phân lớp phân cấp taxonomy văn bản WEB và ứng dụng

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ




Nguyễn Thị Hương Thảo





PHÂN LỚP PHÂN CẤP TAXONOMY VĂN BẢN WEB
VÀ ỨNG DỤNG





KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY

Ngành: Công nghệ thông tin

Cán bộ hướng dẫn: TS. Hà Quang Thụy
Cán bộ đồng hướng dẫn: CN. Đặng Thanh Hải







HÀ NỘI - 2006


Tóm tắt nội dung
Phân lớp văn bản là quá trình gán văn bản một cách tự động vào một hoặc nhiều
lớp cho trước. Tuy nhiên, trong trường hợp có số lượng khá lớn các lớp, bài toán sẽ
phức tạp hơn rất nhiều, do đó, khi tiến hành phân lớp thường cho kết quả có độ chính
xác không cao. Vì vậy, một vấn đề được đặt ra là cần phân lớp các văn bản sử dụng
cấu trúc phân cấp. Hiện nay, bài toán này đã và
đang trở thành lĩnh vực nhận được
nhiều sự quan tâm, nghiên cứu của nhiều nhà khoa học trên thế giới. Khoá luận tốt
nghiệp với đề tài "Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng" nghiên
cứu nội dung, các thuộc tính, các thuật toán giải quyết bài toán phân lớp phân cấp.
Khóa luận đã tiến hành thực nghiệm trên 12 lớp dữ liệu, sử dụng thuật toán máy vector
hỗ trợ, kết qu
ả thu được rất tốt với độ đo F1 trung bình lên tới gần 90%.

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
1

Lời mở đầu

Trích chọn thông tin trên Web đã và đang tạo thêm nhiều tài nguyên thông tin,
tri thức mới đáp ứng ngày càng hiệu quả nhu cầu thông tin của con người. Ngày nay,
công nghệ trích chọn thông tin trên Web đã hình thành loại hình dịch vụ đầy triển
vọng trong việc cung cấp thông tin phong phú và hữu ích từ nguồn dữ liệu được coi là
vô hạn trên Web. Một trong những bài toán cơ bản và quan trọng trong trích chọn
thông tin trên Web là bài toán phát hiện các quan hệ của các lớp đối tượng trên Web
mà quan hệ phân cấp giữa chúng là m
ột loại quan hệ điển hình. Để thực hiện việc phát
hiện mối quan hệ phân cấp giữa các lớp đối tượng trên Web thì bài toán đầu tiên cần
giải quyết đó là bài toán phân lớp tự động các đối tượng. Tự động phân lớp văn bản là
một nhiệm vụ rất quan trọng có thể giúp ích trong việc tổ chức cũng như tìm kiếm
thông tin trên nguồn tài nguyên lớn này. Phân lớp văn bả
n là quá trình gán văn bản
một cách tự động vào một hoặc nhiều lớp cho trước.
Trong các nghiên cứu phân lớp văn bản, hầu hết đều tập trung vào bài toán phân

lớp mà các lớp cho trước được xem là tách biệt nhau và không có cấu trúc xác định
mối quan hệ giữa chúng. Những bài toán phân lớp như vậy được gọi là bài toán phân
lớp phẳng (flat classification). Tuy nhiên, trong trường hợp có số lượng khá lớn các
lớp, bài toán sẽ phức tạp hơn rất nhi
ều và khi thực hiện các giải pháp phân lớp thường
cho kết quả không chính xác. Vì vậy, một vấn đề được đặt ra là cần phân lớp các văn
bản sử dụng cấu trúc phân cấp. Thực hiện công việc này mặc nhiên cũng đã bao hàm
vấn đề phát hiện quan hệ phân cấp giữa các lớp đối tượng như đã nói ở trên. Về bản
chất đây cũng được coi là một loại quan hệ
ngữ nghĩa giữa các đối tượng và lớp đối
tượng. Bài toán cần được giải quyết là phát hiện các lớp và kiến trúc các lớp đã được
phát hiện vào một cây phân cấp. Đây là bài toán phân lớp phân cấp. Phân lớp phân cấp
cho phép định hướng vào bài toán phân lớp lớn ban đầu và sử dụng phương pháp chia
nhỏ và đệ quy.
Khoá luận tốt nghiệp với đề tài "Phân lớp phân cấp Taxonomy văn bản Web
và ứng dụ
ng" nghiên cứu nội dung, các thuộc tính, các thuật toán giải quyết bài toán
phân lớp phân cấp và cố gắng đưa ra một số nhận xét, đề xuất thích hợp và thi hành
chương trình thực nghiệm để kiểm chứng tính khả thi của phương pháp.
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
2
Khóa luận được tổ chức thành ba chương mà nội dung chính của các chương
được giới thiệu như dưới đây.
Chương 1. Tổng quan về Taxonomy và phân lớp văn bản trình bày những nét cơ
bản nhất về taxonomy, các khái niệm và nội dung cơ bản về bài toán phân lớp văn bản.
Chương này cũng trình bày một số thuật toán phân lớp văn bản điển hình, đặc biệt tập
trung vào thuậ
t toán SVM - thuật toán hiện nay được đánh giá là bộ phân lớp nhanh và
hiệu quả nhất với bài toán phân lớp văn bản.

Chương 2. Phân lớp phân cấp Taxonomy văn bản Web nghiên cứu các phương
pháp giải quyết bài toán phân lớp phân cấp và cách xây dựng các bộ phân lớp cho cây
phân cấp văn bản. Chương này cũng giới thiệu một số phương pháp đánh giá cho bài
toán phân lớp phẳng và độ đo dựa vào khoảng cách và độ tương tự
giữa các lớp.
Chương 3. Thực nghiệm trình bày các kết quả thực nghiệm thu được khi áp
dụng thuật toán SVM và phương pháp phân lớp phân cấp theo hướng top-down. Một
số nhận xét, đánh giá kết luận cũng được trình bày.
Phần kết luận tổng kết các kết quả của khóa luận và trình bày định hướng phát
triển nội dung của khóa luận. Bài toán phân lớp phân cấp văn bản Web thực sự có ý
nghĩ
a về nghiên cứu và triển khai.
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
3
MỤC LỤC

Chương I. TỔNG QUAN VỀ TAXONOMY VÀ PHÂN LỚP PHÂN CẤP ........5

1.1. Giới thiệu Taxonomy ........................................................................................5

1.2. Phân lớp văn bản..............................................................................................6

1. 2.1. Một số khái niệm......................................................................................7

1.3. Quá trình tiền xử lý dữ liệu ............................................................................11

1.3.1.1. Phương pháp biểu diễn tài liệu.............................................................12

1.3.1.2. Quá trình lựa chọn thuộc tính...............................................................14

1.4. Các thuật toán phân lớp văn bản ...................................................................19

1.4.1. Thuật toán K người láng giềng gần nhất .................................................19

1.4.2. Thuật toán phân lớp AdaBoost................................................................19

1.4.3. Thuật toán máy vector hỗ trợ ..................................................................21

Chương II. PHÂN LỚP VĂN BẢN WEB SỬ DỤNG CẤU TRÚC PHÂN CẤP
TAXONOMY...........................................................................................................27

