Nghiên cứu khai phá dữ liệu web và ứng dụng tìm kiếm trích chọn thông tin chủ đề

LỜI CẢM ƠN
Để hoàn thành được tốt báo cáo này, em xin gửi lời cảm ơn chân thành nhất
đến thầy giáo ThS.Trần Hải Thanh. Thầy đã hướng dẫn dìu dắt và tạo điều kiện
giúp đỡ em trong thời gian thực hiện đề tài báo cáo đồ án. Thầy không chỉ truyền lại
cho chúng em những kiến thức chuyên nghành mà còn rèn luyện cho chúng em nghị
lực, khát khao vươn lên, phát huy khả năng tư duy sáng tạo trong mọi lĩnh vực. Bên
cạnh đó, em còn có cơ hội được tiếp xúc và làm việc trong một môi trường chuyên
nghiệp và thực tế.
Sau một thời gian tìm hiểu đề tài, em đã hoàn thành đúng tiến độ dự kiến. Để
đạt được kết quả này, em đã nỗ lực thực hiện và đồng thời cũng nhận được rất nhiều
sự giúp đỡ, quan tâm, ủng hộ của các thầy cô bạn bè và gia đình.
Em xin chân thành cảm ơn các thầy cô và ban lãnh đạo trường Đại học Công
nghệ thông tin và truyền thông – Đại học Thái Nguyên đã nhiệt tình giảng dạy và
truyền đạt kiến thức quý báu và bổ ích trong suốt quá trình em học tập tại trường.
Vì thời gian có hạn nên không thể tránh khỏi những thiếu sót, em rất mong
nhận được sự đóng góp ý kiến từ thầy cô và các bạn. Em xin chân thành cảm ơn!

Thái Nguyên, ngày

tháng 05 năm 2017

Sinh viên thực hiện

Đinh Hữu Vĩ

1


LỜI CAM ĐOAN

Em xin cam đoan đồ án này là quá trình nghiên cứu độc lập của riêng em.

Các số liệu sử dụng phân tích trong đồ án có nguồn gốc rõ ràng, đã công bố theo
đúng quy định. Các kết quả nghiên cứu trong đồ án do em tự tìm hiểu, phân tích
một cách trung thực, khách quan và phù hợp với thực tế. Các kết quả này chưa từng
được công bố trong bất kỳ nghiên cứu nào khác.

Thái Nguyên, ngày

tháng 05 năm 2017

Sinh viên thực hiện

Đinh Hữu Vĩ

2


MỤC LỤC
LỜI CẢM ƠN ......................................................................................................... 1
LỜI CAM ĐOAN .................................................................................................... 2
MỤC LỤC .............................................................................................................. 3
DANH MỤC HÌNH ................................................................................................ 5
DANH MỤC CÁC TỪ VIẾT TẮT.......................................................................... 6
LỜI MỞ ĐẦU ......................................................................................................... 7
CHƯƠNG 1: GIỚI THIỆU VỀ KHAI PHÁ DỮ LIỆU............................................ 9
1.1. Khai phá dữ liệu ........................................................................................... 9
1.2. Các chức năng chính của khai phá dữ liệu .................................................. 10
1.3. Khai phá dữ liệu văn bản (TextMining) và khai phá dữ liệu web (WebMining). ... 11
1.3.1. Các bài toán trong khai phá dữ liệu văn bản ........................................ 11
1.3.2. Khai phá dữ liệu Web .......................................................................... 14
1.4. Cơ sở dữ liệu HYPERTEXT và FULLTEXT ............................................ 18

1.4.1 Cơ sở dữ liệu FullText .......................................................................... 18
1.4.2 Cơ sở dữ liệu HyperText ...................................................................... 20
1.5. Ứng dụng của khai phá dữ liệu ................................................................... 21
CHƯƠNG 2: PHÂN CỤM DỮ LIỆU VÀ TRÍCH CHỌN THÔNG TIN .............. 23
2.1. Giới thiệu về RSS ....................................................................................... 23
2.1.1. RSS là gì ?.......................................................................................... 23
2.1.2. Cấu trúc file RSS. ................................................................................ 24
2.2. Mô hình tần suất ......................................................................................... 25
2.2.1. Phương pháp dựa trên tần số từ khóa (TF – Term Frequency) ............. 25
2.2.2. Phương pháp dựa trên nghịch đảo tần số văn bản (IDF – Inverse
Document Frequency) ................................................................................... 25
2.2.3. Phương pháp TF × IDF ....................................................................... 26
2.3. Phân cụm là gì ............................................................................................ 27
2.3.1. Các kiểu dữ liệu trong phép phân cụm ................................................. 28
2.3.2. Độ không tương đồng và tương đồng: Đo chất lượng phân cụm .......... 29
2.3.3. Phân loại các phương pháp phân cụm chính ........................................ 30
2.4. Thuật toán K-means ................................................................................... 33

3


2.5. Độ tương đồng............................................................................................ 34
2.5.1. Khái niệm độ tương đồng .................................................................... 34
2.5.2. Độ tương đồng .................................................................................... 35
2.5.3. Các phương pháp tính độ tương đồng .................................................. 35
2.6. Khám phá tri thức và khai phá dữ liệu ........................................................ 38
2.7. Qúa trình khám phá tri thức ........................................................................ 40
2.7.1. Gom dữ liệu (Gathering) ..................................................................... 41
2.7.2. Trích lọc dữ liệu (Selection) ................................................................ 41
2.7.3. Làm sạch, tiền xử lý và chuẩn bị trước dữ liệu (Cleansing, Preprocessing and Preparation) .......................................................................... 41

2.7.4. Chuyển đổi dữ liệu (Transformation)................................................... 42
2.7.5. Khai phá dữ liệu (Data Mining) ........................................................... 42
2.7.6. Đánh giá kết quả mẫu (Evaluation of Result)....................................... 42
2.8. Các loại dữ liệu có thể khai phá .................................................................. 42
2.9. Các phương pháp, kỹ thuật chính trong khai phá dữ liệu ............................ 43
2.9.1 . Phân lớp và dự đoán (Classification & Prediction) ............................. 43
2.9.2. Phân nhóm- đoạn (Clustering / Segmentation) ..................................... 46
2.10. Những thách thức trong khai phá dữ liệu .................................................. 46
CHƯƠNG 3: DEMO ỨNG DỤNG THUẬT TOÁN ............................................. 48
3.1. Chuẩn bị về dữ liệu..................................................................................... 48
3.1.1. Lấy RSS (file xml) .............................................................................. 48
3.1.2. Xử lý dữ liệu thô ................................................................................. 49
3.1.3. Đưa các từ về nguyên thể .................................................................... 50
3.2. Các bước tìm kiếm độ tương đồng .............................................................. 53
3.2.1. Truy vấn chuỗi đầu vào với các lớp ..................................................... 53
3.2.2. Độ chính xác, hồi quy và độ đo F1 ...................................................... 54
KẾT LUẬN ........................................................................................................... 57
TÀI LIỆU THAM KHẢO ..................................................................................... 58

