Tổng quan khai phá dữ liệu và ứng dụng

Luận văn tốt nghiệp

Tổng quan khai phá dữ liệu và
ứng dụng







Chương 1. TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU WEB
1.1. GIỚI THIỆU VỀ KHAI PHÁ DỮ LIỆU (DATAMING) VÀ KDD
1.1.1. Tại sao lại cần khai phá dữ liệu (datamining)
Khoảng hơn một thập kỷ trở lại đây, lượng thông tin được lưu trữ trên các
thiết bị điện tử (đĩa cứng, CD-ROM, băng từ, .v.v.) không ngừng tăng lên. Sự tích lũy
dữ liệu này xảy ra với một tốc độ bùng nổ
. Người ta ước đoán rằng lượng thông tin
trên toàn cầu tăng gấp đôi sau khoảng hai năm và theo đó số lượng cũng như kích cỡ
của các cơ sở dữ liệu (CSDL) cũng tăng lên một cách nhanh chóng. Nói một cách hình
ảnh là chúng ta đang “ngập” trong dữ liệu nhưng lại “đói” tri thức. Câu hỏi đặt ra là
liệu chúng ta có thể khai thác được gì từ những “núi” dữ liệu tưởng chừng như “bỏ đ

i”
ấy không ?
“Necessity is the mother of invention” - Data Mining ra đời như một hướng
giải quyết hữu hiệu cho câu hỏi vừa đặt ra ở trên []. Khá nhiều định nghĩa về Data
Mining và sẽ được đề cập ở phần sau, tuy nhiên có thể tạm hiểu rằng Data Mining như
là một công nghệ tri thức giúp khai thác những thông tin hữu ích từ những kho dữ liệu
được tích trữ trong suốt quá trình hoạt động của một công ty, tổ chức nào
đó.
1.1.2. Khai phá dữ liệu là gì?
Khai phá dữ liệu (datamining) được định nghĩa như là một quá trình chắt lọc
hay khai phá tri thức từ một lượng lớn dữ liệu. Một ví dụ hay được sử dụng là là việc
khai thác vàng từ đá và cát, Dataming được ví như công việc "Đãi cát tìm vàng" trong
một tập hợp lớn các dữ liệu cho trước. Thuật ngữ Dataming ám chỉ việc tìm kiếm một
tập hợp nhỏ
có giá trị từ một số lượng lớn các dữ liệu thô. Có nhiều thuật ngữ hiện
được dùng cũng có nghĩa tương tự với từ Datamining như Knowledge Mining (khai
phá tri thức), knowledge extraction(chắt lọc tri thức), data/patern analysis(phân tích dữ
liệu/mẫu), data archaeoloogy (khảo cổ dữ liệu), datadredging(nạo vét dữ liệu),
Định nghĩa: Khai phá dữ liệu là một tập hợp các kỹ thuật được sử dụng để tự
độ
ng khai thác và tìm ra các mối quan hệ lẫn nhau của dữ liệu trong một tập hợp dữ
liệu khổng lồ và phức tạp, đồng thời cũng tìm ra các mẫu tiềm ẩn trong tập dữ liệu đó.
Khai phá dữ liệu là một bước trong bảy bước của quá trình KDD (Knowleadge
Discovery in Database) và KDD được xem như 7 quá trình khác nhau theo thứ tự
sau:s
1. Làm sạch dữ liệu (data cleaning & preprocessing)s: Loại bỏ nhiễu và các dữ
liệu không cần thiết.
2. Tích hợp dữ liệu: (data integration): quá trình hợp nhất dữ liệu thành những
kho dữ liệu (data warehouses & data marts) sau khi đã làm sạch và tiền xử lý (data
cleaning & preprocessing).

3. Trích chọn dữ liệu (data selection): trích chọn dữ liệu từ những kho dữ liệu
và sau đó chuyển đổi về dạng thích hợp cho quá trình khai thác tri thức. Quá trình này
bao gồm cả vi
ệc xử lý với dữ liệu nhiễu (noisy data), dữ liệu không đầy đủ
(incomplete data), .v.v.
4. Chuyển đổi dữ liệu: Các dữ liệu được chuyển đổi sang các dạng phù hợp
cho quá trình xử lý
5. Khai phá dữ liệu(data mining): Là một trong các bước quan trọng nhất,
trong đó sử dụng những phương pháp thông minh để chắt lọc ra những mẫu dữ liệu.
6. Ước lượng mẫu (knowledge evaluation): Quá trình đánh giá các kế
t quả tìm
được thông qua các độ đo nào đó.
7. Biểu diễn tri thức (knowledge presentation): Quá trình này sử dụng các kỹ
thuật để biểu diễn và thể hiện trực quan cho người dùng.



Hình 1 - Các bước trong Data Mining & KDD
1.1.3. Các chức năng chính của khai phá dữ liệu
Data Mining được chia nhỏ thành một số hướng chính như sau:
• Mô tả khái niệm (concept description): thiên về mô tả, tổng hợp và tóm
tắt khái niệm. Ví dụ: tóm tắt văn bản.
• Luật kết hợp (association rules): là dạng luật biểu diễn tri thứ ở dạng khá
đơn giản. Ví dụ: “60 % nam giới vào siêu thị nếu mua bia thì có tới 80% trong số họ sẽ
mua thêm thịt bò khô”. Luật kế
t hợp được ứng dụng nhiều trong lĩnh vực kính doanh,
y học, tin-sinh, tài chính & thị trường chứng khoán, .v.v.
• Phân lớp và dự đoán (classification & prediction): xếp một đối tượng
vào một trong những lớp đã biết trước. Ví dụ: phân lớp vùng địa lý theo dữ liệu thời
tiết. Hướng tiếp cận này thường sử dụng một số kỹ thuật của machine learning như

cây quyết định (decision tree), mạ
ng nơ ron nhân tạo (neural network), .v.v. Người ta
còn gọi phân lớp là học có giám sát (học có thầy).
• Phân cụm (clustering): xếp các đối tượng theo từng cụm (số lượng cũng
như tên của cụm chưa được biết trước. Người ta còn gọi phân cụm là học không giám
sát (học không thầy).
• Khai phá chuỗi (sequential/temporal patterns): tương tự như khai phá
luật kết hợp nhưng có thêm tính thứ tự và tính thời gian. Hướng tiếp c
ận này được ứng
dụng nhiều trong lĩnh vực tài chính và thị trường chứng khoán vì nó có tính dự báo
cao.
1.1.4. Ứng dụng của khai phá dữ liệu
Data Mining tuy là một hướng tiếp cận mới nhưng thu hút được rất nhiều sự
quan tâm của các nhà nghiên cứu và phát triển nhờ vào những ứng dụng thực tiễn của
nó. Chúng ta có thể liệt kê ra đây một số ứng dụng điển hình:
• Phân tích dữ
liệu và hỗ trợ ra quyết định (data analysis & decision
support)
• Điều trị y học (medical treatment)
• Text mining & Web mining
• Tin-sinh (bio-informatics)
• Tài chính và thị trường chứng khoán (finance & stock market)
• Bảo hiểm (insurance)
• Nhận dạng (pattern recognition)
• .v.v.
1.2. CƠ SỞ SỮ LIỆU HYPERTEXT VÀ FULLTEXT
1.2.1. Cơ sở dữ liệu FullText
Dữ liệu dạng FullText là một dạng dữ liệu phi cấu trúc với thông tin chỉ gồm
các tại liệu dạng Text. Mỗi tài liệu chứa thông tin về một vấn đề nào đó thể hiện qua
nội dung của tất cả các từ cấu thành tài liệu

