khai thác tập mục cổ phần theo giao tác cao

Số hóa bởi Trung tâm Học liệu

1
ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG






NÔNG THỊ NINH




Đề tài:

KHAI PHÁ TẬP MỤC CỔ PHẦN THEO GIAO TÁC CAO



LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH




Thái Nguyên, tháng 7 năm 2014

Số hóa bởi Trung tâm Học liệu

2
LỜI CẢM ƠN

Luận văn này được hoàn thành với sự hướng dẫn tận tình của TS Lê Văn
Phùng – Viên Công nghệ thông tin - Viện Hàn Lâm Khoa học Việt Nam. Trước tiên
tôi xin chân thành bày tỏ lòng biết ơn sâu sắc tới TS. Lê Văn Phùng người đã tận
tình hướng dẫn, động viên giúp đỡ tôi trong suốt thời gian thực hiện luận văn. Tôi
cũng xin chân thành cảm ơn các thầy cô trong trường Công Nghệ thông tin và
Truyền thông – Đại học Thái Nguyên, tạo điều kiện thuận lợi cho tôi hoàn thành tốt
khóa học.
Xin chân thành cảm ơn các anh, các chị và các bạn học viên lớp Cao học
CHK11g đã luôn động viên, giúp đỡ và nhiệt tình chia sẻ với tôi những kinh nghiệm
học tập, công tác trong suốt khoá học.
Cuối cùng, tôi xin gửi lời cảm ơn sâu sắc đến gia đình, người thân, bạn bè đã
động viên, khuyến khích và hỗ trợ cần thiết để tôi hoàn thành luận văn này.
Mặc dù rất cố gắng, song luận văn này không thể tránh khỏi những thiếu sót,
kính mong được sự chỉ dẫn của các quý thầy cô và các bạn.
Thái Nguyên, ngày 5 tháng 7 năm 2014
Ngƣời viết


Nông Thị Ninh

Số hóa bởi Trung tâm Học liệu

3
LỜI CAM ĐOAN

n luận văn này đã được cảm ơn và các thông tin trích

dẫn trong luận văn đã được chỉ rõ nguồn gốc.

Thái Nguyên, ngày tháng năm 2014
Ngƣời cam đoan


Nông Thị Ninh



















Số hóa bởi Trung tâm Học liệu

4
BẢNG KÝ HIỆU CHỮ VIẾT TẮT

S
TT
Ký hiệu viết tắt
Giải thích
1
ABBM: Algorithm Based on
Boolean Matrix
Thuật toán dựa trên ma trận Boolean

CSDL
Cơ sở dữ liệu

DBMS
Hệ quản trị cơ sở dữ liệu

IR (Information Retrieval)
Truy xuất thông tin

KPDL
Khai phá dữ liệu
6
OODBMS
Object Oriented Database
Management System
Hệ quản trị cơ sở dữ liệu hướng đối
tượng
7
RDBMS
Ralational Database

Management System
Hệ quản trị cơ sở dữ liệu quan hệ
8
12
, , ,
n
I i i i

Tập n mục dữ liệu
9
12
, , ,
m
DB T T T

Cơ sở dữ liệu có m giao tác
1
0
db
Cơ sở dữ liệu giao tác con của DB, db
DB
1
1
i
p

Mục dữ liệu thứ p
1
2
T

q
Giao tác thứ q
1
3
n
Số mục dữ liệu một cơ sở dữ liệu giao
tác
1
4
m
Số giao tác của một cơ sở dữ liệu giao
tác
1
A,B,C…
Tên các mục dữ liệu trong cơ sở dữ liệu

Số hóa bởi Trung tâm Học liệu

5
5
giao tác
1
6
minsup
Ngưỡng độ hỗ trợ
1
7
minshare
Ngưỡng cổ phần tối thiểu
1

8
minconf
Ngưỡng độ tin cậy tối thiểu
1
9
│X│
Số phần tử của tập hợp X




Số hóa bởi Trung tâm Học liệu

6

DANH MỤC CÁC BẢNG

Bảng 1. Biểu diễn cơ sở dữ liệu giao tác ngang 13
Bảng 2. Biểu diễn cơ sở dữ liệu giao tác dọc 13
Bảng 3. Biểu diễn cơ sở dữ liệu giao tác ma trận 14
Bảng 4. Cơ sở dữ liệu minh họa thực hiện thuật toán COFI-tree 26
Bảng 5. Các mục dữ liệu và độ hỗ trợ 27
Bảng 6. Các mục dữ liệu và độ hỗ trợ 27
Bảng 7. Các mục dữ liệu trong giao tác sắp xếp giảm dần theo độ hỗ trợ 27
Bảng 8. Cơ sở dữ liệu ví dụ 34
Bảng 9. Giá trị lmv và cổ phần của các mục dữ liệu trong CSDL bảng 8 35
Bảng 10: Các tập mục cổ phần cao của CSDL bảng 8 36
Bảng 11: CSDL minh họa ngữ nghĩa của tập mục cổ phần cao 37
Bảng 12: Các giá trị lmv và hàm tới hạn với k=1. 44
Bảng 13. Các giá trị lmv và hàm tới hạn với k=2. 45

Bảng 14. Các giá trị lmv và hàm tới hạn với k=3. 46
Bảng 15: CSDL minh họa có trường hợp hai hàm tới hạn bằng nhau. 51
Bảng 16: CSDL minh họa trường hợp hai hàm tới hạn luôn bằng nhau. 51
Bảng 17: Giá trị hai hàm tới hạn khi k=1 52










Số hóa bởi Trung tâm Học liệu

7

DANH MỤC CÁC HÌNH


Hình 1.1. Kiến trúc điển hình của hệ thống khai phá dữ liệu 10
Hình 1.2. Hình cây FP-Growth 28
Hình 1.3. Cây COFI-tree của mục D 29
Hình 1.4 Các bước khai phá cây D-COFI-tree 22.

