Ứng dụng tập thô vào tìm kiếm Web

Trong khi khối lượng thông tin trên Web khổng lồ, mà câu hỏi truy vấn của người sử dụng thường ít chính xác, nên số kết quả trả về từ các máy tìm kiếm có thể lên đến hàng trăm hay hàng n

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Trần Ngọc Hà

ỨNG DỤNG TẬP THÔ VÀO TÌM KIẾM WEB

LUẬN VĂN THẠC SĨ

Hà Nội 2010

Mục lục

MỞ ĐẦU 6

Danh sách bảng biểu 4

Danh sách hình vẽ 5

Chương 1: GIỚI THIỆU TỔNG QUAN 9

1.1 Lý do chọn đề tài 9

1.2 Phạm vi công việc 10

1.3 Cấu trúc luận văn 10

Chương 2: MÁY TÌM KIẾM WEB 12

2.1 Khái niệm 12

2.2 Cấu trúc máy tìm kiếm web 13

2.3 Biểu diễn kết quả tìm kiếm 15

2.4 Đánh giá chất lượng tìm kiếm 17

Chương 3: PHÂN CỤM TÀI LIỆU VÀ VẤN ĐỀ TÁCH TỪ TIẾNG VIỆT 19

3.1 Phân cụm 19

3.1.1.Khái niệm 19

3.1.2.Ứng dụng của phân cụm tài liệu trong thu thập và tổ chức thông tin 20

3.2 Mô hình không gian vector và trình bày văn bản 21

3.2.1.Các kỹ thuật tiền xử lý tài liệu 22

3.2.2.Bảng trọng số 23

3.2.3.Độ đo tương tự 26

3.2.4.Biểu diễn cụm 27

3.3 Các giải thuật phân cụm 27

3.3.1.Phương pháp phân cụm phân cấp 28

3.3.2.Phương pháp phân cụm phân hoạch 29

3.3.3.Thuật toán phân cụm bán giám sát Seeded - KMeans 30

3.3.4.Tiêu chuẩn sự tối ưu 32

3.3.5.Gán cứng và gán mềm 33

3.4 Các bước thực hiện phân cụm 34

3.5 Đánh giá kết quả phân cụm 34

3.6 Phân cụm kết quả tìm kiếm web 34

3.7 Các phương pháp tách từ tiếng Việt 35

3.7.1.Đặc điểm từ trong tiếng Việt 35

3.7.2.Phương pháp so khớp cực đại 36

3.7.3.Phương pháp học cải biến 37

3.7.4.Mô hình tách từ bằng WFST và mạng Neural 37

3.7.5.Phương pháp tách tách từ tiếng Việt dựa trên thống kê từ Internet và thuật giải di truyền 38

Chương 4: LÝ THUYẾT TẬP THÔ 39

4.1 Giới thiệu 39

4.2 Hệ thông tin 40

4.3 Quan hệ bất khả phân biệt 42

4.3.1.Quan hệ tương đương - Lớp tương đương 43

4.4 Xấp xỉ tập hợp 44

4.5 Hàm thuộc thô 50

4.6 Mô hình tập thô dung sai 52

4.6.1.Không gian dung sai các từ chỉ mục 53

4.6.2.Nâng cao chất lượng biểu diễn tài liệu 55

4.6.3.Mở rộng lược đồ trọng số cho xấp xỉ trên 55

Chương 5: ÁP DỤNG LÝ THUYẾT TẬP THÔ VÀO PHÂN CỤM KẾT QUẢ TÌM KIẾM WEB 57

5.1 Vấn đề phân cụm kết quả tìm kiếm web 57

5.2 Các thuật toán phân cụm tài liệu dựa trên TRSM 58

5.2.1.Biểu diễn cụm 58

5.2.2.Thuật toán phân cụm không phân cấp dựa trên TRSM 60

5.2.3.Thuật toán phân cụm phân cấp dựa trên TRSM 62

5.3 Thuật toán TRC 62

5.3.1.Tiền xử lý 63

5.3.2.Xây dựng ma trận từ - tài liệu 63

5.3.3.Tạo lớp dung sai 64

5.3.4.Thuật toán phân cụm Seeded - KMeans cải tiến 68

Chương 6: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM 71

6.1 Xác định yêu cầu 71

6.2 Các thành phần của ứng dụng thử nghiệm 71

6.3 Xây dựng các thành phần chức năng 72

6.3.1.Trình thu thập nội dung web 72

6.3.2.Bộ tách từ tiếng Việt 75

6.3.3.Bộ xử lý truy vấn 76

6.3.4.Biểu diễn kết quả tìm kiếm web 76

6.4 Triển khai ứng dụng thử nghiệm 77

KẾT LUẬN 84

Tài liệu tham khảo 86

Danh sách bảng biểu

Bảng 3-1 Ví dụ bảng trọng số nhị phân của các tài liệu .24

Bảng 3-2 Ví dụ bảng trọng số của các tài liệu .24

Bảng 3-3 Ví dụ trọng số cho các tài liệu trong bảng 3-2 Trọng số của vector tài liệu được chuẩn hóa bằng độ dài của nó .25

Bảng 3-4 Một số phép đo độ tương tự giữa hai vectơ tài liệu X, Y Trong đó, xi, yi là trọng số thành phần thứ i của vectơ 26

Bảng 3-5 So sánh các đặc điểm khác nhau giữa tiếng Anh và tiếng Việt 36

Bảng 4-1 Một hệ thông tin đơn giản 41

Bảng 4-2 Một bảng quyết định đơn giản 42

Bảng 4-3 Bảng quyết định dùng minh hoạ hàm thuộc thô 52

Bảng 4-4 Các lớp dung sai quan trọng của các từ được sinh ra từ 200 snippets trả về từ máy tìm kiếm Google với từ khóa “jaguar” và ngưỡng đồng xuất hiện  = 9 55

Danh sách hình vẽ

Hình 2-1 Giao diện biểu diễn kết quả tìm kiếm Web của Google 12

Hình2-2 Cấu trúc bên trong của của máy tìm kiếm Web 13

Hình 2-3 Cấu trúc dữ liệu inverted index 14

Hình 3-1 Mô tả phân cụm 20

Hình 3-2 Tiến trình phân cụm tài liệu 20

Hình 3-3 So sánh giữa phân cụm tài liệu và phân cụm kết quả tìm kiếm web .35 Hình 4- 1 Hình ảnh minh họa các khái niệm của tập thô 40

Hình 4-2 Xấp xỉ tập đối tượng trong Bảng 4-2 bằng các thuộc tính điều kiện Age và LEMS Mỗi vùng được thể hiện kèm theo tập các lớp tương đương tương ứng .46

Hình 5-1 Các bước của thật toán TRC .62

Hình 5-2 Sơ đồ các bước thuật toán tạo lớp dung sai 65

Hình 6-1 Qui trình thu thập nội dung web 73

Hình 6-2 Nhận dạng tiêu đề bài viết bằng addon Firebug trên trình duyệt Firefox 74

Hình 6-3 Giao diện quản trị các mẫu nhận dạng 75

Hình 6-4 Website http://doctinnhanh.net .78

Hình 6-5 Giao diện biểu diễn kết quả tìm kiếm chia theo chủ đề 81

Hình 6-6 Website Bách khoa toàn thư văn hóa Việt 83

MỞ ĐẦU

Những năm gần đây trên thế giới nói chung và ở Việt Nam nói riêng, đi cùng với sự phát triển của công nghệ web 2.0, các hệ thống wiki và các mạng xã hội đang có những sự phát triển nhảy vọt cả về số lượng và chất lượng Có thể nói chưa có bao giờ việc đưa thông tin lên mạng lại dễ dàng như giai đoạn hiện nay Bất cứ cá nhân nào tham gia vào cộng đồng mạng cũng có thể đóng góp những bài viết vào kho thông tin khổng lồ của nhân loại Chính vì sự phát triển đó mà hầu như bất cứ vấn đề gì mà ta quan tâm đều có thể sử dụng các bộ máy tìm kiếm để tìm kiếm trên Internet Tuy nhiên việc khai thác các thông tin cần thiết trong một kho dữ liệu khổng lồ sao cho tiện lợi và chuẩn xác cũng là một vấn đề cần phải giải quyết