đó. Ý nghĩa của mỗi từ trong tài liệu
khkông cố định mà tuỳ thuộc vào từng ngữ cảnh khác nhau sẽ mang ý nghĩa khác
nhau. Các từ trong tài liệu được liên kết với nhau theo một ngôn ngữ nào đó.
Trong các dữ liệu hiện nay thì văn bản là một trong những dữ liệu phổ biến
nhất, nó có mặt ở khắp mọi nơi và chúng ta thường xuyên bắt gặp do đó các bài toán
về xử lý văn bản
đã được đặt ra khá lâu và hiện nay vẫn là một trong những vấn đề
trong khai phá dữ liệu Text, trong đó có những bài toán đáng chú ý như tìm kiếm văn
bản, phân loại văn bản, phân cụm văn bản hoặc dẫn đường văn bản
CSDL full_text là một dạng CSDL phi cấu trúc mà dữ liệu bao gồm các tài
liệu và thuộc tính của tài liệu. Cơ sở dữ liệu Full_Text thường được tổ chức như môt
tổ hợp của hai thành phần: Một CSDL có cấu trúc thông thường (chứa đặc điểm của
các tài liệu) và các tài liệu






Nội dung cuả tài liệu được lưu trữ gián tiếp trong CSDL theo nghĩa hệ thống
chỉ quản lý địa chỉ lưu trữ nội dung.
Cơ sở dữ liệu dạng Text có thể chia làm hai loại sau:
Dạng không có cấu trúc (unstructured): Những văn bản thông thường mà
chúng ta thường đọc hàng ngày đượ
c thể hiện dưới dạng tự nhiên của con người và nó
CSDL Full-Text
CSDL có cấu trúc chứa đặc điểm
của các tài li
ệ
u

Các tài liệu
không có một cấu trúc định dạng nào. VD: Tập hợp sách, Tạp chí, Bài viết được quản
lý trong một mạng thư viện điện tử.
Dạng nửa cấu trúc (semi-structured): Những văn bản được tổ chức dưới dạng
cấu trúc không chặt chẽ như bản ghi các ký hiệu đánh dấu văn bản và vẫn thể hiện
được nội dung chính của văn bản, ví dụ như các d
ạnh HTML, email,
Tuy nhiên việc phân làm hai loại cũng không thật rõ ràng, trong các hệ phần
mềm, người ta thường phải sử dụng các phần kết hợp lại để thành một hệ như trong cá
hệ tìm tin (Search Engine), hoặc trong bài toán tìm kiếm văn bản (Text Retrieval), một
trong những lĩnh vực qua tâm nhất hiện nay. Chẳng hạn trong hệ tìm kiếm như Yahoo,
Altavista, Google đều tổ chức dữ liệu theo các nhóm và thư mục, mỗi nhóm lại có
thể có nhiề
u nhóm con nằm trong đó. Hệ Altavista còn tích hợp thêm chương trình
dịch tự động có thể dịch chuyển đổi sang nhiều thứ tiếng khác nhau và cho kết quả khá
tốt.
1.2.2. Cơ sở dữ liệu HyperText
Theo từ điển của Đại học Oxford (Oxford English Dictionary Additions
Series) thì Hypertext được định nghĩa như sau: Đó là loại Text không phải đọc theo
dạng liên tục đơn, nó có thể được đọc theo các thứ tự khác nhau, đặc biệt là Text và
ảnh
đồ họa (Graphic) là các dạng có mối liên kết với nhau theo cách mà người đọc có
thể không cần đọc một cách liên tục. Ví dụ khi đọc một cuốn sách người đọc không
phải đọc lần lượt từng trang từ đầu đến cuối mà có thể nhảy cóc đến các đoạn sau để
tham khảo về các vấn đề họ quan tâm.
Như vậy văn bản HyperText bao gồm dạng chữ viết không liên tục, chúng
đượ
c phân nhánh và cho phép người đọc có thể chọn cách đọc theo ý muốn của mình.
Hiểu theo nghĩa thông thường thì HyperText là một tập các trang chữ viết được kết nối
với nhau bởi các liên kết và cho phép người đọc có thể đọc theo các cách khác nhau.

Như ta đã làm quen nhiều với các trang định dạng HTML, trong các trang có những
liên kết trỏ tới từng phần khác nhau của trang đó hoặc trỏ tới trang khác, và người đọc
sẽ đọc văn bản dự
a vào những liên kết đó.
Bên cạnh đó, HyperText cũng là một dạng văn bản Text đặc biệt nên cũng có
thể bao gồm các chữ viết liên tục (là dạng phổ biến nhất của chữ viết). Do không bị
hạn chế bởi tính liên tục trong HyperText, chúng ta có thể tạo ra các dạng trình bày
mới, do đó tài liệu sẽ phản ánh tốt hơn nội dung muốn diễn đạt. Hơn nữa người đọ
c có
thể chọn cho mình một cách đọc phù hợp chẳng hạn như đi sâu vào một vấn đề mà họ
quan tâm. Sáng kiến tạo ra một tậpc cá văn bản cùng với các con trỏ trỏ tới các văn
bản khác để liên kết một tập các văn bản có mối quan hệ voiứ nhau với nhau là một
cách thực sự hay và rất hữu ích để tổ chức thông tin. Với người viết, cách này cho
phép họ có thể thoải mái loại bỏ những băn khoăn về thứ tự trình bày, mà có thể tổ
chức vấn
đề thành những phần nhỏ, rồi sử dụng kết nối để chỉ ra mối liên hệ giữa các
phần nhỏ đó với nhau.
Với người đọc cách này cho phép họ có thể đi tắt trên mạng thông tin và quyết
định phần thông tin nào có liên quan đến vấn đề mà họ quan tâm để tiêp tục tìm hiểu.
So sánh với cách đọc tuyến tính, tức là đọc lần lượt thì HyperText đã cung cấp cho
chúng ta một giao diện để có thể
tiếp xúc với nội dung thông tin hiệu quả hơn rất
nhiều. Theo khía cạnh của các thuật toán học máy thì HyperText đã cung cấp cho
chúng ta cơ hội nhìn ra ngoài phạm vi một tài liệu để phân lớp nó, nghĩa là có tính cả
đến các tài liệu có liên kết với nó. Tất nhiên không phải tất cả các tài liệu có liên kết
đến nó đều có ích cho việc phân lớp, đặc biệt là khi các siêu liên kết có thể chỉ đến rất
nhiều loại các tài liệu khác nhau. Nhưng chắ
c chắn vẫn còn tồni tại tiềm năng mà con
người cần tiếp tục nghiên cứu về việc sử dụng các tài liệu liên kết đến một trang để
nâng cao độ chính xác phân lớp trang đó.