Số hóa bởi Trung tâm Học liệu

8
MỞ ĐẦU
1. Đặt vấn đề
Chúng ta đang sống trong thời đại bùng nổ về dữ liệu và máy tính đang giữ
vai trò ngày càng trở nên quan trọng trong việc lưu trữ và xử lý thông tin. Bên cạnh
đó, những thiết bị thu thập dữ liệu tự động cũng phát triển mạnh góp phần tạo ra
những kho dữ liệu khổng lồ. Mặc dù trong môi trường tràn ngập dữ liệu như vậy
nhưng con người vẫn thiếu thông tin. Theo thống kê của một tổ chức uy tín thì chỉ
có 2% - 3% lượng dữ liệu được chuyển thành thông tin có ích. Khi xã hội càng phát
triển, lượng thông tin cần càng nhiều thì công việc tổ chức, khai phá dữ liệu ngày
càng khó khăn.
Như vậy, trong quá trình sử dụng và khai thác thông tin người ta nhận thấy
rằng có rất nhiều tri thức còn tiềm ẩn trong dữ liệu. Vấn đề đặt ra là làm thế nào để
khai thác được thông tin và khai thác một cách có hiệu quả.
Trong quá trình khai phá dữ liệu, có rất nhiều kỹ thuật đã và đang được
nghiên cứu. Đặc biệt là các bài toán về khai phá luật kết hợp. Năm 1997, Hilderman
đề xuất bài toán khai phá tập mục cổ phần cao. Cổ phần hay đóng góp của một tập
mục là số đo tỷ lệ đóng góp của tập mục trong cơ sở dữ liệu. Khai phá tập mục cổ
phần cao là khám phá tất cả các tập mục có cổ phần không nhỏ hơn ngưỡng quy
định. Loại bài toán này đang được sự quan tâm đặc biệt trong nghiên cứu và đời
sống xã hội vì sự đáp ứng to lớn của chúng đối với nhu cầu của thực tiễn. Chính vì
vậy, chúng tôi đã chọn đề tài về khai phá tập mục cổ phần cao làm luận văn thạc sỹ
của mình.
2. Đối tƣợng và phạm vi nghiên cứu

- Đối tượng nghiên cứu là cơ sở dữ liệu giao tác
-Phạm vi nghiên cứu trong khuôn khổ tập mục cổ phần cao cùng với các
phương pháp, thuật toán khai phá, đặc biệt là tập trung thuật toán khai phá tập mục
cổ phần theo giao tác cao là các giá trị theo giao tác của tập mục cần lớn hơn giá trị
cổ phần tối thiểu.

Số hóa bởi Trung tâm Học liệu

9
3. Hƣớng nghiên cứu của đề tài- Nghiên cứu về khai phá dữ liệu, tập trung
vào khai phá tập mục thường xuyên, tập mục cổ phần cao, đặc biệt là tập mục cổ
phần cao theo giao tác cao.
- Cài đặt thực nghiệm tìm tập mục cổ phần cao theo giao tác cao từ dữ liệu
bán hàng của một siêu thị cụ thể ở Thái Nguyên.
4. Những nội dung nghiên cứu chính
Ngoài phần mở đầu thì luận văn gồm 3 chương sau:
Chƣơng 1. KHÁI QUÁT KHAI PHÁ DỮ LIỆU VÀ BÀI TOÁN KHAI
PHÁ TẬP MỤC THƢỜNG XUYÊN
Chƣơng 2. KHAI PHÁ TẬP MỤC CỔ PHẦN CAO
Chƣơng 3. ỨNG DỤNG KHAI PHÁ TẬP MỤC CỔ PHẦN CAO THEO
GIAO TÁC CAO
5. Phƣơng pháp nghiên cứu
- Kết hợp lý thuyết với đánh giá thực nghiệm
- Sưu tâp và tổng hợp các kết quả nghiên cứu về tập mục thường xuyên, Khái
phá tập mục cổ phần cao và tập mục cổ phần cao theo giao tác cao từ nguồn sách và
các bài báo khoa học, hội thảo chuyên ngành trong nước và ngoài nước.
- Phân tích bài toán ứng dụng và chọn lọc thuật toán thử nghiệm thích hợp.
6. Ý nghĩa khoa học của đề tài
Nghiên cứu tập mục cổ phần cao theo giao tác cao là một nhiệm vụ khai phá
dữ liệu quan trọng nhằm phát hiện những tri thức có ý nghĩa lớn, bảo đảm cơ sở

khoa học trong chuyên ngành khoa học máy tính. Trong lĩnh vực kinh doanh việc
tìm ra những tập mục cổ phần cao theo giao tác cao là thật sự cần thiết nhằm tăng
hiệu suất và lợi nhuận hoạt động kinh tế của các doanh nghiệp.


Số hóa bởi Trung tâm Học liệu

10
Chƣơng 1
KHÁI QUÁT KHAI PHÁ DỮ LIỆU VÀ
BÀI TOÁN KHAI PHÁ TẬP MỤC THƢỜNG XUYÊN

1.1. Tổng quan về khai phá dữ liệu
1.1.1 Kiến trúc của một hệ thống khai phá dữ liệu
Kiến trúc của một hệ thống (KPDL) điển hình có thể có các thành phần như
hình 1.1.

Hình 1.1. Kiến trúc điển hình của hệ thống khai phá dữ liệu
- Cơ sở dữ liệu (CSDL), kho dữ liệu hoặc các lưu trữ thông tin khác
(Databases, Data warehouse, …): Đây là một hay một tập các CSDL, các kho dữ
liệu, các trang tính hay các dạng lưu trữ thông tin khác. Các kỹ thuật làm sạch dữ
liệu và tích hợp dữ liệu có thể được thể hiện trên những dữ liệu này.
- Máy chủ CSDL hay máy chủ kho dữ liệu (Database or warehouse server):
Máy chủ này có trách nhiệm lấy những dữ liệu thích hợp dựa trên các yêu cầu khai
phá của người dùng.

