LUẬN VĂN: SỬ DỤNG PHƯƠNG PHÁP XẾP HẠNG TRONG BÀI TOÁN PHÂN CỤM TIẾNG VIỆT pdf

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ



Phạm Thị Tâm

SỬ DỤNG PHƯƠNG PHÁP XẾP HẠNG TRONG
BÀI TOÁN PHÂN CỤM TIẾNG VIỆT

KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công nghệ thông tin



\



HÀ NỘI - 2009

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ



Phạm Thị Tâm

SỬ DỤNG PHƯƠNG PHÁP XẾP HẠNG TRONG
BÀI TOÁN PHÂN CỤM TIẾNG VIỆT

KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công nghệ thông tin

Cán bộ hướng dẫn: Th.S Trần Thị Oanh
Cán bộ đồng hướng dẫn:
CN Nguyễn Minh Tuấn




HÀ NỘI - 2009


Lời cảm ơn
Trước tiên, tôi xin gửi lời cảm ơn và lòng biết ơn sâu sắc nhất tới Phó Giáo sư
Tiến sĩ Hà Quang Thụy, Thạc sĩ Trần Thị Oanh và Cử nhân Nguyễn Minh Tuấn,
những người đã tận tình chỉ bảo và hướng dẫn tôi trong suốt quá trình thực hiện khóa
luận tốt nghiệp.
Tôi chân thành cảm ơn các thầy cô đã tạo cho tôi những điều kiện thuận lợi để
họ
c tập và nghiên cứu tại trường đại học Công nghệ.
Tôi xin gửi lời cảm ơn tới các anh chị và các bạn sinh viên trong phòng Công
nghệ tri thức và tương tác người máy – trường ĐH Công nghệ - ĐHQGHN đã tạo điều
kiện và giúp tôi tiến hành thực nghiệm của khóa luận.
Cuối cùng, tôi muốn gửi lời cảm ơn vô hạn tới gia đình, bạn bè luôn bên cạnh và
động viên cũng như tạo những
điều kiện tốt nhất cho tôi trong suốt quá trình thực hiện
khóa luận tốt nghiệp.
Sinh viên
Phạm Thị Tâm

i

Tóm tắt
Cùng với sự gia tăng nhanh chóng về số lượng các trang Web thì nhu cầu về khai
phá dữ liệu Web ngày càng nhận được sự quan tâm của các nhà khoa học và các nhóm
nghiên cứu. Trong lĩnh vực khai phá Web thì phân cụm Web là một trong những bài
toán cơ bản và quan trọng. Đây cũng là thành phần chịu nhiều ảnh hưởng của các đặc
trưng ngôn ngữ.
Khóa luận này tập trung nghiên cứu về bài toán phân cụm Web sử dụng phương
pháp xếp hạng. Trên cơ sở lý thuy
ết phân cụm Web và lựa chọn các đặc trưng của
tiếng Việt, khóa luận đã sử dụng phương pháp xếp hạng các cụm từ quan trọng vào
phân cụm các tài liệu Web tiếng Việt và tiến hành thực nghiệm. Kết quả thực nghiệm
đánh giá theo các đặc trưng TFDF, độ dài (LEN), tương tự nội tại (ICS), entropy nội
tại cụm văn bản (CE) cho thấy đặc trưng TFIDF và LEN có ảnh hưởng lớn h
ơn so với
các đặc trưng khác.

ii

Mục lục

Tóm tắt i
Mục lục ii
Danh sách các bảng iv
Danh sách các hình v
Lời mở đầu 1
Chương 1. Khái quát về phân cụm Web 2
1.1. Giới thiệu về phân cụm Web 2
1.1.1. Đặc điểm bài toán phân cụm web 3
1.1.2. Các yêu cầu đối với phân cụm web 4
1.1.3. Một số độ đo độ đánh giá 5
1.2. Một số thuật toán phân cụm web 6
1.2.1. Thuật toán phân cụm bottom-up (HAC - Hierarchical
Agglomeraltive Clustering) 7

1.2.2. Thuật toán phân cụm top-down 9

1.3. Đánh giá các thuật toán phân cụm 18
Chương 2: Phân cụm văn bản tiếng Việt 19
2.1. Đặc trưng của tiếng Việt và tách từ trong tiếng việt 19
2.1.1. Đặc trưng của tiếng Việt 19
2.1.2. Tách từ tiếng Việt 21
2.2. Một số nghiên cứu về phân cụm tiếng Việt 23
2.2.1. Phân cụm từ tiếng Việt bằng phương pháp học máy cấu trúc 23
2.2.2. Đánh giá chất lượng phân cụm trong máy tìm kiếm tiếng Việt 24
2.2.3. Gom cụm đồ thị và ứng dụng vào việc rút trích nội dung chính của
khối thông điệp trên diễn đàn thảo luận 26

iii

Chương 3. Phân cụm văn bản sử dụng 27
phương pháp xếp hạng cụm từ quan trọng 27
3.1. Khái quát bài toán 27
3.1.1. Nhu cầu về phân cụm các kết quả tìm kiếm 27
3.1.2. Mô tả bài toán và thuật toán 29
3.2. Trích các cụm từ quan trọng 31
3.2.1. Đặc trưng TFIDF 32
3.2.2. Đặc trưng độ dài 33
3.2.3. Đặc trưng tương tự nội tại cụm 33
3.2.4. Đặc trưng entropy nội tại cụm 34
3.2.5. Đặc trưng độc lập cụm từ 34
3.3. Xếp hạng các cụm từ quan trọng 35
3.3.1. Hồi qui tuyến tính 35
3.3.2. Hồi qui logistic 36
3.3.3. Hồi qui hỗ trợ vector (Support vector regression) 36
Chương 4. Thực nghiệm và đánh giá 38
4.1. Dữ liệu của thực nghiệm 38

