Khai thác mẫu phổ biến và luật từ cơ sở dữ liệu chuỗi (tóm tắt)

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

TRẦN MINH THÁI

KHAI THÁC MẪU PHỔ BIẾN
VÀ LUẬT TỪ CƠ SỞ DỮ LIỆU CHUỖI
Chuyên ngành: Khoa học máy tính
Mã số chuyên ngành: 62 48 01 01

TÓM TẮT LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

Tp. Hồ Chí Minh, năm 2016


Công trình được hoàn thành tại Khoa Công nghệ Thông tin, Trường Đại
học Khoa học Tự Nhiên - Đại học Quốc Gia Thành phố Hồ Chí Minh

Người hướng dẫn khoa học: PGS. TS. LÊ HOÀI BẮC

Phản biện 1: PGS. TS. Hồ Bảo Quốc
Phản biện 2: PGS. TS. Nguyễn Đình Thuân
Phản biện 3: TS. Nguyễn An Tế
Phản biện độc lập 1: PGS. TS. Đỗ Trung Tuấn
Phản biện độc lập 2: PGS. TS. Lê Anh Cường

Luận án sẽ được bảo vệ trước Hội đồng chấm luận án họp tại
vào lúc

giờ

ngày

tháng

năm

Có thể tìm hiểu luận án tại thư viện:
- Thư viện Khoa học Tổng hợp Thành phố Hồ Chí Minh

- Thư viện Trường Đại học Khoa học Tự Nhiên


TÓM TẮT LUẬN ÁN
Hiện tại, khai thác dữ liệu chuỗi là một trong những hướng chính trong
lĩnh vực khai thác dữ liệu và đang được nhiều nhà khoa học tập trung nghiên
cứu. Việc khai thác này có tính ứng dụng cao trong thực tiễn, như: dự báo xu
hướng, phân tích thói quen hay hành vi khách hàng, dự đoán thiên tai, ngăn
ngừa xâm nhập hệ thống, hoặc trong việc phân tích hay phát hiện các dị
thường trong cấu trúc protein, DNA, xử lý văn bản, v.v…
Tuy nhiên, vấn đề khai thác dữ liệu chuỗi đang đối mặt với hai thách thức
chính. Thách thức thứ nhất là thời gian khai thác và thứ hai là vấn đề rút trích
được tập luật tuần tự không dư thừa trong số các luật được sinh ra từ mẫu
tuần tự. Để giải quyết bài toán này, ngoài việc thiết kế mô hình dữ liệu phù
hợp, cùng với việc phát hiện, tỉa mẫu nhằm giảm bớt số lượng mẫu không
cần thiết và rút trích được tập luật đầy đủ và không dư thừa là một trong
những yếu tố chính dẫn đến thành công. Đây chính là nội dung nghiên cứu
của luận án.
Trong đó, luận án tập trung vào việc giải quyết vấn đề giảm thời gian
trong quá trình khai thác mẫu tuần tự bằng cách xây dựng cấu trúc dữ liệu
nén dạng vector kết hợp với các thông tin cần thiết giúp cho việc kiểm tra và

loại trừ mẫu dư thừa một cách hợp lý và nhanh chóng.
Tiếp theo đó, luận án cũng trình bày cách thức khai thác hiệu quả luật
không dư thừa, kết hợp với kỹ thuật phát hiện sớm và dừng sinh luật cho
những mẫu không tiềm năng. Các đề xuất tập trung vào việc giảm thiểu thời
gian khai thác, chi phí tính toán và tối ưu không gian lưu trữ trong quá trình
khai thác dữ liệu chuỗi.
Nội dung luận án bao gồm hai phần và bốn chương được tóm tắt như sau:
Phần mở đầu
Nội dung của phần này trình bày tóm tắt về tính cấp thiết của luận án,
mục tiêu, phạm vi nghiên cứu và kết quả đạt được của luận án.
1


1. Giới thiệu
Chuỗi (sequence) là danh sách có thứ tự các sự kiện hay ký hiệu. Dữ liệu
dạng này tồn tại trong hầu hết các hoạt động hay những thông tin mang tính
thứ tự. Cơ sở dữ liệu (CSDL) chuỗi (sequence database) bao gồm danh sách
các chuỗi. Ví dụ: chuỗi các trang web được viếng thăm của một người dùng
được thể hiện theo thứ tự thời gian truy cập, chuỗi các sản phẩm được mua
bởi khách hàng tại siêu thị hay cửa hàng bán lẻ, chuỗi các triệu chứng quan
sát được của bệnh nhân tại một bệnh viện, v.v...
Mục đích chính của việc khai thác dữ liệu chuỗi là giúp cho việc dự báo
sự kiện kế tiếp dựa trên những sự kiện quan sát được trước đó. Ví dụ, nếu
một khách hàng đã mua lần lượt các mặt hàng A, B và C trong một cửa hàng
thì mặt hàng kế tiếp họ sẽ mua là gì. Nhờ vậy, cửa hàng này có thể chủ động
trong việc quản lý danh sách các mặt hàng dựa vào xu hướng của khách hàng.
Vấn đề khai thác dữ liệu chuỗi có rất nhiều ứng dụng trong các lĩnh vực
như phân tích thói quen hay hành vi mua sắm của khách hàng, phân tích mẫu
truy cập web, phân tích các thí nghiệm khoa học, chuẩn đoán bệnh, phân tích
những bất thường trong cấu trúc protein và DNA, lĩnh vực viễn thông, hay

dự báo và ngăn ngừa thảm hoạ thiên nhiên, v.v…
Khai thác dữ liệu chuỗi thường được chia làm hai giai đoạn chính bao
gồm: giai đoạn khai thác mẫu tuần tự và giai đoạn khai thác luật tuần tự.
2. Tính cấp thiết của luận án
Khai thác CSDL chuỗi có nhiều ứng dụng trong thực tế. Tuy nhiên, thách
thức chính của bài toán khai thác trên CSDL chuỗi là thời gian khai thác và
rút trích được tập luật tuần tự không dư thừa từ số lượng lớn các luật được
sinh ra từ tập mẫu tuần tự.
Các đóng góp cho bài toán khai thác mẫu tuần tự liên chuỗi còn hạn chế.
Cho đến thời điểm hiện tại chỉ có đóng góp của Wang và Lee (khai thác mẫu
tuần tự liên chuỗi năm 2009) và của Wang và đồng sự (khai thác mẫu tuần tự
2


liên chuỗi đóng năm 2013). Hơn nữa, bài toán này có độ phức tạp cao hơn
bài toán khai thác mẫu tuần tự. Cho nên, cần phải được tiếp tục nghiên cứu
vấn đề này.
Bên cạnh đó, nghiên cứu phương pháp loại bỏ các luật dư thừa cũng rất
có ý nghĩa.
Ngoài ra, việc kết hợp hai giai đoạn khai thác mẫu và luật cũng có ý nghĩa
góp phần làm giảm các bước không cần thiết, cố gắng khai thác và tận dụng
được những thông tin cần thiết trong mỗi giai đoạn, hạn chế quá trình khai
thác lại và trùng lắp trong khai thác.
3. Mục tiêu, đối tượng, phạm vi và nội dung nghiên cứu của luận án
Mục tiêu của luận án tập trung vào nghiên cứu bài toán khai thác mẫu tuần
tự và luật tuần tự từ CSDL chuỗi. Dữ liệu sử dụng là các CSDL chuỗi tổng
hợp được sinh ra từ công cụ phát sinh chuẩn của IBM hoặc các CSDL chuỗi
thực tế.
Nội dung nghiên cứu của luận án được chia thành hai giai đoạn. Giai đoạn
thứ nhất, nghiên cứu kỹ thuật khai thác hiệu quả mẫu tuần tự từ CSDL chuỗi.