Có hai khái niệm về HyperText mà chúng ta cần quan tâm:
Hypertext Document (Tài liệu siêu văn bản): Là một tài liệu văn bản đơn trong
hệ thống siêu văn bản. Nếu tưởng tượng hệ thống siêu văn bản là một đồ th
ị, thì các tài
liệu tương ứng với các nút. Hypertext Link (Liên kết siêu văn bản): Là một tham chiếu
để nối một tài liệu HyperText này với một tài liệu HyperText khác. Các siêu liên kết
đóng vai trò như những đường nối trong đồ thị nói trên.
HyperText là loại dữ liệu phổ biến hiện nay, và cũng là loại dữ liệu có nhu cầu
tìm kiếm và phân lớp rấ lớn. Nó là dữ liệu phổ biến trên mạng thông tin Internet CSDL
HyperText với văn b
ản dạng “nửa cấu trúc” do xuất hiện thêm các “thẻ “: Thẻ cấu trúc
(tiêu đề, mở đầu, nội dung), thẻ nhấn trình bày chữ (đậm, nghiêng,…). Nhờ các thẻ
này mà chúng ta có thêm một tiêu chuẩn (so với tài liệu fulltext) để có thể tìm kiếm và
phân lớp chúng. Dựa vào các thẻ đã quy định trước chúng ta có thể phân thành các độ
ưu tiên khác nhaucho các từ khóa nếu chúng xuất hiện ở những vị trí khác nhau. Ví dụ
khi tìm kiếm các tài liệu có nội dung liên quan đến “people “ thì chúng ta đưa từ
khóa
tìm kiếm là “people”, và các tài liệu có từ khóa “poeple” đứng ở tiêu đề thì sẽ gần với
yêu cầu tìm kiếm hơn.

So s¸nh ®Æc ®iÓm cña d÷ liÖu Fulltext vµ d÷ liÖu trang web
Mặc dù trang Web là một dang đặc biệt của dữ liệu FullText, nhưng có nhiều
điểm khác nhau giữa hai loại dữ liệu này. Một số nhận xét sau đây cho thấy sự khác
nhau giữa dữ liệu Web và FullText. Sự khác nhau về đặc điểm là nguyên nhân chính
dẫn đến sự khác nhau trong khai phá hai loại dữ liệu này (phân lớp, tìm kiếm,…).
Một sơ đồ minh hoạ Hypertext Document như là các nút và các Hypertext Link như là
các liên kết giữa chúng
Một số đối sánh dưới đây về đặc điểm giữa dữ liệu Fulltext với dữ liệu trang
đã được trình bày trong [2].
STT

Trang web Văn bản thông thường (Fulltext)
1
Là dạng văn bản “nửa cấu trúc”.
Trong nội dung có phần tiêu đề và
có các thẻ nhấn mạnh ý nghĩa của
từ hoặc cụm từ
Văn bản thường là dạng văn bản “phi
cấu trúc”. Trong nội dung của nó
không có một tiêu chuẩn nào cho ta
dựa vào đó để đánh giá
2
Nội dung của các trang Web
thường đườn mô tả ngắn gọn, cô
đọng, có các siêu liên kết chỉ ra
cho người đọc đến những nơi
khác có nội dung liên quan
Nội dung của các văn bản thông
thường thường rất chi tiết và đầy đủ

3
Trong nội dung các trang Web có
chứa các siêu liên kết cho phép
liên kết các trang có nội dung liên
với nhau
Các trng văn bản thông thường không
liên kết được đến nội dung của các
trang khác

1.3. KHAI PHÁ DỮ LIỆU VĂN BẢN (TEXTMINING) VÀ KHAI PHÁ DỮ
LIỆU WEB (WEBMINING)

Như đã đề cập ở trên, TextMining (Khai phá dữ liệu văn bản) và WebMining
(Khai phá dữ liệu Web) là một trong những ứng dụng quan trọng của Datamining.
Trong phần này ta sẽ đi sâu hơn vào bài toán này.
1.3.1. Các bài toán trong khai phá dữ liệu văn bản
1. Tìm kiếm văn bản
a. Nội dung
Tìm kiếm văn bản là quá trình tìm kiếm văn bản theo yêu cầu của người dùng.
Các yêu cầu đượ
c thể hiện dưới dạng các câu hỏi (query), dạng câu hỏi đơn giản nhất
là các từ khóa. Có thể hình dung hệ tìm kiếm văn bản sắp xếp văn bản thành hai lớp:
Một lớp cho ra những các văn bản thỏa mãn với câu hỏi đưa ra và một lớp không hiển
thị những văn bản không được thỏa mãn. Các hệ thống thực tế hiện nay không hiển thị
như vậy mà đưa ra các danh sách văn bản theo độ quan trọng của văn bản tuỳ theo các
câu hỏi đưa vào, ví dụ điển hình là các máy tìm tin như Google, Altavista,…
b. Quá trình
Quá trình tìm tin được chia thành bốn quá trình chính :
Đánh chỉ số (indexing): Các văn bản ở dạng thô cần được chuyển sang một
dạng biểu diễn nào đó để xử lý. Quá trình này còn được gọi là quá trình biểu diễn văn
bản, dạng biểu diễn phải có cấu trúc và d
ẽ dàng khi xử lý.
Định dạng câu hỏi: Người dùng phải mô tả những yêu cầu về lấy thông tin cần
thiết dưới dạng câu hỏi. Các câu hỏi này phải được biểu diễn dưới dạng phổ biến cho
các hệ tìm kiếm như nhập vào các từ khóa cần tìm. Ngoài ra còn có các phương pháp
định dạng câu hỏi dưới dạng ngôn ngữ tự nhiên hoặc dưới dạng các ví dụ, đối với các
dạngnày thì cần có các kỹ
thuật xử lý phức tạp hơn. Trong các hệ tìm tin hiện nay thì
đại đa số là dùng câu hỏi dưới dạng các từ khóa.
So sánh: Hệ thống phải có sự so sánh rõ ràng và hoàn toàn câu hỏi các câu hỏi
của người dùng với các văn bản đượcl ưu trữ trong CSDL. Cuối cùng hệ đưa ra một
quyết định phân loại các văn bản có độ liên quan gầnvới câu hỏi đưa vào và thứ tự của

nó. Hệ sẽ hi
ển thị toàn bộ văn bản hoặc chỉ một phần văn bản.
Phản hồi: Nhiều khi kết quả được trả về ban đầu không thỏa mãn yêu cầu của
người dùng, do đó cần phải có qua trình phản hồi để người dùng có thểt hay đổi lại
hoặc nhập mới các yêu cầu của mình. Mặt khác, người dùng có thể tương tác với các
hệ về các văn bản th
ỏa mãn yêu cầu của mình và hệ có chức năng cập nhậu các văn
bản đó. Quá trình này được gọi là quá trình phản hồi liên quan (Relevance feeback).
Các công cụ tìm kiếm hiện nay chủ yếu tập trung nhiều vào ba quá trình đầu,
còn phần lớn chưa có quá trình phản hồi hay xử lý tương tác người dùng và máy. Quá
trình phản hồi hiện nay đang được nghiên cứu rộng rãi và riêng trong quá trình tương
tác giao diện người máy đã xuất hiện hướng nghiên cứu là interface agent.
2. Phân lớp vă
n bản(Text Categoization)
a. Nội dung
Phân lớp văn bản được xem như là quá trình gán các văn bản vào một hay
nhiều văn bản đã xác định từ trước. Người ta có thể phân lớp các văn bản mộtc ách thủ
công, tức là đọc từng văn bản một và gán nó vào một lớp nào đó. Cách này sẽ tốn rất
nhiều thời gian và công sức đối với nhiều văn bản và do đó không khả thi. Do vậy mà
phải có các phương pháp phân lớp tự động. Để phân lớp tự động người ta sử dụng các
phương pháp học máy trong trí tuệ nhân tạo (Cây quyết định, Bayes, k người láng
giềng gần nhất)
Một trong những ứng dụng quan trọng nhất của phân lớp văn bản là trong tìm
kiếm văn bản. Từ một tập dữ liệu đã phân lớp các văn bản sẽ được đánh chỉ s
ố đô ívới
từng lớp tương ứng. Người dùng có thể xác định chủ đề hoặc phân lớp văn bản mà
mình mong muốn tìm kiếm thông qua các câu hỏi.
Một ứng dụng khác của phân lớp văn bản là trong lĩnh vực tìm hiểu văn bản.
Phân lớp văn bản có thể được sử dụng để lọc các văn bản hoặc một phần các văn bản
chứa d

