Professional Documents
Culture Documents
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/204753072
CITATIONS READS
0 2,654
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Hoang Van Dung on 22 May 2014.
Hà Nội, 2007
MỤC LỤC
MỤC LỤC ...................................................................................................... i
DANH SÁCH CÁC HÌNH ............................................................................ v
DANH SÁCH CÁC BẢNG BIỂU ............................................................... vi
CÁC CỤM TỪ VIẾT TẮT..........................................................................vii
LỜI MỞ ĐẦU ................................................................................................ 1
Chương 1. TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU .................................. 3
1.1. Khai phá dữ liệu và phát hiện tri thức ......................................................... 3
1.1.1. Khai phá dữ liệu .................................................................................... 3
1.1.2. Quá trình khám phá tri thức .................................................................. 4
1.1.3. Khai phá dữ liệu và các lĩnh vực liên quan .......................................... 5
1.1.4. Các kỹ thuật áp dụng trong khai phá dữ liệu ........................................ 5
1.1.5. Những chức năng chính của khai phá dữ liệu ...................................... 7
1.1.6. Ứng dụng của khai phá dữ liệu ............................................................. 9
1.2. Kỹ thuật phân cụm trong khai phá dữ liệu ................................................ 10
1.2.1. Tổng quan về kỹ thuật phân cụm ........................................................ 10
1.2.2. Ứng dụng của phân cụm dữ liệu ......................................................... 13
1.2.3. Các yêu cầu đối với kỹ thuật phân cụm dữ liệu ................................. 13
1.2.4. Các kiểu dữ liệu và độ đo tương tự..................................................... 15
1.2.4.1. Phân loại kiểu dữ liệu dựa trên kích thước miền ......................... 15
1.2.4.2. Phân loại kiểu dữ liệu dựa trên hệ đo .......................................... 15
1.2.4.3. Khái niệm và phép đo độ tương tự, phi tương tự........................ 17
1.3. Khai phá Web ............................................................................................ 20
1.3.1. Lợi ích của khai phá Web ................................................................... 20
1.3.2. Khai phá Web ..................................................................................... 21
1.3.3. Các kiểu dữ liệu Web.......................................................................... 22
1.4. Xử lý dữ liệu văn bản ứng dụng trong khai phá dữ liệu Web .................. 23
1.4.1. Dữ liệu văn bản ................................................................................... 23
1.4.2. Một số vấn đề trong xử lý dữ liệu văn bản ......................................... 23
1.4.2.1. Loại bỏ từ dừng ............................................................................ 24
1.4.2.2. Định luật Zipf ............................................................................... 25
1.4.3. Các mô hình biểu diễn dữ liệu văn bản .............................................. 26
1.4.3.1. Mô hình Boolean.......................................................................... 26
LỜI MỞ ĐẦU
Trong những năm gần đây cùng với phát triển nhanh chóng của khoa học
kỹ thuật là sự bùng nỗ về tri thức. Kho dữ liệu, nguồn tri thức của nhân loại
cũng trở nên đồ sộ, vô tận làm cho vấn đề khai thác các nguồn tri thức đó ngày
càng trở nên nóng bỏng và đặt ra thách thức lớn cho nền công nghệ thông tin
thế giới.
Cùng với những tiến bộ vượt bậc của công nghệ thông tin là sự phát triển
mạnh mẽ của mạng thông tin toàn cầu, nguồn dữ liệu Web trở thành kho dữ liệu
khổng lồ. Nhu cầu về tìm kiếm và xử lý thông tin, cùng với yêu cầu về khả năng
kịp thời khai thác chúng để mạng lại những năng suất và chất lượng cho công
tác quản lý, hoạt động kinh doanh,… đã trở nên cấp thiết trong xã hội hiện đại.
Nhưng vấn đề tìm kiếm và sử dụng nguồn tri thức đó như thế nào để phục vụ
cho công việc của mình lại là một vấn đề khó khăn đối với người sử dụng. Để
đáp ứng phần nào yêu cầu này, người ta đã xây dựng các công cụ tìm kiếm và
xử lý thông tin nhằm giúp cho người dùng tìm kiếm được các thông tin cần thiết
cho mình, nhưng với sự rộng lớn, đồ sộ của nguồn dữ liệu trên Internet đã làm
cho người sử dụng cảm thấy khó khăn trước những kết quả tìm được.
Với các phương pháp khai thác cơ sở dữ liệu truyền thống chưa đáp ứng
được các yêu cầu đó. Để giải quyết vấn đề này, một hướng đi mới đó là nghiên
cứu và áp dụng kỹ thuật khai phá dữ liệu và khám phá tri thức trong môi trường
Web. Do đó, việc nghiên cứu các mô hình dữ liệu mới và áp dụng các phương
pháp khai phá dữ liệu trong khai phá tài nguyên Web là một xu thế tất yếu vừa
có ý nghĩa khoa học vừa mang ý nghĩa thực tiễn cao.
Vì vậy, tác giả chọn đề tài “Khai phá dữ liệu Web bằng kỹ thuật phân cụm ”
để làm luận văn tốt nghiệp cho mình.
Bố cục luận văn gồm 3 chương:
Chương 1 trình bày một cách tổng quan các kiến thức cơ bản về khai phá dữ
liệu và khám phá tri thức, khai phá dữ liệu trong môi trường Web; một số vấn đề
về biểu diễn và xử lý dữ liệu văn bản áp dụng trong khai phá dữ liệu Web.
Chương 2 giới thiệu một số kỹ thuật phân cụm dữ liệu phổ biến và thường
được sử dụng trong lĩnh vực khai phá dữ liệu và khám phá tri thức.
Chương 3 trình bày một số hướng nghiên cứu trong khai phá dữ liệu Web
như khai phá tài liệu Web, khai phá theo sử dụng Web, khai phá cấu trúc Web
và tiếp cận theo hướng sử dụng các kỹ thuật phân cụm dữ liệu để giải quyết bài
toán khai phá dữ liệu Web. Trong phần này cũng trình bày một mô hình áp dụng
kỹ thuật phân cụm dữ liệu trong tìm kiếm và phân cụm tài liệu Web.
Phần kết luận của luận văn tổng kết lại những vấn đề đã nghiên cứu, đánh
giá kết quả nghiên cứu, hướng phát triển của đề tài.
Phần phụ lục trình bày một số đoạn mã lệnh xử lý trong chương trình và
một số giao diện trong chương trình mô phỏng.
Như vậy ta có thể khái quát hóa khái niệm KPDL là một quá trình tìm
kiếm, phát hiện các tri thức mới, hữu ích, tiềm ẩn trong CSDL lớn.
KDD là mục tiêu chính của KPDL, do vậy hai khái niệm KPDL và KDD
được các nhà khoa học trên hai lĩnh vực xem là tương đương với nhau. Thế
nhưng nếu phân chia một cách chi tiết thì KPDL là một bước chính trong quá
trình KDD.
Khai phá dữ liệu: Đây là bước áp dụng những kỹ thuật phân tích (như các
kỹ thuật của học máy) nhằm để khai thác dữ liệu, trích chọn được những mẫu
thông tin, những mối liên hệ đặc biệt trong dữ liệu. Đây được xem là bước quan
trọng và tốn nhiều thời gian nhất của toàn quá trình KDD.
Đánh giá và biểu diễn tri thức: Những mẫu thông tin và mối liên hệ trong
dữ liệu đã được khám phá ở bước trên được biến đổi và biểu diễn ở một dạng
gần gũi với người sử dụng như đồ thị, cây, bảng biểu, luật,... Đồng thời bước
này cũng đánh giá những tri thức khám phá được theo những tiêu chí nhất định.
Học máy và
Tổ chức dữ liệu trí tuệ nhân tạo
Hình 1.2. Các lĩnh vực liên quan đến khám phá tri thức trong CSDL
Đứng trên quan điểm của học máy, thì các kỹ thuật trong KPDL, bao gồm:
Học có giám sát: Là quá trình gán nhãn lớp cho các phần tử trong CSDL
dựa trên một tập các ví dụ huấn luyện và các thông tin về nhãn lớp đã biết.
Học không có giám sát: Là quá trình phân chia một tập dữ liệu thành các
lớp hay cụm dữ liệu tương tự nhau mà chưa biết trước các thông tin về lớp hay
tập các ví dụ huấn luyện.
Học nửa giám sát: Là quá trình phân chia một tập dữ liệu thành các lớp dựa
trên một tập nhỏ các ví dụ huấn luyện và các thông tin về một số nhãn lớp đã
biết trước.
+ Nếu căn cứ vào lớp các bài toán cần giải quyết, thì KPDL bao gồm các
kỹ thuật áp dụng sau [10]:
Phân lớp và dự báo: Xếp một đối tượng vào một trong những lớp đã biết
trước. Ví dụ như phân lớp các dữ liệu bệnh nhân trong hồ sơ bệnh án. Hướng
tiếp cận này thường sử dụng một số kỹ thuật của học máy như cây quyết định,
mạng nơron nhân tạo,... Phân lớp và dự báo còn được gọi là học có giám sát.
Luật kết hợp: Là dạng luật biểu diễn tri thức ở dạng khá đơn giản. Ví dụ:
“60 % nữ giới vào siêu thị nếu mua phấn thì có tới 80% trong số họ sẽ mua thêm
son”. Luật kết hợp được ứng dụng nhiều trong lĩnh vực kinh doanh, y học, tin-
sinh, tài chính và thị trường chứng khoán,...
Phân tích chuỗi theo thời gian: Tương tự như khai phá luật kết hợp nhưng
có thêm tính thứ tự và tính thời gian. Hướng tiếp cận này được ứng dụng nhiều
trong lĩnh vực tài chính và thị trường chứng khoán vì nó có tính dự báo cao.
Phân cụm: Xếp các đối tượng theo từng cụm dữ liệu tự nhiên. Phân cụm
còn được gọi là học không có giám sát.
Mô tả và tóm tắt khái niệm: Thiên về mô tả, tổng hợp và tóm tắt khái niệm,
ví dụ như tóm tắt văn bản.
Do KPDL được ứng dụng rộng rãi nên nó có thể làm việc với rất nhiều kiểu
dữ liệu khác nhau. Sau đây là một số dạng dữ liệu điển hình: Dữ liệu quan hệ,
dữ liệu đa chiều, dữ liệu dạng giao dịch, dữ liệu quan hệ - hướng đối tượng, dữ
liệu không gian và thời gian, dữ liệu chuỗi thời gian, dữ liệu đa phương tiện, dữ
liệu văn bản và Web,…
khác. Lớp dữ liệu mục tiêu và các lớp đối chiếu là do người dùng chỉ ra và
tương ứng với các đối tượng dữ liệu nhận được nhờ truy vấn.
Phân tích sự kết hợp: Phân tích sự kết hợp là khám phá các luật kết hợp
thể hiện mối quan hệ giữa các thuộc tính giá trị mà ta nhận biết được nhờ tần
suất xuất hiện cùng nhau của chúng. Các luật kết hợp có dạng X Y , tức là
A1 .... An B1 ..... Bm , trong đó Ai (i=1,..., n) và Bj (j=1,...,m) là các cặp
thuộc tính giá trị. Luật kết hợp dạng X Y có thể được hiểu là “dữ liệu thoã
mãn các điều kiện của X thì cũng sẽ thoả các điều kiện của Y”.
Phân lớp và dự báo: Phân lớp là quá trình tìm kiếm một tập các mô hình
hoặc chức năng mà nó mô tả và phân biệt nó với các lớp hoặc khái niệm khác.
Các mô hình này nhằm mục đích dự báo về lớp của một số đối tượng. Việc xây
dựng mô hình dựa trên sự phân tích một tập các dữ liệu được huấn luyện có
nhiều dạng thể hiện mô hình như luật phân lớp (IF-THEN), cây quyết định, công
thức toán học hay mạng nơron,... Sự phân lớp được sử dụng để dự đoán nhãn
lớp của các đối tượng trong dữ liệu. Tuy nhiên trong nhiều ứng dụng, người ta
mong muốn dự đoán những giá trị khuyết thiếu nào đó. Thông thường đó là
trường hợp dự đoán các giá trị của dữ liệu kiểu số. Trước khi phân lớp và dự
báo, có thể cần thực hiện phân tích thích hợp để xác định và loại bỏ các thuộc
tính không tham gia vào quá trình phân lớp và dự báo.
Phân cụm: Không giống như phân lớp và dự báo, phân cụm phân tích các
đối tượng dữ liệu khi chưa biết nhãn của lớp. Nhìn chung, nhãn lớp không tồn
tại trong suốt quá trình huấn luyện dữ liệu, nó phân cụm có thể được sử dụng để
đưa ra nhãn của lớp. Sự phân cụm thực hiện nhóm các đối tượng dữ liệu theo
nguyên tắc: Các đối tượng trong cùng một nhóm thì giống nhau hơn các đối
tượng khác nhóm. Mỗi cụm được tạo thành có thể được xem như một lớp các
đối tượng mà các luật được lấy ra từ đó. Dạng của cụm được hình thành theo một
cấu trúc phân cấp của các lớp mà mỗi lớp là một nhóm các sự kiện tương tự nhau.
Phân tích các đối tượng ngoài cuộc: Một CSDL có thể chứa các đối
tượng không tuân theo mô hình dữ liệu. Các đối tượng như vậy gọi là đối tượng
ngoài cuộc. Hầu hết các phương pháp KPDL đều coi các đối tượng ngoài cuộc
là nhiễu và loại bỏ chúng. Tuy nhiên trong một số ứng dụng, chẳng hạn như phát
hiện nhiễu, thì sự kiện hiếm khi xảy ra lại được chú ý hơn những gì thường
xuyên gặp phải. Sự phân tích dữ liệu ngoài cuộc được coi như là sự khai phá các
đối tượng ngoài cuộc. Một số phương pháp được sử dụng để phát hiện đối tượng
ngoài cuộc: sử dụng các test mang tính thống kê trên cơ sở một phân phối dữ
liệu hay một mô hình xác suất cho dữ liệu, dùng các độ đo khoảng cách mà theo
đó các đối tượng có một khoảng cách đáng kể đến cụm bất kì khác được coi là
đối tượng ngoài cuộc, dùng các phương pháp dựa trên độ lệch để kiểm tra sự
khác nhau trong những đặc trưng chính của các nhóm đối tượng.