2.1. Hai phương pháp phân lớp phân cấp.............................................................27

2.2. Phân lớp phân cấp văn bản theo hướng top-down ........................................28

2.2.1. Mô hình phân lớp ....................................................................................28

2.2.2. Xây dựng các bộ phân lớp nhị phân.......................................................31

2.3. Đánh giá .........................................................................................................32

2.3.1. Đánh giá cho bài toán phân lớp phẳng ....................................................32

2.3.2. Đánh giá dựa vào độ tương tự .................................................................34

Chương III. THỰC NGHIỆM ...............................................................................37

3.1. Dữ liệu và chương trình .................................................................................37

3.2. Môi trường thực nghiệm.................................................................................40

3.3. Kết quả và đánh giá........................................................................................40

3.3.1. Thực nghiệm1 : Phân lớp phân cấp theo hướng top-down .....................40

3.3.2. Thực nghiệm 2 : Khảo sát sự phụ thuộc thời gian huấn luyện và kết quả
vào tập thuộc tính. .............................................................................................46

KẾT LUẬN. .............................................................................................................52

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
4
TÀI LIỆU THAM KHẢO.......................................................................................54

Tài liệu Tiếng Việt .................................................................................................54

Tài liệu Tiếng Anh .................................................................................................54

PHỤ LỤC A. DANH SÁCH TỪ DỪNG ...............................................................57

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
5

Chương I. TỔNG QUAN VỀ TAXONOMY VÀ PHÂN
LỚP PHÂN CẤP

1.1. Giới thiệu Taxonomy
Vào những năm 90 của thế kỉ XX, khái niệm taxonomy được sử dụng trong
nhiều lĩnh vực khác nhau như tâm lý học, khoa học xã hội và công nghệ thông tin... để
thiết lập sự trùng hợp giữa thuật ngữ của người sử dụng và thuật ngữ của hệ thống.
Các chuyên gia đầu tiên phát triển cấu trúc hệ thống Web đã dùng thuật ngữ taxonomy
để nói về tổ chức nội dung các trang web. Và từ đ
ó, khái niệm taxonomy được sử dụng
rộng rãi với mục đích này.
Do được sử dụng trong nhiều lĩnh vực khác nhau, nên có nhiều định nghĩa khác
nhau về taxonomy. Từ năm 2000 đến năm 2005, có khoảng 36 định nghĩa khác nhau
về taxonomy trong các nguồn tài liệu [24]. Trong lĩnh vực công nghệ thông tin,
taxonomy được định nghĩa như sau :
Định nghĩa : Taxonomy là sự phân loại của toàn bộ thông tin trong một hệ
phân cấp theo một mối quan hệ
có trước của các thực thể trong thế giới thực mà nó
biểu diễn.
Một taxonomy thường được mô tả với gốc ở trên cùng, mỗi nút của taxonomy –
bao gồm cả gốc – là một thực thể thông tin đại diện cho một thực thể trong thế giới
thực. Giữa các nút trong taxonomy có một mối quan hệ đặc biệt gọi là is
subclassification of nếu hướng liên kết từ nút con lên nút cha hoặc là is
superclassification of nế
u hướng liên kết từ nút cha xuống nút con. Đôi khi những

quan hệ này được xác định một cách chặt chẽ hơn là is subclass of hoặc is superclass
of, nếu thực thể thông tin là một lớp đối tượng.
Hình 1.1. mô tả một taxonomy đơn giản gồm lớp Person, lớp con của nó là
Employee, Manager; Lớp cha của Person là Agent. Khi đi lên từ gốc của taxonomy,
các thực thể chung chung hơn. Khi đi xuống những lá ở cuối, thực thể xác đị
nh rõ ràng
hơn. Ví dụ, Agent chung chung hơn Person, Employee cụ thể hơn Person.
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
6

Hình 1.1. Taxonomy đơn giản
Taxonomy rất có ích cho việc phân lớp thực thể thông tin theo ngữ nghĩa, chúng
thiết lập một quan hệ ngữ nghĩa đơn giản để phân biệt giữa các đối tượng trong một
miền thông tin.
Taxonomy đóng vai trò rất quan trọng trong việc tổ chức thông tin và tổ chức tri
thức. Nó được sử dụng chủ yếu để giúp cho việc tìm kiếm và duyệt thông tin thuận lợi
và nhanh chóng hơn, đặc biệ
t khi ta chỉ có những thông tin chung chung về vấn đề cần
tìm kiếm. Khi tìm kiếm trên Internet, nếu sử dụng từ khoá để tìm kiếm thông tin, kết
quả trả về có thể từ vài nghìn đến vài chục nghìn tài liệu về các chủ đề khác nhau. Sử
dụng taxonomy để tìm kiếm và duyệt thông tin sẽ tiết kiệm được rất nhiều thời gian
cho người dùng để tìm được thông tin cần thiết. Đồng thời, taxonomy cho phép các
máy tìm kiếm và các ứng dụ
ng có thể dễ dàng tìm được các thực thể thông tin nhanh
và chính xác hơn nhiều.
Taxonomy đã được áp dụng trong nhiều bài toán khác nhau: OU Shi-yan,
KHOO Christopher S.G, GOH Dion H. (2005 [15]) xây dựng taxonomy hỗ trợ việc
tóm tắt tự động văn bản; H.T.Kung và C.H.Wu xây dựng taxonomy cho mạng nội
dung [9], Wollersheim và Rahayu (2002 [5]) xây dựng một taxonomy hỗ trợ việc

duyệt cơ sở dữ liệu về y tế.
1.2. Phân lớp văn bản
Trong những năm gần đây, với sự phát triển và ứng dụng của Internet, khối
lượng dữ liệu đã tăng trưởng không ngừng theo cả hai phương diện tạo mới và lưu trữ.
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
7
Sự mở rộng các dữ liệu khoa học về địa lý, địa chất, khí tượng do vệ tinh thu thập, sự
giới thiệu quảng bá mã vạch đối với hầu hết các sản phẩm thương mại, việc tin học
hoá sâu rộng các thương vụ và giao dịch, sự phát triển việc ứng dụng công nghệ thông
tin trong quản lý hành chính nhà nước.... đã tạo ra một khối lượng dữ liệu khổng l
ồ. Tự
động phân lớp văn bản là một nhiệm vụ rất quan trọng có thể giúp ích trong việc tổ
chức cũng như tìm kiếm thông tin trên nguồn tài nguyên lớn này.
1. 2.1. Một số khái niệm
Phân lớp văn bản (Text Classification) là quá trình gán nhãn các văn bản ngôn
ngữ tự nhiên một cách tự động vào môt hoặc nhiều lớp cho trước. Thông thường, các
lớp cho trước là các chủ đề nào đó, nhưng cũng có nhiều ứng dụng mà các lớp được
thiết lập theo những tiêu chí khác, ví dụ phân lớp theo thể loại, phân lớp theo độ ưu
tiên.... Hầu hết các bài toán này sẽ tốn thời gian, công sức và đôi khi không chính xác
nếu được phân loại mộ
t cách thủ công - tức là đọc từng văn bản và gán vào một lớp
nào đó. Phân loại những đối tượng mới vào các lớp bằng phương pháp thủ công gặp
phải những khó khăn sau:
♦ Đối với các lĩnh vực đặc biệt, phân loại các đối tượng mới (như cơ sở dữ liệu về
y tế, pháp luật) vào các lớp cho trước cần có hiểu biết về các lĩnh vự
c đó.
♦ Phân lớp bằng tay đôi khi không chính xác vì quyết định phụ thuộc vào sự hiểu
biết và động cơ của người thực hiện.
♦ Quyết định của hai chuyên gia khác nhau có thể nảy sinh bất đồng ý kiến. Vì

