Tài liệu Phân cụm tập kết quả tìm kiếm web dựa vào tập thô pdf

Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

CHƯƠNG I
PHÂN CỤM TẬP KẾT QUẢ TÌM KIẾM WEB DỰA
VÀO TẬP THÔ DUNG SAI
1.1 Phân cụm tập kết quả tìm kiếm Web
1.1.1 Khái niệm
Phân cụm tập kết quả Web là tổ chức sắp xếp tập kết quả tìm kiếm thành
một số nhóm chủ đề riêng theo cách bố cục tổng thể đến chi tiết, giống như các
thư mục
1.1.2 Phép đo độ tương tự
Bản chất công việc phân cụm là nhóm những đối tượng tương tự với nhau
vào cùng một nhóm . Vậy cần phải có phép đo để đo độ tương tự giữa các đối
tượng.
Đối với các đối tượng là tài liệu thì người ta thường hay sử dụng phép đo
hệ số góc cosin để đo độ tương tự giữa hai tài liệu (mỗi tài liệu được biểu diễn
dưới dạng một vector). Công thức đo độ tương tự như sau:
t

∑x y
Cosin(X,Y) =

i =1

t

∑ xi2 +
i =1

i

i
t

∑y
i =1

2
i

Trong đó
-X (x1 ,x2 , …..,xt) và Y(y1 ,y2 ,…..,yt) là vector biểu diễn hai tài liệu
-xi ,yi là trọng số thành phần thứ I của vector X,Y tương ứng

1


Phân cụm tập kết quả tìm kiếm web dựa vào tập thô

1.2

Lý thuyết tập thô

1.2.1 Cơ sở tri thức
ƒ Cho một tập hữu hạn U ≠ φ (vũ trụ) của các đối tượng được xét đến.
ƒ Một tập con X ⊆ U bất kỳ (trường hợp X = φ) của vũ trụ sẽ được gọi là một
khái niệm hoặc một phạm trù trong U
ƒ Một họ các khái niệm trong U được gọi là một tri thức về U
ƒ C = {Xi, X2, ... Xn}: gọi là một phân hoạch của tập U sao cho Xi ⊆ U, Xi ≠
φ, Xi ∩ Xj = φ với i ≠ j, i, j = 1, ... n và ∪Xi = U.
ƒ Một sự phân hoạch vũ trụ U được gọi là một quan hệ tương đương R trên U

ƒ Các phạm trù Xi với i=1, 2, …, n là các lớp tương đương của quan hệ R
ƒ Kí hiệu:
ƒ U/R là họ tất cả các lớp tương đương của R
ƒ [x]R là một lớp tương đương của R chứa phần tử x∈U
ƒ K= (U, ℜ) gọi là cơ sở tri thức trong đó U ≠ φ là một tập hữu hạn và ℜ là
một họ các quan hệ tương đương trên U
ƒ Nếu P ⊆ ℜ và P ≠ φ thì ∩ P (giao của tất cả các quan hệ tương đương
thuộc P) cũng là một quan hệ tương đương, và được ký hiệu là IND (P)
ƒ IND(P) còn được gọi là quan hệ không thể phân biệt được trên P
ƒ U/IND(P) hay U/P: là một họ của tất cả các lớp tương đương của quan hệ
tương đương IND(P)
ƒ U/P được gọi là tri thức cơ sở về U trong K
ƒ Lớp tương đương của IND(P) được gọi là phạm trù cơ sở của tri thức P
ƒ Nếu R ∈ ℜ thì R được gọi là một tri thức sơ cấp về U trong K và các lớp
tương đương của R được coi như là một phạm trù sơ cấp của tri thức R
ƒ IND(K): họ tất cả các quan hệ tương đương được định nghĩa trong K, nghĩa
là IND(K) = {IND(P): φ ≠ P ⊆ ℜ}
ƒ ==> IND(K) là tập tối thiểu các quan hệ tương đương chứa tất cả các quan
hệ của K
2