Hiện nay khai thác và tìm kiếm thông tin trên Internet là vấn đề được rất nhiều nhà nghiên cứu quan tâm Trong khi khối lượng thông tin trên Web khổng

lồ, mà câu hỏi truy vấn của người sử dụng thường ít chính xác, nên số kết quả trả

về từ các máy tìm kiếm có thể lên đến hàng trăm hay hàng ngàn tài liệu Do đó, tìm được chính xác tài liệu mình quan tâm là khó và tốn nhiều thời gian Thực nghiệm cho thấy, nếu nội dung được chia thành các nhóm chủ đề sẽ giúp người dùng nhanh chóng tìm được kết quả mình cần Vì vậy, một trong những cách tiếp cận để giải quyết vấn đề khai thác hiệu quả các kết quả từ các máy tìm kiếm thông tin là

sử dụng kĩ thuật phân cụm kết quả tìm kiếm theo chủ đề tạo nên cách biểu diễn kết quả tìm kiếm Web cô đọng và rõ ràng Đây là một vấn đề nhận được sự quan tâm của rất nhiều tác giả, họ đã đề ra nhiều cách tiếp cận khác nhau để giải quyết bài toán này Trong đề tài này chúng tôi sẽ áp dụng lý thuyết tập thô vào phân cụm kết quả tìm kiếm Web tiếng Việt Cách tiếp cận của chúng tôi là sử dụng mô hình tập thô dung sai để tăng chất lượng việc biểu diễn các tài liệu và các cụm từ đó làm tăng hiệu quả việc phân cụm; đồng thời chúng tôi sử dụng phương pháp phân cụm bán giám sát Seeded - KMeans để phân cụm và xác định chủ đề tài liệu

Mục tiêu của đề tài là xây dựng thử nghiệm một công cụ tìm kiếm web tiếng Việt có khả năng phân cụm các tài liệu vào các chủ đề khác nhau giúp người dùng

có thể nhanh chóng tìm được kết quả mình cần nhờ cách biểu diễn kết quả tìm

kiếm rõ ràng và cô đọng Với mục tiêu đó, sau quá trình làm việc, chúng tôi đã xây dựng được một công cụ tìm kiếm web tiếng Việt gồm các thành phần chính sau:

 Trình thu thập web tiếng Việt, trình thu thập này có đặc điểm nổi bật là

có khả năng phân tích cấu trúc các trang web này thành các phần như tiêu đề, tóm tắt bài viết, nội dung bài viết,… nhờ các mẫu nhận dạng cấu trúc do người dùng đưa vào

 Thành phần thứ 2 được sử dụng để phân tích các trang web thành các từ tiếng Việt và biểu diễn các tài liệu thu thập được dưới dạng vector tài liệu trong không gian vector

 Thành phần thứ 3 là thành phần xử lý các truy vấn của người dùng và trả về các kết quả tìm kiếm thỏa mãn truy vấn của người dùng

 Thành phần thứ 4 là biểu diễn kết quả tìm kiếm web, mục tiêu xây dựng thành phần này là thể hiện được kết quả tìm kiếm web một cách

rõ ràng và cô đọng bằng cách gán chúng vào các chủ đề tạo thuận lợi cho người sử dụng trong việc tìm kiếm thông tin Vì vậy chúng tôi áp dụng mô hình tập thô dung sai và thuật toán phân cụm bán giám sát Seeded – Kmeans để phân cụm các kết quả tìm kiếm web Các kết quả tìm kiếm sẽ được phân thành các chủ đề khác nhau có nhãn được định sẵn dựa trên các mẫu tài liệu đã được gán nhãn

Mặc dù bản thân đã nỗ lực cố gắng, cùng sự giúp đỡ của các đồng nghiệp và đặc biệt là sự hướng dẫn chỉ bảo tận tình của PGS TS Hoàng Xuân Huấn, nhưng

vì thời gian có hạn nên đề tài không tránh khỏi những thiếu sót, rất mong nhận được sự đóng góp ý kiến của các chuyên gia, bạn bè và đồng nghiệp

Qua đây, tôi xin gửi lời cảm ơn sâu sắc nhất tới PGS TS Hoàng Xuân Huấn, đã tận tình hướng dẫn cho tôi những định hướng và những ý kiến rất quý báu trong suốt quá trình thực hiện luận văn này

Tôi xin chân thành cảm ơn các thầy, cô giáo trong Bộ môn Truyền dữ liệu

và Mạng máy tính, Khoa Công nghệ thông tin, trường Đại học Công nghệ - Đại học Quốc gia Hà Nội đã tạo mọi điều kiện tốt nhất để tôi hoàn thành khóa học này

Đồng thời, tôi cũng xin cảm ơn gia đình, bạn bè, những người luôn khuyến khích

và giúp đỡ tôi trong mọi hoàn cảnh khó khăn Tôi xin cảm ơn cơ quan và các đồng nghiệp đã hết sức tạo điều kiện cho tôi trong suốt quá trình học tập và làm luận văn này

Chương 1: GIỚI THIỆU TỔNG QUAN 1.1 Lý do chọn đề tài

Sự phát triển không ngừng của Word Wide Web (WWW) trong giai đoạn hiện nay đã mang lại cho loài người một nguồn thông tin khổng lồ Hầu như các thông tin về mọi lĩnh vực của cuộc sống đều có thể tìm thấy trên Web Cùng với sự bùng nổ thông tin đó, các công cụ tìm kiếm web cũng không ngừng phát triển để phục vụ cho nhu cầu tìm kiếm thông tin của con người

Hiện nay có rất nhiều công cụ tìm kiếm web mạnh giúp chúng ta tìm kiếm thông tin nhanh chóng như Google, Yahoo, Answer, Altavista, … Đặc điểm của các công cụ tìm kiếm này là thực hiện việc tìm kiếm dựa trên phương pháp xếp hạng tài liệu (Document Ranking) và biểu diễn kết quả tìm kiếm theo thứ tự hạng xuất hiện Với sự bùng nổ thông tin như hiện nay, mặc dù các công cụ tìm kiếm có nhiều cải tiến nhưng cách tiếp cận này có một số hạn chế như dưới đây:

Do sự bùng nổ của thông tin trên WWW, và tính chất động của các trang web nên máy tìm kiếm không thể thực hiện tính hạng được cho tất cả các tài liệu mà chỉ

có thể tính hạng cho một phần các tài liệu

Khi có ý định tìm thông tin trên WWW, trong suy nghĩ của người dùng hình thành khái niệm về cái họ cần tìm, khái niệm này được chuyển thành một tập các

từ khóa và được sử dụng để đặt câu hỏi truy vấn Tuy nhiên do kinh nghiệm sử dụng hạn chế, các từ khóa người dùng nhập thường ngắn và cho các kết quả tìm kiếm là chung chung, có thể lên đến hàng trăm hoặc hàng ngàn kết quả Trong khi