Giai đoạn tiếp theo, nghiên cứu cách thức sinh luật tuần tự và các phương
pháp loại bỏ luật dư thừa.
Nội dung nghiên cứu của luận án tập trung vào ba vấn đề chính:
(i) Phát triển thuật toán khai thác mẫu tuần tự đóng.
(ii) Phát triển thuật toán khai thác mẫu tuần tự liên chuỗi đóng.
(iii) Phát triển thuật toán sinh luật tuần tự không dư thừa.
4. Phương pháp nghiên cứu
Khảo sát và nghiên cứu các cách tiếp cận, cùng với các kỹ thuật và phương
pháp đã được công bố từ trước đến nay của các tác giả trong và ngoài nước
có liên quan đến lĩnh vực khai thác CSDL chuỗi. Trên cơ sở phân tích, đánh
giá các đặc điểm để có thể đưa ra hướng giải quyết và các cải tiến nhằm áp
dụng vào bài toán của luận án.
3


Tiến hành thực nghiệm và đánh giá, so sánh các phương pháp được đề
xuất trong luận án với các phương pháp đã có.
5. Các đóng góp của luận án
Nghiên cứu và đề xuất cách thức tổ chức dữ liệu cho các mẫu tuần tự và
kết quả khai thác một cách tối ưu về không gian lưu trữ và thời gian xử lý
trong quá trình khai thác.
Dựa vào đặc điểm của mẫu tuần tự và cấu trúc dữ liệu được đề xuất, luận
án đề xuất kỹ thuật loại trừ sớm ứng viên và kỹ thuật kiểm tra mẫu tuần tự
đóng trực tiếp dựa vào thông tin vị trí của mẫu tuần tự.
Đề xuất kỹ thuật khai thác hiệu quả luật tuần tự không dư thừa thông qua
việc kết hợp kỹ thuật khai thác mẫu tuần tự đóng và khai thác tập sinh cùng
với việc tỉa những luật không đủ độ tin cậy.
Chương 1. Giới thiệu tổng quan
Chương này trình bày tổng quan về lĩnh vực khai thác dữ liệu và hướng
nghiên cứu chính trong khai thác dữ liệu, trong đó có vấn đề khai thác dữ

liệu chuỗi. Bên cạnh trình bày các kỹ thuật đã được áp dụng trong bài toán
này, luận án trình bày khảo sát và đánh giá các công trình nghiên cứu liên
quan nhằm làm rõ tính cấp thiết và nội dung nghiên cứu của luận án.
1.1. Tổng quan về khai thác dữ liệu
1.1.1. Khai thác dữ liệu
Sự bùng nổ thông tin cùng với sự phát triển của công nghệ lưu trữ và mạng
Internet làm cho khối lượng dữ liệu phục vụ cho nhu cầu hàng ngày của mỗi
tổ chức ngày càng trở nên đa dạng và phong phú. Do vậy, nhu cầu khám phá
những thông tin cần thiết, những tri thức phục vụ cho nhu cầu quản lý, định
hướng chiến lược cho tổ chức ngày càng khó khăn. Chính vì thế khai thác dữ
liệu ra đời nhằm phục vụ cho nhu cầu khai thác các tri thức tiềm ẩn đó.

4


Khai thác dữ liệu hay còn được gọi là khám phá tri thức trong CSDL. Đây
chính là quá trình khám phá những mẫu hay tri thức có ích từ nguồn dữ liệu,
ví dụ như là CSDL, văn bản, ảnh, hay dữ liệu Web.
Các mẫu khai thác được phải có giá trị, có khả năng hữu ích và dễ hiểu.
Cho nên, khai thác dữ liệu là một lĩnh vực đa ngành có liên quan đến máy
học, thống kê, CSDL, trí tuệ nhân tạo, thu thập thông tin và mô phỏng trực
quan hóa dữ liệu.
Quá trình khám phá tri thức trong CSDL có thể được thực hiện trong ba
giai đoạn chính: (i) giai đoạn tiền xử lý dữ liệu, (ii) giai đoạn khai thác dữ
liệu, và (iii) giai đoạn hậu xử lý. Quá trình này là một quá trình lặp, được
thực hiện lặp đi lặp lại nhiều lần để có thể đạt được kết quả khả quan cuối
cùng.
1.1.2. Các kỹ thuật khai thác dữ liệu
Hiện tại, khai thác dữ liệu thường tập trung vào các hướng chính và được
đề cập nhiều nhất gồm: phân lớp, phân cụm dữ liệu, khai thác luật kết hợp và

khai thác luật tuần tự. Các mô hình liên quan được đề xuất bao gồm khai thác
văn bản, khai thác dữ liệu Web, khai thác dữ liệu không gian và thời gian,
v.v…
Một trong những mô hình dữ liệu quan trọng và đang được tập trung nhiều
nghiên cứu hiện nay là mô hình CSDL chuỗi.
Trong đó, khai thác luật từ CSDL chuỗi đóng vai trò quan trọng trong việc
hỗ trợ các tổ chức dự đoán các xu hướng, các biến đổi của dữ liệu nhằm tìm
ra cách thức tổ chức, quản lý công việc tốt hơn.
1.2. Tổng quan về khai thác CSDL chuỗi
Khai thác luật tuần tự là một trong những chủ đề nghiên cứu thiết thực và
quan trọng hiện nay của lĩnh vực khai thác dữ liệu. Mục đích của nó là tìm ra
các luật tiềm ẩn trong CSDL chuỗi. Mỗi luật thể hiện mối quan hệ giữa các
mẫu dữ liệu theo thứ tự thời gian.
5


