Đề tài Phân lớp phân cấp Faxonomy văn bản Web và ứng dụng

Tóm tắt nội dung Phân lớp Văn bản là quá trình gán Văn bản một cách tự động vào một hoặc nhiều lớp cho trước. Tuy nhiên, trong trường hợp có số lượng khá lớn các lớp, bài toán sẽ phức tạp hơn rất nhiều, do đó, khi tiến hành phân lớp thường cho kết quả có độ chính xác không cao. Vì vậy, một vấn đề được đặt ra là cần phân lớp các Văn bản sử dụng cấu trúc phân cấp. Hiện nay, bài toán này đã và đang trở thành lĩnh vực nhận được nhiều sự quan tâm, nghiên cứu của nhiều nhà khoa học trên thế giới. Khoá luận tốt nghiệp với đề tài "Phân lớp phân cấp Taxonomy Văn bản Web và ứng dụng" nghiên cứu nội dung, các thuộc tính, các thuật toán giải quyết bài toán phân lớp phân cấp. Khóa luận đã tiến hành thực nghiệm trên 12 lớp dữ liệu, sử dụng thuật toán máy vector hỗ trợ, kết quả thu được rất tốt với độ đo F1 trung bình lên tới gần 90%. Lời mở đầu Trích chọn thông tin trên Web đã và đang tạo thêm nhiều tài nguyên thông tin, tri thức mới đáp ứng ngày càng hiệu quả nhu cầu thông tin của con người. Ngày nay, công nghệ trích chọn thông tin trên Web đã hình thành loại hình dịch vụ đầy triển vọng trong việc cung cấp thông tin phong phú và hữu ích từ nguồn dữ liệu được coi là vô hạn trên Web. Một trong những bài toán cơ bản và quan trọng trong trích chọn thông tin trên Web là bài toán phát hiện các Quan hệ của các lớp đối tượng trên Web mà Quan hệ phân cấp giữa chúng là một loại quan hệ điển hình. Để thực hiện việc phát hiện mối Quan hệ phân cấp giữa các lớp đối tượng trên Web thì bài toán đầu tiên cần giải quyết đó là bài toán phân lớp tự động các đối tượng. Tự động phân lớp Văn bản là một nhiệm vụ rất quan trọng có thể giúp ích trong việc tổ chức cũng như tìm kiếm thông tin trên nguồn tài nguyên lớn này. Phân lớp Văn bản là quá trình gán Văn bản một cách tự động vào một hoặc nhiều lớp cho trước. Trong các nghiên cứu phân lớp văn bản, hầu hết đều tập trung vào bài toán phân lớp mà các lớp cho trước được xem là tách biệt nhau và không có cấu trúc xác định mối Quan hệ giữa chúng. Những bài toán phân lớp như vậy được gọi là bài toán phân lớp phẳng (flat classification). Tuy nhiên, trong trường hợp có số lượng khá lớn các lớp, bài toán sẽ phức tạp hơn rất nhiều và khi thực hiện các giải pháp phân lớp thường cho kết quả không chính xác. Vì vậy, một vấn đề được đặt ra là cần phân lớp các văn bản sử dụng cấu trúc phân cấp. Thực hiện công việc này mặc nhiên cũng đã bao hàm vấn đề phát hiện Quan hệ phân cấp giữa các lớp đối tượng như đã nói ở trên. Về bản chất đây cũng được coi là một loại Quan hệ ngữ nghĩa giữa các đối tượng và lớp đối tượng. Bài toán cần được giải quyết là phát hiện các lớp và Kiến trúc các lớp đã được phát hiện vào một cây phân cấp. Đây là bài toán phân lớp phân cấp. Phân lớp phân cấp cho phép định hướng vào bài toán phân lớp lớn ban đầu và sử dụng phương pháp chia nhỏ và đệ quy. Khoá luận tốt nghiệp với đề tài "Phân lớp phân cấp Taxonomy Văn bản Web và ứng dụng" nghiên cứu nội dung, các thuộc tính, các thuật toán giải quyết bài toán phân lớp phân cấp và cố gắng đưa ra một số nhận xét, đề xuất thích hợp và thi hành chương trình thực nghiệm để kiểm chứng tính khả thi của phương pháp. Phân lớp phân cấp Taxonomy Văn bản Web và ứng dụng Khóa luận được tổ chức thành ba chương mà nội dung chính của các chương được giới thiệu như dưới đây. Chương 1. Tổng quan về Taxonomy và phân lớp Văn bản trình bày những nét cơ bản nhất về taxonomy, các khái niệm và nội dung cơ bản về bài toán phân lớp văn bản. Chương này cũng trình bày một số thuật toán phân lớp Văn bản điển hình, đặc biệt tập trung vào thuật toán SVM - thuật toán hiện nay được đánh giá là bộ phân lớp nhanh và hiệu quả nhất với bài toán phân lớp văn bản. Chương 2. Phân lớp phân cấp Taxonomy Văn bản Web nghiên cứu các phương pháp giải quyết bài toán phân lớp phân cấp và cách Xây dựng các bộ phân lớp cho cây phân cấp văn bản. Chương này cũng giới thiệu một số phương pháp đánh giá cho bài toán phân lớp phẳng và độ đo dựa vào khoảng cách và độ tương tự giữa các lớp. Chương 3. Thực nghiệm trình bày các kết quả thực nghiệm thu được khi áp dụng thuật toán SVM và phương pháp phân lớp phân cấp theo hướng top-down. Một số nhận xét, đánh giá kết luận cũng được trình bày. Phần kết luận tổng kết các kết quả của khóa luận và trình bày định hướng phát triển nội dung của khóa luận. Bài toán phân lớp phân cấp Văn bản Web thực sự có ý nghĩa về nghiên cứu và triển khai. MỤC LỤC Chương I. TỔNG QUAN VỀ TAXONOMY VÀ PHÂN LỚP PHÂN CẤP 5 1.1. Giới thiệu Taxonomy 5 1.2. Phân lớp văn bản . .6 1. 2.1. Một số khái niệm 7 1.3. Quá trình tiền xử lý dữ liệu 11 1.3.1.1. Phương pháp biểu diễn tài liệu .12 1.3.1.2. Quá trình lựa chọn thuộc tính . 14 1.4. Các thuật toán phân lớp Văn bản .19 1.4.1. Thuật toán K người láng giềng gần nhất .1 9 1.4.2. Thuật toán phân lớp AdaBoost 19 1.4.3. Thuật toán máy vector hỗ trợ 21 Chương II. PHÂN LỚP Văn bản WEB SỬ DỤNG CẤU TRÚC PHÂN CẤP TAXONOMY .27 2.1. Hai phương pháp phân lớp phân cấp . 27 2.2. Phân lớp phân cấp Văn bản theo hướng top-down 28 2.2.1. Mô hình phân lớp 28 2.2.2. Xây dựng các bộ phân lớp nhị phân . 31 2.3. Đánh giá .32 2.3.1. Đánh giá cho bài toán phân lớp phẳng 32 2.3.2. Đánh giá dựa vào độ tương tự .34 Chương III. THỰC NGHIỆM .37 3.1. Dữ liệu và chương trình .37 3.2. Môi trường thực nghiệm .40 3.3. Kết quả và đánh giá 40 3.3.1. Thực nghiệm1 : Phân lớp phân cấp theo hướng top-down .40 3.3.2. Thực nghiệm 2 : Khảo sát sự phụ thuộc thời gian huấn luyện và kết quả vào tập thuộc tính. .46 KẾT LUẬN. .52

pdf61 trang | Chia sẻ: lvcdongnoi | Lượt xem: 2664 | Lượt tải: 0download
Bạn đang xem trước 20 trang tài liệu Đề tài Phân lớp phân cấp Faxonomy văn bản Web và ứng dụng, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