đó người sử dụng lại chỉ có thói quen xem kết quả trên trang đầu tiên và ít người

duyệt đến các trang sau, do đó bỏ qua một số kết quả tìm kiếm cần thiết nhất

Với các lý do trên ta thấy phát triển giao diện tương tác thông minh giữa người và máy, hỗ trợ người sử dụng trong việc tìm kiếm thông tin là việc làm cần thiết Đây là một trong những vấn đề được nhiều nhà nghiên cứu quan tâm Mặc

dù đã có một số nghiên cứu thành công trong lĩnh vực này, nhưng đa phần chúng chỉ xử lý tốt trên tiếng Anh, nên trong luận văn này, chúng tôi mạnh dạn áp dụng tập thô vào việc xây dựng thử nghiệm một công cụ tìm kiếm web cho phép người dùng tìm kiếm theo chủ đề và giải quyết tốt các đặc thù của tiếng Việt

Tìm hiểu các đặc điểm của tiếng Việt và các phương pháp tách từ tiếng Việt,

áp dụng các thuật phương pháp trên để phân tích các trang web tiếng Việt thành các từ phục vụ cho việc mô hình hóa tài liệu và biểu diễn các đặc trưng của cụm Nghiên cứu lý thuyết tập thô đặc biệt là mô hình tập thô dung sai, từ đó áp dụng mô hình tập thô dung sai để cải tiến thuật toán Seeded - KMeans sử dụng cho việc phân cụm kết quả tìm kiếm web nhằm tối ưu hóa kết quả trả về của quá trình tìm kiếm web

1.3 Cấu trúc luận văn

Với phạm vi công việc cần thực hiện như trên, cấu trúc của đề tài được tổ chức như sau:

Chương 1: Giới thiệu tổng quan

Chương 2: Trình bày kiến thức tổng quan về máy tìm kiếm Web

Chương 3: Trình bày các kiến thức về phân cụm tài liệu và vấn đề tách từ Tiếng Việt

Chương 4: Trình bày tổng quan về lý thuyết tập thô và mô hình tập thô dung sai

Chương 5: Trình bày cách áp dụng lý thuyết tập thô vào việc phân cụm kết quả tìm kiếm Web

Chương 6: Trình bày kết quả thử nghiệm của luận văn

Và phần cuối cùng là kết luận của luận văn

Chương 2: MÁY TÌM KIẾM WEB

tâm, máy tìm kiếm web ngay lập tức sẽ trả về tập kết quả tìm kiếm (snippets)

Thông thường, mỗi kết quả tìm kiếm bao gồm tựa đề, địa chỉ của tài liệu và miêu

tả ngắn gọn nội dung chính tài liệu Ngoài ra một số máy tìm kiếm web còn cho phép người dùng xem nội dung của tài liệu được lưu lại trên máy chủ của dịch vụ tìm kiếm

Hình 2-1 Giao diện biểu diễn kết quả tìm kiếm Web của Google

2.2 Cấu trúc máy tìm kiếm web

Cấu trúc của máy tìm kiếm web được thể hiện trong hình 2-2

Hình2- 2 Cấu trúc bên trong của của máy tìm kiếm Web

Trình thu thập web (Web Crawler)

Web Crawler hay còn được gọi là Web Spider là một trong hai thành phần tương tác trực tiếp với WWW WWW là một tập hợp các tài liệu được liên kết với nhau bởi các siêu liên kết, web crawler có nhiệm vụ là phát hiện các trang mới trên WWW bằng cách thu thập các siêu liên kết từ các trang tài liệu Quá trình này được thực hiện đệ qui để thăm dò hầu hết các trang web trên Internet Trong quá trình này web crawler sẽ phải sử dụng một số kỹ thuật để tránh không bị lấy thông

tin trùng lặp Web crawler vừa thu thập các trang web mới nhưng cũng đồng thời kiểm tra lại những siêu liên kết đã không còn tồn tại trên WWW để loại chúng khỏi các kết quả tìm kiếm

Chỉ mục tài liệu (Document Index)

Thành phần lập chỉ mục tài liệu thực hiện chức năng xây dựng bảng chỉ số tài liệu hỗ trợ công việc tìm kiếm Thông thường, các hệ thống tìm kiếm thông tin thực hiện việc tìm kiếm các tài liệu hoặc dựa trên phương pháp lựa chọn tài liệu có chứa các từ trong câu hỏi truy vấn, hoặc dựa trên phương pháp xếp hạng tài liệu (Document Ranking) liên quan đến câu hỏi truy vấn Do đó hầu hết các máy tìm

kiếm đều sử dụng biến dữ liệu có cấu trúc chỉ mục ngược (inverted index) để hỗ trợ thực hiện công việc này Inverted index có cấu trúc giống như bảng mục lục ở

phần cuối của cuốn sách – tương ứng với mỗi một từ là một danh sách liên kết chứa địa chỉ các trang trong đó nó xuất hiện (hình 2-3) Với kiểu lưu trữ này nó có khả năng giúp máy tìm kiếm xác định đúng các tài liệu liên quan đến câu hỏi truy vấn một cách nhanh chóng

Hình 2-3 Cấu trúc dữ liệu inverted index

Lưu trữ tài liệu (Document Cache)

Hiện nay có nhiều máy tìm kiếm vừa lưu trữ bảng chỉ số tài liệu như ở phần trên, vừa lưu trữ tài liệu gốc Ví dụ như trong Google, bảng chỉ số tài liệu gốc được

sử dụng để tạo các snippet và phục vụ cho việc lưu trữ các phiên bản của tài liệu

Tính hạng tài liệu (Document Ranking)

World Wide Web càng ngày càng phát triển do vậy lượng thông tin ngày càng lớn, số kết quả tìm kiếm với một từ khóa bất kỳ đều rất lớn, ngay cả với những câu hỏi truy vấn hoàn thiện và chính xác, số kết quả tìm kiếm vẫn có thể lên đến hàng ngàn hoặc hàng triệu Chính vì vậy cần có module tính hạng tài liệu để xác định được tài liệu nào có độ liên quan đến các từ khóa mà người dùng tìm kiếm nhất

Xử lí truy vấn

Xử lí truy vấn là thành phần có nhiệm vụ phân tích cú pháp tìm kiếm của người dùng thông qua các toán tử và cú pháp được định nghĩa sẵn, sau đó bộ xử lí truy vấn kết hợp với bảng chỉ số tài liệu, các tài liệu được lưu trữ, và thành phần tính hạng tài liệu để đưa ra tập kết quả tìm kiếm thỏa mãn cú pháp tìm kiếm của người dùng Kết quả của quá trình này được đưa đến người sử dụng thông qua giao diện biểu diễn kết quả của máy tìm kiếm

Giao diện biểu diễn kết quả

Giao diện biểu diễn kết quả tìm kiếm là thành phần quan trọng trong máy tìm kiếm và trực tiếp tương tác với người sử dụng Do vậy giao diện biểu diễn kết quả tìm kiếm là yếu tố đầu tiên được xem xét khi đánh giá chất lượng của một chương trình tìm kiếm, nó có vai trò vô cùng quan trọng và có ảnh hưởng rất lớn đến toàn bộ chất lượng của máy tìm kiếm Google được yêu thích và được đa số người dùng sử dụng khi tìm kiếm thông tin là nhờ có một giao diện đơn giản nhưng lại dễ sử dụng