4.2. Cài đặt thực nghiệm 39
4.2.1. Phần cứng 39
4.2.2. Phần mềm 40
4.3. Phương pháp đánh giá 40
4.4. Kết quả thực nghiệm và đánh giá 40
Kết luận 44
Tài liệu tham khảo 46

iv

Danh sách các bảng
Bảng 1: Kết quả phân cụm với truy vấn “Việt Nam” [15] 4
Bảng 2: Các tài liệu chứa cụm từ ở các node 16
Bảng 3: So sánh một số đặc điểm của tiếng Việt và tiếng Anh 21
Bảng 4: Các truy vấn trong tập huấn luyện 38
Bảng 5: Số cụm từ và số giá trị y=1 trong tập dữ liệu huấn luyện 39
Bảng 6: Độ chính xác khi sử dụng từng đặc trưng để xếp hạng 41
Bảng 7: Độ chính xác của từng truy vấn 42

v

Danh sách các hình
Hình 1: Minh họa để tính cosin của hai vector 6
Hình 2: Cây hậu tố mở rộng 16
Hình 3: Kết quả sau khi trộn các tài liệu 17
Hình 4: Thống kê về tách từ tiếng Hoa và tiếng Việt [12] 22
Hình 5: Hệ thống phân cụm từ tiếng Việt theo phương pháp học máy cầu trúc 24
Hình 6: Ví dụ với truy vấn “Việt Nam” trên máy tìm kiếm google[14] 28
Hình 7: Ví dụ với truy vấn “Việt Nam” trên máy tìm kiếm Vivisimo[15] 28
Hình 8: Biểu đồ độ chính xác khi sử dụng từng đặc trưng để xếp hạng 41
Hình 9: Biểu đồ độ chính xác của từng truy vấn 42











1

Lời mở đầu

Internet được phát triển nhanh chóng và sinh ra một khối lượng khổng lồ các dữ
liệu dạng siêu văn bản (dữ liệu Web), đã trở thành một kênh quan trọng về mọi thông
tin của đời sống. Chính vì vậy, lĩnh vực khai phá Web có tốc độ phát triển vượt bậc,
nhận được nhiều sự quan tâm của các nhà khoa học và các nhóm nghiên cứu. Một
trong những bài toán quan trọng trong lĩnh vực khai phá Web chính là phân cụm Web
[6]. Số lượng các trang Web là rất lớ
n và luôn luôn thay đổi, mỗi tài liệu không chỉ
liên quan đến một khía cạnh mà còn đề cập đến nhiều khía cạnh khác nhau dẫn đến sự
trùng lặp thông tin giữa các tài liệu. Xuất phát từ những đặc điểm này mà phân cụm
Web chỉ nên thực hiện trên các tài liệu Web của một truy vấn trả về từ máy tìm kiếm.
Sau đó kết quả sẽ được tổ chức lại cho người dùng theo các cụm.
Khóa luận vớ
i đề tài “Sử dụng phương pháp xếp hạng trong bài toán phân cụm
tiếng Việt” nghiên cứu về phân cụm Web, phân cụm trong tiếng Việt và bài toán phân
cụm tài liệu Web dựa vào việc xếp hạng các cụm từ quan trọng. Khóa luận cũng trình
bày kết quả và đánh giá ban đầu về thực nghiệm ứng dụng kỹ thuật phân cụm trên
trong các tài liệu web tiếng Việt.
Khóa luận gồm 4 chương với nội dung các chươ
ng được miêu tả như dưới đây:
Chương 1: Khái quát về phân cụm Web. Chương 1 trình bày những nét cơ bản
nhất về bài toán phân cụm Web gồm: định nghĩa và đặc điểm của bài toán, một số độ
đo độ đánh giá, các phương pháp phân cụm phổ biến, đánh giá về các phương pháp.
Chương 2: Phân cụm văn bản tiếng Việt. Chương này sẽ trình bày về các đặc
đ
iểm của tiếng Việt và các hướng tiếp cận trong việc tách từ tiếng Việt, đồng thời cũng
nêu ra một số đề tài đã được nghiên cứu về phân cụm trong tiếng Việt.
Chương 3: Phân cụm văn bản sử dụng phương pháp xếp hạng cụm từ quan
trọng. Nội dung chính của chương này là kỹ thuật phân cụm các kết quả trả về của
máy tìm ki
ếm dựa vào việc xếp hạng các cụm từ quan trọng. Chương này đưa ra nhu

cầu về phân cụm kết quả tìm kiếm, mô tả về bài toán và thuật toán cũng như những
tính toán để giải quyết bài toán.
Chương 4: Thực nghiệm và đánh giá trình bày các bước tiến hành thực nghiệm
trên các tài liệu Web tiếng Việt, việc thu thập dữ liệu huấn luyện, cài đặt thực nghiệm.
Sau đó đưa ra k
ết quả của thực nghiệm và đánh giá các kết quả này.
2