iệu học là tách rời tuyến tính (linearly separable) nếu tồn tại một siêu phẳng sao cho hàm phân lớp phù hợp với tất cả các nhãn; tức là ( ) 0i iy f x > với mọi i = 1,...,n. Với giả thuyết này, Rosenblatt đã đưa ra một thuật toán đơn giản để xác định siêu phẳng : 1 ( ) 0 h x ⎧= ⎨⎩ nếu ( ) 0f x > ngược lại 1. 0w← 2. 0 0w ← 3. repeat 4. 0e ← 5. for 1,...,i n← 6. ( )( )0do Ti is sign y w x w← + 7. if 0s < 8. then i iw w y x← + 9. 0 0 i iw w y x← + 10. 1e e← + 11. until e = 0 12. return ( )0,w w Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 23 Điều kiện cần để D tách rời tuyến tính là số dữ liệu học n = |D| nhỏ hơn hoặc bằng m+1. Điều này là thường đúng với bài toán phân lớp văn bản, bởi vì số lượng từ mục có thể lên tới hàng nghìn và lớn hơn nhiều lần so với số lượng dữ liệu học. Trong hình 1.4, giả sử rằng các dữ liệu mẫu thuộc lớp âm và lớp dương đều tuân theo luật phân bố chuẩn Gaussian , và được tạo ra với cùng một xác suất. Khi đó một siêu phẳng phân cách được gọi là lý tưởng nếu nó làm cực tiểu xác suất phân lớp sai cho một điểm dữ liệu mới. Với giả thuyết ở trên thì siêu phẳng phân cách lý tưởng sẽ trực giao với đoạn thẳng nối tâm của hai vùng có mật độ xác suất lớn nhất. Rõ ràng các siêu phẳng mà chúng ta xây dựng nhằm phân cách các điểm dữ liệu mẫu có thể lệch đi rất nhiều so với siêu phẳng lý tưởng, do đó sẽ dẫn tới việc phân lớp không tốt trên dữ liệu mới sau này. Độ phức tạp của quá trình xác định siêu phẳng lý tưởng sẽ tăng theo số chiều của không gian đầu vào m, vì với một số lượng các dữ liệu mẫu cố định, tập hợp các siêu phẳng thực tế sẽ tăng theo hàm mũ với lũy thừa m. Với bài toán phân lớp trang văn bản, m thường rất lớn, khoảng vài ngàn hay thậm chí là hàng triệu từ. Siêu phẳng lý tưởng Siêu phẳng thực tế Hình 1.4. Mối quan hệ giữa các siêu phẳng phân cách Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 24 Theo lý thuyết thống kê được phát triển bởi Vapnik năm 1998 chỉ ra rằng : chúng ta có thể xác định một siêu phẳng tối ưu thoả mãn hai tính chất quan trong : nó là duy nhất với mỗi tập dữ liệu học tách rời tuyến tính; và khả năng overfitting là nhỏ hơn so với các siêu phẳng khác [16]. Định nghĩa biên M của bộ phân lớp là khoảng cách giữa các siêu phẳng và các dữ liệu học gần nhất. Siêu phẳng tối ưu nhất là siêu phẳng có biên lớn nhất, điều đó có nghĩa là chúng ta cần tìm siêu phẳng sao cho khoảng cách từ siêu phẳng đến những điểm gần nhất là lớn nhất (Hình 1.5). Vapnik cũng chứng minh rằng khả năng overfitting với siêu phẳng tối ưu nhỏ hơn so với các siêu phẳng khác. Khoảng cách từ một điểm x đến siêu phẳng là : ( )01 Tw ww + Vì vậy siêu phẳng tối ưu có thể thu được bằng ràng buộc tối ưu sau: 0, max w w M Sao cho ( )01 , 1,...,Ti iy w x w M i nw + ≥ = Hình 1.5. Siêu phẳng tối ưu và biên. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 25 Trong đó ràng buộc yêu cầu mỗi tài liệu học (tương đương với các điểm) phải nằm trên nửa mặt phẳng của nó và khoảng cách từ điểm tới siêu phẳng lớn hơn hoặc bằng M. Đặt 1Mw = biểu thức trên được viết lại như sau: 0, min w w w Sao cho : ( )0 , 1,...,Ti iy w x w M i n+ ≥ = Đưa về phương trình Lagrangian: ( )2 0 1 1( ) 1 2 n T i i i L D w y w wα = ⎡ ⎤= − + + −⎣ ⎦∑ Sau đó tính đạo hàm của phương trình trên với 0,w w ta thu được: 1 1max 2 n T i iα α α α = − Λ +∑ thoả mãn : i 0 1,...,i nα ≥ = với Λ là ma trận n n× trong đó Tij i j i jy y x xα = . Đây là bài toán bậc hai, theo lý thuyết có thể giải được bằng phương pháp chuẩn tối ưu. Với mỗi dữ liệu học i, cách giải phải thoả mãn điều kiện: ( )0 1 0Ti iy w wα ⎡ ⎤+ − =⎣ ⎦ Và do đó hoặc 0iα = hoặc ( )0 1Ti iy w x w+ = . Nói cách khác, nếu 0iα > thì khoảng cách từ điểm ix đến mặt phẳng phân cách là M. Các điểm thoả mãn 0iα > được gọi là các vector hỗ trợ. Hàm quyết định h(x) có thể được tính qua công thức dấu của f(x) hoặc tương đương với dạng sau: 1 ( ) n T i i i i f x y x xα = =∑ Nếu dữ liệu học không tách rời tuyến tính, thêm biến iξ và thay phương trình trên bằng phương trình: 0, 1 min n iw w i w C ξ = + ∑ thoả mãn ( )0 1 1,..., 0 1,..., T i i i i y w x w i n i n ξ ξ ⎧ + ≥ − =⎪⎨ ≥ =⎪⎩ Vấn đề này có thể đưa về dạng: Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 26 1 1max 2 n T i iα α α α = − Λ +∑ thoả mãn: 0 1,....,i C i nα≤ ≤ = Bộ phân lớp theo cách này được gọi là bộ phân lớp máy vector hỗ trợ – Support Vector Machine. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 27 Chương II. PHÂN LỚP VĂN BẢN WEB SỬ DỤNG CẤU TRÚC PHÂN CẤP TAXONOMY 2.1. Hai phương pháp phân lớp phân cấp Phân lớp phân cấp văn bản hướng tới việc gán tài liệu vào một hoặc nhiều lớp phù hợp của cây phân cấp. Các phương pháp giải quyết bài toán phân lớp phân cấp văn bản có thể được chia thành hai hướng [Sun and Lim, 2001][3]: – Phương pháp toàn cục (hoặc big-bang). – Phương pháp cục bộ (hoặc top down). Trong phương pháp big-bang, chỉ một bộ phân lớp được sử dụng trong quá trình phân lớp. Cho một tài liệu, bộ phân lớp sẽ gán nó vào một hoặc nhiều lớp trong hệ phân cấp. Các lớp được gán có thể là lá hoặc các nút trong của hệ phân cấp phụ thuộc vào cấu trúc của hệ phân cấp và từng bài toán khác nhau. Phương pháp big-bang có thể thu được với bộ phân lớp Rocchio, bộ phân lớp dựa vào luật và các phương pháp được xây dựng trên khai phá các luật kết hợp. Đánh giá kết quả được sử dụng trong những thực nghiệm này dựa trên số tài liệu được phân lớp đúng hoặc phần trăm tài liệu bị phân lớp sai. Trong phương pháp top-down, một hoặc nhiều bộ phân lớp được xây dựng tại mỗi nút của cây phân cấp và mỗi bộ phân lớp làm việc như một bộ phân lớp phẳng ở mức đó. Một tài liệu đầu tiên sẽ được phân lớp bởi bộ phân lớp ở mức gốc vào một hoặc nhiều lớp ở mức thấp hơn. Nó sẽ tiếp tục được phân lớp xa hơn ở các mức tiếp theo cho đến khi nó đạt được lớp cuối cùng có thể là lá hoặc nút trong của cây. Phương pháp top-down được thực hiện với các thuật toán như Bayesian, SVM. Ba độ đo: precision, recall, độ đo F được sử dụng trong phương pháp này. Phương pháp cục bộ có vẻ tự nhiên hơn cho phân lớp phân cấp bởi vì nó phản ánh cách mà con người thường thực hiện đối với những bài toán như vậy. Phân biệt giữa ít lớp đơn giản hơn so với phân biệt giữa hàng trăm lớp. Điều này là đúng với các hệ thống tự động. Trong học máy, nói chung theo kinh nghiệm, càng nhiều lớp thì bài toán càng khó hơn. Phân lớp vào các mức cao đơn giản hơn so với phân lớp vào tất cả các lớp không phải chỉ vì số lượng lớp ít hơn mà bởi vì chúng được phân biệt với nhau rõ hơn. Do đó, sau khi Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 28 phân lớp ở mức cao, khả năng phân lớp ở mức thấp ít hơn bởi vì chúng ta chỉ xem xét lớp được lựa chọn. Dễ nhận thấy phương pháp toàn cục có những nhược điểm sau: – Nặng về tính toán. – Rất khó để biểu diễn tập thuộc tính khác nhau tại các mức khác nhau. – Không đủ mềm dẻo, linh hoạt vì mỗi khi cấu trúc taxonomy thay đổi thì bộ phân lớp phải được học lại. Do đó, trong khóa luận này, chúng tôi tập trung vào bài toán phân lớp phân cấp văn bản theo hướng tiếp cận top-down. 2.2. Phân lớp phân cấp văn bản theo hướng top-down Phân lớp phân cấp văn bản theo chiến lược top-down định hướng vào bài toán phân