ữ liệu cần tìm mà không làm mất đi tính phức tạp của ngôn ngữ tự nhiên.
Trong phân lớp văn bản, một lớp có thể được gán giá trị đúng sai (True hay
False hoặc văn bản thuộc hay không thuộc lớp) hoặc được tính theo mức độ phụ thuộc
(văn bản có môt mức độ phụ thuộc vào lớp). Trong trương hợp có nhiều lớp thì phân
loại đúng sai sẽ là việc xem một văn bả
n có thuộc vào một lớp duy nhất nào đó hay
không
b. Quá trình
Quá trình phân lớp văn bản. tuân theo các bước sau:
Đánh chỉ số (Indexing): Quá trình đánh chỉ số văn bản cũng giống như trong
quá trình đánh chỉ số của tìm kiếm văn bản. Trong phần này thì tốc độ đánh chỉ số
đóng vai trò quan trọng vì một số các văn bản mới có thể cần đươc xử lý trong thời
gían thực
Xác đị
nh độ phân lớp: Cũng giống như trong tìm kiếm văn bản, phân lớp văn
bản yêu cầu quá trình diễn tả việc xác định văn bản đó thuộc lớp nào đó như thế nào,
dựa trên cấu trúc biểu diễn của nó. Đối với hệ phân lớp văn bản, chúng ta gọi quá trình
này là bộ phân lớp (Categorization hoặc classifier). Nó đóng vai trò như những câu hỏi
trong hệ tìm kiếm. Nhưng trong khi những câu hỏ
i mang tính nhất thời, thì bộ phân
loại được sử dụng một cách ổn định và lâu dài cho quá trình phân loại.
So sánh: Trong hầu hết các bộ phân loại, mỗi văn bản đều được yêu cầu gán
đúng sai vào một lớp nào đó. Sự khác nhau lớn nhất đối với quá trình so sánh trong hệ
tìm kiếm văn bản là mỗi văn bản chỉ được so sánh với một số lượng các lớp một lần và
việcc họ
n quyết đnịh phù hợp còn phụ thuộc vào mối quan hệ giữa các lớp văn bản.
Phản hồi (Hay thích nghi): Quá trình phản hồi đóng vai trò trong hệ phân lớp
văn bản. Thứ nhất là khi phân loại thì phải có môt số lượng lớn các văn bản đã được
xếp loại bằng tay trước đó, các văn bản này được sử dụng làm mẫu huấn luyện để hỗ
trợ xây dựng bộ phân loại. Thứ hai là đối với việc phân loại văn bản này không dễ

dàng thay đổ
i các yêu cầu như trong quá trình phản hồi của tìm kiếm văn bản , người
dùng có thể thông tin cho người bảo trì hệ thống về việc xóa bỏ, thêm vào hoặc thay
đổi các phân lớp văn bản nào đó mà mình yêu cầu.
3. Một số bài toán khác
Ngoài hai bài toán kể trên, còn có các bài toán sau:
Tóm tắt văn bản
Phân cụm văn bản
Phân cụm các từ mục
Phân lớp các từ mục
Đánh chỉ mục các từ tiềm năng
Dẫ
n đường văn bản
Trong các bài toán xử lý vănbản đã nêu ở trên, chúng tra thấy vai trò của biểu
diễn văn bản rất lớn, đặc biệt trong các bàit oán tìm kiếm, phân lớp, phân cụm, dẫn
đường
1.3.2. Khai phá dữ liệu Web
a. Nhu cầu
Sự phát triển nhanh chóng của mạng Internet và Intranet đã sinh ra một khối
lượng khổng lồ các dữ liệu dạng siêu văn bản(dữ liệu Web). Cùng với sự thay đổi và
phát triể
n hàng ngaỳ hàng giờ về nội dung cũng như số lượng của các trang Web trên
Internet thì vấn đề tìm kiếm thôn g tin đối với người sử dụng lại ngày càng khó khăn.
Có thể nói nhu cầu tìm kiếm thông tin trên môt CSDL phi cấu trúc đã được phát triển
chủ yếu cùng với sự phát triển của Internet. Thực vậy với Internet con người đã làm
quen với các trang Web cùng với vô vàn các thông tin. Trong những năm gần đây
Intrnet đã trở thành một trong nhữ
ng kênh về khoa học, thông tin kinh tế, thương mại
và quảng cáo. Một trong những lý do cho sự phát triển này là sự thấp về giá cả tiêu tốn
khi công khai một trang Web trên Internet. So sánh với những dịch vụ khác như mua

bản hay quảng cáo trên một tờ báo hay tạp chí, thì một trang Web "đòi" rẻ hơn rất
nhiều và cập nhật nhanh chóng hơn tới hàng triệu người dùng khắp mọi nơi trên thế
giới. Có thể nói trang Web như là cuốn từ điển Bách khoa toàn thư. Thông tin trên các
trang Web đa dạng về mặt nội dung cũng như hình thức. Có thể nói Internet như một
xã hội ảo, nó bao gồm các thông tin về mọi mặt của đời sống kinh tế, xã hội được trình
bày dưới dạng văn bản, hình ảnh, âm thanh,
Tuy nhiên cùng vớ
i sự đa dạng và số lượng lớn thông tin như vậy đã nảy sinh
vấn đề quá tải thông tin. Người ta không thể tìm tự kiếm địa chỉ trang Web chứa thông
tin mà mình cần, do vậy đòi hỏi cần phải có một trình tiện ích quản lý nội dung của
các trang Web và cho phép tìm thấy các địa chỉ trang Web có nội dung giống với yêu
cầu của người tìm kiếm. Các tiện ích này quản lý dữ liệu như các đối tượ
ng phi cấu
trúc. Hiện nay chúng ta đã làm quen với một số các tiện ích như vậy đó là: Yahoo,
goolel, Alvista,
Mặt khác, giả sử chúng ta có các trang Web về các vấn đề Tin học, Thể thao,
Kinh tể-Xã hội và xây dựng Căn cứ vào nội dung của các tài liệu mà khách hàng xem
hoặc download về, sau khi phân lớp chúng ta sẽ biết khách hàng hay tập trung vào nội
dung gì trên trang Web của chúng ta, từ đó chúng ta sẽ bổ sung thêm nhiều các tài liệu
về các nội dung mà khách hàng quan tâm và ngược lại. Còn về phía khách hàng sau
khi phân tích chúng ta cũ
ng biết được khách hàng hay tập trung về vấn đề gì, để từ đó
có thể đưa ra những hỗ trợ thêm cho khách hàng đó. Từ những nhu cầu thực tế trên,
phân lớp và tìm kiếm trang Web vẫn là bài toán hay và cần phát triển nghiên cứu hiện
nay.
b. Khó khăn
Hệ thống phục vụ World Wide Web như là một hệ thống trung tâm rất lớn
phân bố rộng cung cấp thông tin trên mọi lĩnh vực khoa học, xã hội, thương m
ại, văn
hóa, Web là một nguồn tài nguyên giàu có cho Khai phá dữ liệu. Những quan sát sau