Số hóa bởi Trung tâm Học liệu

11
- Cơ sở tri thức (Knowledge base): Đây là miền tri thức được dùng để hướng

dẫn việc tìm kiếm hay đánh giá độ quan trọng của các hình mẫu kết quả.
- Máy KPDL (Data mining engine): Một hệ thống KPDL cần phải có một tập
các modun chức năng để thực hiện công việc như: đặc trưng hoá, kết hợp, phân lớp,
phân cụm, phân tích sự tiến hoá.
- Modun đánh giá mẫu (Pattern evaluation): Bộ phận này tương tác với các
modun KPDL để duyệt tìm các mẫu đáng được quan tâm. Nó có thể dùng các
ngưỡng về độ quan tâm để lọc mẫu đã khám phá được. Cũng có thể modun đánh giá
mẫu được tích hợp vào modun khai phá, tuỳ theo sự cài đặt của phương pháp khai
phá được dùng.
- Giao diện đồ họa người dùng (Graphical user interface): Bộ phận này cho
phép người dùng giao tiếp với hệ thống KPDL. Ngoài ra, bộ phận này còn cho phép
người dùng xem các lược đồ CSDL, lược đồ kho dữ liệu (hay các cấu trúc dữ liệu),
các đánh giá mẫu và hiển thị các mẫu trong khuôn dạng khác nhau.
1.1.2. Nhiệm vụ chính của khai phá dữ liệu
Các bài toán liên quan đến KPDL về bản chất là các bài toán thống kê. Điểm
khác biệt giữa các kỹ thuật KPDL và các công cụ phục vụ tính toán thống kê mà
chúng ta đã biết là ở khối lượng cần tính toán. Khi dữ liệu đã trở nên khổng lồ thì
những khâu như: thu thập dữ liệu, tiền xử lý và xử lý dữ liệu đều đòi hỏi phải được
tự động hóa. Tuy nhiên ở công đoạn cuối cùng, việc phân tích kết quả sau khi đã
KPDL vẫn luôn là công việc của con người.
Do là một lĩnh vực đa ngành, KPDL thu hút các lĩnh vực khoa học khác như
trí tuệ nhân tạo, cơ sở dữ liệu, hiển thị dữ liệu, marketing, toán học, vận trù học, tin
sinh học, nhận dạng mẫu, tính toán thống kê …
Điều mà KPDL có thể làm rất tốt là phát hiện ra những giả thuyết mạnh
trước khi sử dụng những công cụ tính toán thống kê. Mô hình dự báo sử dụng kỹ
thuật phân cụm (Crustering) để chia nhóm các sự vật, sự kiện sau đó rút ra các luật
nhằm tìm ra đặc trưng cho mỗi nhóm và cuối cùng đề nghị một mô hình. Ví dụ,
những bạn đọc đăng ký dài hạn của một tạp chí có thể phân nhóm dựa theo nhiều

Số hóa bởi Trung tâm Học liệu

12
tiêu chí khác nhau (lứa tuổi, giới tính, thu nhập…), sau đó tạp chí căn cứ vào đặc
trưng riêng của từng nhóm để đề ra mức phí thu trong năm sao cho phù hợp nhất.
Những nhiệm vụ cơ bản nhất của KPDL là:
Phân cụm, phân loại, phân nhóm, phân lớp. Nhiệm vụ là trả lời câu hỏi:
Một dữ liệu mới thu thập sẽ thuộc về nhóm nào? Quá trình này thường được thực
hiện một cách tự động.
Khai phá luật kết hợp. Nhiệm vụ là phát hiện ra những mối quan hệ giống
nhau của các bản ghi giao dịch. Luật kết hợp X=>Y có dạng tổng quát là: Nếu một
giao dịch đã sở hữu các tính chất X thì đồng thời nó cũng sở hữu các tính chất Y, ở
một mức độ nào đó. Khai phá luật kế thợp được hiểu theo nghĩa: Biết trước các tính
chất X, vậy các tính chất Y là những tính chất nào?
Lập mô hình dự báo, bao gồm hai nhiệm vụ: Hoặc là phân nhóm dư liệu
vào một hay nhiều lớp dữ liệu đã xác định từ trước, hoặc là sử dụng các trường đã
cho trong một cơ sở dữ liệu để dự báo sự xuất hiện (hoặc không xuất hiện) của các
trường hợp khác.
Phân tích đối tượng ngoài cuộc: Một cơ sở dữ liệu có thể có thể chứa các
đối tượng không tuân theo mô hình dữ liệu. Các đối tượng dữ liệu như vậy gọi là
các đối tượng ngoài cuộc. Hầu hết các phương pháp KPDL đều coi các đối tượng
ngoài cuộc là nhiễu và loại bỏ chúng. Tuy nhiên trong một số ứng dụng, chẳng hạn
như phát hiện nhiễu thì sự kiện hiếm khi xảy ra lại được chú ý hơn những gì thường
xuyên gặp phải. Sự phân tích dữ liệu ngoài cuộc được coi như là phai phá các đối
tượng ngoài cuộc. Một số phương pháp được ứng dụng để phát hiện đối tượng
ngoài cuộc: Sử dụng các hình thức kiểm tra mang tính thống kê trên cơ sở một phân
phối dữ liệu hay một mô hình xác suất cho dữ liệu, dùng các độ đo khoảng cách mà
theo đó các đối tượng có một khoảng cách đáng kể đến cụm bất kỳ khác được coi là
đối tượng ngoài cuộc, dùng các phương pháp dựa trên độ lệch để kiểm tra sự khác
nhau trong những đặc trưng chính của các nhóm đối tượng.
Phân tích sự tiến hóa: Phân tích sự tiến hóa thực hiện việc mô tả và mô

hình hóa các quy luật hay khuynh hướng của những đối tượng mà ứng xử của chúng

Số hóa bởi Trung tâm Học liệu

13
thay đổi theo thời gian. Phân tích sự tiến hóa có thể bao gồm cả đặc trưng hóa, phân
biệt, tìm luật kết hợp, phân lớp hay phân cụm dữ liệu liên quan đến thời gian, phân
tích dữ liệu theo chuỗi thời gian, so sánh mẫu theo chu kỳ và phân tích dữ liệu dựa
trên tính tương tự. [3]
1.2. Bài toán khai phá tập mục thƣờng xuyên
1.2.1. Khái niệm Tập mục thường xuyên
Định nghĩa 1.1: Cho tập mục (item) I={I
1
,I
2
,…,I
m
}. Một giao tác
(transaction) T là một tập con của I, T I. Cơ sở dữ liệu giao tác là tập các giao tác
DB={T
1
,T
2
, …, T
m
}. Mỗi giao tác được gán một định danh T
id
. Một tập mục con X
I, gồm k mục phân biệt được gọi là k-tập mục. Giao tác T gọi là chứa tập mục X
nếu X T.