lớp lớn ban đầu theo phương pháp chia nhỏ và đệ quy. Với phương pháp này, ta cần xây dựng nhiều bộ phân lớp và phân lớp một tài liệu mới được thực hiện bằng cách bắt đầu từ gốc và duyệt qua cây phân cấp cho đến khi tìm được các lớp phù hợp. Đệ quy tại mỗi nút, và các bộ phân lớp tại các nút trong sẽ quyết định nhánh nào, cạnh nào của cây phân cấp sẽ được đi xuống sâu hơn. 2.2.1. Mô hình phân lớp Phương pháp phân lớp trong mô hình này là tính toán bộ phân lớp tại mỗi nút. Cho một tài liệu với đầu vào là một vector, bộ phân lớp sẽ xác định đường đi từ nút gốc của cây phân cấp. Phân lớp một tài liệu sẽ dừng lại nếu như không có lớp nào được chọn bởi bất kì bộ phân lớp nào. Như đã giới thiệu ở phần 2.1, đây là phương pháp top-down. Trong bài toán phân lớp với hệ phân cấp dạng taxonomy, mục tiêu cuối cùng là thu được độ chính xác cao nhất tại các bộ phân lớp lá. Thông thường, các bộ phân lớp nhánh đóng vai trò bổ trợ, làm tăng độ chính xác cho các nút lá. Tuy vậy, kết quả phân lớp của các nút lá trong taxonomy lại phụ thuộc vào các bộ phân lớp nhánh. Do đó, các các bộ phân lớp nhánh đóng vai trò rất quan trọng trong kết quả của hệ thống phân lớp. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 29 Với bài toán đa nhãn, giả sử có bốn lớp A, B, C, D và bốn bộ phân lớp nhị phân tương ứng. Các dữ liệu có thể được gán vào nhiều hơn một lớp. Những dữ liệu này sẽ được phân lớp bằng hai phương pháp : phân lớp phẳng và phân lớp phân cấp. Cấu trúc lớp được trình bày như hình 2.1 dưới đây : Giả sử hai dữ liệu kiểm tra là Doc-1 và Doc-2. Vì bài toán là phân lớp đa nhãn nên với phương pháp phân lớp phẳng, chúng ta áp dụng bốn bộ phân lớp tại cùng thời điểm với mỗi dữ liệu kiểm tra. Với phương pháp phân cấp, đầu tiên chúng ta áp dụng hai bộ phân lớp lá cho lớp A và D và bộ phân lớp nhánh BC. Nếu kết quả phân lớp cho nhánh BC là dương, chúng ta áp dụng hai bộ phân lớp lá cho B và C. Nếu kết quả phân lớp cho nhánh BC là âm thì sẽ không đi sâu xuống nhánh BC nữa. Như vậy, một tài liệu sẽ bắt đầu từ gốc của taxonomy, phân lớp cho tài liệu sẽ dừng lại nếu : – Không có nút nào được chọn. – Nút được chọn là nút lá của Taxonomy. Khi sử dụng phương pháp phân cấp, có hai thuận lợi so với phân lớp phẳng: tiết kiệm thời gian dự đoán và tăng độ chính xác của kết quả phân lớp. Bởi vì khi dự đoán một tài liệu mới bằng phương pháp top-down, chúng ta chỉ cần thực hiện chỉ một phần nhỏ của các bộ phân lớp và do đó có thể tiết kiệm đáng kể thời gian. Hơn thế nữa, nếu yêu cầu về độ chính xác không cao, chúng ta có thể giảm đáng kể thời gian học các bộ phân lớp phân cấp bằng cách chia tập dữ liệu học thành những nhóm phù hợp và sử Hình 2.1. Cấu trúc lớp của 4 lớp Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 30 dụng các bộ phân lớp nhị phân như SVMs. Sử dụng chiến lược top-down cho bài toán phân lớp phân cấp, tại mỗi mức của taxonomy, ta chỉ cần phân lớp với số lớp nhỏ hơn rất nhiều so với phân lớp với tất cả các lớp. Và do đó, kết quả phân lớp sẽ chính xác hơn. Bởi vì thực hiện bài toán với ít lớp sẽ đơn giản hơn so với nhiều lớp. Cấu trúc taxonomy cũng có thể được sử dụng để thiết lập tập dữ liệu âm và dữ liệu dương tại thời điểm phân lớp để thu được tập dữ liệu hoc tại các mức khác nhau. Và đôi khi có thể sử dụng tập thuộc tính nhỏ hơn cho mỗi lớp. Có nhiều thuộc tính tốt nhưng không hữu ích để phân biệt giữa các lớp trong bài toán phân lớp phẳng. Xem xét một taxonomy với cấu trúc như hình 2.2. dưới đây. Trong mô hình phân lớp phẳng, ta cần phân biệt giữa 6 lớp. Các lớp này được xem là tách biệt nhau và không có cấu trúc xác định mối quan hệ giữa chúng. Một thuộc tính như “Máy tính” sẽ không được phân biệt lắm bởi vì nó có thể liên quan tới cả ba lớp: Phần cứng, phần mềm, tán ngẫu. Trong khi đó, với mô hình phân cấp, từ “Máy tính” là một thuộc tính tốt để phân biệt ở mức đầu tiên. Tại mức thứ hai nhiều từ chuyên biệt hơn có thể được sử dụng là các thuộc tính tốt để phân biệt ba lớp “Tán ngẫu”, “Phần cứng”, “Phần mềm” của cây con “Tin học”. Và một số thuộc tính giống nhau có thể được sử dụng để phân biệt các lớp ở mức hai đều là các thuộc tính tốt. Ví dụ, một số từ xuất hiện trong cả hai lớp “Thể thao/Tán ngẫu” và “Máy tính/Tán ngẫu”, nhưng ở mức hai, những từ này đều là các thuộc tính tốt cho cả hai lớp này. Trong bài toán phân lớp văn bản, việc lựa chọn thuộc tính đóng vai trò hết sức quan trọng, ảnh hưởng trực tiếp đến độ chính xác của thuật toán. Vì vậy, lựa chọn được tập thuộc tính tốt sẽ làm tăng kết quả phân lớp. Tin học Thể thao Phần mềm Phần cứng Bóng đá Tán ngẫu Tán ngẫu Quần vợt Hình 2.2. Một Taxonomy Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 31 2.2.2. Xây dựng các bộ phân lớp nhị phân Các bộ phân lớp nhị phân thông thường được học với cả dữ liệu học dương và âm. Trong phương pháp phân lớp phân cấp, một bộ phân lớp nhị phân được xây dựng cho mỗi lớp. Các bộ phân lớp này được chia thành hai loại : – Bộ phân lớp xác định một tài liệu có thuộc lớp nào đó hay không gọi là bộ phân lớp cục bộ (local-classifier) – Bộ phân lớp xác định một tài liệu có thuộc nhánh nào đó không được gọi là bộ phân lớp nhánh (subtree-classifier). Sự phân biệt giữa bộ phân lớp cục bộ và bộ phân lớp nhánh được đề xuất bởi Dumais và Chen [21]. Để xây dựng các bộ phân lớp nhị phân trong phân lớp phân cấp, việc rất quan trọng là phải xác định tập dữ liệu học cho mỗi bộ phân lớp. Kí hiệu Parent( iC ) là lớp cha của iC và Coverage(Ci ) với Ci thuộc taxonomy là tập tất cả các lớp thuộc nhánh có gốc là Ci gồm cả Ci . Một tài liệu jd ∈Coverage(Ci ) là đúng nếu jd thuộc bất kì lớp nào của Coverage(Ci ). Ví dụ taxonomy hình 2.2 : Coverage(Tin học ) = {Tin học, Phần cứng, Phần mềm, Tán ngẫu } Tập dữ liệu học cho các bộ phân lớp được lựa chọn theo chiến thuật sau: ♦ Bộ phân lớp nhánh của lớp gốc rootC : – Dữ liệu dương : ( )j rootd Coverage C∈ – Dữ liệu âm : ( )j rootd Coverage C∉ ♦ Bộ phân lớp nhánh cho nút trong iC của taxonomy: – Dữ liệu dương : ( )j id Coverage C∈ – Dữ liệu âm : ( )j id Coverage C∉ và ( )( )j id Coverage Parent C∈ ♦ Bộ phân lớp cục bộ cho nút trong iC của taxonomy: – Dữ liệu dương : j id C∈ Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 32 – Dữ liệu âm : j id C∉ và ( )j id Coverage C∈ ♦ Bộ phân lớp cục bộ cho lá lC của taxonomy: – Dữ liệu dương : j ld C∈ – Dữ liệu âm : j ld C∉ và ( )( )j ld Coverage Parent C∈ 2.3. Đánh giá Để đánh giá phương pháp phân lớp phân cấp, cách trực tiếp là áp dụng độ hồi tưởng (recall) và