Khai phá dữ liệu trên cơ sở phương pháp luật kết hợp và ứng dụng

1
MỤC LỤC
Trang
Trang phụ bìa
Lời cam đoan
Mục lục………………………………………………………………………………………i
Danh sách các ký hiệu, các từ viết tắt……………………………………………………...iv
Danh mục các bảng…………………………………………………………………………v
Danh mục các hình…………………………………………………………………………vi
MỞ ĐẦU…………………………………………………………………………………...1
CHƯƠNG I: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU………………………………...3
1.1. Khai phá dữ liệu………………………………………………………………………3
1.1.1. Khái niệm về khám phá tri thức và khai phá dữ liệu…………………………3
1.1.2. Kiến trúc của một hệ thống khai phá dữ liệu ………………………………..5
1.1.3. Các loại dữ liệu được khai phá……………………………………………….6
1.1.4. Chức năng khai phá dữ liệu…………………………………………………..6
1.2. Một số phương pháp khai phá dữ liệu thông dụng…………………………………7
1.2.1. Phương pháp luật kết hợp……………………………………………….......7
1.2.2. Phương pháp cây quyết định……………………………………………......7
1.2.3. Phương pháp k-Mean………………………………………………………...8
1.3. Một số ứng dụng của khai phá dữ liệu………………………………………………9
1.3.1. Phân tích dữ liệu gen và sinh học y học……………………………………...9
1.3.2. Phân tích dữ liệu tài chính………………………………………………........9
1.3.3. Dịch vụ bán lẻ……………………………………………………….............10
1.3.4. Công nghiệp viễn thông…………………………………………………….10
1.4. Các khuynh hướng và thách thức trong khai phá dữ liệu………………………...11
CHƯƠNG 2: KHAI PHÁ LUẬT KẾT HỢP TRONG CƠ SỞ DỮ LIỆU LỚN……..13
2.1. Khai phá luật kết hợp………………………………………………………….........13
2.1.1. Một số khái niệm cơ bản …………………………………………………13
2.1.2. Cách khai phá luật kết hợp………………………………………………….14
2.1.3. Các tính chất của frequent itemset………………………………………….14

2.1.4. Các tiêu chuẩn để phân loại luật kết hợp……………………………………15


2
2.1.4.1. Kiểu của giá trị được quản lý trong luật……………………………..15
2.1.4.2. Chiều của dữ liệu được đề cập trong luật……………………….......15
2.1.4.3. Mức trừu tượng được đề cập trong luật…………………………..15
2.2. Khai phá luật kết hợp boolean một chiều từ CSDL giao dịch…………………...16
2.2.1. Thuật toán Apriori: Tìm các frequent itemset sử dụng việc sinh ra các ứng
viên……………………………………………………………………….16
2.2.2. Sinh luật kết hợp từ các frequent temset [5, 8, 15]…………………….........19
2.2.3. Cải tiến hiệu quả thuật toán Apriori………………………………………...19
2.2.3.1. Phương pháp dựa trên bảng băm……………………………........20
2.2.3.2. Giảm số giao dịch……………………………………………………….20
2.2.3.3. Phân đoạn………………………………………………………………..21
2.2.3.4. Lấy mẫu…………………………………………………………………..21
2.2.4. Khai phá các frequent itemset bằng cách không sinh ứng cử viên……........21
2.3. Khai phá luật kết hợp đa thức từ CSDL giao dịch………………………………...24
2.3.1. Luật kết hợp đa thức………………………………………………………...24
2.3.2. Các phương pháp khai phá luật kết hợp đa mức………………………........26
2.3.2.1. Đồng nhất độ hỗ trợ tối thiểu cho tất cả các mức…………………..26
2.3.2.2. Giảm dần độ hỗ trợ tối thiểu ở mức thấp hơn…………………….27
2.3.2.3. Độc lập theo từng mức………………………………………………….27
2.3.2.4.

Lọc

chéo

mức

bởi

một

itemset………………………………………….........27
2.4. Khai phá luật kết hợp đa chiều từ CSDL quan hệ và kho dữ liệu………………..28
2.4.1. Luật kết hợp đa chiều……………………………………………………….28
2.4.2. Khai phá luật kết hợp đa chiều sử dụng việc rời rạc hoá tĩnh các thuộc tính số
lượng……………………………………………………………………….29
2.4.3. Khai phá luật kết hợp số lượng……………………………………………..30
2.4.4. Khai phá luật kết hợp dựa vào khoảng cách………………………………...31
CHƯƠNG 3: MỘT SỐ THUẬT TOÁN KHAI PHÁ LUẬT KẾT HỢP……………..34
3.1. Khám phá các frequent itemset……………………………………………….34
3.1.1. Thuật toán AIS………………………………………………….......34
3.1.2. Thuật toán SETM……………………………………………….......35
3.1.3. Thuật toán Apriori…………………………………………………..39


3
3.1.3.1. Hàm Apriori_gen……………………………………….40
3.1.3.2. Hàm subset……………………………………………...40
3.1.4. Thuật toán AprioriTID…………………………………….41
3.1.5. Thuật toán AprioriHybrid…………………………………………...43
3.2. Khám phá luật kết hợp……………………………………………………...44
3.2.1. Thuật toán sinh luật đơn giản……………………………………….45
3.2.2. Thuật toán nhanh………………………………………………........45
3.3. Thuật toán DHP (Direct Hashing with Efficent Pruning)………………...46
3.3.1 Thuật toán DHP……………………………………………………...46
3.3.2. Giảm kích thước của cơ sở dữ liệu giao dịch………………….........51