Phân cụm tập kết quả tìm kiếm web dựa vào tập thô

1.2.2 Định nghĩa tập thô
Trong lý thuyết tập thô , bất cứ một khái niệm không rõ ràng nào đều
được thay bằng một cặp khái niệm khơng chính xác gọi là xấp xỉ dưới và xấp
xỉ trên của khái niệm không rõ ràng. Xấp xỉ dưới bao gồm tất cả các đối tượng
chắc chắn thuộc về khái niệm và xấp xỉ trên gồm tất cả các đối tượng có thể thuộc
về khái niệm. Hiệu của xấp xỉ trên và xấp xỉ dưới tạo thành khoảng ranh giới của

khái niệm không rõ ràng . Trong lý thuyết tập thô khái niệm không rõ ràng dựa
trên các xấp xỉ và sự không phân biệt được(quan hệ tương đương).
™ Cho cơ sở tri thức K= (U, ℜ), X ⊆ U
- U ≠ φ là một tập hữu hạn và ℜ là một họ các quan hệ tương đương
trên U
- X là có thể xác định trên R (R – definable): nếu X là hợp của một
số các phạm trù sơ cấp trênR==>được gọi là tập xác định
- X là không xác định trên R (R – Undefinable): ngược lại ==> được
gọi là tập thô (tập không xác định)
- Tập X ⊆ U được gọi là xác định trong cơ sở tri thức K nếu tồn tại
một quan hệ tương đương R ∈ IND(K) sao cho X là tập xác định trên R
- TậpX⊆ U được gọi là không xác định trong K nếu X là tập thô trên
với mọi R ∈ IND (K).
Trong đó: R(R ⊆ UxU) được gọi là quan hệ khơng thể phân biệt khi nó là
một quan hệ tương đương.
™ 3 tính chất của quan hệ tương đương R
9 Tính đối xứng:xRy⇔yRx , với bất kỳ x,y∈U
9 Tính bắc cầu: xRy ∧yRz⇒xRz, với bất kỳ x,y,z∈U
9 Tính phản xạ: xRx, với bất kỳ x∈U
™ Nếu quan hệ R chỉ thoả mãn hai tính chất phản xạ và đối xứng mà
khơng thoả mãn tính chất bắc cầu thì nó được gọi là một quan hệ dung
sai (Tolerance relation).

3


Phân cụm tập kết quả tìm kiếm web dựa vào tập thô

™ Nếu R là một quan hệ dung sai thì hai phần tử x, y ∈ U được gọi là
tương tự nhau theo R (R-similar);

™ Nếu R là một quan hệ tương đương thì hai phần tử x, y ∈ U được gọi là
không thể phân biệt được bởi R (R-indiscernable).
1.2.3 Các tập xấp xỉ của tập thô
Cho cơ sở tri thức K = (U, R), X ⊆ U
quan hệ tương đương R ∈ IND (K)
Các tập:

RX =
−

U {Y ∈ U/R

: Y ⊆ X}

−

R X = U {Y ∈ U/R : Y ∩ X ≠ φ }
lần lượt được gọi là các tập xấp xỉ dưới và tập xấp xỉ trên của X
Hoặc

x∈ R X

[x ]R ∈ X

nếu và chỉ nếu

−

[x]R ∩ X ≠ ∅

−

x∈ R X

nếu và chỉ nếu

−

Và

BN R X = R X − R X
−

được gọi là tập biên của X trên quan hệ R
**Mệnh đề

−

a) X là xác định được trên R nếu và chỉ nếu R X = R X
−

b) X là thô trên R nếu và chỉ nếu

4

−

RX ≠RX
−

Phân cụm tập kết quả tìm kiếm web dựa vào tập thô

1.2.4 Hàm thuộc thô
Hàm thuộc thô (rough membership function) thể hiện tính phụ thuộc của
một phần tử đối với một tập thô:

μ X (x ) =

X ∩ [x ]R )

[x]R

ta thấy:

0 ≤ μ X (x ) ≤ 1
Do đó

R (X ) = {x ∈ U : μ X (x ) = 1}

R (X ) = {x ∈ U : μ X (x ) > 0}

BN R (X ) = {x ∈ U : 0 < μX (x ) < 1}

1.2.5 Mơ hình tập thơ dung sai(Tolerance rough set model-TRSM )
Cho ℜ = (U, I, υ, P):
U:

Tập vũ trụ các đối tượng

I:

U→P(U) - Hàm khơng chắc chắn (uncertainty function)

υ:

P(U)×P(U) → [0,1] - Độ mập mờ (vague inclusion)

P:

I(U) → {0,1} – Hàm cấu trúc (structurality function)

•

Giả sử đối tượng x được nhận biết bằng hàm thơng tin Inf(x)

•

I: U → P(U) : hàm không chắc chắn xác định I(x) là một lớp dung sai
(tolerance class) của tất cả các đối tượng có cùng thơng tin với x
=> I có thể là một hàm bất kỳ sao cho thoả mãn điều kiện: x∈I(x) và y∈I(x)

nếu và chỉ nếu x ∈ I(y) với x, y U
ã

: P(U)ì P(U) [0,1]: hm mp m đánh giá mức độ bao hàm của các
tập hợp
– cụ thể, nó đánh giá độ bao hàm của lớp dung sai I(x) trong tập thô x

