Nghiên cứu một số kỹ thuật lấy tin tự động trên internet

LỜI CAM ĐOAN
ĐẠI HỌC THÁI NGUYÊN
KHOA CÔNG NGHỆ THÔNG TIN

------------------------

Tôi xin cam đoan toàn bộ nội dung bản luận văn này là do tôi tự sưu tầm,
tra cứu và sắp xếp cho phù hợp với nội dung yêu cầu của đề tài.
Nội dung luận văn này chưa từng được công bố hay xuất bản dưới bất kỳ
hình thức nào và cũng không được sao chép từ bất kỳ một công trình nghiên
cứu nào.

TRƯƠNG MẠNH HÀ

Tất cả phần mã nguồn của chương trình đều do tôi tự thiết kế và xây
dựng, trong đó có sử dụng một số thư viện chuẩn và các thuật toán được các
tác giả xuất bản công khai và miễn phí trên mạng Internet.
Nếu sai tôi xin tôi xin hoàn toàn chịu trách nhiệm.

NGHIÊN CỨU MỘT SỐ KỸ THUẬT LẤY TIN
TỰ ĐỘNG TRÊN INTERNET

Thái Nguyên, ngày 11 tháng 11 năm 2009

Chuyên ngành: Khoa học máy tính

Người cam đoan

Mã số: 60.48.01

Trương Mạnh Hà

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Người hướng dẫn khoa học: TS. Phạm Việt Bình

Thái Nguyên - Năm 2009

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




đó, việc phân cụm phải được ứng dụng trên tập các tài liệu nhỏ hơn được trả

MỞ ĐẦU

về từ các truy vấn và thay vì trả về một danh sách rất dài các thông tin gây
Sự phát triển nhanh chóng của mạng Internet đã sinh ra một khối lượng
khổng lồ các dữ liệu dạng siêu văn bản (dữ liệu Web). Các tài liệu siêu văn

nhập nhằng cho người sử dụng cần có một phương pháp tổ chức lại các kết
quả tìm kiếm một cách hợp lý.

bản chứa đựng văn bản và thường nhúng các liên kết đến các tài liệu khác

Do những vấn đề cấp thiết được đề cập ở trên nên em chọn đề tài:

phân bố trên Web. Ngày nay, Web bao gồm hàng tỉ tài liệu của hàng triệu tác

"Nghiên cứu một số kỹ thuật lấy tin tự động trên internet"

giả được tạo ra và được phân tán qua hàng triệu máy tính được kết nối qua

Mục tiêu của đề tài: Nghiên cứu xây dựng giải pháp phát triển hệ thống

đường dây điện thoại, cáp quang, sóng radio... Web đang ngày càng được sử

phần mềm thu thập, đánh giá và phân cụm thông tin tự động trên Internet

dụng phổ biến trong nhiều lĩnh vực như báo chí, phát thanh, truyền hình, hệ

phục vụ cho việc nghiên cứu, học tập, giảng dạy.

thống bưu điện, trường học, các tổ chức thương mại, chính phủ ... Chính vì
vậy lĩnh vực Web mining hay tìm kiếm tự động các thông tin phù hợp và có
giá trị trên Web là một chủ đề quan trọng trong Data Mining và là vấn đề
quan trọng của mỗi đơn vị, tổ chức có nhu cầu thu thập và tìm kiếm thông tin
trên Internet [2].

Ngoài phần mở đầu, phần kết luận, mục lục, tài liệu tham khảo, phụ lục,
luận văn gồm 3 chương:
- Chương 1: Khái quát về khai phá dữ liệu và phân cụm tài liệu Web
Giới thiệu một số khái niệm cơ bản về khai phá dữ liệu, khai phá dữ liệu
web, các hướng tiếp cận, ứng dụng của khai phá dữ liệu, và nêu bài toàn phân

Các hệ thống tìm kiếm thông tin hay nói ngắn gọn là các máy tìm kiếm
Web thông thường trả lại một danh sách các tài liệu được phân hạng mà người

dùng sẽ phải tốn công chọn lọc trong một danh sách rất dài để có được những
tài liệu phù hợp. Ngoài ra các thông tin đó thường rất phong phú, đa dạng và
liên quan đến nhiều đối tượng khác nhau. Điều này tạo nên sự nhập nhằng gây
khó khăn cho người sự dụng trong việc lấy được các thông tin cần thiết.
Có nhiều hướng tiếp cận khác nhau để giải quyết vấn đề này, các hướng

cụm tài liệu Web.
- Chương 2: Một số thuật toán phân cụm tài liệu
Nghiên cứu một số kỹ thuật phân cụm tài liệu liên quan, tư tưởng của
các thuật toán đã được nghiên cứu, nghiên cứu đề xuất phương pháp cải tiến.
- Chương 3: Ứng dụng trong lấy tin tự động
Ứng dụng xây dựng bài toán Thu thập dữ liệu về Kinh tế trên Internet.

này thường chú ý giảm sự nhập nhằng bằng các phương pháp lọc hay thêm

Để hoàn thành được luận văn Cao học, em xin được gửi lời cảm ơn tới

các tùy chọn để cắt bớt thông tin và hướng biểu diễn các thông tin trả về bởi

các thầy trong Viện Công nghệ thông tin, các thầy trong Khoa Công nghệ

các máy tìm kiếm thành từng cụm để cho người dùng có thể dễ dàng tìm được

thông tin đã tận tình giảng dạy, cung cấp nguồn kiến thức quý giá trong suốt

thông tin mà họ cần. Đã có nhiều thuật toán phân cụm tài liệu dựa trên phân

quá trình học tập.

cụm ngoại tuyến toàn bộ tập tài liệu. Tuy nhiên việc tập hợp tài liệu của các

Đặc biệt em xin chân thành cảm ơn TS. Phạm Việt Bình, đã tận tình

máy tìm kiếm là quá lớn và luôn thay đổi để có thể phân cụm ngoại tuyến. Do

hướng dẫn, góp ý, tạo điều kiện cho em hoàn thành luận văn này.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

1



2




Xin chân thành cảm ơn các thầy cô, anh chị em đang công tác tại phòng
VRLAB - Viện công nghệ thông tin - Viện khoa học và Công nghệ Việt Nam,
các thầy cô đang công tác tại Viện Công nghệ thông tin - Viện khoa học và
Công nghệ Việt Nam.

Chương 1: KHÁI QUÁT VỀ KHAI PHÁ DỮ LIỆU VÀ
PHÂN CỤM TÀI LIỆU WEB
1.1 Khai phá dữ liệu:

Cảm ơn đồng nghiệp Đỗ Văn Đại đã cung cấp những tài liệu, cùng những

kinh nghiệm quý báu đã được làm trong cuốn Đồ án tốt nghiệp đại học của
đồng nghiệp Đỗ Văn Đại giúp cho em trong quá trình nghiên cứu giảm bớt
được những khó khăn trong việc tiếp cận vấn đề và nghiên cứu tài liệu.
Xin được cảm ơn Ban lãnh đạo Khoa Công nghệ thông tin - Đại học Thái
Nguyên, lãnh đạo phòng Công nghệ thông tin - Thư viện, cùng toàn thể các
đồng nghiệp trong Khoa Công nghệ thông tin - Đại học Thái Nguyên đã giúp
đỡ em về thời gian, vật chất và tinh thần giúp em hoàn thành tốt nhiệm vụ học

Trong thời đại ngày nay, với sự phát triển vượt bậc của công nghệ thông
tin, các hệ thống thông tin có thể lưu trữ một khối lượng lớn dữ liệu về hoạt
động hàng ngày. Từ khối dữ liệu này, các kỹ thuật trong Khai phá dữ liệu và
Máy học có thể dùng để trích xuất những thông tin hữu ích mà chúng ta chưa
biết. Các tri thức vừa học được có thể vận dụng để cải thiện hiệu quả hoạt
động của hệ thống thông tin ban đầu.
Giáo sư Tom Mitchell đã đưa ra định nghĩa của Khai phá dữ liệu như
sau: “Khai phá dữ liệu là việc sử dụng dữ liệu lịch sử để khám phá những qui

tập, công tác.

tắc và cải thiện những quyết định trong tương lai.” Với một cách tiếp cận ứng
dụng hơn, Tiến sĩ Fayyad đã phát biểu: “Khai phá dữ liệu, thường được xem
là việc khám phá tri thức trong các cơ sở dữ liệu, là một quá trình trích xuất
những thông tin ẩn, trước đây chưa biết và có khả năng hữu ích, dưới dạng
các qui luật, ràng buộc, qui tắc trong cơ sở dữ liệu”. Nói tóm lại, Khai phá dữ
liệu là một quá trình học tri thức mới từ những dữ liệu đã thu thập được [4].
Mô hình khai phá dữ liệu bao gồm năm giai đoạn chính:
- Tìm hiểu nghiệp vụ và dữ liệu
- Chuẩn bị dữ liệu
- Mô hình hoá dữ liệu
- Hậu xử lý và đánh giá mô hình

- Triển khai tri thức

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

3



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

4




Quá trình này có thể được lặp lại nhiều lần một hay nhiều giai đoạn dựa
trên phản hồi từ kết quả của các giai đoạn sau. Tham gia chính trong quá trình

(c) Giảm nhiễu: nhiễu và các đối tượng tách rời (outlier) khỏi phân bố
chung sẽ bị loại đi khỏi dữ liệu.

Khai phá dữ liệu là các nhà tư vấn và phát triển chuyên nghiệp trong lĩnh vực

(d) Chuẩn hóa: miền giá trị của dữ liệu sẽ được chuẩn hóa.

Khai phá dữ liệu.

(e) Rời rạc hóa: các dữ liệu số sẽ được biến đổi ra các giá trị rời rạc.

Trong giai đoạn đầu tiên, tìm hiểu nghiệp vụ dữ liệu, nhà tư vấn nghiên

cứu kiến thức về lĩnh vực sẽ áp dụng, bao gồm các tri thức cấu trúc về hệ
thống và tri thức, các nguồn dữ liệu hiện hữu, ý nghĩa, vai trò và tầm quan
trọng của các thực thể dữ liệu. Việc nghiên cứu này được thực hiện qua việc
tiếp xúc giữa nhà từ vấn và người dùng. Khác với phương pháp giải quyết vấn
đề truyền thống khi bài toán được xác định chính xác ở bước đầu tiên, nhà tư
vấn tìm hiểu các yêu cầu sơ khởi của người dùng và đề nghị các bài toán tiềm
năng có thể giải quyết với nguồn dữ liệu hiện hữu. Tập các bài toán tiềm năng
được tinh chỉnh và làm hẹp lại trong các giai đoạn sau. Các nguồn và đặc tả
dữ liệu có liên quan đến tập các bài toán tiềm năng cũng được xác định [4].
Giai đoạn chuẩn bị dữ liệu sử dụng các kỹ thuật tiền xử lý để biến đổi và
cải thiện chất lượng dữ liệu để thích hợp với những yêu cầu của các giải thuật
học. Phần lớn các giải thuật khai phá dữ liệu hiện nay chỉ làm việc trên một
tập dữ liệu đơn và phẳng, do đó dữ liệu phải được trích xuất và biến đối từ các
dạng cơ sơ dữ liệu phân bố, quan hệ hay hướng đối tượng sang dạng cơ sở dữ
liệu quan hệ đơn giản với một bảng dữ liệu. Các giải thuật tiền xử lý tiêu biểu
bao gồm:
(a) Xử lý dữ liệu bị thiếu/mất: các dữ liệu bị thiếu sẽ được thay thế bởi
các giá trị thích hợp.
(b) Khử sự trùng lắp: các đối tượng dữ liệu trùng lắp sẽ bị loại bỏ đi. Kỹ
thuật này không được sử dụng cho các tác vụ có quan tâm đến phân bố dữ liệu.