đây cho thấy Web đã đưa ra sự thách thức lớn cho công nghệ Khai phá dữ liệu
1. Web dường như quá lớn để tổ chức thành một kho dữ liệu phục vụ
Dataming
Các CSDL truyền thống thì có kích thước không lớn lắm và thường được lưu
trữ ở một nơi, , Trong khi đó kích thước Web rất lớn, tới hàng terabytes và thay đổi
liên tụ
c, không những thế còn phân tán trên rất nhiều máy tính khắp nơi trên thế giới.
Một vài nghiên cứu về kích thước của Web đã đưa ra các số liệu như sau: Hiện nay
trên Internet có khoảng hơn một tỷ các trang Web được cung cấp cho người sử dụng.,
giả sử kích thước trung bình của mỗi trang là 5-10Kb thì tổng kích thước của nó ít nhất
là khoảng 10 terabyte. Còn tỷ lệt ăng của các trang Web thì thật sự gây ấn tượng. Hai
năm gần đây số các trang Web tăng gấp đôi và còng tiếp tục tăng trong hai năm tới.
Nhiều tổ chức và xã hội đặt hầu hết những thông tin công cộng của họ lên Web. Như
vậy việc xây dựng một kho dữ li
ệu (datawarehouse) để lưu trữ, sao chép hay tích hợp
các dữ liệu trên Web là gần như không thể
2. Độ phức tạp của trang Web lớn hơn rất nhiều so với những tài liệu văn bản
truyền thống khác
Các dữ liệu trong các CSDL truyền thống thì thường là loại dữ liệu đồng nhất
(về ngôn ngữ, định dạng,…), còn dữ liệu Web thì hoàn toàn không đồng nhất. Ví dụ về
ngôn ngữ dữ liệ
u Web bao gồm rất nhiều loại ngôn ngữ khác nhau (Cả ngôn ngữ diễn
tả nội dung lẫn ngôn ngữ lập trình), nhiều loại định dạng khác nhau (Text, HTML,
PDF, hình ảnh âm thanh,…), nhiều loại từ vựng khác nhau (Địa chỉ Email, các liên kết
(links), các mã nén (zipcode), số điện thoại)
Nói cách khác, trang Web thiếu một cấu trúc thống nhất. Chúng được coi như
một thư viện kỹ thuật số rộng lớn, tuy nhiên con số khổng lồ các tài liệ
u trong thư viện
thì không được sắp xếp tuân theo một tiêu chuẩn đặc biệt nào, không theo phạm trù,
tiêu đề, tác giả, số trang hay nội dung, Điều này là một thử thách rất lớn cho việc tìm

kiếm thông tin cần thiết trong một thư viện như thế.
3. Web là một nguồn tài nguyên thông tin có độ thay đổi cao
Web không chỉ có thay đổi về độ lớn mà thông tin trong chính các trang Web
cũng được cập nhật liên tục. Theo kết quả nghiên cứu , hơ
n 500.000 trang Web trong
hơn 4 tháng thì 23% các trang thay đổi hàng ngày, và khoảng hơn 10 ngày thì 50% các
trang trong tên miền đó biến mất, nghĩa là địa chỉ URL của nó không còn tồn tại nữa.
Tin tức, thị trường chứng khoán, các công ty quản cáo và trung tâm phục vụ Web
thường xuyên cập nhật trang Web của họ.s Thêm vào đó sự kết nối thông tin và sự
truy cập bản ghi cũng được cập nhật
4. Web phục vụ một cộng đồng người dùng rộng lớn và
đa dạng
Internet hiện nay nối với khoảng 50 trạm làm việc, và cộng đồng người dùng
vẫn đang nhanh chóng lan rộng. Mỗi người dùng có một kiến thức, mối quan tâm, sở
thích khác nhau. Nhưng hầu hết người dùng không có kiến thức tốt về cấu trúc mạng
thông tin, hoặc không có ý thức cho những tìm kiếm, rất dễ bị "lạc" khi đang "mò
mẫm"trong "bóng tối" của mạng hoặc sẽ chán khi tìm kiếm mà chỉ nhận những mảng
thông tin không mấy hữu ích
5. Chỉ một phần rất nhỏ của thông tin trên Web là thực sự hữu ích
Theo thống kê, 99% của thông tin Web là vô ích với 99% người dùng Web.
Trong khi những phần Web không được quan tâm lại bị búi vào kết quả nhận được
trong khi tìm kiếm. Vậy thì ta cần phải khai phá Web như thế nào để nhận được trang
web chất lượng cao nhất theo tiêu chu
ẩn của người dùng?
Như vậy chúng ta có thể thấy các điểm khác nhau giữa việc tìm kiếm trong
một CSDL truyền thống với vviệc tìm kiếm trên Internet. Những thách thức trên đã
đẩy mạnh việc nghiên cứu khai phá và sử dụng tài nguyên trên Internet
c. Thuận lợi
Bên cạnh những thử thách trên, còn một số lợi thế của trang Web cung cấp
cho công việc khai phá Web.

1. Web bao gồm không chỉ có các trang mà còn có cả các hyperlink trỏ từ
trang này tới trang khác. Khi một tác giả t
ạo một hyperlink từ trang của ông ta tới một
trang A có nghĩa là A là trang có hữu ích với vấn đề đang bàn luận. Nếu trang A càng
nhiều Hyperlink từ trang khác trỏ đến chứng tỏ trang A quan trọng. Vì vậy số lượng
lớn các thông tin liên kết trang sẽ cung cấp một lượng thông tin giàu có về mối liên
quan, chất lượng, và cấu trúc của nội dung trang Web, và vì thế là một nguồn tài
nguyên lớn cho khai phá Web
2. Một máy chủ Web thường đăng ký một bản ghi đầ
u vào (Weblog entry) cho
mọi lần truy cập trang Web. Nó bao gồm địa chỉ URL, địa chỉ IP, timestamp. Dữ liệu
Weblog cung cấp lượng thông tin giàu có về những trang Web động. Với những thông
tin về địa chỉ URL, địa chỉ IP,… một cách hiển thị đa chiều có thể được cấu trúc nên
dựa trên CSDL Weblog. Thực hiện phân tích OLAP đa chiều có thể đưa ra N người
dùng cao nhất, N trang Web truy cập nhiều nhất, và khoảng thời gian nhiều người truy
cập nh
ất, xu hướng truy cập Web
d. Các nội dung trong Webmining
Như đã phân tích về đặc điểm và nội dung các văn bản HyperText ở trên, từ
đó khai phá dữ liệu Web cũng sẽ tập trung vào các thành phần có trong trang Web. Đó
chính là:
1. Khai phá nội dung trang Web (Web Content mining)
Khai phá nội dung trang Web gồm hai phần:
a. Web Page Content
Nghĩa là sẽ sử dụng chỉ các từ trong văn bản mà không tính đến các liên kết
giữa các văn bản. Đây chính là khai phá dữ liệu Text (Textmining)
b.Search Result
Tìm kiếm theo kết quả. Trong các máy tìm kiếm, sau khi đã tìm ra những
trang Web thoả mãn yêu cầu người dùng, còn một công việc không kém phần quan
trọng, đó là phải sắp xếp kết quả theo thứ tự dộ gần nhau với nội dung cần tìm kiếm.