Chương 1. Khái quát về phân cụm Web

1.1. Giới thiệu về phân cụm Web
Trong thời gian gần đây, sự phát triển nhanh chóng của mạng Internet đã tạo nên
một khối lượng khổng lồ các dữ liệu dạng siêu văn bản. Vì vậy, nội dung khai phá
Web rất được quan tâm. Và một trong những bài toán quan trọng trong lĩnh vực khai
phá Web chính là bài toán phân cụm Web. [6] Phân cụm Web - nói một cách khái quát
- là việc tự động sinh ra các lớp tài liệu dựa vào sự tương tự của các tài liệu. Các lớp
tài liệu ở đây là chưa bi
ết trước, người dùng có thể chỉ yêu cầu số lượng các lớp cần
phân loại, hệ thống sẽ đưa ra các tài liệu theo từng tập hợp, từng cụm, mỗi tập hợp
chứa các tài liệu tương tự nhau.
Phân cụm Web – hiểu một cách đơn giản - là phân cụm trên tập các tài liệu được
lấy từ Web. Theo [6] có hai tình huống phân cụm tài liệu, đó là:
• Tình huống thứ nhất là việc phân c
ụm trên toàn bộ một cơ sở dữ liệu (CSDL)
có sẵn gồm rất nhiều tài liệu Web. Thuật toán phân cụm cần tiến hành việc
phân cụm toàn bộ tập dữ liệu thuộc CSDL đó. Tình huống này thường được
gọi là phân cụm không trực tuyến (off-line).
• Tình huống thứ hai thường được áp dụng trên một tập tài liệu nhỏ là tập hợp
các tài liệu do máy tìm kiếm trả về theo m
ột truy vấn của người dùng. Trong

trường hợp này, giải pháp phân cụm được tiến hành kiểu trực tuyến (on-line)
theo nghĩa việc phân cụm tiến hành theo từng bộ phận các tài liệu nhận được.
Khi đó, thuật toán phải có tính chất “gia tăng” để tiến hành phân cụm ngay
khi chưa có đủ tài liệu và phân cụm tiếp theo cần không tiến hành với dữ liệu
đã được phân cụm. Do tập tài liệu trên Web là vô cùng lớn cho nên cách phân
c
ụm trực tuyến là thích hợp hơn và phải đòi hỏi tính "gia tăng" của thuật toán
phân cụm.
Việc xử lý truy vấn cũng như xếp hạng các kết quả trả về của máy tìm kiếm phụ
thuộc vào sự tính toán độ tương tự giữa tài liệu và truy vấn, giữa các tài liệu với nhau.
Mặc dù các truy vấn liên quan phần nào đến các tài liệu cần tìm, nhưng nó thường quá
ngắn và dễ xảy ra s
ự nhập nhằng. Như đã biết, trung bình các truy vấn trên Web chỉ
gồm hai đến ba từ do đó gây nên độ nhập nhằng. Chẳng hạn, truy vấn star dẫn đến sự
nhập nhằng rất cao, các tài liệu lấy được liên quan đến astronomy, plants, animals,
3

popular media and sports figures… Độ tương tự giữa các tài liệu của một truy từ đơn
như vậy là khác nhau rất lớn. Vì lẽ đó, nếu máy tìm kiếm phân cụm các kết quả theo
từng chủ đề thì người dùng có thể hiểu truy vấn nhanh chóng hoặc tìm vào một chủ đề
xác định.
1.1.1. Đặc điểm bài toán phân cụm web
Việc phân cụm trực tuyến các tài liệu Web kết quả trả về từ
máy tìm kiếm là rất
khác so với việc phân cụm các tài liệu thông thường. Một đặc điểm của phân cụm tài
liệu web chính là số lượng các tài liệu Web là vô cùng lớn và nội dung luôn luôn thay
đổi. Ngoài ra một vấn đề nữa là các hệ thống tìm kiếm thông tin là tương tác người
dùng cho nên thời gian đáp ứng của hệ thống phải đủ nhanh, cụ thể bài toán ở đây cần
thời gian đáp ứng cần tính bằng giây [6]. Mỗi tài li
ệu Web không chỉ liên quan đến

một khía cạnh cụ thể nào đó mà đề cập đến nhiều khía cạnh khác nhau. Chẳng hạn như
tài liệu nói về “Việt Nam” cũng có thể đề cập đến cuộc đời và sự nghiệp của “Các
danh nhân Việt Nam”. Cho nên tồn tại sự trùng lặp thông tin giữa các tài liệu, có
nghĩa là một tài liệu có thể liên quan đến nhiều nội dung khác nhau.
Xuất phát từ những đặc đi
ểm đó nên việc phân cụm chỉ nên được thực hiện trên
tập các tài liệu Web của mỗi truy vấn trả về từ máy từ máy tìm kiếm. Sau đó kết quả
sẽ được tổ chức lại cho người sử dụng. Thông thường một máy tìm kiếm phục vụ hàng
triệu truy vấn một ngày cho nên việc phân phối CPU cũng như bộ nhớ cho mỗi truy
vấn cần được rút ngắn tố
i đa. Cho nên việc phân cụm có thể được thực hiện trên một
máy tách riêng tại đó chỉ nhận các kết quả của máy tìm kiếm như đầu vào, tạo ra các
cụm và biểu diễn chúng cho người sử dụng [6].