5

Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

•

P:

I(U) → {0,1}: Hàm cấu trúc phân lớp tập I(x) của đối tượng x ∈ U

vào một trong hai tập con là tập có cấu trúc với P(I(x)) = 1 và tập khơng có
cấu trúc với P(I(x)) = 0
•

Các xấp xỉ dưới và xấp xỉ trên của một tập X ⊆ U trong không gian ℜ
L(ℜ,X) = {x ∈ U | P(I(x)) = 1 & υ(I(x),X) = 1}
U(ℜ,X) = {x ∈ U : P(I(x)) = 1 & υ(I(x),X) > 0}
** Biểu diễn tài liệu trong TRSM

•

T = {t1, t2, ..., tn} = U : tập các thuật ngữ

•

D = {d1, d2, ..., dM}: tập M tài liệu

•

Với I là hàm chắc chắn với ngưỡng θ

{

}

I θ (t i ) = t j f D (t i , t j ) ≥ θ ∩ {t i }
f D(ti, tj) là số văn bản của tập D mà cả hai từ khố ti và tj cùng xuất
hiện
•

•

Hàm tính độ mập mờ:

ν ( X ,Y ) =

X ∩Y
X

Hàm thuộc thô của từ khoá ti ∈T trong X ⊆ T:

μ (t i , X ) = ν ( I θ (t i ), X ) =
•

I θ (t i ) ∩ X
I θ (t i )

Từ những giả sử trên ta có thể coi tất cả các lớp dung sai của mỗi ti đều là
các tập con có cấu trúc, nghĩa là P(Iθ(ti)) =1 với ∀ ti ∈ T

•

Các xấp xỉ trên và dưới của tập X ⊆ T trong không gian ℜ vừa xác định
được:
LR(X) = {ti ∈ T | ν ( I θ (t i ), X ) =1 } ,

6

UR(X) = { ti ∈ T | ν ( I θ (t i ), X ) >0 }


Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

Trọng số của từ khố ti trong văn bản dj được xác định như sau:

M
⎧
fd
t
1
log(
(
))
log
+
×
j
i
⎪
f D (ti )

⎪
⎪
⎞
log⎛⎜ M
⎪⎪
f D (ti ) ⎟⎠
⎝
ωi j = ⎨min th ∈d j ωhj ×
⎞
⎪
1 + log⎛⎜ M
⎟
f
(
t
)
D i ⎠
⎝
⎪
⎪0
⎪
⎪⎩

7

(ti ∈ d j )

(ti ∈ U ( R, d j ))
(ti ∉ U ( R, d j ))

Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

CHƯƠNG II:GIẢI THUẬT PHÂN CỤM TẬP KẾT
QUẢ TÌM KIẾM WEB
2.1

Giải thuật
Input

: Tập D gồm N snippet d1, d2,…., dN

Output : K nhóm chủ đề khác biệt
Mơ hình dữ liệu:
* Áp dụng mơ hình khơng gian vector để biểu diễn kết quả tìm kiếm
snippet. Cụ thể:
- Mỗi snippet được biểu diễn bởi một vector nhiều chiều. Mỗi một chiều là
tương ứng với một từ trong snippet.
- Giả sử trong tập N snippet có M từ riêng biệt nhau. Khi đó, một snippet
được biểu diễn dưới dạng một vector như sau:
di= (wi1, wi2 , ..., wiM) , trong đó wij là trọng số của từ thứ j trong snippet di .
Vì mỗi một snippet trong D có một chiều dài riêng (có số lượng từ khác nhau). Do
vậy để giải thuật phân cụm cho ra kết quả chính xác thì cần chuẩn hóa số chiều
của vectơ tương ứng với mỗi snippet trong D. Như vây, với tập D sẽ tạo thành một
ma trận document-terms.
Giải thật phân cụm TRC gồm có 5 pha:
1. Tiền xử lý snippet
2. Trích chọn từ đặc trưng của mỗi snippet (những từ thể hiện nội dung
chính của snippet)
3. Sinh các lớp tolerance

4. Phân cụm
5. Tạo nhãn cho từng nhóm
8


Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

Ví dụ:
Cho tập D= {d1, d2, d3, d4, d5, d6)
Doc Title
D1

Languege modeling approach to information retrieval: the
importance of a query term