Khai thác tập mẫu tuần tự đóng giúp làm giảm đáng kể số lượng mẫu dư
thừa. Do vậy, để hạn chế sự phát triển và bùng nổ về số lượng luật, hướng
tiếp cận hiện tại là khai thác luật tuần tự không dư thừa dựa vào tập mẫu tuần
tự đóng hoặc kết hợp tập mẫu tuần tự đóng với tập sinh. Tiêu biểu như của
Jaroszewicz và Simovici, (2002), Zaki (2004), Ashrafi và đồng sự (2004,
2005), hay David Lo và đồng sự (2009).
Các nghiên cứu đã đề xuất các kỹ thuật theo các cách tiếp cận khác nhau,
hay kết hợp nhiều hướng tiếp cận với mục tiêu chính là không ngừng cải tiến
thuật toán khai thác nhằm đáp ứng tốt hơn cả về thời gian thực thi lẫn hiệu
quả sử dụng bộ nhớ.
Quá trình khai thác luật tuần tự từ CSDL chuỗi thường được chia thành
hai giai đoạn chính: Giai đoạn khai thác mẫu tuần tự (hoặc mẫu tuần tự đóng)
và tiếp theo là Giai đoạn sinh luật tuần tự.
Do vậy, số lượng mẫu tuần tự khai thác được là nhân tố quyết định và ảnh

hưởng rất lớn đến việc sinh ra luật tuần tự có hiệu quả hay không.
1.3. Phân loại các kỹ thuật khai thác mẫu tuần tự
Gần đây có rất nhiều nghiên cứu tập trung vào khai thác mẫu tuần tự từ
CSDL chuỗi bao gồm những hướng cụ thể như:
- Khai thác mẫu tuần tự tổng quát hay còn gọi là khai thác mẫu tuần tự;
- Khai thác mẫu tuần tự liên chuỗi;
- Khai thác mẫu tuần tự dựa trên ràng buộc;
- Khai thác mẫu tuần tự trên CSDL tăng trưởng;
- Khai thác mẫu tuần tự gần đúng;
- Khai thác mẫu tuần hoàn một phần.
Trong đó, bài toán khai thác mẫu tuần tự là một trong những vấn đề cơ
bản nhất.

6


1.4. Các công trình nghiên cứu liên quan đã được đề xuất
1.4.1. Khai thác mẫu tuần tự
Các tiếp cận chính của các thuật toán bao gồm các hướng sau:
(1) Tiếp cận theo phép kết - sinh Apriori: AprioriAll (Agrawal và Srikant,
1995), GSP (Agrawal và Srikant, 1996), PSP (Masseglia và đồng sự, 1999),
hay SPAM (Ayers và đồng sự, 2002).
(2) Tiếp cận theo phương pháp phát triển mẫu: FreeSpan (Han và đồng
sự, 2000), Wap-mine (Pei và đồng sự, 2000), PrefixSpan (Pei và đồng sự,
2001), hay FS-Miner (EI-Sayed và đồng sự, 2004).
(3) Tiếp cận theo phương pháp tỉa ứng viên: DISC-all (Chiu và đồng sự,
2004), hay LAPIN (Yang và đồng sự, 2007).
(4) hoặc kết hợp các ưu điểm của các hướng trên: SPADE (Zaki, 2001),
PLWAP (Ezeife và Lu, 2005), hay PRISM (Gouda, Hassaan và Zaki, 2010).
1.4.2. Khai thác mẫu tuần tự đóng

Hạn chế chính của các thuật toán khai thác mẫu tuần tự tổng quát là cố
gắng tìm tất cả những mẫu tuần tự có thể có. Điều này sẽ làm gia tăng nhanh
chóng mẫu khai thác được, dẫn đến sự dư thừa, trùng lắp của các mẫu. Mục
đích của khai thác mẫu tuần tự đóng là giúp giảm bớt những mẫu tuần tự
không cần thiết.
Một số thuật toán khai thác hiệu quả mẫu (mẫu tuần tự) đóng được đề xuất
bao gồm A-Close (Pasquier và đồng sự, 1999), CLOSET (Pei và đồng sự,
2000), CHARM (Zaki và Hsiao, 2002) và CLOSET+ (Wang và đồng sự,
2003), CloSpan (Yan và đồng sự, 2003), và BIDE (Wang và đồng sự, 2007).
Tuy nhiên, một số thuật toán này phải duy trì mẫu tuần tự khai thác được
ở bước trước để phục vụ cho việc kiểm tra mẫu tuần tự đóng mới được sinh
ra. Một số thuật toán khác thì phải duyệt lại CSDL chuỗi nhiều lần.

7


1.4.3. Khai thác mẫu tuần tự liên chuỗi
Bài toán khai thác mẫu tuần tự liên chuỗi là bài toán có quan tâm đến mối
quan hệ giữa các mẫu tuần tự của các giao dịch tại các thời điểm khác nhau
nhằm thể hiện mối quan hệ theo thứ tự thời gian giữa các chuỗi trong CSDL
chuỗi.
Do đó, mẫu tuần tự liên chuỗi mang ý nghĩa tổng quát và phức tạp hơn so
với mẫu tuần tự. Bởi vì, trong quá trình khai thác mẫu tuần tự liên chuỗi đã
bao gồm luôn việc khai thác mẫu tuần tự và kết hợp các mẫu tuần tự này theo
các khoảng thời gian khác nhau.
Thuật toán tiêu biểu đầu tiên cho bài toán khai thác mẫu tuần tự liên chuỗi
là EISP-Miner (Wang và Lee, 2009).
Tiếp theo đó, Wang và đồng sự (2013) đã đề xuất thuật toán khai thác mẫu
tuần tự liên chuỗi đóng giúp giải quyết vấn đề số lượng tập mẫu thu được quá
lớn.

1.4.4. Khai thác luật tuần tự
Khai thác luật tuần tự giúp cho việc rút trích và biểu diễn được những
thông tin hữu ích từ tập mẫu tuần tự.
Khai thác luật tuần tự là giai đoạn tiếp theo của việc khai thác CSDL
chuỗi. Luật tuần tự được sinh ra từ tập mẫu tuần tự. Mỗi luật khai thác được
thể hiện mối quan hệ của những sự kiện theo thời gian, giúp dự đoán được
những sự kiện xảy ra tiếp theo.
Phương pháp khai thác tập luật tuần tự đầy đủ đầu tiên được đề xuất bởi
Spiliopoulou vào năm 1999. Sau đó, bài toán được khái quát thành thuật toán
Full (Lo và đồng sự, 2009).
Tuy nhiên, việc khai thác toàn bộ tập luật sẽ dẫn đến việc tồn tại những
luật dư thừa. Do vậy, các thuật toán khai thác luật tuần tự không dư thừa được
đề xuất nhằm giải quyết các vấn đề này.

8


Vấn đề khai thác luật tuần tự không dư thừa được đề cập kể từ khi Lo đưa
ra khái niệm và đề xuất thuật toán CNR (Lo và đồng sự, 2009).
Dựa vào đặc tính cấu trúc cây tiền tố, thuật toán MSR-ImpTree (Van và
đồng sự, 2011) đã cải tiến thuật toán Full nhằm làm tăng hiệu quả khai thác
luật, thuật toán CloGen (Pham và đồng sự, 2013) cho phép khai thác luật tuần
tự không dư thừa một cách hiệu quả.
Chương 2. Phương pháp khai thác mẫu tuần tự đóng
Chương này trình bày các khái niệm của việc khai thác mẫu tuần tự và
mẫu tuần tự đóng. Khai thác mẫu tuần tự đóng giúp giảm đáng kể số lượng
mẫu không cần thiết. Phần cuối của chương, luận án trình bày một đề xuất
cải tiến cho việc khai thác hiệu quả mẫu tuần tự đóng.
2.1. Mục tiêu
Khai thác mẫu tuần tự giúp khám phá những mẫu tuần tự xuất hiện thường