(f) Rút trích và xây dựng đặc trưng mới từ các thuộc tính đã có.
(g) Giảm chiều: các thuộc tính chứa ít thông tin sẽ được loại bỏ bớt.
Các bài toán được giải quyết trong giai đoạn Mô hình hóa dữ liệu. Các
giải thuật học sử dụng các dữ liệu đã được tiền xử lý trong giai đoạn hai để
tìm kiếm các qui tắc ẩn và chưa biết. Công việc quan trọng nhất trong giai
đoạn này là lựa chọn kỹ thuật phù hợp để giải quyết các vấn đề đặt ra. Các bài
toán được phân loại vào một trong những nhóm bài toán chính trong Khai phá
dữ liệu dựa trên đặc tả của chúng [4].
Các mô hình kết quả của giai đoạn ba sẽ được hậu xử lý và đánh giá

trong giai đoạn (d). Dựa trên các đánh giá của người dùng sau khi kiểm tra
trên các tập thử, các mô hình sẽ được tinh chỉnh và kết hợp lại nếu cần. Chỉ
các mô hình đạt được mức yêu cầu cơ bản của người dùng mới đưa ra triển
khai trong thực tế. Trong giai đoạn này, các kết quả được biến đổi từ dạng học
thuật sang dạng phù hợp với nghiệp vụ và dễ hiểu hơn cho người dùng.
Trong giai đoạn cuối, Triển khai tri thức, các mô hình được đưa vào
những hệ thống thông tin thực tế dưới dạng các module hỗ trợ việc đưa ra
quyết định.
Mối quan hệ chặt chẽ giữa các giai đoạn trong quá trình Khai phá dữ liệu
là rất quan trọng cho việc nghiên cứu trong Khai phá dữ liệu [3]. Một giải
thuật trong Khai phá dữ liệu không thể được phát triển độc lập, không quan
tâm đến bối cảnh áp dụng mà thường được xây dựng để giải quyết một mục
tiêu cụ thể. Do đó, sự hiểu biết bối cảnh vận dụng là rất cần thiết. Thêm vào

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

5



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

6




đó, các kỹ thuật được sử dụng trong các giai đoạn trước có thể ảnh hưởng đến

cách mà người đọc có thể không cần đọc một cách liên tục. Ví dụ khi đọc một

hiệu quả của các giải thuật sử dụng trong các giai đoạn tiếp theo.

cuốn sách người đọc không phải đọc lần lượt từng trang từ đầu đến cuối mà

1.1.1 Các dạng dữ liệu

có thể nhảy cóc đến các đoạn sau để tham khảo về các vấn đề họ quan tâm.
Như vậy văn bản Hypertext bao gồm dạng chữ viết không liên tục,

1.1.1.1 Full text

chúng được phân nhánh và cho phép người đọc có thể chọn cách đọc theo ý

Dữ liệu dạng Full text là một dạng dữ liệu phi cấu trúc với thông tin chỉ

muốn của mình. Hiểu theo nghĩa thông thường thì Hypertext là một tập các

gồm các tài liệu dạng text. Mỗi tài liệu chứa thông tin về một vấn đề nào đó

trang chữ viết được kết nối với nhau bởi các liên kết và cho phép người đọc

thể hiện qua nội dung của tất cả các từ cấu thành tài liệu đó. Ý nghĩa của mỗi

có thể đọc theo các cách khác nhau. Như ta đã làm quen nhiều với các trang

từ trong tài liệu không cố định mà tùy thuộc vào từng ngữ cảnh khác nhau sẽ

định dạng HTML, trong các trang có những liên kết trỏ tới từng phần khác

mang ý nghĩa khác nhau. Các từ trong tài liệu được liên kết với nhau theo một

nhau của trang đó hoặc trỏ tới trang khác và người đọc sẽ đọc văn bản dựa

ngôn ngữ nào đó.

vào những liên kết đó.

Trong các dữ liệu hiện nay thì văn bản là một trong những dữ liệu phổ

Bên cạnh đó, Hypertext cũng là một dạng văn bản Text đặc biệt nên

biến nhất, nó có mặt khắp mọi nơi và chúng ta thường xuyên bắt gặp do đó

cũng có thể bao gồm các chữ viết liên tục (là dạng phổ biến nhất của chữ

các bài toán về xử lý văn bản đã được đặt ra khá lâu và hiện nay vẫn là một

viết). Do không bị hạn chế bởi tính liên tục trong Hypertext, chúng ta có thể

trong những vấn đề trong khai phá dữ liệu Text, trong đó có những bài toán

tạo ra các dạng trình bày mới, do đó tài liệu sẽ phản ánh tốt hơn nội dung

đáng chú ý như tìm kiếm văn bản, phân loại văn bản, phân cụm văn bản hoặc

muốn diễn đạt. Hơn nữa người đọc có thể chọn cho mình một cách đọc phù

dẫn đường văn bản.

hợp chẳng hạn như đi sâu vào một vấn đề mà họ quan tâm. Sáng kiến tạo ra

Cơ sở dữ liệu Full text là một dạng cơ sở dữ liệu phi cấu trúc mà dữ liệu

một tập các văn bản cùng với các con trỏ tới các văn bản khác để liên kết một

bao gồm các tài liệu và thuộc tính của tài liệu. Cơ sở dữ liệu Full_Text thường

tập các văn bản có mối quan hệ với nhau là một cách thực sự hay và hữu ích

được tổ chức như một tổ hợp của hai thành phần: Một cơ sở dữ liệu có cấu

để tổ chức thông tin. Với người viết, cách này cho phép họ có thể thoải mái

trúc thông thường (chứa đặc điểm của các tài liệu) và các tài liệu.

loại bỏ những băn khoăn về thứ tự trình bày mà có thể tổ chức vấn đề thành

1.1.1.2 Hypertext

những phần nhỏ rồi sử dụng kết nối để chỉ ra mối liên hệ giữa các phần nhỏ

Theo từ điển của Đại Học Oxford (Oxford English Dictionary Additions
Series) thì Hypertext được định nghĩa như sau: Đó là loại Text không phải
đọc theo dạng liên tục đơn, nó có thể được đọc theo các thứ tự khác nhau, đặc
biệt là Text và ảnh đồ họa (Graphic) là các dạng có mối liên kết với nhau theo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

7

đó với nhau.
Với người đọc, cách này cho phép họ có thể đi tắt trên mạng thông tin và
quyết định phần thông tin nào có liên quan đến vấn đề mà họ quan tâm để tiếp
tục tìm hiểu. So sánh với cách đọc tuyến tính tức là đọc lần lượt thì Hypertext
đã cung cấp cho chúng ta một giao diện để có thể tiếp xúc với nội dung thông
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

8




tin hiệu quả hơn rất nhiều. Theo khía cạnh của các thuật toán học máy thì

Bài toán thông dụng nhất trong Khai phá dữ liệu là Phân lớp

Hypertext đã cung cấp cho chúng ta cơ hội nhìn ra ngoài phạm vi một tài liệu

(Classification). Với một tập các dữ liệu huấn luyện cho trước và sự huấn luyện

để đánh giá nó, nghĩa là có tính cả đến các tài liệu có liên kết với nó. Tất

của con người, các giải thuật phân loại sẽ học ra bộ phân loại (classifier) dùng

nhiên không phải tất cả các tài liệu có liên kết đến nó đều có ích cho việc

để phân các dữ liệu mới vào một trong những lớp (còn gọi là loại) đã được xác

đánh giá, đặc biệt là khi các siêu liên kết có thể chỉ đến nhiều loại các tài liệu

định trước. Nhận dạng cũng là một bài toán thuộc kiểu phân loại.
Với mô hình học tương tự như bài toán Phân loại, lớp bài toán Dự đoán

khác nhau.
Có hai khái niệm về Hypertext cần quan tâm:

(Prediction) sẽ học ra các bộ dự đoán. Khi có dữ liệu mới đến, bộ dự đoán sẽ

Hypertext Document (Tài liệu siêu văn bản): Là một tài liệu văn bản đơn

dựa trên thông tin đang có để đưa ra một giá trị số học cho hàm cần dự đoán.

trong hệ thống siêu văn bản. Nếu tưởng tượng hệ thống siêu văn bản là một

Bài toán tiêu biểu trong nhóm này là dự đoán giá sản phẩm để lập kế hoạch

đồ thị thì các tài liệu tương ứng các nút.

trong kinh doanh.

Hypertext Link (Liên kết siêu văn bản): Là một tham chiếu để nối một

Các giải thuật Tìm luật liên kết (Association Rule) tìm kiếm các mối liên

tài liệu Hypertext này với một tài liệu Hypertext khác. Các siêu liên kết đóng

kết giữa các phần tử dữ liệu, ví dụ như nhóm các món hàng thường được mua

vai trò quan trọng như những đường nối trong đô thị nói trên.

kèm với nhau trong siêu thị.