Phân tích sự tiến hoá: Phân tích sự tiến hoá thực hiện việc mô tả và mô
hình hoá các qui luật hay khuynh hướng của những đối tượng mà hành vi của
chúng thay đổi theo thời gian. Phân tích sự tiến hoá có thể bao gồm cả đặc trưng
hoá, phân biệt, tìm luật kết hợp, phân lớp hay PCDL liên quan đến thời gian,
phân tích dữ liệu theo chuỗi thời gian, so sánh mẫu theo chu kỳ và phân tích dữ
liệu dựa trên độ tương tự.
Hình 1.3. Trực quan hóa kết quả KPDL trong Oracle
1.2. Kỹ thuật phân cụm trong khai phá dữ liệu
1.2.1. Tổng quan về kỹ thuật phân cụm
Mục đích chính của PCDL nhằm khám phá cấu trúc của mẫu dữ liệu để
thành lập các nhóm dữ liệu từ tập dữ liệu lớn, theo đó nó cho phép người ta đi
sâu vào phân tích và nghiên cứu cho từng cụm dữ liệu này nhằm khám phá và
tìm kiếm các thông tin tiềm ẩn, hữu ích phục vụ cho việc ra quyết định. Ví dụ
“nhóm các khách hàng trong CSDL ngân hàng có vốn các đầu tư vào bất động
sản cao”… Như vậy, PCDL là một phương pháp xử lý thông tin quan trọng và
phổ biến, nó nhằm khám phá mối liên hệ giữa các mẫu dữ liệu bằng cách tổ
chức chúng thành các cụm.
Ta có thể khái quát hóa khái niệm PCDL [10][19]: PCDL là một kỹ thuật
trong KPDL, nhằm tìm kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên, tiềm
ẩn, quan trọng trong tập dữ liệu lớn từ đó cung cấp thông tin, tri thức hữu ích
cho việc ra quyết định.
Như vậy, PCDL là quá trình phân chia một tập dữ liệu ban đầu thành các
cụm dữ liệu sao cho các phần tử trong một cụm "tương tự" với nhau và các phần
tử trong các cụm khác nhau sẽ "phi tương tự" với nhau. Số các cụm dữ liệu được
phân ở đây có thể được xác định trước theo kinh nghiệm hoặc có thể được tự
động xác định của phương pháp phân cụm.
Độ tương tự được xác định dựa trên giá trị các thuộc tính mô tả đối tượng.
Thông thường, phép đo khoảng cách thường được sử dụng để đánh giá độ tương
tự hay phi tương tự.
Ta có thể minh hoạ vấn đề phân cụm như hình sau đây:
PCDL. "Nhiễu" ở đây có thể là các đối tượng dữ liệu không chính xác hoặc các
đối tượng dữ liệu khuyết thiếu thông tin về một số thuộc tính. Một trong các kỹ
thuật xử lý nhiễu phổ biến là việc thay thế giá trị của các thuộc tính của đối
tượng "nhiễu" bằng giá trị thuộc tính tương ứng của đối tượng dữ liệu gần nhất.
Ngoài ra, dò tìm phần tử ngoại lai là một trong những hướng nghiên cứu
quan trọng trong PCDL, chức năng của nó là xác định một nhóm nhỏ các đối
tượng dữ liệu "khác thường" so với các dữ liệu khác trong CSDL - tức là các đối
tượng dữ liệu không tuân theo các hành vi hoặc mô hình dữ liệu - nhằm tránh sự
ảnh hưởng của chúng tới quá trình và kết quả của PCDL. Khám phá các phần tử
ngoại lai đã được phát triển và ứng dụng trong viễn thông, dò tìm gian lận
thương mại…
Tóm lại, PCDL là một vấn đề khó vì người ta phải đi giải quyết các vấn đề
con cơ bản như sau:
- Biểu diễn dữ liệu.
- Xây dựng hàm tính độ tương tự.
- Xây dựng các tiêu chuẩn phân cụm.
- Xây dựng mô hình cho cấu trúc cụm dữ liệu.
- Xây dựng thuật toán phân cụm và xác lập các điều kiện khởi tạo.
- Xây dựng các thủ tục biểu diễn và đánh giá kết quả phân cụm.
Theo các nghiên cứu thì đến nay chưa có một phương pháp phân cụm tổng
quát nào có thể giải quyết trọn vẹn cho tất cả các dạng cấu trúc cụm dữ liệu.
Hơn nữa, các phương pháp phân cụm cần có cách thức biểu diễn cấu trúc các
cụm dữ liệu khác nhau, với mỗi cách thức biểu diễn khác nhau sẽ có một thuật
toán phân cụm phù hợp. PCDL đang là vấn đề mở và khó vì người ta cần phải đi
giải quyết nhiều vấn đề cơ bản như đã đề cập ở trên một cách trọn vẹn và phù
hợp với nhiều dạng dữ liệu khác nhau. Đặc biệt đối với dữ liệu hỗn hợp, đang
ngày càng tăng trưởng không ngừng trong các hệ quản trị dữ liệu, đây cũng là
một trong những thách thức lớn trong lĩnh vực KPDL trong những thập kỷ tiếp
theo và đặc biệt là trong lĩnh vực KPDL Web.
1.2.3. Các yêu cầu đối với kỹ thuật phân cụm dữ liệu
Việc xây dựng, lựa chọn một thuật toán phân cụm là bước then chốt cho
việc giải quyết vấn đề phân cụm, sự lựa chọn này phụ thuộc vào đặc tính dữ liệu
cần phân cụm, mục đích của ứng dụng thực tế hoặc xác định độ ưu tiên giữa
chất lượng của các cụm hay tốc độ thực hiện thuật toán,…
Hầu hết các nghiên cứu và phát triển thuật toán PCDL đều nhằm thoả mãn
các yêu cầu cơ bản sau [10][19]:
Có khả năng mở rộng: Một số thuật toán có thể ứng dụng tốt cho tập dữ
liệu nhỏ (khoảng 200 bản ghi dữ liệu) nhưng không hiệu quả khi áp dụng cho
tập dữ liệu lớn (khoảng 1 triệu bản ghi).
Thích nghi với các kiểu dữ liệu khác nhau: Thuật toán có thể áp dụng hiệu
quả cho việc phân cụm các tập dữ liệu với nhiều kiểu dữ liệu khác nhau như dữ
liệu kiểu số, kiểu nhị phân, dữ liệu định danh, hạng mục,... và thích nghi với
kiểu dữ liệu hỗn hợp.
Khám phá ra các cụm với hình thù bất kỳ: Do hầu hết các CSDL có chứa
nhiều cụm dữ liệu với các hình thù khác nhau như: hình lõm, hình cầu, hình
que,… Vì vậy, để khám phá được các cụm có tính tự nhiên thì các thuật toán
phân cụm cần phải có khả năng khám phá ra các cụm dữ liệu có hình thù bất kỳ.
Tối thiểu lượng tri thức cần cho xác định các tham số vào: Do các giá trị
đầu vào thường ảnh hưởng rất lớn đến thuật toán phân cụm và rất phức tạp để
xác định các giá trị vào thích hợp đối với các CSDL lớn.
Ít nhạy cảm với thứ tự của dữ liệu vào: Cùng một tập dữ liệu, khi đưa vào
xử lý cho thuật toán PCDL với các thứ tự vào của các đối tượng dữ liệu ở các
lần thực hiện khác nhau thì không ảnh hưởng lớn đến kết quả phân cụm.
Khả năng thích nghi với dữ liệu nhiễu cao: Hầu hết các dữ liệu phân cụm
trong KPDL đều chứa đựng các dữ liệu lỗi, dữ liệu không đầy đủ, dữ liệu rác.
Thuật toán phân cụm không những hiệu quả đối với các dữ liệu nhiễu mà còn
tránh dẫn đến chất lượng phân cụm thấp do nhạy cảm với nhiễu.
Ít nhạy cảm với các tham số đầu vào: Nghĩa là giá trị của các tham số đầu
vào khác nhau ít gây ra các thay đổi lớn đối với kết quả phân cụm.
Thích nghi với dữ liệu đa chiều: Thuật toán có khả năng áp dụng hiệu quả
cho dữ liệu có số chiều khác nhau.
Dễ hiểu, dễ cài đặt và khả thi.
Các yêu cầu này đồng thời là các tiêu chí để đánh giá hiệu quả của các
phương pháp PCDL, đây là những thách thức cho các nhà nghiên cứu trong lĩnh
vực PCDL.
- Thuộc tính khoảng: Nhằm để đo các giá trị theo xấp xỉ tuyến tính. Với
thuộc tính khoảng, ta có thể xác định một thuộc tính là đứng trước hoặc đứng
sau thuộc tính khác với một khoảng là bao nhiêu. Nếu xi > yi thì ta nói x cách y
một khoảng |xi – yi| tương ứng với thuộc tính thứ i. Ví dụ: thuộc tính số Serial
của một đầu sách trong thư viện hoặc thuộc tính số kênh trên truyền hình.
- Thuộc tính tỉ lệ: Là thuộc tính khoảng nhưng được xác định một cách
tương đối so với điểm mốc, thí dụ như thuộc tính chiều cao hoặc cân nặng lấy
giá trị 0 làm mốc.
Trong các thuộc tính dữ liệu trình bày ở trên, thuộc tính định danh và thuộc
tính có thứ tự gọi chung là thuộc tính hạng mục, thuộc tính khoảng và thuộc tính
tỉ lệ được gọi là thuộc tính số.
Người ta còn đặc biệt quan tâm đến dữ liệu không gian. Đây là loại dữ liệu
có các thuộc tính số khái quát trong không gian nhiều chiều, dữ liệu không gian
mô tả các thông tin liên quan đến không gian chứa đựng các đối tượng, thí dụ như
thông tin về hình học,… Dữ liệu không gian có thể là dữ liệu liên tục hoặc rời rạc:
Dữ liệu không gian rời rạc: Có thể là một điểm trong không gian nhiều
chiều và cho phép ta xác định được khoảng cách giữa các đối tượng dữ liệu
trong không gian.
Dữ liệu không gian liên tục: Bao gồm một vùng trong không gian.
Thông thường, các thuộc tính số được đo bằng các đơn vị xác định như là
Kilogams hoặc Centimeter. Tuy nhiên, các đơn vị đo có ảnh hưởng đến các kết
quả phân cụm. Thí dụ như thay đổi độ đo cho thuộc tính cân nặng từ Kilogams
sang Pound có thể mang lại các kết quả khác nhau trong phân cụm. Để khắc
phục điều này người ta phải chuẩn hoá dữ liệu, tức là sử dụng các thuộc tính dữ
liệu không phụ thuộc vào đơn vị đo. Thực hiện chuẩn hoá phụ thuộc vào ứng
dụng và người dùng, thông thường chuẩn hoá dữ liệu được thực hiện bằng cách
thay thế mỗi một thuộc tính bằng thuộc tính số hoặc thêm các trọng số cho các
thuộc tính.
1/ q
n
Khoảng cách Minskowski: d ( x, y) ( | xi y |q ) , với q là số nguyên dương.
i
i 1
( x i y i)
n 2
Khoảng cách Euclide: d ( x, y ) , (trường hợp đặc biệt của
i 1
x: 0 +
+ +
Bảng 1.1. Bảng tham số thuộc tính nhị phân
Trong đó: = + + + , các đối tượng x, y mà tất cả các thuộc tính của
nó đều là nhị phân biểu thị bằng 0 và 1. Bảng trên cho ta các thông tin sau:
- là tổng số các thuộc tính có giá trị là 1 trong cả hai đối tượng x, y.
- là tổng số các giá trị thuộc tính có giá trị là 1 trong x và 0 trong y.
- là tổng số các giá trị thuộc tính có giá trị là 0 trong x và 1 trong y.
- là tổng số các giá trị thuộc tính có giá trị là 0 trong x và y.
Các phép đo độ tương tự đối với dữ liệu thuộc tính nhị phân được định
nghĩa như sau:
- Hệ số đối sánh đơn giản: d ( x, y ) , ở đây cả hai đối tượng x và y có
vai trò như nhau, nghĩa là chúng đối xứng và có cùng trọng số.
- Hệ số Jacard: d ( x, y ) , tham số này bỏ qua số các đối sánh
giữa 0-0. Công thức tính này được sử dụng trong trường hợp mà trọng số của
các thuộc tính có giá trị 1 của đối tượng dữ liệu có giá trị cao hơn nhiều so với
các thuộc tính có giá trị 0, như vậy các thuộc tính nhị phân ở đây là không đối
xứng.
+ Thuộc tính định danh: Độ đo phi tương tự giữa hai đối tượng x và y
pm
được định nghĩa như sau: d ( x, y ) , trong đó m là số thuộc tính đối sánh
p
tương ứng trùng nhau và p là tổng số các thuộc tính.
+ Thuộc tính có thứ tự: Phép đo độ phi tương tự giữa các đối tượng dữ
liệu với thuộc tính thứ tự được thực hiện như sau, ở đây ta giả sử i là thuộc tính
thứ tự có Mi giá trị (Mi kích thước miền giá trị):
Các trạng thái Mi được sắp thứ tự như sau: [1…Mi], ta có thể thay thế mỗi
giá trị của thuộc tính bằng giá trị cùng loại ri, với ri {1,…,Mi}.
Mỗi một thuộc tính thứ tự có các miền giá trị khác nhau, vì vậy ta chuyển
đổi chúng về cùng miền giá trị [0,1] bằng cách thực hiện phép biến đổi sau cho
1
( j)
Sử dụng công thức tính độ phi tương tự của thuộc tính khoảng đối với các
giá trị , đây cũng chính là độ phi tương tự của thuộc tính có thứ tự.
( j)
z i
+ Thuộc tính tỉ lệ: Có nhiều cách khác nhau để tính độ tương tự giữa các
thuộc tính tỉ lệ. Một trong những số đó là sử dụng công thức tính logarit cho mỗi
thuộc tính xi, thí dụ qi = log(xi), lúc này qi đóng vai trò như thuộc tính khoảng.