D2

Title language model for information retrieval

D3

Two-stage language models for information retrieval

D4

Building a web theaurus from web link structure

D5

Implicit link analysis for small web search

D6

Query type classification for web document retrieval

Bước 1: Dựa vào ma trận tần số xuất hiện TF để tính ma trận xuất hiện nhị phân
OC. Tuy nhiên trong trường hợp này OC=TF
Document/Term Information Web Query

Retrieval

Model

Language

d1

1

0

1

1

0

1

d2

1

0

0

1

1

1

d3

1

0

0

1

1

1

d4

0

1

0

0

0

0

d5

0

1

0

0

0

0

d6

0

1

1

1

0

0

Bước 2: Tính ma trận cùng tần số xuất hiện (term co-occurrence) COC
Term

Information Web Query

Retrieval

Model

Language

Information

3

0

1

3

2

3

Web

0

3

1

1

0

0

Query

1

1

2

2

0

1

Retrieval

3

1

2

4

2

3

Model

2

0

0

2

2

2

Language

3

0

1

3

2

3

9


Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

Bước3:Tính ma trận nhị phân tolerance(term tolerance binary)TOL với θ > 1
Term

Information Web Query

Retrieval

Model

Language

Information

1

0

1

1

1

1

Web

0

1

1

1

0

0

Query

1

1

1

1

0

1

Retrieval

1

1

1

1

1

1

Model

1

0

0

1

1

1

Language

1

0

1

1

1

1

Từ ma trận TOL xác định lớp tolerance của các từ trong D
Term

Lớp Tolerance

Information

Information, query, retrieval, model, language

Web

Web, query, retrieval

Query

Information, web, query, retrieval, language

Retrieval

Information, web, query, retrieval, model,language

Model

Information, retrieval, model,language

Language

Information, query, retrieval, model,language

Giải thuật được thực hiện để sinh ra K nhóm ( K được chọn phụ thuộc vào chiều
dài (số lượng các snippet) của D)
Giải thuật
Input: D – tập N snippet, K- số nhóm, δ - ngưỡng tương tự với …
Output: K nhóm các snippet từ tập D (có thể nạp chồng) với giá trị thuộc
mờ

10


Phân cụm tập kết quả tìm kiếm web dựa vào tập thô

Bắt đầu

D = {d1, d2,...., dM};K là một số tự nhiên
- Ngẫu nhiên chọn K nhóm tài liệu C1, C2, ..., CK (các tài liệu đều thuộc D)
- Tìm các biểu diễn R1, R2, ..., RK của mỗi nhóm vừa đýợc chọn
Nếu S ( U ( ℜ, dj ) , Ri )> δ với ∀dj ∈ D thì Ci = Ci ∪ {dj} và
m(dj) = S ( U ( ℜ , d j ) , R i )
Tính R1, R2, ...., RK

Số phần tử của các nhóm có
sự thay đổi ?

Y
Y

N
N
Gán tài liệu du chưa được xếp vào nhóm văn bản mà có chứa tài liệu có độ tương tự với du lớn
nhất và gán : m(du) = m(NN(du)) x S ( U( ℜ, du ) , U( ℜ, NN( du ) ) ) ; Tính lại R1, R2, ...., RK

Kết thúc

*

Giải

thuật

xác

định

đại

diện

nhóm

(determine_cluster-

_representatives(RK))
Đại diện nhóm Rk thể hiện nét đặc trưng tiêu biểu của nhóm k, do đó :
- Mỗi snippet di trong nhóm Ck phải chứa ít nhất một từ trong Rk .
- Những từ trong Rk phải xuất hiện trong hầu hết các snippet thuộc nhóm
Ck .
- Khơng phải từ nào trong Rk cũng cần phải xuất hiện trong mỗi snippet
thuộc về nhóm Ck .

11


Phân cụm tập kết quả tìm kiếm web dựa vào tập thô

Trọng số đối với mỗi từ tj trong Rk được tính như sau:
wij =

{d

∑
i

d i ∈Ck

wij

∈ Ck t j ∈ d i

}

Giải thuật:
1. Rk= ∅
2. for all di ∈ Ck and tj ∈ di do
3.

if f f C (t j ) / C k > σ do
k

Rk = Rk ∪ tj

4.
5.

end if

6. end for

7. if di ∈ Ck and di ∩ Rk = ∅ then
8.