Hypertext là loại dữ liệu phổ biến hiện nay và cũng là loại dữ liệu có nhu

Các kỹ thuật Phân cụm (Clustering) sẽ nhóm các đối tượng dữ liệu có tính

cầu tìm kiếm rất lớn. Nó là dữ liệu phổ biến trên mạng thông tin Internet cơ

chất giống nhau vào cùng một nhóm. Có nhiều cách tiếp cận với những mục tiêu

sở dữ liệu Hypertext với văn bản dạng “ mửa cấu trúc” do xuất hiện thêm các

khác nhau trong phân loại. Các kỹ thuật trong bài toán này thường được vận

“thẻ ”: Thẻ cấu trúc (tiêu đề, mở đầu, nội dung), thẻ nhấn trình bày chữ (đậm,

dụng trong vấn đề phân hoạch dữ liệu tiếp thị hay khảo sát sơ bộ các dữ liệu.

nghiêng,..). Nhờ các thẻ này mà chúng ta có thêm một tiêu chuẩn (so với tài

1.1.3 Các môi trường khai phá dữ liệu

liệu Full text) để có thể tìm kiếm và phân loại chúng. Dựa vào các thẻ đã quy
định trước chúng ta có thể phân thành các độ ưu tiên khác nhau cho các từ
khóa nếu chúng xuất hiện ở những vị trí khác nhau. Ví dụ khi tìm kiếm các tài
liệu có nội dung liên quan đến “people ” thì chúng ta đưa từ khóa tìm kiếm là
“people ” và các tài liệu có từ khóa “people ” đứng ở tiêu đề thì sẽ gần với

Do các đặc tính được nêu ra trong phần 2, các công cụ Khai phá dữ liệu
thường được xây dựng theo dạng môi trường phát triển, dễ thử nghiệm và
thay đổi các tác vụ Khai phá dữ liệu. Hình 1.1 giới thiệu giao diện trực quan
của một quá trình Khai phá dữ liệu trong môi trường Clementine [4].

yêu cầu tìm kiếm hơn.
1.1.2 Các bài toán thông dụng trong Khai phá dữ liệu
Trong Khai phá dữ liệu, các bài toán có thể phân thành bốn loại chính.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

9



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

10




sẵn sàng cho việc sử dụng, người vận dụng Khai phá dữ liệu chỉ cần phải tìm
hiểu các kiến thức cần thiết, khảo sát tính chất dữ liệu, vận dụng các kỹ thuật
đã được hiện thực sẵn trên dữ liệu, đánh giá các kết quả tạm thời và vận dụng
kết quả cuối cùng. Với phương thức hiện đại như vậy, việc áp dụng Khai phá
dữ liệu trở nên rất dễ dàng và tiện lợi.
Weka là môi trường thử nghiệm Khai phá dữ liệu do các nhà khoa học
thuộc trường Đại học Waitako, NZ, khởi xướng và được sự đóng góp của rất
nhiều nhà nghiên cứu trên thế giới. Weka là phần mềm mã nguồn mở, cung
cấp công cụ trực quan và sinh động cho sinh viên và người ngoài ngành Công

nghệ thông tin tìm hiểu về Khai phá dữ liệu. Weka còn cho phép các giải
thuật học mới phát triển có thể tích hợp vào môi trường của nó.
1.1.4 Các ứng dụng của khai phá dữ liệu
Hình 1.1: Giao diện trực quan của môi trường khai phá dữ liệu Clementine

Trong các môi trường này, một quá trình Khai phá dữ liệu được mô tả
như một dòng các tác vụ nối tiếp, bắt đầu bằng việc lấy dữ liệu thực từ nguồn
dữ liệu lịch sử, thao tác biến đổi dữ liệu sang dạng thích hợp, học và sinh ra
mô hình mới. Mô hình này sau đó được thử nghiệm trên dữ liệu thực để đưa
ra các đánh giá. Nếu mô hình được đánh giá chưa thỏa mãn các yêu cầu đề ra,
các tác vụ trong quá trình được tinh chỉnh rồi thực hiện lại. Qui trình này
được lặp lại cho đến khi nào mô hình sinh ra được đánh giá có hiệu quả tốt.
Mô hình sinh ra cuối cùng sẽ được triển khai sử dụng trong thực tế. Các môi
trường như vậy rất phù hợp cho quá trình Khai phá dữ liệu vì tính chất thử
nghiệm và cần thay đổi nhiều của nó.

Khai phá dữ liệu được vận dụng trong nhiều lĩnh vực khác nhau nhằm
khai thác nguồn dữ liệu phong phú được lưu trữ trong các hệ thống thông tin
Tùy theo bản chất của từng lĩnh vực, việc vận dụng Khai phá dữ liệu có
những cách tiếp cận khác nhau. Khai phá dữ liệu cũng được vận dụng hiệu
quả để giải quyết các bài toán phức tạp trong các ngành đòi hỏi kỹ thuật cao
như tìm kiếm mỏ dầu từ ảnh viễn thám, xác định các vùng gãy trong ảnh địa
chất để dự đoán thiên tai, cảnh báo hỏng hóc trong các hệ thống sản xuất,…
Các bài toán này đã được giải quyết từ khá lâu bằng các kỹ thuật nhận dạng
hay xác suất nhưng được giải quyết với yêu cầu cao hơn bởi các kỹ thuật của
Khai phá dữ liệu. Phân nhóm và dự đoán là những công cụ rất cần thiết cho
việc qui hoạch và phát triển các hệ thống quản lý và sản xuất trong thực tế.
Các kỹ thuật Khai phá dữ liệu đã được áp dụng thành công trong việc dự đoán

Việc sử dụng các môi trường thử nghiệm đã thúc đẩy nhanh việc áp

tải sử dụng điện năng cho các công ty cung cấp điện, lưu lượng viễn thông

dụng Khai phá dữ liệu. Thay vì phải bỏ nhiều công sức và thời gian vào việc

cho các công ty điện thoại, mức độ tiêu thụ sản phẩm cho các nhà sản xuất,

xây dựng các chương trình hoàn chỉnh và hiện thực các giải thuật, khi dữ liệu
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

11



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

12




giá trị của sản phẩm trên thị trường cho các công ty tài chính hay phân nhóm

không gian, sinh học... Do kích thước của các cơ sở dữ liệu tăng lên rất nhanh

các khách hàng tiềm năng,…

nên phân cụm đang là vấn đề đã và đang thu hút nhiều sự quan tâm của các

Ngoài ra, Khai phá dữ liệu còn được áp dụng cho các vấn đề xã hội như

nhà khoa học trên thế giới.

phát hiện tội phạm hay tăng cường an ninh xã. Việc vận dụng thành công đã

Trong lĩnh vực thống kê, phân cụm đã được nghiên cứu và phát triển

mang lại những hiệu quả thiết thực cho các hoạt động diễn ra hàng ngày trong

trong nhiều năm, các vấn đề tập trung chủ yếu vào phân tích các lớp dựa vào

đời sống.

khoảng cách. Các công cụ phân tích lớp dựa trên một số các phương pháp như

1.2. Phân cụm tài liệu và phân cụm tài liệu Web

k-means, k-medoids đã được ứng dụng trong nhiều hệ thống phần mềm phân
tích thống kê như: S-Plus, SPSS, SAS...

Phân cụm (Clustering) là quá trình nhóm một tập các đối tượng vật lý
hoặc trừu tượng thành các nhóm hay các lớp đối tượng tương tự nhau. Một
cụm (cluster) là một tập các đối tượng giống nhau hay là tương tự nhau,
chúng khác hoặc ít tương tự so với các đối tượng thuộc lớp khác. Không
giống như quá trình phân loại, ta thường biết trước tính chất hay đặc điểm của
các đối tượng trong cùng một lớp và dựa vào đó để ấn định một đối tượng vào
lớp của nó, trong quá trình chia lớp ta không hề biết trước tính chất của các
lớp và thường dựa vào mối quan hệ của các đối tượng để tìm ra sự giống nhau
giữa các đối tượng dựa vào một độ đo nào đó đặc trưng cho mỗi lớp.
Việc phân cụm không thực hiện độc lập mà thường sử dụng kết hợp với

các phương pháp khác. Một cách phân cụm được đưa ra cũng phải có một
phương pháp áp dụng trên các lớp đó để đưa ra được ý nghĩa của lớp đó.
Ở một mức cơ bản nhất, người ta đã đưa ra định nghĩa Phân cụm dữ liệu
như sau:
"Phân cụm dữ liệu là một kỹ thuật trong DATA MINING, nhằm tìm
kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn, quan tâm trong tập
dữ liệu lớn, từ đó cung cấp thông tin, tri thức hữu ích cho ra quyết định".

Trong học máy, phân cụm dữ liệu được xem là vấn đề học không có
giám sát, vì nó phải đi giải quyết vấn đề tìm một cấu trúc trong tập hợp các dữ
liệu chưa biết trước các thông tin về lớp hay các thông tin về tập ví dụ huấn
luyện. Trong nhiều trường hợp, khi phân lớp (Classification) được xem vấn
đề học có giám sát thì phân cụm dữ liệu là một bước trong phân lớp dữ liệu,
trong đó Phân cụm dữ liệu sẽ khởi tạo các lớp cho phân lớp bằng cách xác
định các nhãn cho các nhóm dữ liệu.
Trong lĩnh vực khai thác dữ liệu, các vấn đề nghiên cứu trong phân
cụm chủ yếu tập trung vào tìm kiếm các phương pháp phân cụm hiệu quả và
tin cậy trong cơ sở dữ liệu lớn.
Trong lĩnh vực khai phá dữ liệu Web, phân cụm có thể khám phá ra các
nhóm tài liệu quan trọng, có nhiều ý nghĩa trong môi trường Web. Các lớp tài
liệu này trợ giúp cho việc khám phá tri thức từ dữ liệu...
1.2.1 Khai phá dữ liệu Web
1.2.1.1 Khai phá nội dung Web
Khai phá nội dung web tập trung vào việc khám phá một cách tự động

Hiện nay có rất nhiều vấn đề nghiên cứu về phân cụm trong các lĩnh

nguồn thông tin có giá trị trực tuyến. Khai phá nội dung web có thể được tiếp

vực khác nhau như: Khai phá dữ liệu, thống kê, học máy, công nghệ dữ liệu

cận theo 2 cách khác nhau: Tìm kiếm thông tin và khai phá dữ liệu trong cơ

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

13



14




sở dữ liệu lớn. Khai phá dữ liệu đa phương tiện là một phần của khai phá nội
dung Web, nó hứa hẹn việc khai thác được các thông tin và tri thức ở mức cao

+ Giảm bớt số chiều và làm tăng hiệu quả việc phát hiện tri thức bằng
việc chuyển đổi, quy nạp, cưỡng bức dữ liệu...

từ nguồn đa phương tiện trực tuyến rộng lớn.

+ Làm sạch các thuộc tính không liên quan để giảm bớt số chiều của dữ liệu.

1.2.1.2 Khai phá văn bản Web

- Biểu diễn văn bản: Khai phá văn bản Web là khai phá các tập tài liệu

Khai phá văn bản Web là việc sử dụng kỹ thuật khai phá dữ liệu đối với
các tập văn bản để tìm ra tri thức có ý nghĩa tiềm ẩm trong nó [12]. Dữ liệu
của nó có là dữ liệu có cấu trúc hoặc không cấu trúc. Kết quả khai phá không
chỉ là trạng thái chung của mỗi tài liệu văn bản mà còn là sự phân loại, phân

HTML. Do đó ta sẽ phải biến đổi và biểu diễn dữ liệu thích hợp cho quá trình
xử lý. Người ta thường dùng mô hình TF-IDF để vector hoá dữ liệu. Nhưng có
một vấn đề quan trọng là việc biểu diễn này sẽ dẫn đến số chiều vector khá lớn.
- Trích rút đặc trưng: Rút ra các đặc trưng là một phương pháp, nó có thể
giải quyết số chiều vector đặc trưng lớn được mang lại bởi khai phá văn bản.

cụm các tập văn bản phục vụ cho mục đích nào đó.