độ chính xác (precision) của phân lớp phẳng tại mỗi lớp của toàn bộ hệ phân cấp. Trong cấu trúc phân cấp, các lớp có mỗi quan hệ cha-con, anh-em. Càng đi sâu xuống cây phân cấp, sự phân biệt giữa các lớp càng khó khăn hơn. Hai lớp có thể tương tự nhau khi chúng cùng chứa một số tài liệu. Ví dụ, lớp Programming và Software Engineering có thể có chung một số thuộc tính cho phép tài liệu được phân lớp vào cả hai lớp đó. Vì vậy, nếu một tài liệu không được gán vào đúng lớp chứa nó, nhưng được gán vào lớp cha hoặc lớp con được xem là tốt hơn so với các lớp ở nhánh khác. 2.3.1. Đánh giá cho bài toán phân lớp phẳng Đánh giá kết quả phương pháp phân lớp văn bản có thể được tính toán theo nhiều cách khác nhau. Trong khóa luận này, chúng tôi tập trung vào độ chính xác của kết quả phân lớp cuối cùng. Theo khảo sát của Sebastiani [8], độ đo phổ biến nhất được sử dụng để đánh giá phân lớp phẳng là độ hồi tưởng và độ chính xác. Kí hiệu : Dữ liệu thực Lớp Ci Thuộc lớp Ci Không thuộc lớp Ci Thuộc lớp Ci TPi TNi Dự đoán Không thuộc lớp Ci FPi FNi Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 33 – TP (true positives): số lượng ví dụ dương được thuật toán phân đúng vào Ci. – TN (true negatives): số lượng ví dụ âm được thuật toán phân đúng vào Ci. – FP (false positives): số lượng ví dụ dương được thuật toán phân sai vào Ci. – FN (false negatives): số lượng ví dụ âm được thuật toán phân sai vào Ci. Độ chính xác Pri của lớp Ci là tỷ lệ số ví dụ dương được thuật toán phân lớp cho giá trị đúng trên tổng số ví dụ được thuật toán phân lớp vào lớp Ci : ii i i TNTP TP +=Pr Độ hồi tưởng Rei của lớp Ci là tỷ lệ số ví dụ dương được thuật toán phân lớp cho giá trị đúng trên tổng số ví dụ dương thực sự thuộc lớp Ci: ii i i FPTP TP +=Re Dựa vào độ chính xác và độ hồi tưởng chuẩn của mỗi lớp, độ chính xác và độ hồi tưởng cho toàn bộ các lớp, tức là { }1 2, ,..., mC C C có thể thu được bằng hai cách : Micro-Average và Macro-Average. • Microaveraging: 1 1 ˆ ( ) m i i m i i i TP Pr TP FP µ = = = + ∑ ∑ 1 1 ˆ ( ) m i i m i i i TP Re TP FN µ = = = + ∑ ∑ • Macroaveraging: 1ˆ m i M i Pr Pr m == ∑ 1ˆ m i M i Re Re m == ∑ Độ chính xác và độ hồi tưởng nếu sử dụng riêng biệt thì chưa đánh giá được năng lực của bộ phân lớp. Vì vậy, đánh giá bộ phân lớp văn bản thường được đo bằng tổ hợp của hai độ đo trên. Các độ đo phổ biến của tổ hợp hai độ đo này là : Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 34 ♦ Break-Even Point (BEP): BEP được đề xuất bởi Lewis, xác định điểm mà tại đó độ chính xác và độ hồi tưởng bằng nhau. Tuy nhiên, trong một số trường hợp không thể xác định được BEP. Ví dụ, nếu chỉ có vài dữ liệu dương và rất nhiều dữ liệu âm, khi đó độ hồi tưởng có thể cao hơn nhiều so với độ chính xác, do đó không thể tính được BEP. ♦ Độ đo Fβ : độ đo Fβ được đề xuất bởi Rijbergen. Nó là độ đo đơn giản được tính từ độ chính xác và độ hồi tưởng phụ thuộc vào độ quan trọng mà người dùng định nghĩa ( β ). Thông thường, β = 1 . Công thức tính độ đo Fβ là : 2 2 ( 1). . . Pr ReF Pr Reβ β β += + Trong trường hợp β=1 chúng ta có F1 là độ đo thông dụng nhất trong việc đánh giá năng lực của các bộ phân lớp. ♦ Độ chính xác trung bình của 11 điểm: độ chính xác là nội suy của 11 điểm mà độ hồi tưởng là 0.0, 0.1, ...., 1.0. Độ đo này được sử dụng khi phương pháp phân lớp tính hạng tài liệu phù hợp với một lớp hoặc lớp tương tự với một tài liệu. Bên cạnh độ chính xác và độ hồi tưởng, một số độ đo phổ biến khác cũng được sử dụng như : tỉ lệ đúng (Accuracy) và tỉ lệ lỗi (Error) kí hiệu là iAc và Eri của lớp Ci : i i i i i i i TP TNAc TP TN FP FN += + + + 1i ii i i i i i FP FNEr Ac TP TN FP FN += = −+ + + 2.3.2. Đánh giá dựa vào độ tương tự Dễ nhận thấy, nếu phương pháp A và B đều không phân tài liệu vào đúng lớp Ci của nó, nhưng phương pháp A phân vào lớp tương tự với lớp Ci hơn thì phương pháp A được đánh giá là tốt hơn so với phương pháp B. Vì vậy, chúng ta sẽ mở rộng định nghĩa độ chính xác và độ hồi tưởng chuẩn để đánh giá bộ phân lớp A và B. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 35 Độ tương tự giữa hai lớp iC và kC , kí hiệu là ( ),i kCS C C có thể được tính bằng nhiều cách khác nhau. Trong phân lớp văn bản, nếu mỗi tài liệu được biểu diễn là một vector thuộc tính : { }1 1 2 2, ,...,i N NC w t w t w t= { }1 1 2 2, ,..., N Nk vC t v t v t= Độ tương tự (Category Similarity – CS) và độ tương tự trung bình (Average Category Similarity – ACS) được tính theo công thức : ( ) 1 2 2 1 1 , )( N n n n i k N N n n n n w v C w v CS C = = = × = × ∑ ∑ ∑ ( ) ( )1 1 2 , 1 m m i k i k i CS C C ASC m m = = + × = × − ∑ ∑ Trong đó tn là chỉ số từ mục và wn và vn là trọng số từ khoá. Dựa vào độ đo tương tự, chúng ta có thể tính mức độ đúng của việc tài liệu jd được gán vào lớp iC . Trường hợp đơn giản nhất là jd được gán vào đúng lớp iC , tức là j iTPd ∈ , jd được tính là 1 trong công thức tính độ chính xác và độ hồi tưởng của lớp iC . Tuy nhiên, nếu jd không được gán nhãn đúng (tức là j iFPd ∈ ) chúng ta sẽ xem xét độ tương tự của các lớp mà jd được gán nhãn với lớp iC bằng cách tính phân phối của jd đối với lớp iC , kí hiệu là ( ),j id CCon theo công thức : ( ) ( )( ) . , , 1 j i C d lbd j i CS C C ACS d C ACS Con ′∈ ′ − = − ∑ Trong đó, dj.lbd là các lớp mà jd được gán nhãn. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 36 Tương tự, nếu jd là dữ liệu âm và thuật toán phân lớp cho giá trị sai, tức là j iFNd ∈ , thì phân phối của jd với lớp iC phụ thuộc vào độ tương tự giữa lớp iC và các lớp chứa jd ( kí hiệu là dj.agd) ( ) ( )( ) . , , 1 j i C d agd j i CS C C ACS d C ACS Con ′∈ ′ − = − ∑ Phân phối của một tài liệu có thể có giá trị âm hoặc dương, phụ thuộc vào độ tương tự giữa các nhãn được gán cho tài liệu và các lớp chứa tài liệu và độ tương tự trung bình ACS. Chú ý rằng một tài liệu có thể thuộc nhiều hơn một lớp. Phân phối của một tài liệu jd với lớp iC được hạn chế trong đoạn [ ]1,1− . Vì vậy, phân phối cải tiến (Refined – Contribution), kí hiệu ( ),j iRCon d C được xác định : ( ) ( )( )( ), min 1,max 1, ,j i j iRCon d C Con d C= − Với tất cả các tài liệu thuộc iFP , tổng phân phối iFpCon sẽ là : ( ), j i i j i d FP FpCon RCon d C ∈ = ∑ Tương tự, tổng phân phối iFnCon là : ( ), j i i j i d FN FnCon RCon d C ∈ = ∑ Độ chính xác và độ hồi tưởng mở rộng cho lớp iC dựa vào độ tương tự được xác định như sau : ( )max 0, i i iCS i i i i TP FpCon FnCon Pr TP FP FnCon + += + + ( )max 0, i i iCS i i i i TP FpCon FnCon Re TP FN FpCon + += + + Ngoài ra, chúng ta cũng có thể đánh giá dựa vào khoảng cách giữa các lớp trong cấu trúc phân cấp. Thay vì sử dụng độ tương tự giữa các lớp, chúng ta sử dụng độ đo khoảng cách giữa các lớp. Khoảng cách giữa hai lớp iC và kC , kí hiệu ( ),i kDis C C được định nghĩa là số đường liên kết giữa iC và kC . Nếu đường liên kết càng ngắn thì hai lớp càng gần nhau hơn. Từ đó, có thể tính được độ hồi tưởng, độ chính xác, độ đo F dựa vào khoảng cách giữa các lớp. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 37 Chương III. THỰC NGHIỆM 3.1. Dữ liệu và chương trình Cấu trúc của bộ dữ liệu sử dụng trong thực nghiệm : Mức 1 Mức 2 Mức 3 Alt.atheism Misc.forsale Soc.religion.christian Graphics Os.ms-windows.misc Windows.x Ibm.pc.hardware Com. Sys. Mac.hardware Autos Motor-cycles Baseball Rec. Sport. Hockey Crypt Electronics Med Sci. Space Guns Mideast Politics. Misc Talk. Religion.misc Hình 3.1: Cấu trúc Taxonomy của 20 lớp dữ liệu Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 38 Tập dữ liệu trong chương trình thực nghiệm sử dụng 20 lớp dữ liệu (Lang, 1995) ( chứa 19997 bài báo thuộc 20 chủ đề khác nhau được lấy từ nguồn dữ liệu Usenet. Đây là tập dữ liệu chuẩn được sử dụng trong rất nhiều nghiên cứu về phân lớp văn bản. Đặc điểm của tập dữ liệu này là một số lớp khá giống nhau, ví dụ lớp chủ đề về hệ thống phần cứng của máy IBM và hệ thống phần cứng của máy Macintos, hay các bài báo thuộc chủ đề talk.politics.misc và talk.religion.misc. Một đặc điểm nữa là tập từ vựng của 20 chủ đề rất lớn, nên đòi hỏi các thuật toán phân lớp phải làm việc được với dữ liệu có số chiều lớn. Cấu trúc taxonomy của bộ dữ liệu được biểu diễn như hình 3.1. Tập dữ liệu có tất cả 19997 tài liệu thuộc 20 lớp khác nhau. Vì số lượng dữ liệu lớn nên chương trình thực nghiệm chỉ sử dụng 12 lớp thuộc 3 nhánh: rec, sci, talk: 1. Rec.autos 2. Rec.motor-cycles 3. Rec.sport.baseball 4. Rec.sport.hockey 5. Sci.crypt 6. Sci.electronics 7. Sci.med 8. Sci.space 9. Talk.politics.guns 10. Talk.politics.mideast 11. Talk.politics.misc 12. Talk.religion.misc Tập dữ liệu được chia thành hai tập con rời nhau, tập dữ liệu huấn luyện và tập dữ liệu kiểm tra, theo tỉ lệ tập dữ liệu huấn luyện : tập dữ liệu kiểm tra bằng 2:1. Bảng 3.1: Phân bố dữ liệu học và kiểm tra Tổng số tài liệu 12285 Tập dữ liệu học 8201 Tập dữ liệu kiểm tra 4084 Cấu trúc của 12 lớp dữ liệu lựa chọn trong thực nghiệm được biểu diễn theo cấu trúc taxonomy sau ( Hình 3.2): Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 39 Tiền xử lý văn bản: module tiền xử lý tách văn bản thành các tập từ đơn (không tách các cụm từ). Sau khi tách từ và loại bỏ các từ dừng được liệt kê trong phụ lục A, và một số kí tự đặc biệt delim (delim = _@${}()-[]:;,.=?*&^%#!|+~/\'\), chương trình tính trọng số từ khoá TF.IDF và chương trình đưa mỗi tài liệu về dạng vector các từ mục. Bởi vì SVMs có thể giải quyết tốt với các bài toán có số chiều lớn nên thực nghiệm không làm Trích chọn thuộc tính và loại bỏ các từ mục xuất hiện ít hơn ba lần trong tập dữ liệu học . Mỗi văn bản được biểu diễn trên một dòng và dưới dạng vector như sau: : :<giá trị thuộc tính>.........: GỐC REC SCI TALK AUTOS MOTOR CYCLES SPORT BASEBALL CRYPT ELEC- TRONICS MED SPACE POLITICS RELIGION. MISC GUN MIDEAST MISC HOCKEY Hình 3.2. Cấu trúcTaxonomy tập dữ liệu Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 40 Trong đó: ♦ : biểu diễn chủ đề của văn bản. – Với bài toán phân lớp văn bản nhị phân có giá trị +1 nếu ví dụ thuộc chủ đề đang xét và -1 nếu ví dụ không thuộc chủ đề đang xét. – Với bài toán phân lớp văn bản nhiều lớp là các số nguyên. ♦ : là số nguyên dương, tham chiếu đến tập thuộc tính được lựa chọn trong quá trình tiền xử lý dữ liệu. Văn bản được sắp xếp theo thứ tự tăng dần của . ♦ : biểu diễn độ quan trọng của thuộc tính trong tập dữ liệu học. Mỗi giá trị thuộc tính là một số thực, định dạng gồm 16 chữ số sau dấu phẩy và được tính theo công thức TFIDF: , , | |logl d l d l DTFIDF freq df ⎛ ⎞= ∗ ⎜ ⎟⎝ ⎠ 3.2. Môi trường thực nghiệm. Môi trường thực nghiệm: hệ điều hành Windows XP, vi xử lý Pentium 4, RAM 256. Khóa luận xây dựng chương trình thi hành phân lớp phân cấp được viết trên ngôn ngữ C/C++, môi trường Dev-C++ 4.9.8.0. Chương trình này tích hợp module chương trình tiền xử lý văn bản (do khóa luận xây dựng) và module phân lớp phẳng (khai thác mã nguồn bộ phân lớp SVMs nhị phân phiên bản 6.01, ngày 02/09/2004 tại 3.3. Kết quả và đánh giá 3.3.1. Thực nghiệm1 : Phân lớp phân cấp theo hướng top-down Với bài toán phân lớp phân cấp theo phương pháp top-down, ta cần xây dựng các bộ phân lớp nhánh và bộ phân lớp lá. Mỗi nút trong và nút lá của taxonomy được xây dựng một bộ phân lớp nhị phân. Và các bộ phân lớp này phải được học với cả dữ liệu âm và dữ liệu dương. Việc lựa chọn dữ liệu học cho các bộ phân lớp là rất quan Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 41 trọng và không giống phương pháp lựa chọn tập dưa liệu cho bài toán phân lớp phẳng. Cách lựa chọn tập dữ liệu học cho các bộ phân lớp như phần 2.2.2 trình bày. Với cấu trúc taxonomy như hình 3.2, ta cần xây dựng 3 bộ phân lớp nhánh cho các nút trong tại mức 1; hai bộ phân lớp nhánh tại mức hai và 12 bộ phân lớp cục bộ cho các lá. Tổng cộng, ta cần xây dựng 17 bộ phân lớp, trong đó có 5 bộ phân lớp nhánh và 12 bộ phân lớp cục bộ. Kí hiệu P là số lượng dữ liệu dương, N là số lượng dữ liệu âm. Phân phối dữ liệu học cho các bộ phân lớp được biểu diễn như hình 3.3.a: GỐC P: 2646 REC N: 3024 P: 2667 SCI N: 3048 P: 2888 TALK P: 3304 P: 662 AUTOS N: 1984 P: 661 MOTOR CYCLES N: 1985 P: 1323 SPORT N: 1323 P: 661 BASEBALL N: 662 P: 666 CRYPT N: 2001 P: 667 ELEC- TRONICS N: 2000 P: 668 MED N: 1999 P: 666 SPACE N: 2001 P: 2142 POLITICS N: 746 P: 746 RELIGION. MISC N: 2142 P: 698 GUNS N: 1444 P: 666 MIDEAST N: 1476 P: 778 MISC N: 1364 P: 662 HOCKEY N: 661 Hình 3.3.a: Phân phối dữ liệu học cho các bộ phân lớp Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 42 Dữ liệu kiểm tra cũng được xây dựng tương tự như dữ liệu học. Tổng dữ liệu kiểm tra cho toàn bộ taxonomy là 4084 tài liệu thuộc 12 lá. Dữ liệu kiểm tra cho các bộ phân lớp nhánh và bộ phân lớp cục bộ của taxonomy được biểu diễn dưới hình 3.3.b : GỐC 4084 P: 1323 REC N: 2761 P: 1320 SCI N: 2764 P: 1441 TALK P: 2643 P: 308 AUTOS N: 1026 P: 325 MOTOR CYCLES N: 1009 P: 644 SPORT N: 690 P: 322 BASEBALL N: 340 P: 309 CRYPT N: 997 P: 305 ELEC- TRONICS N: 1001 P: 279 MED N: 1027 P: 306 SPACE N: 1000 P: 1073 