2.3 Biểu diễn kết quả tìm kiếm

Giao diện của máy tìm kiếm đóng vai trò vô cùng quan trọng trong việc tìm kiếm thông tin của người dùng, giao diện tìm kiếm được thiết kế tốt sẽ giúp người

dùng nhanh chóng tìm được kết quả tìm kiếm mình mong muốn

Hầu hết các máy tìm kiếm hiện nay đều thực hiện việc tìm kiếm dựa trên phương pháp tính hạng tài liệu và biểu diễn kết quả tìm kiếm theo thứ tự hạng xuất hiện Tuy nhiên hiện nay WWW đang phát triển với tốc độ rất nhanh, lượng thông tin trên mạng ngày càng lớn vì thế số lượng kết quả tìm kiếm có thể lên đến hàng ngàn tài liệu, nên người sử dụng không đủ thời gian và kiên nhẫn đọc toàn bộ lượng tài liệu này để xác định các tài liệu cần thiết Do vậy cách biểu diễn này có nhiều hạn chế

Thực tế cho thấy khi tìm kiếm thông tin, nếu biết được tài liệu mình tìm kiếm thuộc chủ đề nào thì người sử dụng sẽ nhanh chóng tiếp cận được với tài liệu cần tìm Chính vì vậy để nâng cao hiệu quả trong việc tìm kiếm, ta nên biểu diễn kết quả tìm kiếm Web theo nhóm chủ đề vì nó có những ưu điểm sau:

 Tên chủ đề giúp người sử dụng phát hiện được các chủ đề chính của tập kết quả trả về và do đó có thể xác định nhanh chóng tài liệu cần tìm

 Phân chia tập kết quả theo chủ đề còn giúp người sử dụng có thể nghiên cứu thêm các tài liệu liên quan đến những chủ đề khác mà nó thường bị

bỏ qua khi duyệt kết quả tìm kiếm theo thứ tự hạng xuất hiện, vì những kết quả này thường nằm ở các trang sau và thường bị người dùng bỏ qua

Khi người dùng tìm kiếm, tập kết quả phụ thuộc vào câu hỏi truy vấn mà người dùng đưa ra, do đó không thể biết trước bất kỳ thông tin nào về các chủ đề chứa trong tập kết quả này Đây là một trong những khó khăn lớn để xây dựng các công cụ tìm kiếm web theo chủ đề Để giải quyết vấn đề này một trong các giải pháp được đề xuất là sử dụng phương pháp phân cụm tài liệu Phân cụm tài liệu thực hiện nhóm các kết quả tìm kiếm theo chủ đề và tạo ra mô tả nội dung của mỗi

nhóm; người sử dụng chỉ cần quan sát tóm tắt nội dung các nhóm là dễ dàng định

vị được vùng tài liệu mà mình quan tâm

2.4 Đánh giá chất lượng tìm kiếm

Để đánh giá chất lượng tìm kiếm của một máy tìm kiếm, hai độ đo chuẩn thường được sử dụng để đánh giá là độ chính xác (precision) và độ hồi cứu (recall) Giả sử, ta có tập các câu truy vấn Q, tập các văn bản D, với mỗi câu truy vấn

R

R D precision 



Độ chính xác biến thiên từ 0 đến 1, trường hợp xấu nhất nếu độ chính xác là 0

có nghĩa là không có văn bản liên quan nào được trả về, trường hợp tốt nhất nếu độ chính xác là 1 nghĩa là toàn bộ văn bản được trả về đều là các văn bản liên quan Đây là trạng thái lý tưởng mà một hệ thống tìm kiếm cần đạt được, tuy nhiên có thể vẫn còn các văn bản liên quan mà không được trả về

Độ hồi cứu (recall) là độ đo biểu diễn tỉ lệ giữa các văn bản liên quan được trả

về với mọi văn bản liên quan

q

q qD

R D recall 

Trường hợp lý tưởng là recall = 1, tức là mọi văn bản liên quan đều được trả

về, còn trường hợp xấu nhất là recall = 0, tức là không có văn bản liên quan nào

được trả về

Độ độ chính xác và độ hồi cứu quyết định mối quan hệ giữa hai tập văn bản: tập văn bản liên quan (Dq) và tập văn bản trả về (Rq) Trong trường hợp lý tưởng thì độ chính xác và độ hồi cứu đều bằng 1 (tuy nhiên điều này không bao giờ xảy

ra trong các hệ thống thực tế)

Kỹ thuật phân cụm đã được áp dụng thành công trong các ứng dụng thuộc lĩnh vực khai phá dữ liệu, thống kê hay lưu trữ thông tin

Giả sử ta có tập các đối tượng D={d1,d2,…,dn} và (di; dj) là độ tương tự giữa hai đối tượng di và dj Phân cụm là quá trình chia tập đối tượng D vào K cụm C={c1,c2,…,ck} sao cho mỗi đối tượng đều thuộc về một cụm, các đối tượng trong cùng một cụm thì tương tự nhau, các phần tử thuộc các cụm khác nhau thì không tương tự nhau Như vậy thực chất của phân cụm dữ liệu là quá trình phân chia một tập dữ liệu ban đầu thành các cụm riêng biệt sao cho các phần tử trong một cụm là tương tự nhau và các phần tử thuộc các cụm khác nhau sẽ không tương tự với nhau

Với đặc điểm trên, khi phân cụm số lượng phần tử của các cụm có thể khác nhau Số các cụm dữ liệu có thể được xác định trước hay tự động xác định trong quá trình phân cụm

Hình 3- 1 Mô tả phân cụm

Hình vẽ trên mô tả một cách hình học về khái niệm phân cụm Cho tập dữ liệu (hình bên trái), tiến hành thực hiện phân cụm tập dữ liệu theo khoảng cách hình học Kết thúc quá trình phân cụm ta thu được 4 cụm như hình vẽ bên phải, các đối tượng trong cùng cụm có khoảng cách gần nhau Cách phân cụm theo kiểu này được gọi là phân cụm dựa vào khoảng cách

Ngoài ra, còn có một loại phân cụm khác dựa vào khái niệm Khi đó, các đối tượng trong cùng cụm đều liên quan đến khái niệm chung của cụm Hay nói cách khác, các đối tượng được nhóm lại theo nội dung chúng diễn tả, không đơn giản là chỉ dựa theo độ đo khoảng cách hình học Phân cụm tài liệu là một trong những ứng dụng loại phân cụm này

3.1.2 Ứng dụng của phân cụm tài liệu trong thu thập và tổ chức thông tin

Hình 3-2 Tiến trình phân cụm tài liệu

Trong khi phương pháp phân cụm được sử dụng để thực hiện nhiều tác vụ khác nhau trong lĩnh vực thu thập thông tin [3,13], phương pháp phân cụm tài liệu chỉ tập trung vào hai hướng nghiên cứu chính

 Thứ nhất, là công cụ cải tiến hiệu năng thu thập thông tin và là cách thức tổ chức kho tài liệu Ý tưởng phân cụm tài liệu áp dụng cho việc thu thập thông tin xuất phát từ lí thuyết nhóm, kết hợp các tài liệu liên quan theo yêu cầu lại với nhau Bằng việc nhóm các tài liệu theo từng cụm khi đó ta dễ dàng phân biệt được tài liệu nào là liên quan và không liên quan với nhau, vì vậy hiệu quả thu thập tài liệu theo không gian nhóm được cải tiến đáng kể

 Thứ hai, là công cụ tiện ích hiệu quả khi duyệt tìm thông tin trong tập tài liệu lớn, gần đây nó được sử dụng để phân cụm kết quả tìm kiếm Web

