MỤC LỤC
MỤC LỤC i
DANH SÁCH CÁC HÌNH v
DANH SÁCH CÁC BẢNG BIỂU . vi
CÁC CỤM TỪ VIẾT TẮT vii
LỜI MỞ ĐẦU 1
Chương 1. TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU 3
1.1. Khai phá dữ liệu và phát hiện tri thức . 3
1.1.1. Khai phá dữ liệu 3
1.1.2. Quá trình khám phá tri thức 4
1.1.3. Khai phá dữ liệu và các lĩnh vực liên quan 5
1.1.4. Các kỹ thuật áp dụng trong khai phá dữ liệu 5
1.1.5. Những chức năng chính của khai phá dữ liệu 7
1.1.6. Ứng dụng của khai phá dữ liệu . 9
1.2. Kỹ thuật phân cụm trong khai phá dữ liệu 10
1.2.1. Tổng quan về kỹ thuật phân cụm 10
1.2.2. Ứng dụng của phân cụm dữ liệu . 13
1.2.3. Các yêu cầu đối với kỹ thuật phân cụm dữ liệu . 13
1.2.4. Các kiểu dữ liệu và độ đo tương tự . 15
1.2.4.1. Phân loại kiểu dữ liệu dựa trên kích thước miền . 15
1.2.4.2. Phân loại kiểu dữ liệu dựa trên hệ đo 15
1.2.4.3. Khái niệm và phép đo độ tương tự, phi tương tự 17
1.3. Khai phá Web 20
1.3.1. Lợi ích của khai phá Web . 20
1.3.2. Khai phá Web . 21
1.3.3. Các kiểu dữ liệu Web 22
1.4. Xử lý dữ liệu văn bản ứng dụng trong khai phá dữ liệu Web 23
1.4.1. Dữ liệu văn bản . 23
1.4.2. Một số vấn đề trong xử lý dữ liệu văn bản . 23
1.4.2.1. Loại bỏ từ dừng 24
1.4.2.2. Định luật Zipf . 25
1.4.3. Các mô hình biểu diễn dữ liệu văn bản 26
1.4.3.1. Mô hình Boolean 26
1.4.3.2. Mô hình tần số . 27
1.5. Tổng kết chương 1 . 30
Chương 2. MỘT SỐ KỸ THUẬT PHÂN CỤM DỮ LIỆU . 31
2.1. Phân cụm phân hoạch 31
2.1.1. Thuật toán k-means . 32
2.1.2. Thuật toán PAM 34
2.1.3. Thuật toán CLARA . 38
2.1.4. Thuật toán CLARANS 39
2.2. Phân cụm phân cấp 41
2.2.1. Thuật toán BIRCH 42
2.2.2. Thuật toán CURE 45
2.3. Phân cụm dựa trên mật độ . 47
2.3.1 Thuật toán DBSCAN . 47
2.3.2. Thuật toán OPTICS 51
2.3.3. Thuật toán DENCLUE . 52
2.4. Phân cụm dựa trên lưới 54
2.4.1 Thuật toán STING . 55
2.4.2 Thuật toán CLIQUE . 56
2.5. Phân cụm dữ liệu dựa trên mô hình . 57
2.5.1. Thuật toán EM 58
2.5.2. Thuật toán COBWEB . 59
2.6. Phân cụm dữ liệu mờ . 59
2.7. Tổng kết chương 2 . 60
Chương 3. KHAI PHÁ DỮ LIỆU WEB . 62
3.1. Khai phá nội dung Web . 62
3.1.1. Khai phá kết quả tìm kiếm 63
3.1.2. Khai phá văn bản Web 63
3.1.2.1. Lựa chọn dữ liệu 64
3.1.2.2. Tiền xử lý dữ liệu . 64
3.1.2.3. Biểu điễn văn bản . 65
3.1.2.4. Trích rút các từ đặc trưng . 65
3.1.2.5. Khai phá văn bản . 66
3.1.3. Đánh giá chất lượng mẫu 68
3.2. Khai phá theo sử dụng Web 69
3.2.1. Ứng dụng của khai phá theo sử dụng Web . 70
3.2.2. Các kỹ thuật được sử dụng trong khai phá theo sử dụng Web . 71
3.2.3. Những vấn đề trong khai khá theo sử dụng Web. 71
3.2.3.1. Chứng thực phiên người dùng . 71
3.2.3.2. Đăng nhập Web và xác định phiên chuyển hướng người dùng . 72
3.2.3.3. Các vấn đề đối với việc xử lý Web log 72
3.2.3.4. Phương pháp chứng thực phiên làm việc và truy cập Web . 73
3.2.4. Quá trình khai phá theo sử dụng Web 73
3.2.4.1. Tiền xử lý dữ liệu . 73
3.2.4.2. Khai phá dữ liệu . 73
3.2.4.3. Phân tích đánh giá 75
3.2.5. Ví dụ khai phá theo sử dụng Web 75
3.3. Khai phá cấu trúc Web 77
3.3.1. Tiêu chuẩn đánh giá độ tương tự 79
3.3.2. Khai phá và quản lý cộng đồng Web 80
3.3.2.1. Thuật toán PageRank . 81
3.3.2.2. Phương pháp phân cụm nhờ thuật toán HITS . 82
3.4. Áp dụng thuật toán phân cụm dữ liệu trong tìm kiếm và PCDL Web 85
3.4.1. Hướng tiếp cận bằng kỹ thuật phân cụm 85
3.4.2. Quá trình tìm kiếm và phần cụm tài liệu 87
3.4.2.1. Tìm kiếm dữ liệu trên Web 87
3.4.2.2. Tiền xử lý dữ liệu . 88
3.4.2.3. Xây dựng từ điển 89
3.4.2.4. Tách từ, số hóa văn bản và biểu diễn tài liệu . 90
3.4.2.5. Phân cụm tài liệu 90
3.4.6. Kết quả thực nghiệm . 92
3.5. Tổng kết chương 3 . 93
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN . 94
PHỤ LỤC . 96
TÀI LIỆU THAM KHẢO . 102
LỜI MỞ ĐẦU
Trong những năm gần đây cùng với phát triển nhanh chóng của khoa học
kỹ thuật là sự bùng nỗ về tri thức. Kho dữ liệu, nguồn tri thức của nhân loại
cũng trở nên đồ sộ, vô tận làm cho vấn đề khai thác các nguồn tri thức đó ngày
càng trở nên nóng bỏng và đặt ra thách thức lớn cho nền công nghệ thông tin
thế giới.