Phép biến đổi logarit này thích hợp trong trường hợp các giá trị của thuộc tính là
số mũ.
Trong thực tế, khi tính độ đo tương tự dữ liệu, người ta chỉ xem xét một
phần các thuộc tính đặc trưng đối với các kiểu dữ liệu hoặc đánh trọng số cho
cho tất cả các thuộc tính dữ liệu. Trong một số trường hợp, người ta loại bỏ đơn
vị đo của các thuộc tính dữ liệu bằng cách chuẩn hoá chúng hoặc gán trọng số
cho mỗi thuộc tính giá trị trung bình, độ lệch chuẩn. Các trọng số này có thể sử
dụng trong các độ đo khoảng cách trên, thí dụ với mỗi thuộc tính dữ liệu đã
được gán trọng số tương ứng wi (1 i k ), độ tương tự dữ liệu được xác định
như sau: d ( x, y) wi ( x i y i) .
n 2
i 1
Người ta có thể chuyển đổi giữa các mô hình cho các kiểu dữ liệu trên, thí
dụ dữ liệu kiểu hạng mục có thể chuyển đổi thành dữ liệu nhị phân và ngược lại.
Nhưng giải pháp này rất tốt kém về chi phí tính toán, cần phải cân nhắc khi áp
dụng cách thức này.
Tuỳ từng trường hợp dữ liệu cụ thể mà người ta sử dụng các mô hình tính
độ tương tự khác nhau. Việc xác định độ tương tự dữ liệu thích hợp, chính xác,
đảm bảo khách quan là rất quan trọng và góp phần xây dựng thuật toán PCDL
có hiệu quả cao trong việc đảm bảo chất lượng cũng như chi phí tính toán của
thuật toán.
trúc trang. Chẳng hạn như tin tức, thị trường chứng khoán, thông tin quảng cáo,
trung tâm dịch vụ mạng,... Tất cả thông tin được thay đổi trên Web theo từng
giai đoạn. Các liên kết trang và đường dẫn truy cập cũng luôn thay đổi. Khả
năng gia tăng liên tục về số lượng người dùng, sự quan tâm tới Web cũng khác
nhau, động cơ người dùng rất đa dạng và phong phú. Vậy làm thế nào để có thể
tìm kiếm được thông tin mà người dùng cần? Làm thế nào để có được những
trang Web chất lượng cao?...
Những vấn đề này sẽ được thực hiện hiệu quả hơn bằng cách nghiên cứu
các kỹ thuật KPDL áp dụng trong môi trường Web. Thứ nhất, ta sẽ quản lý các
Web site thật tốt; thứ hai, khai phá những nội dung mà người dùng quan tâm;
thứ ba, sẽ thực hiện phân tích các mẫu sử dụng Web.
Dựa vào những vấn đề cơ bản trên, ta có thể có những phương pháp hiệu
quả cao để cung cấp những thông tin hữu ích đối với người dùng Web và giúp
người dùng sử dụng nguồn tài nguyên Web một cách hiệu quả.
iii. Tổng hợp: Tự động khám phá các mẫu chung tại các Web site riêng lẽ
cũng như nhiều Website với nhau.
iv. Phân tích: Đánh giá, giải thích, biểu diễn các mẫu khai phá được.
1.3.3. Các kiểu dữ liệu Web
Ta có thể khái quát bằng sơ đồ sau:
Free Text
HTML file
Dynamic content
Multimedia
Static link
Web data Structure data
1.4. Xử lý dữ liệu văn bản ứng dụng trong khai phá dữ liệu Web
1.4.1. Dữ liệu văn bản
Trong các loại dữ liệu hiện nay thì văn bản là loại dữ liệu phổ biến nhất và
nó có mặt khắp mọi nơi, đặc biệt là đối với dữ liệu trên Web. Do vậy, các bài
toán xử lý văn bản đã được đặt ra từ rất sớm và hiện nay nó vẫn là vấn đề rất
được nhiều nhà nghiên cứu quan tâm, một trong những bài toán đó là tìm kiếm
và trích dẫn văn bản, biểu diễn và phân loại văn bản,….
CSDL văn bản có thể chia làm 2 loại chính [14][20]:
+ Dạng không có cấu trúc: Đây là những tài liệu văn bản thông thường mà
ta đọc thường ngay trên các sách, báo, internet,… đây là dạng dữ liệu của ngôn
ngữ tự nhiên của con người và nó không theo một khuôn mẫu định sẵn nào cả.
+ Dạng nữa cấu trúc: Đây là những văn bản được tổ chức dưới dạng cấu trúc
lỏng, nhưng vẫn thể hiện nội dung chính của văn bản, như văn bản HTML, Email,..
lượng các từ trong văn bản (giảm số chiều của không gian), nhưng việc cắt bỏ
các từ lại rất khó trong việc hiểu văn bản.
Ngoài ra, để nâng cao chất lượng xử lý, một số công trình nghiên cứu đã
đưa ra một số cải tiến thuật toán xem xét đến đặc tính ngữ cảnh của các từ bằng
việc sử dụng các cụm từ/văn phạm chứ không chỉ xét các từ riêng lẽ [31].
Những cụm từ này có thể được xác định bằng cách xem xét tần số xuất hiện của
cả cụm từ đó trong tài liệu.
Bằng phương pháp biểu diễn không gian vector, ta có thể thấy rõ ràng là chiều
của một vector sẽ rất lớn bởi số chiều của nó được xác định bằng số lượng các từ
khác nhau trong tập hợp từ. Chẳng hạn, số lượng các từ có thể từ 103 đến 105 đối
với các tập văn bản nhỏ. Vấn đề đặt ra là làm sao để giảm số chiều của vector mà
vẫn đảm bảo việc xử lý văn bản đúng và chính xác, đặc biệt là trong môi trường
www, ta sẽ xem xét đến một số phương pháp để giảm số chiều của vector.
1.4.2.1. Loại bỏ từ dừng
Trước hết ta thấy trong ngôn ngữ tự nhiên có nhiều từ chỉ dùng để biểu diễn
cấu trúc câu chứ không biểu đạt nội dung của nó. Như các giới từ, từ nối,... những
từ như vậy xuất hiện nhiều trong các văn bản mà không liên quan gì tới chủ đề
hoặc nội dung của văn bản. Do đó, ta có thể loại bỏ những từ đó để giảm số chiều
của vector biểu diễn văn bản, những từ như vậy được gọi là những từ dừng.
Sau đây là ví dụ về tần số xuất hiện cao của một số từ (tiếng Anh) trong
336,310 tài liệu gồm tổng cộng 125.720.891 từ, 508.209 từ riêng biệt.
Hình 1.6. Lược đồ thống kê tần số của từ theo Định luật Zipf
1.4.3. Các mô hình biểu diễn dữ liệu văn bản
Trong các bài toán xử lý văn bản, ta thấy rằng vai trò của biểu diễn văn bản
rất lớn, đặc biệt trong các bài toán tìm kiếm, phân cụm,…
Theo các nghiên cứu về cách biểu diễn khác nhau trong xử lý văn bản thì
cách biểu diễn tốt nhất là bằng các từ riêng biệt được rút ra từ tài liệu gốc và
cách biểu diễn này ảnh hưởng tương đối nhỏ đối với kết quả.
Các cách tiếp cận khác nhau sử dụng mô hình toán học khác nhau để tính
toán, ở đây ta sẽ trình bày một số mô hình phổ biến và được đăng nhiều trong
các bài báo gần đây [14][22].
1.4.3.1. Mô hình Boolean
Đây là mô hình biểu diễn vector với hàm f nhận giá trị rời rạc với duy nhất
hai giá trị đúng/sai (true/false). Hàm f tương ứng với thuật ngữ ti sẽ cho giá trị
đúng khi và chỉ khi ti xuất hiện trong tài liệu đó.
Giả sử rằng có một CSDL gồm m văn bản, D={d1, d2, ..., dm}. Mỗi văn bản
được biểu diễn dưới dạng một vector gồm n thuật ngữ T={t1, t2,...,tn}. Gọi
W={wij} là ma trận trọng số, wij là giá trị trọng số của thuật ngữ ti trong tài liệu dj.
Mô hình Boolean là mô hình đơn giản nhất, nó được xác định như sau:
1 nếu ti dj
Wij=
0 nếu ti dj
- Wij = tfij
- Wij = 1+log(tfij)
tf ij
- Wij =
Với mô hình này, trọng số wij đồng biến với số lần xuất hiện của thuật ngữ
ti trong tài liệu dj. Khi số lần xuất hiện thuật ngữ ti trong tài liệu dj càng lớn thì
có nghĩa là dj càng phụ thuộc nhiều vào thuật ngữ ti, nói cách khác thuật ngữ ti
mang nhiều thông tin hơn trong tài liệu dj.
1.4.3.2.2. Phương pháp dựa trên tần số văn bản nghịch đảo
Trong mô hình dưa trên tần số văn bản nghịch đảo (IDF-Inverse Document
Frequency) giá trị trọng số của từ được tính bằng công thức sau [31]:
n
log( ) log( n) log( hi ) nếu ti dj
Wij= hi
0 nếu ngược lại (ti dj)
Trong đó, n là tổng số văn bản trong CSDL, hi là số văn bản chứa thuật ngữ ti.
Trọng số wij trong công thức trên được tính dựa vào độ quan trọng của
thuật ngữ ti trong tài liệu dj. Nếu ti xuất hiện càng ít trong các văn bản thì nó
càng quan trọng, do đó nếu ti xuất hiện trong dj thì trọng số của nó càng lớn,
nghĩa là nó càng quan trọng để phân biệt dj với các tài liệu khác và lượng thông
tin của nó càng lớn.
n
wij tf ij idfij [1 log( f ij )] log( ) nếu ti dj
Wij=
Data hi
set 0 nếu ngược lại (ti dj)
Trong đó:
tfij là tần số xuất hiện của ti trong tài liệu dj
idfij là nghịch đảo tần số xuất hiện của ti trong tài liệu dj.
hi là số các tài liệu mà ti xuất hiện trong CSDL.
n là tổng số tài liệu trong CSDL.
Từ công thức này, ta có thể thấy trọng số của mỗi phần tử là dựa trên
nghịch đảo của tần số tài liệu trong CSDL mà ti và tần số xuất hiện của phần tử
này trong tài liệu.
Thông thường ta xây dựng một từ điển từ để lấy đi những từ rất phổ biến và
những từ có tần số xuất hiện thấp. Ngoài ra ta phải lựa chọn m (Zemir sử dụng
500) phần tử có trọng số cao nhất như là những từ đặc trưng.
Phương pháp này kết hợp được ưu điểm của cả 2 phương pháp trên. Trọng
số wij được tính bằng tần số xuất hiện của thuật ngữ ti trong tài liệu dj và độ
“hiếm” của thuật ngữ ti trong toàn bộ CSDL. Tùy theo ràng buộc cụ thể của bài
toán mà ta sử dụng các mô hình biểu diễn văn bản cho phù hợp.
Tính toán độ tương tự giữa 2 vector
Xét 2 vector X={x1, x2,..., xm} và Y={y1, y2,..., ym}.
Trong mô hình TF-IDF, ta có thể lựa chọn công thức nào đó để tính toán độ
tương tự giữa các cặp tài liệu hoặc các cụm. Sau đây là các độ đo tương tự phổ
biến [5][14][31]:
m
2 ( x i y i )
Dice : S im( X , Y ) m
i 1
m
xi2 yi2
i 1 i 1
(x i yi )
Jaccard : Sim( X , Y ) m
i 1
m m
xi2 yi2 ( xi yi )
i 1 i 1 i 1
(x i yi )
Cosine : Sim( X , Y ) i 1
m m
xi2 yi2
i 1 i 1
(x i yi )
Overlap : Sim( X , Y ) i 1
m m
min( xi2 , y i2 )
i 1 i 1
m
Euclidean : Sim( X , Y ) Dis( X , Y ) (x
i 1
i yi ) 2
m
Manhattan : Sim( X , Y ) Dis( X , Y ) | xi yi |
i 1
Các kỹ thuật áp dụng để giải quyết vấn đề PCDL đều hướng tới hai mục
tiêu chung: Chất lượng của các cụm khám phá được và tốc độ thực hiện của
thuật toán. Tuy nhiên, các kỹ thuật PCDL có thể được phân loại thành một số
loại cơ bản dưa trên các phương pháp tiếp cận như sau [10][19]:
giá trị tối thiểu. Trong đó: mi là trọng tâm của cụm Ci, D là khoảng cách giữa hai
đối tượng.
Trọng tâm của một cụm là một vector, trong đó giá trị của mỗi phần tử của
nó là trung bình cộng các thành phần tương ứng của các đối tượng vector dữ liệu
trong cụm đang xét. Tham số đầu vào của thuật toán là số cụm k, tập CSDL gồm
n phần tử và tham số đầu ra của thuật toán là các trọng tâm của các cụm dữ liệu.
Độ đo khoảng cách D giữa các đối tượng dữ liệu thường được sử dụng dụng là
khoảng cách Euclide, bởi vì đây là mô hình khoảng cách dễ để lấy đạo hàm và
xác định các cực trị tối thiểu. Hàm tiêu chuẩn và độ đo khoảng cách có thể được
xác định cụ thể hơn tuỳ vào ứng dụng hoặc các quan điểm của người dùng.
Thuật toán k-means bao gồm các bước cơ bản như sau:
INPUT: Một CSDL gồm n đối tượng và số các cụm k.
OUTPUT: Các cụm Ci (i=1,..,k) sao cho hàm tiêu chuẩn E đạt giá trị tối thiểu.
Bước 1: Khởi tạo
Chọn k đối tượng mj (j=1...k) là trọng tâm ban đầu của k cụm từ tập dữ liệu
(việc lựa chọn này có thể là ngẫu nhiên hoặc theo kinh nghiệm).
Bước 2: Tính toán khoảng cách
Đối với mỗi đối tượng Xi (1 i n) , tính toán khoảng cách từ nó tới mỗi
trọng tâm mj với j=1,..,k, sau đó tìm trọng tâm gần nhất đối với mỗi đối tượng.
Bước 3: Cập nhật lại trọng tâm
Đối với mỗi j=1,..,k, cập nhật trọng tâm cụm mj bằng cách xác định trung bình
cộng của các vector đối tượng dữ liệu.