xuyên để tìm ra mối quan hệ giữa các sự kiện khác nhau hoặc giữa các sự
kiện tiềm ẩn trong dữ liệu phục vụ cho các mục đích như các chiến dịch tiếp
thị, tái tổ chức kinh doanh, dự báo và lập kế hoạch. Dựa vào đặc điểm của
mẫu cần khai thác, bài toán khai thác mẫu tuần tự thường tập trung vào hai
dạng chính: Khai thác mẫu tuần tự và khai thác mẫu tuần tự liên chuỗi.
2.2. Các định nghĩa
Một CSDL chuỗi được định nghĩa là một danh sách các chuỗi, ký hiệu
SDB. Mỗi chuỗi bao gồm các tập sự kiện (itemset) xảy ra theo thứ tự thời
gian. Mỗi tập sự kiện là một tập khác rỗng bao gồm một nhóm các sự kiện
(item) xảy ra trong cùng một thời điểm.
Mỗi sự kiện thường được ký hiệu là các ký tự chữ cái. Các sự kiện trong
một tập sự kiện được thể hiện theo thứ tự từ điển và được ký hiệu trong cặp
dấu ngoặc tròn. Các sự kiện có thể là các trang Web, các mặt hàng hay các
từ trong văn bản. Bảng 2-1 trình bày một ví dụ về CSDL chuỗi.
9


Chiều dài chuỗi được tính là số lượng các sự kiện có trong chuỗi. Chuỗi
có chiều dài k được gọi là k-sequence. Kích thước của chuỗi được tính dựa
vào số lượng các tập sự kiện có trong chuỗi.
Chuỗi Sa = 〈a1 a2 ⋯ am 〉 được gọi là được chứa trong hay còn gọi là
chuỗi con (subsequence) của chuỗi Sb = 〈b1 b2 ⋯ bn 〉 nếu tồn tại một vị trí
1 ≤ i1 < i2 < ⋯ < im ≤ n sao cho: a1 ⊆ bi1 , a2 ⊆ bi2 , …, am ⊆ bim .
Trường hợp này, Sb được gọi là chuỗi cha (supersequence) của chuỗi Sa , ký
hiệu là Sa ⊆ Sb .
Bảng 2-1. Một ví dụ về CSDL chuỗi SDB
ID

Chuỗi

1

〈C A A (A C)〉

2

〈A B (A B C) B〉

3

〈A (B C) A B C E〉

4

〈A B (B C) A D〉

Độ hỗ trợ (support) của chuỗi Sa trong CSDL chuỗi SDB được tính là
tổng số dòng có chứa Sa trong các giao dịch của SDB, ký hiệu là sup(Sa ).
Một chuỗi Sa được gọi là phổ biến (hay mẫu tuần tự) trên CSDL chuỗi
nếu sup(Sa ) ≥ minSup, với minSup là ngưỡng phổ biến tối thiểu do người
dùng qui định trước.
2.3. Khai thác mẫu tuần tự
Bài toán khai thác mẫu tuần tự là đi tìm tất cả các mẫu tuần tự trong CSDL
chuỗi với một ngưỡng phổ biến tối thiểu minSup do người dùng qui định
trước.
Khai thác mẫu tuần tự là việc khai thác các mẫu dựa theo sự kết hợp thứ
tự của các sự kiện và các tập sự kiện hay còn gọi là khai thác các mở rộng
của mẫu tuần tự. Dạng mở rộng của mỗi mẫu tuần tự được thực hiện theo hai
dạng: mở rộng sequence và mở rộng itemset.

10


2.4. Khai thác mẫu tuần tự đóng
Hạn chế của các thuật toán khai thác mẫu tuần tự là cố gắng tìm tất cả
những mẫu tuần tự có thể có trong CSDL chuỗi cho trước. Do đó, sẽ có những
mẫu không cần thiết, sẽ dẫn đến việc sinh ra những luật tuần tự dư thừa. Cho
nên, khai thác mẫu tuần tự đóng được đề xuất nhằm giải quyết vấn đề này.
Mẫu tuần tự Sa được gọi là mẫu tuần tự đóng trên SDB nếu mẫu Sa là phổ
biến và không tồn tại mẫu tuần tự cha Sb nào của Sa có cùng độ hỗ trợ.
Bài toán khai thác mẫu tuần tự đóng là khai thác những mẫu tuần tự đóng
trong CSDL chuỗi với ngưỡng minSup cho trước.
2.4.1. Các nghiên cứu liên quan về khai thác mẫu tuần tự đóng
Một số thuật toán tiêu biểu cho khai thác mẫu đóng hay mẫu tuần tự đóng
gồm có A-CLOSE (Pasquier và đồng sự, 1999), CLOSET (Pei và đồng sự,
2000), CHARM (Zaki và Hsiao, 2002), CLOSET+ (Wang và đồng sự, 2003),
CloSpan (Yan và đồng sự, 2003), BIDE (Wang và đồng sự, 2007) và ClaSP
(Gomariz và đồng sự, 2013).
Tuy nhiên, phần lớn các thuật toán này phải duy trì tập phổ biến khai thác
được để kiểm tra mẫu nào là mẫu đóng của tập phổ biến ứng viên vừa được
sinh ra trước khi loại trừ chúng. Một số thuật toán khác thì dùng kỹ thuật
chiếu trên CSDL và phải duyệt lại CSDL chiếu nhiều lần. Do vậy, chúng sẽ
yêu cầu nhiều không gian lưu trữ trung gian trong quá trình khai thác.
2.4.2. Đề xuất cải tiến và mô tả thuật toán
Tiếp cận của luận án trong việc cải tiến phương pháp cho bài toán khai
thác mẫu tuần tự đóng hiệu quả thông qua đề xuất phương pháp tổ chức cấu
trúc dữ liệu để biểu diễn thông tin của mẫu tuần tự.
Với cấu trúc dữ liệu được đề xuất, luận án sẽ áp dụng các kỹ thuật tỉa mẫu
ứng viên và kỹ thuật kiểm tra mẫu tuần tự đóng trực tiếp (không dựa vào mẫu
trước đó) nhằm tăng hiệu quả khai thác tập mẫu tuần tự phổ biến đóng từ