Cùng với những tiến bộ vượt bậc của công nghệ thông tin là sự phát triển
mạnh mẽ của mạng thông tin toàn cầu, nguồn dữ liệu Web trở thành kho dữ liệu
khổng lồ. Nhu cầu về tìm kiếm và xử lý thông tin, cùng với yêu cầu về khả năng
kịp thời khai thác chúng để mạng lại những năng suất và chất lượng cho công
tác quản lý, hoạt động kinh doanh, đã trở nên cấp thiết trong xã hội hiện đại.
Nhưng vấn đề tìm kiếm và sử dụng nguồn tri thức đó như thế nào để phục vụ
cho công việc của mình lại là một vấn đề khó khăn đối với người sử dụng. Để
đáp ứng phần nào yêu cầu này, người ta đã xây dựng các công cụ tìm kiếm và
xử lý thông tin nhằm giúp cho người dùng tìm kiếm được các thông tin cần thiết
cho mình, nhưng với sự rộng lớn, đồ sộ của nguồn dữ liệu trên Internet đã làm
cho người sử dụng cảm thấy khó khăn trước những kết quả tìm được.
Với các phương pháp khai thác cơ sở dữ liệu truyền thống chưa đáp ứng
được các yêu cầu đó. Để giải quyết vấn đề này, một hướng đi mới đó là nghiên
cứu và áp dụng kỹ thuật khai phá dữ liệu và khám phá tri thức trong môi trường
Web. Do đó, việc nghiên cứu các mô hình dữ liệu mới và áp dụng các phương
pháp khai phá dữ liệu trong khai phá tài nguyên Web là một xu thế tất yếu vừa
có ý nghĩa khoa học vừa mang ý nghĩa thực tiễn cao.
Vì vậy, tác giả chọn đề tài “Khai phá dữ liệu Web bằng kỹ thuật phân cụm”
để làm luận văn tốt nghiệp cho mình.
Bố cục luận văn gồm 3 chương:
Chương 1 trình bày một cách tổng quan các kiến thức cơ bản về khai phá dữ
liệu và khám phá tri thức, khai phá dữ liệu trong môi trường Web; một số vấn đề
về biểu diễn và xử lý dữ liệu văn bản áp dụng trong khai phá dữ liệu Web.
Chương 2 giới thiệu một số kỹ thuật phân cụm dữ liệu phổ biến và thường
được sử dụng trong lĩnh vực khai phá dữ liệu và khám phá tri thức.
Chương 3 trình bày một số hướng nghiên cứu trong khai phá dữ liệu Web
như khai phá tài liệu Web, khai phá theo sử dụng Web, khai phá cấu trúc Web
và tiếp cận theo hướng sử dụng các kỹ thuật phân cụm dữ liệu để giải quyết bài
toán khai phá dữ liệu Web. Trong phần này cũng trình bày một mô hình áp dụng
kỹ thuật phân cụm dữ liệu trong tìm kiếm và phân cụm tài liệu Web.
Phần kết luận của luận văn tổng kết lại những vấn đề đã nghiên cứu, đánh
giá kết quả nghiên cứu, hướng phát triển của đề tài.
Phần phụ lục trình bày một số đoạn mã lệnh xử lý trong chương trình và
một số giao diện trong chương trình mô phỏng.
110 trang |
Chia sẻ: lvcdongnoi | Lượt xem: 4224 | Lượt tải: 5
Bạn đang xem trước 20 trang tài liệu Luận văn Khai phá dữ liệu Web bằng kỹ thuật phân cụm, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
hất
lượng mô hình.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
69
3.2. Khai phá theo sử dụng Web
Việc nắm bắt được những đặc tính của người dùng Web là việc rất quan
trọng đối với người thiết Web site. Thông qua việc khai phá lịch sử các mẫu truy
xuất của người dùng Web, không chỉ thông tin về Web được sử dụng như thế
nào mà còn nhiều đặc tính khác như các hành vi của người dùng có thể được xác
định. Sự điều hướng đường dẫn người dùng Web mang lại giá trị thông tin về
mức độ quan tâm của người dùng đến các WebSite đó.
Dựa trên những tiêu chuẩn khác nhau người dùng Web có thể được phân
cụm và các tri thức hữu ích có thể được lấy ra từ các mẫu truy cập Web. Nhiều
ứng dụng có thể giúp lấy ra được các tri thức. Ví dụ, văn bản siêu liên kết động
được tạo ra giữa các trang Web có thể được đề xuất sau khi khám phá các cụm
người dùng Web, thể hiện độ tương tự thông tin. Thông qua việc phát hiện mối
quan hệ giữa những người dùng như sở thích, sự quan tâm của người dùng Web
ta có thể dự đoán một cách chính xác hơn người sử dụng đang cần gì, tại thời
điểm hiện tại có thể dự đoán được kế tiếp họ sẽ truy cập những thông tin và họ
cần thông tin gì.
Giả sử rằng tìm được độ tương tự về sự quan tâm giữa những người dùng
Web được khám phá từ hiện trạng (profile) của người dùng. Nếu Web site được
thiết kết tốt sẽ có nhiều sự tương quan giữa độ tương tự của các chuyển hướng
đường dẫn và tương tự giữa sự quan tâm của người dùng.
Khai phá theo sử dụng Web là khai phá truy cập Web (Web log) để khám
phá các mẫu người dùng truy nhập vào WebSite. Thông qua việc phân tích và
khảo sát những quy tắc trong việc ghi nhận lại quá trình truy cập Web ta có thể
chứng thực khách hàng trong thường mại điện tử, nâng cao chất lượng dịch vụ
thông tin trên Internet đến người dùng, nâng cao hiệu suất của các hệ thống phục
vụ Web. Thêm vào đó, để tự phát triển các Web site bằng việc huấn luyện từ các
mẫu truy xuất của người dùng. Phân tích quá trình đăng nhập Web của người
dùng cũng có thể giúp cho việc xây dựng các dịch vụ Web theo yêu cầu đối với
từng người dùng riêng lẽ được tốt hơn.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
70
Hiện tại, ta thường sử dụng các công cụ khám phá mẫu và phân tích mẫu.