Việc rút ra các đặc trưng dựa trên hàm trọng số:
+ Mỗi từ đặc trưng sẽ nhận được một giá trị trọng số tin cậy bằng việc
tính toán hàm trọng số tin cậy. Tần số xuất hiện cao của các từ đặc trưng là
khả năng chắc chắn nó sẽ phản ánh đến chủ đề của văn bản, thì ta sẽ gán cho
nó một giá trị tin cậy lớn hơn. Hơn nữa, nếu nó là tiêu đề, từ khoá hoặc cụm
từ thì chắc chắn nó có giá trị tin cậy lớn hơn.
+ Việc rút ra các đặc trưng dựa trên việc phân tích thành phần chính

Hình 1.2: Quá trình khai phá văn bản Web

trong phân tích thông kê. Ý tưởng chính của phương pháp này là sử dụng thay
- Lựa chọn dữ liệu: Về cơ bản, văn bản văn bản cục bộ được định dạng
tích hợp thành các tài liệu theo mong muốn để khai phá và phân phối trong
nhiều dịch vụ Web bằng việc sử dụng kỹ thuật truy xuất thông tin.
- Tiền xử lý dữ liệu: Để có một kết quả khai phá tốt ta cần có dữ liệu rõ
ràng, chính xác và xoá bỏ dữ liệu hỗn độn và dư thừa. Sau bước tiền xử lý, tập
dữ liệu đạt được thường có các đặc điểm sau:

thế từ đặc trưng bao hàm của một số ít các từ đặc trưng chính trong mô tả để
thực hiện giảm bớt số chiều.
- Sau khi tập hợp, lựa chọn và trích ra tập văn bản hình thành nên các
đặc trưng cơ bản, nó sẽ là cơ sở để Khai phá dữ liệu. Từ đó ta có thể thực hiện
trích, phân loại, phân cụm, phân tích và dự đoán.
- Việc trích rút văn bản để đưa ra ý nghĩa chính có thể mô tả tóm tắt tài

+ Dữ liệu thống nhất và hỗn hợp cưỡng bức.

liệu văn bản trong quá trình tổng hợp. Sau đó, người dùng có thể hiểu ý nghĩa

+ Làm sạch dữ liệu không liên quan, nhiễu và dữ liệu rỗng. Dữ liệu

chính của văn bản nhưng không cần thiết phải duyệt toàn bộ văn bản. Đây là
phương pháp đặc biệt được sử dụng trong searching engine, thường cần để

không bị mất mát và không bị lặp.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

15



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

16

đưa ra văn bản trích dẫn [10]. Nhiều searching engines luôn đưa ra những câu

1.2.2. Bài toán phân cụm tài liệu Web

dự đoán trong quá trình tìm kiếm và trả về kết quả, cách tốt nhất để thu được

Nắm bắt những đặc tính của người dung Web là việc rất quan trọng đối

ý nghĩa chính của một văn bản hoặc tập văn bản chủ yếu bằng việc sử dụng

với người thiết kế Website. Thông qua việc khai phá lịch sử các mẫu truy xuất

nhiều thuật toán khác nhau.

của người dùng Web, không chỉ thông tin về Web được sử dụng như thế nào

- Phân lớp văn bản: Nhiều tài liệu được phân lớp tự động một cách

mà còn nhiều đặc tính khác như các hành vi của người dùng có thể được xác

nhanh chóng và hiệu quả cao. Người ta thường sử dụng phương pháp phân

định. Sự điều hướng đường dẫn người dùng Web mang lại giá trị thông tin về

lớp Navie Bayesian và "K - láng giềng gần nhất" để khai phá thông tin văn

mức độ quan tâm của người dùng đến các Website đó.

bản. Trong phân lớp văn bản, đầu tiên là phân loại tài liệu. Thứ hai, xác định

đặc trưng thông qua số lượng các đặc trưng của tập tài liệu huấn luyện. Cuối
cùng, tính toán kiểm tra phân lớp tài liệu và độ tương tự của tài liệu phân lớp
bằng thuật toán nào đó. Khi đó các tài liệu có độ tương tự cao với nhau thì

Khai phá Web theo sử dụng Web là khai phá truy cập Web để khám phá
các mẫu người dùng truy cập vào Website.
Kiến trúc tổng quát của quá trình khai phá theo sử dụng Web như sau:

nằm trong cùng một phân lớp. Độ tương tự sẽ được đo bằng hàm đánh giá xác
định trước. Nếu ít tài liệu tương tự nhau thì đưa nó về 0. Nếu nó không giống
với sự lựa chọn của phân lớp xác định trước thì xem như không phù hợp.
- Phân cụm văn bản: Chủ đề phân loại không cần xác định trước nhưng
ta phải phân loại các tài liệu vào nhiều cụm. Trong cùng một cụm thì độ
tương tự thấp hơn. Phương pháp sắp xếp liên kết và phương pháp phân cấp
thường được sử dụng trong văn bản phân cụm.
Hình 1.3: Kiến trúc tổng quát của khai phá theo sử dụng Web

- Phân tích và dự đoán xu hướng: Thông qua việc phân tích các tài liệu
Web, ta có thể nhận được quan hệ phân phối của các dữ liệu đặc biệt trong
từng giai đoạn của nó và có thể dự đoán được tương lai phát triển.
- Đánh giá chất lượng mẫu: Khai phá dữ liệu Web có thể được xem như
quá trình của machine learning. Kết quả của machine learning là các mẫu tri
thức. Phần quan trọng của machine learning là đánh giá kết quả các mẫu. Ta
thường phân lớp các tập tài liệu vào tập huấn luyện và tập kiểm tra. Cuối

- Các kỹ thuật được sử dụng trong khai phá sử dụng Web:
+ Luật kết hợp: Để tìm ra những Web thường được truy cập cùng nhau
của người dùng, những lựa chọn cùng nhau của khách hàng trong thương mại
điện tử.
+ Kỹ thuật phân cụm: Phân cụm người dùng dựa trên các mẫu duyệt để

tìm ra sự liên quan giữa người dùng Web và các hành vi của họ.

cùng, chất lượng trung bình được dung để đánh giá chất lượng mô hình.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

17



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

18




- Khai phá cấu trúc Web: WWW là hệ thống thông tin toàn cầu, bao gồm
tất cả các Website. Mỗi một trang có thể được liên kết đến nhiều trang. Các
siêu liên kết thay đổi chứa đựng ngữ nghĩa chủ đề của trang. Một siêu liên kết
trỏ tới một trang Web khác có thể được xem như là một chứng thực của trang
Web đó. Do đó, nó rất có ích trong việc sử dụng những thông tin ngữ nghĩa để
lấy được thông tin quan trọng thông qua hân tích liên kết giữa các trang Web.
Mục tiêu của khai phá cấu trúc Web là để phát hiện thông tin cấu trúc về
Web. Nếu như khai phá nội dung Web chủ yếu tập trung vào cấu trúc bên

Hình 1.4: Các bước phân cụm kết quả tìm kiếm trên Web

trong tài liệu thì khai phá cấu trúc Web cố gắng để phát hiện cấu trúc liên kết
của các siêu liên kết ở mức trong của tài liệu. Dựa trên mô hình hình học của

- Tìm kiếm dữ liệu trên Web: Nhiệm vụ chủ yếu của giai đoạn này là dựa

các siêu liên kết, khai phá cấu trúc Web sẽ phân loại các trang Web, tạo ra

vào tập từ khoá tìm kiếm để tìm kiếm và trả về tập gồm toàn văn tài liệu, tiêu

thông tin như độ tương tự và mối quan hệ giữa các Website khác nhau. Nếu

đề, mô tả tóm tắt, URL... tương ứng với các trang đó.

trang Web được liên kết trực tiếp với trang Web khác thì ta sẽ muốn phát hiện

- Tiền xử lý dữ liệu: Quá trình làm sạch dữ liệu và chuyển dịch các tài
liệu thành các dạng biểu diễn dữ liệu thích hợp.

ra mối quan hệ giữa các trang Web này.
- Quá trình tìm kiếm và phân cụm tài liệu: Về cơ bản, quá trình phân

- Chuẩn hoá văn bản: Đây là giai đoạn chuyển hoá văn bản thô về dạng
văn bản sao cho việc xử lý sau này được dễ dàng, đơn giản, thuận tiện, chính

cụm kết quả tìm kiếm sẽ diễn ra theo các bước:
+ Tìm kiếm trang Web từ các Website thoả mãn nội dung truy vấn.

xác so với việc xử lý trực tiếp trên văn bản thô mà ảnh hưởng ít đến kết quả

+ Trích rút thông tin mô tả từ các trang và lưu trữ nó cùng với các URL

xử lý.
- Xoá bỏ từ dừng: Trong văn bản có những từ mang ít thông tin quan

tương ứng.
+ Sử dụng kỹ thuật phân cụm dữ liệu để phân cụm tự động các trang
Web thành các cụm, sao cho các trang trong cụm "tương tự" về nội dung với

trọng trong quá trình xử lý, những từ có tần số xuất hiện thấp, những từ xuất
hiện với tần số lớn nhưng không quan trọng trong quá trình xử lý đều được
loại bỏ. Theo một số nghiên cứu gần đây cho thấy việc loại bỏ các từ dừng có

nhau hơn các trang ngoài cụm.

thể giảm bớt được khoảng 20 - 30% tổng số từ trong văn bản.
- Kết hợp các từ có cùng gốc: Hầu hết trong các ngôn ngữ đều có rất
nhiều các từ có chung nguồn gốc với nhau, chúng mang ý nghĩa tương tự
nhau, do đó để giảm bớt số chiều trong biểu diễn văn bản, ta sẽ kết hợp với
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

19



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

20




các từ có cùng gốc thành một từ. Ví dụ trong tiếng Anh từ user, users, used,

Chương 2: MỘT SỐ THUẬT TOÁN PHÂN CỤM TÀI LIỆU

using có cùng từ gốc và sẽ được quy về use.
- Xây dựng từ điển: Việc xây dựng từ điển là một công việc rất quan
trọng trong quá trình vector hoá văn bản, từ điển sẽ gồm các từ/ cụm từ riêng
biệt trong toàn bộ tập dữ liệu. Từ điển sẽ gồm một bảng các từ, chỉ số của nó
trong từ điển và được sắp xếp theo thứ tự.