Bước 4: Điều kiện dừng
Lặp các bước 2 và 3 cho đến khi các trọng tâm của cụm không thay đổi.
Hình 2.1. Thuật toán k-means
Thuật toán k-means được chứng minh là hội tụ và có độ phức tạp tính toán
là: O( (n k d ) T ). Trong đó: n là số đối tượng dữ liệu, k là số cụm dữ liệu,
flop
d là số chiều, là số vòng lặp, là thời gian để thực hiện một phép tính cơ
flop
T
sở như phép tính nhân, chia, …Như vậy, do k-means phân tích phân cụm đơn
giản nên có thể áp dụng đối với tập dữ liệu lớn. Tuy nhiên, nhược điểm của k-
means là chỉ áp dụng với dữ liệu có thuộc tính số và khám phá ra các cụm có
dạng hình cầu, k-means còn rất nhạy cảm với nhiễu và các phần tử ngoại lai
trong dữ liệu. Hình sau diễn tả môi phỏng về một số hình dạng cụm dữ liệu
khám phá được bởi k-means:
10
9 9
9
8
8 8 10
7 7
7
6
6 6 9
5 5
5
4
4
8
4
0 vào các 0
0 1 2 3 4 5 6 7 8 9 10
0
0 1 6 2 3 4 5 6 7 8 9 0
cụm
0 2 3 4 5 6 7 8 9 10
9
Gán lại các đối tượng 10
9
3
K=2 8
7
8
4 Cập nhật 4 1
lại
3 3
2 2
0
1 trọng tâm 1
0 0
0 1 2 3 4 5 6
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Hình 2.2. Hình dạng cụm dữ liệu được khám phá bởi k-means 0
Hơn nữa, chất lượng PCDL của thuật toán k-means phụ thuộc nhiều vào
các tham số đầu vào như: số cụm k và k trọng tâm khởi tạo ban đầu. Trong
trường hợp, các trọng tâm khởi tạo ban đầu mà quá lệch so với các trọng tâm
cụm tự nhiên thì kết quả phân cụm của k-means là rất thấp, nghĩa là các cụm dữ
liệu được khám phá rất lệch so với các cụm trong thực tế. Trên thực tế người ta
chưa có một giải pháp tối ưu nào để chọn các tham số đầu vào, giải pháp thường
được sử dụng nhất là thử nghiệm với các giá trị đầu vào k khác nhau rồi sau đó
chọn giải pháp tốt nhất.
Đến nay, đã có rất nhiều thuật toán kế thừa tư tưởng của thuật toán k-means
áp dụng trong KPDL để giải quyết tập dữ liệu có kích thước rất lớn đang được
áp dụng rất hiệu quả và phổ biến như thuật toán k-medoid, PAM, CLARA,
CLARANS, k- prototypes, …
10
8 Op
7
Oj
6
Om,2
5
4 Om
3
0
0 1 2 3 4 5 6 7 8 9 10
10
7
Om2 Oj
6
4
Om Op
3
0
0 1 2 3 4 5 6 7 8 9 10
Hình 2.4. Trường hợp Cjmp= (Oj,Op)- d(Oj, Om) có thể âm hoặc dương
- Trường hợp 3: Giả sử Oj hiện thời không thuộc về cụm có đối tượng đại
diện là Om mà thuộc về cụm có đại diện là Om,2. Mặt khác, giả sử Oj tương tự với
Om,2 hơn so với Op, khi đó, nếu Om được thay thế bởi Op thì Oj vẫn sẽ ở lại trong
cụm có đại diện là Om,2. Do đó: Cjmp= 0.
10
9 Oj
8
Om2
7
5
Op
4
3
Om
2
0
0 1 2 3 4 5 6 7 8 9 10
1
0
9
7
Om
6
Op
5
4
Oj
3
1
Om2
0
0 1 2 3 4 5 6 7 8 9 1
0
Thuật toán PAM gồm các bước thực hiện chính như sau:
INPUT: Tập dữ liệu có n phần tử, số cụm k
OUTPUT: k cụm dữ liệu sao cho chất lượng phân hoạch là tốt nhất.
Bước 1: Chọn k đối tượng medoid bất kỳ;
Bước 2: Tính TCmp cho tất cả các cặp đối tượng Om, Op. Trong đó Om là đối tượng
medoid và Op là đối tượng không phải là modoid.
Bước 3: Với mỗi cặp đối tượng Om và Op. Tính minOm, minOp, TCmp.
Nếu TCmp là âm, thay thế Om bởi Op và quay lại bước 2. Nếu TCmp dương,
chuyển sang bước 4.
Bước 4: Với mỗi đối tượng không phải là medoid, xác định đối tượng medoid
tương tự với nó nhất đồng thời gán nhãn cụm cho chúng.
Trong bước 2 và 3, có PAM phải duyệt tất cả k(n-k) cặp Om, Op. Với mỗi
cặp, việc tính toán TCmp yêu cầu kiểm tra n-k đối tượng. Vì vậy, độ phức tạp tính
toán của PAM là O(Ik(n-k)2), trong đó I là số vòng lặp. Như vậy, thuật toán
PAM kém hiệu quả về thời gian tính toán khi giá trị của k và n là lớn.
Hàm khoảng cách dist có thể mở rộng cho các điểm của khối đa diện thông
qua hàm tâm: dist: O x OR0+ sao cho dist (oi, oj) = dist (center(oi),
center(oj))
Mỗi đối tượng được gán cho một tâm medoid của cụm nếu khoảng cách từ
trọng tâm của đối tượng đó tới tâm medoid của nó là nhỏ nhất. Vì vậy, ta định
nghĩa một tâm medoid như sau:
medoid: OM
Sao cho medoid (o) = mi, mi M, mj M: dist (o, mi) dist (o, mj),
oO.
Cuối cùng, ta định nghĩa một cụm với medoid mi tương ứng là một tập con
các đối tượng trong O với medoid(o) = mi.
Giả sử C0 là tập tất cả các phân hoạch của O. Hàm tổng để đánh giá chất
lượng một phân hoạch được định nghĩa như sau: total_distance: C0R0+ sao
cho total_distance(c) = dist (o, mi) với mi M, cluster(mi).
Thuật toán CLARANS có thể được diễn tả như sau [10][19]:
INPUT: Tập dữ liệu gồm n đối tượng, số cụm k, O, dist, numlocal, maxneighbor;
OUTPUT: k cụm dữ liệu;
For i=1 to numlocal do
Begin
Khởi tạo ngẫu nhiên k medois
j = 1;
while j < maxneighbor do
Begin
Chọn ngẫu nhiên một láng giềng R của S.
Tính toán độ phi tương tự về khoảng cách giữa 2 láng giềng S và R.
Nếu R có chi phí thấp hơn thì hoán đối R cho S và j=1
ngược lại j++;
End;
Kiểm tra khoảng cách của phân hoạch S có nhỏ hơn khoảng cách nhỏ nhất
không, nếu nhỏ hơn thì lấy giá trị này để cập nhật lại khoảng cách nhỏ nhất
và phân hoạch S là phân hoạch tốt nhất tại thời điểm hiện tại.
End.
Hình 2.9. Thuật toán CLARANS
Như vậy, quá trình hoạt động của CLARANS tương tự với quá trình hoạt
động của thuật toán CLARA. Tuy nhiên, ở giai đoạn lựa chọn các trung tâm
medoid cụm dữ liệu, CLARANS lựa chọn một giải pháp tốt hơn bằng cách lấy
ngẫu nhiên một đối tượng của k đối tượng trung tâm medoid của cụm và cố
gắng thay thế nó với một đối tượng được chọn ngẫu nhiên trong (n-k) đối tượng
còn lại, nếu không có giải pháp nào tốt hơn sau một số cố gắng lựa chọn ngẫu
nhiên xác định, thuật toán dừng và cho kết quả phân cụm tối ưu cục bộ.
Trong trường hợp xấu nhất, CLARANS so sánh một đối tượng với tất các
đối tượng Medoid. Vì vậy, độ phức tạp tính toán của CLARANS là O(kn2), do
vậy CLARANS không thích hợp với tập dữ liệu lớn. CLARANS có ưu điểm là
không gian tìm kiếm không bị giới hạn như đối với CLARA và trong cùng một
lượng thời gian thì chất lượng của các cụm phân được là lớn hơn so với CLARA.
Sau đây là minh họa chiến lược phân cụm phân cấp bottom up và Top down.
Bước 1 Bước 2 Bước 3 Bước 4 Bottom up
Bước 0
a
ab
b
abcde
c
cde
d
de
e
Top Down
Bước 4 Bước 3 Bước 2 Bước 1 Bước 0
trong của cây lưu tổng các đặc trưng cụm CF của nút con, trong khi đó các nút lá
lưu trữ các đặc trưng của các cụm dữ liệu.
Root
Non-leaf node
CF1 CF2 CF3 CF5
child1 child2 child3 child5
vào nút lá, tất cả các nút trỏ tới gốc của cây được cập nhật với các thông tin cần thiết.
Bước 2: Nếu cây CF hiện thời không có đủ bộ nhớ trong thì tiến hành xây dựng một
cây CF nhỏ hơn bằng cách điều khiển bởi tham số T (vì tăng T sẽ làm hoà nhập một
số các cụm con thành một cụm, điều này làm cho cây CF nhỏ hơn). Bước này không
cần yêu cầu bắt đầu đọc dữ liệu lại từ đầu nhưng vẫn đảm bảo hiệu chỉnh cây dữ liệu
nhỏ hơn.
Bước 3: Thực hiện phân cụm: Các nút lá của cây CF lưu giữ các đại lượng thống kê
của các cụm con. Trong bước này, BIRCH sử dụng các đại lượng thống kê này để áp
dụng một số kỹ thuật phân cụm thí dụ như k-means và tạo ra một khởi tạo cho phân
cụm.
Bước 4: Phân phối lại các đối tượng dữ liệu bằng cách dùng các đối tượng trọng
tâm cho các cụm đã được khám phá từ bước 3: Đây là một bước tuỳ chọn để duyệt lại
tập dữ liệu và gán nhãn lại cho các đối tượng dữ liệu tới các trọng tâm gần nhất. Bước
này nhằm để gán nhãn cho các dữ liệu khởi tạo và loại bỏ các đối tượng ngoại lai
Hình 2.13. Ví dụ về kết quả phân cụm bằng thuật toán BIRCH
Sử dụng cấu trúc cây CF làm cho thuật toán BIRCH có tốc độ thực hiện
PCDL nhanh và có thể áp dụng đối với tập dữ liệu lớn, BIRCH đặc biệt hiệu quả
khi áp dụng với tập dữ liệu tăng trưởng theo thời gian. BIRCH chỉ duyệt toàn bộ dữ
liệu một lần với một lần quét thêm tuỳ chọn, nghĩa là độ phức tạp của nó là O(n) (n
là số đối tượng dữ liệu). Nhược điểm của nó là chất lượng của các cụm được khám
phá không được tốt. Nếu BIRCH sử dụng khoảng cách Euclide, nó thực hiện tốt chỉ
với các dữ liệu số. Mặt khác, tham số vào T có ảnh hưởng rất lớn tới kích thước và
tính tự nhiên của cụm. Việc ép các đối tượng dữ liệu làm cho các đối tượng của
một cụm có thể là đối tượng kết thúc của cụm khác, trong khi các đối tượng gần
nhau có thể bị hút bởi các cụm khác nếu chúng được biểu diễn cho thuật toán theo
một thứ tự khác. BIRCH không thích hợp với dữ liệu đa chiều.
Hình 2.14. Các cụm dữ liệu được khám phá bởi CURE
Để áp dụng với CSDL lớn, CURE sử dụng lấy mẫu ngẫu nhiên và phân
hoạch. Mẫu dữ liệu được xác định ngẫu nhiên là phân hoạch đầu tiên, CURE
tiến hành phân cụm trên mỗi phân hoạch. Quá trình này lặp lại cho đến khi ta
thu được phân hoạch đủ tốt. Các cụm thu được sau đó lại được phân cụm nhằm
để thu được các cụm con cần quan tâm. Thuật toán CURE được thực hiện qua
các bước cơ bản như sau:
Bước 1. Chọn một mẫu ngẫu nhiên từ tập dữ liệu ban đầu;
Bước 2. Phân hoạch mẫu này thành nhiều nhóm dữ liệu có kích thước bằng nhau: Ý
tưởng chính ở đây là phân hoạch mẫu thành p nhóm dữ liệu bằng nhau, kích thước
của mỗi phân hoạch là n'/p (với n' là kích thước của mẫu);
Bước 3. Phân cụm các điểm của mỗi nhóm: Ta thực hiện PCDL cho các nhóm cho
đến khi mỗi nhóm được phân thành n'/(pq)cụm (với q>1);
Bước 4. Loại bỏ các phần tử ngoại lai: Trước hết, khi các cụm được hình thành cho
đến khi số các cụm giảm xuống một phần so với số các cụm ban đầu. Sau đó, trong
trường hợp các phần tử ngoại lai được lấy mẫu cùng với quá trình pha khởi tạo mẫu
dữ liệu, thuật toán sẽ tự động loại bỏ các nhóm nhỏ.
Bước 5. Phân cụm các cụm không gian: Các đối tượng đại diện cho các cụm di
chuyển về hướng trung tâm cụm, nghĩa là chúng được thay thế bởi các đối tượng gần
trung tâm hơn.
Bước 6. Đánh dấu dữ liệu với các nhãn tương ứng.
Độ phức tạp tính toán của thuật toán CURE là O(n 2log(n)). CURE là thuật
toán tin cậy trong việc khám phá các cụm với hình thù bất kỳ và có thể áp dụng
tốt trên các tập dữ liệu hai chiều. Tuy nhiên, nó lại rất nhạy cảm với các tham số
như là tham số các đối tượng đại diện, tham số co của các phần tử đại diện. Nhìn
chung thì BIRCH tốt hơn so với CURE về độ phức tạp, nhưng kém về chất
lượng phân cụm. Cả hai thuật toán này có thể xử lý các phần tử ngoại lai tốt.