3.3.3. Giảm số lần quét cơ sở dữ liệu (Scan – Reduction method)………..53
3.4. Thuật toán PHP (Perfect Hash and Pruning)……………………………...53
3.5. So sánh các thuật toán khám phá các frequent itemset…………………...55
3.5.1. Sinh dữ liệu tổng hợp………………………………………….........55
3.5.2. So sánh các thuật toán AIS, SETM, Apriori và AprioriTID………..56
CHƯƠNG 4: CÀI ĐẶT CHƯƠNG TRÌNH THỬ NGHIỆM……………........63
“ MÔ PHỎNG THUẬT TOÁN APRIORI”
4.1. Phát biểu bài toán …………………………………………………………..63
4.2. Phân tích bài toán …………………………………………………………...63
4.3. Xây dựng dữ liệu…………………………………………………………….64
4.4. Cài đặt chương trình thử nghiệm…………………………………………..64
4.5. Giao diện chính của chương trình………………………………………….65
KẾT LUẬN VÀ ĐỀ NGHỊ…………………………………………………........67
TÀI LIỆU THAM KHẢO……………………………………………………….68


4
DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT
Ký hiệu
Ck

Diễn giải

Ck

Tập các k-itemset ứng viên
Tập các k-itemset ứng viên mà TID của giao dịch sinh ra liên kết với

D
Di

I
Lk

tập mục ứng viên
Cơ sở dữ liệu giao dịch
Phần thứ i của cơ sở dữ liệu D
Tập các mục
Tập các k-itemset phổ biến

T
X ⇒Y

Giao dịch (transaction)
Luật kết hợp (với X là tiền đề, Y là hệ quả)

Conf
k-itemset
Min_conf
Min_sup
Sup
Tid
Tid-List
ARCS
SQL
FP -growth
FP -Tree
min_sup_count
DHP
PHP

Độ tin cậy (Confidence)
Tập mục gồm k mục
Ngưỡng tin cậy tối thiểu
Ngưỡng hỗ trợ tối thiểu
Độ hỗ trợ (support)
Định danh của giao dịch
Danh sách các định danh của giao dịch
Association Rule Clustering System
Structured Query Language
Frequent -Pattern Growth
Frequent pattern tree
minimum support count
Direct Hashing with Efficent Pruning
Perfect Hash and Pruning


5
DANH MỤC CÁC BẢNG

Bảng 2.1: Tóm tắt quá trình khai phá cây FP – Tree
Bảng 2.2: Dữ liệu giao dịch của cho nhánh AllElectronecs

Trang
24
25

Bảng 2.3: Phân chia dựa trên khoảng cách

32

Bảng 3.1: Các tham số của chương trính sinh dữ liệu tổng hợp
Bảng 3.2: Các tham số
Bảng 3.3: Thời gian thực hiện theo giây (s) của thuật toán SETM
Bảng 3.4: So sánh thời gain thực hiện của Apriori và DHP (T15.I4.D100)

56
56
57
61


6
DANH MỤC HÌNH VẼ
Hình 1.1: Quy trình phát hiện tri thức
Hình 1.2: Kiến trúc của một hệ khai phá dữ liệu điển hình
Hình 1.3: Mẫu kết quả với phương pháp cây quyết định
Hình 1.4: Phân cụm các đối tượng k-Mean ( + là tâm của cụm)

Trang
4
5
7
8

Hình 2. 1: CSDL để thực hiện các bước hình 2.2

17

Hình 2.2: Các bước thực hiện của thuật toán Apriori với min _sup = 2/9 = 22%

18

Hình 2.3: Hai giai đoạn của kỹ thuật phân đoạn

21

Hình 2.4: Cây FP – tree
Hình 2.5: Cây conditional FP – tree

23
24

Hình 2.6: Hệ thống phân cấp khái niệm cho các item

25

Hình 2.7: min_sup được sử dụng khi khai phá ở các mức trừu tượng khác nhau
Hình 2.8: Giảm dần độ hỗ trợ tối thiểu ở mức thấp hơn
Hình 2.9: Độc lập theo từng mức
Hình 2.10: Lọc chéo mức bởi một itemset
Hình 2.11: Mạng cuboids tạo thành một data cube 3D

26
27
27
28
29

Hình 2.12: Lưới hai chiều do các luật kết hợp số lượng hai chiều với điều kiện

31

buys
38

Hình3.1a:
Hìn 3.1b:

Các bước thực hiện thuật toán SETM và min_sup_count = 2

39

Hình 3.2: Các bước thực hiện của thuật toán AprioriTID

43

Hình 3.3: Thời gian xử lý mỗi bước quét của thuật toán Apriori và AprioriTID

44

Hình 3.4: Các bước thực hiện thuật toán DHP

49

Hình 3.5: Tìm L2 và D3
Hình 3.6a: Thời gian thực hiện với các tập dữ liệu T5.I2.D100K và T10.I2.D100K
Hình 3.6b: Thời gian thực hiện với các tập dữ liệu T10.I4.D100K và T20.I2.D100K