Biểu diễn cơ sở dữ liệu giao tác: Cơ sở dữ liệu giao tác thường được biểu
diễn ở dạng biểu diễn ngang, biểu diễn dọc và biểu diễn bởi ma trận giao tác.
Biểu diễn ngang: cơ sở dữ liệu là một danh sách các giao tác. Mỗi giao tác
có một định danh T
id
và một danh sách các mục dữ liệu trong giao tác đó.
Bảng 1. Biểu diễn cơ sở dữ liệu giao tác ngang
Giao tác
Mục dữ liệu
T1
A, C, D
T2
B, C, E
T3
A, B, C, E
T4
B, E
Biểu diễn dọc: Cơ sở dữ liệu là một danh sách các mục dữ liệu, mỗi mục dữ
liệu có một danh sách tất cả các định danh của các giao tác chứa mục dữ liệu này.
Bảng 2. Biểu diễn cơ sở dữ liệu giao tác dọc

Mục dữ liệu
Các giao tác
A
T1, T3

Số hóa bởi Trung tâm Học liệu

14
B

T2, T3, T4
C
T1, T2, T3
D
T1
E
T2, T3, T4

Biểu diễn ma trận nhị phân: Cơ sở dữ liệu giao tác trên tập mục (item) được
biểu diễn bởi ma trận nhị phân M = (m
pq
)
mxn
ở đó

Bảng 3. Biểu diễn cơ sở dữ liệu giao tác ma trận
Mục
T1
T2
T3
T4
A
1
0
1
0
B
0
1
1

1
C
1
1
1
0
D
1
0
0
0
E
0
1
1
1

1.2.2. Tập mục thường xuyên và luật kết hợp
Định nghĩa 1.2: Cho tập mục X I. Độ hỗ trợ (Support) của tập mục X
trong cơ sở dữ liệu giao tác DB, ký hiệu sup(X), là tỷ lệ phần trăm của các giao tác
chứa tập mục X trên tổng số giao tác trong DB, tức là:
||
|}|{|
)sup(
DB
XTDBT
X


Số hóa bởi Trung tâm Học liệu

15
Định nghĩa 1.3: Cho tập mục X I với ngưỡng hộ trợ tối thiểu (minimum
support) minsup [0,1] (được xác định trước bởi người sử dụng). X được gọi là tập
mục thường xuyên (frequent itemset hoặc large itemset) với độ hỗ trợ tối thiểu
minsup nếu sup(X) minsup, ngược lại X gọi là tập mục không thường xuyên.
Định nghĩa 1.4: Một luật kết hợp là một biểu thức dạng X Y, trong đó X
và Y là các tập con của I, X Y= ; X gọi là tiên đề, Y gọi là kết luận của luật.
Luật kết hợp có hai thông số quan trọng là độ hỗ trợ và độ tin cậy.
Định nghĩa 1.5: Độ hỗ trợ (support) luật kết hợp, ký hiệu là sup(X Y), là
độ hỗ trợ của tập mục X Y, sup(X Y) = sup(X Y).
Như vậy độ hỗ trợ của luật kết hợp X Y chính là xác suất P(X Y) của sự
xuất hiện đồng thời của X và Y trong một giao tác.
Ta có 0 sup (X Y ) 1
Định nghĩa 1.6: Độ tin cậy (confidence) luật kết hợp, ký hiệu là
conf(X Y), là tỷ lệ phần trăm giữa số giao tác chứa X Y và số giao tác chứa X
trong cơ sở dữ liệu DB.
)sup(
)sup(
)(
X
YX
YXconf

Độ tin cậy của luật kết hợp X Y chính là xác suất có điều kiện P(X/Y):
)sup(
)sup(
|}|{|
|}|{|
|}|{|

|}|{|
)/(
X
YX
TXDBT
TYXDBT
TXDBT
TYTXDBT
YXP

Và ta có 0 conf(X Y ) 1.
1.2.3. Bài toán khai phá luật kết hợp
Xác định tất cả X Y thỏa mãn độ hỗ trợ và độ tin cậy tối thiểu thì luật
X Y được gọi là luật kết hợp mạnh.
1.2.4. Một số tính chất của tập mục thường xuyên
Cho cơ sở dữ liệu giao tác DB và ngưỡng độ hỗ trợ tối thiểu minsup. Các tập
mục thường xuyên có tính chất sau:
(1) Nếu X, Y là các tập mục và X Y thì sup(X) ≥ sup(Y)

Số hóa bởi Trung tâm Học liệu

16
(2) Nếu một tập mục là không thường xuyên thì mọi tập cha của nó cũng là
không thường xuyên
(3) Nếu một tập mục là thường xuyên thì mọi tập con khác rỗng của nó cũng
là tập mục thường xuyên
Tính chất (3) là tính chất quan trọng, nó được gọi là tính chất Apriori, tính
chất này là cơ sở để rút gọn không gian tìm kiếm các tập mục thường xuyên.
1.2.5. Mô tả bài toán khai phá luật kết hợp
Khai phá luật kết hợp là một kỹ thuật quan trọng của khai phá dữ liệu. Vấn