4

Với câu truy vấn “Việt Nam” máy tìm kiếm Vivisimo [15] trả về 254 kết quả tìm kiếm
với 41 cụm:
Tên cụm Số kết quả
Sản 7
Tin tức 27
Giáo 22
Học 21

Viet Nam 24
Nghiệp 20
… …
Bảng 1: Kết quả phân cụm với truy vấn “Việt Nam” [15]
1.1.2. Các yêu cầu đối với phân cụm web
Để có thể phân các tài liệu Web thành các cụm, việc đầu tiên là cần phải tính
được độ tương tự (hay độ tương đồng) giữa các tài liệu trên cơ sở biểu diễn tài liệu
Web và xem xét các đo độ tương tự giữa chúng. Thuật toán phân cụm cần đưa ra các
điều kiện dừng và gắn nhãn cho các cụm m
ột các thích hợp nhất. Căn cứ đặc điểm và
yêu cầu của bài toán phân cụm Web thì phương pháp phân cụm được lựa chọn cần đáp
ứng được các yêu cầu sau [6]:
• Tính phù hợp: Phương pháp phải tạo nên các cụm trong đó nhóm tài liệu phù
hợp với truy vấn của người dùng tách riêng với các nhóm không phù hợp khác.
• Tổng hợp phải dễ đọc: Tránh trường hợp thay vì người dùng không phải xem
xét danh sách các tài liệu
được phân hạng lại phải xem xét danh sách tài liệu trong
một cụm. Do đó phương pháp phải cung cấp mô tả ngắn gọn và chính xác của các
cụm.
• Tính đa hình: Vì các tài liệu có nhiều chủ đề, nên tránh việc hạn chế một tài
liệu chỉ thuộc về một cụm.
• Sử dụng các mẩu thông tin: Phương pháp phải tạo ra các cụm tốt thậm chí chỉ
sử dụng các mẩu thông tin đượ
c trả về bởi máy tìm kiếm (thông thường các máy tìm
5

kiếm chỉ trả về các mẩu thông tin mô tả về tài liệu). Điều này tránh cho việc người
dùng phải chờ đợi hệ thống tải toàn bộ tài liệu gốc từ Web, tải toàn bộ tài liệu gốc là
rất tốn thời gian.
• Tốc độ: Một người sử dụng dù kiên nhẫn cũng chỉ có thể xem xét khoảng

100 tài liệu trong danh sách các tài liệu được phân hạng. Hệ thống cầ
n cho phép
người dùng có thể đọc qua một tập đủ lớn các tài liệu trong một thời gian chấp nhận
được. Vì vậy cần một phương pháp phân cụm khoảng 1000 mẩu thông tin trong vài
giây.
• Tính gia tăng: Để tiết kiệm thời gian, phương pháp nên xử lý từng mẩu thông
tin ngay khi lấy được từ Web để có được kết quả tức thời ứng với mỗi thời điểm.
1.1.3. Một s
ố độ đo độ đánh giá
Độ đo đánh giá thuật toán phân cụm là một tiêu chuẩn được chỉ ra bởi một tập n
tài liệu D và một tập các truy vấn Q. Với mỗi q Є Q, một tập của các tài liệu phù hợp
là D
q
Є D được xác định bằng tay. Giả sử có một truy vấn được gửi đến hệ thống, một
danh sách được phân hạng các tài liệu (d
1
, d
2
, … d
n
) được trả về. Các hệ thống tìm
kiếm thông thường chỉ hiển thị một số mục đầu tiên của danh sách này. Tương ứng với
danh sách như vậy, có thể tính một danh sách phù hợp (r
1
, r
2
,…r
n
) bởi các số (0/1)
trong đó r

i
=1 nếu d
i
Є D
q
và bằng 0 trong các trường hợp khác. Dưới đây là một số độ
đo độ đánh giá được trình bày như trong [6].
• Độ hồi tưởng: Với truy vấn q, độ hồi tưởng (recall) tại hạng k ≥ 1 được xác
định là tỷ số của tất cả các tài liệu phù hợp bên trong (d
1
, d
2
, … d
k
):
Recall (k) =
∑
≤≤ ki
i
q
r
D
1
1

• Độ chính xác và độ chính xác trung bình
- Độ chính xác (precision) tại hạng k là tỷ số của k tài liệu trên cùng tập tài
liệu mà thật sự phù hợp:
Precision (k) =
∑

≤≤ ki
i
r
k
1
1

- Một cách đo khác là độ chính xác trung bình (Average Precision): Độ chính
xác trung bình là tổng của độ chính xác tại mỗi vị trí phù hợp trong danh
sách đáp ứng chia cho tổng số các tài liệu phù hợp được chọn. Độ chính xác
6

trung bình bằng 1 khi lấy được toàn bộ các tài liệu phù hợp và xếp loại
chúng lên trên tất cả các tài liệu không phù hợp.
Average Precision =
∑
≤≤
×
Dk
k
q
kprecisionr
D
1
)(
1

• Đo độ tương tự
- Độ trùng lặp: Độ trùng lặp dùng để đo độ tương tự của một tài liệu này với
tài liệu khác hay với một truy vấn. Cách trực tiếp nhất là đo phần giao nhau

của các đặc trưng tương ứng, ở đây là trùng lặp của các từ khóa. Đại lượng
này cũng được gọi là mức kết hợp (coordination level):
)(),(
dq
KKdqCoordLevel ∩=
- Độ tương tự Cosin: Một phương pháp khác có thể được sử dụng để đo độ
tương tự giữa các tài liệu là độ tương tự cosin. Kỹ thuật cosin là một kỹ
thuật (hay một phương pháp tính) được bắt nguồn từ tính toán vector. Trong
thu nhận thông tin, công thức tính toán cosin được sử dụng để chỉ ra (để đo)
mức độ tương tự giữa hai tài liệu hoặc giữa tài li
ệu và truy vấn, (xem hình
minh họa).