52
57

58

Hình 3.6c: Thời gian thực hiện với các tập dữ liệu T20.I4.D100K và T20.I6.D100K

58

Hình 3.7: Kích thước của các tập frequent và các tập ứng cử viên

59

Hình 3.8: Thời gian thực hiện của Apriori và DHP

61

Hình 3.9: So sánh thời gian thực hiện của DHP và Apriori

62

Hình 4.1: Giao diện chính của chương trình

65


7
Hình 4.2: Lựa chọn CSDL

65

Hình 4.3: Kết quả khai phá luật kết hợp

66


8
LỜI NÓI ĐẦU
Ngày nay các lĩnh vực khoa học kỹ thuật đang ngày một phát triển mạnh
mẽ. Đặc biệt là nghành khoa học máy tính rất phát triển, nó được ứng dụng rất
nhiều trong các lĩnh vực khác nhau của cuộc sống như: Giáo dục, Y tế, Kinh tế,
Khoa học, Xây dựng…
Với sự phát triển mạnh mẽ của công nghệ thông tin trong những năm gần
đây, hâu, hầu hết các tổ chức, cơ quan đã thu thập một lượng lớn các dữ liệu trong
cơ quan của họ. Các tổ chức này muốn chuyển những dữ liệu sẵn có của chính mình
thành các tri thức và các thông tin có ích cho chính họ.
Để làm được điều đó người ta đã sử dụng quá trình Phát hiện tri thức trong
cơ sở dữ liệu( Knowledge Discovery in Database-KDD). Nhiệm vụ của KDD là từ
dữ liệu sẵn có phải tìm ra những thông tin tiềm ẩn có giá trị mà trước đó chưa được
phát hiện cũng như tìm ra những xu hướng phát triển và các xu hướng tác động lên
chúng .Các kỹ thuật cho phép ta lấy được các tri thức từ cơ sở dữ liệu sẵn có đó
được gọi là kỹ thuật Khai phá dữ liệu( Data Mining).
Khai phá dữ liệu có thể xem như kết quả phát triển của công nghệ thông
tin, khai phá dữ liệu là một giai đoạn quan trọng của quá trình phát triển tri thức.
Một trong những bài toán phổ biến của khai phá dữ liệu là khai phá luật kết
hợp. Khai phá luật kết hợp là tìm kiếm sự kết hợp đáng quan tâm hoặc quan hệ
tương quan giữa một tập lớn các khoản mục (item). Những luật kết hợp khai phá
được có thể giúp các tổ chức và các nhà quản lý đưa ra những quyết định kinh
doanh hiệu quả hơn.
Xuất phát từ những vấn đề đó em đã mạnh dạn lựa chọn đề tài luận văn:
“KHAI PHÁ DỮ LIỆU TRÊN CƠ SỞ PHƯƠNG PHÁP LUẬT KẾT HỢP VÀ
ỨNG DỤNG” là một việc làm không chỉ có ý nghĩa khoa học và còn mang đậm
tính thực tiễn.

Luận văn gồm 4 chương:


9
Chương 1: Tổng quan về khai phá dữ liệu.
Chương 2: Khai phá dữ liệu trong cơ sở dữ liệu lớn.
Chương 3: Một số thuật toán khai phá luật kết hợp.
Chương 4: Cài đặt chương trình thử nghiêm.
Để có được kết quả này là nhờ sự giúp đỡ của các thầy cô trong Khoa Công
nghệ thông tin - Đại học Thái Nguyên cũng như của bạn bè, đồng nghiệp, đặc biệt
là chỉ bảo tận tình của PGS.TS.Vũ Đức Thi và sự nỗ lực của bản thân, đến nay tôi
đã hoàn thành đề tài.
Tuy nhiên trong quá trình làm việc, mặc dù đã cố gắng, nỗ lực hết sức nhưng
không thể tránh khỏi thiếu sót, em tha thiết kính mong nhận được sự chỉ bảo của các
thầy cô để đề tài được hoàn thiện hơn.
Em xin chân thành cảm ơn !
Thái Nguyên, ngày 15 tháng 10 năm 2010

Học viên: Nguyễn Khải Hoài Anh


10
CHƯƠNG I
TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU
Trong thời đại ngày nay, với sự phát triển vượt bật 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 của chúng. Từ khối dữ liệu này, các kỹ thuật trong Khai Phá Dữ Liệu (KPDL)
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.
1.1. Khai phá dữ liệu
1.1.1. Khái niệm về khám phá tri thức và khai phá dữ liệu
KPDL là việc rút trích tri thức một cách tự động và hiệu quả từ một khối dữ
liệu lớn. Tri thức đó thường ở dạng các mẫu có tính chất không tầm thường, không
tường minh (ẩn), chưa được biết đến và có tiềm năng mang lại lợi ích. Có một số
nhà nghiên cứu còn gọi KPDL là phát hiện tri thức trong cơ sở dữ liệu
(Knowledge Discovery in Database - KDD). Ở đây chúng ta có thể coi KPDL là cốt
lõi của quá trình phát hiện tri thức. Quá trình phát hiện tri thức gồm các bước [3, 8, 16]:
- Làm sạch dữ liệu (Data cleaning): Các thủ tục làm sạch dữ liệu được sử
dụng để lấp kín những giá trị còn thiếu, loại bỏ nhiễu, nhận dạng các phần tử ngoài
cuộc và hiệu chỉnh những dữ liệu không đồng nhất.
- Tích hợp dữ liệu (Data intergation): Nó tổ hợp các dữ liệu từ nhiều nguồn
khác nhau thành một kho dữ liệu không đồng nhất.
- Lựa chọn dữ liệu (Data selection): Những dữ liệu thích hợp với nhiệm vụ
phân tích được trích rút từ cơ sở dữ liệu (CSDL)
- Chuyển đồi dữ liệu (Data transformation): Nó chuyển đổi hay hợp nhất
dữ liệu về dạng thích hợp cho việc khai phá. Việc chuyển đổi dữ liệu có thể gồm
các bước:
+ Loại bỏ nhiễu khỏi dữ liệu.
+ Kết tập các dữ liệu.


11
+ Khái quát hóa dữ liệu: Các dữ liệu mức thấp (hoặc mức nguyên thuỷ)
được thay thế bởi các khái niệm mức cao hơn thông qua việc sử dụng
phân cấp khái niệm.
+ Xây dựng thuộc tính: Các thuộc tính mới được xây dựng trên các dữ
liệu cho trước và được thêm vào dữ liệu mới.
- Khai phá dữ liệu (Data mining): Là giai đoạn thiết yếu, trong đó các

phương pháp thông minh sẽ được áp dụng để trích xuất ra các mẫu dữ liệu.
- Đánh giá mẫu (Pattern evaluation): Đánh giá sự hữu ích của các mẫu biểu
diễn tri thức dựa vào một số phép đo.
- Biểu diễn tri thức (Knowledge presentation): Ở giai đoạn này các kỹ thuật
biểu diễn và hiển thị tri thức được sử dụng để đưa tri thức khai phá được đến người
dùng.