vậy những công cụ để tự động phân lớp văn bản vào các lớp sẽ rất hữu ích với
công việc này nhất là khi thông tin tràn ngập như ngày nay. Một số ph
ương
pháp phân lớp thống kê và kĩ thuật học máy như Bayesian, máy vector hỗ trợ
(Support Vector Machines), K người láng giềng gần nhất (K-NN), mạng nơron
... được áp dụng để giải quyết bài toán này.
Rõ ràng, kĩ thuật phân lớp văn bản là rất cần thiết, nhất là ngày nay khi hầu hết
các thông tin được sinh ra và lưu trữ điện tử. Các bài báo khoa học và giải trí là những
ví dụ về tập các tài liệu điện tử. Vớ
i sự phát triển ngày càng mạnh mẽ của mạng
Internet và Intranet đã tạo ra nguồn thông tin vô cùng phong phú. Các kĩ thuật phân
lớp văn bản sẽ giúp cho nguồn dữ liệu này được lưu trữ tự động một cách hiệu quả và
được tìm kiếm nhanh chóng.
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
8
Phân lớp văn bản được xuất hiện từ những năm 1960, nhưng chỉ 15 năm sau, nó
đã trở thành lĩnh vực nghiên cứu chính trong hệ thống thông tin bởi sự đa dạng của các
ứng dụng. Phân lớp văn bản được sử dụng để hỗ trợ trong quá trình tìm kiếm thông tin
(Information Retrieval), trích lọc thông tin (Information Extraction), lọc văn bản hoặc
tự động dẫn đường cho các văn bản tới nhữ
ng chủ đề xác định trước. Một ứng dụng
khác của phân lớp văn bản là trong lĩnh vực hiểu văn bản. Phân lớp văn bản có thể
được sử dụng để lọc văn bản hoặc một phần văn bản chứa các dữ liệu cần tìm mà
không làm mất đi tính phức tạp của ngôn ngữ tự nhiên.
Định nghĩa phân lớp văn bản
: Phân lớp văn bản là nhiệm vụ đặt một giá trị
Boolean cho mỗi cặp (d
j
, c

i
)
CD ×∈
, trong đó D là tập các văn bản và C= {c
1
,c
2
.....c
c
}
là tập các lớp cho trước.
Giá trị T (True) được gán cho cặp
( )
,
ji
dc
có nghĩa là tài liệu
j
d
thuộc lớp
i
c
;
Giá trị F (False) tức là tài liệu
j
d
không thuộc lớp
i
c
.

Hoặc, phân lớp văn bản là bài toán tìm một hàm
{ }
FTCD ,: →×Φ
trong đó D là
tập các văn bản và C= {c
1
,c
2
.....c
c
} là tập các lớp cho trước, hàm
{}
FTCD ,: →×Φ
được gọi là bộ phân lớp.
Tuỳ vào bài toán khác nhau, ta có các ràng buộc khác nhau. Nhìn chung có thể
phân biệt bài toán phân lớp theo hai cách sau :
• Phân lớp văn bản nhị phân/ đa lớp: Bài toán phân lớp văn bản được gọi là nhị
phân nếu
C
=2, gọi là đa lớp nếu
C
>2.
• Phân lớp văn bản đơn nhãn/ đa nhãn: Bài toán phân lớp văn bản được gọi là
đơn nhãn nếu mỗi tài liệu được gán vào chính xác một lớp. Một bài toán phân
lớp văn bản được gọi là đa nhãn nếu một tài liệu có thể được gán nhiều hơn một
nhãn.
Về mặt lý thuyết, thuật toán phân lớp nhị phân cũng có thể được sử dụng cho
bài toán phân lớp đa lớp b
ằng cách chuyển bài toán đa lớp
{ }

12
, ,....,
C
cc c
thành |C| bài
toán nhị phân
{ }
,
ii
cc
với
1,...,iC=
. Hơn nữa thuật toán phân lớp đa lớp có thể được
sử dụng để giải quyết bài toán phân lớp đa nhãn.
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
9
Do đó, bài toán phân lớp nhị phân là bài toán rất quan trọng trong các ứng dụng
của phân lớp văn bản. Giải quyết bài toán phân lớp nhị phân cũng có nghĩa là giải
quyết bài toán phân lớp đa lớp – ứng dụng quan trọng trong phân lớp văn bản. Bài toán
lọc văn bản (text filtering), lọc thư rác (spam mail) là những ứng dụng điển hình của
phân lớp nhị phân.
1. 2.2. Phân lớp văn bản sử dụng cấu trúc phân cấp
Mặc dù các lớp văn bản được tổ chức thành cây phân cấp, ví dụ các tài liệu
Web, thư viện điện tử, thư mục thư điện tử, các lớp sản phẩm.... Tuy nhiên cho đến
giữa những năm 1990, nhiều nhà nghiên cứu hầu như bỏ qua cấu trúc phân cấp của các
lớp. Đặc biệt với các hệ thống phân lớp lớn trong đó số lượng các lớp từ
vài chục đến
hàng trăm, nếu sử dụng các kĩ thuât phân lớp văn bản phẳng thì sẽ rất phức tạp đồng
thời kết quả phân lớp không cao, bởi vì để phân biệt giữa hàng trăm lớp như vậy là rất

khó khăn. Vì vậy vấn đề đặt ra là cần phân lớp phân cấp. Năm 1997 Koller và Sahami
đưa ra bài báo đầu tiên về vấn đề phân lớp văn bản sử dụng cấ
u trúc phân cấp [6]. Từ
kết quả thực nghiệm, bài báo chỉ ra rằng phân lớp phân cấp cho kết quả tốt hơn so với
phân lớp phẳng. Sau bài báo này, rất nhiều hướng nghiên cứu về bài toán phân lớp
phân cấp được đề xuất : Soumen Chakrabarti [19]; Dumais và Chen (2000 [21]); Sun
và Lim (2001 [3]) ; Ruiz và Srinivasan (2002 [14]); Cai và Hofmann (2004 [11]),
Yongwook Yoon (2005 [23]).... Trong khoảng bốn năm gần đây, phân lớp phân cấp đã
trở thành lĩnh vực nhận được nhiều sự quan tâm và nghiên cứu của nhiều nhà khoa họ
c
trên thế giới.
1. 2.2.1. Định nghĩa và một số khái niệm
Hệ đẳng cấp (H) : Một hệ đẳng cấp H = (N, E) là một đồ thị có hướng bao gồm
tập các nút N và tập các cạnh (N
p
, N
c
). Hướng của một cạnh (N
p
, N
c
) được xác định từ
nút cha N
p
đến nút con trực tiếp N
c
, xác định qua toán tử quan hệ
p c
NN→
được gọi là

liên kết trực tiếp (direct path) từ N
p
đến N
c
.
Tồn tại một nút gọi là nút gốc của cây phân cấp. Các nút không có con là là nút
lá. Tất cả các nút trừ nút lá và nút gốc được gọi là các nút trong.
Bài toán phân lớp sử dụng cây phân cấp H là việc tìm một hàm
Φ
sao cho :