Hình 1: Minh họa để tính cosin của hai vector
Hai vector
j
d và Q càng gần nhau khi góc θ càng nhỏ hay cosin của góc đó càng
lớn. Có thể dùng cosin của góc θ làm độ tương tự của hai vector, trong đó cosin của
góc giữa hai vector được xác định như sau:
wv
wv
.
.
cos =
θ

1.2. Một số thuật toán phân cụm web
Một phương pháp nhằm thi hành thuật toán phân cụm là phân hoạch tập tài liệu
vào k tập con hoặc các cụm D
1

, …, D
k
để làm cực tiểu khoảng cách bên trong cụm
θ
7

∑∑
∈iDdd
dd
i
),(
2
,
1
21
δ
hoặc làm cực đại sự tương tự bên trong cụm
∑∑
∈iDdd
dd
i
),(
2
,
1
21
ρ
[].
Nếu một biểu diễn bên trong của các tài liệu là có giá trị thì biểu diễn này cũng
được dùng để xác định một biểu diễn của các cụm liên quan đến cùng mô hình. Chẳng

hạn, nếu các tài liệu được biểu diễn sử dụng mô hình không gian vector, một cụm của
các tài liệu có thể được biểu diễn bởi trọng tâm (trung bình) của các tài liệu vector.
Khi một biểu diễn cụm là có giá trị, một mục tiêu có thể
phân hoạch D thành D
1
, …,D
k

để cực tiểu hóa
),(
i
iDd
Dd
i
ρ
∑∑
∈
δ
hoặc cực đại hóa
),(
i
iDd
Dd
i
ρ
∑
∑
∈
ρ
trong

đó D
i
là biểu diễn vector của cụm i. Có thể xem xét tới việc gán tài liệu d cho cụm i
như việc đặt một giá trị Boolean z
d,i
là 1. Điều này có thể phát sinh ra việc phân cụm
mềm tại đó z
d,i
là một số thực từ 0 đến 1. Trong bối cảnh như vậy, ta có thể muốn tìm
z
d,i
để cực tiểu hóa
),(
i
iDd
Dd
i
ρ
∑∑
∈
δ
hoặc cực đại hóa
),(
i
iDd
Dd
i
ρ
∑
∑

∈
ρ
.
Việc phân hoạch có thể thực hiện theo hai cách. Bắt đầu với mỗi tài liệu trong
một nhóm của nó và kết hợp các nhóm tài liệu lại với nhau cho đến khi số các phân
hoạch là phù hợp; cách này gọi là phân cụm bottom-up. Cách khác là có thể khai báo
số các phân hoạch mong muốn và gán các tài liệu vào các phân hoạch; cách này gọi là
phân cụm top-down [6].
Có thể xem xét một kỹ thuật phân cụm bottom-up dựa vào quá trình lặp lại việc
trộn các nhóm của các tài liệu tương tự nhau cho đến khi đạ
t được số cụm mong muốn,
và một kỹ thuật top-down sẽ làm mịn dần bằng cách gắn các tài liệu vào các cụm được
thiết đặt trước. Kỹ thuật bottom-up thường chậm hơn, nhưng có thể được sử dụng trên
một tập nhỏ các mẫu để khởi tạo các cụm ban đầu trước khi thuật toán top-down tiến
hành.
1.2.1. Thuật toán phân cụm bottom-up (HAC - Hierarchical Agglomeraltive
Clustering)
Mặc dù có rất nhiều các công thứ
c của vấn đề phân cụm, một cách nhận thức đơn
giản để tìm ra các cụm là bắt đầu với tất cả các tài liệu và từng bước kết nối chúng
thành các nhóm ở đó độ tương tự các tài liệu bên trong mỗi nhóm là cao, và ngừng lại
khi đạt được số cụm mong muốn[6].
8

HAC (Hierarchical Agglomerative Clustering) được sử dụng rất rộng rãi trong
phân cụm và các ứng dụng truy xuất thông tin. Dưới đây là đoạn mã giả của thuật toán
HAC [6].
1. Đặt mỗi tài liệu d là một nhóm đơn {d}
2. Đặt G là tập tất cả các nhóm
3. while |G| > 1 do

4. Chọn Ґ, Δ Є G thông qua độ đo tính tương tự s(Ґ, Δ)
5. Loại bỏ Ґ, Δ khỏi G
6. Đặt Ф= Ґ
∪ Δ
7. Thêm Ф vào G
8. end while
Quá trình trộn theo cấp bậc tạo thành cây gọi là cây lược đồ. Thông thường, việc
trộn giữa các nhóm với độ tương tự s(Ґ
∪ Δ) lớn sẽ thực hiện trước. Giá trị này sẽ
ngày càng nhỏ hơn cho các lần trộn sau. Người dùng có thể cắt qua cây lược đồ tại
mức thích hợp để lấy được số cụm mong muốn. Các thuật toán khác nhau ở cách
chúng tính các giá trị mong muốn để trộn Ґ và Δ. Một độ đo phổ biến được sử dụng là
độ tương tự nội tại c
ủa Ґ ∪ Δ. Độ tương tự nội tại của một nhóm các tài liệu Ф được
định nghĩa là trung bình độ tương tự của từng cặp tài liệu trong Ф[6] .
∑
∈
−
=
φ
φφ
φ
21
,
21
),(
)1(
2
)(
dd

ddss

Trong đó độ đo cosin TFIDF được sử dụng phổ biến cho các độ tương tự s(d
1
, d
2
)
của các tài liệu bên trong. Ngoài ra còn tồn tài nhiều điều kiện trộn khác. Một cách
khác để trộn các cặp của các cụm (Ґ, Δ) là maximizes min
d1Є Ґ,d2Є Δ
s(d
1
, d
2
) hay
max
d1Є Ґ,d2Є Δ
s(d
1
,d
2
) hay
)./()),((
2
,
1
21
ΔΓ
∑
Δ∈Γ∈

dds
dd

Giả sử tài liệu d được biểu diễn trong không gian vector là
d
ρ
(dùng luôn ký hiệu
d để biểu diễn vector của tài liệu d). Nếu các tài liệu đã được chuẩn hóa thì s(d
1
, d
2
)
được dùng là tích vô hướng của (d
1
, d
2
). Với bất kỳ cụm Ф các tài liệu, thuật toán duy
trì một vector đại diện cho cụm và tính
∑
∈
=
φ
φ
d
dp
ρ
)(
.
Độ tích tụ của một cụm được tính theo công thức sau:
9