CSDL chuỗi.
11


2.4.2.1. Cấu trúc dữ liệu vector bit động
Cấu trúc vector bit cho phép nén thông tin các sự xuất hiện của mẫu. Bit
‘1’ cho biết rằng có sự kiện tương ứng xuất hiện và ngược lại bit ‘0’ thể hiện
tại giao dịch đó không có sự xuất hiện của sự kiện đang xét. Cấu trúc vector
bit động (Dynamic Bit Vector - DBV) giúp loại bỏ những bit ‘0’ ở phần đầu
và phần cuối của bảng bit.
Mỗi cấu trúc DBV gồm hai phần: (1) Start bit: Vị trí xuất hiện đầu tiên
của bit ‘1’ và (2) Vector bit: Dãy các bit bắt đầu từ bit khác không đầu tiên
cho đến bit khác không cuối cùng.
Cấu trúc DBV được dùng để lưu trữ các mẫu tuần tự theo định dạng dọc.
Độ hỗ trợ của mẫu tuần tự được tính đơn giản bằng cách dựa vào số lượng
bit ‘1’ trong bảng bit.
2.4.2.2. Cấu trúc dữ liệu CloFS-DBVPattern
Cấu trúc CloFS-DBVPattern là sự kết hợp giữa DBV với thể hiện thông
tin của mẫu tuần tự. Mỗi cấu trúc CloFS-DBVPattern gồm hai phần: (i)
Sequence: Chứa thông tin mẫu tuần tự và (ii) BlockInfo: Gồm DBV và danh
sách các vị trí xuất hiện của mẫu tuần tự trong mỗi dòng của CSDL chuỗi.
2.4.2.3. Cấu trúc cây CloFS-DBV
Cấu trúc cây CloFS-DBV là một dạng mở rộng của cấu trúc cây tiền tố.
Mỗi nút trên cây lưu trữ các mẫu tuần tự theo cấu trúc CloFS-DBVPattern.
Với cấu trúc cây tiền tố, việc sinh luật tuần tự sẽ hiệu quả hơn bằng cách xét
từng nút (tiền tố) và các nút con của nó (hậu tố), tương ứng với phần bên trái
và phần bên phải của luật.
2.4.2.4. Thuật toán CloFS-DBV
Thuật toán CloFS-DBV đề xuất gồm bốn giai đoạn chính:
(1) Duyệt CSDL chuỗi ban đầu để tìm mẫu tuần tự có chiều dài 1 thỏa

ngưỡng minSup, mỗi mẫu được lưu trữ theo cấu trúc CloFS-DBVPattern;

12


(2) Áp dụng kỹ thuật loại trừ sớm mẫu tiền tố không có khả năng sinh ra
mẫu tuần tự đóng mới;
(3) Mở rộng cho những mẫu tuần tự còn lại để sinh mẫu ứng viên mới
thông qua các phép giao trên bit;
(4) Kiểm tra mẫu tuần tự đóng trực tiếp dựa vào đặc điểm vị trí của mẫu.
Giai đoạn (2) đến (4) được lặp đi lặp lại nhiều lần cho đến khi không còn
mẫu tuần tự đóng nào được sinh ra.
2.4.3. Kết quả thực nghiệm
Kết quả thực nghiệm được thực hiện trên CSDL chuỗi tổng hợp với hai
thuật toán khai thác mẫu tuần tự đóng chuẩn gồm BIDE (Wang và đồng sự,
2007) và CloSpan (Yan và đồng sự, 2003). Với cùng tập mẫu tuần tự đóng
khai thác được của các thuật toán, các kết quả đã chứng minh được tính hiệu
quả của thuật toán CloFS-DBV cả về thời gian và không gian sử dụng trong
quá trình khai thác.
Chương 3. Phương pháp khai thác mẫu tuần tự liên chuỗi đóng
Chương này trình bày vấn đề khai thác mẫu tuần tự liên chuỗi và ý nghĩa
của việc khai thác mẫu tuần tự liên chuỗi đóng. Phần cuối của chương, luận
án trình bày thuật toán đề xuất cho bài toán khai thác mẫu tuần tự liên chuỗi
đóng.
3.1. Giới thiệu
Khác với bài toán khai thác mẫu tuần tự (chỉ quan tâm đến mối quan hệ
thứ tự diễn ra trong cùng một giao dịch), bài toán khai thác mẫu tuần tự liên
chuỗi quan tâm đến mối quan hệ giữa các giao dịch xảy ra tại các thời điểm
khác nhau. Bởi vì những giao dịch này có mối quan hệ chặt chẽ với nhau,
những giao dịch trước có thể ảnh hưởng đến những giao dịch xảy ra sau đó.

Khai thác mẫu tuần tự liên chuỗi là một mở rộng của khai thác mẫu tuần tự.

13


Do vậy, các thuật toán khai thác mẫu tuần tự liên chuỗi có thể được dùng
cho trường hợp khai thác mẫu tuần tự và cả mẫu tuần tự liên chuỗi tùy thuộc
vào khoảng thời gian cần xem xét giữa các giao dịch.
Thuật toán EISP-Miner (Wang và Lee, 2009) được đề xuất đầu tiên cho
phép khai thác mẫu tuần tự liên chuỗi giữa các giao dịch trong CSDL chuỗi.
Sau đó, thuật toán CISP-Miner (Wang và đồng sự, 2013) được đề xuất
cho phép khai thác mẫu tuần tự liên chuỗi đóng nhằm làm giảm số lượng mẫu
tuần tự liên chuỗi dư thừa trong tập khai thác được. Tuy nhiên, thuật toán này
vẫn còn tồn tại hạn chế là phải duy trì mẫu khai thác ở bước trước để phục
vụ cho việc kiểm tra mẫu đóng ở bước sau. Sau khi kiểm tra các mẫu này,
thuật toán sẽ quyết định giữ lại hoặc loại bỏ.
3.2. Các định nghĩa
Thuộc tính thời gian của CSDL chuỗi trong ngữ cảnh khai thác mẫu tuần
tự liên chuỗi có thể được định nghĩa thông qua các mẫu tuần tự tại các giao
dịch khác nhau (ID) trong CSDL.
Gọi 𝑡1 và 𝑡2 là thuộc tính thời gian tương ứng cho mẫu tuần tự 𝑆1 và 𝑆2 .
Nếu 𝑡1 được lấy làm thời điểm bắt đầu, khoảng cách thời gian giao dịch (gọi
là span) của 𝑆1 và 𝑆2 được định nghĩa là [𝑡2 – 𝑡1 ].
Mẫu tuần tự 𝑆2 tại thời điểm 𝑡2 so với 𝑡1 được gọi là mẫu tuần tự mở rộng
(e-seq) và được ký hiệu là 〈𝑆2 〉[𝑡2 – 𝑡1 ].
Giả sử có một e-seq 𝑆[𝑑] = 〈𝑒1 𝑒2 𝑒3 … 𝑒𝑚 〉[𝑑], trong đó 𝑒𝑗 là một tập sự
kiện 1 ≤ 𝑗 ≤ 𝑚 và [𝑑] là span của 𝑆. Trong đó, 𝑒𝑗 kết hợp với [d] được định
nghĩa là tập sự kiện mở rộng (e-iset), ký hiệu là 〈ej 〉[d]. Nếu ej =
(i1 i2 i3 … in ), với ik là một sự kiện (1 ≤ k ≤ n), ik kết hợp với [d] được định
nghĩa là sự kiện mở rộng (e-item), ký hiệu là ik [d].