Nó phân tích các hành động người dùng, lọc dữ liệu và khai phá tri thức từ tập
dữ liệu bằng cách sử dụng trí tuệ nhân tạo, KPDL, tâm lý học và lý thuyết thông
tin. Sau khi tìm ra các mẫu truy cập ta thường sử dụng các kỹ thuật phân tích
tương ứng để hiểu, giải thích và khám phá các mẫu đó. Ví dụ, kỹ thuật xử lý
phân tích trực tuyến, tiền phân loại hình thái dữ liệu, phân tích mẫu thói quen sử
dụng của người dùng.
Kiến trúc tổng quát của quá trình khai phá theo sử dụng Web như sau:
Hình 3.6. Kiến trúc tổng quát của khai phá theo sử dụng Web
3.2.1. Ứng dụng của khai phá theo sử dụng Web
- Tìm ra những khách hàng tiềm năng trong thương mại điện tử.
- Chính phủ điện tử (e-Gov), giáo dục điện tử (e-Learning).
- Xác định những quảng cáo tiềm năng.
- Nâng cao chất lượng truyền tải của các dịch vụ thông tin Internet đến
người dùng cuối.
- Cải tiến hiệu suất hệ thống phục vụ của các máy chủ Web.
- Cá nhân dịch vụ Web thông quan việc phân tích các đặc tính cá nhân
người dùng.
- Cải tiến thiết kế Web thông qua việc phân tích thói quen duyệt Web và
phân tích các mẫu nội dung trang quy cập của người dùng.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
71
- Phát hiện gian lận và xâm nhập bất hợp lệ trong dịch vụ thương mại điện
tử và các dịch vụ Web khác.
- Thông qua việc phân tích chuỗi truy cập của người dùng để có thể dự báo
những hành vi của người dùng trong quá trình tìm kiếm thông tin.
3.2.2. Các kỹ thuật được sử dụng trong khai phá theo sử dụng Web
Luật kết hợp: Để tìm ra những trang Web thường được truy cập cùng nhau
của người dùng những lựa chọn cùng nhau của khách hàng trong thương mại
điện tử.
Kỹ thuật phân cụm: Phân cụm người dùng dựa trên các mẫu duyệt để tìm ra
sự liên quan giữa những người dùng Web và các hành vi của họ.
3.2.3. Những vấn đề trong khai khá theo sử dụng Web.
Khai phá theo cách dùng Web có 2 việc: Trước tiên, Web log cần được làm
sạch, định nghĩa, tích hợp và biến đổi. Dựa vào đó để phân tích và khai phá.
Những vấn đề tồn tại:
- Cấu trúc vật lý các Web site khác nhau từ những mẫu người dùng truy xuất.
- Rất khó có thể tìm ra những người dùng, các phiên làm việc, các giao tác.
Vấn đề chứng thực phiên người dùng và truy cập Web:
Các phiên chuyển hướng của người dùng: Nhóm các hành động được thực
hiện bởi người dùng từ lúc họ truy cập vào Web site đến lúc họ rời khỏi Web
site đó. Những hành động của người dùng trong một Web site được ghi và lưu
trữ lại trong một file đăng nhập (log file) (file đăng nhập chứa địa chỉ IP của
máy khách, ngày, thời gian từ khi yêu cầu được tiếp nhận, các đối tượng yêu cầu
và nhiều thông tin khác như các giao thức của yêu cầu, kích thước đối tượng,...).
3.2.3.1. Chứng thực phiên người dùng
Chứng thực người dùng: Mỗi người dùng với cùng một Client IP được xem
là cùng một người.
Chứng thực phiên làm việc: Mỗi phiên làm việc mới được tạo ra khi một
địa chỉ mới được tìm thấy hoặc nếu thời gian thăm một trang quá ngưỡng thời
gian cho phép (ví dụ 30 phút) đối với mỗi địa chỉ IP.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
72
3.2.3.2. Đăng nhập Web và xác định phiên chuyển hướng người dùng
Dịch vụ file đăng nhập Web: Một file đăng nhập Web là một tập các sự ghi
lại những yêu cầu người dùng về các tài liệu trong một Web site, ví dụ:
216.239.46.60 - - [04/April/2007:14:56:50 +0200] "GET
/~lpis/curriculum/C+Unix/ Ergastiria/Week-7/filetype.c.txt HTTP/1.0" 304 -
216.239.46.100- - [04/April/2007:14:57:33 +0200]"GET /~oswinds/top.html
HTTP/ 1.0" 200 869
64.68.82.70 - - [04/April/2007:14:58:25 +0200] "GET /~lpis/systems/rdevice/r-
device_examples.html HTTP/1.0" 200 16792
216.239.46.133 - - [04/April/2007:14:58:27 +0200] "GET /~lpis/publications/crc-
chapter1. html HTTP/1.0" 304 -
209.237.238.161 - - [04/April/2007:14:59:11+0200] "GET /robots.txt HTTP/1.0"
404 276
209.237.238.161 - - [04/April/2007:14:59:12 +0200] "GET /teachers/pitas1.html
HTTP/1.0" 404 286
216.239.46.43 - - [04/April/2007:14:59:45 +0200] "GET /~oswinds/publication
Nguồn từ:
Hình 3.7. Minh họa nội dung logs file
3.2.3.3. Các vấn đề đối với việc xử lý Web log
- Thông tin được cung cấp có thể không đầy đủ, không chi tiết.
- Không có thông tin về nội dung các trang đã được thăm.
- Có quá nhiều sự ghi lại các đăng nhập do yêu cầu phục vụ bởi các proxy.
- Sự ghi lại các đăng nhập không đầy đủ do các yêu cầu phục vụ bởi proxy.
- Đặc biệt là việc lọc các mục đăng nhập: Các mục đăng nhập với tên file
mở rộng như gif, jpeg, jpg. Các trang yêu cầu tạo ra bởi các tác nhân tự động và
các chương trình gián điệp.
- Ước lượng thời gian thăm trang: Thời gian dùng để thăm một trang là
một độ đo tốt cho vấn đề xác định mức độ quan tâm của người dùng đối với
trang Web đó, nó cung cấp một sự đánh giá ngầm định đối với trang Web đó.