)1(
)(),(
)(
−
−
=
φφ
φφφ
φ
pp
s

và p(Ґ
∪ Δ) = <p(Ґ), p(Ґ)> + <p(Δ), p(Δ)> + 2<p(Ґ), p(Δ)>
Vì vậy để tính s(Ґ
∪ Δ) từ p(Ґ) và p(Δ) tại bước 4 của thuật toán HAC (ở trên)
chỉ phải mất thời gian để tính toán các tích vô hướng.
Ngoài ra còn một số phương pháp phân cụm bottom up khác như là: Single-link,
Group-average, Complete-link [1][9]:
•
Single-link: với phương pháp này, khoảng cách giữa hai cụng được định
nghĩa là khoảng cách giữa những đối tượng giống nhau nhất giữa hai nhóm
D(r,s) = Min (d(i,j)) với i thuộc ra và j thuộc s. Với hai cụm bất kỳ, ta tính tất
cả các khoảng cách giữa hai phần tử thuộc hai cụm, từ đó suy ra khoảng cách
nhỏ nhất tìm được chính là khoảng cách giữa hai cụm. Tại mỗi bước, hai cụm
gần nhau nhất sẽ đượ
c chọn để ghép lại với nhau.
•
Complete-link: Phương pháp này đối ngược với single-link, khoảng cách giữa

các cụm được định nghĩa là: D(r,s) = Max(d(i,j)) với i thuộc r, j thuộc s. Hai
cụm có khoảng cách nhỏ nhất sẽ được chọn để nhóm làm một cụm.
•
Group-average: phân cụm bằng group-average đánh giá chất lượng phân cụm
dựa vào độ tương tự giữa tất cả các cụm, nó tránh được thiếu sót của hai
phương pháp single-link và complete-link. Nó tính độ tương tự trung bình
sim-ga của tất cả các cặp văn bản, bao gồm cả các cặp trong cùng một cụm,
nhưng những độ tương tự tính trong một cùng một cụm không chứa trong
phép trung bình.
1.2.2. Thuật toán phân cụm top-down
Nếu kỹ thuật phân cụm bottom-up dựa vào quá trình lặp việc trộn các cụm tài
liệu tương tự nhau đến khi đạt được số cụm mong muốn thì kỹ thuật top-down lại
ngược lại, gán các tài liệu vào các cụm được lập từ trước. Dưới đây sẽ trình bày hai
thuật toán phân cụm theo kỹ thuật top-down là k-means và Sufix Tree Clustering.
a. Thuật toán k-means
¾
K-means với gán “cứng”
Theo các nghiên cứu được công bố, kỹ thuật phân cụm Bottom-up được sử dụng
trực tiếp tốn thời gian và không gian O(n
2
) và không thích hợp cho các tập dữ liệu lớn.
10

Nếu coi như đặt trước số cụm là k, kỹ thuật phân hoạch Top-down thường được sử
dụng vì hiệu quả hơn [6]. Một thuật toán nổi tiếng nhất sử dụng kỹ thuật này là thuật
toán K-means. Tồn tại hai dạng của thuật toán k-means là dạng cứng và dạng mềm[6].
Dạng “cứng” ánh xạ tài liệu tới các cụm theo một trong hai giá trị 0 hoặc 1, dạng
“mềm” ánh xạ tài liệu t
ới các cụm theo một giá trị trong khoảng 0 và 1.
Trong dạng tổng quát, thuật toán k-means sử dụng các biểu diễn nội tại cho các

đối tượng được phân cụm và chính các cụm. Sử dụng phương pháp biểu diễn vector
cho tài liệu và dùng vector trọng tâm các tài liệu thuộc cụm để thể hiện cho cụm.
Khởi tạo một cấu hình ban đầu tùy ý (hoặc được chọn từ một tính toán từ trước)
cho thuật toán k-means, chứa đựng tậ
p các tài liệu được chia thành k cụm với k vector
trọng tâm tương ứng đã được tính. Quá trình thực hiện thuật toán theo mô tả sau
đây[6]:
1. Khởi tạo các trọng tâm của cụm từ các vector được chọn
2.
while có thể tốt hơn do
3.
for mỗi tài liệu d do
4. Tìm cụm c tại đó trọng tâm của cụm là gần nhất với d
5. Gán d cho cụm c
6.
end for
7. for mỗi cụm c do
8. Tính lại trọng tâm của cụm c dựa vào các tài liệu đã gán cho nó.
9.
end for
10. end while
Bước cơ bản (vòng lặp while) trong thuật toán k-means được gọi là move-to-
nearest. Tồn tại một số cách thức đặt điều kiện cho việc dừng vòng lặp. Một điều kiện
dừng vòng lặp while ("có thể tốt hơn") thường được dùng là sau khi thực hiện thân
vòng lặp while mà các cụm là không thay đổi (hoặc sự thay đổi là không đáng kể),
hoặc trọng tâm của cụm di chuyển các khoảng không đáng k
ể trong các lần lặp tiếp
theo.