đề này được Rakesh Agrawal, Tomasz Imielinski, Arun Swami đề xuất lần đầu vào
năm 1993 [9]. Sau đó năm 1996 được Rakesh Agrawal, Heikki Mannia,
Ramakrishnan Srikant, Hannu Toivonen, A.Inkeri Verkamo tiếp tục cải tiến. Ngày
nay bài toán khai thác các luật kết hợp nhận được rất nhiều sự quan tâm của nhiều
nhà khoa học. Việc khai thác các luật như thế nào vẫn là một trong các phương
pháp khai thác mẫu phổ biến nhất trong việc khám phá tri thức và khai thác dữ liệu
(KDD – Knowledge Discovery and Data Minning).
Mục đích chính của khai phá dữ liệu là trích rút tri thức một cách tự động,
hiệu quả và “thông minh” từ kho dữ liệu.
Trong hoạt động sản xuất kinh doanh, ví dụ kinh doanh các mặt hàng tại siêu
thị, các nhà quản lý rất thích có được những thông tin mang tính thống kê như:
“90% phụ nữ có xe máy màu đỏ và đeo đồng hồ Thụy Sỹ thì dùng nước hoa hiệu
Chanel” hoặc “70% khách hàng là công nhân thì mua TV thường mua loại 21
inches”. Những thông tin như vậy rất hữu ích trong việc định hướng kinh doanh.
Vậy vấn đề đặt ra là liệu có tìm được các luật như vậy bằng các công cụ khai phá dữ
liệu hay không? Câu trả lời là hoàn toàn có thể. Đó chính là nhiệm vụ khai phá luật
kết hợp.
Giả sử chúng ta có một CSDL D. Luật kết hợp cho biết phạm vi mà trong đó
sự xuất hiện của tập các thuộc tính S nào đó trong các bản ghi (records) của D sẽ
kéo theo sự xuất hiện của một tập những thuộc tính khác U cũng trong những bản
ghi đó. Mỗi luật kết hợp được đặc trưng bởi một cặp tỉ lệ hỗ trợ (support ration).
Mỗi tỉ lệ hỗ trợ được biểu diễn bằng tỉ lệ % những bản ghi trong D chứa cả S và U.

Số hóa bởi Trung tâm Học liệu

17
Vấn đề khám phá luật kết hợp được phát biểu như sau:
Cho trước tỉ lệ hỗ trợ (support ration) và độ tin cậy (confidence)
Đánh số tất cả các luật trong D có các giá trị tỉ lệ hỗ trợ và tin cậy lớn hơn
và tương ứng.

Ví dụ: Gọi D là CSDL mua bán và với = 40%, = 90%
Vấn đề phát hiện luật kết hợp được thực hiện như sau:
Liệt kê (đếm) tất cả những quy luật chỉ ra sự xuất hiện một số các mục kéo
theo một số mục khác.
Chỉ xét những quy luật mà tỉ lệ hỗ trợ lớn hơn 40% và độ tin cậy lớn hơn
90%
Hay chúng ta hãy tưởng tượng, một công ty bán hàng qua mạng Internet. Các
khách hàng được yêu cầu điền vào các mẫu bán hàng để công ty có một CSDL về
các yêu cầu của khách hàng. Giả sử công ty quan tâm đến mối quan hệ “tuổi, giới
tính, nghề nghiệp => sản phẩm”. Khi đó có thể có rất nhiều câu hỏi tương ứng với
luật trên. Ví dụ: trong lứa tuổi nào thì những khách hàng nữ là công nhân đặt mua
mặt hàng gì đó, ví dụ áo dài chẳng hạn là nhiều nhất (thỏa mãn một ngưỡng nào
đó)?
Cho cơ sở dữ liệu giao tác DB, ngưỡng độ hỗ trợ tối thiểu minsup và ngưỡng
độ tin cậy minconf.
Yêu cầu: Tìm tất cả các luật kết hợp X  Y trên cơ sở dữ liệu DB sao cho
sup(XY) ≥ minsup và conf(XY) ≥ minconf
Bài toán khai phá luật kết hợp này được gọi là bài toán cơ bản hay bài toán
nhị phân, vì ở đây, giá trị của mục dữ liệu trong cơ sở dữ liệu là 0 hoặc 1 (xuất hiện
hay không xuất hiện)
Bài toán khai phá luật kết hợp được chia thành 2 bài toán con.
Bài toán thứ nhất: Tìm tất cả các tập mục thỏa mãn độ hỗ trợ tối thiểu cho
trước, tức là tìm tất cả các tập mục thường xuyên
Bài toán thứ hai: Sinh ra các luật kết hợp từ các tập mục thường xuyên đã
tìm được thỏa mãn độ tin cậy tối thiểu cho trước

Số hóa bởi Trung tâm Học liệu

18
Bài toán thứ hai này đơn giản, mọi khó khăn nằm ở bài toán thứ nhất, hầu hết

các nghiên cứu về luật kết hợp đều tập trung giải quyết bài toán thứ nhất là tìm các
tập mục thường xuyên.
Bài toán thứ hai có thể giải quyết như sau: Giả sử X là tập mục thường
xuyên, ta sinh ra luật kết hợp bằng cách tìm mọi Y là tập con của X, kiểm tra độ tin
cậy của X\Y Y có thỏa mãn độ tin cậy tối thiểu không.
1.2.6. Một số tiếp cận khai phá tập mục thường xuyên
Các nghiên cứu về khai phá tập mục thường xuyên tập trung vào tìm các
thuật toán mới hoặc đề xuất giải pháp nâng cao hiệu quả các thuật toán đã có. Phần
này sẽ trình bày khái quát các kỹ thuật chính để khai phá tập mục thường xuyên.
Bài toán khai phá tập mục thường xuyên: tìm các tập mục ứng viên và tìm
các tập mục thường xuyên. Tập mục ứng viên là tập mục mà ta hy vọng nó là tập
mục thường xuyên, phải tính độ hỗ trợ của nó để kiểm tra. Tập mục thường xuyên
là tập mục có độ hỗ trợ lớn hơn hoặc bằng ngưỡng tối thiểu cho trước. Đã có rất
nhiều thuật toán tìm tập mục thường xuyên được công bố, ta có thể phân chúng theo
2 tiêu chí:
- Phương pháp duyệt qua không gian tìm kiếm
- Phương pháp xác định độ hỗ trợ của tập mục
Phương pháp duyệt qua không gian tìm kiếm được phân làm hai cách: duyệt
theo chiều rộng (Breadth First Search - BFS) và duyệt theo chiều sâu (Depth First
Search - DFS)
Duyệt theo chiều rộng là duyệt qua cơ sở dữ liệu gốc để tính độ hỗ trợ của tất
cả các tập mục ứng viên có (k-1) mục trước khi tính độ hỗ trợ của các tập mục ứng
viên có k mục. Với CSDL có n mục, lần lặp thứ k phải kiểm tra độ hỗ trợ của tất cả
C
k
n
tập ứng viên có k mục
Duyệt theo chiều sâu là duyệt qua CSDL đã được chuyển thành cấu trúc
dạng cây, quá trình duyệt gọi đệ quy theo chiều sâu của cây. Với cơ sở dữ liệu có n
mục dữ liệu, không gian tìm kiếm có 2

n
tập con, rõ ràng đây là bài toán NP khó, do
đó cần phải có phương pháp duyệt thích hợp, tỉa nhanh các tập ứng viên.