Rk = Rk ∪ argmax Rk ∪ arg max t ∈d w
j

i

ij

9. end if
trong đó f C (t j ) là số tài liệu trong nhóm Ck có chứa từ tj .
k

** Tạo nhãn cho mỗi nhóm
Pha tạo nhãn cho từng nhóm chủ đề là cơng việc vơ cùng quan trọng. Vì
nhãn thể hiện đặc trưng chung của nhóm và do đó việc tạo ảnh hưởng đến chất
lượng toàn bộ giải thuật phân cụm.
Giải thuật tạo nhãn thực hiện dựa trên phương pháp n_gram để trích chọn
nhóm từ trong phần tử đại diện của mỗi nhóm. Nhóm từ này được chọn làm nhãn
(tên chủ đề) của nhóm. Theo phương pháp n_gram để nhóm từ thể hiện được tính
sinh động của nhóm thì phải được chọn theo những tiêu chuẩn sau:
+ Mức độ thường xuyên xuất hiện của nhóm từ trong tồn tập D
12


Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

+ Mức độ thường xun xuất hiện của nhóm từ trong một nhóm
+ Chiều dài của nhóm (số từ hình thành nên nhóm từ)

Do vậy, bằng quan sát trực quan phương pháp TD*IDF có thể thấy rằng
những nhóm từ tương đối xuất hiện ít trong tồn tập D nhưng xuất hiện thường
xuyên trong từng snippet của mỗi nhóm sẽ là ứng cử viên sáng giá cho việc chọn
làm nhãn của nhóm

2.2

Một số thuật tốn phân cụm khơng giám sát

2.2.1 Phương pháp phân hoạch
• Thuật tốn K-means
• Thuật tốn K-medoids
2.2.2 Phương pháp phân cấp
Phân cụm phân cấp được chia thành hai phương pháp là : top-down và
bottom-up.
1 Phương pháp bottom-up: Phương pháp này được thiết kế theo chiến
lược từ dưới lên (bottom-up). Phương pháp này bắt đầu với mỗi đối
tượng được khởi tạo tương ứng với các cụm riêng biệt, sau đó ghép
những cụm này thành các cụm lớn hơn cho tới khi tất cả đối tượng
đều nằm trong một cụm duy nhất hoặc cho tối khi gặp điều kiện
dừng.
2 Phương pháp top-down: Phương pháp này được thiết kế theo chiến
lược trên xuống (top-down), nó thực hiện ngược lại so với phương
pháp bottom-up, tức là chia nhỏ cụm lớn thành các cụm nhỏ hơn cho
tới khi mỗi đối tượng được chứa trong một cụm riêng lẻ hoặc gặp
điều kiện dừng như: đạt đến số lượng các cụm cho phép, hoặc
khoảng cách giữa hai cụm gần nhất đã lớn hơn khoảng cách ngưỡng.

13

Phân cụm tập kết quả tìm kiếm web dựa vào tập thơ

• Thuật tốn CURE
CURE là thuật tốn sử dụng chiến lược bottom-up của phương pháp phân
cụm phân cấp. Khác với hai thuật toán phân cụm phân hoạch ở trên thuật toán
CURE sử dụng nhiều đối tượng để biểu diễn cho một cụm thay vì sử dụng các
trọng tâm hay đối tượng tâm. Các đối tượng đại diện của một cụm ban đầu được
chọn rải rác đều ở các vị trí khác nhau, sau đó chúng được di chuyển bằng cách co
lại theo một tỉ lệ nhất định nào đó. Khi hai cụm có cặp đối tượng đại diện gần nhất
sẽ được trộn lại thành một cụm.
• Thuật tốn BIRCH
BIRCH là thuật toán phân cụm phân cấp sử dụng chiến lược Top-down. Tư
tưởng của BIRCH là khơng lưu tồn bộ đối tượng dữ liệu của các cụm trong bộ
nhớ mà chỉ lưu các tham số thống kê. Đối với mỗi cụm dữ liệu, BIRCH chỉ lưu bộ
ba (N, LS, SS), trong đó N là số đối tượng trong cụm, LS là tổng các giá trị thuộc
tính của các đối tượng trong cụm, và SS là tổng bình phương của các giá trị thuộc
tính của các đối tượng trong cụm. Bộ ba này được gọi là đặc trưng cụm (Cluster
Feature- CF). Khi đó các cụm trong tập dữ liệu ban đầu sẽ được cho dưới dạng
một cây

14


Phân cụm tập kết quả tìm kiếm web dựa vào tập thô

TÀI LIỆU THAM KHẢO
1.

Tolerance rough set approach to clustering web search result, Ngô Chi

Lăng -2003
2.

Unsupervised Word Discriimation by Clustering Similar Contexts,Amruta

Purandare -2004
3.

Valued Tolerance and Decision Rlues, Jerzy Stefanowski

4.

From n_gramn to collocation an evaluation of xtract

15