2.1. Phân cụm dữ liệu không gian và các tiếp cận
Các kỹ thuật áp dụng để giải quyết vấn đề phân cụm dữ liệu đều hướng
tới hai mục tiêu chung: Chất lượng của các cụm khám phá được và tốc độ
thực hiện của thuật toán. Hiện nay, các kỹ phân cụm dữ liệu có thể phân loại

- Tách từ, số hoá văn bản và biểu diễn tài liệu: Tách từ là công việc hết sức
quan trọng trong việc biểu diễn văn bản, quá trình tách từ, vector hoá tài liệu là
quá trình tìm kiếm các từ và thay thế nó bởi chỉ số của từ đó trong từ điển.
- Phân cụm tài liệu: Sau khi đã tìm kiếm, trích rút dữ liệu, tiền xử lý và
biểu diễn văn bản chúng ta sử dụng kỹ thuật phân cụm để phân cụm tài liệu.

theo các cách tiếp cận chính [5]:
2.1.1 Phân cụm phân hoạch
Phương pháp phân cụm phân hoạch nhằm phân chia một tập dữ liệu có n
phần tử cho trước thành k nhóm dữ liệu sao cho: mỗi phần tử dữ liệu chỉ
thuộc về một nhóm dữ liệu và mỗi nhóm dữ liệu có tối thiểu một phần tử dữ
liệu. Các thuật toán phân hoạch dữ liệu có độ phức tạp rất lớn khi xác định
nghiệm tối ưu toàn cục cho vấn đề Phân cụm dữ liệu, do nó phải tìm kiếm tất
cả các cách phân hoạch có thể được. Chính vì vậy, trên thực tế người ta
thường đi tìm giải pháp tối ưu cục bộ cho vấn đề này bằng cách sử dụng một
hàm tiêu chuẩn để đánh giá chất lượng của các cụm cũng như để hướng dẫn
cho quá trình tìm kiếm phân hoạch dữ liệu. Với chiến lược này, thông thường

người ta bắt đầu khởi tạo một phân hoạch ban đầu cho tập dữ liệu theo phép
ngẫu nhiên hoặc theo heuristic, và liên tục tinh chỉnh nó cho đến khi thu được
một phân hoạch mong muốn, thoả mãn ràng buộc cho trước. Các thuật toán
phân cụm phân hoạch cố gắng cải tiến tiêu chuẩn phân cụm, bằng cách tính
các giá trị đo độ tương tự giữa các đối tượng dữ liệu và sắp xếp các giá trị
này, sau đó thuật toán lựa chọn một giá trị trong dãy sắp xếp sao cho hàm tiêu
chuẩn đạt giá trị tối thiểu. Như vậy, ý tưởng chính của thuật toán phân cụm
phân hoạch tối ưu cục bộ là sử dụng chiến lược ăn tham (Greedy) để tìm kiếm

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

21



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

22




nghiệm. Một số thuật toán phân cụm phân hoạch điển hình như k-means,

Bước 2: Cập nhật lại ngưỡng µ và thực hiện tương tự như trong bước 1,

PAM, CLARA, CLARANS… sẽ được trình bày chi tiết ở những chương sau.

sau bước này ta gộp cụm {d}, {e} thành {d, e}. Các cụm thu được là {a, b},

2.1.2 Phân cụm dữ liệu phân cấp

{c}, {d, e}.

Phân cụm phân cấp sắp xếp một tập dữ liệu đã cho thành một cấu trúc có
dạng hình cây, cây phân cấp này được xây dựng theo kỹ thuật đệ quy. Cây
phân cụm có thể được xây dựng theo hai phương pháp tổng quát: phương
pháp dưới lên (Bottom up) và phương pháp trên xuống (Top down) [5].
Phương pháp “dưới lên” (Bottom up): Phương pháp này bắt đầu với mỗi

Bước 3: Cập nhật lại ngưỡng µ và thực hiện tương tự như trong bước 1,
sau bước này ta gộp cụm {c} với {d, e} thành {c, d, e}. Các cụm thu được là
{a, b}, {c, d, e}.
Bước 4: Cập nhật lại ngưỡng µ và thực hiện tương tự như trong bước 1,
sau bước này ta gộp cụm hai cụm {c, d, e} với {a, b} thành {a, b, c, d, e}.

đối tượng được khởi tạo tương ứng với các cụm riêng biệt, sau đó tiến hành

Tuy nhiên, trong quá trình trên chúng ta có thể dừng ở một bước bất kỳ

nhóm các đối tượng theo một độ đo tương tự (như khoảng cách giữa hai trung

khi mà việc phân cụm đáp ứng tốt nhất các yêu cầu đã đặt ra. Các bước thực

tâm của hai nhóm), quá trình này được thực hiện cho đến khi tất cả các nhóm

hiện trên được mô tả trực quan như hình 2.1 dưới đây.

được hòa nhập vào một nhóm (mức cao nhất của cây phân cấp) hoặc cho đến
khi các điều kiện kết thúc thỏa mãn. Như vậy, cách tiếp cận này sử dụng

chiến lược ăn tham trong quá trình phân cụm.
Ví dụ: Dùng phương pháp "dưới lên" để phân cụm cho tập dữ liệu
S= {a, b, c, d, e}. Các bước thực hiện phân cụm được diễn tả như sau :
Bước 0: Mỗi đối tượng dữ liệu được gán cho mỗi cụm tương ứng, đồng
thời xác định tâm D cho mỗi cụm, và tính độ tương tự cho các cặp cụm dữ
liệu trên bằng cách xác định độ tương tự giữa cặp tâm của chúng. Như vậy ta
sẽ có các cụm ban đầu là {a}, {b}, {c}, {d}, {e}.

Bước 0

Bước 1

Bước 2

Bước 3

Bước 4

Bottom up

a
b
c
d

ab
abcde
cde
de

e
Hình 2.1: Phân cụm phân cấp theo phương pháp “dưới lên”-Bottom Up

Phương pháp “trên xuống” (Top Down): Bắt đầu với trạng thái là tất cả
các đối tượng được xếp trong cùng một cụm. Mỗi vòng lặp thành công, một
cụm được tách thành các cụm nhỏ hơn theo giá trị của một phép đo độ tương

Bước 1: Xác định ngưỡng µ, các cặp cụm có độ tương tự bé hơn hoặc
bằng ngưỡng µ thì được gộp vào một cụm. Các cặp cụm dữ liệu có độ tương
tự lớn hơn µ thì xếp vào các cụm khác nhau. Trong thí dụ này chỉ có {a} và
{b} là được gộp vào thành một cụm lớn hơn là {a, b}. Các cụm thu được sau
bước này là: {a, b}, {c}, {d}, {e}.

tự nào đó cho đến khi mỗi đối tượng là một cụm, hoặc cho đến khi điều kiện
dừng thỏa mãn. Cách tiếp cận này sử dụng chiến lược chia để trị trong quá
trình phân cụm.
Ví dụ: Dùng phương pháp "dưới lên" để phân cụm cho tập dữ liệu
S= {a, b, c, d, e}. Các bước thực hiện phân cụm được diễn tả như sau:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

23



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

24

Bước 0: Các đối tượng dữ liệu ban đầu được xếp vào một cụm, ta thu

Thực tế áp dụng, có nhiều trường hợp người ta kết hợp cả hai phương

được cụm {a, b, c, d, e}. Tính độ tương tự giữa các đối tượng dữ liệu trong

pháp phân cụm phân hoạch và phương phân cụm phân cấp, nghĩa là kết quả

cụm {a, b, c, d, e}.

thu được của phương pháp phân cấp có thể cải tiến thông quan bước phân

Bước 1: Xác định ngưỡng µ , cụm ban đầu được tách ra thành các cụm

cụm phân hoạch. Phân cụm phân hoạch và phân cụm phân cấp là hai phương

sao cho các đối tượng dữ liệu trong mỗi cụm con tách ra có độ tương tự bé

pháp Phân cụm dữ liệu cổ điển, hiện nay đã có nhiều thuật toán cải tiến dựa

hơn hoặc bằng µ Sau bước này thì cụm {a, b, c, d, e} chia thành hai cụm {a,

trên hai phương pháp này đã được áp dụng phổ biến trong Data Mining.

b} và {c, d, e}.

2.1.3 Phân cụm dữ liệu dựa trên mật độ

Bước 2: Cập nhật lại ngưỡng µ và thực hiện tương tự như trong bước 1

Phương pháp này nhóm các đối tượng theo hàm mật độ xác định. Mật độ

cho từng cụm con. Với ngưỡng µ, chỉ có cụm con {c, d, e} được tách ra thành

được định nghĩa như là số các đối tượng lân cận của một đối tượng dữ liệu theo

hai cụm con lần lượt là {c} và {d, e}. Các cụm thu được sau bước này là {a,

một ngưỡng nào đó. Trong cách tiếp cận này, khi một cụm dữ liệu đã xác định

b}, {c}, {d, e}.

thì nó tiếp tục được phát triển thêm các đối tượng dữ liệu mới miễn là số các

Bước 3: Cập nhật lại ngưỡng µ và thực hiện tương tự như trong bước 1

đối tượng lân cận của các đối tượng này phải lớn hơn một ngưỡng đã được xác

cho các cụm đã thu được ở bước 2, ở đây chỉ có cụm {d, e} được chia thành 2

định trước. Phương pháp phân cụm dựa vào mật độ của các đối tượng để xác

cụm con {d}, {e}. Các cụm thu được sau bước này là {a, b}, {c}, {d}, {e}.

định các cụm dữ liệu có thể phát hiện ra các cụm dữ liệu với hình thù bất kỳ.

Bước 4: Cập nhật lại ngưỡng µ và thực hiện tương tự như trong bước 1 cho
cụm {a, b} và sau bước này ta thu được các cụm:

{a}, {b}, {c}, {d}, {e}.

Tuy nhiên trong quá trình trên chúng ta có thể dừng ở một bước bất kỳ
khi mà việc phân cụm đáp ứng tốt nhất các yêu cầu đã đặt ra. Các bước thực

Tuy vậy, việc xác định các tham số mật độ của thuật toán rất khó khăn, trong
khi các tham số này lại có tác động rất lớn đến kết quả phân cụm dữ liệu. Hình
2.3 dưới đây là một minh hoạ về các cụm dữ liệu với các hình thù khác nhau
dựa trên mật độ được khám phá từ 3 Cơ sở dữ liệu khác nhau.

hiện trên được mô tả trực quan như hình 2.2 dưới đây:
Bước 4 B

Bước 3

Bước 2

Bước 1

Bước 0

Top Down

a

ab

b

abcde

c
d

CSDL 1

CSDL 2

CSDL 3

Hình 2.3 : Một số hình dạng cụm dữ liệu khám phá được bởi kỹ thuật Phân cụm dữ liệu

cde

dựa trên mật độ

de

e
Hình 2.2 : Phân cụm phân cấp theo phương pháp “trên xuống”-Top Down
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

25



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

26

Một số thuật toán Phân cụm dữ liệu dựa trên mật độ điển hình như
DBSCAN, OPTICS, DENCLUE… sẽ được trình bày chi tiết trong phần tiếp
theo.
2.1.8 Phân cụm dữ liệu dựa trên lưới
Kỹ thuật phân cụm dựa trên mật độ không thích hợp với dữ liệu nhiều
chiều, để giải quyết cho đòi hỏi này, người ta đã dử dụng phương pháp phân
cụm dựa trên lưới. Đây là phương pháp dựa trên cấu trúc dữ liệu lưới để Phân
cụm dữ liệu, phương pháp này chủ yếu tập trung áp dụng cho lớp dữ liệu
không gian [5]. Thí dụ như dữ liệu được biểu diễn dưới dạng cấu trúc hình

Hình 2.4 : Mô hình cấu trúc dữ liệu lưới

Một số thuật toán Phân cụm dữ liệu dựa trên cấu trúc lưới điển hình

học của đối tượng trong không gian cùng với các quan hệ, các thuộc tính, các

như: STING, WAVECluster, CLIQUE…

hoạt động của chúng. Mục tiêu của phương pháp này là lượng hoá tập dữ liệu

2.1.9 Phân cụm dữ liệu dựa trên mô hình

thành các ô (Cell), các cell này tạo thành cấu trúc dữ liệu lưới, sau đó các thao
tác Phân cụm dữ liệu làm việc với các đối tượng trong từng Cell này. Cách
tiếp cận dựa trên lưới này không di chuyển các đối tượng trong các cell mà
xây dựng nhiều mức phân cấp của nhóm các đối tượng trong một cell. Trong

ngữ cảnh này, phương pháp này gần giống với phương pháp phân cụm phân
cấp nhưng chỉ có điều chúng không trộn các Cell. Do vậy các cụm không dựa
trên độ đo khoảng cách (hay còn gọi là độ đo tương tự đối với các dữ liệu
không gian) mà nó được quyết định bởi một tham số xác định trước. Ưu điểm
của phương pháp Phân cụm dữ liệu dựa trên lưới là thời gian xử lý nhanh và
độc lập với số đối tượng dữ liệu trong tập dữ liệu ban đầu, thay vào đó là
chúng phụ thuộc vào số cell trong mỗi chiều của không gian lưới. Một thí dụ
về cấu trúc dữ liệu lưới chứa các cell trong không gian như hình 2.4 sau:

Phương pháp này cố gắng khám phá các phép xấp xỉ tốt của các tham số
mô hình sao cho khớp với dữ liệu một cách tốt nhất. Chúng có thể sử dụng
chiến lược phân cụm phân hoạch hoặc chiến lược phân cụm phân cấp, dựa
trên cấu trúc hoặc mô hình mà chúng giả định về tập dữ liệu và cách mà
chúng tinh chỉnh các mô hình này để nhận dạng ra các phân hoạch.
Phương pháp Phân cụm dữ liệu dựa trên mô hình cố gắng khớp giữa dữ
liệu với mô hình toán học, nó dựa trên giả định rằng dữ liệu được tạo ra bằng
hỗn hợp phân phối xác suất cơ bản. Các thuật toán phân cụm dựa trên mô
hình có hai tiếp cận chính: Mô hình thống kê và Mạng Nơron. Phương pháp
này gần giống với phương pháp dựa trên mật độ, bởi vì chúng phát triển các
cụm riêng biệt nhằm cải tiến các mô hình đã được xác định trước đó, nhưng
đôi khi nó không bắt đầu với một số cụm cố định và không sử dụng cùng một
khái niệm mật độ cho các cụm.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

27



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

28




Để dễ hình dung về thuật toán k-means ta xét ví dụ đơn giản sau:

2.1.10 Phân cụm dữ liệu có ràng buộc
Sự phát triển của phân cụm dữ liệu không gian trên Cơ sở dữ liệu lớn đã

Cho tập dữ liệu bao gồm có 15 phần tử thực trong không gian 1 chiều S=

cung cấp nhiều công cụ tiện lợi cho việc phân tích thông tin địa lý, tuy nhiên

{1, 4, 8, 5, 10, 15, 16, 23, 25, 27, 13, 37, 2, 18, 20}, người ta cần phân cụm dữ

hầu hết các thuật toán này cung cấp rất ít cách thức cho người dùng để xác

liệu này ra thành 3 cụm (k=3) theo thuật toán k-means. Các bước thực hiện

định các ràng buộc trong thế giới thực cần phải được thoả mãn trong quá trình

của thuật toán được trình bày như sau:

Phân cụm dữ liệu. Để phân cụm dữ liệu không gian hiệu quả hơn, các nghiên

Bước khởi tạo: chọn 3 tâm ngẫu nhiên CL1 = 8, CL2= 16, CL3= 23

cứu bổ sung cần được thực hiện để cung cấp cho người dùng khả năng kết

Ta thu được phân hoạch ban đầu như sau:

hợp các ràng buộc trong thuật toán phân cụm [5].

Cụm 1, với tâm là CL1, gồm có các phần tử: 1, 2, 4, 5, 8, 10

2.2. Phân cụm dữ liệu dựa vào thuật toán K-means

Cụm 2, với tâm là CL2, gồm có các phần tử: 13, 15, 16, 18

2.2.1. Tư tưởng thuật toán

Cụm 3, với tâm là CL3, gồm có các phần tử: 23, 25, 27, 20, 37

K-means là một trong số những phương pháp học không có giám sát cơ
bản nhất thường được áp dụng trong việc giải các bài toán về phân cụm dữ

(Ở đây độ đo tương tự giữa hai đối tượng được xác định bằng công thức:
d(a, b)=|a-b|)

liệu. Mục đích của thuật toán k-means là sinh ra k cụm dữ liệu {C1, C2,

Như vậy, ta có : E = {(1-8)2 + (2-8)2 + (4-8)2+ (5-8)2+ (8-8)2+ (10 -

…,Ck} từ một tập dữ liệu chứa n đối tượng trong không gian d chiều Xi =

8)2} + {(13-16)2 + (15-16)2 + (16-16)2+ (18-16)2}+ {(25-23)2 + (23-23)2 +

k

(xi1, xi2, …, xid) ( i  1, n ), sao cho hàm tiêu chuẩn [5]:

E  x x  mi
Ci
i 1

(27- 23)2+ (37-23)2+ (20-23)2} = 353.

2

đạt

giá trị tối thiểu. Trong đó: mi là trọng tâm của cụm Ci, là khoảng cách giữa
hai đối tượng [2].

Bước lặp thứ nhất:
Cập nhật lại tâm mới: Cl1 = (1+2+4+5+8+10)/6 = 5;
Tương tự ta có: CL2=13; CL3=26.4;

Trọng tâm của một cụm là một véc tơ, trong đó giá trị của mỗi phần tử
của nó là trung bình cộng của các thành phần tương ứng của các đối tượng
véc tơ dữ liệu trong cụm đang xét. Tham số đầu vào của thuật toán là số cụm

Phân hoạch tương ứng với các tâm mới như sau:
Cụm 1, với tâm là CL1 gồm có các phần tử: 1, 2, 4, 5, 8

k, và tham số đầu ra của thuật toán là các trọng tâm của các cụm dữ liệu. Độ

Cụm 2, với tâm là CL2 gồm có các phần tử: 10, 13, 15, 16, 18

đo khoảng cách d giữa các đối tượng dữ liệu thường được sử dụng là khoảng

Cụm 3, với tâm là CL3 gồm có các phần tử: 23, 25, 27, 20, 37

cách Euclide, bởi vì đây là mô hình khoảng cách dễ để lấy đạo hàm và xác

Với phân hoạch này ta có giá trị hàm mục tiêu là: E= 249.2.

định các cực trị tối thiểu. Hàm tiêu chuẩn và độ đo khoảng cách có thể được

Do giá trị của hàm mục tiêu này bé hơn sơ với trạng thái của nó trước đó

xác định cụ thể hơn tuỳ vào ứng dụng hoặc các quan điểm của người dùng.

nên ta có bước lặp thứ hai như sau:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

29



30

Bước lặp thứ hai:

Output: Một tập gồm K cluster sao cho cực tiểu về tổng sai-số vuông.

Cập nhật lại tâm mới: Cl1 = (1+2+4+5+8)/5 = 4;

Các bước thuật toán:

Tương tự ta có: CL2=14.4; CL3=26.4;

Bước 1: Chọn ngẫu nhiên K mẫu vào K cluster. Coi tâm của cluster
chính là mẫu có trong cluster.

Phân hoạch tương ứng với các tâm mới như sau:
Cụm 1, với tâm là CL1 gồm có các phần tử: 1, 2, 4, 5, 8
Cụm 2, với tâm là CL2 gồm có các phần tử: 10, 13, 15, 16, 18, 20
Cụm 3, với tâm là CL3 gồm có các phần tử: 23, 25, 27, 37
Với phân hoạch này ta có giá trị hàm mục tiêu là: E= 224.8
Do giá trị của hàm mục tiêu này bé hơn sơ với trạng thái của nó trước đó

Bước 2: Tìm tâm mới của cluster.
Bước 3: Gán các mẫu vào từng cluster sao cho khoảng cách từ mẫu đó
đến tâm của cluster đó là nhỏ nhất.
Bước 4: Nếu các cluster không có sự thay đổi nào sau khi thực hiện bước
3 thì chuyển sang bước 5, ngược lại sang bước 2.
Bước 5: Dừng thuật toán.

nên ta có bước lặp thứ ba như sau:

Ví dụ: Trong không gian hai chiều, cho 12 điểm (n = 12) cần phân 12

Bước lặp thứ ba:

điểm này thành hai cluster (k=2).

Cập nhật lại tâm mới: Cl1 = (1+2+4+5+8)/5 = 4;

Đầu tiên, chọn hai điểm ngẫu nhiên vào hai cluster (chọn 2 điểm màu đỏ:

Tương tự ta có: CL2=15.33; CL3=28;

(1,3); (9,4))

Phân hoạch tương ứng với các tâm mới như sau:
Cụm 1, với tâm là CL1, gồm có các phần tử: 1, 2, 4, 5, 8

Coi điểm (1,3) là tâm của cluster 1 và điểm (9,4) là tâm của cluster 2.
Tính toán khoảng cách từ các điểm khác đến hai điểm này và gán được các

Cụm 2, với tâm là CL2, gồm có các phần tử: 10, 13, 15, 16, 20

điểm còn lại này vào một trong hai cluster, những điểm có màu xanh lơ vào

Cụm 3, với tâm là CL3, gồm có các phần tử: 23, 25, 27, 37

cluster 1, những điểm có màu xanh đậm vào cluster 2. Hiệu chỉnh lại tâm của

Với phân hoạch này ta có giá trị hàm mục tiêu là: E= 209.33

hai cluster, điểm màu đỏ là tâm mới của hai cluster. Tính lại các khoảng cách

Chúng ta thực hiện thuật toán với bước tiếp theo do giá trị của hàm mục

các điểm đến tâm mới và gán lại các điểm này. Tiếp tục hiệu chỉnh lại tâm

tiêu thu được vẫn bé hơn giá trị trước đó. Ở bước tiếp theo ta thấy thuật tóan

của hai cluster. Rồi, lặp lại cho đến khi không còn sự thay đổi nữa thì dừng.

sẽ dừng do tâm mới cập nhật sẽ không bị thay đổi. Như vậy, kết quả phân
cụm ta sẽ xác định giá trị của ba tâm như sau: CL1= 4; CL2=15.33; CL3=28;
2.2.2 Mô tả thuật toán
Input: K, và dữ liệu về n mẫu của 1 Cơ sở dữ liệu.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

31



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

32




Trường hợp 1: p đang thuộc vào cụm có tâm là Oj (từ nay gọi là cụm
Oj). Nếu Oj được thay thế bởi Orandom và p gần nhất với Oi (ij) thì p được
gán lại vào Oi
Trường hợp 2: p đang thuộc vào Oj. Nếu Oj được thay thế bởi Orandom

và p gần nhất với Orandom thì p được gán lại vào Orandom.
Trường hợp 3: p đang thuộc vào Oi (ij). Nếu Oj được thay thế bởi
Orandom và p vẫn gần nhất với Oi thì không thay đổi gì cả. Tức là p vẫn
thuộc Oi.
Hình 2.5: Minh họa thuật toán K-means

Trường hợp 4: p đang thuộc vào Oi (ij). Nếu Oj được thay thế bởi

Độ phức tạp của thuật toán này là O(tKn). Trong đó n là số mẫu trong

Orandom và p gần nhất với Orandom thì p được gán lại vào Orandom.