Số hóa bởi Trung tâm Học liệu

19
Phương pháp xác định độ hỗ trợ của tập mục X được chia làm 2 cách: cách
thứ nhất là đếm số giao tác chứa X trong cơ sở dữ liệu và cách thứ 2 là tính phần
giao của các tập chứa định danh của các giao tác chứa X.
1.2.7. Một số tiếp cận khai phá luật kết hợp
Luật kết hợp nhị phân (binary association rule hoặc boolean associaiton
rule): là hướng nghiên cứu đầu tiên của luật kết hợp. Hầu hết các nghiên cứu ở thời
kỳ đầu về luật kết hợp đều liên quan đến luật kết hợp nhị phân. Trong dạng luật kết
hợp này, các mục (thuộc tính) chỉ được quan tâm là có hay không xuất hiện trong
giao tác của CSDL chứ không quan tâm về “mức độ” xuất hiện. Ví dụ: Trong hệ
thống tính cước điện thoại thì việc gọi 10 cuộc điện thoại và 1 cuộc được xem là
giống nhau. Thuật toán tiêu biểu nhất khai phá dạng luật này là thuật toán Apriori
và các biến thể của nó. Đây là dạng luật đơn giản và các luật khác cũng có thể
chuyển về dạng luật này nhờ một số phương pháp như rời rạc hóa, mờ hóa… Một ví
dụ về dạng luật này: “gọi liên tỉnh = „yes‟ AND gọi di động = „yes‟ => gọi quốc tế
=‟yes‟ AND gọi dịch vụ 108 = „yes‟, với độ hỗ trợ 20%và độ tin cậy 80%.
Luật kết hợp có thuộc tính số và thuộc tính hạng mục (quantitative and
categorial association rule): Các thuộc tính của các CSDL thực tế có kiểu rất đa
dạng (nhị phân – binary, số - quantitative, hạng mục – categorial,…). Để phát hiện
luật kết hợp với các thuộc tính này, các nhà nghiên cứu đã đề xuất một số phương
pháp rời rạc hóa nhằm chuyển dạng luật này về dạng nhị phân để có thể áp dụng các
thuật toán đã có. Một ví dụ về dạng luật này “phương thức gọi” = „Tự động‟ AND
giờ gọi IN [‟23:00:39 23:00:59‟] AND thời gian đàm thoại IN [„200 300‟] => gọi
liên tỉnh =‟có‟, với độ hỗ trợ là 23.53% và độ tin cậy là 80%”.

Luật kết hợp tiếp cận theo hướng tập thô (mining association rules base on
rough set): Tìm kiếm luật kết hợp dựa trên lý thuyết tập thô.
Luật kết hợp nhiều (multi – level association rule): với cách tiếp cận theo
luật này sẽ tìm kiếm thêm những luật dạng “mua máy tính PC => mua hệ điều hành
AND mua phần mềm tiện ích văn phòng,…” thay vì chỉ những luật quá cụ thể như
“mua máy tính IBM PC => mua hệ điều hành Microsoft Windows AND mua phần

Số hóa bởi Trung tâm Học liệu

20
mềm tiện ích văn phòng Microsoft Office, ”. Như vậy dạng luật đầu là dạng luật
tổng quát hóa của dạng luật sau và tổng quát theo nhiều mức khác nhau.
Luật kết hợp mờ (fuzzy association rule): với những hạn chế còn gặp phải
trong quá trình rời rạc hóa các thuộc tính số (quantitave attributes), các nhà nghiên
cứu đã đề xuất luật kết hợp mờ nhằm khắc phục các hạn chế trên và chuyển luật kết
hợp về dạng tự nhiên hơn, gần gũi hơn với người sử dụng. Một ví dụ của dạng này
là: “thuê bao tư nhân =‟yes‟ AND thời gian đàm thoại lớn AND cước nội tỉnh =
„yes‟ => cước không hợp lệ =‟yes‟, với độ hỗ trợ là 4% và độ tin cậy là 85%”.
Trong luật trên, điều kiện thời gian đàm thoại lớn ở về trái của luật là một thuộc tính
đã được mờ hóa.
Luật kết hợp với thuộc tính được đánh trọng số (association rule with
weighted items): trong thực tế, các thuộc tính trong CSDL không phải lúc nào cũng
có vai trò như nhau. Có một số thuộc tính được chú trọng hơn và có mức độ quan
trọng cao hơn hơn các thuộc tính khác. Ví dụ khi khảo sát về doanh thu hàng tháng,
thông tin về thời gian đàm thoại, vùng cước là quan trọng nhiều hơn so với thông
tin về phương thức gọi… Trong quá trình tìm kiếm luật, chúng ta sẽ gán thời gian
gọi, vùng cước các trọng số lớn hơn thuộc tính phương thức gọi. Đây là hướng
nghiên cứu rất thú vị và đã được một số nhà nghiên cứu đề xuất cách giải quyết bài
toán này. Với luật kết hợp có thuộc tính được đánh trọng số, chúng ta sẽ khai thác
được những luật “hiếm” (tức là có độ hỗ trợ thấp nhưng có ý nghĩa đặc biệt hoặc

mang rất nhiều ý nghĩa).
Khai thác luật kết hợp song song (parallel mining of association rules): Bên
cạnh khai thác luật kết hợp tuần tự, các nhà làm tin học cũng tập trung nghiên cứu
các thuật giải song song cho quá trình phát hiện luật kết hợp. Nhu cầu song song
hóa và xử lý phân tán là cần thiết bởi kích thước dữ liệu ngày càng lớn đòi hỏi tốc
độ xử lý cũng như dung lượng bộ nhớ của hệ thống phải được đảm bảo. Có rất
nhiều thuật toán song song khác nhau đã đề xuất để có thể không phụ thuộc vào
phần cứng. Bên cạnh những nghiên cứu về những biến thể của luật kết hợp, các nhà
nghiên cứu còn chú trọng đề xuất những thuật toán nhằm tăng tốc độ quá trình tìm
kiếm tập phổ biến từ CSDL.