Hình 2.16. Một số hình dạng khám phá bởi phân cụm dưa trên mật độ
Các cụm có thể được xem như các vùng có mật độ cao, được tách ra bởi
các vùng không có hoặc ít mật độ. Khái niệm mật độ ở đây được xem như là các
số các đối tượng láng giềng.
Một số thuật toán PCDL dựa trên mật độ điển hình như [2][3][13][20]:
DBSCAN, OPTICS, DENCLUE, SNN,….
mà có số đối tượng láng giềng lớn hơn một ngưỡng tối thiểu. Một cụm được xác
định bằng tập tất cả các đối tượng liên thông mật độ với các láng giềng của nó.
Thuật toán DBSCAN dựa trên các khái niệm mật độ có thể áp dụng cho các
tập dữ liệu không gian lớn đa chiều. Sau đây là một số định nghĩa và bổ đề được
sử dụng trong thuật toán DBSCAN.
Định nghĩa 1: Các lân cận của một điểm P với ngưỡng Eps, ký hiệu
NEps(p) được xác định như sau: NEps(p) = {q D | khoảng cách Dist(p,q) ≤ Eps},
D là tập dữ liệu cho trước.
Eps
p
Điểm q gọi là điểm nhân. Ta thấy rằng nó là một hàm phản xạ và đối xứng
đối với hai điểm nhân và bất đối xứng nếu một trong hai điểm đó không phải là
điểm nhân.
MinPts = 5
p
Eps = 1 cm
q
p1
q
p
q
Nhiễu
Biên
một tập dữ liệu rõ ràng. Thứ tự này diễn tả cấu trúc dữ liệu phân cụm dựa trên
mật độ chứa thông tin tương đương với phân cụm dựa trên mật độ với một dãy
các tham số đầu vào. OPTICS xem xét bán kính tối thiểu nhằm xác định các
láng giềng phù hợp với thuật toán.
Thuật toán DBSCAN và OPTICS tương tự với nhau về cấu trúc và có cùng
độ phức tạp: O(nLogn) (n là kích thước của tập dữ liệu). Hình sau thể hiện về
một thí dụ trong PCDL của thuật toán OPTICS:
Khoảng cách đến được
Eps'
Hình 2.23. Thứ tự phân cụm các đối tượng theo OPTICS
2.3.3. Thuật toán DENCLUE
Thuật toán DENCLUE (DENsity - Based CLUstEring) được đề xuất bởi
Hinneburg và Keim năm 1998, đây là thuật toán PCDL dựa trên một tập các
hàm phân phối mật độ. Ý tưởng chính của thuật toán này như sau [19]:
- Ảnh hưởng của một đối tượng tới láng giềng của nó được xác định bởi
hàm ảnh hưởng.
- Mật độ toàn cục của không gian dữ liệu được mô hình phân tích như là
tổng tất cả các hàm ảnh hưởng của các đối tượng.
- Các cụm được xác định bởi các đối tượng mật độ cao trong đó mật độ cao
là các điểm cực đại của hàm mật độ toàn cục.
Định nghĩa hàm ảnh hưởng: Cho x, y là hai đối tượng trong không gian d
y
chiều ký hiệu là Fd, hàm ảnh hưởng của y lên x được xác định: f B
: F d R0 , mà
y
được định nghĩa dưới dạng một hàm ảnh hưởng cơ bản f b : f B
( x) f b ( x, y) .
Hàm ảnh hưởng là hàm tuỳ chọn, miễn là nó được xác định bởi khoảng cách
d(x,y) của các đối tượng, thí dụ như khoảng cách Euclide.
Một số thí dụ về hàm ảnh hưởng được cho như sau:
0 if d ( x, y )
Hàm sóng ngang: f ( x, y) = , trong đó là một ngưỡng.
square
1 if d ( x, y )
2
d ( x, y )
Hàm Gaussian: f Gauss
( x, y ) e
2
2
Hàm mật độ của một đối tượng x Fd được tính bằng tổng tất cả các hàm
ảnh hưởng tác động lên x. Giả sử ta có một tập dữ liệu D={x1, x2, ...,xn}.
n
f xi
D
Hàm mật độ của x được xác định: f B
( x)
B
( x) ;
i 1
Hàm mật độ dựa trên hàm ảnh hưởng Gauss được xác định như sau:
2
n d ( x, x i )
(d ) e
D
f Gauss
2
2
.
i 1
Thí dụ về kết quả PCDL của thuật toán DENCLUE với hàm chi phối
Gaussian được biểu diễn như sau. Các cực đại mật độ là các giá trị tại đỉnh của
đồ thị. Một cụm cho một cực đại mật độ x* là tập con C, khi các hàm mật độ tại
x* không bé hơn :
Data set
Thuật toán DENCLUE phụ thuộc nhiều vào ngưỡng nhiễu (Noise
Threshold) và tham số mật độ , nhưng nó có các ưu điểm sau:
Tầng 1
.
Mức 1 (mức cao nhất ) .
có thể chỉ chứa một ô .
.
.
.
Tầng i
Hình 2.25. Mô hình cấu trúc dữ liệu lưới
Một số thuật toán PCDL dựa trên cấu trúc lưới điển hình như [13][20]:
STING, WaveCluster, CLIQUE,…
mở rộng cao, nhưng do sử dụng phương pháp đa phân giải nên nó phụ thuộc
chặt chẽ vào trọng tâm của mức thấp nhất. Đa phân giải là khả năng phân rã tập
dữ liệu thành các mức chi tiết khác nhau. Khi hoà nhập các cell của cấu trúc lưới
để hình thành các cụm, các nút của mức con không được hoà nhập phù hợp (do
chúng chỉ tương ứng với các cha của nó) và hình thù của các cụm dữ liệu khám
phá được có các biên ngang và dọc, theo biên của các cell. STING sử dụng cấu
trúc dữ liệu lưới cho phép khả năng xử lý song song, STING duyệt toàn bộ dữ
liệu một lần nên độ phức tạp tính toán để tính toán các đại lượng thống kê cho
mỗi cell là O(n), trong đó n là tổng số đối tượng. Sau khi xây dựng cấu trúc dữ
liệu phân cấp, thời gian xử lý cho các truy vấn là O(g) với g là tổng số cell tại
mức thấp nhất (g<<n).
Vacation(week)
7
Salary (10,000)
7
6 6
5 5
4 4
3 3
2 2
1 1
0 age 0 age
20 30 40 50 60 20 30 40 50 60
=3
Vacatio
n
age
Salary 30 50
EM có thể khám phá ra nhiều hình dạng cụm khác nhau, tuy nhiên do thời
gian lặp của thuật toán khá nhiều nhằm xác định các tham số tốt nên chí phí tính
toán của thuật toán là khá cao. Đã có một số cải tiến được đề xuất cho EM dựa
trên các tính chất của dữ liệu: có thể nén, có thể sao lưu trong bộ nhớ và có thể
huỷ bỏ. Trong các cải tiến này, các đối tượng bị huỷ bỏ khi biết chắc chắn được
nhãn phân cụm của nó, chúng được nén khi không bị loại bỏ và thuộc về một cụm
quá lớn so với bộ nhớ và chúng sẽ được lưu lại trong các trường hợp còn lại.
chồng lên nhau (một số các đối tượng dữ liệu thuộc về nhiều các cụm khác
nhau), người ta đã áp dụng lý thuyết về tập mờ trong PCDL để giải quyết cho
trường hợp này, cách thức kết hợp này được gọi là phân cụm mờ. Trong phương
pháp phân cụm mờ, độ phụ thuộc của đối tượng dữ liệu x k tới cụm thứ i (uik) có
giá trị thuộc khoảng [0,1]. Ý tưởng trên đã được giới thiệu bởi Ruspini (1969) và
được Dunn áp dụng năm 1973 nhằm xây dựng một phương pháp phân cụm mờ
dựa trên tối thiểu hoá hàm tiêu chuẩn. Bezdek (1982) đã tổng quát hoá phương
pháp này và xây dựng thành thuật toán phân cụm mờ c-means có sử dụng trọng
số mũ [10][13][20].
c-means là thuật toán phân cụm mờ (của k-means). Thuật toán c-means mờ
hay còn gọi tắt là thuật toán FCM (Fuzzy c- means) đã được áp dụng thành công
trong giải quyết một số lớn các bài toán PCDL như trong nhận dạng mẫu, xử lý
ảnh, y học, … Tuy nhiên, nhược điểm lớn nhất của thuật toán FCM là nhạy cảm
với các nhiễu và phần tử ngoại lai, nghĩa là các trung tâm cụm có thể nằm xa so
với trung tâm thực tế của cụm.
Đã có nhiều các phương pháp đề xuất để cải tiến cho nhược điểm trên của
thuật toán FCM bao gồm: Phân cụm dựa trên xác suất (keller, 1993), phân cụm
nhiễu mờ (Dave, 1991), Phân cụm dựa trên toán tử LP Norm (Kersten, 1999).
Thuật toán - Insensitive Fuzzy c-means ( FCM-không nhạy cảm mờ
c- means).
Phương pháp phân cụm phân cấp dựa trên ý tưởng cây phân cấp để phân
cụm dữ liệu. Có hai cách tiếp cận đó là phân cụm dưới lên (Bottom up) và phân
cụm trên xuống (Top down). Một số thuật toán điển hình như BIRCH, CURE,..
Phương pháp phân cụm dựa trên mật độ, căn cứ vào hàm mật độ của các
đối tượng dữ liệu để xác định cụm cho các đối tượng. Một số thuật toán điển
hình như DBSCAN, DENCLUE, OPTICS,...
Phương pháp phân cụm dựa trên lưới, ý tưởng của nó là đầu tiên lượng hoá
không gian đối tượng vào một số hữu hạn các ô theo một cấu trúc dưới dạng
lưới, sau đó thực hiện phân cụm dựa trên cấu trúc lưới đó. Một số thuật toán tiêu
biểu của phương pháp này là STING, CLIQUE,...
Phương pháp phân cụm dựa trên mô hình, ý tưởng chính của phương pháp
này là giả thuyết một mô hình cho mỗi cụm và tìm kiếm sự thích hợp nhất của
đối tượng dữ liệu với mô hình đó, các mô hình tiếp cận theo thống kê và mạng
Nơron. Một số thuật toán điển hình của phương pháp này có thể kể đến như EM,
COBWEB,...
Một cách tiếp cận khác trong PCDL đó là hướng tiếp cận mờ, trong phương
pháp phân cụm mờ phải kể đến các thuật toán như FCM, FCM,...
Tương ứng các kiểu dữ liệu Web, ta có thể phân chia các hướng tiếp cận
trong khai phá Web như sau:
Web mining
Khai phá nội dung Web có thể được tiếp cận theo 2 cách khác nhau: Tìm
kiếm thông tin và KPDL trong CSDL lớn. KPDL đa phương tiện là một phần
của khai phá nội dung Web, nó hứa hẹn việc khai thác được các thông tin và tri
thức ở mức cao từ nguồn đa phương tiện trực tuyến rộng lớn. KPDL đa phương
tiện trên Web gần đây đã thu hút sự quan tâm của nhiều nhà nghiên cứu. Mục
đích là làm ra một khung thống nhất đối với việc thể hiện, giải quyết bài toán và
huấn luyện dựa vào đa phương tiện. Đây thực sự là một thách thức, lĩnh vực
nghiên cứu này vẫn còn là ở thời kỳ sơ khai, nhiều việc đang đợi thực hiện.
Có nhiều cách tiếp cận khác nhau về khai phá nội dung Web, song trong
luận văn này sẽ xem xét dưới 2 góc độ: Khai phá kết quả tìm kiếm và khai phá
nội dung trang HTML.
nó. Kiểu đối tượng của nó không chỉ là dữ liệu có cấu trúc mà còn là dữ liệu nữa
cấu trúc hoặc không cấu trúc [16]. Kết quả khai phá không chỉ là trạng thái
chung của mỗi tài liệu văn bản mà còn là sự phân loại, phân cụm các tập văn bản
phục vụ cho mục đích nào đó. Cấu trúc cơ bản của khai phá thông tin văn bản
được thể hiện trong hình dưới đây [16].
Sử dụng các kỹ
Đánh giá và biểu Trích rút các mẫu thuật khai phá dữ
diễn tri thức liệu để xử lý
- Giảm bớt số chiều và làm tăng hiệu quả việc phát hiện tri thức bằng việc
chuyển đổi, quy nạp, cưỡng bức dữ liệu,...
- Làm sạch các thuộc tính không liên quan để giảm bớt số chiều của dữ liệu.
3.1.2.3. Biểu điễn văn bản
KPVB Web là khai phá các tập tài liệu HTML, là không tự nhiên. Do đó ta
sẽ phải biến đổi và biểu diễn dữ liệu thích hợp cho quá trình xử lý. Ta có thể xử
lý và lưu trữ chúng trong mảng 2 chiều mà dữ liệu đó có thể phản ánh đặc trưng
của tài liệu. Người ta thường dùng mô hình TF-IDF để vector hóa dữ liệu.
Nhưng có một vấn đề quan trọng là việc biểu diễn này sẽ dẫn đến số chiều
vector khá lớn. Lựa chọn các đặc trưng mà nó chắc chắn trở thành khóa và nó
ảnh hưởng trực tiếp đến hiệu quả KPVB.
Phân lớp từ và loại bỏ các từ: Trước hết, chọn lọc các từ có thể mô tả được
đặc trưng của tài liệu. Thứ hai, quét tập tài liệu nhiều lần và làm sạch các từ tần
số thấp. Cuối cùng ta cũng loại trừ các có tần số cao nhưng vô nghĩa, như các từ
trong tiếng Anh: ah, eh, oh, o, the, an, and, of, or,...
3.1.2.4. Trích rút các từ đặc trưng
Rút ra các đặc trưng là một phương pháp, nó có thể giải quyết số chiều
vector đặc trưng lớn được mang lại bởi kỹ thuật KPVB.
Việc rút ra các đặc trưng dựa trên hàm trọng số:
- Mỗi từ đặc trưng sẽ nhận được một giá trị trọng số tin cậy bằng việc tính
toán hàm trọng số tin cậy. Tần số xuất hiện cao của các từ đặc trưng là khả năng
chắc chắn nó sẽ phản ánh đến chủ đề của văn bản, thì ta sẽ gán cho nó một giá
trị tin cậy lớn hơn. Hơn nữa, nếu nó là tiêu đề, từ khóa hoặc cụm từ thì chắc
chắn nó có giá trị tin cậy lớn hơn. Mỗi từ đặc trưng sẽ được lưu trữ lại để xử lý.
