cứu cho thấy mô hình đạt AUC hơn 90% trong 2 thử nghiệm, đồng thời cung cấp khả năng dự đoán thông qua các mặt nạ đặc trưng (Feature Masks). Cuối cùng, kết luận cho thấy nghiên cứu mang lại hàm ý quan trọng cho các doanh nghiệp bán lẻ lĩnh vực thời trang trong việc tự động hóa chuẩn hóa dữ liệu kho hàng, giúp giảm thiểu rủi ro vận hành và đặt nền tảng vững chắc cho các hệ thống gợi ý cá nhân hóa trong tương lai.