Hình 1.1: Quy trình phát hiện tri thức
Việc KPDL có thể được tiến hành trên một lượng lớn dữ liệu có trong các
CSDL, các kho dữ liệu hoặc trong các loại lưu trữ thông tin khác.
Các biểu mẫu đáng quan tâm có thể được đưa đến người dùng hoặc được lưu
trữ trong một cơ sở tri thức.


12
1.1.2. Kiến trúc của một hệ thống khai phá dữ liệu
Kiến trúc của một hệ thống KPDL điển hình có thể có các thành phần
như hình 1.2 [3, 8]
- CSDL, kho dữ liệu hoặc các lưu trữ thông tin khác (Databases, Data
warehouse,..): Đây là một hay một tập các CSDL, các kho dữ liệu, các trang tính
hay các dạng lưu trữ thông tin khác. Các kỹ thuật làm sạch dữ liệu và tích hợp dữ
liệu có thể được thể hiện trên những dữ liệu này.
- Máy chủ CSDL hay máy chủ kho dữ liệu ( Database or warehouse server):
Máy chủ này có trách nhiệm lấy những dữ liệu thích hợp dựa trên các yêu cầu khai
phá của người dùng.

Giao diện đồ hạo người dùng

Đánh giá mẫu

Máy khai phá dữ liệu
Cơ sở tri thức
Máy chủ CSDL hay kho dữ
liệu
Làm sạch và tích hợp dữ liệu

Cơ sở dữ liệu

Lọc

Kho dữ liệu

Hình 1.2: Kiến trúc của một hệ khai phá dữ liệu điển hình
- Cơ sở tri thức (Knowledge base): Đây là miền tri thức được dùng để hướng
dẫn việc tìm kiếm hay đánh giá độ quan trọng của các hình mẫu kết quả.


13
- Máy KPDL (Data mining engine): Một hệ thống KPDL cần phải có một
tập các modun chức năng để thực hiện công việc như: đặc trưng hoá, kết hợp, phân
lớp, phân cụm, phân tích sự tiến hoá.
- Modun đánh giá mẫu (Pattern evaluation): Bộ phận này tương tác với các
modun KPDL để duyệt tìm các mẫu đáng được quan tâm. Nó có thể dùng các
ngưỡng về độ quan tâm để lọc mẫu đã khám phá được. Cũng có thể modun đánh giá
mẫu được tích hợp vào modun khai phá, tuỳ theo sự cài đặt của phương pháp khai
phá được dùng.
- Giao diện đồ họa người dùng (Graphical user interface): Bộ phận này
cho phép người dùng giao tiếp với hệ thống KPDL. Ngoài ra, bộ phận này còn cho
phép người dùng xem các lược đồ CSDL, lược đồ kho dữ liệu (hay các cấu trúc dữ
liệu), các đánh giá mẫu và hiển thị các mẫu trong khuôn dạng khác nhau.

1.1.3. Các loại dữ liệu được khai phá
KPDL phải có thể được áp dụng vào một loại lưu trữ thông tin bất kì [8]. Các
loại dữ liệu đó có thể là CSDL quan hệ, CSDL giao dịch, kho dữ liệu, các hệ CSDL
nâng cao, các tập tin phẳng ( flat file) và Web. Các hệ CSDL nâng cao gồm CSDL
hướng đối tượng, CSDL quan hệ đối tượng, CSDL hướng ứng dụng cụ thể như:
CSDL chuỗi thời gian ( time-series), CSDL văn bản và CSDL đa phương tiện.
1.1.4. Chức năng khai phá dữ liệu
KPDL có hai chức năng chính: mô tả (description) và dự đoán (prediction)
[3,8]
Công việc KPDL mô tả sẽ mô tả các tính chất hoặc đặc tính chung của dữ liệu
trong CSDL, nghĩa là phân tích và mô tả một tập mẫu đã biết (a set of known
sample) trong khả năng nhận thức của con người nhằm giúp họ hiểu rõ hơn, sâu hơn
về dữ liệu.
Còn công việc KPDL dự đoán sẽ thực hiện việc suy luận dựa trên dữ liệu hiện
hành để cho ra các dự báo, nghĩa là phân tích tập dữ liệu huấn luyện và tạo ra một
hoặc vài mô hình cho phép dự đoán các mẫu mới chưa biết (unseen new examples).


14
1.2. Một số phương pháp khai phá dữ liệu thông dụng
1.2.1. Phương pháp luật kết hợp
Một trong những chủ đề phổ biến của KPDL là khám phá luật kết hợp [18].
Mục đích của khám phá luật kết hợp là xác định mối quan hệ, sự kết hợp giữa các
item trong một CSDL lớn. Luật kết hợp là một luật dạng X => Y, với X, Y là
tập các item [4, 5, 8]. Một luật kết hợp được gọi là mạnh, nếu nó thoả độ hỗ trợ và
thoả độ tin cậy tối thiểu.
Có nhiều thuật toán để khai phá luật kết hợp theo từng loại luật. Một trong
những thuật toán thường gặp nhất là thuật toán Apriori. Chúng tôi sẽ trình bày chi
tiết các thuật toán AIS, SETM, Apriori … trong các chương sau.
1.2.2. Phương pháp cây quyết định

Cây quyết định là một mô tả tri thức dạng đơn giản nhằm phân các đối tượng
dữ liệu thành một số lớp nhất định[8].
Các nút của cây được gán nhãn là tên các thuộc tính, các cạnh được gán các
giá trị có thể của các thuộc tính, các lá mô tả các lớp khác nhau. Các đối tượng được
phân lớp theo các đường đi trên cây, qua các cạnh tương ứng với các giá trị của
thuộc tính của đối tượng tới lá. Hình 1.3 mô tả một mẫu đầu ra có thể của quá trình
khai phá dữ liệu dùng phương pháp cây quyết định với tập dữ liệu khách hàng xin
vay vốn.
Nợ < n