TCDTCD
ji
=Φ⇒=Φ ),(),(
nếu
,,
jiji
CCCCH
→∈

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
10

Trong đó H là cấu trúc phân cấp xác định mối quan hệ giữa các lớp. Mối quan
hệ
ji
CC
→

thể hiện mối quan hệ IS-A trong đó lớp C
j
là cha của C
i
trong cây phân cấp
H. Tất cả các tài liệu thuộc lớp C
i
đều thuộc lớp C
j
. Mối quan hệ này là bất đối xứng
(Ví dụ, xem xét quan hệ giữa chó và động vật, chúng ta có "tất cả loài chó là động vật,
nhưng không phải tất cả động vật đều là chó") và có tính chất bắc cầu (Ví dụ, xem xét
quan hệ giữa cây, cây xanh và cây thông chúng ta có "tất cả cây thông là cây xanh và
tất cả cây xanh là cây thì tất cả cây thông là cây"). Mục tiêu là tìm m
ột hàm đánh giá
bằng cách sử dụng tập tài liệu thoả mãn điều kiện ràng buộc của hệ phân cấp. Với bài
toán phân lớp phân cấp, có hai vấn đề cần được quan tâm :
♦ Cấu trúc của hệ phân cấp:
– Cấu trúc taxonomy (như trình bày ở phần 1) trong đó mỗi lớp (trừ lớp
gốc) có đúng một lớp cha.
– Cấu trúc đồ thị có hướng phi chu trình (Directed Acyclic Graph) trong đó
một lớp có thể có nhiều hơn một lớp cha.
♦ Yêu cầu các lớp chứa văn bản :
– Các tài liệu chỉ được gán vào các nút lá của hệ phân cấp.
– Các tài liệu có thể được gán vào cả nút lá lẫn nút trong của hệ phân cấp.
Khóa luận này chỉ giải quyết bài toán trong trường hợp cấu trúc hệ phân cấp là
taxonomy và văn bản có thể được gán vào cả nút lá lẫn nút trong của taxonomy.
1.2.2.2. Phân lớp đa lớp sử dụng cấu trúc phân cấp
Không giống như phân lớp phẳng trong đó các ứng dụng nhị phân là phổ biến
(ví dụ, lọc thư rác, lọc văn bản), phân lớp văn bản sử dụng cấu trúc phân cấp là nhiều

lớp. Thậm chí khi chúng ta chia bài toán lớn ban đầu thành các bài toán nhỏ hơn, hiếm
khi số lớp là hai. Hầu hết các thuật toán học trạng thái ví dụ Naive Bayes, cây quyết
định, mạng noron,... liên quan đến nhiều lớp. Tuy nhiên, có những thuật toán như máy
máy vector h
ỗ trợ được xây dựng để làm việc chỉ với vấn đề nhị phân. Trong những
trường hợp này, có một số phương pháp để chuyển bài toán phân lớp nhiều lớp thành
bài toán phân lớp nhị phân. Cách đơn giản nhất là chúng ta chuyển vấn đề n lớp cho
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
11
trước thành n vấn đề nhị phân: bài toán nhị phân thứ i tương ứng với một cây quyết
định xem tài liệu có thuộc về lớp thứ i hay không?.
1.2.2.3. Phân lớp đa nhãn sử dụng cấu trúc phân cấp
H ầu hết các ứng dụng thực của phân lớp phân cấp văn bản là bài toán đa nhãn,
có nghĩa là một văn bản có thể được gán vào nhiều hơn một lớp. Ví dụ, bài báo về
David Beckham và Victoria có thể thuộc lớp Sport/Football hoặc
Entertainment/Music. Để giải quyết bài toán này, mỗi thuật toán phân lớp sẽ có những
chiến lược khác nhau. Ví dụ, thuật toán Naive Bayes có thể gán một văn bản không chỉ
vào lớ
p có xác suất dự đoán cao nhất mà sẽ gán vào tất cả các lớp có xác suất cao hơn
một ngưỡng nào đó. Với các thuật toán khác, giải pháp phổ biến là chuyển bài toán n
lớp thành n bài toán nhị phân.
1.2.2.4. Ứng dụng
Rất nhiều ý tưởng nghiên cứu được được thử nghiệm trên tập dữ liệu Reuters-
21578 và 20 News Group và một số nguồn dữ liệu khác từ thư mục Yahoo và
DMOZ.... Bên cạnh những tập hợp dữ liệu này, phân lớp phân cấp văn bản cũng thu
được kết quả rất tốt khi áp dụng cho những miền dữ liệu khác. Phân loại thư cũng là
một ứng dụng của phân lớp phân c
ấp văn bản.
M ột ứng dụng khác của phân lớp phân cấp văn bản là áp dụng cho máy tìm

kiếm. Như chúng ta đã biết, khi người dùng tìm kiếm, số lượng kết quả trả về rất nhiều
(có thể vài nghìn tài liệu liên quan đến từ khoá tìm kiếm), trong số đó chỉ có rất ít tài
liệu đáp ứng mong muốn của người dùng. Vì vậy, thay vì trả về một danh sách các văn
bản cho người s
ử dụng, những hệ thống này sẽ trả lại kết quả tìm kiếm được tổ chức
thành một hệ phân cấp các chủ đề hữu hạn cho trước. Những biểu diễn như thế này sẽ
giúp người sử dụng dễ dàng tìm kiếm thông tin họ cần. Việc này có thể thu được bằng
cách tính hạng của kết quả trả về bởi máy tìm kiếm trong một hệ phân c
ấp chủ đề cho
trước.
1.3. Quá trình tiền xử lý dữ liệu
Phân lớp văn bản là quá trình gồm hai bước, với mục đích phân các tài liệu văn
bản vào các lớp hữu hạn có trước. Trong bước thứ nhất, một mô hình của bộ phân lớp
được xây dựng bằng cách phân tích nội dung các trang văn bản trong tập dữ liệu huấn
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
12
luyện thông qua việc áp dụng các thuật toán học. Tập dữ liệu huấn luyện là tập hợp các
trang văn bản trong cơ sở dữ liệu đã được gán nhãn từ trước. Trong bước thứ hai, mô
hình này được sử dụng cho việc phân lớp các trang văn bản chưa được gán nhãn.
Để xây dựng mô hình trong bước thứ nhất, thông thường, được chia ra làm hai
bước chính sau (Hình 1.2):
♦ Tiền xử lý dữ liệu: là quá trình biểu diễ
n văn bản thành một dạng biểu diễn
logic mà thuật toán có thể xử lý được (ví dụ, dạng biểu diễn vector của văn
bản).
♦ Học các bộ phân lớp : sử dụng các thuật toán phân lớp để xây dựng mô hình từ
dữ liệu đã qua tiền xử lý.