- Khoảng thời gian thăm trang: Đó là khoảng thời gian giữa hai yêu cầu
trang khác nhau liên tiếp.
- Quy lui: Nhiều người dùng rời trang bởi họ đã hoàn thành việc tìm kiếm
và họ không muốn thời gian lâu để chuyển hướng.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
73
3.2.3.4. Phương pháp chứng thực phiên làm việc và truy cập Web
Chứng thực phiên làm việc: Nhóm các tham chiếu trang của người dùng
vào một phiên làm việc dựa trên những phương pháp giải quyết heuristic:
Phương pháp heuristics dựa trên IP và thời gian kết thúc một phiên làm
việc (ví dụ 30 phút) được sử dụng để chứng thực phiên người dùng. Đây là
phương pháp đơn giản nhất.
Các giao tác nội tại của phiên làm việc có thể nhận được dựa trên mô hình
hành vi của người dùng (bao hàm phân loại tham chiếu “nội dung” hoặc
“chuyển hướng” đối với mỗi người dùng).
Trọng số được gán cho mỗi trang Web dựa trên một số độ đo đối với sự
quan tâm của người dùng (ví dụ khoảng thời gian xem một trang, số lần lui
tới trang).
3.2.4. Quá trình khai phá theo sử dụng Web
Khai phá sử dụng Web có 3 pha [22]: Tiền xử lý, khai phá và phân tích
đánh giá, biểu diễn dữ liệu.
3.2.4.1. Tiền xử lý dữ liệu
Chứng thực người dùng, chứng thực hoạt động truy nhập, đường dẫn đầy
đủ, chứng thực giao tác, tích hợp dữ liệu và biến đổi dữ liệu. Trong pha này, các
thông tin về đăng nhập Web có thể được biến đổi thành các mẫu giao tác thích
hợp cho việc xử lý sau này trong các lĩnh vực khác nhau.
Trong giai đoạn này gồm cả việc loại bỏ các file có phần mở rộng là gif,
jpg,... Bổ sung hoặc xóa bỏ các dữ liệu khuyết thiếu như cache cục bộ, dịch vụ
proxy. Xử lý thông tin trong các Cookie, thông tin đang ký người dùng kết hợp
với IP, tên trình duyệt và các thông tin lưu tạm.
Chứng thực giao tác: Chứng thực các phiên người dùng, các giao tác.
3.2.4.2. Khai phá dữ liệu
Sử dụng các phương pháp KPDL trong các lĩnh vực khác nhau như luật kết
hợp, phân tích, thống kê, phân tích đường dẫn, phân lớp và phân cụm để khám
phá ra các mẫu người dùng.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
74
+ Phân tích đường dẫn [8][9][22]: Hầu hết các các đường dẫn thường được
thăm được bố trí theo đồ thị vật lý của trang Web. Mỗi nút là một trang, mỗi
cạnh là đường liên kết giữa các trang đó. Thông qua việc phân tích đường dẫn
trong quá trình truy cập của người dùng ta có thể biết được mối quan hệ trong
việc truy cập của người giữa các đường dẫn liên quan.
Ví dụ:
- 70% các khách hàng truy cập vào /company/product2 đều xuất phát từ
/company thông qua /company/new, /company/products và /company/product1.
- 80% khách hàng truy cập vào WebSite bắt đầu từ /company/products.
- 65% khách hàng rời khỏi site sau khi thăm 4 hoặc ít hơn 4 trang.
+ Luật kết hợp [8]: Sự tương quan giữa các tham chiếu đến các file khác
nhau có trên dịch vụ nhờ việc sử dụng luật kết hợp.
Ví dụ:
- 40% khách hàng truy cập vào trang Web có đường dẫn
/company/product1 cũng truy cập vào /company/product2.
- 30% khách hàng truy cập vào /company/special đều thông qua
/company/product1.
Nó giúp cho việc phát triển chiến lược kinh doanh phù hợp, xây dựng và tổ
chức một cách tốt nhất không gian Web của công ty.
+ Chuỗi các mẫu: Các mẫu thu được giữa các giao tác và chuỗi thời gian.
Thể hiện một tập các phần tử được theo sau bởi phân tử khác trong thứ tự thời
gian lưu hành tập giao tác.
Quá trình thăm của khách hàng được ghi lại trên từng giai đoạn thời gian.
Ví dụ:
30% khách hàng thăm /company/products đã thực hiện tìm kiếm bằng
Yahoo với các từ khóa tìm kiếm.
60% khách hàng đặt hàng trực tuyến ở /company/product1 thì cũng đặt
hàng trực tuyến ở /company/product4 trong 15 ngày.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
75
+ Quy tắc phân loại [22]: Profile của các phần tử thuộc một nhóm riêng
biệt theo các thuộc tính chung. Ví dụ như thông tin cá nhân hoặc các mẫu
truy cập. Profile có thể sử dụng để phân loại các phần tử dữ liệu mới được thêm
vào CSDL.
Ví dụ: Khách hàng từ các vị trí địa lý ở một quốc gia hoặc chính phủ thăm
site có khuynh hướng bị thu hút ở trang /company/product1 hoặc 50% khách
hàng đặt hàng trực tuyến ở /company/product2 đều thuộc nhóm tuổi 20-25 ở Bờ
biển Tây.
+ Phân tích phân cụm: Nhóm các khách hàng lại cùng nhau hoặc các phần
tử dữ liệu có các đặc tính tương tự nhau.
Nó giúp cho việc phát triển và thực hiện các chiến lược tiếp thị khách hàng
cả về trực tuyến hoặc không trực tuyến như việc trả lời tự động cho các khách
hàng thuộc nhóm chắc chắn, nó tạo ra sự thay đổi linh động một WebSite riêng
biệt đối với mỗi khách hàng.
3.2.4.3. Phân tích đánh giá
Phân tích mô hình [22]: Thống kê, tìm kiếm tri thức và tác nhân thông
minh. Phân tích tính khả thi, truy vấn dữ liệu hướng tới sự tiêu dùng của con
người.
Trực quan hóa: Trực quan Web sử dụng lược đồ đường dẫn Web và đưa ra
đồ thị có hướng OLAP.