Cơ sở dữ liệu, K là số cluster, t là số lần lặp. Thông thường t, k << n. Nên
thuật toán này có hiệu quả tương đối với các Cơ sở dữ liệu lớn [2].
2.3 Phân cụm dữ liệu dựa vào thuật toán K-medios
Hình 2.6: Các trường hợp đối với điểm p

2.3.1. Tư tưởng thuật toán
Để tìm ra k cụm với n đối tượng thì k-medoids chọn ngẫu nhiên k đối

2.3.2. Mô tả thuật toán

tượng vào k cụm, coi mỗi đối tượng này là tâm của cụm. Phân bổ các đối

Input: Số nguyên k và Cơ sở dữ liệu gồm n đối tượng cần phân cụm.

tượng còn lại vào cụm mà sự khác nhau của nó với đối tượng tâm của cụm là

Output: Một tập gồm k cụm mà tổng giá trị của sự khác nhau của tất cả

gần nhất. Sau đó lặp lại quá trình: Thay đổi đối tượng tâm của mỗi cụm sao
cho chất lượng của cụm được cải thiện. Chất lượng của cụm được lượng giá
bởi một hàm đo sự khác nhau giữa một đối tượng và đối tượng tâm của cụm
chứa nó. Quá trình lặp cho đến khi không còn sự thay đổi nào về lực lượng
cũng như hình dạng của các cụm [2].
Để chọn một đối tượng không là đối tượng tâm Orandom thay thế tốt cho
một đối tượng tâm Oj thì mỗi đối tượng p xét theo 4 trường hợp sau đây:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

33



các đối tượng đến đối tượng tâm của nhóm chứa nó là nhỏ nhất.
Thuật toán:
Bước 1: Chọn k đối tượng bất kì vào k cụm. Coi mỗi đối tượng này là
tâm của nhóm.
Bước 2: Lặp
Bước 3: Gán mỗi đối tượng còn lại vào một cụm mà nó gần với đối
tượng tâm của cụm nhất.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

34




Bước 4: Chọn ngẫu nhiên một đối tượng không là đối tượng tâm,

Orandom.

2.3.3 Nhận xét:
Thuật toán k-medoids mạnh hơn thuật toán k-means trong các trường

Bước 5: Tính lại giá trị, S, đối với việc đổi Oj với Orandom.

hợp dữ liệu có nhiễu vì k-medoids chịu ảnh hưởng ít hơn của nhiễu và các giá

Bước 6: Nếu S<0 thì đổi Oj với Orandom để tạo ra một tập với đối

trị chênh lệnh so với giá trị trung bình. Tuy nhiên cả hai thuật toán này đều

tượngtâm mới.

yêu cầu đưa vào số lượng cụm k [2].

Bước 7: Đến khi không có sự thay đổi nào nữa thì dừng.
Ví dụ: Trong không gian hai chiều cho n = 10 điểm, cần chia thành k =2
cụm. Các bước thực hiện của thuật toán k-medoids được chỉ ra:

2.4. Phân cụm dữ liệu dựa vào thuật toán BIRCH
2.4.1. Tư tưởng thuật toán
BIRCH (Balanced Iterative Reducing and Clustering Using Hierarchies)
là thuật toán phân cụm phân cấp sử dụng chiến lược phân cụm trên xuống
(top down). Ý tưởng của thuật toán là không cần lưu toàn bộ các đối tượng dữ
liệu của các cụm trong bộ nhớ mà chỉ lưu các đại lượng thống kê. Đối với mỗi
dữ liệu, BIRCH chỉ lưu một bộ ba (n, LS, SS), trong đó n là số đối tượng
trong cụm, LS là tổng các giá trị thuộc tính của các đối tượng trong cụm và
SS là tổng bình phương của các giá trị thuộc tính của các đối tượng trong

cụm. Các bộ ba này được gọi là các đặc trưng của cụm (Cluster Features -

Hình 2.7: Các bước thực hiện của k-medoids

CF) và được lưu giữ trong một cây được gọi là cây CF (CF-tree). Người ta đã
chứng minh rằng [5][10], các đại lượng thống kê chuẩn, như là độ đo khoảng

Đầu tiên, chọn hai điểm bất kì vào hai cụm (điểm màu xanh đậm), rồi xét

cách, có thể xác định từ cây CF. Hình 2.8 dưới đây biểu thị một ví dụ về cây

các điểm còn lại và đưa chúng vào một trong hai cụm với điểm tâm lần lượt là

CF. Chúng ta thấy rằng, tất cả các nút trong của cây lưu tổng các đặc trưng

hai điểm đã chọn ban đầu.

cụm CF, của nút con, trong khi đó các nút lá lưu trữ các đặc trưng của các

Tiếp theo, chọn một điểm bất kì khác điểm tâm (điểm màu đỏ). Tính giá

cụm dữ liệu [4].

của phép chuyển đổi điểm tâm từ điểm màu xanh -> điểm màu đỏ. Nếu giá
này chất lượng hơn thì coi điểm đỏ là tâm của cụm mới và thực lặp lại quá
trình đó cho đến khi không còn sự thay đổi nào.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

35

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

36




vào trong cây. Ở đây ta thấy rằng, mỗi đối tượng trong cây chỉ được đọc một
lần, để lưu toàn bộ cây CF trong bộ nhớ thì cần phải điều chỉnh kích thước
của cây CF thông qua điều chỉnh ngưỡng T.
Giai đoạn 2: BIRCH lựa chọn một thuật toán Phân cụm dữ liệu (như
thuật toán phân cụm phân hoạch chẳng hạn) để thực hiện Phân cụm dữ liệu
cho các nút lá của cây.
2.4.2 Mô tả thuật toán:
Bước 1: Các đối tượng dữ liệu lần lượt được chèn vào cây CF, sau khi
Hình 2.8: Cây CF được sử dụng bởi thuật toán BIRCH

Cây CF là cây cân bằng, nhằm để lưu trữ các đặc trưng của cụm (CF).
Cây CF chứa các nút trong và nút lá, nút trong là nút chứa các nút con và nút
lá thì không có con. Nút trong lưu giữ tổng các đặc trưng cụm (CF) của các
nút con của nó. Một cây CF được đặc trưng bởi hai tham số:
Yếu tố nhánh (Branching Factor -B): Nhằm xác định số tối đa các nút
con của mỗi nút trong của cây.
Ngưỡng (Threshold - T): Khoảng cách tối đa giữa bất kỳ một cặp đối
tượng trong nút lá của cây, khoảng cách này còn gọi là đường kính của các
cụm con được lưu tại các nút lá.
Hai tham số này có ảnh hưởng đến kích thước của cây CF. Thuật toán

BIRCH thực hiện qua giai đoạn sau:
Giai đoạn 1: BIRCH duyệt tất cả các đối tượng trong Cơ sở dữ liệu và
xây dựng một cây CF khởi tạo. Trong giai đoạn này, các đối tượng lần lượt
được chèn vào nút lá gần nhất của cây CF (nút lá của cây đóng vai trò là cụm
con), sau khi chèn xong thì tất cả các nút trong cây CF được cập nhật thông
tin. Nếu đường kích của cụm con sau khi chèn là lớn hơn ngưỡng T, thì nút lá

chèn hết các đối tượng ta thu được cây CF khởi tạo. Một đối tượng được chèn
vào nút lá gần nhất tạo thành cụm con. Nếu đường kính của cụm con này lớn
hơn T thì nút lá được tách. Khi một đối tượng thích hợp được chèn vào nút lá,
tất cả các nút trỏ tới gốc của cây được cập nhật với các thông tin cần thiết.
Bước 2: Nếu cây CF hiện thời không có đủ bộ nhớ trong thì tiến hành
cây dựng một cây CF nhỏ hơn: Kích thước của cây CF được điều khiển bởi
tham số T và vì vậy việc chọn một giá trị lớn hơn cho nó sẽ hoà nhập một số
các cụm con thành một cụm, điều này làm cho cây CF nhỏ hơn. Bước này
không cần yêu cầu bắt đầu đọc dữ liệu lại từ đầu nhưng vẫn đảm bảo hiệu
chỉnh cây dữ liệu nhỏ hơn.
Bước 3: Thực hiện phân cụm: Các nút lá của cây CF lưu giữ các đại
lượng thống kê của các cụm con. Trong bước này, BIRCH sử dụng các đại
lượng thống kê này để áp dụng một số kỹ thuật phân cụm thí dụ như k-means
và tạo ra một khởi tạo cho phân cụm.
Bước 4: Phân phối lại các đối tượng dữ liệu bằng cách dùng các đối
tượng trọng tâm cho các cụm đã được khám phá từ bước 3: Đây là một bước
tuỳ chọn để duyệt lại tập dữ liệu và gán nhãn lại cho các đối tượng dữ liệu tới

được tách. Quá trình này lặp cho đến khi tất cả các đối tượng đều được chèn
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

37

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

38




các trọng tâm gần nhất. Bước này nhằm để gán nhãn cho các dữ liệu khởi tạo
và loại bỏ các đối tượng ngoại lai.

Tuy nhiên, để có được những dữ liệu và phân cụm được những dữ liệu
đó theo các chủ đề khác nhau thì chúng ta phải có các kỹ thuật. Như mục 2.2,

Với cấu trúc cây CF được sử dụng, BIRCH có tốc độ thực hiện Phân

nhóm tác giả đã trình bày thuật toán K-Means, tuy nhiên thuật toán có những

cụm dữ liệu nhanh và có thể áp dụng đối với tập dữ liệu lớn, đặc biệt, BIRCH

hạn chế nhất định [2]. Do đó, nhóm tác giả cải tiến thuật toán này nhằm khắc

hiệu quả khi áp dụng với tập dữ liệu tăng trưởng theo thời gian. BIRCH là chỉ

phục những hạn chế của thuật toán K-means.

duyệt toàn bộ dữ liệu một lần với một lần quét thêm tuỳ chọn, nghĩa là độ

Cải tiến thuật toán K-means: thay vì chọn số điểm (k) làm trọng tâm,

phức tạp của nó là O(n), với n là số đối tượng dữ liệu. Nhược điểm của nó là

chúng ta không chọn số điểm (k) làm trọng tâm cho số cụm mà sẽ tăng số

chất lượng của các cụm được khám phá không được tốt. Nếu BIRCH sử dụng

cụm từ 1 lên k cụm bằng cách đưa trung tâm cụm mới vào cụm có mức độ

khoảng cách Euclide, nó thực hiện tốt chỉ với các dữ liệu số. Mặt khác, tham

biến dạng Max và tính lại trọng tâm các cụm.

số vào T có ảnh hưởng rất lớn tới kích thước và tính tự nhiên của cụm. Việc

Với thuật toán K- means bắt đầu bằng cách chọn k cụm và chọn ngẫu

ép các đối tượng dữ liệu làm cho các đối tượng của một cụm có thể là đối

nhiên k điểm làm trung tâm cụm, hoặc chọn phân hoạch ngẫu nhiên k cụm và

tượng kết thúc của cụm khác, trong khi các đối tượng gần nhau có thể bị hút

tính trọng tâm của từng cụm này. Việc chọn ngẫu nhiên k điểm làm trung tâm

bởi các cụm khác nếu chúng được biểu diễn cho thuật toán theo một thứ tự

cụm như đã nói ở trên có thể cho ra các kết quả khác nhau tùy vào chọn k

khác. BIRCH không thích hợp với dữ liệu đa chiều [4].