Đây c
ũng chính là khai phá nội dung trang Web.
2. Web Structure Mining
Khai phá dựa trên các siêu liên kết giữa các văn bản có liên quan.
3. Web Usage Mining
a. General Access Partern Tracking:
Phân tích các Web log để khám phá ra các mẫu truy cập của người dùng
trong trang Web.
b. Customize Usage Tracking:
Phân tích các mẫu truy cập của người dùng tại mỗi thời điểm để biết xu
hướng truy cập trang Web của từng đối tượng người dùng tại mỗi thời điểm khác nhau

Các nội dung trong khai phá Web

Web
Structure
Web
Content
Web Page
Content
Search
Result
Web
Usage
General Access
Pattern
Customized
Usage
Web Mining
Chng 2. MY TèM KIM

2.1. NHU CU
Nh ó cp phn trờn. Internet nh mt xó hi o, nú bao gm cỏc
thụng tin v mi mt ca i sng kinh t, xó hi c trỡnh by di dng vn bn,
hỡnh nh, õm thanh, Thụng tin trờn cỏc trang Web a dng v mt ni dung cng
nh hỡnh thc Tuy nhiờn cựng vi s a dng v s lng ln thụng tin nh vy ó
ny sinh v
n quỏ ti thụng tin. i vi mi ngi dựng ch mt phn rt nh
thụng tin l cú ớch, chng hn cú ngi ch quan tõm n trang Th thao, Vn húa m
khụng my khi quan tõm n Kinh t. Ngi ta khụng th tỡm t kim a ch trang
Web cha thụng tin m mỡnh cn, do vy ũi hi cn phi cú mt trỡnh tin ớch qun
lý ni dung ca cỏc trang Web v cho phộp tỡm thy cỏc a ch trang Web cú ni
dung ging vi yờu cu ca ng
i tỡm kim. Hin nay chỳng ta ó lm quen vi mt
s cỏc tin ớch nh vy ú l: Yahoo, Google, Alvista,
Máy tìm kiếm là các hệ thống đợc xây dựng có khả năng tiếp nhận các yêu
cầu tìm kiếm của ngời dùng (thờng là một tập các từ khoá), sau đó phân tích và tìm
kiếm trong cơ sở dữ liệu đã có sẵn và đa ra các kết quả là các trang web cho ngời
sử dụng. C th, ngi dựng gi mt truy vn, dng n gin nht l mt danh sỏch
cỏc t khúa, v mỏy tỡm kim s lm vic tr li mt danh sỏch cỏc trang Web cú
liờn quan hoc cú cha cỏc t khúa ú. Phc tp hn, thỡ truy vn l c mt v
n bn
hoc mt on vn bn hoc ni dung túm tt ca vn bn.
2.2. CU TRC V C CH HOT NG
2.2.1. Tng quan v cỏc h tỡm kim hin nay
Bng mt vớ d c th, ta xem xột h tỡm kim Google
Trong phn ny ta a ra cỏi nhỡn tng quan v cỏch lm vic ca mt h
tỡm kim Google. Phn sau s tho lun v ng dng chớnh (Crawling, indexing,
searching) v c
u trỳc d liu m phn ny cha kp cp.
Phn ln Google c thit k bng C, C++ v chy tt trờn Solaris hay

Linux. Trong Google, Web crawling(download cỏc trang Web) c thc hin bi
mt vi Webcrawler phõn tỏn. Cú mt mỏy ch URL gi danh sỏch cỏc URL m
ó c ớnh kốm ti crawler. Nhng trang Web c ớnh kốm ú c gi ti
mỏy ch lu tr. Mỏy ch lu tr s nộn v lu tr cỏc trang vo Repository (Ni
lu tr). Mi trang
Web u cú mt ch s ID kốm theo gi l DocID. Chc nng
Index được được thực hiện bởi
Indexer và Sorter. Indexer thực hiện
các chức năng sau: Đọc từ
Repository , giải nén tài liệu và
phân tích chúng. Mỗi tài liệu được
được chuyển thành một tập hợp các
từ xuất hiện gọi là Hits. Hits ghi các
từ, vị trí các từ, xấp xỉ của phông
chữ, sự viết hoa thường. Indexer
phân bố những Hits thành các bộ
gọi là "Barrels". Indexer thực hiện
một chức năng quan trọng khác,
đó
là nó phân tích tất cả những
hyperlink trên tất cả các trang và
lưu trữ những thông tin quan trọng
về chúng vào một file nguồn. File
này chứa một lượng đủ lớn các
thông tin để xác định mỗi liên kết trỏ từ và trỏ tới trang nào, cùng nội dung của liên
kết.
Như vậy, Crawler có nhiệm vụ down các trang web về lưu trữ vào
respository
Indexer đọc từ respository giải nén các tài liệu và phân tích, mã hóa thành
Hits, sắp xếp thành "Barrels". Phân tích tất cả các hyperlink lư

u trữ vào một file
2.2.2. Cấu trúc của các hệ tìm kiếm
Các máy tìm kiếm hiện nay thường được tổ chức thành ba Modul sau:
Modul đánh chỉ mục (indexing): Dò tìm các trang Web trên Internet, phân
tích chúng rồi lưu vào CSDL.
Modul tìm kiếm (searching): Truy xuất các CSDL để trả về danh sách các tài
liệu thỏa mãn một yêu cầu người dùng (dưới dạng truy vấn là một tập các từ khóa).
Modul giao diện người máy: Lấy kểt quả từ modul tìm kiếm.
Sau đây ta đi sâu vào chi ti
ết của từng modul và nhiệm vụ của chúng

H
×nh 2.3
_
M« h×nh kiÕn tróc cña m¸y t×m kiÕm Google
a. Modul đánh chỉ mục (Indexing)
Modul đánh chỉ mục thực hiện các nhiệm vụ sau
1. Phân tích cú pháp văn bản và đánh chỉ mục toàn bộ các từ khoá trong văn
bản (số lần xuất hiện, vị trí xuất hiện)
2. Lập đồ thị liên kết giữa các siêu văn bản (liên kết xuôi và liên kết ngược).
3. Tính toán độ quan trọng – PageRank của tất cả các văn bản dựa vào cấu trúc
liên kết siêu vă
n bản (GoogleTM).
Sau đây, ta xem xét chi tiết từng nhiệm vụ
a.1. Bộ dò trên Web theo các hyperlink (Web Crawler)
Crawler (s): Hầu hết các máy tìm kiếm hoạt động dựa trên các chương trình
có tên là Crawler, chương trình này cung cấp dữ liệu (là các trang Web) cho máy tìm
kiếm hoạt động. Crawler là các chương trình nhỏ của các máy tìm kiếm làm công việc
duyệt Web. Công việc của nó cũng tương tự như công việc của con người truy cập
Web dựa vàomối liên kết để đi đến các trang Web khác nhau. Các Crawler