Số hóa bởi Trung tâm Học liệu

21
Ngoài ra, còn một số phương pháp nghiên cứu khác về khai thác luật kết hợp
như: khai thác luật kết hợp trực tuyến, khai thác luật kết hợp được kết nối trực tiếp
đến các kho dữ liệu đa chiều (Multidimensional data, data warehouse) thông qua
công nghệ OLAP (Online Analysis Processing), MOLAP (Multidimensional
OLAP), ROLAP (Relational OLAP), ADO (Active X Data Object) for OLAP…
1.3. Một số thuật toán khai phá tập mục thƣờng xuyên và luật kết hợp
1.3.1.Thuật toán APRIORI
Bước 1: Đếm 1-tập mục
Bước lặp:
- Kết hợp các (k-1)-tập mục sinh ra tập ứng viên C
k

- Tỉa các kết nối để thu được k-tập mục, xác định các tập mục thường xuyên
dựa trên độ hỗ trợ.
- Thuật toán Apriori
Input: CSDL D, minsup.

Output: Tập các tập mục thường xuyên
L1= {Các 1-tập mục thường xuyên}
k=2;
While(L
k-1
!= )
{ C
k
= apriori_gen(L
k-1
, minsup); //các ứng cử mới theo chương trình
con dưới đây.
for( giao dịch t D)
{ C
t
=Subset(C
k
,t);//ứng cử viên được chứa trong t
for( ứng cử c C
t
)
c.count++;
}
L
k
={c C
k
|c.count ≥ minsup}
k++;
}

Return L=
k
L
k
;

Số hóa bởi Trung tâm Học liệu

22
//sinh tập ứng viên mới (**)
void apriori_gen(L
k-1
, minsup)
{ for( itemset l1 L
k-1
)
for( itemset l2 Lk-1)
if((L1(1)==L2(1)&&L1(2)==L2(2)&&…&&L1(k-2)==L2(k-2)
&&L1(k-1)==L2(k-1))
{ c=L1 kết nối với L2;
if(has_infrequent_subset(c, L
k-1
)) delete c;
else add c to C
k
;
}
Return C
k
;

}
Boolean has_infrequent_subset(c,L
k-1
)
{ for( (k-1)-subset s c)
if(s Lk-1)return TRUE;
else return FALSE;
}
1.3.1.1. Ý tưởng thuật toán Apriori
Apriori là một giải thuật được Rakesh Agrawal, Tomasz Imielinski, Arun
Swami đề xuất lần đầu vào năm 1993 [9]. Thuật toán tìm giao dịch t có độ hỗ trợ và
độ tin cậy thỏa mãn lớn hơn một ngưỡng giá trị nào đó.
Thuật toán được tỉa bớt những tập ứng viên có tập con không thường xuyên
trước khi tính độ hỗ trợ.
Thuật toán Apriori tính tất cả các tập ứng cử của tập k trong một lần duyệt
CSDL. Apriori dựa vào cấu trúc cây băm (hashtree). Tìm kiếm đi xuống trên cấu
trúc cây mỗi khi ta chạm vào lá, ta tìm được một tập ứng cử viên có tiền tố chung
được bao gồm trong các giao dịch. Sau đó các tập ứng cử này được tìm trong giao
dịch đã được ánh xạ trước đó. Trong trường hợp tìm thấy biến đếm được tăng lên.

Số hóa bởi Trung tâm Học liệu

23
1.3.1.2. Giải thích
Lần duyệt đầu tiên, sẽ tính số lần xuất hiện của mỗi mục để xác định các 1-
tập mục thường xuyên. Lần duyệt thứ k (k≥2) sẽ bao gồm 2 giai đoạn:
Giai đoạn 1: tập mục thường xuyên L
k-1
đã tìm thấy ở các lần duyệt thứ k-1
được sử dụng để sinh ra các tập ứng cử viên bằng việc sử dụng hàm apriori_gen.

Tập các k–tập mục ứng viên C
k
được sinh ra bởi việc kết nối L
k-1
với chính nó. Hai
tập mục l
1
và l
2
của L
k-1
được nối nếu chúng có (k-2) mục dữ liệu đầu bằng nhau,
mục dữ liệu thứ k-1 của l
1
nhỏ hơn của l
2
.
(L1(1)==L2(1)&&L1(2)==L2(2)&&…&&L1(k-2)==L2(k-2)&&L1(k-
1)==L2(k-1)
Giai đoạn 2: Dựa vào CSDL, tính độ hỗ trợ của các tập ứng viên trong C
k
.
Các ứng viên trong C
k
mà được chứa trong giao dịch T có thể được xác định một
cách hiệu quả bằng việc sử dụng cây băm được mô tả như sau:
Trong giai đoạn 2 (giai đoạn sửa, tỉa): xóa bỏ các tập c C
k
sao cho một vài
(k-1)–tập mục con của c không nằm trong L

k-1
. Thủ tục này là đầy đủ đối với bất kỳ
tập nào L
k
với độ hỗ trợ tối thiểu thì các tập con kích cỡ (k-1) cũng có độ hỗ trợ tối
thiểu, do đó nếu ta mở rộng mỗi tập trong L
k-1
với tất cả các tập mục có thể và sau
đó xóa tất cả các tập mà (k-1)–tập mục con của nó không nằm trong L
k-1
, ta sẽ nhận
được tập các tập trong L
k
.
Việc kết nối là tương đương với việc mở rộng L
k-1
với mỗi mục nằm trong
CSDL và sau đó xóa bỏ các tập này mà đối với nó (k-1)–tập mục nhận được bằng
việc xóa đi mục thứ (k-1) không nằm trong L
k-1
. Ở giai đoạn này C
k
L
k
. Với lập
luận như vậy, giai đoạn tỉa là giai đoạn người ta xóa khỏi C
k
tất cả các tập mà các
(k-1) tập con của nó không nằm trong L
k-1