1.3.1.1. Phương pháp biểu diễn tài liệu
Trong bài toán phân lớp văn bản, cách biểu diễn văn bản đóng vai trò rất lớn.
Một tài liệu được biểu diễn dưới dạng một tập hợp các từ, mỗi từ được xem là một
thuộc tính (feature) và văn bản tương ứng với một vector thuộc tính. Đôi khi, thay vì
những từ đơn, các thuộc tính có thể được biểu diễn bằng các cụm từ hoặc chuỗi n từ

với n >= 2. Dễ dàng thấy, nhiều thuộc tính phức tạp có thể giàu thông tin hơn. Ví dụ,
cụm từ “world wide web” mang nhiều thông tin hơn từng từ riêng biệt. Tuy nhiên,
trong thực hành, sử dụng n-grams dẫn tới việc có quá nhiều số lượng thuộc tính và có
thể làm việc giải quyết bài toán khó khăn hơn. Theo các nghiên cứu về các phương
pháp biểu diễn văn bản khác nhau, đặc biệt là khi so sánh ảnh hưởng và hiệu quả củ
a
nó thì không có cách biểu diễn văn bản nào tốt hơn cách biểu diễn bằng tập các từ
riêng biệt (isolated words) được lấy ra từ văn bản gốc.

Tiền xử lý
Phân lớp
Văn bản
Biểu diễn logic
Cây phân cấp
Mô hình

Hình 1.2. Quá trình xây dựng mô hình được chia thành hai bước : tiền xử lý dữ liệu
và học các bộ phân lớp

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
13
Sau khi xác định được các thuộc tính, chúng ta cần tính giá trị thuộc tính (hoặc
trọng số từ khoá) cho mỗi văn bản. Mỗi từ mục t

i
trong một tài liệu được gán một
trọng số w
i
và do đó, mỗi tài liệu được biểu diễn như một vector. Trọng số từ khoá có
thể được tính toán bằng nhiều cách khác nhau. Cách đơn giản nhất là gán trọng số
bằng một giá trị nhị phân chỉ ra từ mục có mặt hay không có mặt trong văn bản.
Phương pháp khác là tính số lần xuất hiện của từ mục trong một tài liệu gọi là tần suất
từ mục. Tần suất t
ừ mục được tính theo công thức :

(, )
(, )
ki
ki
occ t D
freq t D
N
=

Trong đó N là tổng số từ mục của tài liệu D
i
và occ(t
k
,D
i
) là số lần xuất hiện của
từ t
k
trong văn bản D

i
.
Phương pháp này có vẻ rất trực quan, nhưng mặt hạn chế của phương pháp này
là : nếu một từ xuất hiện nhiều lần trong tài liệu sẽ có tần xuất cao. Tuy nhiên nếu
những từ này đều xuất hiện trong tất cả các văn bản thì nó sẽ không mang nhiều thông
tin ngữ nghĩa của văn bản, và do đó độ quan trọng của nó giảm đi. Thông thường tần
suất củ
a các từ mục trong văn bản là không đồng đều nhau. Một số từ mục xuất hiện
rất thường xuyên, trong khi đó, một nửa số từ mục xuất hiện chỉ một lần. Để giải quyết
hạn chế này, tần xuất logarit (tương tự với tần xuất từ mục) được đề xuất và tính theo
công thức :
)),(1log(),(
ikik
DtfreqDtfreq +=

Phương pháp thứ hai được sử dụng phổ biến hơn phương pháp tần suất từ mục,
nhưng phương pháp này vẫn chưa giải quyết triệt để hạn chế của phương pháp tần suất
từ mục. Theo đó, một từ xuất hiện nhiều lần có tần suất cao, từ xuất hiện ít có tần suất
thấp.
Phương pháp chuẩn thường được s
ử dụng là Term Frequency Inverse Document
Frequency (TFIFF), hàm tính trọng số từ khoá được xác định bởi công thức :

,,
||
log
ld ld
l
D
TFIDF freq

df
⎛⎞
=∗
⎜⎟
⎝⎠

Trong đó, tần xuất từ mục l trong tài liệu d :
,
ld
freq
là số lần xuất hiện của từ
mục l trong tài liệu d
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
14
Tần xuất văn bản
l
df
là số văn bản trong tập tài liệu có chứa từ mục l .
D là tổng số tài liệu học.
Trọng số TFIDF của một từ mục biểu diễn độ quan trọng của từ mục. TFIDF
của một từ mục trong một tài liệu sẽ giảm nếu như từ đó xuất hiện trong hầu hết các
văn bản. Vì vậy, mộ
t từ xuất hiện quá ít hoặc quá nhiều được đánh giá ít quan trọng
hơn so với các từ xuất hiện cân bằng.
Trọng số TFIDF của một từ mục trong toàn bộ tập tài liệu D được tính bởi :
,

lldl
dD

TFIDF TFIDF TFIDF R
∈
= ∈
∑


Với bài toán phân lớp sử dụng cấu trúc phân cấp, khóa luận đề xuất một
phương pháp đánh trọng số đối với các nút trong cây phân lớp trong quá trình phân
lớp.
Như chúng ta thấy, đối với các thuộc tính ở một mức nào đó được xuất hiện
nhiều lần, thì đó là những thuộc tính tốt để phân biệt các lớp ở mức trên, vì vậy chúng
cần được đánh trọng số
cao. Tuy nhiên, nếu các thuộc tính đó lại xuất hiện ở các lớp
con của nó hoặc ở mức dưới hơn, thì độ quan trọng của nó sẽ giảm đi, do đó trọng số
sẽ thấp hơn so với ở mức trên. Như vậy, chúng ta cần xác định một giá trị
ϖ
cho mỗi
nút trong taxonomy, hoặc theo kinh nghiệm hoặc theo thống kê. Sau khi xác định được
tập thuộc tính cho cho mỗi nút trong taxonomy, trọng số của các thuộc tính này sẽ
được nhân với giá trị

ϖ
tương ứng với lớp đó. Và như vậy, trọng số mới của thuộc tính
không chỉ thể hiện độ quan trọng của thuộc tính đối với văn bản đó, mà còn thể hiện
được độ quan trọng của nó đối với toàn bộ cấu trúc phân cấp.
1.3.1.2. Quá trình lựa chọn thuộc tính
Kích cỡ của tập từ vựng của tập hợp văn bản thường rất lớn, ví dụ 20.000 tài
liệu của Reuters 21578, tập hợp dữ liệu có khoảng 15.000 từ mục khác nhau. Xử lý các
vector thuộc tính đòi hỏi các thuật toán được tính toán mở rộng và có thể đôi khi
không thể tính toán được đối với một số thuật toán học. Bên cạnh đó, nhiều thuộc tính

không mang thông tin, nhập nhằng hoặc b
ị nhiễu, do đó có thể dẫn tới bộ phân lớp đạt
được kết quả tốt trên dữ liệu học nhưng không tốt trên dữ liệu kiểm tra (overfitting).
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
15
Lựa chọn thuộc tính là quá trình chọn ra những thuộc tính mang nhiều thông tin
nhất trong không gian thuộc tính và loại bỏ những thuộc tính nhiễu. Trong phân lớp
phân cấp văn bản, việc chọn lựa các thuộc tính là rất quan trọng vì tập văn bản rất lớn.
Để giải quyết vấn đề này, quá trình lựa chọn thuộc tính được tiến hành bằng cách chỉ
giữ những từ mục có giá trị về thông tin. Vì vậy, v
ấn đề phát hiện các từ mục không
quan trọng phải được giải quyết để thu được không gian từ mục
TT
′
⊂
với
TT
′
<<
.
Đối với bài toán phân lớp sử dụng cấu trúc phân cấp, có hai cách tiếp cận khác nhau
cho quá trình trích chọn thuộc tính được đề xuất:
Lựa chọn thuộc tính toàn cục: Lựa chọn thuộc tính trong phân lớp văn bản sử
dụng cấu trúc phân cấp gọi là toàn cục nếu nó lựa chọn tập các thuộc tính
T
′
,
TT
′