được cung
cấp các địa chỉ URL ban đầu và sẽ phân tích các liên kết có trong các trang đó và đưa
các thông tin về cho bộ phận điều khiển crawler (Crawler control). Bộ phận điều
khiển này sẽ quyết định xem liên kết nào sẽ được đi thăm tiếp theo và gửi lại kết quả
đó cho Crawler (trong một vài máy tìm kiếm chức năng này của bộ phận điều khiển
crawler có thể được crawler thực hiệ
n luôn). Các Crawler cũng chuyển luôn các trang
đã tìm thấy đó vào kho chứa các trang (Page Repository), tiếp tục đi thăm các trang
Web khác trên Internet cho đến khi các nguồn chứa cạn kiệt.
Vậy modul Crawler truy lục các trang lấy từ Mạng, download xuống sau đó
các trang đựợc đánh chỉ mục bởi Môdul đánh chỉ mục, sau đó đẩy vào CSDL. Quá
trình này cứ lặp đi lặp lại cho đến khi Crawler có quyết định dừng.
Để bộ điều khiển quyết
định được trang Web nào được đi thăm tiếp theo
Một máy tìm kiếm tiêu chuẩn cần xem xét hai vấn đề chính trong modul
crawler:
- Số các trang Web là rất lớn, nên Crawler không thể down toàn bộ các trang
mà chỉ chọn những trang "quan trọng". Vậy những trang như thế nào được coi là quan
trọng và độ quan trọng được tính toán như thế nào?
- Bởi vì nội dung các trang Web liên tục thay đổi nên sau khi download,
crawler phải thường xuyên thăm lại các trang đã được down để cập nhật sự thay đổi
đó. Hơn nữa mức độ thay đổi của các trang là khác nhau nên crawler phải cẩn thận
xem xét trang nào cần xem lại, trang nào bỏ qua.
Vấn đề 1: Độ quan trọng
Cho một trang Web P, chúng ta có các cách tính độ quan trọng sau:
1. Có một truy vấn Q. Độ quan trọng của P được định nghĩa là "sự giống nhau
về t
ừ ngữ" giữa P và Q
2. Biểu diễn Q và P bởi hai vector n chiều v=(w1, w2, , w
n

) với w
i
là biểu thị
cho từ thứ i trong bộ từ vựng , cụ thể w
i
=số lần xuất hiện của từ thứ i. Độ chêch lệch
giữa P và Q là giá trị cos của hai vector biểu diễn
Gọi độ quan trọng nhận được từ phương pháp tính này là IS(P)
2. Trang nào được nhiều trang khác link đến sẽ quang trọng hơn, nên một cách
để tính độ quan trọng của trang P là tính số link đến P
Gọi độ quan trọng nhận được từ phương pháp tính này là IB(P)
3. Tính độ quan trọng bởi chính địa chỉ URL của nó. Nế
u địa chỉ trang Web
nào tận cùng bằng".com" hay có chứa từ "home" sẽ quan trọng hơn
Gọi độ quan trọng nhận được từ phương pháp tính này là IL(P)
4. Một phương pháp nữa để tính độ quan trọng là đếm số lần người dùng truy
cập vào trang trong một khoảng thời gian nào đó
Vậy cuối cùng độ quan trọng của trang P sẽ là sự kết hợp của các độ quan
trọng tính theo các cách trên, theo một tỷ lệ nào đó:
IC(P)=k1. IS (P)+k2.IB(P)+ k3.IL(P)+k4.IU(P) (với k1,k2,k3,k4 và truy
vấn Q là cho trước)
Vấn đề 2: Sự cập nhật các trang đã download
Có hai chiến lược cho sự cập nhật các trang đã download:
1. Cập nhật theo định kỳ tất cả các trang: crawler sẽ thăm lại tất cả các
trang với cùng một tần số f, không tính đến mức độ thường xuyên thay đổi của
chúng.Nghĩa là các trang được “đối xử” công bằng bất kể chúng thay đổi ra sao.
Cập nhật thường xuyên theo nghĩa là khi down được 10.000 trang chẳng hạn thì sẽ
tính lại PageRank, index của word trong URL
2. Cập nhật theo một tỷ lệ: Trang nào càng nhiều thay đổi thì tần suất cập
nhật càng lớn. VD: các trang e1, e2, ,e

n
, thay đổi theo thứ tự k1,k2, ,k
n
lần
a.2. Indexing (Quá trình đánh chỉ mục)
Indexer Module sẽ tìm hiểu tất cả các từ trong từng trang Web được lưu trữ
trong kho chứa các trang, và ghi lại các địa chỉ URL của các trang có chứa mỗi từ.
Kết quả sinh ra một bảng chỉ mục rất lớn, và nhờ có bảng chỉ mục này nó có thể
cung cấp tất cả các
địa chỉ URL của các
trang khi có yêu cầu.
Hai modul đánh chỉ
số (indexer)
và
collection analysis
trên hình 1 làm nhiệm
vụ xây dựng các chỉ
số khác nhau cho các
trang web đã down
về. Modul Indexer
xây dựng hai loại chỉ
số cơ bản:
Text(content)Index và
structor(link) index.
Sử dụng 2 loại chỉ số
trên và các trang web trong nơi lưu trữ các trang (repository), modul collection
analysis đã xây dựng thêm nhiều chỉ sơ hữu ĩch khác. Dưới đây chúng ta mô tả
ngắn gọn một vài loại chỉ số, tập trung vào cấu trúc và cách s
ử dụng của chúng.
Link index

Để xây dựng chỉ số liên kết (link indext), một phần của bộ dò (Crawler)
được mã hóa dưới dạng một sơ đồ với các nút và các cạnh nối, trong đó các nút là
các trang Web, các cạnh nối giữa các nút là các liên kết giữa các trang. Chỉ số
index sẽ được xây dựng lần theo các nút và các cạnh của sơ đồ. (vẽ hình)

H×nh1.2_§å thÞ minh ho¹ c¸c nút ( tài liÖu Hypertext)
và các cạnh nối (link) trong mét tËp tµi liÖu Hypertext
Thụng thng, thụng tin cú cu trỳc ph bin nht c s dng bi cỏc
thut toỏn tỡm kim trong cỏc h tỡm tin l cỏc thụng tin ly t cỏc trang cú liờn kt,
chớnh s liờn kt trờn ó cung cp mt cỏch hu hiu s truy cp ti cỏc thụng
tin lỏng ging ú. Nhng s nh vi hng trm thm chớ hng nghỡn nỳt cú th
c biu din bi bt k mt cu trỳc d liu no, song cựng s thc hi
n ú
nhng vi mt s ln hn cú hng triu nỳt li l mt thỏch thc ln.
Text Index
Mc dự k thut da vo liờn kt ó c s dng tng cng cht
lng v liờn quan gia cỏc kt qu tỡm c, thỡ s truy xut da vo t mc
(tỡm kim cỏc trang cú cha cỏc t khúa) vn l mt phng phỏp chớnh xỏc
nh cỏc trang web cú liờn quan n truy vn. Cỏch
ỏnh ch s h tr truy vn da
vo t mc cú th c thc hin bng cỏch s dng bt k phng phỏp truy cp
truyn thng no tỡm trờn ton b ni dung ti liu.Mỏy tỡm kim s dng ch
mc liờn kt ngc (Inverted Index) cho vic biu din ti liu. Ch mc liờn kt
ngc (Inverted Index) l la chn truyn thng cho cu trỳc ch s
ca cỏc trang
Web
Ví dụ chúng ta có 4 vn bn sau:
vn bn 1: computer science
vn bn 2: computer is about live
vn bn 3: to live or not to live

Quỏ trỡnh to file Index nh sau:
- Ly tất cả các từ có mặt trong cả 4 tài liệu
- Lu trữ chúng theo thứ tự a, b, c,
- Lu trữ các thông tin về tài liệu (bao gồm mã tài liệu, địa chỉ URL,
tiêu đề, miêu tả ngắn gọn )
Kt qu thu c mt File Inverted index l mt danh sỏch cỏc thụng
tin sau:
Từ Mã V
ị
đ
ị
a Tiêu Miêu
About 2 3
Com
p
uter 1 1
com
p
uter 2 1
Is 2 2
live 3 2
Live 3 6
Li
v
e 2 4
Not 3 4
Or 3 3
science 1 2
to 3 1
To 3 5

