ĐỀ ÁN
Áp dụng kỹ thuật phân
cụm dữ liệu trong phân
cụm kết quả tìm kiếm
1
Áp dụng kỹ thuật phân cụm dữ liệu trong phân cụm kết quả tìm kiếm
The Application of data clustering technique in the
result classification data searching
Vũ Đức Thi
1
, Hoàng Văn Dũng
2
Abstract
Nowadays, searching information with big data is one of main subjects for
data mining. In this paper we would like to introduce an approach to search and
classify web documents by using data clustering technique, we solve the
mathematical problem according to three main phases: search Web documents,
data preprocessing, presenting data with vector models and cluster web
documents.
Từ khóa: data mining, phân cụm dữ liệu, phân cụm Web…
1. Giới thiệu
Ngày nay, nhờ sự cải tiến không ngừng của các Search engine về cả chức
năng tìm kiếm lẫn giao diện 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 trăm 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, ta có thể nhóm các kết quả
tìm kiếm thành các nhóm theo từng chủ đề, khi đó người dùng 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 tìm kiếm một cách hiệu quả hơn. Tuy
nhiên vấn đề phân cụm tài liệu 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 bài báo này,
ta sẽ xem xét khía cạnh sử dụng kỹ thuật phân cụm để phân nhóm tài liệu Web
dựa trên kho dữ liệu đã được tìm kiếm và lưu trữ.
1
Viện CNTT, Viện Khoa học - Công nghệ Việt Nam
2
Trường ĐH Quảng Bình
2
2. Hướng tiếp cận bằng kỹ thuật phân cụm
Hiện nay, để xác định mức độ quan trọng của một trang web chúng ta có
nhiều cách đánh giá như PageRank, HITS, …Tuy nhiên, các phương pháp đánh
giá này chủ yếu đều dựa vào các liên kết để xác định trọng số cho các trang.
Ta có thể tiếp cận cách đánh giá mức độ quan trọng theo một hướng khác
đó là dựa vào nội dung của các tài liệu để xác định trọng số cho trang, nếu các
tài liệu "tương tự" về mặt nội dung thì sẽ có mức độ quan trọng tương đương và
sẽ thuộc về cùng một nhóm.
Giả sử S là tập các trang web đang xem xét, tìm trong tập S các trang chứa
nội dung truy vấn ta được tập R. Sử dụng thuật toán phân cụm để phân tập R
thành k cụm (k xác định) sao cho các phần tử trong cụm là “tương tự” nhau nhất
và các phần tử ở các cụm khác nhau thì “phi tương tự” với nhau.
Từ tập S-R, ta tìm cách 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 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, ta
đánh trọng số cho các cụm và các trang trong tập kết quả theo thuật toán sau:
Đầu vào: tập dữ liệu D chứa các trang gồm k cụm và k trọng tâm
Đầu ra: trọng số của các trang
Phương pháp
B1: Mỗi cụm dữ liệu thứ m và trọng tâm Cm ta gán cho nó 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.
B2: Với mỗi trang p trong cụm m ta xác định trọng số trang là pw. Với mọi
pi, pj bất kỳ ta luôn có pwi>pwj nếu pi gần trọng tâm hơn pj.
Hình 1. Thuật toán đánh trọng số cụm và trang
Như vậy, theo cách tiếp cận này sẽ giải quyết được các vấn đề sau:
+ Kết quả tìm kiếm sẽ được phân thành các cụm theo các chủ đề khác nhau,
tùy vào yêu cầu cụ thể người dùng sẽ xác định chủ đề mà họ cần để tìm kiếm.
3
+ Quá trình tìm kiếm và xác định trọng số cho các trang chủ yếu tập trung
vào nội dung của trang hơn là dựa vào các liên kết trang.
+ Giải quyết được vấn đề từ/cụm từ đồng nghĩa trong truy vấn.
+ Có thể kết hợp phương pháp phân cụm trong lĩnh vực khai phá dữ liệu
với các phương pháp tìm kiếm đã có nhằm nâng cao chất lượng tìm kiếm.
Hiện tại, có một số thuật toán phân cụm dữ liệu thường 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.
3. Quá trình tìm kiếm và phân cụm tài liệu
Về cơ bản, quá trình phân cụm kết quả tìm kiếm sẽ diễn ra theo các bước
chính được thể hiện như Hình 2 [14]:
- Tìm kiếm các trang Web từ các Website thỏa mãn nội dung truy vấn.
- Trích rút thông tin mô tả từ các trang và lưu trữ nó cùng với các URL
tương ứng.
- Sử dụng kỹ thuật phân cụm dữ liệu để phân cụm tự động các trang Web
thành các cụm, sao cho các trang trong cụm “tương tự” về nội dung với nhau
hơn các trang ngoài cụm.
Hình 2. Các bước phân cụm kết quả tìm kiếm trên Web
Dữ liệu web
Tìm kiếm và
trích rút dữ liệu
Tiền xử lý
Biểu diễn
dữ liệu
Phân cụm và xác
định trọng số trang
4
3.1. Tìm kiếm dữ liệu trên Web
Nhiệm vụ chủ yếu của giai đoạn này là dựa vào tập từ khóa tìm kiếm để
tìm kiếm và trả về tập gồm toàn văn tài liệu, tiêu đề, mô tả tóm tắt, URL,…
tương ứng với các trang đó.
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 lần sau (tương tự như
các Search Engine Yahoo, Google,…). Mỗi phần tử gồm toàn văn tài liệu, tiêu
đề, đoạn mô tả nội dung, URL,…
3.2. 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 cho quá trình xử lý.
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, ...
3.2.1. 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 dễ dàng trích ra các từ/cụm từ
phục vụ cho quá trình biểu diễn.
+ Chuyển các ký tự hoa thành các ký tự thường.
+ Xóa bỏ các dấu câu, xoá các ký tự trắng dư thừa, tab, ký tự xuống dòng,...
3.2.2. 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 rất 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 [2] cho thấy việc loại bỏ các từ dừng 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 xử lý. 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.