Nợ > n
Không cho vay

Thu nhập < T
Không cho vay

Thu nhập > T
Cho vay

Hình 1.3: Mẫu kết quả với phương pháp cây quyết định


15
1.2.3. Phương pháp k-Mean
Phân cụm cũng là một trong những chủ đề được quan tâm nhiều trong nghiên
cứu KPDL. Có nhiều phương pháp được sử dụng trong phân cụm, phương pháp kMean được coi là các kỹ thuật cơ bản của phân cụm [8].
Với phương pháp này sẽ chia tập có n đối tượng thành k cụm sao cho các đối
tượng trong cùng một cụm thì giống nhau, các đối tượng khác cụm thì khác nhau.
Đầu tiên chọn k đối tượng ngẫu nhiên, mỗi đối tượng đại diện cho tâm của
cụm (cluster mean or center). Dựa vào khoảng cách giữa tâm cụm với mỗi đối

tượng còn lại, gán mỗi đối tượng vào một cụm mà nó giống nhau nhất. Sau đó, tính
tâm mới của mỗi cụm. Quá trình được lặp lại cho đến khi hàm tiêu chuẩn hội tụ
(criterion

function

k

converges).

Chẳng

hạn

sử

dụng

hàm

tiêu

chuẩn:

E = ∑ ∑ p − mi , với p là một điểm đại diện một đối tượng cho trước và m i là tâm
2

i =1 p∈Ci

của cụm.

Ví dụ: Phân cụm các đối tượng trong không gian thành 3 cụm (k=3) như hình 1.4

• •
•
•
•

•
+

•
•

•
•
• •
•

+
•

•
•

• •
•
•+

(a)

•
•

•

•

•

•
•

• +
•

•
••
•

•

+

•

•
• •
•
•

+

• •

(b)

•
•+
•
•

•
•

•

•
•

•
• • •
+
•

(c)

Hình 1.4: Phân cụm các đối tượng k-Mean ( + là tâm của cụm)
Với đối tượng được đánh dấu cộng (+) là tâm cụm.

•

+•
•

•

•
•


16
1.3. Một số ứng dụng của khai phá dữ liệu
1.3.1. Phân tích dữ liệu gen và sinh học y học
KPDL đã trở thành một công cụ mạnh và đóng góp thiết thực vào việc phân
tích gen theo các cách sau [8]:
Nghiên cứu tương tự và so sánh các chuỗi gen: Một trong những nghiên cứu
quan trọng trong phân tích gen là nghiên cứu tương tự và so sánh các chuỗi gen.
Các chuỗi gen được cô lập từ các mô bệnh và khoẻ có thể được so sánh với nhau để
nhận dạng những khác biệt giữa hai lớp gen.
Phân tích kết hợp: Nhận dạng các chuỗi gen cùng xảy ra, phân tích kết hợp
có thể được sử dụng giúp chúng ta xác định các loại gen thường kết hợp với nhau
để gây nên bệnh.
Phân tích hướng đi: Liên kết các gen ở các giai đoạn khác nhau của quá trình
phát triển bệnh, nếu một chuỗi hoạt động của các gen ở những giai đoạn khác nhau
của bệnh được xác định, thì có thể giúp chúng ta chế tạo ra các dược phẩm can thiệp
vào từng giai đoạn của bệnh. Do đó, có thể đạt được cách điều trị bệnh hiệu quả
hơn.
1.3.2. Phân tích dữ liệu tài chính
Dữ liệu tài chính nhận được tương đối hoàn chỉnh, đáng tin cậy và chất
lượng cao làm thuận lợi cho việc phân tích dữ liệu, KPDL một cách hệ thống. Các
ứng dụng của KPDL vào lĩnh vực tài chính là [8, 14]:

Dự đoán trả tiền vay và phân tích chính sách tín dụng khách hàng: Dự
đoán trả tiền vay và phân tích chính sách tín dụng khách hàng là vấn đề quan trọng
đối với việc kinh doanh của ngân hàng. Có nhiều yếu tố (chẳng hạn: tỉ lệ trả trên thu
nhập, mức thu nhập, mức học vấn, vùng dân cư, lịch sử tín dụng,…) có thể ảnh
hưởng mạnh hoặc yếu đến việc thực hiện trả tiền vay và sự đánh giá mức độ tín
nhiệm khách hàng. Các phương pháp KPDL như lựa chọn đặc trưng, xếp hạng các
thuộc tính liên quan có thể giúp xác định các yếu tố quan trọng và loại bỏ những yếu
tố không liên quan. Do đó, ngân hàng có thể điều chỉnh chính sách cho vay đối với


17
những khách hàng mà trước đây ngân hàng đã từ chối nhưng nay tỉ mạo hiểm đối với
họ là thấp dựa vào các phân tích trên.
Phát hiện các tội phạm tài chính: Để phát hiện việc chuyển tiền bất chính
vào ngân hàng và các tội phạm tài chính, việc tích hợp thông tin từ các CSDL khác
nhau (CSDL giao dịch ngân hàng, CSDL về lịch sử tội phạm) là rất quan trọng. Sau
khi có dữ liệu tổng hợp, chúng ta có thể dựa trên các công cụ của KPDL để phát
hiện ra các mẫu khác thường.
1.3.3. Dịch vụ bán lẻ
Dịch vụ bán lẻ là một trong những lĩnh vực ứng dụng của KPDL. Một lượng
dữ liệu khổng lồ đã và đang được thu thập ngày càng tăng, đặc biệt với sự gia tăng
về sự tiện lợi, lợi ích và tính phổ biến của việc kinh doanh trên Web, thương mại
điện tử. Dữ liệu bán lẻ cung cấp một kho dữ liệu phong phú cho việc khai phá dữ
liệu.
KPDL bán lẻ có thể giúp chúng ta xác định được hành vi mua hàng của
khách hàng, phát hiện những mẫu mua hàng của người dùng, những khuynh
hướng mua hàng [8].
Thiết kế các chiến dịch kinh doanh: Giữ khách hàng - Phân tích lòng trung
thành của khách hàng: Lòng trung thành của khách hàng và khuynh hướng mua
hàng có thể được phân tích một cách hệ thống.