3.2 Mô hình không gian vector và trình bày văn bản

Trong một số lĩnh vực của khai phá dữ liệu, các đối tượng được quan tâm thường được đưa ra dưới dạng các vector thuộc tính hay đặc trưng, các tài liệu lại được biểu diễn dưới dạng dãy các từ Vì vậy, để phân cụm tài liệu, cần có một cách biểu diễn tài liệu phù hợp Cách phổ biến nhất là biểu diễn các tài liệu như một vector trong không gian nhiều chiều Mỗi chiều tương đương với một từ nhất định trong tập tài liệu Do bản chất của tài liệu văn bản, số lượng các từ khác nhau có thể vô cùng lớn Có đến hàng nghìn từ trong một văn bản ngắn đến trung bình Việc tính toán trong không gian nhiều chiều sẽ gặp nhiều khó khăn và thậm chí đôi khi điều đó không thể thực hiện được (chẳng hạn do giới hạn về dung lượng bộ nhớ) Tuy nhiên, không phải tất cả các từ trong tài liệu đều hữu ích trong việc mô

tả nội dung của nó Vì vậy các tài liệu cần được xử lý trước để xác định những từ thích hợp nhất để miêu tả ngữ nghĩa của tài liệu Những từ này được gọi là các từ chỉ mục

Giả sử ta có N tài liệu d1,d2,…, dn, và M từ khóa được liệt kê từ 1 đến M Một tài liệu trong không gian vector được biểu diễn bởi 1 vector:

D i = (w i1 , w i2 , , w iM )

Trong đó wij là trọng số của từ thứ j trong tài liệu di

3.2.1 Các kỹ thuật tiền xử lý tài liệu

Tiền xử lý tài liệu là một khâu quan trọng có ảnh hưởng lớn đến hiệu xuất của toàn bộ việc phân cụm Nó làm giảm đáng kể số lượng đặc trưng sẽ được xử lý (ví

dụ số từ khóa) do vậy cũng làm giảm độ phức tạp tính toán, nhưng cũng làm tăng chất lượng và độ chính xác của các từ được chọn Trong khâu tiền xử lý, các kỹ thuật xử lý văn bản sau có thể được thực hiện để làm tăng chất lượng của các từ khóa được chọn

Phân tích từ vựng

Phân tích từ vựng là phân tách tài liệu thành các từ riêng biệt Tuy nhiên trong một vài trường hợp cần khi xử lý phải có sự quan tâm đặc biệt đối với các chữ số, dấu ngoặc, dấu chấm câu và trường hợp chữ hoa, chữ thường Ví dụ các chữ số thường bị loại ra trong khi phân tích vì một mình nó không mang lại một ý nghĩa nào cho tài liệu (ngoại trừ một vài trường hợp đặc biệt, chẳng hạn trong thu thập thông tin về lĩnh vực lịch sử) Dấu chấm câu như “.”, “!”, “?”, “-“… cũng thường được loại ra mà không có ảnh hưởng gì đến nội dung của tài liệu, nhưng trong các

từ ghép nối ta lại không được bỏ dấu “-“, vì sẽ làm thay đổi nghĩa của từ

Đối với Tiếng Việt, khái niệm từ có những đặc điểm khác so với tiếng Anh,

do vậy việc tách các từ Tiếng Việt phức tạp hơn rất nhiều Trong phần sau chúng tôi sẽ trình bày chi tiết về đặc điểm của từ trong Tiếng Việt và các kỹ thuật sử dụng

để tách từ Tiếng Việt

Loại bỏ các từ dừng (stop-words)

Những từ xuất hiện thường thường xuyên trong tập các tài liệu được đánh giá là ít có tác dụng trong việc phân biệt nội dung giữa các tài liệu do vậy có thể loại bỏ mà không ảnh hưởng đến việc phân cụm Ví dụ như trong web thường có

các từ như “web”, “site”, “link”, “www”… Các từ như vậy được gọi là words Ngoài ra trong Tiếng Việt có rất nhiều từ cũng thuộc loại từ dừng như: “a

stop-lô”, “á”, “à”, “ai”, “ái chà”, “à ơi”…

Loại bỏ tiền tố và hậu tố (Stemming)

Stemming là loại bỏ tiền tố và hậu tố của từ để biến đổi về từ gốc Vì trong thực tế một từ gốc có thể có nhiều hình thái biến đổi, chẳng hạn như động từ, danh

từ, tính từ, trạng từ; và giữa chúng có mối quan hệ ngữ nghĩa Như vậy, Stemming

có thể làm giảm số lượng từ mà không ảnh hưởng đến nội dung tài liệu

Ví dụ như những từ: “clusters”, “clustering”, “clustered” là có cùng mối quan hệ với từ “cluster”

Giải thuật stemming cần được xây dựng cẩn thận, nếu chỉ sử dụng một tập các quy tắc đơn giản để loại bỏ tiền tố/hậu tố thì có thể dẫn đến hậu quả là sinh ra

các từ không chính xác Tuy nhiên các từ trong tiếng Việt không có sự biến đổi

hình thái này nên ta không cần áp dụng kỹ thuật này trong quá trình tách các từ Tiếng Việt

3.2.2 Bảng trọng số

Nếu các từ khóa được lựa chọn được coi là các từ mô tả đúng đắn về tài liệu thì việc giới thiệu lược đồ trọng số có thể xem là cách tiếp cận cục bộ để xác định tầm quan trọng của mỗi từ khóa đối với việc mô tả tài liệu Bảng trọng số đơn giản nhất chỉ là một bảng nhị phân mà các từ khóa xuất hiện trong tài liệu thì có trọng

số là 1 và trọng số là 0 trong các trường hợp khác Trực quan hơn là dạng bảng trọng số thể hiện được tần số xuất hiện của các từ khóa trong tài liệu

dij = tfij tần số của từ thứ j trong tài liệu i

Bảng 3- 2: Ví dụ bảng trọng số của các tài liệu

Trọng số tần số thuật ngữ - nghịch đảo tần số tài liệu (Term Frequency - Inverse Document Frequency weighting)

Bảng trọng số được sử dụng nhiều nhất là TD*IDF (tần số từ - nghịch đảo của tần số tài liệu) và các dạng biến đổi của nó Cơ sở khoa học của công thức TD*IDF là các từ xuất hiện nhiều hơn trong một tài liệu (thừa số tf) sẽ đặc tả ý nghĩa của tài liệu tốt hơn là các từ xuất hiện ít Tuy nhiên, các từ xuất hiện thường xuyên trong các tài liệu trong tập tài liệu thì có ít giá trị trong việc phân biệt nội dung tài liệu, vì vậy thừa số idf được sử dụng để làm giảm vai trò của các từ khóa xuất hiện nhiều trong toàn bộ nhóm tài liệu

Giả sử t1,t2,…,tm là ký hiệu các từ trong toàn bộ tập tài liệu và d1,d2, ,dn là các tài liệu trong tập tài liệu Theo công thức TD*IDF, trọng số của mỗi từ tj trong

tài liệu di được định nghĩa [15] là:

w ij = tf ij ∗ log(n/df j )

trong đó tfij (tần số từ ) – là số lần từ tj xuất hiện trong tài liệu di, dfj (tần số tài liệu) là số tài liệu trong tập tài liệu có chứa từ khóa tj Thừa số log(N/dfj ) được gọi

là nghịch đảo của tần số tài liệu của từ

Chuẩn hóa độ dài tài liệu

Khi các tài liệu trong bộ tài liệu có thể có chiều dài khác nhau, có thể có một trường hợp các tài liệu lớn có thể chi phối không gian tài liệu (các thành phần của vectơ của nó có giá trị lớn hơn đáng kể so với các tài liệu khác) là nguyên nhân gây sai lệch quá trình phân cụm, giải pháp không chính xác Để khắc phục vấn đề này,