4


DANH MỤC HÌNH
Hình 1: Các nội dung trong khai phá Web ............................................................. 18
Hình 2: Cấu trúc dữ liệu RSS ................................................................................ 24
Hình 3: Dữ liệu XML gốc lấy từ tramg web .......................................................... 48
Hình 4: Dữ liệu XML sau khi được chia theo từng chủ đề ..................................... 48
Hình 5: Xử lý dữ liệu thô ....................................................................................... 49
Hình 6: Làm sạch dữ liệu....................................................................................... 49
Hình 7: Các từ thông dụng ..................................................................................... 50

Hình 8: Bảng quy ước để chuyển các từ về nguyển thẻ .......................................... 50
Hình 9: Hình ảnh sau khi đã chuyển các từ về nguyên thể. .................................... 51
Hình 10: Các từ dừng (stop word) ......................................................................... 51
Hình 11: Cấu trúc Folder TFIDF ........................................................................... 52
Hình 12: Nội dung file TFIDF. .............................................................................. 53
Hình 13: Tính độ quan trọng của từ. ...................................................................... 54
Hình 14: Ảnh kết quả đầu vào 1 ............................................................................ 55
Hình 15: Ảnh kết quả đầu vào 2 ............................................................................ 56

5


DANH MỤC CÁC TỪ VIẾT TẮT
STT

Từ viết tắt

Từ đầy đủ

1.

TP

True Positive

2.

FP

False Positive

3.

FN

False Negative

4.

TN

True Negative

5.

TF

Term Frequency

6.

IDF

Inverse Document Frequency

7.

RSS

Real Simple Syndrication

8.

KPDL

Khai Phá Dữ Liệu

6


LỜI MỞ ĐẦU
Lý do chọn đề tài
Hơn bốn thập niên kể từ khi Internet ra đời cho đến nay, nó mang lại rất
nhiều tiện ích hữu dụng cho người sử dụng như: Hệ thống thư điện tử (Email), trò
chơi (Game), trò chuyện trực tuyến (Chat), máy truy vấn dữ liệu (Search engine),
các dịch vụ thương mại, y tế và giáo dục. 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 bản chứa đựng văn bản và thường nhúng các liên kết
đến các tài liệu khác phân bố trên Web. Ngày nay, Web bao gồm hàng tỉ tài liệu của
hàng triệu tác giả được tạo ra và được phân tán qua hàng triệu máy tính được kết
nối qua đường hữu tuyến (dây điện thoại, cáp quang) và đường vô tuyến (sóng
radio, bức xạ hồng ngoại hay sóng truyền qua vệ tinh). Web đang ngày càng được
sử dụng phổ biến trong nhiều lĩnh vực như báo chí, phát thanh, truyền hình, hệ
thống bưu điện, trường học, các tổ chức thương mại, chính phủ. Chính vì vậy lĩnh
vực Web mining hay tìm kiếm các thông tin phù hợp 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. 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 sử dụng trong việc lấy được các
thông tin cần thiết.
Có nhiều hướng tiếp cận khác nhau để giải quyết vấn đề này, các hường này
thường chú ý giảm sự nhập nhằng bằng các phương pháp tìm kiếm trích chọn thông
tin hay thêm các tùy chọn để cắt bớt thông tin và hướng biểu diễn các thông tin trả
về bởi các máy tìm kiếm thành từng cụm, lớp để cho người dùng có thể dễ dàng tìm
được thông tin mà họ cần. Đã có nhiều thuật toán phân cụm, phân lớp để tìm kiếm
thông tin. Tuy nhiên việc tập hợp tài liệu của các máy tìm kiếm là quá lớn và luôn
thay đổi để có thể phân cụm ngoại tuyến. Do đó, việc phân cụm phải được ứng dụng
trên tập các tài liệu nhỏ hơn được trả về từ các truy vấn và thay vì trả về một danh

7


sách rất dài các thông tin gây nhập nhằng cho người sử dụng cần có một phương
pháp tổ chức lại các kết quả tìm kiếm một cách hợp lý. Do những vấn đề cấp thiết
được đề cập ở trên nên nhóm em chọn đề tài: “Nghiên cứu khai phá dữ liệu Web và
Ứng dụng tìm kiếm trích chọn thông tin chủ đề”.
Mục tiêu và nhiệm vụ nghiên cứu
Mục đích của đề tài là nghiên cứ áp dụng tìm kiến và trích chọn mẫu mới,
hữu ích, hiểu được, tiềm ẩn trong Web. Những thông tin theo chủ đề nhanh, chính
xác và đầy đủ, thông tin tiềm ẩn bên trong nội dung trong Web đó và những thông
tin quan trọng hay những luồng thông tin tốt nhất trên trang Web tìm kiếm trả về kết
quả phù hợp với yêu cầu người dùng.
Mục tiêu cụ thể như sau”
Nghiên cứu tìm kiếm
Nghiên cứu ký thuật tìm kiếm trên Web.
Hiểu quả tìm kiếm một cách nhanh chóng và chính xác trên Web.
Thông tin tìm kiếm trên Web đầy đủ nguyên vẹn, cô đọng.

Nghiên cứu về trích chọn
Những thông tin cần khai thác còn tiềm ẩn trong một câu, một vùng văn bản
và một phân vùng của trang Web.
Những vấn đề khó khăn khi thực hiện về việc trích chọn thông tin chủ đề ẩn
trên Web.
Đưa ra những luồng thông tin theo chủ đề tốt nhất để đáp ứng yêu cầu của
người sử dụng.
Ứng dụng thực tế
Sử dụng quy trình khai phá dữ liệu dạng Web trong việc tìm kiếm trích chọn
thông tin theo chủ đề trên những trang Web vào thực tế để đáp ứng theo yêu cầu của
người sử dụng.
Lấy được nững thông tin quý giá tiềm ẩn bên trong trang Web đó, để đáp
ứng được yêu cầu tìm kiếm tối ưu cho người dùng.
Tìm kiếm trích chọn các mẫu hoặc tri thức hấp dẫn (không tầm thường, ẩn,
chưa biết và hữu dụng về tiềm năng) từ một tập hợp lớn dữ liệu, để kết quả đạt được
đáp ứng yêu cầu xã hội hiện nay.