¾

Thuật toán K-means với gán “mềm”
Thay vì chỉ rõ việc gán các tài liệu cho các cụm, dạng “mềm” của k-means biểu
diễn mỗi cụm c sử dụng một vector μ
c
trong không gian. Do không có một sự rõ ràng
11

trong việc gán các tài liệu cho các cụm, μ
c
không trực tiếp liên hệ với các tài liệu – ví
dụ nó không cần thiết là trọng tâm của các tài liệu. Mục đích của k-means “mềm” là
tìm một μ
c
cho mỗi cụm c để tối thiểu hóa lỗi lượng tử
∑
−
d
cc
d
2
min
μ
. Một chiến
lược đơn để giảm lỗi là đưa ra các vector trung bình là khoảng cách từ các tài liệu đến
cụm gần nhất[6]. Ta sẽ lập lại việc quét qua các tài liệu, và với mỗi tài liệu d, tích lũy
một Δμ
c
cho cụm μ
c
gần d nhất:

nếu μ
c
gần d nhất
()
0
C
c
d
d
μ
η
μ
−
⎧
Δ=
⎨
⎩
∑

các trường hợp khác

Sau khi quét một lần qua tất cả các tài liệu, tất cả các μ
c
được cập nhật đồng loạt
bởi công thức

μ
c
Å

μ
c
+

Δμ
c
trong đó η được gọi là learning rate. Nó duy trì một số dữ
liệu của quá khứ và làm ổn định hệ thống. Chú ý mỗi tài liệu d chỉ chuyển vào một μ
c
trong mỗi đợt. Việc phân bố tài liệu d không bị giới hạn đến chỉ một μ
c
mà gần nó
nhất. Việc phân bố có thể được chia sẻ giữa nhiều tài liệu, việc phân chia cho cụm c
quan hệ trực tiếp đến độ tương tự hiện thời giữa μ
c
và d. Ví dụ để có thể làm mềm công
thức tính Δμ
c
ở trên như sau:
)(
/1
/1
2
2
c
c
c
d
d
d

μ
μ
μ
ημ
γ
γ
−
−
−
=Δ
∑

Hoặc
)(
)exp(
)exp(
2
2
c
c
c
d
d
d
μ
μ
μ
ημ
γ
γ

−
−−
−−
=Δ
∑

Tồn tại nhiều quy tắc cập nhật khác có thể được sử dụng. Gán “mềm” không làm
mất đi liên kết chặt trong việc tạo nên phân bố các tài liệu cho một cụm đơn đạt được
một cách tỉ mỉ[6].
b. Thuật toán STC (Suffix Tree Clustering)
Theo [11][13] STC là thuật toán phân cụm dựa vào việc nhận dạng các cụm từ
thường xuyên xuất hiện trong một nhóm văn bản. Trong hoàn cảnh của chúng ta, một
cụm từ là một chuỗi có trình tự của một hoặc nhiều hơn một từ. Chúng ta định nghĩa
12

một base cluster (cụm cơ sở) là một tập hợp các văn bản cùng chia sẻ một cụm từ nào
đó.
Thuật toán gồm ba bước: (1) “làm sạch” tài liệu (document “learning”), (2) xác
định các cụm cơ sở (base clusters) sử dụng cây hậu tố, (3) trộn các cụm cơ sở tạo
thành các cụm.
(1)Trong bước làm sạch tài liệu, xóa tất cả các hậu tố và tiền tố của các từ nếu có,
đưa toàn bộ số
nhiều về số ít, loại bỏ các ký tự không phải là một từ (như các thẻ
HTML, hệ thống dấu chấm câu), các từ trong tài liệu được giữ nguyên vị trí.
(2) Xác định các cụm cơ sở: Theo định nghĩa trong [13] thì cây hậu tố T là một
cây có hướng có gốc, biểu diễn một chuỗi s bất kỳ có chiều dài m với đúng m nút lá.
Mỗi cạnh trên cây hậu tố đều được gán nhãn bằng một chu
ỗi con khác rỗng của chuỗi
s. Các nhãn của hai cạnh bất kỳ xuất phát từ một nút chung phải bắt đầu bằng các ký
tự khác nhau. Đối với nút lá của cây hậu tố, việc kết các nhãn của các nút nằm trên con

đường đi từ gốc đến nút lá đó sẽ tạo thành một hậu tố của chuỗi s.
Như tên của nó, cây hậu tố sẽ biểu diễn các chuỗi hậu tố của 1 t
ừ hoặc một cụm từ.
Chuỗi hậu tố là tập hợp các đơn vị từ hoặc chữ cái cạnh nhau đi sau từ hoặc cụm từ.
Đơn vị từ ở đây có thể là chữ cái nếu xây dựng cây hậu tố cho từ, và là từ nếu xây
dựng cây hậu tố cho 1 cụm
Lấy ví dụ: Từ misisippi có các hậu tố là
T
1
= mississippi
T
2
= ississippi
T
3
= ssissippi
T
4
= sissippi
T
5
= issippi
T
6
= ssippi
T
7
= sippi
T
8

= ippi
T
9
= ppi
T
10
= pi
13

T
11
= i
Ta có thể sắp xếp lại từ tự dãy hậu tố trên như sau:
T
11
= i
T
8
= ippi
T
5
= issippi
T
2
= ississippi
T
1
= mississippi
T
10

= pi
T
9
= ppi
T
7
= sippi
T
4
= sissippi
T
6
= ssippi
T
3
= ssissippi
Việc xây dựng như trên giúp ta xây dựng một cây với đặc điểm là:
•
Không có 2 nút nào cùng là con của một nút có nhãn cạnh như nhau.
•
Và có thể đưa ra tất cả các tập con với các đơn vị từ liên tiếp có đơn vị cuối là
đơn vị cuối của từ, cụm từ được đưa vào phân tích.
•
Có một nút gốc sinh ra cây
•
Mỗi nút trong có ít nhất 2 nút con
•
Các nhãn được đặt phải có liên kết với nhau.
•
Với mỗi hậu tố của s, tồn tại một nút có nhãn là s.