độ dài chuẩn thường được áp dụng trong các vector tài liệu

Bảng 3- 3: Ví dụ trọng số cho các tài liệu trong bảng 3-2 Trọng số của vector tài

liệu được chuẩn hóa bằng độ dài của nó

iy x

1

Hệ số góc

Y X

Y X



2

t

i

i i

y x

y x

2 2

1

2

Hệ số cosin 1/2 1/2

Y X

Y X

t

i

i i

y x

y x

2 2

1

Hệ số Jaccard

Y X Y X

Y X

i

t

i

i i

y x y

x

y x

2 2

3.2.4 Biểu diễn cụm

Lựa chọn cách biểu diễn cụm rất cần thiết cho các thuật toán phân cụm Cách biểu diễn cụm tốt không chỉ giúp tính toán số đặc trưng của văn bản thuộc vào mỗi cụm mà còn giúp xác định một cách thỏa đáng mức độ mà mỗi đặc trưng góp phần vào việc mô tả nội dung của cụm Với cách tiếp cận theo không gian vector, một cụm thường được biểu diễn như là tâm của vector (trọng tâm) của cụm các tài liệu

Cho một cụm Ck = {dk1, dk2, , dkm }, ta có thể định nghĩa tổ hợp vector Dk của cụm

3.3 Các giải thuật phân cụm

Dựa trên cách tiếp cận có thể chia các giải thuật phân cụm thành 4 nhóm khác nhau là:

- Phương pháp phân cụm dựa vào phân cấp

- Phương pháp dựa vào phân hoạch

- Phương pháp phân cụm dựa vào mật độ

- Phương pháp phân cụm dựa trên lưới

Đối với đối tượng dữ liệu là tập tài liệu thì người ta sử dụng mô hình không

gian vectơ để biểu diễn và đã có nhiều giải thuật phân cụm được đề xuất cho mô hình này nhưng dựa trên các phương pháp tiếp cận có thể phân các giải thuật này thành hai loại: phương pháp phân cụm phân hoạch và thứ hai theo phương pháp phân cụm phân cấp

3.3.1 Phương pháp phân cụm phân cấp

Phương pháp này còn gọi là phương pháp phân cụm cây, trong đó sắp xếp

một tập dữ liệu đã cho thành một cấu trúc có dạng hình cây, cây phân cấp này được

xây dựng theo kỹ thuật đệ quy Cây phân cụm có thể được xây dựng theo hai phương pháp tổng quát: phương pháp từ dưới lên (Bottom - up) và phương pháp từ trên xuống (Top - down) Các thuật toán theo phương pháp từ dưới lên còn gọi là thuật toán trộn còn phương pháp từ trên xuống còn được gọi là phương pháp tách

Kĩ thuật tiếp cận bottom-up: Bắt đầu xuất phát khởi tạo mỗi một nhóm tương ứng với mỗi một đối tượng và sau đó tiến hành hòa nhập đối tượng dựa vào

độ đo tương tự giữa các nhóm Quá trình này được lặp lại cho đến khi tất cả các nhóm được hòa nhập thành một nhóm (mức cao nhất của cây phân cấp) hoặc cho đến khi thỏa mãn điều kiện kết thúc Cách tiếp cận này sử dụng chiến lược tham lam trong quá trình sát nhập

Giải thuật phân cụm phân cấp

Input: tập đối tượng d1, , dn, độ đo tương tự (di, dj), i j; i, j = 1 n

Hình 3.1 Phân cụm phân cấp

Có nhiều phương thức đo mức độ tương tự giữa các nhóm, với mỗi phương thức sẽ thu được các kết quả khác nhau:

- Single-linked: khoảng cách giữa hai nhóm được định nghĩa là khoảng

cách bé nhất giữa hai đối tượng thuộc hai nhóm khác nhau

- Complete-linked : ngược với single-linked, khoảng cách giữa hai

nhóm được định nghĩa là khoảng cách lớn nhất giữa hai đối tượng thuộc hai nhóm khác nhau

- Average-linked: khoảng cách giữa hai nhóm được định nghĩa là

khoảng cách trung bình của tất cả các cặp đối tượng, trong cặp đó mỗi đối tượng thuộc về một nhóm khác nhau

Độ phức tạp tính toán của giải thuật phân cụm phân cấp là O(n2

logn) và chi phí bộ nhớ O(n2), trong đó n là số đối tượng (tài liệu) Giải thuật này là không hiệu quả đối với tập đối tượng cực lớn Khi đó ta áp dụng phương pháp phân cụm phân hoạch

3.3.2 Phương pháp phân cụm phân hoạch

Kĩ thuật này xây dựng một phân hoạch của tập dữ liệu n đối tượng thành tập k

nhóm theo điều kiện tối ưu Khởi đầu, giải thuật phân cụm phân hoạch K-Means là được sử dụng nhiều nhất và sau đó có thêm các kiểu cải tiến thay đổi của nó

K-Means là thuật toán phân cụm được định nghĩa theo phần tử đại diện, nghĩa

là mỗi nhóm được xác định bởi tâm của nhóm Phương pháp này dựa vào độ đo

khoảng cách giữa các đối tượng trong cụm Trong thực tế, phần tử trung tâm thường được xác định theo trung bình khoảng cách giữa các đối tượng trong mỗi cụm Thuật toán K- Means bắt đầu với việc chọn ngẫu nhiên các phần tử để khởi tạo một tập các phần tử trung tâm cụm Sau đó thực hiện xác lập cụm theo các tâm cụm (phần tử nào gần với tâm cụm nào nhất thì sẽ thuộc vào cụm đó) và xác định lại tâm cụm Thực hiện lặp lại cho đến khi thỏa điều kiện hội tụ

Độ phức tạp tính toán của giải thuật K-means tương đối thấp (kn), trong đó

k là số nhóm, n là số đối tượng (tài liệu) Vì vậy giải thuật này được đánh giá là

thích hợp trong việc ứng dụng phân cụm tập tài liệu kích thước lớn

Giải thuật K-Means

Input: Tập n đối tượng, số cụm k

Output: Một tập gồm K cụm thỏa mãn điều kiện cực tiểu hóa hàm mục tiêu E Thuật toán:

Bước 1: Lựa chọn ngẫu nhiên k phần tử để khơi tạo cho k cụm

Bước 2: Phân các đối tượng vào cụm mà nó gần tâm nhất

Bước 3: Xác định lại tâm của mỗi cụm

Bước 4: Quay lại bước 2, hoặc dừng khi không hoặc còn ít sự thay đổi

3.3.3 Thuật toán phân cụm bán giám sát Seeded - KMeans

Phân cụm bán giám sát là phương pháp sử dụng các thông tin bổ trợ để hướng dẫn cho quá trình phân cụm Các thông tin bổ trợ có thể được cho dưới dạng tập các cặp ràng buộc hoặc một tập nhỏ một số dữ liệu được gán nhãn Một số công trình nghiên cứu gần đây đã dùng thông tin bổ trợ trong việc phân cụm [4,5,6,7]

Đối với phương pháp phân cụm nửa giám sát dựa trên tập dữ liệu được gán nhãn, để hình thành nên các cụm giống nhằm khởi tạo cho một thuật toán phân cụm hoặc để sinh ra các ràng buộc dẫn dắt quá trình phân cụm, người ta sẽ sử dụng tập dữ liệu được gán nhãn

Bài toán phân cụm nửa giám sát dựa trên tập dữ liệu được gán nhãn được phát biểu như sau: Cho một tập dữ liệu ban đầu  N1

i i

X  x  , gọi S X là tập giống

(tập dữ liệu đã gán nhãn) trong đó với mỗi đối tượng x j S người dùng cung cấp cho nó một phân hoạch (cụm) X h Giả sử rằng bất kể cụm nào trong X cũng có ít nhất một đối tượng x j thuộc tập giống Người ta phân hoạch tập giống S thành K

cụm giống tách rời  K1

h h

S  , do đó mọi đối tượng x j Sh đều nằm trong cụm X h

tương ứng Nhiệm vụ cần giải quyết là từ K cụm giống  K1

Thuật toán Seeded-KMeans

Seeded-Kmeans là thuật toán phân cụm bán giám sát điển hình dựa trên tập dữ liệu đã được người dùng gán nhãn được Basu đề xuất năm 2002