Ví dụ: Querying: SELECT association-rules(A*B*C*) FROM log.data
WHERE (date>= 970101) AND (domain = ''edu'' )AND (support = 1.0) AND
(confidence = 90.0)
3.2.5. Ví dụ khai phá theo sử dụng Web
Ví dụ này sử dụng phương pháp khai phá phân lớp và phân cụm, luật kết
hợp có thể được dùng để phân tích số lượng người dùng. Sau đó người thiết kế
Web có thể đưa ra nhiều dịch vụ khác nhau tại các thời điểm khác nhau theo các
quy tắc của người dùng truy cập Web site. Chất lượng dịch vụ tốt sẽ thúc đẩy số
lượng người dùng thăm Web site. Quá trình thực hiện như sau:
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
76
- Chứng thực người dùng truy cập vào Web site, phân tích những người
dùng đặc biệt tìm ra những người dùng quan trọng thông qua mức độ truy cập
của họ, thời gian lưu lại trên đó và mức độ yêu thích trang Web.
- Phân tích các chủ đề đặc biệt và chiều sâu nội dung Web. Ví dụ, hoạt
động thường ngày của một quốc gia, giới thiệu các tour,... Quan hệ khá tự nhiên
giữa người dùng và nội dung Web. Tìm ra những dịch vụ hấp dẫn và tiện lợi với
người dùng.
Tùy theo mức độ hiệu quả hoạt động truy cập Web site và điều kiện của
việc duyệt Web site ta có thể dự kiến và đánh giá nội dung Web site tốt hơn.
Dựa trên dữ liệu kiểm tra ta xác định mức độ truy xuất của người dùng qua
việc phân tích một Web site và phân tích yêu cầu phục vụ thay đổi từng giờ,
từng ngày như sau [16]:
Thời gian
Số người
truy cập
Thời gian
Số người
truy cập
00:00-00:59 936 12:00-12:59 2466
01:00-01:59 725 13:00-13:59 1432
02:00-02:59 433 14:00-14:59 1649
03:00-03:59 389 15:00-15:59 1537
04:00-04:59 149 16:00-16:59 2361
05:00-05:59 118 17:00-17:59 2053
06:00-06:59 126 18:00-18:59 2159
07:00-07:59 235 19:00-19:59 1694
08:00-08:59 599 20:00-20:59 2078
09:00-09:59 1414 21:00-21:59 2120
10:00-10:59 2424 22:00-22:59 1400
11:00-11:59 2846 23:00-23:59 1163
Bảng 3.1. Thống kê số người dùng tại các thời gian khác nhau
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
77
Hình 3.8. Phân tích người dùng truy cập Web
3.3. Khai phá cấu trúc Web
WWW là hệ thống thông tin toàn cầu, bao gồm tất cả các Web site. Mỗi
một trang có thể được liên kết đến nhiều trang. Các siêu liên kết thay đổi chứa
đựng ngữ nghĩa chung chủ để của trang. Một siêu liên kết trỏ tới một trang Web
khác có thể được xem như là một chứng thực của trang Web đó. Do đó, nó rất
có ích trong việc sử dụng những thông tin ngữ nghĩa để lấy được thông tin quan
trọng thông qua phân tích liên kết giữa các trang Web.
Sử dụng các phương pháp khai phá người dùng để lấy tri thức hữu ích từ
cấu trúc Web, tìm ra những trang Web quan trọng và phát triển kế hoạch để xây
dựng các WebSite phù hợp với người dùng.
Mục tiêu của khai phá cấu trúc Web là để phát hiện thông tin cấu trúc về
Web. Nếu như khai phá nội dung Web chủ yếu tập trung vào cấu trúc bên trong
tài liệu thì khai phá cấu trúc Web cố gắng để phát hiện cấu trúc liên kết của các
siêu liên kết ở mức trong của tài liệu. Dựa trên mô hình hình học của các siêu
liên kết, khai phá cấu trúc Web sẽ phân loại các trang Web, tạo ra thông tin như
độ tương tự và mối quan hệ giữa các WebSite khác nhau. Nếu trang Web được
0
500
1000
1500
2000
2500
3000
00
:00
-00
: 5
9
01
:00
-01
:59
02
:00
-02
:59
03
:00
-03
:59
04
:00
-04
:59
05
:00
-05
:59
06
:00
-06
:59
07
:00
-07
:59
08
:00
-08
:59
09
:00
-09
:59
10
:00
-10
:59
11
:00
-11
:59
12
:00
-12
:59
13
:00
-13
:59
14
:00
-14
:59
15
:00
-15
:59
16
:00
-16
:59
17
:00
-17
:59
18
:00
-18
:59
19
:00
-19
:59
20
:00
-20
:59
21
:00
-21
:59
22
:00
-22
:59
23
:00
-23
:59
Số người
Th
ời
gi
an
S
ố
n
g
ư
ờ
i
Thời gian
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
78
liên kết trực tiếp với trang Web khác thì ta sẽ muốn phát hiện ra mối quan hệ
giữa các trang Web này. Chúng có thể tương tự với nhau về nội dung, có thể
thuộc dịch vụ Web giống nhau do đó nó được tạo ra bởi cùng một người. Những
nhiệm vụ khác của khai phá cấu trúc Web là khám phá sự phân cấp tự nhiên
hoặc mạng lưới của các siêu liên kết trong các Web site của một miền đặc biệt.
Điều này có thể giúp tạo ra những luồng thông tin trong Web site mà nó có thể
đại diện cho nhiều miền đặc biệt. Vì thế việc xử lý truy vấn sẽ trở nên dễ dàng
hơn và hiệu quả hơn.
+ Việc phân tích liên kết Web được sử dụng cho những mục đích[1]:
- Sắp thứ tự tài liệu phù hợp với truy vấn của người sử dụng.
- Quyết định Web nào được đưa vào lựa chọn trong truy vấn.
- Phân trang.
- Tìm kiếm những trang liên quan.
- Tìm kiếm những bản sao của Web.
+ Web được xem như là một đồ thị [1]:
- Đồ thị liên kết: Mỗi nút là một trang, cung có hướng từ u đến v nếu có
một siêu liên kết từ trang Web u sang trang Web v.
Hình 3.9. Đồ thi liên kết Web
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
79
- Đồ thị trích dẫn: Mỗi nút cho một trang, không có cung hướng từ u đến v
nếu có một trang thứ ba w liên kết cả u và v.