8


CHƯƠNG 1:
GIỚI THIỆU VỀ KHAI PHÁ DỮ LIỆU
1.1. Khai phá dữ liệu
Khai phá dữ liệu (Data Mining) là rút trích dữ liệu hoặc các tri thức quan
trọng từ một khối dữ liệu lớn (Data set). Ngày nay, lượng dữ liệu đang ngày càng
tăng lên khiến cho chúng ta bị ngập trong khối dữ liệu khổng lồ đó, nhưng những
dữ liệu thực sự có giá trị thì lại nằm trong chính khối dữ liệu đó.
Do vậy, khai phá dữ liệu (Data mining) ra đời để giúp ta chắt lọc được
những thông tin có giá trị từ những khối dữ liệu thô khổng lồ ta nhận được. Khai
phá dữ liệu là một bước trong bảy bước của quá trình KDD (Knowledge Discovery

in Database - Khám phá tri thức trong cơ sở dữ liệu) và KDD được xem như 7 quá
trình khác nhau theo thứ tự sau:
1. Làm sạch dữ liệu (data cleaning & preprocessing): Loại bỏ nhiễu và các
dữ liệu không cần thiết.
2. Tích hợp dữ liệu: (data integration): Quá trình hợp nhất dữ liệu thành
những kho dữ liệu (data warehouses & data marts) sau khi đã làm sạch và tiền xử lý
(data cleaning & preprocessing).
3. Trích chọn dữ liệu (data selection): Trích chọn dữ liệu từ những kho dữ
liệu và sau đó chuyển đổi về dạng thích hợp cho quá trình khai thác tri thức. Quá
trình này bao gồm cả việc xử lý với dữ liệu nhiễu (noisy data), dữ liệu không đầy đủ
(incomplete data), .v.v.
4. Chuyển đổi dữ liệu: Các dữ liệu được chuyển đổi sang các dạng phù hợp
cho quá trình xử lý.
5. Khai phá dữ liệu(data mining): Là một trong các bước quan trọng nhất,
trong đó sử dụng những phương pháp thông minh để chắt lọc ra những mẫu dữ liệu.
6. Ước lượng mẫu (knowledge evaluation): Quá trình đánh giá các kết quả
tìm được thông qua các độ đo nào đó.
7. Biểu diễn tri thức (knowledge presentation): Quá trình này sử dụng các kỹ
thuật để biểu diễn và thể hiện trực quan cho người dùng.

9


1.2. Các chức năng chính của khai phá dữ liệu
Data Mining được chia nhỏ thành một số hướng chính như sau:
• Mô tả khái niệm (concept description): Thiên về mô tả, tổng hợp và tóm tắt
khái niệm. Ví dụ: tóm tắt văn bản.
• Luật kết hợp (association rules): Là dạng luật biểu diễn tri thứ ở dạng khá
đơn giản. Ví dụ: “60 % nam giới vào siêu thị nếu mua bia thì có tới 80% trong số họ
sẽ mua thêm thịt bò khô”. Luật kết hợp được ứng dụng nhiều trong lĩnh vực kính

doanh, y học, tin-sinh, tài chính & thị trường chứng khoán, .v.v.
• Phân lớp và dự đoán (classification & prediction): Xếp một đối tượng vào
một trong những lớp đã biết trước. Ví dụ: phân lớp vùng địa lý theo dữ liệu thời tiết.
Hướng tiếp cận này thường sử dụng một số kỹ thuật của machine learning như cây
quyết định (decision tree), mạng nơ ron nhân tạo (neural network), .v.v. Người ta
còn gọi phân lớp là học có giám sát (học có thầy).
• Phân cụm (clustering): Xếp các đối tượng theo từng cụm (số lượng cũng
như tên của cụm chưa được biết trước. Người ta còn gọi phân cụm là học không
giám sát (học không thầy).
• Khai phá chuỗi (sequential/temporal patterns): Tương tự như khai phá luật
kết hợp nhưng có thêm tính thứ tự và tính thời gian. Hướng tiếp cận này được ứng

10


dụng nhiều trong lĩnh vực tài chính và thị trường chứng khoán vì nó có tính dự báo
cao.
1.3. Khai phá dữ liệu văn bản (TextMining) và khai phá dữ liệu web (WebMining).
1.3.1. Các bài toán trong khai phá dữ liệu văn bản
1. Tìm kiếm văn bản
a. Nội dung
Tìm kiếm văn bản là quá trình tìm kiếm văn bản theo yêu cầu của người
dùng, Các yêu cầu được thể hiện dưới dạng các câu hỏi (query), dạng câu hỏi đơn
giản nhất là các từ khóa.
Có thể hình dung hệ tìm kiếm văn bản sắp xếp văn bản thành hai lớp: Một
lớp cho ra những văn bản thỏa mãn với câu hỏi đưa ra và một lớp không hiển thị
những văn bản không được thỏa mãn. Các hệ thông thực tế hiện nay không hiển thị
như vậy mà đưa ra cá danh sách văn bản theo độ quan trọng của băn bản tùy theo
các câu hỏi đưa vào, ví dụ điển hình là các máy tìm tin như Google, Altavista,
Bing…

b. Quá trình
Quá trình tìm tin được chia thành bốn quá trình chính :
Đánh chỉ số (indexing): Các văn bản ở dạng thô cần được chuyển sang một
dạng biểu diễn nào đó để xử lý. Quá trình này còn được gọi là quá trình biểu diễn
văn bản, dạng biểu diễn phải có cấu trúc và dễ dàng khi xử lý.
Định dạng câu hỏi: Người dùng phải mô tả những yêu cầu về lấy thông tin
cần thiết dưới dạng câu hỏi. Các câu hỏi này phải được biểu diễn dưới dạng phổ
biến cho các hệ tìm kiếm như nhập vào các từ khóa cần tìm. Ngoài ra còn có các
phương pháp định dạng câu hỏi dưới dạng ngôn ngữ tự nhiên hoặc dưới dạng các ví
dụ, đối với các dạngnày thì cần có các kỹ thuật xử lý phức tạp hơn. Trong các hệ
tìm tin hiện nay thì đại đa số là dùng câu hỏi dưới dạng các từ khóa.
So sánh: Hệ thống phải có sự so sánh rõ ràng và hoàn toàn câu hỏi các câu
hỏi của người dùng với các văn bản đượcl ưu trữ trong CSDL. Cuối cùng hệ đưa ra
một quyết định phân loại các văn bản có độ liên quan gầnvới câu hỏi đưa vào và thứ
tự của nó. Hệ sẽ hiển thị toàn bộ văn bản hoặc chỉ một phần văn bản.