Cây hậu tố được tổ chức thành cây gồm nhiều nút. Mỗi nút sẽ lưu trữ tất cả các thông
tin về các cụm từ ( tần số xuất hiện trong tập văn bản, tần số xuất hiện trong từng văn
bản) trong khi quan hệ giữa chúng lại nói lên sự tồn tại của các cụm từ
Trong phân cụm, ng
ười ta sử dụng cây hậu tố mở rộng để phân tích các câu: [11] Cây
hậu tố mở rộng là cây hậu tố nhằm kết tất cả các hậu tố của các câu trong văn bản.
14

Tức là ta phân tích văn bản bằng cây hậu tố, mỗi câu được coi là một hậu tố, mỗi hậu
tố của câu cũng là một hậu tố. Mỗi nút có thể là 1 tử, hoặc là 1 cụm từ đi liền. Sau đó
xét tất cả các cụm được coi là hậu tố và xét quan hệ của chúng với nhau để nhóm lại
thành một cây.
Ví dụ một cây hậu tố với tập hợp các string là 3 câu: “cat ate cheese”, "mouse ate
cheese too" , "cat ate mouse too". Phân tích v
ới cây hậu tố với mỗi đơn vị là một từ. Ở
trong văn bản gồm 3 câu này sẽ có các cụm từ được đưa ra lần lượt như sau:
1.
cat [2]( 1 3)
2.
cat ate [2]( 1 3)
3.
cat ate cheese [1]( 3)
4.
cat ate mouse [1]( 1)
5.
cat ate mouse too [1]( 1)

6.
ate [3]( 1 2 3) (ate xuất hiện 3 lần trong cả 3 câu)
7.

ate cheese [2]( 2 3)
8.
ate cheese too [1]( 2)
9.
ate mouse [1]( 1)
10.
ate mouse too [1]( 1)

11.
cheese [2]( 2 3)
12.
cheese too [1]( 2)
13.
mouse [2]( 1 2)
14.
mouse ate cheese [1]( 2)
15.
mouse ate cheese too [1]( 2)
16.
mouse too [1]( 1)
17.
too [2]( 1 2]


15

và cây hậu tố chúng ta xây dựng được sẽ là
tree1>| cat ate cheese
| ate cheese
| cheese

Tree2>| mouse ate cheese too
| ate cheese too
| cheese too
| too
Tree3>| cat ate mouse too
| ate mouse too
| mouse too
| too
Coi mỗi hậu tố là một vector. Ta so sánh độ tương đồng giữa các vetor và dùng các
thuật toán gom cụm để gom các câu trong văn bản lại và tổng hợp đưa ra vector đặc
trưng cho câu. Cây cuối cùng được đưa ra là
Tree
Æ| cat ate| cheese
| | mouse
|
| ate| cheese| too
| | | $
| | mouse too
|
| mouse| too
| | ate cheese too
| cheese| too
| | $
| too
16


Hình 2: Cây hậu tố mở rộng
Trong đó Node(a, b):
a= hậu tố thuộc câu

b= số thứ tự của lần xuất hiện
chúng ta gán nhãn cho tất cả các nút trong của cây. Mỗi nhãn này tương đương với
một từ hoặc một cụm từ nhận được từ các cạnh liền nhau từ gốc đến nhãn đó. Sau đó
đánh giá các nút này.
Node Cụm từ Văn bản
a Cat ate 1, 3
b Ate 1, 2, 3
c Cheese 1, 3
d Mouse 2, 3
e Too 2, 3
F Ate cheese 1, 2
Bảng 2: Các tài liệu chứa cụm từ ở các node
Và bằng cách này, cụm cơ sở được đưa ra dựa vào số văn bản mà cụm từ này xuất hiện
và số từ trong cụm. Công thức:
S(B) = |B| * f

17

Trong đó: |B| là số văn bản trong cụm cơ sở B
|P| số lượng từ hợp pháp trong cụm P (have non zero score)
zero score words: stopwords, quá ít(<3) hoặc quá nhiều( >40%)
hàm f không xác định với các cụm từ có độ dài bằng 1, là một hàm tuyến tính với
những cụm từ có độ dài từ 2 đến 6 và sẽ không đổi với những cụm từ dài hơn 6.
(3)Một vấn đề đặt ra là các văn bản có thể chứa nhiều cụm từ giố
ng nhau. Vì thế
với cách phân cụm cơ sở như trên thì việc 2 cụm cơ sở có chia sẻ chung một số văn
bản có xác suất khá lớn. Để tránh việc trùng lấp này chúng ta trộn những cụm có chứa
số văn bản dùng chung lại thành một cụm. Giả sử Bm and Bn là 2 cụm phân biệt. Gọi
|Bm∩Bn| là tập hợp các văn bản thuộc cả 2 cụm trên.
Chúng ta định nghĩ

a độ tương tự giữa 2 cụm là 1 nếu:
|Bm∩Bn|/|Bm| >0.5 và
|Bm∩Bn|/|Bn| > 0.5.
Và là 0 trong trường hợp còn lại

Hình 3: Kết quả sau khi trộn các tài liệu
Xét trong ví dụ trên. Các thông số được thể hiện như hình trên. Mỗi nút là một
cụm và mỗi cạnh nối với nhau thể hiện rằng độ tương tự giữa 2 cụm là lớn hơn 1 tức là
các cụm có tồn tại một cạnh nối có thể hợp lại với nhau thành một cụm. như vậy sơ đồ
trên thể hiện duy nhất một cụm.