Tuy nhiên một thuật toán tìm kiếm thường sử dụng thêm những thông tin về
sự xuất hiện của từ mục trong trang web, ví dụ từ mục được viết hoa (nằm trong thẻ
<B>), hay từ mục nằm ở phần tiêu đề (nằm trong thẻ <H1> và <H2>). Để kết hợp
những thông tin này, một trường mới được thêm vào gọi là trường payload(tải trọng),
trường này mã hóa các thông tin thêm về sự xuất hiện của các t
ừ mục trong văn bản.
Những thông tin này phục vụ cho thuật toán Ranking sau này.
Inverted index
Inverted index được lưu trữ qua file CSDL các bản ghi.Việc xây dựng một
CSDL để lưu trữ Inverted Index cho bộ dữ liệu lớn như tập các trang web trên internet
đòi hỏi một kiến trúc phân tán với độ mềm dẻo cao. Trong môi trường Web có hai
chiến lược cơ bản cho việc chia các Inverted Index thành một tập các nút khác nhau để
có thể lưu trữ phân tán tại nhiều nơi khác nhau.
KiÓu thø nhÊt lµ local inverted file (IFL)
.
Trong tổ chức kiểu IFL thì mỗi nút lưu trữ các danh sách inverted index của
một tập nhỏ các trang Web khác nhau trong tập các trang Web lưu trữ trong bộ phận
lưu trữ (page repository). Khi có yêu cầu tìm kiếm thì bộ phận search query sẽ truyền
yêu cầu đi tất cả các nút, mỗi nút sẽ trả lại một danh sách riêng các trang có chứa các
từ đang tìm kiếm
KiÓu thø hai lµ Global inverted file (GFL).
Trong tổ chức kiểu GFL, inverted index được chia theo các từ, vì vậy mỗi một
query server lưu tr
ữ danh sách inverted index của một tập nhỏ các từ trong bộ dữ liệu.
Ví dụ hệ thống với hai query server A và B, thì A sẽ lưu trữ danh sách inverted index
cho tất cả các từ với ký tự bắt đầu từ a đến o, còn B lưu trữ cho các từ còn lại từ p đến
z. Vì vậy khi bộ phận search query muốn tìm các trang có chứa từ “people” thì nó sẽ
chỉ hỏi server A.
Cấu trúc dữ liệu chính
Modul Indexer lấy các trang đã được Crawler down về chứa trong Repository,

Đánh chỉ sổ lưu vào CSDL. CSDL được tạo ra trong quá trình index. Đây là cấu trúc
chính của cơ sở dữ liệu trong hầu hết các máy tìm kiếm:
a. Một File Từ khóa gồm các bản ghi, mỗi bản ghi tối thiểu có hai trường : Mã
số từ khóa, từ khóa (hình a). Các từ khóa này dược thi
ết lập trong quá trình Indexing:
Đọc File văn bản, tách từ khóa, xem đã có trong file từ khóa chưa. Nếu chưa có tạo ra
bản gi mới trong file từ khóa, trong đó có mã số từ khóa và tất nhiên có luôn được mã
số. Nếu có rồi thì lấy mã số. Mã số lấy được dùng cho việc tạo ra bản ghi tếp theo.
b. File chứa các văn bản quản lý trong hệ thống gồm các bản ghi, mỗi bản ghi
cho một văn bản, tối thiểu có các trường là: Mã vă
n bản, tên văn bản (địa chỉ URL),
địa chỉ trong máy hệ thống chứa file văn bản (cache của các trang web đó) (hình b)
c. File chứa sự xuất hiện của các từ khóa trong văn bản gồm các bản ghi, mỗi
bản ghi có ba trường: mã số văn bản, mã số từ khóa, vị trí xuất hiện từ khóa này trong
văn bản (hình c)( Đây chính là file chỉ số liên kết ngược(Inverted index))
Cách tổ chức CSDL: Sử dụng c
ấu trúc hàm băm _theo các từ vựng
Thách thức
- Việc xây dựng một file chỉ mục liên kết ngược (inverted index) liên quan đến
việc tiền xử lý các trang thành các phần nhỏ, sắp xếp chúng vào các chỉ số từ mục và
định vị trí cho chúng, cuối cùng viết ra những phần đã được sắp xếp dưới dạng một tập
hợp các danh sách liên kết ngược. Thời gian xây dựng file index không qua khắt khe,
tuy nhiên khi làm việc với một tậ
p hợp các trang Web, một số file chỉ số trở nên khó
quản lý và yêu cầu nguồn tài nguyên lớn (chẳng hạn như bộ nhớ), và thường cần nhiều
thời gian để hoàn thành. Sự so sánh với những hệ tìm tin truyền thống cho thấy, với hệ
thống đang nghiên cứu, nơi lưu trữ (repository)chứa 40 triệu trang Web mặc dù chỉ
biểu diễn được 4% của tổng các trang Web có khả năng đánh chỉ s
ố, nhưng đã lớn hơn
hệ thống tìm tin tiêu chuẩn (TREC-7 colection)là 100GB

- Bởi vì nội dung của các trang web thay đổi nhanh chóng, nên việc xây dựng
lại file chỉ số là rất cần thiểt cho việc làm mới các trang Web. Một phần công việc của
Crawler là cập nhật các trang Web đã down về, song song với công việc này việc xây
dựng lại các file chỉ số
- Cuối cùng, dạng bộ nhớ dành cho file inverted index cần phải được thiết kế
cẩn thận. Một file chỉ số được nén sẽ cải tiến thao tác truy vấn hơn là cả file chỉ số
được lưu trữ trong bộ nhớ. Tuy nhiên vấn đề gặp phải là tốn thời gian dành cho việc
giải nén
a.3. Tính toán đạ
i lượng PageRank
Các hệ tìm kiếm có hai đặc tính quan trọng giúp đưa ra kết quả có độ chính
xác cao. Đầu tiên, nó sử dụng cấu trúc liên kết của Web để tính toán độ quan trọng cho
từng trang Web, (PageRank).Thứ hai, hệ sử dụng liên kết để xếp hạng kết quả
(Ranking). Chính sơ đồ các liên kết giữa các trang Web đã cho phép tính toán nhanh
chóng đại lượng PageRank.
Đại lượng PageRank được định nghĩa như sau:
Giả sử trang A có các trang T
1,
T
2
,…,T
n
trỏ tới. Tham số d là hệ số hãm có giá
trị trong khoảng 0 và 1. Chúng ta thường đặt d=0.85. C(A) là số liên kết ra từ trang A.
Khi đó PageRank của A được tính như sau:
PR(A)=(1-d)+d (PR(T1)/C(T1)+…+PR(Tn)/C(Tn)).

Vì PageRank của một trang là đại lượng đại diện cho sự phân bổ xác suẩt trên
các trang Web trong một tập các trang Web nhất định, do đó tổng các giá trị pagerank
của tất cả các trang Web trong tập các dữ liệu có giá trị bằng 1

Trang V
1
Trang V
2
Trang V
m
Trang U

R
V1
/ N
V1
R
V1
/N
Vm

H
×nh 2.2