Một mẫu tuần tự liên chuỗi là danh sách các e-seq liên tiếp trong CSDL
chuỗi. Số lượng e-item trong một mẫu được gọi là chiều dài của mẫu. Một
mẫu tuần tự liên chuỗi với chiều dài k được gọi là k-pattern.
14


Trong cùng một mẫu tuần tự liên chuỗi, span giữa ID của giao dịch thứ
nhất (t1 ) và ID của giao dịch cuối cùng (t x ) phải nhỏ hơn hay bằng với
maxSpan (t x – t1 ≤ maxSpan), trong đó maxSpan là ngưỡng span tối đa do
người dùng định nghĩa. Nếu maxSpan = 0, bài toán khai thác mẫu tuần tự
liên chuỗi sẽ trở thành bài toán khai thác mẫu tuần tự. Bảng 3-3 thể hiện ví
dụ về CSDL liên chuỗi với maxSpan = 1.
Bảng 3-3. Biểu diễn CSDL chuỗi theo dạng CSDL liên chuỗi
ID

Chuỗi
giao dịch

1 〈A(AC)〉

Mẫu tuần tự liên chuỗi (maxSpan = 1)
〈A(AC)〉[0]

2 〈A(ABC)B〉 〈A(ABC)B〉[1] 〈A(ABC)B〉[0]
3 〈A(BC)〉

〈A(BC)〉[1]

4 〈B〉

〈A(BC)〉[0]
〈B〉[1]

〈B〉[0]

Từ tập các mẫu tuần tự liên chuỗi đóng với chiều dài k (k ≥ 1), các mở
rộng mẫu tuần tự liên chuỗi được thực hiện để tạo thành các mẫu ứng viên
có chiều dài k + 1. Quá trình này được lặp đi lặp lại nhiều lần cho đến khi
không còn mẫu tuần tự liên chuỗi đóng mới nào được sinh ra.
Ngoài hai hình thức mở rộng như trong khai thác mẫu tuần tự (đã được đề
cập trong Chương 2), khai thác mẫu tuần tự liên chuỗi bổ sung thêm một hình
thức mở rộng liên chuỗi (mở rộng inter-sequence).
3.3. Đề xuất thuật toán khai thác mẫu tuần tự liên chuỗi đóng
Thuật toán ClosedISP đề xuất sử dụng cấu trúc DBV kết hợp với span và
thông tin giao dịch thành cấu trúc ClosedIS-Pattern để biểu diễn mẫu tuần tự
liên chuỗi đóng. Cấu trúc cây ClosedIS-Tree được dùng để lưu trữ tất cả mẫu
tuần tự liên chuỗi đóng. Chiến lược loại trừ và kiểm tra mẫu liên chuỗi đóng
được áp dụng trong thuật toán.

15


3.3.1. Cấu trúc dữ liệu ClosedIS-Pattern
Cấu trúc ClosedIS-Pattern là một mở rộng của cấu trúc CloFSDBVPattern (Chương 2). Trong đó, mỗi cấu trúc ClosedIS-Pattern gồm 2
phần: (i) Pattern: mẫu tuần tự với giá trị span tương ứng, và (ii) BlockeInfo:
DBV giao dịch và danh sách các vị trí xuất hiện trong mẫu tuần tự của các
giao dịch.
Với cấu trúc ClosedIS-Pattern, chiến lược loại trừ và kiểm tra hiệu quả
mẫu đóng có thể được thực hiện trực tiếp để tránh chi phí phát sinh mẫu và
duyệt lại CSDL, và độ hỗ trợ có thể được tính một cách nhanh chóng. Hơn

nữa, quá trình mở rộng mẫu được thực hiện thông qua thao tác trên bit gồm
dịch phải bit (≫) và phép giao (AND) trên bit.
3.3.2. Cấu trúc cây ClosedIS-Tree
Nhằm tăng hiệu quả việc khai thác luật và duyệt chiều sâu theo từng tiền
tố, các mẫu tuần tự liên chuỗi đóng cũng được lưu trữ trong cấu trúc cây tiền
tố được gọi là cây ClosedIS-Tree. Mỗi nút chứa thông tin ClosedIS-Pattern.
Tương tự như cấu trúc cây tiền tố được trình bày trong Chương 2, nút gốc
của cây (root) tại mức trên cùng và được gán nhãn là NULL. Tuy nhiên, quá
trình mở rộng của mỗi nút trên cây được bổ sung thêm một hình thức mở
rộng mới (mở rộng inter-sequence).
3.3.3. Thuật toán ClosedISP
Thuật toán ClosedISP gồm bốn giai đoạn chính: (1) Duyệt CSDL chuỗi
ban đầu để tìm tập những mẫu tuần tự liên chuỗi có chiều dài 1 và được lưu
theo cấu trúc ClosedIS-Pattern, (2) Kiểm tra và loại trừ sớm tiền tố không có
khả năng mở rộng, (3) mở rộng những mẫu có khả năng sinh ra mẫu tuần tự
liên chuỗi đóng, và cuối cùng là (4) kiểm tra mẫu đóng trực tiếp để quyết
định lưu lại hoặc không.
Đối với mẫu có chiều dài 1, việc mở rộng mẫu sẽ được tiến hành để tạo
các mẫu tuần tự liên chuỗi chiều dài 2 gồm các mẫu: mẫu được mở rộng theo
16


sequence, mẫu được mở rộng theo itemset và mẫu được mở rộng theo intersequence. Số lượng mẫu được mở rộng theo inter-sequence tùy thuộc vào giá
trị maxSpan được cung cấp.
Tiếp theo, thuật toán sẽ tiến hành mở rộng theo ba hình thức cho những
mẫu có độ dài k (k > 1) để tạo thành các mẫu có độ dài k + 1. Quá trình thực
hiện này lặp lại cho đến khi không có thêm mẫu tuần tự liên chuỗi đóng mới
được sinh ra.
3.3.4. Kết quả thực nghiệm
Kết quả thực nghiệm được thực hiện trên CSDL tổng hợp (được phát sinh

từ công cụ sinh dữ liệu của IBM) và CSDL thực (Gazelle) để đánh giá hiệu
quả của thuật toán được đề xuất. Thuật toán CISP-Miner được dùng để so
sánh hiệu quả thực thi về thời gian và bộ nhớ sử dụng.
Chương 4. Phương pháp khai thác luật tuần tự không dư thừa
Chương này trình bày giai đoạn tiếp theo của khai thác CSDL chuỗi.
Trong đó, bên cạnh trình bày cơ sở lý thuyết về kỹ thuật khai thác luật tuần
tự và phương pháp khai thác luật tuần tự không dư thừa từ CSDL chuỗi. Luận
án cũng sẽ trình bày kết quả nghiên cứu và phát triển một số kỹ thuật sinh
luật tuần tự không dư thừa.
4.1. Giới thiệu
Khai thác luật tuần tự là giai đoạn tiếp theo sau khi khai thác mẫu tuần tự.
Mục tiêu của khai thác luật tuần tự là tìm mối quan hệ giữa sự xuất hiện của
các sự kiện tuần tự trong CSDL chuỗi. Một luật tuần tự được thể hiện dưới
dạng r = X → Y. Nghĩa là, nếu X xuất hiện trong mẫu tuần tự của CSDL thì
Y cũng xuất hiện trong mẫu tuần tự đó và ngay sau X với độ tin cậy cao.
Tập mẫu tuần tự khai thác được ảnh hưởng rất lớn đến việc sinh ra luật
tuần tự. Nếu các mẫu thu được quá lớn và nhiều mẫu không cần thiết thì sẽ
dẫn đến việc sinh ra luật dư thừa và tác động đến thời gian khai thác luật.
17