11


Phản hồi: Nhiều khi kết quả được trả về ban đầu không thỏa mãn yêu cầu
của người dùng, do đó cần phải có qua trình phản hồi để người dùng có thểt hay đổi
lại hoặc nhập mới các yêu cầu của mình. Mặt khác, người dùng có thể tương tác với
các hệ về các văn bản thỏa mãn yêu cầu của mình và hệ có chức năng cập nhậu các
văn bản đó. Quá trình này được gọi là quá trình phản hồi liên quan (Relevance
feeback).
Các công cụ tìm kiếm hiện nay chủ yếu tập trung nhiều vào ba quá trình đầu,
còn phần lớn chưa có quá trình phản hồi hay xử lý tương tác người dùng và máy.
Quá trình phản hồi hiện nay đang được nghiên cứu rộng rãi và riêng trong quá trình
tương tác giao diện người máy đã xuất hiện hướng nghiên cứu là interface agent.
2. Phân lớp văn bản(Text Categoization)

a. Nội dung
Phân lớp văn bản được xem như là quá trình gán các văn bản vào một hay
nhiều văn bản đã xác định từ trước. Người ta có thể phân lớp các văn bản mộtc ách
thủ công, tức là đọc từng văn bản một và gán nó vào một lớp nào đó. Cách này sẽ
tốn rất nhiều thời gian và công sức đối với nhiều văn bản và do đó không khả thi.
Do vậy mà phải có các phương pháp phân lớp tự động. Để phân lớp tự động người
ta sử dụng các phương pháp học máy trong trí tuệ nhân tạo (Cây quyết định, Bayes,
k người láng giềng gần nhất)
Một trong những ứng dụng quan trọng nhất của phân lớp văn bản là trong
tìm kiếm văn bản. Từ một tập dữ liệu đã phân lớp các văn bản sẽ được đánh chỉ số
đối với từng lớp tương ứng. Người dùng có thể xác định chủ đề hoặc phân lớp văn
bản mà mình mong muốn tìm kiếm thông qua các câu hỏi.
Một ứng dụng khác của phân lớp văn bản là trong lĩnh vực tìm hiểu văn bản.
Phân lớp văn bản có thể được sử dụng để lọc các văn bản hoặc một phần các văn
bản chứa dữ liệu cần tìm mà không làm mất đi tính phức tạp của ngôn ngữ tự nhiên.
Trong phân lớp văn bản, một lớp có thể được gán giá trị đúng sai (True hay
False hoặc văn bản thuộc hay không thuộc lớp) hoặc được tính theo mức độ phụ
thuộc (văn bản có môt mức độ phụ thuộc vào lớp). Trong trương hợp có nhiều lớp
thì phân loại đúng sai sẽ là việc xem một văn bản có thuộc vào một lớp duy nhất
nào đó hay không..

12


b. Quá trình
Quá trình phân lớp văn bản tuân theo các bước sau:
Đánh chỉ số (Indexing): Quá trình đánh chỉ số văn bản cũng giống như trong
quá trình đánh chỉ số của tìm kiếm văn bản. Trong phần này thì tốc độ đánh chỉ số
đóng vai trò quan trọng vì một số các văn bản mới có thể cần đươc xử lý trong thời
gían thực.

Xác định độ phân lớp: Cũng giống như trong tìm kiếm văn bản, phân lớp văn
bản yêu cầu quá trình diễn tả việc xác định văn bản đó thuộc lớp nào đó như thế
nào, dựa trên cấu trúc biểu diễn của nó. Đối với hệ phân lớp văn bản, chúng ta gọi
quá trình này là bộ phân lớp (Categorization hoặc classifier). Nó đóng vai trò như
những câu hỏi trong hệ tìm kiếm. Nhưng trong khi những câu hỏi mang tính nhất
thời, thì bộ phân loại được sử dụng một cách ổn định và lâu dài cho quá trình phân
loại.
So sánh: Trong hầu hết các bộ phân loại, mỗi văn bản đều được yêu cầu gán
đúng sai vào một lớp nào đó. Sự khác nhau lớn nhất đối với quá trình so sánh trong
hệ tìm kiếm văn bản là mỗi văn bản chỉ được so sánh với một số lượng các lớp một
lần và việc họn quyết định phù hợp còn phụ thuộc vào mối quan hệ giữa các lớp văn
bản.
Phản hồi (Hay thích nghi): Quá trình phản hồi đóng vai trò trong hệ phân lớp
văn bản. Thứ nhất là khi phân loại thì phải có môt số lượng lớn các văn bản đã được
xếp loại bằng tay trước đó, các văn bản này được sử dụng làm mẫu huấn luyện để
hỗ trợ xây dựng bộ phân loại. Thứ hai là đối với việc phân loại văn bản này không
dễ dàng thay đổi các yêu cầu như trong quá trình phản hồi của tìm kiếm văn bản ,
người dùng có thể thông tin cho người bảo trì hệ thống về việc xóa bỏ, thêm vào
hoặc thay đổi các phân lớp văn bản nào đó mà mình yêu cầu.
3. Một số bài toán khác
Ngoài hai bài toán kể trên, còn có các bài toán sau:
Tóm tắt văn bản
Phân cụm văn bản
Phân cụm các từ mục
Phân lớp các từ mục