- Giả định: Một liên kết từ trang u đến trang v là một thông báo đến trang v
bởi trang u. Nếu u và v được kết nối bởi một đường liên kết thì rất có khả năng
hai trang Web đó đều có nội dung tương tự nhau.
3.3.1. Tiêu chuẩn đánh giá độ tương tự
- Khám phá ra một nhóm các trang Web giống nhau để khai phá, ta phải chỉ
ra sự giống nhau của hai nút theo một tiêu chuẩn nào đó.
Tiêu chuẩn 1: Đối với mỗi trang Web d1 và d2. Ta nói d1 và d2 quan hệ với
nhau nếu có một liên kết từ d1 đến d2 hoặc từ d2 đến d1.
Hình 3.10. Quan hệ trực tiếp giữa 2 trang
Tiêu chuẩn 2: Đồng trích dẫn: Độ tương tự giữa d1 và d2 được đo bởi số
trang dẫn tới cả d1 và d2.
Hình 3.11. Độ tương tự đồng trích dẫn
Tương tự chỉ mục: Độ tương tự giữa d1 và d2 được đo bằng số trang mà cả
d1 và d2 đều trở tới.
Hình 3.12. Độ tương tự chỉ mục
d1 d2
2
d1 d2
2
d1 d2
2
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
80
3.3.2. Khai phá và quản lý cộng đồng Web
Cộng đồng Web là một nhóm gồm các trang Web chia sẽ chung những vấn
đề mà người dùng quan tâm. Các thành viên của cộng đông Web có thể không
biết tình trạng tồn tại của mỗi trang (và có thể thậm chí không biết sự tồn tại của
cộng đồng). Nhận biết được các cộng đồng Web, hiểu được sự phát triển và
những đặc trưng của các cộng đồng Web là rất quan trọng. Việc xác định và
hiểu các cộng đồng trên Web có thể được xem như việc khai phá và quản
lý Web.
Hình 3.13. Cộng đồng Web
Đặc điểm của cộng đồng Web:
- Các trang Web trong cùng một cộng đồng sẽ “tương tự” với nhau hơn các
trang Web ngoài cộng đồng.
- Mỗi cộng đồng Web sẽ tạo thành một cụm các trang Web.
- Các cộng đồng Web được xác định một cách rõ ràng, tất cả mọi người
đều biết, như các nguồn tài nguyên được liệt kê bởi Yahoo.
- Cộng đồng Web được xác định hoàn chỉnh: Chúng là những cộng đồng
bất ngờ xuất hiện.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
81
Cộng đồng Web ngày càng được mọi người quan tâm và có nhiều ứng
dụng trong thực tiễn. Vì vậy, việc nghiên cứu các phương pháp khám phá cộng
đồng là rất có ý nghĩa to lớn trong thực tiễn. Để trích dẫn ra được các cộng đồng
ẩn, ta có thể phân tích đồ thị Web. Có nhiều phương pháp để chứng thực cộng
đồng như thuật toán tìm kiếm theo chủ đề HITS, luồng cực đại và nhát cắt cực
tiểu, thuật toán PageRank,...
3.3.2.1. Thuật toán PageRank
Google dựa trên thuật toán PageRank [brin98], nó lập chỉ mục các liên kết
giữa các Web site và thể hiện một liên kết từ A đến B như là xác nhận của B bởi
A. Các liên kết có những giá trị khác nhau. Nếu A có nhiều liên kết tới nó và C
có ít các liên kết tới nó thì một liên kết từ A đến B có giá trị hơn một liên kết từ
C đến B. Giá trị được xác định như thế được gọi là PageRank của một trang và
xác định thứ tự sắp xếp của nó trong các kết quả tìm kiếm (PageRank được sử
dụng trong phép cộng để quy ước chỉ số văn bản để tạo ra các kết quả tìm kiếm
chính xác cao). Các liên kết có thể được phân tích chính xác và hiệu quả hơn đối
với khối lượng chu chuyển hoặc khung nhìn trang và trở thành độ đo của sự
thành công và việc biến đối thứ hạng của các trang.
Hình 3.14. Kết quả của thuật toán PageRank
PageRank không đơn giản chỉ dựa trên tổng số các liên kết đến. Các tiếp
cận cơ bản của PageRank là một tài liệu trong thực tế được xét đến quan trọng
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
82
hơn là các tài liệu liên kết tới nó, nhưng những liên kết về (tới nó) không bằng
nhau về số lượng. Một tài liệu xếp thứ hạng cao trong các phần tử của PageRank
nếu như có các tài liệu thứ hạng cao khác liên kết tới nó. Cho nên trong khái
niệm PageRank, thứ hạng của một tài liệu được dựa vào thứ hạng cao của các tài
liệu liên kết tới nó. Thứ hạng ngược lại của chúng được dựa vào thứ hạng thấp
của các tài liệu liên kết tới chúng.
3.3.2.2. Phương pháp phân cụm nhờ thuật toán HITS
Thuật toán HITS (Hypertext-Induced Topic Selection) do Kleinberg đề
xuất, là thuật toán phát triển hơn trong việc xếp thứ hạng tài liệu dựa trên thông
tin liên kết giữa tập các tài liệu.
Định nghĩa:
- Authority: Là các trang cung cấp thông tin quan trọng, tin cậy dựa trên
các chủ đề đưa ra.
- Hub: Là các trang chứa các liên kết đến authorities
- Bậc trong: Là số các liên kết đến một nút, được dùng để đo độ ủy quyền.
- Bậc ngoài: Là số các liên kết đi ra từ một nút, nó được sử dụng để đo mức
độ trung tâm.
Trong đó: Mỗi Hub trỏ đến nhiều Authority, mỗi Authority thì được trỏ đến
bởi nhiều Hub. Chúng kết hợp với nhau tạo thành đồ thi phân đôi.
Hình 3.15. Đồ thị phân đôi của Hub và Authority
Các Authority and hub thể hiện một quan hệ tác động qua lại để tăng cường
lực lượng. Nghĩa là một Hub sẽ tốt hơn nếu nó trỏ đến các Authority tốt và
ngược lại một Authority sẽ tốt hơn nếu nó được trỏ đến bởi nhiều Hub tốt.
Hub Authoritie
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
83
Hình 3.16. Sự kết hợp giữa Hub và Authority
Các bước của phương pháp HITS
Bước 1: Xác định một tập cơ bản S, lấy một tập các tài liệu trả về bởi
Search Engine chuẩn được gọi là tập gốc R, khởi tạo S tương ứng với R.