1.3.4. Công nghiệp viễn thông
Công nghiệp viễn thông đã phát triển nhanh từ các dịch vụ điện thoại cục bộ
và điện thoại đường dài cho đến các dịch vụ truyền thông khác như voice, fax,
image, e-mail, truyền dữ liệu Web, các giao lộ dữ liệu khác. Tích hợp viễn thông,
mạng máy tính, internet, các phương tiện truyền thông khác đã và đang được thực
hiện. Điều này tạo ra một yêu cầu lớn về KPDL để giúp hiểu thêm việc kinh doanh,
xác định các mẫu viễn thông, chặn đứng các hoạt động lừa dối nhằm tạo điều kiện
sử dụng các tài nguyên tốt hơn và nâng cao được chất lượng dịch vụ [8].
Phân tích nhu cầu: Dữ liệu viễn thông là các dữ liệu đa chiều đích thực, với
các chiều như: giờ gọi, thời gian gọi, vị trí người gọi, vị trí người được gọi,


18
kiểu cuộc gọi. Phân tích đa chiều đối với các dữ liệu kiểu này có thể giúp xác định
nhu cầu và hành vi của các nhóm người dùng, từng vùng…Từ đó cung cấp
các dịch vụ, thiết bị phù hợp hơn.
Phân tích các mẫu gian lận và xác định các mẫu khác thường: Việc xác
định những người dùng gian lận tiềm năng và những mẫu sử dụng không điển hình
là rất quan trọng. Những mẫu này có thể được khám phá bởi phân tích đa chiều,
phân tích phân cụm, phân tích phần tử ngoài cuộc.
1.4. Các khuynh hướng và thách thức trong khai phá dữ liệu
Việc phát triển các hệ thống, phương pháp khai phá hiệu quả, kiến trúc môi
trường KPDL tích hợp và ứng dụng kỹ thuật KPDL vào các bài toán lớn là một
nhiệm vụ quan trọng đối với các nhà nghiên cứu, các nhà phát triển ứng dụng. Dưới
đây là những khuynh hướng trong KPDL phản ánh các thách thức này [8].
Mở rộng ứng dụng: Trước đây các ứng dụng KPDL chỉ tập trung vào việc
giúp đỡ các nhà kinh doanh đạt được vấn đề cạnh tranh. Khi KPDL trở thành phổ
biến hơn, nó được sử dụng ngày càng tăng trong các lĩnh vực khác như: Sinh học y
học, tài chính, viễn thông.
Phương pháp KPDL uyển chuyển: Khác với các phương pháp phân tích dữ

liệu truyền thống, KPDL ngày nay phải có thể xử lý một lượng lớn dữ liệu một cách
hiệu quả, tương tác. Vì lượng lớn dữ liệu đang được thu thập tiếp tục tăng nhanh
nên việc thiết kế các thuật toán uyển chuyển cho phép KPDL được tích hợp và riêng
biệt là trở nên rất cần thiết. Một hướng quan trọng cải tiến hiệu quả của quá trình
KPDL có sự tương tác của người dùng là khai phá dựa trên các ràng buộc. Nó cho
phép người dùng đưa ra các điều khiển và các ràng buộc bổ sung để hướng định
hướng hệ thống KPDL trong việc phát hiện những mẫu đáng quan tâm.
Tích hợp KPDL với các hệ CSDL, các hệ kho dữ liệu, hệ CSDL Web:
Các hệ CSDL, hệ kho dữ liệu, WWW đã trở thành các hệ xử lý thông tin chủ đạo.
Việc tích hợp KPDL với các môi trường xử lý thông tin là một vấn đề cần thiết.
Một kiến trúc lý tưởng cho một hệ KPDL là một hệ kết hợp chặt chẽ với các hệ kho
dữ liệu và CSDL. Quản lý giao dịch, xử lý truy vấn, xử lý phân tích trực tuyến, khai


19
phá phân tích trực tuyến nên được tích hợp vào trong một khung hợp nhất. Điều
này sẽ đảm bảo tính tiện ích dữ liệu, linh động, uyển chuyển và thực thi cao của
KPDL
Khai phá Web: Ngày nay, với một lượng khổng lồ thông tin trên Web vai
trò quan trọng của Web đối với xã hội, việc khai phá nội dung Web sẽ trở thành bài
toán quan trọng và đáng quan tâm trong vấn đề khai phá dữ liệu.
An toàn và bảo mật thông tin trong KPDL: Với sự tăng nhanh của việc sử
dụng các công cụ KPDL, mạng máy tính, mạng viễn thông, một vấn đề quan trọng
đang đối mặt với KPDL là an toàn và bảo mật thông tin. Cho nên các phương pháp
được phát triển sau này phải đảm bảo được vấn đề này, mà vẫn tạo điều kiện thuận
lợi cho việc truy cập và khai phá thông tin hoàn hảo.