13


Đánh chỉ mục các từ tiềm năng

Dẫn đường văn bản
Trong các bài toán xử lý vănbản đã nêu ở trên, chúng tra thấy vai trò của
biểu diễn văn bản rất lớn, đặc biệt trong các bàit oán tìm kiếm, phân lớp, phân cụm,
dẫn đường .
1.3.2. Khai phá dữ liệu Web
a. Nhu cầu
Sự phát triển nhanh chóng của mạng Internet và Intranet đã sinh ra một khối
lượng khổng lồ các dữ liệu dạng siêu văn bản(dữ liệu Web). Cùng với sự thay đổi
và phát triển hàng ngaỳ hàng giờ về nội dung cũng như số lượng của các trang Web
trên Internet thì vấn đề tìm kiếm thôn g tin đối với người sử dụng lại ngày càng khó
khăn. Có thể nói nhu cầu tìm kiếm thông tin trên môt CSDL phi cấu trúc đã được
phát triển chủ yếu cùng với sự phát triển của Internet. Thực vậy với Internet con
người đã làm quen với các trang Web cùng với vô vàn các thông tin. Trong những
năm gần đây Intrnet đã trở thành một trong những kênh về khoa học, thông tin kinh
tế, thương mại và quảng cáo. Một trong những lý do cho sự phát triển này là sự thấp
về giá cả tiêu tốn khi công khai một trang Web trên Internet. So sánh với những
dịch vụ khác như mua bản hay quảng cáo trên một tờ báo hay tạp chí, thì một trang
Web "đòi" rẻ hơn rất nhiều và cập nhật nhanh chóng hơn tới hàng triệu người dùng
khắp mọi nơi trên thế giới. Có thể nói trang Web như là cuốn từ điển Bách khoa
toàn thư. Thông tin trên các trang Web đa dạng về mặt nội dung cũng như hình
thức. Có thể nói Internet như một xã hội ảo, nó bao gồm các thông tin về mọi mặt
của đời sống kinh tế, xã hội được trình bày dưới dạng văn bản, hình ảnh, âm
thanh,...
Tuy nhiên cùng với sự đa dạng và số lượng lớn thông tin như vậy đã nảy sinh
vấn đề quá tải thông tin. Người ta không thể tìm tự kiếm địa chỉ trang Web chứa
thông tin mà mình cần, do vậy đòi hỏi cần phải có một trình tiện ích quản lý nội
dung của các trang Web và cho phép tìm thấy các địa chỉ trang Web có nội dung
giống với yêu cầu của người tìm kiếm. Các tiện ích này quản lý dữ liệu như các đối
tượng phi cấu trúc. Hiện nay chúng ta đã làm quen với một số các tiện ích như vậy
đó là: Yahoo, goolel, Alvista,...

14


Mặt khác, giả sử chúng ta có các trang Web về các vấn đề Tin học, Thể thao,
Kinh tể - Xã hội và xây dựng...Căn cứ vào nội dung của các tài liệu mà khách hàng
xem hoặc download về, sau khi phân lớp chúng ta sẽ biết khách hàng hay tập trung
vào nội dung gì trên trang Web của chúng ta, từ đó chúng ta sẽ bổ sung thêm nhiều
các tài liệu về các nội dung mà khách hàng quan tâm và ngược lại. Còn về phía
khách hàng sau khi phân tích chúng ta cũng biết được khách hàng hay tập trung về
vấn đề gì, để từ đó có thể đưa ra những hỗ trợ thêm cho khách hàng đó. Từ những
nhu cầu thực tế trên, phân lớp và tìm kiếm trang Web vẫn là bài toán hay và cần
phát triển nghiên cứu hiện nay.
b. Khó khăn
Hệ thống phục vụ World Wide Web như là một hệ thống trung tâm rất lớn
phân bố rộng cung cấp thông tin trên mọi lĩnh vực khoa học, xã hội, thương mại,
văn hóa,... Web là một nguồn tài nguyên giàu có cho Khai phá dữ liệu. Những quan
sát sau đây cho thấy Web đã đưa ra sự thách thức lớn cho công nghệ Khai phá dữ
liệu.
1. Web dường như quá lớn để tổ chức thành một kho dữ liệu phục vụ
Dataming
Các CSDL truyền thống thì có kích thước không lớn lắm và thường được lưu
trữ ở một nơi. Trong khi đó kích thước Web rất lớn, tới hàng terabytes và thay đổi
liên tục, không những thế còn phân tán trên rất nhiều máy tính khắp nơi trên thế
giới. Một vài nghiên cứu về kích thước của Web đã đưa ra các số liệu như sau: Hiện
nay trên Internet có khoảng hơn một tỷ các trang Web được cung cấp cho người sử
dụng., giả sử kích thước trung bình của mỗi trang là 5-10Kb thì tổng kích thước của
nó ít nhất là khoảng 10 terabyte. Còn tỷ lệ tăng của các trang Web thì thật sự gây ấn
tượng.
Hai năm gần đây số các trang Web tăng gấp đôi và còng tiếp tục tăng trong

hai năm tới. Nhiều tổ chức và xã hội đặt hầu hết những thông tin công cộng của họ
lên Web. Như vậy việc xây dựng một kho dữ liệu (datawarehouse) để lưu trữ, sao
chép hay tích hợp các dữ liệu trên Web là gần như không thể.

15


2. Độ phức tạp của trang Web lớn hơn rất nhiều so với những tài liệu văn
bản truyền thống khác.
Các dữ liệu trong các CSDL truyền thống thì thường là loại dữ liệu đồng
nhất (về ngôn ngữ, định dạng,…), còn dữ liệu Web thì hoàn toàn không đồng nhất.
Ví dụ về ngôn ngữ dữ liệu Web bao gồm rất nhiều loại ngôn ngữ khác nhau (Cả
ngôn ngữ diễn tả nội dung lẫn ngôn ngữ lập trình), nhiều loại định dạng khác nhau
(Text, HTML, PDF, hình ảnh âm thanh,…), nhiều loại từ vựng khác nhau (Địa chỉ
Email, các liên kết (links), các mã nén (zipcode), số điện thoại).
Nói cách khác, trang Web thiếu một cấu trúc thống nhất. Chúng được coi
như một thư viện kỹ thuật số rộng lớn, tuy nhiên con số khổng lồ các tài liệu trong
thư viện thì không được sắp xếp tuân theo một tiêu chuẩn đặc biệt nào, không theo
phạm trù, tiêu đề, tác giả, số trang hay nội dung,... Điều này là một thử thách rất lớn
cho việc tìm kiếm thông tin cần thiết trong một thư viện như thế.
3. Web là một nguồn tài nguyên thông tin có độ thay đổi cao
Web không chỉ có thay đổi về độ lớn mà thông tin trong chính các trang Web
cũng được cập nhật liên tục. Theo kết quả nghiên cứu , hơn 500.000 trang Web
trong hơn 4 tháng thì 23% các trang thay đổi hàng ngày, và khoảng hơn 10 ngày thì
50% các trang trong tên miền đó biến mất, nghĩa là địa chỉ URL của nó không còn
tồn tại nữa. Tin tức, thị trường chứng khoán, các công ty quản cáo và trung tâm
phục vụ Web thường xuyên cập nhật trang Web của họ.s Thêm vào đó sự kết nối
thông tin và sự truy cập bản ghi cũng được cập nhật.
4. Web phục vụ một cộng đồng người dùng rộng lớn và đa dạng
Internet hiện nay nối với khoảng 50 trạm làm việc, và cộng đồng người dùng