Thuật toán Seeded-KMeans sử dụng các cụm giống S h để khởi tạo cho thuật toán K-Means Do vậy thay vì phải khởi tạo K cụm ngẫu nhiên chúng ta khởi tạo chúng từ K cụm giống

Thuật toán Seeded-KMeans

Input: - Tập các đối tượng dữ liệu X x1 , ,x N,x id

   , với h = 1, K; t0

Bước 2: Gán cụm: Gán mỗi đối tượng dữ liệu x vào cụm h*

Bước 5: Dừng nếu hội tụ hoặc quay lại bước 2

3.3.4 Tiêu chuẩn sự tối ưu

Trong cách tiếp cận dựa trên phân hoạch sự phân cụm thường tuân theo một tiêu chuẩn tối ưu toàn cục Một số tiêu chuẩn thường được sử dụng là (xem [22]):

Cực đại hóa sự tương tự nội bộ (Maximize internal similarity)

Tiêu chuẩn này dựa trên yêu cầu các tài liệu trong một cụm phải tương tự với các tài liệu khác Do đó giải pháp đưa vào một cụm là cực đại hóa độ tương tự nội

bộ (bên trong cụm) giữa các tài liệu

Cực đại hóa độ tương tự trọng tâm tài liệu

Cực đại hóa toàn bộ sự tương tự giữa mỗi tài liệu và trọng tâm cụm là tiêu chuẩn chung cho các thuật toán không gian vector K-means [7, 18]:

2 1

cách cực tiểu hóa độ tương tự với trọng tâm của toàn bộ tập tài liệu đã được đề xuất [22]:

3.3.5 Gán cứng và gán mềm

Đối với một số ứng dụng, đặc biệt là với văn bản, khi gán tài liệu vào một cụm, một trong có thể ta muốn định lượng một tài liệu có quan hệ với một cụm bằng một giá trị thực phù hợp Giá trị đó được gọi là mức độ thành viên (the membership degree) Trong phân cụm tài liệu nếu chúng ta coi các cụm như là tập các tài liệu thuộc cùng chủ đề thì về bản chất một tài liệu có thể nói về một vài chủ

đề và có thể gán vào một vài cụm Thuật toán sử dụng quan điểm trên được gọi là

sử dụng phép gán mềm hoặc mờ với các cụm phủ nhau Ngược lại thuật toán với phép gán cứng chỉ cho phép mỗi văn bản chỉ thuộc vào duy nhất một cụm mà không quan tâm đến độ định lượng của quan hệ

3.4 Các bước thực hiện phân cụm

1 Xây dựng thủ tục biểu diễn đối tượng,

2 Xây dựng hàm tính độ tương tự,

3 Xây dựng các tiêu chuẩn phân cụm,

4 Xây dựng mô hình cho cấu trúc cụm dữ liệu,

5 Xây dựng thuật toán phân cụm và xác lập các điều kiện khởi tạo,

6 Đánh giá kết quả phân cụm

3.5 Đánh giá kết quả phân cụm

Làm thế nào để đánh giá được chất lượng cụm? Trong thực tế, không có một tiêu chuẩn tuyệt đối nào, tùy theo các mục đích phân cụm sẽ có các tiêu chuẩn cụm khác nhau phù hợp với yêu cầu sử dụng Các tiêu chuẩn này được người sử dụng đưa ra tùy theo từng bài toán phân cụm cụ thể

Tuy nhiên, nhìn chung một phương thức phân cụm được đánh giá là tốt nếu tạo ra được các cụm có chất lượng cao, tức là các đối tượng trong cùng cụm có mức tương tự với nhau rất cao, còn các đối tượng không cùng cụm mức tương tự rất thấp (phi tương tự) Ngoài ra, chất lượng của phương pháp phân cụm còn được đánh giá bằng khả năng khám phá một vài hoặc tất cả cấu trúc ẩn bên trong nó

Ta có thể tổng quát rằng, bản chất của việc phân cụm là xác định các đối tượng tương tự nhau để nhóm lại thành cụm Do đó, chất lượng của kết quả phân cụm phụ thuộc chủ yếu hàm độ đo tương tự Vậy hàm độ đo tương tự đóng vai trò quyết định chất lượng cụm dữ liệu

3.6 Phân cụm kết quả tìm kiếm web

Mặc dù xuất phát từ phân cụm tài liệu, các phương pháp phân cụm kết quả tìm kiếm web lại khác so với các thuật toán phân cụm trước đó về nhiều mặt Đáng chú ý nhất, các thuật toán phân cụm tài liệu làm việc trên tập dữ liệu văn bản dài (hay các văn bản tóm tắt) với số lượng lớn Ngược lại, các thuật toán phân cụm kết quả tìm kiếm web làm việc trên các tập tài liệu có độ dài trung bình (khoảng vài

trăm phần tử với độ dài từ 10-20 từ) Trong phân cụm tài liệu, yếu tố quan trọng là chất lượng của các cụm và khả năng mở rộng với độ lớn của số lượng tài liệu vì

nó thường sử dụng để phân cụm toàn bộ tập tài liệu Đối với phân cụm kết quả tìm kiếm web, ngoài việc cung cấp các cụm chất lượng tốt, nó còn cần tạo ra các mô tả ngắn gọn xúc tích và có ý nghĩa cho nhóm Ngoài ra, các thuật toán phải rất nhanh, cho kết quả ngay lập tức (vì phải xử lý các kết quả tìm kiếm ngay trước khi hiển thị đến người sử dụng) và phải mở rộng được qui mô với sự gia tăng yêu cầu của người sử dụng

Phân cụm tài liệu Phân cụm kết quả tìm kiếm webCác tài liệu dài (hoặc các văn bản tóm

liệu

Khả năng mở rộng với số truy vấn của người dùng

Hình 3- 3 So sánh giữa phân cụm tài liệu và phân cụm kết quả tìm kiếm web

3.7 Các phương pháp tách từ tiếng Việt

3.7.1 Đặc điểm từ trong tiếng Việt

Khác với Tiếng Anh, từ là một nhóm ký tự liên tiếp có ý nghĩa được phân cách nhau bằng các khoảng trắng hoặc dấu câu, đơn vị cơ bản trong Tiếng Việt là tiếng không phải là từ, một từ trong tiếng Việt có thể gồm một hoặc nhiều tiếng

Từ tiếng Việt có một số đặc điểm chính như sau:

- Từ ở dạng nguyên thể, hình thức và ý nghĩa của từ độc lập với cú pháp

- Từ được cấu trúc từ “tiếng”

- Từ bao gồm từ đơn (từ một tiếng) và từ phức (n-tiếng, với n <= 5), bao

gồm từ láy và từ ghép

Như vậy, từ Tiếng Việt và từ Tiếng Anh có những đặc điểm khác biệt chính như bảng dưới đây