20
CHƯƠNG 2

KHAI PHÁ LUẬT KẾT HỢP TRONG CƠ SỞ DỮ LIỆU LỚN
Hiện tại, đã có một số ứng dụng kết quả của việc khai thác luật kết hợp trong
cơ sở dữ liệu. Tuy nhiên, chưa có nhiều nghiên cứu nói lên tính ứng dụng của nó,
các nghiên cứu chỉ mang tính đơn thể, tự phát và chưa có một giải pháp tổng quát
nào vì phạm vi sử dụng kết quả của việc khai thác là rất đa dạng và phong phú.
Trong chương này, chúng tôi sẽ trình bày các khái niệm về khai phá dữ liệu,
cách khai phá luận kết hợp Boolean một chiều từ CSDL giao dịch, khai phá luận kết
hợp đa mức và đa chiều.
2.1. Khai phá luật kết hợp
2.1.1. Một số khái niệm cơ bản [4, 5, 8, 15, 17]
Cho I = {i1, i2, …in} là một tập các khoản mục (item).
CSDL giao dịch (transaction database) được gọi là D. Trong đó mỗi bản ghi T
là một giao dịch và chứa các item sao cho T ⊆ I và mỗi giao dịch T được gán nhãn
với một định danh duy nhất TID.
Một luật kết hợp là một phép kéo theo dạng A => B. Trong đó: A ⊂ I, B ⊂
I. và A ∩ B = ∅.
Độ hỗ trợ của luật A => B là:
Support (A => B) = P (A ∩ B) =

( T ∈ D( A ∪ B ) ⊆ T )
D

(1)

Độ tin cậy của luật A => B là:
Confidence (A => B) = P (B/A) =

Support ( A ∪ B )
(2)
sup port ( A)

Các luật kết hợp thoả mãn ngưỡng hỗ trợ tối thiểu (min_sup) và ngưỡng tin
cậy tối thiểu (min_conf) được gọi là luật mạnh. Quy ước, giá trị độ hỗ trợ và độ tin
cậy được thể hiện ở dạng % (từ 0% đến 100%) thay vì dưới dạng thập phân (0
đến 1.0)
Itemset là tập hợp các item, k - itemset là một itemset có k item.


21
Tần số xuất hiện của một itemset là số giao dịch chứa itemset đó, thường được
viết: frequency, support count hoặc count of itemset.
Một itemset thoả độ hỗ trợ tối thiểu (minimum support) nếu tần số xuất hiện
của nó lớn hơn hoặc bằng min _sup x D . Số giao dịch cần thiết để một itemset
thoả độ hỗ trợ tối thiểu gọi minimum support count (min_sup_count). Một itemset
thoả độ hỗ trợ tối thiểu gọi là frequent itemset (hoặc large itemset) ngược lại gọi là
infrequent itemset (hoặc smal itemset). Một tập frequent k -itemset ký hiệu là L k.
2.1.2. Cách khai phá luật kết hợp
Bài toán khai phá luận kết hợp được tách thành hai bài toán con [5,8]:
Bài toán 1: Tìm tất cả các frequent itemset. Với một số cơ sở dữ liệu giao
dịch D và min _sup, chúng ta phải tìm tất cả các frequen itemset có thể có trong D.
Bài toán 2: Sinh các luật kết hợp mạnh từ các frequent itemset. Từ các
frequent itemset được tìm thấy ở trên, chúng ta sinh tất cả các luật kết hợp thỏa
min_sup, min_conf.
2.1.3. Các tính chất của frequent itemset
Tính chất 2.1:
Cho A, B là các itemset, nếu A ⊆ B thì support (A) ≥ support (B)
Vì: support (A) =

{T ∈ DA ⊆ T }
D

, support (B) =

(T ∈ D B ⊆ T
D

và A ⊆ B, nên ta suy

ra support (A) ≥ support (B)
Tính chất 2.2:
Nếu A là infrequent itemset và A ⊆ B, thì B cũng infrequent itemset.
Thật vậy, nếu A là infrequent itemset , nghĩa là support (A) < min_sup. Theo
tính chất 2.1 ta có support (B) ≤ support (A) < min_sup hay B là infrequent itemset.
Tính chất 2.3: [4, 5, 8]
Nếu A là frequent itemset và A ⊇ B thì B cũng frequent itemset.
Thật vậy, nếu A là frequent itemset, thì support (A) ≥ min_sup. Theo tính chất
2.1 ta có support (B) ≥ support (A) ≥ min_sup hay B là frequent itemset.


22
2.1.4. Các tiêu chuẩn để phân loại luật kết hợp
Để phân loại các luận kết hợp chúng ta có thể dựa trên các tiêu chuẩn sau [8].
2.1.4.1. Kiểu của giá trị được quản lý trong luật
- Nếu luật quan tâm đến việc kết hợp về sự hiện diện của các item, thì nó là
luận kết hợp Boolean. Chẳng hạn, luật.
Computer => financial_management _software (3)
- Nếu luật mô tả sự kết hợp hợp giữa các item số luợng (quatitative) thì nó là
luật kết hợp số lượng. Với những luật này, các giá trị số lượng đối với item hoặc
thuộc tính (attribute) được rời rạc hoá thành các khoảng (interval).
Ví dụ:

age(X, "30….39") ∧ income (X, 42K….48K") => busy (X, high resolution TV) (4)
Trong đó: X là khách hàng. Các thuộc tính số lượng age, income đã
được rời rạc hoá.
2.1.4.2. Chiều của dữ liệu được đề cập trong luật
Nếu những item và attribute trong luật kết hợp là chỉ một chiều, thì nó là luật
kết hợp một chiều. Chẳng hạn luật (3) có thể viết lại như sau:
buys (X, Computer) => busy (X, financial_management_ software) (5)
Luật (5) là luật một chiều, vì nó chỉ đề cập đến một chiều kà buys. Nếu luật
liên quan đến hơn một chiều, thì nó là luật kết hợp đa chiều. Chẳng hạn, luật (4) là
lụât kết hợp đa chiều.
2.1.4.3. Mức trừu tượng được đề cập trong luật
Một số phương pháp cho phép chúng ta khai phá luật kết hợp ở các mức trừu
tượng khác nhau. Chẳng hạn, giả sử rằng tập những luật kết hợp được khai phá là
các luật sau:
age (X, "30…39") => buys (X, "laptop computer") (6)
age (X, "30…39") => buys (X, " computer") (7)
Trong luật (6) và luật (7), khoản mục buys tham tham chiếu đến các mức trừu
tượng khác nhau nên chúng được gọi là những luận kết hợp đa mức. Còn nếu một