vẫn đang nhanh chóng lan rộng. Mỗi người dùng có một kiến thức, mối quan tâm,
sở thích khác nhau. Nhưng hầu hết người dùng không có kiến thức tốt về cấu trúc
mạng thông tin, hoặc không có ý thức cho những tìm kiếm, rất dễ bị "lạc" khi đang
"mò mẫm "trong "bóng tối" của mạng hoặc sẽ chán khi tìm kiếm mà chỉ nhận
những mảng thông tin không mấy hữu ích.
5. Chỉ một phần rất nhỏ của thông tin trên Web là thực sự hữu ích
Theo thống kê, 99% của thông tin Web là vô ích với 99% người dùng Web.
Trong khi những phần Web không được quan tâm lại bị búi vào kết quả nhận được

16


trong khi tìm kiếm. Vậy thì ta cần phải khai phá Web như thế nào để nhận được
trang web chất lượng cao nhất theo tiêu chuẩn của người dùng?
Như vậy chúng ta có thể thấy các điểm khác nhau giữa việc tìm kiếm trong
một CSDL truyền thống với việc tìm kiếm trên Internet. Những thách thức trên đã
đẩy mạnh việc nghiên cứu khai phá và sử dụng tài nguyên trên Internet
c. Thuận lợi
Bên cạnh những thử thách trên, còn một số lợi thế của trang Web cung cấp
cho công việc khai phá Web.
1. Web bao gồm không chỉ có các trang mà còn có cả các hyperlink trỏ từ
trang này tới trang khác.
Khi một tác giả tạo một hyperlink từ trang của ông ta tới một trang A có
nghĩa là A là trang có hữu ích với vấn đề đang bàn luận. Nếu trang A càng nhiều
Hyperlink từ trang khác trỏ đến chứng tỏ trang A quan trọng. Vì vậy số lượng lớn
các thông tin liên kết trang sẽ cung cấp một lượng thông tin giàu có về mối liên
quan, chất lượng, và cấu trúc của nội dung trang Web, và vì thế là một nguồn tài
nguyên lớn cho khai phá Web
2. Một máy chủ Web thường đăng ký một bản ghi đầu vào (Weblog entry)
cho mọi lần truy cập trang Web.

Nó bao gồm địa chỉ URL, địa chỉ IP, timestamp. Dữ liệu Weblog cung cấp
lượng thông tin giàu có về những trang Web động. Với những thông tin về địa chỉ
URL, địa chỉ IP,… một cách hiển thị đa chiều có thể được cấu trúc nên dựa trên
CSDL Weblog. Thực hiện phân tích OLAP đa chiều có thể đưa ra N người dùng
cao nhất, N trang Web truy cập nhiều nhất, và khoảng thời gian nhiều người truy
cập nhất, xu hướng truy cập Web
d. Các nội dung trong Webmining
Như đã phân tích về đặc điểm và nội dung các văn bản HyperText ở trên, từ
đó khai phá dữ liệu Web cũng sẽ tập trung vào các thành phần có trong trang Web.
Đó chính là:
1. Khai phá nội dung trang Web (Web Content mining)
Khai phá nội dung trang Web gồm hai phần:
a. Web Page Content
Nghĩa là sẽ sử dụng chỉ các từ trong văn bản mà không tính đến các liên kết
giữa các văn bản. Đây chính là khai phá dữ liệu Text (Textmining)

17


b. Search Result
Tìm kiếm theo kết quả. Trong các máy tìm kiếm, sau khi đã tìm ra những
trang Web thoả mãn yêu cầu người dùng, còn một công việc không kém phần quan
trọng, đó là phải sắp xếp kết quả theo thứ tự dộ gần nhau với nội dung cần tìm
kiếm. Đây cũng chính là khai phá nội dung trang Web.
2. Web Structure Mining
Khai phá dựa trên các siêu liên kết giữa các văn bản có liên quan.
3. Web Usage Mining
a. General Access Partern Tracking:
Phân tích các Web log để khám phá ra các mẫu truy cập của người dùng
trong trang Web.

b. Customize Usage Tracking:
Phân tích các mẫu truy cập của người dùng tại mỗi thời điểm để biết xu
hướng truy cập trang Web của từng đối tượng người dùng tại mỗi thời điểm khác
nhau

Hình 1: Các nội dung trong khai phá Web

1.4. Cơ sở dữ liệu HYPERTEXT và FULLTEXT
1.4.1 Cơ sở dữ liệu FullText
Dữ liệu dạng FullText là một dạng dữ liệu phi cấu trúc với thông tin chỉ gồm
các tại liệu dạng Text. Mỗi tài liệu chứa thông tin về một vấn đề nào đó thể hiện qua
nội dung của tất cả các từ cấu thành tài liệu đó. Ý nghĩa của mỗi từ trong tài liệu

18


khkông cố định mà tuỳ thuộc vào từng ngữ cảnh khác nhau sẽ mang ý nghĩa khác
nhau. Các từ trong tài liệu được liên kết với nhau theo một ngôn ngữ nào đó.
Trong các dữ liệu hiện nay thì văn bản là một trong những dữ liệu phổ biến
nhất, nó có mặt ở khắp mọi nơi và chúng ta thường xuyên bắt gặp do đó các bài
toán về xử lý văn bản đã được đặt ra khá lâu và hiện nay vẫn là một trong những
vấn đề trong khai phá dữ liệu Text, trong đó có những bài toán đáng chú ý như tìm
kiếm văn bản, phân loại văn bản, phân cụm văn bản hoặc dẫn đường văn bản
CSDL full_text là một dạng CSDL phi cấu trúc mà dữ liệu bao gồm các tài
liệu và thuộc tính của tài liệu. Cơ sở dữ liệu Full_Text thường được tổ chức như
môt tổ hợp của hai thành phần: Một CSDL có cấu trúc thông thường (chứa đặc
điểm của các tài liệu) và các tài liệu.