Sau đó ta sẽ lựa chọn kích thước của tập các đặc trưng (kích thước phải nhận
được từ thực nghiệm).
- Việc rút ra các đặc trưng dựa trên việc phân tích thành phần chính trong
phân tích thống kê. Ý tưởng chính của phương pháp này là sử dụng thay thế từ
đặc trưng bao hàm của một số ít các từ đặc trưng chính trong phần mô tả để thực
hiện giảm bớt số chiều. Hơn nữa, ta cũng sử dụng phương pháp quy nạp thuộc
tính dữ liệu để giảm bớt số chiều vector thông qua việc tổng hợp nhiều dữ liệu
thành một mức cao.
3.1.2.5. Khai phá văn bản
Sau khi tập hợp, lựa chọn và trích ra tập văn bản hình thành nên các đặc
trưng cơ bản, nó sẽ là cơ sở để KPDL. Từ đó ta có thể thực hiện trích, phân loại,
phân cụm, phân tích và dự đoán.
3.1.2.5.1 Trích rút văn bản
Việc trích rút văn bản là để đưa ra ý nghĩa chính có thể mô tả tóm tắt tài
liệu văn bản trong quá trình tổng hợp. Sau đó, người dùng có thể hiểu ý nghĩa
chính của văn bản nhưng không cần thiết phải duyệt toàn bộ văn bản. Đây là
phương pháp đặc biệt được sử dụng trong searching engine, thường cần để đưa
ra văn bản trích dẫn. Nhiều searching engines luôn đưa ra những câu dự đoán
trong quá trình tìm kiếm và trả về kết quả, cách tốt nhất để thu được ý nghĩa
chính của một văn bản hoặc tập văn bản chủ yếu bằng việc sử dụng nhiều thuật
toán khác nhau. Theo đó, hiệu quả tìm kiếm sẽ tốt hơn và phù hợp với sự lựa
chọn kết quả tìm kiếm của người dùng.
3.1.2.5.2. Phân lớp văn bản
Trước hết, nhiều tài liệu được phân lớp tự động một cách nhanh chóng và
hiệu quả cao. Thứ hai, mỗi lớp văn bản được đưa vào một chủ đề phù hợp. Do
đó nó thích hợp với việc tìm và duyệt qua các tài liệu Web của người sử dụng.
Ta thường sử dụng phương pháp phân lớp Navie Bayesian và “K-láng
giềng gần nhất” (K-Nearest Neighbor) để khai phá thông tin văn bản. Trong
phân lớp văn bản, đầu tiên là phân loại tài liệu. Thứ hai, xác định đặc trưng
thông qua số lượng các đặc trưng của tập tài liệu huấn luyện. Cuối cùng, tính
toán kiểm tra phân lớp tài liệu và độ tương tự của tài liệu phân lớp bằng thuật
toán nào đó. Khi đó các tài liệu có độ tương tự cao với nhau thì nằm trong cùng
một phân lớp. Độ tương tự sẽ được đo bằng hàm đánh giá xác định trước. Nếu ít
tài liệu tương tự nhau thì đưa nó về 0. Nếu nó không giống với sự lựa chọn của
phân lớp xác định trước thì xem như không phù hợp. Sau đó, ta phải chọn lại
phân lớp. Trong việc lựa chọn có 2 giai đoạn: Huấn luyện và phân lớp.
- Lựa chọn trước đặc trưng phân lớp, Y={y1, y2,..., ym}
- Tập tài liệu huấn luyện cục bộ, X={x1, x2,...xn}, v(xj} là vector đặc trưng của xj.
- Mỗi v(yi) trong Y được xác định bằng v(xj) thông qua việc huấn luyện v(xj)
trong X.
- Tập tài liệu kiểm tra, C={c1, c2,...,cp}, ck trong C là một tài liệu phân lớp mong
đợi, công việc của ta là tính toán độ tương tự giữa v(ck) và v(yi), sim(ck,yi).
- Lựa chọn tài liệu ck mà độ tương tự của nó với yi lớn nhất, như vậy ck nằm
trong phân lớp với yi, với max(sim(ck,yi)) i=1,...,m.
Quá trình được thực hiện lặp lại cho tới khi tất cả các tài liệu đã được phân lớp.
Toàn bộ quá trình của phương pháp sắp xếp liên kết sẽ tạo nên một cây mà
nó phản ánh mối quan hệ lông nhau về độ tương tự giữa các tài liệu. Phương
pháp có tính chính xác cao. Nhưng tốc độ của nó rất chậm bởi việc phải so sánh
độ tương tự trong tất cả các cụm. Nếu tập tài liệu lớn thì phương pháp này
không khả thi.
- Trước hết ta sẽ chia tập tài liệu thành các cụm khởi đầu thông qua việc tối ưu
hóa hàm đánh giá theo một nguyên tắc nào đó, R={R1, R2,...,Rn}, với n phải được
xác định trước.
- Với mỗi tài liệu trong tập tài liệu W, W={w1, w2,..,wm}, tính toán độ tương tự
của nó tới Rj ban đầu, sim(wi, Rj), sau đó lựa chọn tài liệu tương tự lớn nhất, đưa nó
vào cụm Rj.
- Lặp lại các công việc trên cho tới khi tất cả các tài liệu đã đưa vào trong các
cụm xác định.
Hiện tại, ta thường sử dụng các công cụ khám phá mẫu và phân tích mẫu.
Nó phân tích các hành động người dùng, lọc dữ liệu và khai phá tri thức từ tập
dữ liệu bằng cách sử dụng trí tuệ nhân tạo, KPDL, tâm lý học và lý thuyết thông
tin. Sau khi tìm ra các mẫu truy cập ta thường sử dụng các kỹ thuật phân tích
tương ứng để hiểu, giải thích và khám phá các mẫu đó. Ví dụ, kỹ thuật xử lý
phân tích trực tuyến, tiền phân loại hình thái dữ liệu, phân tích mẫu thói quen sử
dụng của người dùng.
Kiến trúc tổng quát của quá trình khai phá theo sử dụng Web như sau:
Hình 3.6. Kiến trúc tổng quát của khai phá theo sử dụng Web
3.2.1. Ứng dụng của khai phá theo sử dụng Web
- Tìm ra những khách hàng tiềm năng trong thương mại điện tử.
- Chính phủ điện tử (e-Gov), giáo dục điện tử (e-Learning).
- Xác định những quảng cáo tiềm năng.
- Nâng cao chất lượng truyền tải của các dịch vụ thông tin Internet đến
người dùng cuối.
- Cải tiến hiệu suất hệ thống phục vụ của các máy chủ Web.
- Cá nhân dịch vụ Web thông quan việc phân tích các đặc tính cá nhân
người dùng.
- Cải tiến thiết kế Web thông qua việc phân tích thói quen duyệt Web và
phân tích các mẫu nội dung trang quy cập của người dùng.
- Phát hiện gian lận và xâm nhập bất hợp lệ trong dịch vụ thương mại điện
tử và các dịch vụ Web khác.
- Thông qua việc phân tích chuỗi truy cập của người dùng để có thể dự báo
những hành vi của người dùng trong quá trình tìm kiếm thông tin.
3.2.2. Các kỹ thuật được sử dụng trong khai phá theo sử dụng Web
Luật kết hợp: Để tìm ra những trang Web thường được truy cập cùng nhau
của người dùng những lựa chọn cùng nhau của khách hàng trong thương mại
điện tử.
Kỹ thuật phân cụm: Phân cụm người dùng dựa trên các mẫu duyệt để tìm ra
sự liên quan giữa những người dùng Web và các hành vi của họ.
3.2.3.2. Đăng nhập Web và xác định phiên chuyển hướng người dùng
Dịch vụ file đăng nhập Web: Một file đăng nhập Web là một tập các sự ghi
lại những yêu cầu người dùng về các tài liệu trong một Web site, ví dụ:
216.239.46.60 - - [04/April/2007:14:56:50 +0200] "GET
/~lpis/curriculum/C+Unix/ Ergastiria/Week-7/filetype.c.txt HTTP/1.0" 304 -
216.239.46.100- - [04/April/2007:14:57:33 +0200]"GET /~oswinds/top.html
HTTP/ 1.0" 200 869
64.68.82.70 - - [04/April/2007:14:58:25 +0200] "GET /~lpis/systems/rdevice/r-
device_examples.html HTTP/1.0" 200 16792
216.239.46.133 - - [04/April/2007:14:58:27 +0200] "GET /~lpis/publications/crc-
chapter1. html HTTP/1.0" 304 -
209.237.238.161 - - [04/April/2007:14:59:11+0200] "GET /robots.txt HTTP/1.0"
404 276
209.237.238.161 - - [04/April/2007:14:59:12 +0200] "GET /teachers/pitas1.html
HTTP/1.0" 404 286
216.239.46.43 - - [04/April/2007:14:59:45 +0200] "GET /~oswinds/publication
Nguồn từ: http://www.csd.auth.gr/
Hình 3.7. Minh họa nội dung logs file
3.2.3.3. Các vấn đề đối với việc xử lý Web log
- Thông tin được cung cấp có thể không đầy đủ, không chi tiết.
- Không có thông tin về nội dung các trang đã được thăm.
- Có quá nhiều sự ghi lại các đăng nhập do yêu cầu phục vụ bởi các proxy.
- Sự ghi lại các đăng nhập không đầy đủ do các yêu cầu phục vụ bởi proxy.
- Đặc biệt là việc lọc các mục đăng nhập: Các mục đăng nhập với tên file
mở rộng như gif, jpeg, jpg. Các trang yêu cầu tạo ra bởi các tác nhân tự động và
các chương trình gián điệp.
- Ước lượng thời gian thăm trang: Thời gian dùng để thăm một trang là
một độ đo tốt cho vấn đề xác định mức độ quan tâm của người dùng đối với
trang Web đó, nó cung cấp một sự đánh giá ngầm định đối với trang Web đó.
- Khoảng thời gian thăm trang: Đó là khoảng thời gian giữa hai yêu cầu
trang khác nhau liên tiếp.
- Quy lui: Nhiều người dùng rời trang bởi họ đã hoàn thành việc tìm kiếm
và họ không muốn thời gian lâu để chuyển hướng.
3.2.3.4. Phương pháp chứng thực phiên làm việc và truy cập Web
Chứng thực phiên làm việc: Nhóm các tham chiếu trang của người dùng
vào một phiên làm việc dựa trên những phương pháp giải quyết heuristic:
Phương pháp heuristics dựa trên IP và thời gian kết thúc một phiên làm
việc (ví dụ 30 phút) được sử dụng để chứng thực phiên người dùng. Đây là
phương pháp đơn giản nhất.
Các giao tác nội tại của phiên làm việc có thể nhận được dựa trên mô hình
hành vi của người dùng (bao hàm phân loại tham chiếu “nội dung” hoặc
“chuyển hướng” đối với mỗi người dùng).
Trọng số được gán cho mỗi trang Web dựa trên một số độ đo đối với sự
quan tâm của người dùng (ví dụ khoảng thời gian xem một trang, số lần lui
tới trang).
+ Phân tích đường dẫn [8][9][22]: Hầu hết các các đường dẫn thường được
thăm được bố trí theo đồ thị vật lý của trang Web. Mỗi nút là một trang, mỗi
cạnh là đường liên kết giữa các trang đó. Thông qua việc phân tích đường dẫn
trong quá trình truy cập của người dùng ta có thể biết được mối quan hệ trong
việc truy cập của người giữa các đường dẫn liên quan.
Ví dụ:
- 70% các khách hàng truy cập vào /company/product2 đều xuất phát từ
/company thông qua /company/new, /company/products và /company/product1.
- 80% khách hàng truy cập vào WebSite bắt đầu từ /company/products.
- 65% khách hàng rời khỏi site sau khi thăm 4 hoặc ít hơn 4 trang.
+ Luật kết hợp [8]: Sự tương quan giữa các tham chiếu đến các file khác
nhau có trên dịch vụ nhờ việc sử dụng luật kết hợp.
Ví dụ:
- 40% khách hàng truy cập vào trang Web có đường dẫn
/company/product1 cũng truy cập vào /company/product2.
- 30% khách hàng truy cập vào /company/special đều thông qua
/company/product1.
Nó giúp cho việc phát triển chiến lược kinh doanh phù hợp, xây dựng và tổ
chức một cách tốt nhất không gian Web của công ty.
+ Chuỗi các mẫu: Các mẫu thu được giữa các giao tác và chuỗi thời gian.
Thể hiện một tập các phần tử được theo sau bởi phân tử khác trong thứ tự thời
gian lưu hành tập giao tác.
Quá trình thăm của khách hàng được ghi lại trên từng giai đoạn thời gian.
Ví dụ:
30% khách hàng thăm /company/products đã thực hiện tìm kiếm bằng
Yahoo với các từ khóa tìm kiếm.
60% khách hàng đặt hàng trực tuyến ở /company/product1 thì cũng đặt
hàng trực tuyến ở /company/product4 trong 15 ngày.
+ Quy tắc phân loại [22]: Profile của các phần tử thuộc một nhóm riêng
biệt theo các thuộc tính chung. Ví dụ như thông tin cá nhân hoặc các mẫu
truy cập. Profile có thể sử dụng để phân loại các phần tử dữ liệu mới được thêm
vào CSDL.
Ví dụ: Khách hàng từ các vị trí địa lý ở một quốc gia hoặc chính phủ thăm
site có khuynh hướng bị thu hút ở trang /company/product1 hoặc 50% khách
hàng đặt hàng trực tuyến ở /company/product2 đều thuộc nhóm tuổi 20-25 ở Bờ
biển Tây.
+ Phân tích phân cụm: Nhóm các khách hàng lại cùng nhau hoặc các phần
tử dữ liệu có các đặc tính tương tự nhau.