, cũng không xóa bất kỳ một tập nào có
thể nằm trong L
k
.
Hàm Subset: các tập ứng viên C
k
được lưu trữ trong một cây băm. Một nút
của cây này hoặc là chứa một danh sách của các tập (nút lá) hoặc bảng băm (một
nút trong). Trong mỗi nút trong, mỗi bucket của bảng băm chỉ đến một nút khác.
Gốc của cây băm được xem ở độ sâu là 1. Một nút trong ở độ sâu d sẽ dẫn đến một
nút ở độ sâu d+1. Các tập được lưu trữ trong các lá. Khi ta bổ sung thêm một tập c,

Số hóa bởi Trung tâm Học liệu

24
ta bắt đầu từ nút gốc và đi xuống cây cho đến khi ta chạm vào một lá. Tại một nút ở
độ sau d, ta quyết định sẽ đi theo cành nào bằng việc áp dụng hàm băm đối với mục
thứ d của tập đó và theo con trỏ trong Bucket tương ứng. Tất cả các nút ban đầu
được tạo ra như là nút lá. Khi số các tập trong một nút lá vượt quá ngưỡng được
chọn, nút lá này được chuyển thành một nút trong.
Bắt đầu từ nút gốc, hàm Subset tìm tất cả các ứng viên được chứa trong giao
dịch t như sau: Nếu ta bắt đầu tại một nút lá, ta tìm những tập trong nút lá này được
chứa trong giao dịch t và bổ sung các mối quan hệ với chúng đối với tập kết quả
mong muốn. Nếu ta đang ở một nút trong và đến được nó bằng việc băm mục I, ta
băm trên mỗi mục đi sau i trong t và áp dụng một cách đệ quy thủ tục này đó đối
với nút này trong Bucket tương ứng. Đối với nút gốc, ta băm theo mỗi mục trong t.
Để thấy được tại sao hàm Subset trả lại tập các tham khảo mong muốn hãy
để ý đến những gì sẽ xảy ra tại nút gốc. Đối với bất kỳ tập c nào được chứa trong
giao dịch t, mục đầu tiên cần phải có trong t. Tại nút gốc, việc băm mọi mục trong t
đảm bảo được rằng ta chỉ không biết các tập mà nó bắt đầu với một mục không nằm

trong t. Những lý luận tương tự áp dụng cho các mức sâu hơn. Vì các mục trong bất
kỳ tập nào cũng được sắp xếp thứ tự, nếu ta đến được một nút hiện tại bằng việc
băm mục I, ta chỉ cần quan tâm đến những mục nhỏ hơn trong t nó xuất hiện sau i.
//Bước tỉa: Xóa bớt tất cả các tập mục c Ck mà (k-1) tập con của c không
phụ thuộc L
k-1
.
for( tập mục c C
k
)
for( (k-1 – tập con s của c)
if(s L
k-1
)
delete c khỏi C
k
;
1.3.2.Thuật toán FP-Growth
Thuật toán FP-Growth
Thuật toán Apriori gặp phải 2 chi phí lớn:
- Chi phí sinh ra số lượng khổng lồ các tập ứng viên. Ví dụ, nếu có 10
4
mục
thường xuyên thì thuật toán Apriori sẽ cần sinh ra hơn 10
7
các ứng viên 2-tập mục
và thực hiện kiểm tra độ hỗ trợ của chúng.

Số hóa bởi Trung tâm Học liệu

25
- Lặp nhiều lần duyệt CSDL, số lần duyệt CSDL của thuật toán Apriori bằng
độ dài của tập mục thường xuyên dài nhất tìm được. Thuật toán Apriori chỉ phù hợp
với CSDL thưa (sparse), với CSDL dày (dense) thì thuật toán thực hiện kém hiệu
quả.
Để khắc phục nhược điểm trên của thuật toán Apriori, J. Han, J. Pei, Y. Yin
và R. Mao đề xuất thuật toán FP-Growth [14]. Thuật toán FP-Growth được xây
dựng với 3 kỹ thuật chính
- Nén dữ liệu thích hợp vào một cấu trúc cây gọi là cây FP-tree. Chỉ có các 1-
tập mục (1-itemset) ở trong cây và các nút của cây được sắp xếp để các nút xuất
hiện thường xuyên hơn có thể dễ dàng chia sẻ với các nút xuất hiện ít hơn.
- Thực hiện phương pháp khai phá phát triển (growth) từng đoạn dựa trên
cây FP-tree gọi là phương pháp FP-growth
- Kỹ thuật tìm kiếm được dùng ở đây là dựa vào sự phân chia, “chia để trị”,
phân rã nhiệm vụ khai phá thành các nhiệm vụ nhỏ hơn.
Do nén CSDL lên cây nên tránh việc duyệt nhiều lần CSDL. Phát triển dần
các mẫu mà không sinh tập ứng viên tránh được khối lượng bộ nhớ lớn. Tuy nhiên,
thuật toán FP-growth khai phá cây FP-tree sử dụng phương pháp đệ quy nên đòi hỏi
khối lượng tính toán lớn. Năm 2003, nhóm tác giả Mohammad El-Hajj và Osmar R.
Zaiane ở đại học Alberta Edmonton, Canada đề xuất thuật toán không đệ quy khai
phá cây FP-tree dựa trên cấu trúc cây COFI-tree [5]. Thuật toán COFI-tree có nhiều
ưu điểm hơn thuật toán FP-growth
Thuật toán COFI-tree gồm 2 giai đoạn chính.
- Giai đoạn thứ nhất: Xây dựng cây FP-tree
- Giai đoạn thứ hai: Khai phá cây FP-tree chia thành nhiều bước tương ứng
với các mục dữ liệu trng bảng đầu mục của cây FP-tree, mỗi bước sử dụng một cấu
trúc dữ liệu phụ trợ là cây COFI-tree của mục dữ liệu đó.
Mỗi nút của cây FP-tree gồm 3 trường:
+ Tên mục dữ liệu
+ Độ hỗ trợ