Nội dung cuả tài liệu được lưu trữ gián tiếp trong CSDL theo nghĩa hệ thống
chỉ quản lý địa chỉ lưu trữ nội dung. Cơ sở dữ liệu dạng Text có thể chia làm hai

loại sau:
Dạng không có cấu trúc (unstructured): Những văn bản thông thường mà
chúng ta thường đọc hàng ngày được thể hiện dưới dạng tự nhiên của con người và
nó CSDL Full-Text CSDL có cấu trúc chứa đặc điểm của các tài liệu Các tài liệu
không có một cấu trúc định dạng nào. VD: Tập hợp sách, Tạp chí, Bài viết được
quản lý trong một mạng thư viện điện tử.
Dạng nửa cấu trúc (semi-structured): Những văn bản được tổ chức dưới
dạng cấu trúc không chặt chẽ như bản ghi các ký hiệu đánh dấu văn bản và vẫn thể
hiện được nội dung chính của văn bản, ví dụ như các dạnh HTML, email,...
Tuy nhiên việc phân làm hai loại cũng không thật rõ ràng, trong các hệ phần
mềm, người ta thường phải sử dụng các phần kết hợp lại để thành một hệ như trong
cá hệ tìm tin (Search Engine), hoặc trong bài toán tìm kiếm văn bản (Text
19


Retrieval), một trong những lĩnh vực qua tâm nhất hiện nay. Chẳng hạn trong hệ tìm
kiếm như Yahoo, Altavista, Google... đều tổ chức dữ liệu theo các nhóm và thư
mục, mỗi nhóm lại có thể có nhiều nhóm con nằm trong đó. Hệ Altavista còn tích
hợp thêm chương trình dịch tự động có thể dịch chuyển đổi sang nhiều thứ tiếng
khác nhau và cho kết quả khá tốt.
1.4.2 Cơ sở dữ liệu HyperText
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 cách mà người đọc
có thể không cần đọc một cách liên tục. Ví dụ khi đọc một cuốn sách người đọc
không phải đọc lần lượt từng trang từ đầu đến cuối mà 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, chúng
được phân nhánh và cho phép người đọc có thể chọn cách đọc theo ý muốn của

mình. Hiểu theo nghĩa thông thường thì HyperText là một tập các trang chữ viết
được kết nối với nhau bởi các liên kết và cho phép người đọc có thể đọc theo các
cách khác nhau. Như ta đã làm quen nhiều với các trang định dạng HTML, trong
các trang có những liên kết trỏ tới từng phần khác nhau của trang đó hoặc trỏ tới
trang khác, và người đọc sẽ đọc văn bản dựa vào những liên kết đó.
Bên cạnh đó, HyperText cũng là một dạng văn bản Text đặc biệt nên cũng có
thể bao gồm các chữ viết liên tục (là dạng phổ biến nhất của chữ viết). Do không bị
hạn chế bởi tính liên tục trong HyperText, chúng ta có thể tạo ra các dạng trình bày
mới, do đó tài liệu sẽ phản ánh tốt hơn nội dung muốn diễn đạt. Hơn nữa người đọc
có thể chọn cho mình một cách đọc phù hợp chẳng hạn như đi sâu vào một vấn đề
mà họ quan tâm. Sáng kiến tạo ra một tậpc cá văn bản cùng với các con trỏ trỏ tới
các văn bản khác để liên kết một tập các văn bản có mối quan hệ voiứ nhau với
nhau là một cách thực sự hay và rất hữu ích để tổ chức thông tin. Với người viết,
cách này cho phép họ có thể thoải mái loại bỏ những băn khoăn về thứ tự trình bày,
mà có thể tổ chức vấn đề thành những phần nhỏ, rồi sử dụng kết nối để chỉ ra mối
liên hệ giữa các phần nhỏ đó với nhau.

20


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 tiêp 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 tin hiệu quả
hơn rất nhiều. Theo khía cạnh của các thuật toán học máy thì HyperText đã cung
cấp cho chúng ta cơ hội nhìn ra ngoài phạm vi một tài liệu để phân lớp nó, nghĩa là
có tính cả đến các tài liệu có liên kết với nó. Tất nhiên không phải tất cả các tài liệu
có liên kết đến nó đều có ích cho việc phân lớp, đặc biệt là khi các siêu liên kết có
thể chỉ đến rất nhiều loại các tài liệu khác nhau. Nhưng chắc chắn vẫn còn tồni tại
tiềm năng mà con người cần tiếp tục nghiên cứu về việc sử dụng các tài liệu liên kết

đến một trang để nâng cao độ chính xác phân lớp trang đó.
1.5. Ứng dụng của khai phá dữ liệu
Kiến thức cần dùng
Khai phá dữ liệu cần sử dụng kiến thức từ nhiều ngành và nhiều lĩnh vực
khác nhau như thống kê, trí tuệ nhân tạo, CSDL, tính toán song song,… Đặc biệt,
nó rất gần gũi với lĩnh vực thống kê, sử dụng các phương pháp thống kê để mô hình
hóa dữ liệu và phát hiện các mẫu.
Ứng dụng tổng quan
Ứng dụng của khai phá dữ liệu có thể dùng để:
– Cung cấp tri thức, hỗ trợ ra quyết định.
– Dự báo.
– Khái quát dữ liệu.
Ứng dụng thực tế
Trong cuộc sống, ứng dụng của khai phá dữ liệu vô cùng đa dạng, có thể
dùng trong:
– Bảo hiểm, tài chính và thị trường chứng khoán: Phân tích tình hình tài
chính của một công ty dựa trên báo cáo tài chính; dựa vào dữ liệu về thị trường
chứng khoán để dự đoán được giá cổ phiếu; Phát hiện gian lận,…
– Thống kê, phân tích dữ liệu và hỗ trợ ra quyết định.
– Y học: Dựa vào mối liên hệ giữa các triệu chứng để chuẩn đoán bệnh và
hướng điều trị.