Nó giúp cho việc phát triển và thực hiện các chiến lược tiếp thị khách hàng
cả về trực tuyến hoặc không trực tuyến như việc trả lời tự động cho các khách
hàng thuộc nhóm chắc chắn, nó tạo ra sự thay đổi linh động một WebSite riêng
biệt đối với mỗi khách hàng.
3.2.4.3. Phân tích đánh giá
Phân tích mô hình [22]: Thống kê, tìm kiếm tri thức và tác nhân thông
minh. Phân tích tính khả thi, truy vấn dữ liệu hướng tới sự tiêu dùng của con
người.
Trực quan hóa: Trực quan Web sử dụng lược đồ đường dẫn Web và đưa ra
đồ thị có hướng OLAP.
Ví dụ: Querying: SELECT association-rules(A*B*C*) FROM log.data
WHERE (date>= 970101) AND (domain = ''edu'' )AND (support = 1.0) AND
(confidence = 90.0)
- Chứng thực người dùng truy cập vào Web site, phân tích những người
dùng đặc biệt tìm ra những người dùng quan trọng thông qua mức độ truy cập
của họ, thời gian lưu lại trên đó và mức độ yêu thích trang Web.
- Phân tích các chủ đề đặc biệt và chiều sâu nội dung Web. Ví dụ, hoạt
động thường ngày của một quốc gia, giới thiệu các tour,... Quan hệ khá tự nhiên
giữa người dùng và nội dung Web. Tìm ra những dịch vụ hấp dẫn và tiện lợi với
người dùng.
Tùy theo mức độ hiệu quả hoạt động truy cập Web site và điều kiện của
việc duyệt Web site ta có thể dự kiến và đánh giá nội dung Web site tốt hơn.
Dựa trên dữ liệu kiểm tra ta xác định mức độ truy xuất của người dùng qua
việc phân tích một Web site và phân tích yêu cầu phục vụ thay đổi từng giờ,
từng ngày như sau [16]:
Số người Số người
Thời gian Thời gian
truy cập truy cập
00:00-00:59 936 12:00-12:59 2466
01:00-01:59 725 13:00-13:59 1432
02:00-02:59 433 14:00-14:59 1649
03:00-03:59 389 15:00-15:59 1537
04:00-04:59 149 16:00-16:59 2361
05:00-05:59 118 17:00-17:59 2053
06:00-06:59 126 18:00-18:59 2159
07:00-07:59 235 19:00-19:59 1694
08:00-08:59 599 20:00-20:59 2078
09:00-09:59 1414 21:00-21:59 2120
10:00-10:59 2424 22:00-22:59 1400
11:00-11:59 2846 23:00-23:59 1163
Bảng 3.1. Thống kê số người dùng tại các thời gian khác nhau
3000
2500
2000
Số người
gian
1500
Thời
1000
500
0
02 0-0 59
03 0-0 59
04 0-0 59
05 0-0 59
06 0-0 59
07 0-0 59
08 0-0 59
09 0-0 59
10 0-0 59
11 0-1 59
12 0-1 59
13 0-1 59
14 0-1 59
15 0-1 59
16 0-1 59
17 0-1 59
18 0-1 59
19 0-1 59
20 0-1 59
21 0-2 59
22 0-2 59
23 0-2 59
0- 59
9
:5
:0 1:
:0 2:
:0 3:
:0 4:
:0 5:
:0 6:
:0 7:
:0 8:
:0 9:
:0 0:
:0 1:
:0 2:
:0 3:
:0 4:
:0 5:
:0 6:
:0 7:
:0 8:
:0 9:
:0 0:
:0 1:
:0 2:
:0 0:
23
01 -0
0
:0
00
liên kết trực tiếp với trang Web khác thì ta sẽ muốn phát hiện ra mối quan hệ
giữa các trang Web này. Chúng có thể tương tự với nhau về nội dung, có thể
thuộc dịch vụ Web giống nhau do đó nó được tạo ra bởi cùng một người. Những
nhiệm vụ khác của khai phá cấu trúc Web là khám phá sự phân cấp tự nhiên
hoặc mạng lưới của các siêu liên kết trong các Web site của một miền đặc biệt.
Điều này có thể giúp tạo ra những luồng thông tin trong Web site mà nó có thể
đại diện cho nhiều miền đặc biệt. Vì thế việc xử lý truy vấn sẽ trở nên dễ dàng
hơn và hiệu quả hơn.
+ Việc phân tích liên kết Web được sử dụng cho những mục đích[1]:
- Sắp thứ tự tài liệu phù hợp với truy vấn của người sử dụng.
- Quyết định Web nào được đưa vào lựa chọn trong truy vấn.
- Phân trang.
- Tìm kiếm những trang liên quan.
- Tìm kiếm những bản sao của Web.
+ Web được xem như là một đồ thị [1]:
- Đồ thị liên kết: Mỗi nút là một trang, cung có hướng từ u đến v nếu có
một siêu liên kết từ trang Web u sang trang Web v.
- Đồ thị trích dẫn: Mỗi nút cho một trang, không có cung hướng từ u đến v
nếu có một trang thứ ba w liên kết cả u và v.
- Giả định: Một liên kết từ trang u đến trang v là một thông báo đến trang v
bởi trang u. Nếu u và v được kết nối bởi một đường liên kết thì rất có khả năng
hai trang Web đó đều có nội dung tương tự nhau.
d1 d2
2
d1 d2
2
d1 d2
2
Cộng đồng Web ngày càng được mọi người quan tâm và có nhiều ứng
dụng trong thực tiễn. Vì vậy, việc nghiên cứu các phương pháp khám phá cộng
đồng là rất có ý nghĩa to lớn trong thực tiễn. Để trích dẫn ra được các cộng đồng
ẩn, ta có thể phân tích đồ thị Web. Có nhiều phương pháp để chứng thực cộng
đồng như thuật toán tìm kiếm theo chủ đề HITS, luồng cực đại và nhát cắt cực
tiểu, thuật toán PageRank,...
3.3.2.1. Thuật toán PageRank
Google dựa trên thuật toán PageRank [brin98], nó lập chỉ mục các liên kết
giữa các Web site và thể hiện một liên kết từ A đến B như là xác nhận của B bởi
A. Các liên kết có những giá trị khác nhau. Nếu A có nhiều liên kết tới nó và C
có ít các liên kết tới nó thì một liên kết từ A đến B có giá trị hơn một liên kết từ
C đến B. Giá trị được xác định như thế được gọi là PageRank của một trang và
xác định thứ tự sắp xếp của nó trong các kết quả tìm kiếm (PageRank được sử
dụng trong phép cộng để quy ước chỉ số văn bản để tạo ra các kết quả tìm kiếm
chính xác cao). Các liên kết có thể được phân tích chính xác và hiệu quả hơn đối
với khối lượng chu chuyển hoặc khung nhìn trang và trở thành độ đo của sự
thành công và việc biến đối thứ hạng của các trang.
hơn là các tài liệu liên kết tới nó, nhưng những liên kết về (tới nó) không bằng
nhau về số lượng. Một tài liệu xếp thứ hạng cao trong các phần tử của PageRank
nếu như có các tài liệu thứ hạng cao khác liên kết tới nó. Cho nên trong khái
niệm PageRank, thứ hạng của một tài liệu được dựa vào thứ hạng cao của các tài
liệu liên kết tới nó. Thứ hạng ngược lại của chúng được dựa vào thứ hạng thấp
của các tài liệu liên kết tới chúng.
3.3.2.2. Phương pháp phân cụm nhờ thuật toán HITS
Thuật toán HITS (Hypertext-Induced Topic Selection) do Kleinberg đề
xuất, là thuật toán phát triển hơn trong việc xếp thứ hạng tài liệu dựa trên thông
tin liên kết giữa tập các tài liệu.
Định nghĩa:
- Authority: Là các trang cung cấp thông tin quan trọng, tin cậy dựa trên
các chủ đề đưa ra.
- Hub: Là các trang chứa các liên kết đến authorities
- Bậc trong: Là số các liên kết đến một nút, được dùng để đo độ ủy quyền.
- Bậc ngoài: Là số các liên kết đi ra từ một nút, nó được sử dụng để đo mức
độ trung tâm.
Trong đó: Mỗi Hub trỏ đến nhiều Authority, mỗi Authority thì được trỏ đến
bởi nhiều Hub. Chúng kết hợp với nhau tạo thành đồ thi phân đôi.
Hub Authoritie
5 2
1 1 1
3
6
7
7 4
Bước 2: Thêm vào S tất cả các trang mà nó được trỏ tới từ bất kỳ trang nào
trong R.
Thêm vào S tất cả các trang mà nó trỏ tới bất kỳ trang nào trong R
Với mỗi trang p trong S:
Tính giá trị điểm số Authority: ap (vector a)
Tính giá trị điểm số Hub: hp (vector h)
Với mỗi nút khởi tạo ap và hp là 1/n (n là số các trang)
Bước 3. Trong mỗi bước lặp tính giá trị trọng số Authority cho mỗi nút
trong S theo công thức: a p h
q: q p
q
Bước 4. Mỗi bước lặp tính giá trị trọng số Hub đối với mỗi nút trong S theo
công thức hq a
q: q p
p
Lưu ý rằng các trọng số Hub được tính toán nhờ vào các trọng số Authority
hiện tạo, mà các trọng số Authority này lại được tính toán từ các trọng số của
các Hub trước đó.
Bước 5. Sau khi tính xong trọng số mới cho tất cả các nút, các trọng số
được chuẩn hóa lại theo công thức:
(a
pS
p ) 2 1 and (h
pS
p )2 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
KPDL Web là một lĩnh vực nghiên cứu mới, có triển vọng lớn. Các kỹ
thuật được áp dụng rộng rãi trên thế giới như KPDL văn bản trên Web, KPDL
không gian và thời gian liên tục trên Web. Khai phá Web đối với hệ thống
thương mại điện tử, khai phá cấu trúc siêu liên kết Web,... Cho tới nay kỹ thuật
KPDL vẫn phải đương đầu với nhiều thử thách lớn trong vấn đề KPDL Web.
3.4. Áp dụng thuật toán phân cụm dữ liệu trong tìm kiếm và phân
cụm tài liệu Web
Ngày nay, nhờ sự cải tiến không ngừng của các Search engine về cả chức
năng tìm kiếm lẫn giao diện người dùng đã giúp cho người sử dụng dễ dàng
hơn trong việc tìm kiếm thông tin trên web. Tuy nhiên, người sử dụng thường
vẫn phải duyệt qua hàng chục thậm chí hàng ngàn trang Web mới có thể tìm
kiếm được thứ mà họ cần. Theo tâm lý chung, người dùng chỉ xem qua vài chục
kết quả đầu tiên, họ thiếu kiên nhẫn và không đủ thời gian để xem qua tất cả kết
quả mà các search engine trả về. Nhằm giải quyết vấn đề này, chúng ta có thể
nhóm các kết quả tìm kiếm thành thành các nhóm theo các chủ đề, khi đó người
sử dụng có thể bỏ qua các nhóm mà họ không quan tâm để tìm đến nhóm chủ đề
quan tâm. Điều này sẽ giúp cho người dùng thực hiện công việc của họ một cách
hiệu quả hơn. Tuy nhiên vấn đề phân cụm dữ liệu trên Web và chọn chủ đề thích
hợp để nó có thể mô tả được nội dung của các trang là một vấn đề không đơn
giản. Trong luận văn này, ta sẽ xem khía cạnh sử dụng kỹ thuật phân cụm để
phân cụm tài liệu Web dựa trên kho dữ liệu đã được tìm kiếm và lưu trữ.
nhau" về nội dung thì sẽ có mức độ quan trọng tương đương và sẽ thuộc về cùng
một nhóm.
Giả sử cho tập S gồm các trang web, hãy tìm trong tập S các trang chứa nội
dung câu hỏi truy vấn ta được tập R. Sử dụng thuật toán phân cụm dữ liệu để
phân tập R thành k cụm (k xác định) sao cho các phần tử trong cụm là tương tự
nhau nhất, các phần tử ở các cụm khác nhau thì phi tương tự với nhau.
Từ tập S-R, chúng ta đưa các phần tử này vào một trong k cụm đã được
thiết lập ở trên. Những phần tử nào tương tự với trọng tâm của cụm (theo một
ngưỡng xác định nào đó) thì đưa vào cụm này, những phần tử không thỏa mãn
xem như không phù hợp với truy vấn và loại bỏ nó khỏi tập kết quả. Kế tiếp,
chúng ta đánh trọng số cho các cụm và các trang trong tập kết quả theo thuật
toán sau:
INPUT: tập dữ liệu D chứa các trang gồm k cụm và k trọng tâm
OUTPUT: trọng số của các trang
BEGIN
Mỗi cụm dữ liệu thứ m và trọng tâm Cm ta gán một trọng số tsm. Với các trọng
tâm Ci, Cj bất kỳ ta luôn có tsi>tsj nếu ti tương tự với truy vấn hơn tj.
Với mỗi trang p trong cụm m ta xác định trọng số trang pwm. Với mỗi pwi, pwj
bất kỳ, ta luôn có pw1>pw2 nếu pw1 gần trọng tâm hơn pw2.
END
Hiện tại, có một số thuật toán phân cụm dữ liệu được sử dụng trong phân
cụm văn bản như thuật toán phân cụm phân hoạch (k-means, PAM, CLARA),
thuật toán phân cụm phân cấp (BIRCH, STC),... Trong thực tế phân cụm theo
nội dung tài liệu Web, một tài liệu có thể thuộc vào nhiều nhóm chủ đề khác
nhau. Để giải quyết vấn đề này ta có thể sử dụng thuật toán phân cụm theo cách
tiếp cận mờ.
Tìm kiếm và
Dữ liệu web Tiền xử lý
trích rút dữ liệu
Biểu diễn
kết quả Áp dụng thuật Biểu diễn
toán phân cụm dữ liệu
Hình 3.20. Các bước phân cụm kết quả tìm kiếm trên Web
Nhằm nâng cao tốc độ xử lý, ta tiến hành tìm kiếm và lưu trữ các tài liệu
này trong kho dữ liệu để sử dụng cho quá trình tìm kiếm (tương tự như các
Search Engine Yahoo, Google,…). Mỗi phần tử gồm toàn văn tài liệu, tiêu đề,
đoạn mô tả nội dung, URL,…
3.4.2.2. Tiền xử lý dữ liệu
Quá trình làm sạch dữ liệu và chuyển dịch các tài liệu thành các dạng biểu
diễn dữ liệu thích hợp.