Bước 2: Thêm vào S tất cả các trang mà nó được trỏ tới từ bất kỳ trang nào
trong R.
Thêm vào S tất cả các trang mà nó trỏ tới bất kỳ trang nào trong R
Với mỗi trang p trong S:
Tính giá trị điểm số Authority: ap (vector a)
Tính giá trị điểm số Hub: hp (vector h)
Với mỗi nút khởi tạo ap và hp là 1/n (n là số các trang)
Bước 3. Trong mỗi bước lặp tính giá trị trọng số Authority cho mỗi nút
trong S theo công thức:
pqq
qp
ha
:
Bước 4. Mỗi bước lặp tính giá trị trọng số Hub đối với mỗi nút trong S theo
công thức
pqq
pq
ah
:
1 1
7
1
2
3
4
5
7
6
h(1) = a(5) + a(6) + a(7) a(1) = h(2) + h(3) + h(4)
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
84
Lưu ý rằng các trọng số Hub được tính toán nhờ vào các trọng số Authority
hiện tạo, mà các trọng số Authority này lại được tính toán từ các trọng số của
các Hub trước đó.
Bước 5. Sau khi tính xong trọng số mới cho tất cả các nút, các trọng số
được chuẩn hóa lại theo công thức:
Sp
p
Sp
p handa 1)(1)(
22
Lặp lại bước 3 cho tới khi các hp và ap không đổi.
Ví dụ: Tập gốc R là {1, 2, 3, 4}
Hình 3.17. Đồ thị Hub-Authority
Kết quả tính được như sau:
Hình 3.18. Giá trị trọng số các Hub và Authority
Giá trị trọng số của Authority
Giá trị trọng số của Hub
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
85
KPDL Web là một lĩnh vực nghiên cứu mới, có triển vọng lớn. Các kỹ
thuật được áp dụng rộng rãi trên thế giới như KPDL văn bản trên Web, KPDL
không gian và thời gian liên tục trên Web. Khai phá Web đối với hệ thống
thương mại điện tử, khai phá cấu trúc siêu liên kết Web,... Cho tới nay kỹ thuật
KPDL vẫn phải đương đầu với nhiều thử thách lớn trong vấn đề KPDL Web.
3.4. Áp dụng thuật toán phân cụm dữ liệu trong tìm kiếm và phân
cụm tài liệu Web
Ngày nay, nhờ sự cải tiến không ngừng của các Search engine về cả chức
năng tìm kiếm lẫn giao diện người dùng đã giúp cho người sử dụng dễ dàng
hơn trong việc tìm kiếm thông tin trên web. Tuy nhiên, người sử dụng thường
vẫn phải duyệt qua hàng chục thậm chí hàng ngàn trang Web mới có thể tìm
kiếm được thứ mà họ cần. Theo tâm lý chung, người dùng chỉ xem qua vài chục
kết quả đầu tiên, họ thiếu kiên nhẫn và không đủ thời gian để xem qua tất cả kết
quả mà các search engine trả về. Nhằm giải quyết vấn đề này, chúng ta có thể
nhóm các kết quả tìm kiếm thành thành các nhóm theo các chủ đề, khi đó người
sử dụng có thể bỏ qua các nhóm mà họ không quan tâm để tìm đến nhóm chủ đề
quan tâm. Điều này sẽ giúp cho người dùng thực hiện công việc của họ một cách
hiệu quả hơn. Tuy nhiên vấn đề phân cụm dữ liệu trên Web và chọn chủ đề thích
hợp để nó có thể mô tả được nội dung của các trang là một vấn đề không đơn
giản. Trong luận văn này, ta sẽ xem khía cạnh sử dụng kỹ thuật phân cụm để
phân cụm tài liệu Web dựa trên kho dữ liệu đã được tìm kiếm và lưu trữ.
3.4.1. Hướng tiếp cận bằng kỹ thuật phân cụm
Hiện nay, để xác định mức độ quan trọng của một trang web chúng ta có
nhiều cách đánh giá như PageRank, HITS, …Tuy nhiên, các phương pháp đánh
giá này chủ yếu đều dựa vào các liên kết trang để xác định trọng số cho trang.
Ta có thể tiếp cận cách đánh giá mức độ quan trọng theo một hướng khác
là dựa vào nội dung của các tài liệu để xác định trọng số, nếu các tài liệu "gần
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
86
nhau" về nội dung thì sẽ có mức độ quan trọng tương đương và sẽ thuộc về cùng
một nhóm.
Giả sử cho tập S gồm các trang web, hãy tìm trong tập S các trang chứa nội
dung câu hỏi truy vấn ta được tập R. Sử dụng thuật toán phân cụm dữ liệu để
phân tập R thành k cụm (k xác định) sao cho các phần tử trong cụm là tương tự
nhau nhất, các phần tử ở các cụm khác nhau thì phi tương tự với nhau.
Từ tập S-R, chúng ta đưa các phần tử này vào một trong k cụm đã được
thiết lập ở trên. Những phần tử nào tương tự với trọng tâm của cụm (theo một
ngưỡng xác định nào đó) thì đưa vào cụm này, những phần tử không thỏa mãn
xem như không phù hợp với truy vấn và loại bỏ nó khỏi tập kết quả. Kế tiếp,
chúng ta đánh trọng số cho các cụm và các trang trong tập kết quả theo thuật
toán sau:
INPUT: tập dữ liệu D chứa các trang gồm k cụm và k trọng tâm
OUTPUT: trọng số của các trang
BEGIN
Mỗi cụm dữ liệu thứ m và trọng tâm Cm ta gán một trọng số tsm. Với các trọng
tâm Ci, Cj bất kỳ ta luôn có tsi>tsj nếu ti tương tự với truy vấn hơn tj.
Với mỗi trang p trong cụm m ta xác định trọng số trang pwm. Với mỗi pwi, pwj
bất kỳ, ta luôn có pw1>pw2 nếu pw1 gần trọng tâm hơn pw2.
END
Hình 3.19. Thuật toán đánh trọng số cụm và trang
Như vậy, theo cách tiếp cận này ta sẽ giải quyết được các vấn đề sau:
+ Kết quả tìm kiếm sẽ được phân thành các cụm theo các chủ đề khác nhau,
tùy vào yêu cầu cụ thể người dùng sẽ xác định chủ đề mà họ cần.