21


– Mạng viễn thông: Phân tích các cuộc gọi điện thoại để dự đoán hành vi
người dùng nhằm nâng cao chất lượng dịch vụ.
– Bán hàng: Phân tích các mặt hàng để dự đoán nhu cầu người dùng để đưa
ra hướng phát triển đúng cho nhà sản xuất…
Ngoài ra, khai phá dữ liệu còn ứng dụng vào trong rất nhiều lĩnh vực khác

nhau của đời sống giúp đưa ra những giải pháp hiệu quả cho các vấn đề nan giải của
đời sống.

22


CHƯƠNG 2:
PHÂN CỤM DỮ LIỆU VÀ TRÍCH CHỌN THÔNG TIN
2.1. Giới thiệu về RSS
2.1.1. RSS là gì ?
RSS ( viết tắt từ Really Simple Syndication ) là một tiêu chuẩn định dạng tài
liệu dựa trên XML nhằm giúp người sử dụng dễ dàng cập nhật và tra cứu thông tin
một cách nhanh chóng và thuận tiện nhất bằng cách tóm lược thông tin vào trong
một đoạn dữ liệu ngắn gọn, hợp chuẩn.
Dữ liệu này được các chương trình đọc tin chuyên biệt ( gọi là News reader)
phân tích và hiển thị trên máy tính của người sử dụng. Trên trình đọc tin này, người
sử dụng có thể thấy những tin chính mới nhất, tiêu đề, tóm tắt và cả đường link để
xem toàn bộ tin.
RSS được dùng phổ biến bởi cộng đồng weblog để chia sẻ những tiêu đề tin
tức mới nhất hay toàn bộ nội dung của nó, và ngay cả các tập tin đa phương tiện
đínhkèm.(Xem podcasting, vodcasting, broadcasting, screencasting, Vloging,và MP
3 blogs.) Vào giữa năm 2000, việc sử dụng RSS trở nên phổ dụng đối với hãng tin
tức lớn, bao gồm Reuters, CNN, và BBC. Những nhà cung cấp tin này cho phép các
website khác tổng hợp những tiêu đề tin tức "được chia sẻ" hay cung cấp các tóm tắt
ngắn gọn của các bản tin chính dưới nhiều hình thức thỏa hiệp khác nhau. RSS ngày
nay được dùng cho nhiều mục đích, bao gồm tiếp thị, báo cáo lỗi (bug-reports), hay
các hoạt động khác bao gồm cập nhật hay xuất bản định kì.
Một chương trình gọi là một feed reader hay aggregator có thể kiểm tra xem
một website có hỗ trợ RSS cho người dùng không và, nếu có, hiển thị những bài
viết cập nhật nhất mà nó tìm thấy từ website đó. Ngày nay có thể tìm thấy RSS

feeds trên rất nhiều Web sites lớn, cũng như nhiều những site nhỏ.

23


2.1.2. Cấu trúc file RSS.

Hình 2: Cấu trúc dữ liệu RSS
Một bản tin thường chứa ba phần tử:


<title>: Phần tử này là tên của bản tin. Theo tiêu chuẩn sử dụng, phần tử

này sẽ được dịch thành một đầu đề trong mã HTML.


<link>: Phần tử này là URL của bản tin. Thường thì tiêu đề được sử dụng

như là một liên kết trỏ đến URL chứa bên trong phần tử <link> này.


<description>: Phần tử này thường là một bản tóm tắt hoặc lời nhận xét

về bản tin.
Tất cả các phần tử đều là tùy chọn, nhưng một bản tin phải có ít nhất một
phần tử <title> hoặc một phần tử <description>.
Một số phần tử tùy chọn khác trong bản tin có thể được sử dụng:


<author> (tác giả): Địa chỉ Thư điện tử của tác giả.



<category> (thể loại): Hỗ trợ phân loại bản tin.



<comments> (các nhận xét): URL của một trang để viết các nhận xét về

bản tin.


<enclosure> (đính kèm): Hỗ trợ các đối tượng đa phương tiện liên quan

đến bản tin.


<guid>: Một liên kết cố định được gắn đồng nhất với bản tin.



(ngày xuất bản): Ngày xuất bản của bản tin.

24




<source> (nguồn): Kênh RSS là nguồn của các bản tin. Phần tử này có

thể có ích khi các bản tin được gộp chung với nhau.
2.2. Mô hình tần suất
Trong mô hình tần suất, ma trận W = {wij} được xác định dựa trên tần số
xuất hiện của từ khóa ti trong văn bản dj hoặc tần số xuất hiện của từ khóa ti trong
toàn bộ cơ sở dữ liệu. Sau đây là một số phương pháp phổ biến:
2.2.1. Phương pháp dựa trên tần số từ khóa (TF – Term Frequency)
Các giá trị wij được tính dựa trên tần số (hay số lần) xuất hiện của từ khóa
trong văn bản. Gọi fij là số lần xuất hiện của từ khóa ti trong văn bản dj , khi đó wij
được tính bởi một trong ba công thức:
wij = fij
wij = 1 + log(fij)
wij =

f

Trong phương pháp này, trọng số wij tỷ lệ thuận với số lần xuất hiện của từ
khóa ti trong văn bản dj . Khi số lần xuất hiện từ khóa ti trong văn bản dj càng lớn thì
điều đó có nghĩa là văn bản dj càng phụ thuộc vào từ khóa ti , hay nói cách khác từ
khóa ti mang nhiều thông tin trong văn bản dj .
Ví dụ, khi văn bản xuất hiện nhiều từ khóa máy tính, điều đó có nghĩa là văn
bản đang xét chủ yếu liên quan đến lĩnh vực tin học. Nhưng suy luận trên không
phải lúc nào cũng đúng. Một ví dụ điển hình là từ “và” xuất hiện nhiều trong hầu
hết các văn bản, nhưng trên thực tế từ này lại không mang nhiều ý nghĩa như tần
suất xuất hiện của nó. Hoặc có những từ không xuất hiện trong văn bản này nhưng
lại xuất hiện trong văn bản khác, khi đó ta sẽ không tính được giá trị của log(fij).
Một phương pháp khác ra đời khắc phục được nhược điểm của phương pháp TF, đó
là phương pháp IDF.
2.2.2. Phương pháp dựa trên nghịch đảo tần số văn bản (IDF – Inverse
Document Frequency)
Trong phương pháp này, giá trị wij được tính theo công thức sau:

W =

log

m
= log(m)
h

log(h ) nếu t xuất hiện trong d
0 nếu ngược lại

25