Tiếp cận theo hướng khai thác tập mẫu tuần tự đóng và tập sinh để giải
quyết vấn đề sinh ra luật tuần tự không dư thừa. Trong đó, tiêu biểu là thuật
toán CNR (Lo và đồng sự, 2009).
Tuy nhiên, phần lớn các thuật toán được đề xuất một cách độc lập theo
từng mục đích khai thác. Vì thế, hạn chế của những thuật toán khai thác luật
là sinh luật tuần tự dựa vào kết quả của những thuật toán khai thác mẫu phổ
biến sẵn có. Do vậy, chúng phải phụ thuộc hoàn toàn vào cấu trúc dữ liệu của
mẫu phổ biến khai thác được. Muốn tăng hiệu quả sinh luật, các thuật toán
này phải xây dựng lại cấu trúc dữ liệu tổ chức các mẫu tuần tự cho phù hợp

trước khi bắt đầu thực hiện quá trình sinh luật.
4.2. Các định nghĩa
Một luật tuần tự thể hiện mối quan hệ thứ tự thời gian xuất hiện giữa các
mẫu

tuần

tự

trong CSDL chuỗi và được ký hiệu là
r = 〈pre〉 → 〈post〉, {sup(r), conf(r)}, với pre và post là phần đầu và cuối
được tách ra từ một mẫu tuần tự X ban đầu trong CSDL.
Với sup(r) = sup(X), conf(r) = sup(r)/sup(〈pre〉) là giá trị hỗ trợ và
độ tin cậy tương ứng của r.
Cho ngưỡng phổ biến tối thiểu minSup và ngưỡng tin cậy tối thiểu
minConf. Nếu sup(r) ≥ minSup thì r được xem là luật tuần tự phổ biến. Nếu
conf(r) ≥ minConf thì r được gọi là luật tuần tự tin cậy.
Một luật tuần tự được gọi là dư thừa nếu nó có thể được suy dẫn bởi một
luật khác.
Một mẫu tuần tự P được xem là tiền tố sinh (prefixed generator) nếu không
tồn tại P′ sao cho P′ ⊂ P ∧ sup(P ′ ) = sup(P).
Luật r = pre → post được gọi là luật tuần tự không dư thừa nếu thỏa cả
hai điều kiện: Vế trái và vế phải của luật được tạo ra từ mẫu tuần tự đóng và
vế trái phải là tiền tố sinh.

18


Cho hai ngưỡng phổ biến tối thiểu minSup và ngưỡng tin cậy tối thiểu
minConf, mục tiêu của của thuật toán trình bày trong chương này là tìm tập

những luật tuần tự không dư thừa (NR − Rule) từ CSDL chuỗi. Với định
nghĩa luật tuần tự không dư thừa, luận án đã chứng minh NR − Rule là tập
luật tuần tự đầy đủ và không dư thừa.
4.3. Các công trình nghiên cứu liên quan
Vào năm 1999, Spiliopoulou đã đề xuất một phương pháp sinh một tập
hoàn chỉnh các luật tuần tự từ mẫu tuần tự sau đó loại trừ những luật dư thừa
trong giai đoạn sau đó.
Sau đó, Lo và đồng sự năm 2009 đã đề xuất thuật toán khai thác luật không
dư thừa với tên gọi CNR (Lo và đồng sự, 2009) cho khai thác tập nén của
luật tuần tự không dư thừa từ mẫu tuần tự đóng và tập sinh. Các tập mẫu tuần
tự đóng được khai thác từ thuật toán BIDE.
Tiếp cận theo hướng tổ chức mẫu tuần tự trên cây tiền tố, dựa vào đặc tính
của cây tiền tố, một số thuật toán được đề xuất kỹ thuật sinh luật tuần tự dựa
vào cấu trúc cây tiền tố đã chứng tỏ được hiệu quả khai thác như CloGen
(Pham và đồng sự, 2013), MNSR_PreTree (Pham và đồng sự, 2014), và
IMSR_PreTree (Van và đồng sự, 2014).
Tuy nhiên, các thuật toán này dựa vào tập mẫu tuần tự (được khai thác từ
một thuật toán khai thác mẫu tuần tự nào đó) để tổ chức lại thành cấu trúc
cây tiền tố. Tiếp theo, trên cấu trúc cây tiền tố, các thuật toán tiến hành duyệt
cây và đánh dấu những nút là tiền tố, những nút là hậu tố. Sau đó, các thuật
toán này mới bắt đầu quá trình sinh luật. Do vậy, sẽ tốn nhiều thời gian biến
đổi hoặc xây dựng lại cấu trúc tổ chức của mẫu tuần tự để có thể phát sinh
luật tuần tự có hiệu quả.
4.4. Thuật toán khai thác luật không dư thừa
Thuật toán đề xuất cải tiến, với tên gọi NRD-DBV cho phép khai thác
hiệu quả luật tuần tự không dư thừa bằng cách kết hợp giai đoạn khai thác
19


mẫu tuần tự với giai đoạn phát sinh luật trực tiếp từ CSDL chuỗi ban đầu.

Thuật toán vẫn áp dụng cấu trúc nén với định dạng dữ liệu dọc của cấu trúc
dữ liệu DBV và dựa vào đặc điểm của cấu trúc cây tiền tố, một số kỹ thuật
loại trừ sớm để sinh luật không dư thừa.
Quá trình khai thác mẫu tuần tự đóng được mở rộng từ thuật toán CloFSDBV được trình bày trong Chương 2. Trong đó, cùng với quá trình khai thác
mẫu, thuật toán đã khai thác mẫu là tiền tố sinh. Do vậy, thuật toán không
cần phải duyệt lại tập mẫu tuần tự để tìm tiền tố sinh.
Sau khi tìm tất cả mẫu tuần tự đóng, thuật toán bắt đầu sinh tất cả các luật
không dư thừa. Đối với mỗi tiền tố sinh trong nút của cây tiền tố, thuật toán
sinh tất cả các luật trong các cây con của nút đang xét. Trong quá trình này,
quá trình tỉa nhánh được áp dụng khi phát hiện luật có độ tin cậy thấp.
4.5. Độ phức tạp của thuật toán NRD-DBV
Gọi n là số lượng nút trong cây tiền tố (tập các mẫu tuần tự đóng), và k là
số lượng trung bình các nút con trong cây. Quá trình sinh luật của thuật toán
sẽ thực hiện là n × k lần. Mặc khác, do k ≪ n (theo kết quả thực nghiệm),
nên độ phức tạp của thuật toán NRD-DBV sẽ là ≈ O(n).
4.6. Kết quả thực nghiệm
Kết quả thực nghiệm so sánh với thuật toán chuẩn CNR (Lo và đồng sự,
2009). Việc so sánh hiệu quả của các thuật toán được thực hiện trên cùng tập
luật được sinh ra với tiêu chí so sánh là thời gian và bộ nhớ sử dụng.
Thực nghiệm được tiến hành trên cả hai loại tập dữ liệu: CSDL tổng hợp
và CSDL thực đã cho thấy hiệu quả của thuật toán đề xuất.
Phần kết luận
Phần này tóm tắt những kết quả đạt được trong quá trình nghiên cứu của
luận án và đề xuất các hướng phát triển, nghiên cứu tiếp theo.