POLITICS N: 462 P: 322 RELIGION. MISC N: 1213 P: 335 GUNS N: 881 P: 290 MIDEAST N: 856 P: 386 MISC N: 760 P: 319 HOCKEY N: 343 Hình 3.3.b: Phân phối dữ liệu kiểm tra cho các bộ phân lớp Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 43 Kết quả phân lớp cho các nút trong của taxonomy được biểu diễn trong bảng 3.2.a và biểu đồ 3.1.a : Bảng 3.2.a: Kết quả phân lớp cho các nút trong của taxonomy Tên lớp Tỉ lệ phân lớp đúng Độ chính xác Độ hồi tưởng Độ đo Fβ ( 1β = ) Rec 97.48% 95.73% 96.52% 96.12% Sci 94.42% 91.81% 90.83% 91.32% Talk 95.49% 90.94% 96.88% 93.82% Rec.sport 98.20% 96.83% 99.53% 98.16% Talk.politics 79.35% 82.98% 88.63% 85.71% 96.12 91.32 93.82 98.16 85.71 78 80 82 84 86 88 90 92 94 96 98 100 rec sci talk rec.sport talk.politics Lớp Đ ộ đo F 1 Biểu đồ 3.1.a: Biểu đồ biểu diễn độ đo F1 của các nút trong Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 44 Nhận xét : Từ biểu đồ 3.1.a, ta thấy rằng, 5 bộ phân lớp nhánh của taxonomy làm việc rất hiệu quả và đạt kết quả cao. Cả 5 bộ phân lớp đều cho độ đo F gần 90%, đặc biệt, bộ phân lớp nhánh Rec.sport đạt kết quả gần 100% cho cả độ chính xác và độ hồi tưởng. Bộ phân lớp nhánh talk.politics thu được kết qủa thấp nhất với độ đo F là 85.71%. Kết quả cho các lá của taxonomy được biểu diễn trong bảng 3.6.b : Bảng 3.2.b: Kết quả phân lớp cho các lá của taxonomy Tên lớp Tỉ lệ phân lớp đúng Độ chính xác Độ hồi tưởng Độ đo Fβ ( 1β = ) Rec.autos 97.00% 94.08% 92.86% 93.47% Rec.motorcycles 97.68% 97.42% 92.29% 94.79% Rec.sport.baseball 94.56% 91.81% 97.52% 94.58% Rec.sport.hockey 96.22% 95.94% 96.24% 96.09% Sci.crypt 96.25% 94.83% 89.00% 91.82% Sci.electronics 92.50% 90.27% 76.07% 82.56% Sci.med 90.02% 95.22% 85.66% 90.19% Sci.space 96.17% 95.82% 89.87% 92.75% Talk.politics.guns 90.49% 81.56% 87.16% 84.27% Talk.politics.mideast 93.54% 94.37% 82.21% 87.87% Talk.politics.misc 83.94% 66.06% 75.17% 70.32% Talk.religion.misc 87.17% 66.07% 79.81% 72.29% Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 45 93.47 94.79 94.58 96.09 91.82 82.56 90.19 92.75 84.27 87.87 70.32 72.29 0 20 40 60 80 100 120 rec .au tos rec .m oto rcy cle s rec .sp or t.b as eb all rec .sp or t.h oc ke y sc i.c ryp t sc i.e lec tro nic s sc i.m ed sc i.s pa ce tal k.p oli tic s.g un s tal k.p oli tic s.m ide as t tal k.p oli tic s.m isc tal k.r eli gio n.m isc Lớp Đ ộ đo F 1 Biểu đồ 3.1.b: Biểu đồ biểu diễn độ đo F1 các lá của taxonomy Kết quả thực nghiệm cho thấy rằng với phương pháp phân lớp phân cấp, kết quả thu được tốt cho cả 12 lá của taxonomy. Lớp Talk.politics.misc đạt kết quả thấp nhất với F1=70.32%, lớp Rec.sport.hockey đạt kết quả cao nhất với F1=96.09%. Sau khi tính tỉ lệ phân lớp đúng, độ chính xác và độ hồi tưởng cho mỗi bộ phân lớp. Một vài độ đo tổ hợp được tính toán theo công thức sau: ♦ Tỉ lệ phân lớp đúng trung bình: 1( ) N i i Acc Avg Acc N == ∑ ♦ Macroaveraging: 1ˆ m i M i Pr Pr m == ∑ 1ˆ m i M i Re Re m == ∑ Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 46 ♦ Độ đo Fβ trung bình tính theo công thức: 1( ) N i F Avg F N β β == ∑ Kết quả được thể hiện như bảng 3.3 : Bảng 3.3 : Kết quả trung bình Tỉ lệ phân lớp đúng trung bình 92.97% Độ chính xác trung bình 89.51% Độ hồi tưởng trung bình 89.19% Độ đo F1 trung bình 89.18% 3.3.2. Thực nghiệm 2 : Khảo sát sự phụ thuộc thời gian huấn luyện và kết quả vào tập thuộc tính. Ta biết rằng, việc lựa chọn tập thuộc tính là rất quan trọng vì nó ảnh hưởng trực tiếp tới thời gian huấn luyện và kết quả phân lớp. Đối với bài toán phân lớp phân cấp, ở các mức trên của cây phân cấp, chỉ cần chọn tập thuộc tính phù hợp nhất để phân biệt giữa các lớp ở mức đó. Quay trở lại hình 2.2, như phần 2.2.1 đã trình bày, “Máy tính” là một thuộc tính rất tốt để phân biệt giữa các lớp ở mức 1. Nếu đi sâu xuống nhánh “Tin học” sẽ có nhiều thuộc tính chuyên biệt hơn để phân biệt giữa các lớp ở nhánh này, và độ quan trọng của thuộc tính “Máy tính” tại nhánh “Tin học” sẽ bị giảm đi. Vì vậy, khoá luận tiến hành một vài thực nghiệm nhằm khảo sát sự phụ thuộc của việc lựa chọn tập thuộc tính tại mức 1 của cây phân cấp hình 3.2 với thời gian huấn luyện và kết quả phân lớp thu được. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 47 Tập thuộc tính của ba lớp ở mức 1 được thể hiện như sau (Bảng 3.4): REC SCI TALK 16238 18596 19622 Tập thuộc tính được lựa chọn theo độ đo thông tin qua lại(MI) : ( ) ( ) ( ), log A NI t c A C A B ×≈ + × + Thử nghiệm trên ba lần lựa chọn số lượng thuộc tính có MI lớn nhất cho mỗi lớp giảm dần theo thống kê sau (Bảng 3.5) : REC SCI TALK 50% 8119 9296 9622 40% 6495 7436 7697 30% 4871 5577 5773 Sử dụng tập dữ liệu kiểm tra cho ba lớp ở mức 1 như thực nghiệm 1 ta thu được kết quả như sau (Bảng 3.6): Lớp Phần trăm Bảng 3.5 : Số lượng thuộc tính được lựa chọn cho mỗi lớ Bảng 3.4 : Tập thuộc tính của mỗi lớp tại mức 1 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 48 Tỉ lệ phân lớp đúng Độ chính xác Độ hồi tưởng Độ đo Fβ ( 1β = ) Không lựa chọn 97.48% 95.73% 96.52% 96.12% 50% 97.45% 95.79% 96.37% 96.08% 40% 96.84% 95.09% 95.06% 95.08% REC 30% 97.55% 97.51% 94.86% 96.17% Không lựa chọn 94.42% 91.81% 90.83% 91.32% 50% 94.54% 92.22% 90.76% 91.48% SCI 40% 94.86% 92.30% 91.74% 92.02% 30% 95.13% 93.08% 91.74% 92.41% Không lựa chọn 95.49% 90.94% 96.88% 93.82% 50% 95.77% 91.18% 96.81% 93.91% 40% 95.98% 91.87% 97.22% 94.47% TALK 30% 95.94% 93.22% 95.42% 94.31% Độ đo trung bình của cả ba lớp trong từng trường hợp được thể hiện trong bảng 3.7 và biểu đồ 3.2: Bảng 3.6: Kết quả phân lớp cho từng trường hợp Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 49 Độ đo Phần trăm Tỉ lệ phân lớp đúng trung bình Độ chính xác trung bình Độ hồi tưởng trung bình Độ đo F1 trung bình Không lựa chọn 95.68% 92.83% 94.74% 93.75% 50% 95.92% 93.06% 94.65% 93.82% 40% 95.89% 93.09% 94.67% 93.86% 305 96.21% 94.60% 94.01% 94.30% 93.57 93.82 93.86 94.3 93.2 93.4 93.6 93.8 94 94.2 94.4 Không lựa chọn 50% 40% 30% Các trường hợp Đ ộ đo F 1 Nhận xét : Từ biểu đồ 3.2, dễ nhận thấy với bài toán phân lớp phân cấp văn bản, khi lựa được tập thuộc tính phù hợp để phân biệt giữa các lớp thì kết quả phân lớp trung bình sẽ tăng lên. Từ bảng 3.6 và 3.7 ta thấy có một số lớp khi tập thuộc tính được rút gọn Bảng 3.7: Kết quả trung bình cho từng trường hợp Biểu đồ 3.2: Độ đo F1 của bộ phân lớp khi sử dụng độ đo thông tin MI Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 50 thì kết quả giảm đi. Điều này là hoàn toàn tự nhiên, và sẽ tồn tại một