<<

để phân biệt tất cả các lớp C
i
trong một cấu trúc phân cấp cho trước.
Lựa chọn thuộc tính cục bộ: Lựa chọn thuộc tính trong trong phân lớp văn bản
sử dụng cấu trúc phân cấp gọi là cục bộ nếu nó lựa chọn tập các thuộc tính
i
T
′
,
i
TT
′
<<
phù hợp cho mỗi lớp C
i
trong cấu trúc phân cấp cho trước.
Hình dưới mô tả cách lựa chọn thuộc tính toàn cục và cục bộ :




Tin học
Nông nghiệp
Ngôn ngữ lập trình
Hệ điều hành
Trồng trọt
Chăn nuôi
Trang trại Máy tính

Cây lúa mì Động vật
Windows Java
Sữa C++
Con bò Linux
Con cừu Bệnh tật

Hình 1.3.a : Lựa chọn thuộc tính theo hướng toàn cục

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
16


Cách tiếp cận toàn cục để chọn lựa các thuộc tính thường được sử dụng trong
phân lớp phẳng. Cách tiếp cận cục bộ, coi mỗi nút trong của cây phân cấp như một bài
toán phân lớp và lựa chọn thuộc tính cho mỗi bài toán con độc lập nhau.
Đối với bài toán phân lớp phân cấp, khi số lượng các lớp lên đến hàng trăm thì
việc quản lý số lượng quá nhiều thuộc tính trở nên vô cùng khó khăn, đồng th
ời làm
cho việc xử lý dữ liệu và thời gian học các bộ phân lớp tăng lên đáng kể. Giải pháp là
lựa chọn thuộc tính theo phương pháp cục bộ, tức là sẽ chọn những thuộc tính phù hợp
nhất tại mỗi mức của taxonomy để phân biệt giữa các lớp tại mức ấy. Với chiến lược
này, chúng ta có thể giảm được thời gian huấn luyện các bộ phân lớp đồ
ng thời quản
lý số lượng thuộc tính nhỏ sẽ đơn giản hơn. Weigend năm 1999 (theo [xx]) là người
đầu tiên đưa ra so sánh và phân biệt giữa hai chiến lược lựa chọn thuộc tính này.
Trong học máy, một số kỹ thuật chính sau đây được xây dựng cho quá trình lựa
chọn thuộc tính :
Kỹ thuật thứ nhất thực hiện các phương pháp lọc (filtering) trên tập thuộc tính
ban đầu. Với phương pháp này kết quả thu đượ

c từ tính toán thống kê được sử dụng để
loại bỏ những từ mục không thích hợp. Sau đó, bộ phân lớp được huấn luyện trên
không gian từ mục đã được rút gọn. Với chiến lược lựa chọn từ mục này, có một vài
phương pháp như : lựa chọn từ mục theo tần suất văn bản (Documen Frequency), độ
đo thông tin qua lại (Mutual Information).

Sữ
a
Con bò
Con cừu
Bệnh tật
Tin học
Nông nghiệp
Ngôn ngữ lập trình
Hệ điều hành
Trồng trọt
Chăn nuôi
Trang trạiMáy tín
h
Cây lúa mì Động vật
Windows Java

Windows
Java
C++
Linux

Hình 1.3.b : Lựa chọn thuộc tính theo hướng cục bộ
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ

17
Tần suất văn bản : Tần suất của văn bản là số tài liệu mà một từ mục xuất
hiện. Để lựa chọn từ mục theo phương pháp tần suất văn bản, chúng ta phải tính tần
suất văn bản với mỗi từ mục trong tập dữ liệu học và sau đó loại bỏ những từ mục có
tần suất nhỏ
hơn một ngưỡng nào đó để thu được không gian từ mục nhỏ hơn. Đây là
kĩ thuật đơn giản nhất để làm giảm số lượng tâp thuộc tính.
Độ đo thông tin qua lại (MI) : là phương pháp được sử dụng khá phổ biến để
lựa chọn tập thuộc tính dựa vào mô hình thống kê. Với mỗi cặp từ mục t và lớp c , MI
được tính theo công thức sau :
()
( )
() ()
,log
Pr t c
Itc
Prt Prc
∧
=
×

Và được ước lượng :
()
()()
,log
AN
Itc
A CAB
×
≈

+×+

Trong đó :
– A là số lần từ mục t và lớp c đồng thời xuất hiện.
– B là số lần từ mục t xuất hiện mà không thuộc c.
– C là số lần c xuất hiện không chứa t.
– N là tổng số dữ liệu học.
( )
,Itc
nhận giá trị 0 nếu từ mục t và lớp c độc lập với nhau. Giá trị
( )
,Itc
càng
cao thể hiện độ quan trọng của thuộc tính t với lớp c.
K ỹ thuật thứ hai được gọi là kĩ thuật wrapper, trong đó việc lựa chọn từ mục
phụ thuộc vào thuật toán phân lớp. Bắt đầu từ không gian từ mục ban đầu, một không
gian từ mục mới được sinh ra bằng việc thêm hoặc bớt từ. Khi một tập hợp từ mục m
ới
được tạo ra, bộ phân lớp dựa vào đó để xây dựng và sau đó kiểm tra trên tập dữ liệu
kiểm tra. Tập dữ liệu cho kết quả tốt nhất sẽ được chọn. Không gian từ mục tốt nhất
được tạo ra cho thuật toán phân lớp. Phương pháp này tạo thuận lợi cho thuật toán
phân lớp; Tuy nhiên hạn chế của phương pháp này là sự phức tạp trong tính toán.
Kỹ thuật thứ ba,
đánh chỉ mục dựa vào ngữ nghĩa tiềm ẩn - Latent Semantic
Indexing (LSI – Deerwester 1990, theo [xx]), nén các vector từ mục thành các vector
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
18
có số chiều ít hơn trong không gian từ
T

′
, số chiều thu được là sự liên kết các từ trong
không gian từ mục ban đầu T. LSI sử dụng kĩ thuật toán học gọi là phép phân tích ma
trận dựa vào giá trị suy biến (Sigular Value Decomposition - SVD). SVD chuyển ma
trận từ mục – văn bản D ban đầu thành ma trận
D
%
có số chiều nhỏ hơn sao cho khoảng
cách giữa hai ma trận :


đạt giá trị nhỏ nhất. Để làm được điều này, với ma trận từ mục – văn bản
mn
D
×
ban
đầu, trong đó m là số từ mục và n là số tài liệu, SVD thực hiện như sau:

Trong đó U là ma trận
mr×
, V là ma trận
rn×
. Các cột của
mr
U
×
trực giao với nhau
và được gọi là các vector suy biến trái. Các cột của
rn
V

×
trực giao với nhau và được
gọi là các vector suy biến phải.
rr
σ
×
là ma trận chéo của các giá trị suy biến từ ma trận
ban đầu D, với
( )
min ,rmn≤
là hạng của ma trận từ mục – tài liệu D ban đầu. Thông
thường r là min(m,n). Tuy nhiên, nếu chúng ta chỉ giữ lại k từ có giá trị suy biến lớn
nhất, xấp xỉ ma trận ban đầu thành ma trận mới sau:

Ma trận
D
%
thu được bằng cách xóa bỏ những giá trị suy biến nhỏ từ
σ
,
U
%
và
V
%
thu
được bằng cách xóa bỏ hàng và cột tương ứng.
Sau khi thu được kết quả từ SVD dựa trên dữ liệu học, một tài liệu mới được ánh xạ
vào không gian từ mục nhỏ hơn như sau:

Ngoài việc lựa chọn các thuộc tính mang nhiều thông tin từ tập thuộc tính ban
đầu, quá trình lựa chọn thuộc tính có thể tạo ra các thuộc tính mới (ví dụ các khái
niệm) để thay thế cho một nhóm các thuộc tính thông qua kỹ thu
ật phân cụm. Nhóm
các từ có sự giống nhau về ngữ nghĩa sẽ được xem là một thuộc tính mới thay thế cho
các từ đơn lẻ. Với phương pháp này, cần xác định độ tương tự giữa các từ và áp dụng
các kĩ thuật phân cụm như k người láng giềng gần nhất
2
DD∆= −
%

D UV
σ
=

T
mk kk kn
DU V
σ
× ××
=
%% %
%

'1T
dud
σ
−
=

r r
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
19
1.4. Các thuật toán phân lớp văn bản
Phân lớp văn bản là quá trình gán nhãn các văn bản ngôn ngữ tự nhiên vào môt
hoặc nhiều lớp từ tập các lớp hữu hạn cho trước. Hiện nay tồn tại rất nhiều thuật toán
phân lớp văn bản như : thuật toán K người láng giềng gần nhất, thuật toán học cây
quyết định, thuật toán Naive Bayes, thuật toán máy vector hỗ trợ, thuật toán
Boosting... Phần này giới thiệu một số thuật toán điển hình, trong
đó tập trung vào
thuật toán máy vector hỗ trợ.
1.4.1. Thuật toán K người láng giềng gần nhất
Bộ phân lớp dựa trên thuật toán K người láng giềng gần nhất là một bộ phân
lớp dựa trên bộ nhớ, đơn giản vì nó được xây dựng bằng cách lưu trữ tất cả các đối
tượng trong tập huấn luyện. Để phân lớp cho một điểm dữ liệu mới
x,
trước hết bộ
phân lớp sẽ tính khoảng cách từ điểm
x
đến tất cả các điểm dữ liệu trong tập huấn
luyện. Qua đó tìm được tập
N(x, D, k)
gồm
k
điểm dữ liệu mẫu có khoảng cách đến
x

là gần nhất. Ví dụ nếu các dữ liệu mẫu được biểu diễn bởi không gian vector thì chúng
ta có thể sử dụng khoảng cách

Euclian
để tính khoảng cách giữa các điểm dữ liệu với
nhau. Sau khi xác định được tập
N(x, D, k)
, bộ phân lớp sẽ gán nhãn cho điểm dữ liệu
x
bằng lớp chiếm đại đa số trong tập
N(x, D, k)
. Mặc dù rất đơn giản, nhưng thuật toán
K người láng giềng gần nhất đã cho kết quả tốt trong nhiều ứng dụng thực tế.
Để áp dụng thuật toán
k-NN
vào tài liệu văn bản, chúng ta sử dụng hàm tính
trọng số cho mỗi lớp theo biểu thức (1.1). Trong đó
),,(
kDx
c
N
là tập con chỉ chứa các
đối tượng thuộc lớp
c
của tập
),,( kDxN
.
(, ,)
( | ) cos( , ) (1.1)
xNcxDk
Score c x x x
′
∈

′
=
∑

Khi đó tài liệu
x
sẽ được phân vào lớp
o
c
nếu:
{ }
CcxcscoreMaxx
o
cscore ∈= ),|()|(

1.4.2. Thuật toán phân lớp AdaBoost
Boosting là một phần đặc biệt của các "Bộ phân lớp ủy ban" (classifier
committees). Ý tưởng của bộ phân lớp ủy ban là kết hợp k bộ phân lớp độc lập để xây
dựng một bộ phân lớp mới. Với bộ phân lớp ủy ban, các nhà nghiên cứu thường sử
dụng nhiều bộ phân lớp khác nhau như bộ phân lớp dựa cây quyết định, bộ phân lớp
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
20
dựa vào xác suất, bộ phân lớp tuyến tính.... Boosting điển hình chỉ sử dụng một bộ
phân lớp gọi là bộ phân lớp yếu (weak classifier) hoặc bộ phân lớp cơ sở (base
classifier). Ngược lại với bộ phân lớp ủy ban, Boosting không kết hợp các bộ phân lớp
độc lập. Thay vào đó, Boosting kết hợp các giả thuyết phân lớp được xây dựng từ cùng
một thuật toán trên các tập dữ liệu h
ọc khác nhau. Tại mỗi vòng lặp tính bộ phân lớp
yếu, một tập dữ liệu học phù hợp được chọn và cuối cùng tất cả các giả thuyết phân

lớp yếu được kết hợp với nhau.
Hiện nay, AdaBoost là phương pháp phổ biến nhất của Boosting, được phát
triển dựa trên lý thuyết thống kê. AdaBoost được phát triển vào năm 1994 bởi Freund
và Schapire [12]. Theo các nghiên cứu, AdaBoost là bộ phân lớp nhanh và hiệu quả
trong nhiều ứ
ng dụng khác nhau. AdaBoost cũng đã được áp dụng với bài toán phân
lớp văn bản và khá thành công. Hiện nay, nó được xem là một trong những thuật toán
phân lớp nhanh và hiệu quả nhất.
Cho
{ }
1
,....,
imm
Sdy dy
=
rr
,
i
d
r
là dữ liệu học và
i
y
là nhãn tương ứng của dữ
liệu
i
d
r
từ tập nhãn hữu hạn
Y