20


1. Kết luận
Luận án đã trình bày tổng quan, cơ sở lý thuyết, các vấn đề và các kỹ thuật

được nghiên cứu và đề xuất trong khai thác hiệu quả dữ liệu chuỗi. Thông
qua các khảo sát và nghiên cứu các công trình được đề xuất trong và ngoài
nước có liên quan đến luận án đã cho thấy các thuật toán khai thác mẫu tuần
tự hiệu quả cần xem xét ba đặc điểm:
(i) Sử dụng cấu trúc dữ liệu có kích thước tối ưu biểu diễn cho CSDL
chuỗi, tránh duyệt CSDL nhiều lần;
(ii) Loại trừ sớm các mẫu ứng viên;
(iii) Duy trì không gian tìm kiếm hẹp.
Các kết quả đạt được của luận án bao gồm:
(1) Phát triển cấu trúc dữ liệu mới cho bài toán
Mở rộng và phát triển định dạng dọc dữ liệu dùng cấu trúc vector bit
động kết hợp với thông tin vị trí các giao dịch của các mẫu tuần tự trong quá
trình khai thác mẫu tuần tự và luật tuần tự không dư thừa:
- Với cấu trúc này, thuật toán được đề xuất chỉ duyệt CSDL duy nhất
một lần, việc tính độ hỗ trợ của mẫu đơn giản thông qua số lượng bit 1
trong mẫu tuần tự (dùng kỹ thuật bảng tra)
- Thao tác mở rộng mẫu đều được thực hiện hoàn toàn bằng các phép
toán trên bit bao gồm: phép dịch phải (shift right) bit và phép giao
(AND) trên bit.
- Hơn nữa, do đặc điểm của mẫu tuần tự có thứ tự theo vị trí các giao
dịch nên thuật toán dựa vào các thông tin vị trí của mỗi mẫu tuần tự sẽ
giúp quá trình tỉa mẫu, kiểm tra mẫu dư thừa đơn giản và hiệu quả hơn.
Phát triển cấu trúc cây tiền tố cho việc lưu trữ các thông tin khai thác
được trong các giai đoạn khai thác mẫu tuần tự và sinh luật tuần tự:

21


- Cấu trúc cây tiền tố giúp quá trình khai thác được duyệt theo chiều
sâu, dữ liệu được nén theo tiền tố, quá trình xét mẫu độc lập theo từng

lớp tương đương (có cùng tiền tố).
- Ngoài ra, cây tiền tố rất hiệu quả cho quá trình sinh luật luần tự và tỉa
nhánh những mẫu tuần tự không có khả năng sinh ra những luật tuần tự
có độ tin cậy cao.
(2) Đề xuất phương pháp và thuật toán cho bài toán
Trên cơ sở cấu trúc dữ liệu được đề xuất, luận án đã trình bày các định
nghĩa về mở rộng mẫu tuần tự, mở rộng mẫu tuần tự liên chuỗi.
Ngoài ra, định nghĩa về đặc điểm mở rộng của mẫu tuần tự dựa vào thông
tin vị trí giao dịch của mẫu và mở rộng tính chất Apriori vào quá trình sinh
luật của các mẫu tuần tự dựa vào cấu trúc cây tiền tố cũng được trình bày
trong luận án.
Các định nghĩa trong luận án được áp dụng vào các kỹ thuật đề xuất dưới
đây nhằm tăng hiệu quả khai thác bao gồm:
- Kỹ thuật loại trừ sớm ứng viên nhằm tránh sinh ra chuỗi ứng viên mới
không cần thiết sau khi mở rộng chuỗi dựa vào định nghĩa và tính chất mở
rộng lùi (Backward-Extension) của mẫu tuần tự.
- Kỹ thuật kiểm tra mẫu phổ biến đóng trực tiếp dựa vào thông tin vị trí
chuỗi dựa vào định nghĩa và tính chất mở rộng lùi và mở rộng tiến của
chuỗi (Forward-Extension).
- Kỹ thuật phát hiện sớm và tỉa những mẫu tuần tự không có khả năng
sinh luật đủ ngưỡng độ tin cậy dựa vào tính chất Apriori và đặc điểm của
cây tiền tố nhằm giảm các bước không cần thiết trong quá trình sinh luật
tuần tự.
(3) Các công trình đã được công bố
- Thuật toán khai thác mẫu tuần tự liên chuỗi [CT1].
- Thuật toán khai thác mẫu tuần tự đóng [CT2].
22


- Thuật toán khai thác mẫu tuần tự liên chuỗi đóng [CT3].

- Thuật toán khai thác luật tuần tự không dư thừa [CT4].
2. Hướng nghiên cứu tiếp theo
Vấn đề khai thác dữ liệu chuỗi đang được quan tâm và phát triển rất nhanh
chóng do tính ứng dụng cao trong thực tiễn. Mặc dù đã có rất nhiều nghiên
cứu liên quan nhằm tăng hiệu quả khai thác, cần có những nghiên cứu tiếp
theo trên CSDL chuỗi để giải quyết một số vấn đề nhằm đáp ứng yêu cầu
trong bối cảnh hiện tại và tương lai. Qua quá trình thực hiện và các kết quả
nghiên cứu, luận án đề xuất các hướng cần tập trung nghiên cứu tiếp theo,
bao gồm:
(1) Nghiên cứu và tìm kiếm một cấu trúc dữ liệu để biểu diễn thông tin mẫu
và phù hợp trong quá trình khai thác hiệu quả hơn. Áp dụng các kỹ thuật công
nghệ mới, các hệ thống quản trị dữ liệu mới, kết hợp các kỹ thuật khai thác
từng phần, chia nhỏ không gian tìm kiếm, khai thác song song trên các dạng
dữ liệu như dữ liệu bản đồ, dữ liệu thiên nhiên, thời tiết hay mạng xã hội.
(2) Nghiên cứu về kỹ thuật khai thác phân tán trên các CSDL phân tán trên
các hệ thống khác nhau.
(3) Đối với từng loại ứng dụng cụ thể, có thể bổ sung thêm những thông tin
ràng buộc trên sự kiện hay trên giao dịch vào quá trình khai thác nhằm tăng
cường tính chủ động của người dùng trong quá trình sử dụng công cụ khai
thác.
(4) Trong thực tế các mẫu tuần tự hay các sự kiện trong chuỗi có vai trò quan
trọng không đồng đều trong CSDL chuỗi. Do vậy, việc bổ sung các trọng số
cho các mẫu tuần tự hay các sự kiện giúp cho việc khám phá được những
mẫu và luật tuần tự phù hợp theo từng ngữ cảnh khác nhau của từng ứng dụng
cần khai thác.

23