ngưỡng mà tại đó kết quả phân lớp trung bình sẽ thấp hơn so với khi không lựa chọn tập thuộc tính. Vì vậy, đối với các ứng dụng lớn, cần xem xét lựa chọn ngưỡng phù hợp để kết quả phân lớp cao nhất có thể. REC SCI TALK Tổng thời gian Không lựa chọn 7.44 7.89 8.15 23.48 50% 6.58 7.01 7.65 21.24 40% 4.50 5.02 5.36 14.88 30% 3.12 3.75 3.48 10.35 23.48 21.24 14.88 10.35 0 5 10 15 20 25 Không lựa chọn 50% 40% 30% Phần trăm đặc trưng được lựa chọn Th ờ i g ia n (s ) Bảng 3.8 : Thời gian huấn luyện của từng lớp Biểu đồ 3.3 : Tổng thời gian huấn luyện theo phần trăm thuộc tính được lựa chọn Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 51 Lựa chọn được tập thuộc tính phù hợp không những làm tăng kết quả mà một điều rất quan trọng là thời gian huấn luyện các bộ phân lớp sẽ giảm đáng kể. Điều này được thể hiện trong bảng 3.8 biểu diễn thời gian huấn luyện cho từng lớp (tính theo đơn vị giây) cho từng trường hợp. Sự phụ thuộc tổng thời gian huấn luyện của cả ba lớp theo sự lựa chọn thuộc tính được thể hiện như biểu đồ 3.3. Nhận xét: Dễ nhận thấy, tập thuộc tính càng được rút gọn thì tổng thời gian huấn luyện cho cả ba lớp đều giảm đi rõ rệt. Đây là một trong những tiêu chí quan trọng mà các hệ thống phân lớp hướng tới, đặc biệt với các hệ thống lớn. Từ thực nghiệm có thể rút ra kết luận rằng : lựa chọn được tập thuộc tính phù hợp cho các mức của cây phân cấp không chỉ làm giảm thời gian huấn luyện các phân lớp mà còn làm tăng kết quả phân lớp cuối cùng. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 52 KẾT LUẬN Từ việc nghiên cứu lý thuyết và kết quả thực nghiệm có thể khẳng định rằng bài toán phân lớp phân cấp văn bản thực sự tốt. Đặc biệt, đối với các hệ thống phân lớp mà số lượng các lớp nhiều, thì phân lớp phân cấp văn bản sẽ phát huy được những ưu điểm của mình, không chỉ về kết quả phân lớp mà cả mặt thời gian phân lớp. Bài toán phân lớp phân cấp văn bản Web thực sự có ý nghĩa về nghiên cứu và triển khai. Về mặt nội dung, khoá luận đã đạt được những kết quả sau : – Nghiên cứu một phương pháp giải quyết bài toán phân lớp phân cấp và cách xây dựng các bộ phân lớp cho cây phân cấp văn bản. – Nghiên cứu, phân tích hoạt động các thuật toán kNN, AdaBoost và SVM giải quyết bài toán phân lớp phân cấp. Đề xuất ý tưởng đưa trọng số vào mỗi nút trong quá trình phân lớp phân cấp. – Xây dựng chương trình thi hành phân lớp phân cấp được viết trên ngôn ngữ C/C++, môi trường Dev-C++ 4.9.8.0 được tích hợp từ module chương trình tiền xử lý văn bản (do khóa luận xây dựng) và module phân lớp phẳng (khai thác mã nguồn bộ phân lớp SVM nhị phân phiên bản 6.01). Kết quả thực nghiệm trên tập dữ liệu 20 NewsGroup cho thấy tính khả thi của chương trình phân lớp phân cấp với độ đo F1 xấp xỉ 90%. Bên cạnh đó, do thời gian và kiến thức có hạn, khoá luận vẫn còn một vài hạn chế sau : – Chương trình sử dụng thuật toán SVM cho bài toán phân lớp phân cấp mới thi hành trên một bộ dữ liệu nên chưa có kết quả trên nhiều bộ dữ liệu. Chưa thi hành nhiều thuật toán để chọn được phương án tốt. – Do chưa nhận được độ đo đánh giá phân lớp phân cấp chuẩn nên khóa luận tiến hành đánh giá kết quả phân lớp phân cấp theo các độ đo của phân lớp phẳng là độ chính xác, độ hồi tưởng và độ đo F1. Đây là một hạn chế của khóa luận. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 53 Trong tương lai, khoá luận sẽ tiếp tục hoàn thiện theo hướng sau : – Thử nghiệm trên nhiều bộ dữ liệu khác nhau, đặc biệt áp dụng bài toán phân lớp với các trang Web tiếng Việt. – Sử dụng một số thuật toán phân lớp phẳng khác với SVM để từ đó tìm được thuật toán hiệu quả đối với bài toán phân lớp phân cấp. – Ý tưởng đánh trọng số cho các thuộc tính dựa vào độ sâu của taxonomy chưa tiến hành cài đặt được. Trong thời gian tới, chúng tôi sẽ tiến hành cài đặt chương trình này. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 54 TÀI LIỆU THAM KHẢO Tài liệu Tiếng Việt [1]. Đặng Thanh Hải. Thuật toán phân lớp văn bản web và thực nghiệm trên máy tìm kiếm Viettseek. Khoá luận tốt nghiệp 2004, Trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội Tài liệu Tiếng Anh [2]. Ahswin K Pulijala, Susan Gauch. Hierachical Text Classification, International Conference on Cybernetics and Information Technologies, Systems and Applications: CITSA 2004, Vol. 1, Orlando, FL, July 2004, pp. 257-262. [3]. Aixin Sun and Ee-Peng Lim Hierarchical Text Classification and Evaluation – Proceedings of the 2001 IEEE International Conference on Data Mining (ICDM 2001) Pages 521-528, California, USA, November 2001. [4]. Andrew Mc Callum, Ronald Rosenfeld, Tom Mitchell, Andrew Y.Ng Improving Text Classification by Shrinkage in a Hierarchy of Classes, In Proceedings of The Eighteenth International Conference on Machine Learning, 1998. [5] .D.Wollersheim, W.J.Rahayu Using Medical Test Collection Relevance Judgement to Identify Ontological Relationships Useful for Query Expansion 21st International Conference on Data Engineering 2005. [6]. Daphne Koller, Mehran Sahami Hierarchical classifying documents using very few words Proceedings of the Fourteenth International Conference on Machine Learning (ML-97) pages 170-178, Nashville, Tennessee, July 1997. [7]. Delphi Group, a Perot Systems Company. Information intelligence: Content Classification and the Enterprise Taxonomy Practice, 2004. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 55 [8]. Fabrizio Sebastiani. Machine Learning in Automated Text Categorization. ACM Computing Survey, 34(1) pages 1-47, 2002. [9]. H.T.Kung, C.H.Wu Content Networks: Taxonomy and New Approaches The Internet as a Large-Scale Complex System, Kihong Park and Walter Willinger (Editors), published by Oxford University Press as part of Sante Fe Institute series, 2002. [10]. Ian H.Witten & Eibe Frank. Data Mining – Practical Machine Learning Tools and Techniques – second Edition Morgan Kaufmann Publishers. [11]. Lijuan Cai, Thomas Hofmann Hierarchical Document Categorization with Support Vector Machines Proceedings of the ACM Conference on Information and Knowledge Management, pages 78-87. [12]. Michael Granitzer. Hierarchical Text Classification using methods from Machine Learning, Master Thesis at Graz University of Technology, submitted by Michael Granitzer – Institute of Theoretical Computer Science (IGI) Graz University of Technology A-8010 Graz, Austria, 27th Octorber 2003. [13].Michael Granitzer,Peter Auer. Experiments With Hierarchical Text Classification. Proceedings of 9th IASTED International Conference on Artifical Interlligence, IASTED, ACTA Press, Benidorm, Spain. [14]. Miguel E.Ruiz , Padmini srinivasan Hierarchical Text Categorization Using Neural Networks Information Retrieval, 2002 Kluwer Academic Publishers. [15].OU Shi-yan, KHOO Christopher S.G, GOH Dion H. Division of Information Studies, Constructing a taxonomy to support multi-document summarization of dissertation abstracts. Proceedings Issue of the 1st International Conference on Universal Digital Library (ICUDL 2005). Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 56 [16]. Pierre Baldi, Paolo Frasconi, Padhraic Smyth. Modeling the Internet and the Web: Probabilistic Methods and Algorithms, Published by John Wiley & Sons Ltd, The Southern Gate, Chichester West Sussex PO19 8SQ, England - 2003. [17]. Shrikanth Shankar, George Karypis. A weight adjustment algorithm for document categorization, SIGKDD Wordshop on Text Mining, Boston, MA. [18]. Soumen Chakrabarti, Indian Institute of Technology, Bombay, trang 183-188, Mining the web- discovering knowledge from Hypertext Data Morgan Kaufman Publishers. [19]. Soumen Chakrabarti, Byron Dom. Rakesh Agrawal, Prabhakar Raghavan Using taxonomy, discriminats, and signatures for navigating in text databases, Proceedings of the International Conference on Very Large Data Bases (VLDB). [20]. Svetlane Kiritchenko. Hierarchical Text Categorization and Its Application to Bioinformatics, Ph.D thesis in Computer Science – School of Information Technology and Engineering Faculty of Engineering University of Ottawa, Canada 2005. [21]. Susan Dumais, Hao Chen - Hierarchical Classification of Web Content, Proceedings of the ACM International Conference on Research and Development in Information Retrieval (SIGIR), pages 256-263. [22]. Yiming Yang, Jan O.Pedersen A Comparative Study on Feature Selection in Text Categorization. Proceedings of the Fourteenth Internationcal Conference on Machine Learning (ICML ’97), 412-420, 1997. [23]. Yongwook Yoon, Changkl Lee, Gary Geunbae Lee An effective procedure for constructing a hierarchical text classification system. Journal of American Society for Information Science and Technology (JASIST), 57(3), (pp. 431-442). [24]. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 57 PHỤ LỤC A. DANH SÁCH TỪ DỪNG Danh sách các từ dừng được sử dụng trong thực nghiệm : (danh sách các từ dừng được sử dụng từ nguồn BOW toolkit – Andrew McCallum 1998,1999) a, able, about, above, according, accordingly, across, actually, after, afterwards, again, against, all, allow, allows, almost, alone, along, already, also, although, always, am, among, amongst, an, and, another, any, anybody, anyhow, anyone, anything, anyway, anyways, anywhere, apart, appear, appreciate, appropriate, are, around, as, aside, ask, asking, associated, at, available, away, awfully. b, be, became, because, become, becomes, becoming, been, before, beforehand, behind, being, believe, below, beside, besides, best, better, between, beyond, both, brief, but, by. c, came, can, cannot, cant, cause, causes, certain, certainly, changes, clearly, co, com, come, comes, concerning, consequently, consider, considering, contains, corresponding, could, course, currently. d, definitely, described, despite, did, different, do, does, doing, done, down, downwards, during. e, each, edu, eg, eight, either, else, elsewhere, enough, entirely, especially, et, etc, even, ever, every, everybody, everyone, everything, everywhere, ex, exactly, example, except. f, far, few, fifth, first, five, followed, following, follows, for, former, formerly, forth, four, from, further, furthermore. g, get, gets, getting, given, gives, go, goes, going, gone, got, gotten, greetings. h, had, happens, hardly, has, have, having, he, hello, help, hence, her, here, hereafter, hereby, herein, hereupon, hers, herself, hi, him, himsefl, his, hither, hopefully, how, howbeit, however. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 58 i, ie, if, ignored, immediate, in, inasmuch, inc, indeed, indicate, indicated, indicates, inner, insofar, instead, into, inward, is, it, its, itsefl. j, just, k, keep, kept, know, knows, known. l, last, lately, later, latter, latterly, least, less, lest, let, like, liked, likely, little, look, looking, looks, ltd. m, mainly, many, may, maybe, me, mean, meanwhile, merely, might, more, moreover, most, much, must, my, mysefl. n, name, namely, nd, near, nearly, necessary, need, needs, neither, never, nevertheless, new, next, nine, no, nobody, non, none, noone, nor, normally, not, nothing, novel, now, nowhere. o, obviously, of, off, often, oh, ok, okay, old, on, once, one, ones, only, onto, or, other, others, otherwise, ought, our, ours, ourselses, out, outside, overall, own. p, particular, particularly, per, perhaps, placed, please, plus, possible, presumably, probably, provides. q, que, quite, qv. r, rather, rd, re, really, reasonably, regarding, regardless, regards, relatively, respectively, right. s, said, same, saw, say, saying, says, second, secondly, see, seeing, seem, seeming, seems, seen, self, selves, sensible, sent, serious, seriously, seven, shall, she, should, since, six, so, some, somebody, somehow, someone, something, sometime, sometimes, somewhat, somewhere, soon, sorry, specified, specify, specifying, still, sub, such, sup, sure. t, take, taken, tell, tends, th, than, thank, thanks, thanx, that, thats, the, their, theirs, them, themselves, then, thence, there, thereafter, thereby, therefore, therein, theres, thereupon, these, they, think, third, this, thorough, thoroughly, those, though, three, through, throughout, thru, thus, to, together, too, took, toward, towards, tried, tries, truly, try, trying, twice, two. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 59 u, un, under, unfortunately, unless, unlikely, until, unto, up, upon, us, use, used, useful, uses, using, usually, uucp. v, value, various, very, via, viz, vs w, want, wants, was, way, we, welcome, well, went, were, what, whatever, when, whence, whenever, where, whereafter, whereas, whereby, wherein, whereupon, wherever, which, while, whither, who, whoever, whole, whom, whose, why, will, willing, wish, with, within, without, wonder, would. x, y, yes, yet, you, your, yours, yourself, yourselves, z, zero.

Các file đính kèm theo tài liệu này:

  • pdfPhân lớp phân cấp taxonomy văn bản web và ứng dụng.pdf