điểm này. Thuật toán cải tiến K-means nhìn chung vẫn dựa trên thuật toán k-

2.5. Cải tiến thuật toán K-means trong phân cụm dữ liệu tự động

means nhưng sẽ không chọn k điểm làm trọng tâm cho k cụm mà sẽ tăng số
cụm từ 1 lên k cụm bằng cách đưa trung tâm cụm mới vào cụm có mức độ

2.5.1. Tư tưởng thuật toán

biến dạng max (tăng số cụm) và tính lại trọng tâm các cụm.

Bài toán thu thập, phân cụm dữ liệu tự động là một bài toán mang tính
thời sự, vì trong thời đại công nghệ thông tin, với sự trợ giúp của máy tính thì
việc áp dụng công nghệ thông tin vào thu thập dữ liệu tự động trên internet,

2.5.2. Mô tả thuật toán
Bước 1: Khởi tạo giá trị ban đầu cho K: K=1

sau đó phân tích phục vụ cho việc phận cụm và từ đó hình thành các chủ đề

Bước 2:

thôn tin với các dữ liệu thu thập tự động từ internet. Trên cơ sở đó, chúng ta

Bước 2.1: Kiểm tra điều kiện K

tiến hành phân tích dữ liệu và đưa ra những dự báo trong tương lai với từng

Nếu K=1: chọn bất kỳ một điểm làm trung tâm của cụm.

chủ đề khác nhau như: dự báo tốc độ tăng trưởng kinh tế, GDP, chỉ số chứng

Nếu K>1: thêm trung tâm của cụm mới vào cụm có biến dạng max.

khoán, giá cả hàng hoá... Điều này làm cơ sở cho chúng ta có thể đưa ra một

Bước 2.2: Gán từng điểm vào cụm có trung tâm gần nhất với điểm đang

chính sách phát triển kinh tế trong cả nước [2].

xét và cập nhật lại trung tâm cụm
Bước 2.3: Nếu trung tâm cụm không thay đổi, chuyển sang bước 3.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

39



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

40




Ngược lại, quay trở lại bước 2.2 (bước 2).

2

+ Thuật toán cải tiến K-means có độ phức tạp là O( k nt), như vậy so với

Bước 3: (Tăng số cụm)

thuật toán K-means có độ phức tạp O(tkn) thì: O( k nt)>O(tkn), nhưng không

Nếu K≤ giá trị ấn định số cụm thì K:=K+1, quay trở lại bước 2.1 (bước 2).

bằng K-mendoids, do k<
Ngược lại, thuật toán dừng.

phụ thuộc vào việc khởi tạo các cụm ban đầu nên ta sẽ không phải lập lại

Với thuật toán K-means cải tiến: đưa ra sự khác biệt, đó là mức độ biến

thuật toán với việc chọn các cụm ban đầu khác nhau để tìm ra kết quả tối ưu

2

như ở K-Means.

dạng của các cụm (Dựa trên biến dạng để phân cụm).

2.3.4 Thử nghiệm:

Mức độ biến dạng của các cụm được tính như sau:

Để đánh giá thuật toán cải tiến K-means, nhóm tác giả sử dụng các dữ

I=S-N (d (w,x ))
Trong đó: w: trung tâm của cụm,

liệu lấy từ các trang Web với các nguồn chính sau:
+ Các trang được lấy tự động từ các website trên internet, việc tìm kiếm

N: Số các thành phần trong cụm.
S: Tổng bình phương khoảng cách giữa các thành phần trong cụm và

được thực hiện bằng cách dùng Google, chương trình sẽ dựa vào URL để lấy
tài liệu và lưu trữ lại phục vụ cho quá trình tìm kiếm sau này.

trung tâm của không gian Euclidean.

+ Tìm kiếm có chọn lọc với các chủ đề tin về "Chứng khoán", khoảng

I: Mức độ biến dạng của cụm
d (w,x): là khoảng cách giữa trung tâm w của cụm và trung tâm của

250 bài; Chủ đề tin về "Tỷ giá hối đoái", khoảng 100 bài; Chủ đề tin về "Giá
vàng", khoảng 150 bài; Chủ đề tin về "Thời tiết", khoảng 50 bài. Các chủ đề

không gian Euclidean x.

đều có tần số xuất hiện nhiều.

2.5.3 Nhận xét:

Trên cơ sở thuật toán K-means, thuật toán K-medoids, nhóm tác giả so

+ Một cụm có mức độ biến dạng lớn thì trung tâm cụm đó có vị trí
không thích hợp.

sánh kết quả thực hiện phân cụm với các chủ đề tin trên. Kết quả bảng dưới
đây:

+ Việc xác định các cụm cũng như xác định trung tâm của cụm, như vậy
thuật toán chủ yếu tìm trung tâm cụm chính xác và xác định lại các thành
phần trong cụm.
Với thuật toán K-means cải tiến:
+ Bước 2: như K-means nhưng khác là: không xác định trước k điểm mà
tăng k lên dần từ 1. Và chọn cụm có mức độ biến dạng lớn để phân ra 2 cụm
(khi đó 2 cụm này có mức độ biến dạng giảm, nhỏ hơn).
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

41



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

42




Chương 3: ỨNG DỤNG TRONG LẤY TIN TỰ ĐỘNG
Số tài

Thời gian phân cụm trung bình (giây)
3.1. Bài toán Thu thập dữ liệu về kinh tế trên Internet

liệu

Số

(Cơ sở

cụm

K-means

K-medoids

250

10

9,756

9,106

8,56

250

15

12,375

11,525

10,972

100

10

2,518

2,218

2,118

100

15

3,719

3,119

3,219

150

10

4,115

4,015

3,005

150

15

5,723

5,110

5,123

50

10

0,957

0,907

0,857

50

15

1,13

1,11

1,00

dữ liệu)

K-means cải
tiến

Trong thời đại bùng nổ thông tin như hiện nay thì việc khai thác, thu thập
và chia sẻ thông tin đóng một vai trò quan trọng. Với một dữ liệu khổng lồ trên

Với độ phức tạp của các thuật toán trên, nhóm tác giả thấy thời gian
thực hiện thuật toán phụ thuộc vào độ lớn cơ sở dữ liệu và số cụm cần phân

mạng, làm sao ta có thể nắm bắt được thông tin mới nhất, nhanh chóng nhất mà
không phải tốn thời gian xem từng website để đọc và tìm kiếm thông tin.
Trên cơ sở này, hệ thống bóc tách thông tin được xây dựng nhằm phục
vụ cho việc trích xuất thông tin từ các website, rồi tất cả thông tin được hiển
thị trên một website, giúp cho người đọc có thể nắm bắt được thông tin một
cách xúc tích, nhanh chóng và tiết kiệm thời gian.
Đối tượng sử dụng hệ thống là tất cả cộng đồng người sử dụng mạng. Quản
trị viên có thể quản lý tài khoản người dùng, quản lý các đường dẫn (link).
Khảo sát, phân tích và đánh giá yêu cầu
Khảo sát một số chương trình hỗ trợ đọc tin tức RSS
3.1.1 iCA

cụm [2].

iCA là tên gọi tắt của "Information Catcher", là phần mềm được xây
dựng dựa trên nền tảng và công nghệ dot NET của Microsoft. Phần mềm iCA
hoạt động với tính năng nhận các thông tin từ Website tổng hợp sau đó hiển
thị đầy đủ.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

43



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

44




3.1.3 iGoogle
iGoogle là một cổng cá nhân (Personal Portal), sử dụng công nghệ
AJAX và .NET Framework 3.5. Khi người dùng thêm kênh tin từ trang
Google Reader, thì nó sẽ được tự động cập nhật vào trang iGoogle.

Hình 3.1: Giao diện của iCA

3.1.2 Google Reader
Google Reader là một sản phẩm của Google dựa trên nền Web Form, có
rất nhiều tính năng nổi trội: lựa chọn số tin tức được hiển thị, chia sẻ tin với
bạn bè, phân nhóm tin tức, tìm kiếm tin tức…..

iGoogle còn cung cấp sẵn một directory

Hình 3.2: Giao diện trang chủ Google Reader
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

45

Hình 3.3: Giao diện trang chủ của iGoogle



Hình 3.4: Giao diện trang Gagdet của iGoogle
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

46




3.1.4 Trình duyệt Firefox

3.1.5 Tổng hợp yêu cầu của người dùng

Hiện nay các trình duyệt phiên bản mới nhất cũng hỗ trợ công nghệ RSS.
Ví dụ như: Internet Explorer 8.0 của Microsoft, Opera, Firefox…

Mục tiêu của đề tài là xây dựng nên một hệ thống hỗ trợ người dùng
chọn kênh tin tức, thu thập tin tức, quản lý các kênh tin, tạo ra một website tin

Khi ta vào một website nào đó mà sử dụng công nghệ RSS thì trên trình

tức cho chính người dùng mà không phải lướt từng website để đọc tin tức.

duyệt của Firefox có xuất hiện biểu tượng màu da cam, ở giữa có ba chấm

Thông qua việc khảo sát một số phần mềm đọc tin tức trong và ngoài nước,

trắng.

và yêu cầu từ phía người dùng, có thể tóm tắt yêu cầu của người dùng đối với
hệ thống bóc tách thông tin như sau:
- Người dùng có thể tạo ra kênh tin tức cho riêng mình bằng cách chỉ cần
đăng ký một tài khoản và đăng nhập vào nhập đường dẫn link tới địa chị trang

Hình 3.5: Giao diện trình duyệt FireFox

website cần lấy tin.
Nếu ta muốn lấy tin từ trang tin đó, ta chỉ cần kích vào biểu tượng đó và
nó sẽ tự động chuyển tới trang lấy tin của Google Reader và iGoogle.
Hoặc ta có thể sử dụng Live Bookmark được tích hợp trong trình duyệt
Firefox để lấy tin.

- Người dùng có thể tổ chức, quản lý kênh tin tức của mình với các chức năng:
- Tạo nhóm tin tức (như: tin giáo dục, xã hội, tin chứng khoán…), sửa
nhóm tin và xoá nhóm tin.
- Lựa chọn số tin tức được hiển thị.
- Người dùng còn có thể tìm kiếm thông tin.
3.1.6 Đánh giá và lựa chọn giải pháp
Thông qua việc khảo sát một số website, phần mềm hỗ trợ đọc tin tức
RSS ở trên, ta thấy có giải pháp để xây dựng hệ thống đó là: Win Form và

Web Form. Sau đây là những thuận lợi hay khó khăn của hai giải pháp trên.
Và cuối cùng sẽ lựa chọn giải pháp cho chương trình của mình.
- Sử dụng Win Form:
+ Ưu điểm:
Hỗ trợ nhiều tính năng
Khả năng chạy không cần mạng (offline)
+ Nhược điểm:

Hình 3.6: Giao diện trang lấy tin RSS
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

47



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

48