Giai đoạn này bao gồm các công việc như sau: Chuẩn hóa văn bản, xóa bỏ
các từ dừng, kết hợp các từ có cùng từ gốc, số hóa và biểu diễn văn bản,..
3.4.2.2.1. Chuẩn hóa văn bản
Đây là giai đoạn chuyển văn bản thô về dạng văn bản sao cho việc xử lý
sau này được dễ dàng, đơn giản, thuật tiện, chính xác so với việc xử lý trực tiếp
trên văn bản thô mà ảnh hưởng ít đến kết quả xử lý. Bao gồm:
+ Xóa các thẻ HTML và các loại thẻ khác để trích ra các từ/cụm từ.
+ Chuyển các ký tự hoa thành các ký tự thường.
+ Xóa bỏ các dấu câu, xoá các ký tự trắng dư thừa,...
3.4.2.2.2. Xóa bỏ các từ dừng
Trong văn bản có những từ mang ít thông tin trong quá trình xử lý, những
từ có tần số xuất hiện thấp, những từ xuất hiện với tần số lớn nhưng không quan
trọng cho quá trình xử lý đều được loại bỏ. Theo một số nghiên cứu gần đây cho
thấy việc loại bỏ các từ dùng có thể giảm bởi được khoảng 20-30% tổng số từ
trong văn bản.
Có rất nhiều từ xuất hiện với tần số lớn nhưng nó không hữu ích cho quá
trình phân cụm dữ liệu. Ví dụ trong tiếng Anh các từ như a, an, the, of, and, to,
on, by,... trong tiếng Việt như các từ “thì”, “mà”, “là”, “và”, “hoặc”,... Những từ
xuất hiện với tần số quá lớn cũng sẽ được loại bỏ.
Để đơn giản trong ứng dụng thực tế, ta có thể tổ chức thành một danh sách
các từ dừng, sử dụng định luật Zipf để xóa bỏ các từ có tần số xuất hiện thấp
hoặc quá cao.
3.4.2.4. Tách từ, số hóa văn bản và biểu diễn tài liệu
Tách từ là công việc hết sức quan trọng trong biểu diễn văn bản, quá trình
tách từ, vector hóa tài liệu là quá trình tìm kiếm các từ và thay thế nó bởi chỉ số
của từ đó trong từ điển.
Ở đây ta có thể sử dụng một trong các mô hình toán học TF, IDF, TF-
IDF,... để biểu diễn văn bản.
Chúng ta sử dụng mảng W (trọng số) hai chiều có kích thước m x n, với n
là số các tài liệu, m là số các thuật ngữ trong từ điển (số chiều), hàng thứ j là một
vector biểu diễn tài liệu thứ j trong cơ sở dữ liệu, cột thứ i là thuật ngữ thứ i
trong từ điển. Wij là giá trị trọng số của thuật ngữ i đối với tài liệu j.
Giai đoạn này thực hiện thống kê tần số thuật ngữ ti xuất hiện trong tài liệu
dj và số các tài liệu chứa ti. Từ đó xây dựng bảng trọng số của ma trận W theo
công thức sau:
Công thức tính trọng số theo mô hình IF-IDF:
n
tf ij idfij [1 log(tf ij )] log( ) nếu ti dj
Wij= hi
0 nếu ngược lại (ti dj)
Trong đó:
tfij là tần số xuất hiện của ti trong tài liệu dj
idfij là nghịch đảo tần số xuất hiện của ti trong tài liệu dj.
hi là số các tài liệu mà ti xuất hiện.
n là tổng số tài liệu.
3.4.2.5. Phân cụm tài liệu
Sau khi đã tìm kiếm, trích rút dữ liệu và tiền xử lý và biểu diễn văn bản
chúng ta sử dụng kỹ thuật phân cụm để phân cụm tài liệu.
INPUT: Tập gồm n tài liệu và k cụm.
OUTPUT: Các cụm Ci (i=1,..,k) sao cho hàm tiêu chuẩn đạt giá trị cực tiểu.
BEGIN
Bước 1. Khởi tạo ngẫu nhiên k vector làm đối tượng trọng tâm của k cụm.
Bước 2. Với mỗi tài liệu dj xác định độ tương tự của nó đối với trọng tâm của mỗi
cụm theo một trong các độ đo tương tự thường dùng (như Dice, Jaccard, Cosine,
Overlap, Euclidean, Manhattan). Xác định trọng tâm tương tự nhất cho mỗi tài liệu và
đưa tài liệu vào cụm đó.
Bước 3. Cập nhận lại các đối tượng trọng tâm. Đối với mỗi cụm ta xác định lại
trọng tâm bằng cách xác định trung bình cộng của các vector tài liệu trong cụm đó.
Bước 4. Lặp lại bước 2 và 3 cho đến khi trong tâm không thay đổi.
END.
Hình 3.21. Thuật toán k-means trong phân cụm nội dung tài liệu Web
Vấn đề xác định trọng tâm của cụm tài liệu: Xét một cụm văn bản c, trong
đó trọng tâm C của cụm c được tính nhờ vào vector tổng D ( D d ) của các
d c
D
văn bản trong cụm c: C
|c|
Trong đó, |c| là số phần tử thuộc tập tài liệu c.
Trong kỹ thuật phân cụm, trọng tâm của các cụm được sử dụng để làm đại
diện cho các cụm tài liệu.
Vấn đề tính toán độ tương tự giữa 2 cụm tài liệu: Giả sử ta có 2 cụm c1, c2,
khi đó độ tương tự giữa 2 cụm tài liệu được tính bằng mức độ “gần nhau” giữa 2
vector trọng tâm C1, C2: Sim(c1,c2)= sim(C1,C2)
Ở đây, ta hiểu rằng c1 và c2 cũng có thể chỉ gồm một tài liệu vì khi đó có
thể coi một cụm chỉ gồm 1 phần tử.
Trong thuật toán k-means, chất lượng phân cụm được đánh giá thông quan
k
hàm tiêu chuẩn E x ( x m ) , trong đó x là các vector biểu diễn tài
2
i 1
CD
i
i
liệu, mi là các trọng tâm của các cụm, k là số cụm, Ci là cụm thứ i.
- Độ phức tạp của thuật toán k-means là O((n.k.d).r).
Trong đó: n là số đối tượng dữ liệu, k là số cụm dữ liệu, d là số chiều, r là
số vòng lặp.
Sau khi phân cụm xong tài liệu, trả về kết quả là các cụm dữ liệu và các
trọng tâm tương ứng.
tâm khởi tạo ban đầu. Nếu k trọng tâm được xác định tốt thì chất lượng và thời
gian thực hiện được cải thiện rất nhiều.
Phần giao diện chương trình và một số đoạn mã code điển hình được trình
bày ở phụ lục.
Luận văn đã nêu lên được những nét cơ bản về khai phá dữ liệu, khám phá
tri thức và những vấn đề liên quan, kỹ thuật phân cụm dữ liệu và đi sâu vào một
số phương pháp phân cụm truyền thống, phổ biến như phân cụm phân hoạch,
phân cụm phân cấp, phân cụm dựa trên mật độ, phân cụm dựa trên lưới, phân
cụm dựa trên mô hình và theo hướng tiếp cận mờ.
Luận văn tập trung vào một hướng nghiên cứu và phát triển mới trong khai
phá dữ liệu đó là khai phá Web, một hướng đang thu hút sự quan tâm của nhiều
nhà khoa học. Phần này trình bày những vấn đề về các hướng tiếp trong khai
phá Web như khai phá tài liệu Web, khai phá cấu trúc Web và khai phá theo
hướng sử dụng Web. Một kỹ thuật trong khai phá Web đó là phân cụm dữ liệu
Web. Tác giả cũng đã trình bày một hướng tiếp cận trong việc sử dụng các kỹ
thuật phân cụm trong khai phá dữ liệu Web. Đề xuất và xây dựng một chương
trình thực nghiệm phân cụm tài liệu Web áp dụng trong tìm kiếm dữ liệu với
thuật toán k-means dựa trên mô hình vector biểu diễn văn bản TF-IDF.
Lĩnh vực khai phá Web là một vấn đề khá mới mẽ, rất quan trọng và khó,
bên cạnh những kết quả nghiên cứu đã đạt được nó đã đặt ra những thách thức
lớn đối với các nhà nghiên cứu. Khai phá Web là một lĩnh vực đầy triển vọng,
phức tạp và còn là vấn đề mở. Hiện chưa có một thuật toán và mô hình biểu diễn
dữ liệu tối ưu trong khai phá dữ liệu Web.
Mặc dù đã cố gắng, nỗ lực hết mình song do thời gian nghiên cứu, trình độ
của bản thân có hạn và điều kiện nghiên cứu còn nhiều hạn chế nên không thể
tránh khỏi những khuyết thiếu và hạn chế, tác giả rất mong nhận được những
góp ý, nhận xét quý báu của quý thầy cô và bạn bè để kết quả của đề tài hoàn
thiện hơn.
PHỤ LỤC
Chương trình được viết trên nền .NET Framework 2.0 và ngôn ngữ lập
trình Visual Basic 2005, cơ sở dữ liệu được lưu trữ và quản lý bằng SQL Server
2005. Sau đây là một số mã lệnh và giao diện xử lý của chương trình.
Một số modul xử lý trong cương trình
1. Chuẩn hoá xâu văn bản
Private Function Chuanhoa(ByVal S As String) As String
For i = 1 To 9
S = S.Replace(Str(i) + ".", Str(i))
S = S.Replace(Str(i) + ",", Str(i))
Next
i = 0
Do While i < S.Length - 1
If (Not Char.IsLetterOrDigit(S(i))) And (S(i) <> " ")
Then
S = S.Remove(i, 1)
S = S.Insert(i, " ")
Else
i = i + 1
End If
Loop
i = 0
Do While i < S.Length - 1
If ((Char.IsDigit(S(i))) And (Not Char.IsDigit(S(i +
1)))) Or ((Not Char.IsDigit(S(i))) And
(Char.IsDigit(S(i + 1)))) Then
S = S.Insert(i + 1, " ")
i = i + 1
End If
i = i + 1
Loop
S = S.ToLower(VN)
i = 0
Do While i < S.Length - 2
If S(i) + S(i + 1) = " " Then
S = S.Remove(i, 1)
Else
i = i + 1
End If
Loop
S = S.Trim
Return S
End Function
2. Xoá từ dừng
Private Function XoaTuDung(ByVal S As String) As String
For i = 0 To ListTD.Count - 1
S = S.Replace(" " + ListTD.Item(i) + " ", " ")
Next i
i = 0
Do While i < S.Length
Do While (i < S.Length - 1) And (S(i) = " ")
i = i + 1
Loop
j = i + 1
Kt = False
Do While (j < S.Length) And (Not Kt)
If S(j) <> " " Then
j = j + 1
Else
Kt = True
End If
Loop
If i = j - 1 Then
S = S.Remove(i, 1)
End If
i = j
Loop
S = S.Trim()
Return S
End Function
j)))*(Math.Log(NumDoc)-Math.Log(thongke(j)))
Else
W(i, j) = 0.0
End If
Next
Next
End Sub
n = 0
sum = 0
For m = 0 To NumDoc - 1
If Cum(m) = i Then
sum = sum + W(m, j)
n = n + 1
End If
Next
sum = sum / n
If C(i, j) <> sumThen
C(i, j) = sum
check1 = True
End If
Next
Next
Loop
End Sub
2. Công cụ tìm kiếm chọn lọc tài liệu trên Internet và lưu trữ vào CSDL
3. Trích chọn dữ liệu, tiền xử lý, xây dựng từ điển và vector hóa văn bản
[17] Maria Rigou, Spiros Sirmakessis, and Giannis Tzimas, A Method for
Personalized Clustering in Data Intensive Web Applications, 2006.
[18] Miguel Gomes da Costa Júnior, Zhiguo Gong, Web Structure Mining: An
Introduction, IEEE, 2005.
[19] Oren Zamir and Oren Etzioni, Web document Clustering: A Feasibility
Demonstration, University of Washington, USA, ACM, 1998.
[20] Pawan Lingras, Rough Set Clustering for Web mining, IEEE, 2002.
[21] Periklis Andritsos, Data Clusting Techniques, University Toronto,2002.
[22] R. Cooley, B. Mobasher, and J. Srivastava, Web mining: Information and
Pattern Discovery on the World Wide Web, University of Minnesota, USA, 1998.
[23] Raghu Krishnapuram, Anupam Joshi, and Liyu Yi, A Fuzzy Relative of the
K -Medoids Algorithm with Application toWeb Document and Snippet
Clustering, 2001
[24] Raghu Krishnapuram,Anupam Joshi, Olfa Nasraoui, and Liyu Yi, Low-
Complexity Fuzzy Relational Clustering Algorithms for Web Mining, IEEE, 2001.
[25] Raymond and Hendrik, Web Mining Research: A Survey, ACM, 2000
[26] Rui Wu, Wansheng Tang,Ruiqing Zhao, An Efficient Algorithm for Fuzzy
Web-Mining, IEEE, 2004.
[27] T.A.Runkler, J.C.Bezdek, Web mining with relational clustering,
ELSEVIER, 2002.
[28] Tsau Young Lin, I-Jen Chiang , “A simplicial complex, a hypergraph,
structure in the latent semantic space of document clustering”, ELSEVIER, 2005.
[29] Wang Jicheng, Huang Yuan, Wu Gangshan, and Zhang Fuyan, Web
Mining: Knowledge Discovery on the Web, IEEE, 1999.
[30] WangBin, LiuZhijing, Web Mining Research, IEEE, 2003.
[31] Wenyi Ni, A Survey of Web Document Clustering, Southern Methodist
University, 2004.
[32] Yitong Wang, Masaru Kitsuregawa, Evaluating Contents-Link Coupled
Web Page Clustering for Web Search Results, ACM, 2002.
[33] Zifeng Cui, Baowen Xu , Weifeng Zhang, Junling Xu, Web Documents
Clustering with Interest Links, IEEE, 2005.