23
tập luật cho trước không tham chiếu đến những item hoặc thuộc tính ở các mức
trừu tượng khác nhau, thì tập luật được gọi là những luật đơn mức.
2.2. Khai phá luật kết hợp boolean một chiều từ CSDL giao dịch
Trong phần này, chúng tôi sẽ trình bày những phương pháp để khai phá dạng
đơn giản nhất của các luật kết hợp như: đơn chiều, đơn mức và các luật kết hợp
boolean
2.2.1. Thuật toán Apriori: Tìm các frequent itemset sử dụng việc sinh ra các
ứng cử viên [4, 5, 8, 15]
Thoạt đầu thuật toán sẽ tìm các frequent 1-itemset, kí hiệu là L1. Sau đó dựa vào

L1 để tìm L2 và L2 được dùng để tìm L3 cứ tiếp tục như vậy cho đến khi không tìm được
Lk nào nữa.
Để cải tiến hiệu quả của việc sinh ra các frequent itemset, thuật toán đã sử
dụng thuộc tính quan trọng được coi là Apriori để giảm không gian tìm kiếm
theo thuộc tính. Theo thuật toán Apriori, tất cả các tập con không rỗng của
một frequent temset phải là frequent. Nghĩa là P(I) < min_sup thì P ( I ∪ A) <
min_sup.
Để tìm LK từ LK - 1 thuật toán thực hiện hai bước như sau:
Bước kết nối: Để tìm LK, một tập k -itemset ứng cử viên (CK) được sinh ra bằng việc kết
nối Lk - 1 với Lk - 1. Việc kết nối Lk - 1 và Lk - 1 được thực hiện như sau:
Giả sử và l2 là hai thành viên của Lk-1, l1 và l2 kết nối được nếu:
(l1 [1] = l2 [1] ∧ l1 [2] = l2 [2] ∧ ... ∧ (l1 [k - 2] = l2 [k - 2] ∧ l1 [k - 1] < l2 [k - 1]
và kết quả kết nối l1 với l2 là: l1 [1], l1 [2], ... , l1 [k - 1], l2 [k - 1].
Trong đó: Quy ước rằng các item trong một giao dịch hoặc itemset phải được
xếp theo thứ tự từ điển.
Bước cắt bỏ: Do Ck ⊇ Lk tức là thành viên của Ck có thể là frequent hoặc không
frequent, nhưng tất cả các k-itemset đều thuộc vào C k. Để tìm Lk ta thực hiện bước
quét CSDL để quyết định những phần tử nào của C k thuộc Lk. Tuy nhiên Ck có thể
là rất lớn nên ảnh hưởng đến việc tính toán. Do đó, ta cần giảm kích thước của C k
bằng cách sử dụng thuộc tính Apriori như sau: Nếu tập con (k - 1) -itemset bất kỳ


24
của k- itemset ứng cử viên không nằm trong L k-1 thì ta loại bỏ k-itemset ứng cử viên
đó khỏi Ck.
Ví dụ:
Cho CSDL giao dịch của chi nhánh AllElectronices D như hình 2.1 ta có các
bước thực hiện của thuật toán Apriori hình 2.2.
TID
T100

T200
T300
T400
T500
T600
T700
T800
T900

List of item _Ids
I1, I2, I5
I2, I4
I2, I3
I1, I2, I4
I1, I3
I2, I3
I1, I3
I1, I2, I3, I5
I1, I2, I3

Hình 2. 1


25
Quét D để tìm
C1
support count choItemset
các item
{I1}
{I2}

{I3}
{I4}
{I5}

L2
Itemset
{I1, I2}
{I1, I3}
{I1, I5}
{I2, I3}
{I2, I4}
{I2, I5}

Sup.count
4
4
2
4
2
2

Sinh C3 từ L2
C3
Itemset
{I1, I2, I3}
{I1, I2, I5}
{I1, I3, I5}
{I2, I3, I4}
{I2, I3, I5}
{I2, I4, I5}

Sup.count
6
7
6
2
2

Tìm các
C2
frequent Itemset Sup.count

itemset

L1

Tìm các
frequent item

{I1, I2}
{I1, I3}
{I1, I4}
{I1, I5}
{I2, I3}
{I2, I4}
{I2, I5}
{I3, I4}
{I3, I5}
{I4, I5}

C3 sau khi tỉa các
itemset
C3
sẽ không là
Itemset
frequent

Itemset
{I1}
{I2}
{I3}
{I4}
{I5}

Sup.count
6
7
6
2
2

Quét D để tìm
support count

4
4
1
2
4
2

2
0
1
0

Sinh C2 từ L1

Quét D tìm
support count Itemset
{I1, I2, I3}
{I1, I2, I5}

{I1, I2, I3}
{I1, I2, I5}

C2

Itemset
{I1, I2}
{I1, I3}
{I1, I4}
{I1, I5}
{I2, I3}
{I2, I4}
{I2, I5}
{I3, I4}
{I3, I5}
{I4, I5}

C3

Sup.count
2
2

Tìm các frequent
intemset

Intemset
{I1, I2, I3}
{I1, I2, I5}

L3
Sup.count
2
2

Hình 2.2: Các bước thực hiện của thuật toán Apriori với min _sup = 2/9 = 22%

2.2.2. Sinh luật kết hợp từ các frequent temset [5, 8, 15]
Sau khi tìm được những frequent itemset, chúng ta có thể sinh các luật kết hợp
mạnh. Với:
confidence (A=>B) = P (B/A) =

sup port _ count ( A ∪ B)
(8)
sup port _ count ( A)
Intemset
{I1, I2, I3}
{I1, I2, I5}