Nhận dạng từ Tổ hợp các tiếng liên tiếp

có nghĩa dựa vào ngữ cảnh sử dụng

Cách nhau bởi các khoảng trắng hoặc dấu câu

Từ loại Không thống nhất Định nghĩa rõ ràng

Bảng 3- 5 So sánh các đặc điểm khác nhau giữa tiếng Anh và tiếng Việt

Từ những đặc điểm khác biệt trên, khi phân tách văn bản tiếng Việt thành các

từ có nhiều khó khăn hơn so với việc phân tách từ Tiếng Anh Các phần dưới đây

sẽ trình bày một số phương pháp tách từ Tiếng Việt đang được sử dụng hiện nay

3.7.2 Phương pháp so khớp cực đại

Phương pháp so khớp cực đại (MM - Maximum Matching) hay còn gọi là so khớp cực đại từ trái qua phải (LRMM - Left Right Maximum Matching) Ở phương pháp này, chúng ta sẽ duyệt một ngữ hoặc câu từ trái sang phải và chọn từ

có nhiều âm tiết nhất có mặt trong từ điển và cứ thực hiện lặp lại như vậy cho đến hết câu

Với tư tưởng đó, phương pháp này thực hiện tách từ đơn giản, nhanh và chỉ cần dựa vào từ điển để thực hiện Tuy nhiên, khuyết điểm của phương pháp này cũng chính là từ điển, nghĩa là độ chính xác khi thực hiện tách từ phụ thuộc hoàn toàn vào tính đủ, tính chính xác của từ điển hơn nữa nó cũng tách từ sai trong một

số trường hợp đặc biệt như câu: Học sinh học sinh học

3.7.3 Phương pháp học cải biến

Phương pháp này tiếp cận dựa trên tập ngữ liệu đã đánh dấu.Theo cách tiếp cận này để cho máy tính có thể nhận biết ranh giới giữa các từ để có thể tách từ chính xác, chúng ta sẽ cho máy học các câu mẫu trong tập ngữ liệu đã được đánh dấu ranh giới giữa các từ đúng

Ta thấy phương pháp rất đơn giản, vì chỉ cần cho máy học các tập câu mẫu và sau đó máy sẽ tự rút ra qui luật của ngôn ngữ và để từ đó sẽ áp dụng chính xác khi

có những câu đúng theo luật mà máy đã rút ra Và rõ ràng để tách từ được hoàn toàn chính xác trong mọi trường hợp thì đòi hỏi phải có một tập ngữ liệu tiếng Việt thật đầy đủ và phải được huấn luyện lâu để có thể rút ra các luật đầy đủ

Mô hình mạng chuyển dịch trạng thái hữu hạn có trọng số (WFST – Weighted Finit State Transducer) đã được áp dụng trong tách từ từ năm 1996 Ý tưởng cơ bản là áp dụng WFST với trọng số là xác suất xuất hiện của mỗi từ trong kho ngữ liệu Dùng WFST để duyệt qua các câu cần xét, khi đó từ có trọng số lớn nhất là từ được chọn để tách Phương pháp này cũng đã được sử dụng trong công trình đã được công bố của tác giả Đinh Điền [2001], tác giả đã sử dụng WFST kèm với mạng Neural để khử nhập nhằng khi tách từ, trong công trình tác giả đã xây dựng

hệ thống tách từ gồm tầng WFST để tách từ và xử lý các vấn đề liên quan đến một

số đặc thù riêng của ngôn ngữ tiếng Việt như từ láy, tên riêng, và tầng mạng

Neural dùng để khử nhập nhằng về ngữ nghĩa sau khi đã tách từ (nếu có)

Theo công bố trong công trình của tác giả, mô hình này đạt được độ chính xác trên 97% Tác giả sử dụng thêm mạng Neural kết hợp với từ điển để khử các nhập nhằng có thể có khi tách ra nhiều từ có được từ một câu; tầng mạng Neural sẽ loại bỏ đi các từ không phù hợp bằng cách kết hợp với từ điển Bên cạnh đó, cũng tương tự như phương pháp TBL điểm quan trọng của mô hình này cần tập ngữ liệu học đầy đủ

3.7.5 Phương pháp tách tách từ tiếng Việt dựa trên thống kê từ Internet và

thuật giải di truyền

Phương pháp tách tách từ tiếng Việt dựa trên thống kê từ Internet và thuật giải

di truyền (IGATEC - Internet and Genetics Algorithm based Text Categorization for Documents in Vietnamese) do H Nguyễn đề xuất năm 2005 như một hướng tiếp cận mới trong tách từ với mục đích phân loại văn bản mà không cần dùng đến một từ điển hay tập ngữ liệu học nào Trong hướng tiếp cận này, tác giả kết hợp giữa thuật toán di truyền với dữ liệu thống kê được lấy từ Internet

Theo cách tiếp cận của tác giả, hệ thống tách từ gồm 2 thành phần

Lấy thông tin trực tuyến (Online Extractor): Thành phần này có tác dụng

lấy thông tin về tần số xuất hiện của các từ trong văn bản bằng cách sử dụng một search engine nổi tiếng như Google hay Yahoo chẳng hạn Sau đó, tác giả sử dụng các công thức thích hợp (xem [4]) để tính toán mức độ phụ thuộc lẫn nhau để làm

cơ sở tính fitness cho GA engine

Tách từ bằng thuật giải di truyền: mỗi cá thể trong quan thể được biểu diễn

bởi chuỗi các bit 0,1, trong đó, mỗi bit đại diện cho một tiếng trong văn bản, mỗi nhóm bit cùng loại đại diện cho cho một đoạn Các cá thể trong quần thể được khởi tạo ngẫu nhiên, trong đó mỗi đoạn được giới hạn trong khoảng 5 GA engine sau

đó thực hiện các bước đột biến và lai ghép nhằm mục đích làm tăng giá trị fitness của các cá thể để đạt được cách tách từ tốt nhất có thể

Chương 4: LÝ THUYẾT TẬP THÔ 4.1 Giới thiệu

Lý thuyết tập thô (rough set theory) lần đầu tiên được đề xuất bởi Z Pawlak

vào đầu những năm 1980 và nhanh chóng được xem như một công cụ xử lý các thông tin mơ hồ và không chắc chắn Lý thuyết tập thô là một công cụ hữu ích được sử dụng nhiều trong việc phân tích và phân lớp dữ liệu Lý thuyết tập thô đã được áp dụng thành công trong nhiều tác vụ khác nhau như: Trích chọn các đặc trưng, tổng hợp ra các luật và phân cụm dữ liệu

Lý thuyết tập thô dựa trên giả thiết rằng để định nghĩa một tập hợp, chúng ta cần phải có thông tin về mọi đối tượng trong tập vũ trụ, quan điểm này hoàn toàn khác với quan điểm truyền thống của tập hợp là mọi tập hợp đều được định nghĩa duy nhất bởi các phần tử của nó mà không cần biết bất kỳ thông tin nào về các phần tử của tập hợp Vấn đề nổi bật của lý thuyết tập thô là việc đưa ra ý tưởng về

tính mơ hồ của tri thức hay hệ thông tin; nó dựa trên khái niệm xấp xỉ dưới (Lower approximation) và xấp xỉ trên (Upper approximation) của hệ thông tin Xấp xỉ

dưới của một hệ thông tin cho một khái niệm C là tập hợp các đối tượng chắc chắn thuộc về khái niệm C; trong khi đó xấp xỉ trên của một hệ thông tin cho khái niệm

C là tập hợp các đối tượng có thể thuộc về khái niệm C Vùng khác biệt giữa xấp xỉ

trên và xấp xỉ dưới được gọi là vùng biên (Boundary region) đó là những đối tượng

không thể quyết định được là có thuộc khái niệm C (xem hình 4.1)

Trong chương này chúng ta sẽ nghiên cứu các khái niệm và ý nghĩa cơ bản của lý thuyết tập thô Đây là những kiến thức quan trọng cho việc áp dụng tập thô vào phân cụm kết quả tìm kiếm web