. Trong trường hợp đơn giản
{ }
1,1Y =−
là bài toán phân
lớp nhị phân và có thể dễ dàng mở rộng thành bài toán phân lớp nhiều lớp.
Tập dữ liệu học
S
và phân phối
B
là đầu vào của thuật toán học yếu (weak
learning algorithm) hoặc thuật toán học cơ sở (base learning algorithm)
( )
,SBΦ
để
tính toán bộ phân lớp yếu
:
hI→ℜ
. Dấu của
( )
hd
r
, tức
( )
( )
sgn hd
r
thể hiện nhãn dữ
đoán của văn bản
d
r

và
( )
hd
r
thể hiện độ tin cậy của dữ đoán. Mặc dù
( )
hd
r
có thể
nhận giá trị thực nhưng ta thừa nhận ràng buộc
( )
hd
r
thuộc đoạn
[]
1,1
−
mà không mất
tính tổng quát. Phân phối
B
của tập dữ liệu học được biểu diễn thông qua trọng số
()
[ ]
0,1
Bi
∈
cho mỗi văn bản.
Tại mỗi vòng lặp, giả thuyết phân lớp yếu
( )
,

tt
hSB
=Φ
được tính toán dựa vào
phân phối hiện tại của tập dữ liệu học. Sau đó, phân phối
t
B
được cập nhật:
()
()
( )
( )
t
1
exp -
it i
t
t
t
B iyhd
Bi
Z
α
+
∗
=
r

Trong đó:
()

()
( )
t
exp -
tt iti
i
Z Bi yhd
α
=∗
∑
r

Đặt:
() ()
t
0
T
t
t
f dhd
α
=
=
∑
r r

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
21
Là trọng số của hàm phân lớp yếu

t
h
. Hàm phân lớp cuối cùng
()
Hd
r
được
tính như sau:
( ) ( )
( )
sgn
Hd fd=
r r

Thuật toán:
Input:
{ }
1
, .... ,
imm
Sdy dy=
rr
,
i
dD
∈
r
,
{ }
1,1

i
yY∈=−

với S... Tập dữ liệu học với nhãn tương ứng.
Y... Nhãn của dữ liệu học, có giá trị 1 nếu là dữ liệu dương, -1 nếu dữ liệu âm.
B....Phân phối của tập dữ liệu học với
( )
t
B i
là trọng số của
i
d
r
tại thời điểm
t.


Φ
... Hàm phân lớp yếu nhận
S, B
là đầu vào, đầu ra
t
h
.

t
h
:
{ }
1,1D →−

được tính bởi
Φ
với
t
B
.
Funtion AdaBoost Begin
Khởi tạo:
()
1
1
Bi
m
=

For
1,...,tT=

Tính
( )
,
tt
hSB=Φ

Chọn
t
α
∈ℜ

For

()
tt
B iB∈
do
Cập nhật phân phối:
()
()
()
( )
t
1
exp -
it i
t
t
t
B iyhd
Bi
Z
α
+
∗
=
r

với:
()
()
( )
t

exp -
tt iti
i
Z Bi yhd
α
=∗
∑
r

End for
End for
Output:
() ()
t
0
sgn
T
t
t
Hd hd
α
=
⎛⎞
=
⎜⎟
⎝⎠
∑
rr

End function

1.4.3. Thuật toán máy vector hỗ trợ
Theo [16], thuật toán máy vector hỗ trợ (Support Vector Machines - SVM)
được Corters và Vapnik giới thiệu vào năm 1995. SVM rất hiệu quả để giải quyết các
bài toán với dữ liệu có số chiều lớn như các vector biểu diễn văn bản. Thuật toán SVM
ban đầu chỉ được thiết kế để giải quyết bài toán phân lớp nhị phân tức là số lớp hạn
chế là hai lớp. Hiện nay, SVM được đánh giá là bộ phân lớp chính xác nhất cho bài
toán phân lớp v
ăn bản [Soumen Chakrabarti, trang 183, Mining the web- discovering
Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
22
knowledge from Hypertext Data] [18] bởi vì đó là bộ phân lớp tốc độ rất nhanh và
hiệu quả đối với bài toán phân lớp văn bản.
Cho tập dữ liệu học
{ }
( , ), 1,...,
ii
Dxyi n==
với
m
i
x R∈
và
{ }
1,1
i
y ∈−
là một số
nguyên xác định
i

x
là dữ liệu dương hay âm. Một tài liệu
i
x
được gọi là dữ liệu dương
nếu nó thuộc lớp
i
c
;
i
x
được gọi là dữ liệu âm nếu nó không thuộc lớp
i
c
. Bộ phân lớp
tuyến tính được xác định bằng siêu phẳng:
{ }
0
:() 0
T
xfx w w= +=

Trong đó
m
wR∈
và
0
wR∈
đóng vai trò là tham số của mô hình. Hàm phân lớp
nhị phân

{ }
:0,1
m
hR →
có thể thu được bằng cách xác định dấu của
f(x)
:


H ọc bộ phân lớp của mô hình bao gồm việc xác định
w
và
0
w
từ dữ liệu. Với
thuật toán này, mỗi dữ liệu được xem là một điểm trong mặt phẳng. Dữ liệu học là
tách rời tuyến tính
(linearly separable)
nếu tồn tại một siêu phẳng sao cho hàm phân
lớp phù hợp với tất cả các nhãn; tức là
() 0
ii
yf x >
với mọi
i = 1,...,n
. Với giả thuyết
này, Rosenblatt đã đưa ra một thuật toán đơn giản để xác định siêu phẳng :

1
()
0
hx
⎧
=
⎨
⎩
nếu
() 0fx>

ngược lại
1.
0w ←

2.
0
0
w ←

3. repeat
4.
0e ←

5.
for 1,...,in←

6.
( )
( )

0
do
T
ii
s sign y w x w
←+

7.
if 0s <

8. then
ii
wwyx
← +

9.
00ii
wwyx
← +

10.
1ee← +

11. until
e
= 0
12. return
( )
0
,

ww

Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng
Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ
23
Điều kiện cần để
D
tách rời tuyến tính là số dữ liệu học n = |
D
| nhỏ hơn hoặc
bằng
m+1.
Điều này là thường đúng với bài toán phân lớp văn bản, bởi vì số lượng từ
mục có thể lên tới hàng nghìn và lớn hơn nhiều lần so với số lượng dữ liệu học
.





Trong hình 1.4, giả sử rằng các dữ liệu mẫu thuộc lớp âm và lớp dương đều
tuân theo luật phân bố chuẩn
Gaussian
, và được tạo ra với cùng một xác suất. Khi đó
một siêu phẳng phân cách được gọi là lý tưởng nếu nó làm cực tiểu xác suất phân lớp
sai cho một điểm dữ liệu mới. Với giả thuyết ở trên thì siêu phẳng phân cách lý tưởng
sẽ trực giao với đoạn thẳng nối tâm của hai vùng có mật độ xác suất lớn nhất.
Rõ ràng các siêu phẳng mà chúng ta xây dựng nhằm phân cách các điểm dữ liệu
mẫu có thể lệch đi rất nhiều so với siêu phẳng lý tưởng, do đó sẽ dẫn tới việc phân lớp
không tốt trên dữ liệu mới sau này. Độ phức tạp của quá trình xác định siêu phẳng lý

tưởng sẽ tăng theo số chiều của không gian đầu vào
m,
vì với một số lượng các dữ liệu
mẫu cố định, tập hợp các siêu phẳng thực tế sẽ tăng theo hàm mũ với lũy thừa
m
. Với
bài toán phân lớp trang văn bản,
m
thường rất lớn, khoảng vài ngàn hay thậm chí là
hàng triệu từ.
Siêu phẳng lý tưởng
Siêu phẳng thực tế
Hình 1.4. Mối quan hệ giữa các siêu phẳng phân cách