+ Quá trình tìm kiếm và xác định trọng số cho các trang chủ yếu tập trung
vào nội dung của trang hơn là dựa vào các liên kết trang.
+ Giải quyết được vấn đề từ/cụm từ đồng nghĩa trong câu truy vấn của
người dùng.
+ Có thể kết hợp phương pháp phân cụm trong lĩnh vực khai phá dữ liệu
với các phương pháp tìm kiếm đã có.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
87
Hiện tại, có một số thuật toán phân cụm dữ liệu được sử dụng trong phân
cụm văn bản như thuật toán phân cụm phân hoạch (k-means, PAM, CLARA),
thuật toán phân cụm phân cấp (BIRCH, STC),... Trong thực tế phân cụm theo
nội dung tài liệu Web, một tài liệu có thể thuộc vào nhiều nhóm chủ đề khác
nhau. Để giải quyết vấn đề này ta có thể sử dụng thuật toán phân cụm theo cách
tiếp cận mờ.
3.4.2. Quá trình tìm kiếm và phân cụm tài liệu
Về cơ bản, quá trình phân cụm kết quả tìm kiếm sẽ diễn ra theo các bước
được thể hiện như sau [31]:
- Tìm kiếm các trang Web từ các Website thỏa mãn nội dung truy vấn.
- Trích rút thông tin mô tả từ các trang và lưu trữ nó cùng với các URL
tương ứng.
- Sử dụng kỹ thuật phân cụm dữ liệu để phân cụm tự động các trang Web
thành các cụm, sao cho các trang trong cụm “tương tự” về nội dung với nhau
hơn các trang ngoài cụm.
Hình 3.20. Các bước phân cụm kết quả tìm kiếm trên Web
3.4.2.1. Tìm kiếm dữ liệu trên Web
Nhiệm vụ chủ yếu của giai đoạn này là dựa vào tập từ khóa tìm kiếm để
tìm kiếm và trả về tập gồm toàn văn tài liệu, tiêu đề, mô tả tóm tắt, URL,…
tương ứng với các trang đó.
Dữ liệu web
Tìm kiếm và
trích rút dữ liệu
Tiền xử lý
Biểu diễn
dữ liệu
Áp dụng thuật
toán phân cụm
Biểu diễn
kết quả
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
88
Nhằm nâng cao tốc độ xử lý, ta tiến hành tìm kiếm và lưu trữ các tài liệu
này trong kho dữ liệu để sử dụng cho quá trình tìm kiếm (tương tự như các
Search Engine Yahoo, Google,…). Mỗi phần tử gồm toàn văn tài liệu, tiêu đề,
đoạn mô tả nội dung, URL,…
3.4.2.2. Tiền xử lý dữ liệu
Quá trình làm sạch dữ liệu và chuyển dịch các tài liệu thành các dạng biểu
diễn dữ liệu thích hợp.
Giai đoạn này bao gồm các công việc như sau: Chuẩn hóa văn bản, xóa bỏ
các từ dừng, kết hợp các từ có cùng từ gốc, số hóa và biểu diễn văn bản,..
3.4.2.2.1. Chuẩn hóa văn bản
Đây là giai đoạn chuyển văn bản thô về dạng văn bản sao cho việc xử lý
sau này được dễ dàng, đơn giản, thuật tiện, chính xác so với việc xử lý trực tiếp
trên văn bản thô mà ảnh hưởng ít đến kết quả xử lý. Bao gồm:
+ Xóa các thẻ HTML và các loại thẻ khác để trích ra các từ/cụm từ.
+ Chuyển các ký tự hoa thành các ký tự thường.
+ Xóa bỏ các dấu câu, xoá các ký tự trắng dư thừa,...
3.4.2.2.2. Xóa bỏ các từ dừng
Trong văn bản có những từ mang ít thông tin trong quá trình xử lý, những
từ có tần số xuất hiện thấp, những từ xuất hiện với tần số lớn nhưng không quan
trọng cho quá trình xử lý đều được loại bỏ. Theo một số nghiên cứu gần đây cho
thấy việc loại bỏ các từ dùng có thể giảm bởi được khoảng 20-30% tổng số từ
trong văn bản.
Có rất nhiều từ xuất hiện với tần số lớn nhưng nó không hữu ích cho quá
trình phân cụm dữ liệu. Ví dụ trong tiếng Anh các từ như a, an, the, of, and, to,
on, by,... trong tiếng Việt như các từ “thì”, “mà”, “là”, “và”, “hoặc”,... Những từ
xuất hiện với tần số quá lớn cũng sẽ được loại bỏ.
Để đơn giản trong ứng dụng thực tế, ta có thể tổ chức thành một danh sách
các từ dừng, sử dụng định luật Zipf để xóa bỏ các từ có tần số xuất hiện thấp
hoặc quá cao.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
89
3.4.2.2.3. Kết hợp các từ có cùng gốc
Hầu hết trong các ngôn ngữ đều có rất nhiều các từ có chung nguồn gốc với
nhau, chúng mang ý nghĩa tương tự nhau, do đó để giảm bởt số chiều trong biểu
diễn văn bản, ta sẽ kết hợp các từ có cùng gốc thành một từ. Theo một số nghiên
cứu [5] việc kết hợp này sẽ giảm được khoảng 40-50% kích thước chiều trong
biểu diễn văn bản.
Ví dụ trong tiếng Anh, từ user, users, used, using có cùng từ gốc và sẽ được
quy về là use; từ engineering, engineered, engineer có cùng từ gốc sẽ được quy
về là engineer.
Ví dụ xử lý từ gốc trong tiếng Anh:
- Nêu một từ kết thúc bằng “ing” thì xóa “ing”, ngoại trừ trường hợp sau
khi xóa còn lại 1 ký tự hoặc còn lại “th”.
- Nếu một từ kết thúc bằng “ies” nhưng không phải là “eies” hoặc “aies” thì
thay thế “ies” bằng “y”.....
- Nếu một từ kết thúc bằng “es” thì bỏ “s”.
- Nếu một từ kết thúc bởi "s" và đứng trước nó là một phụ âm khác “s” thì
xóa “s”.
- Nếu một từ kết thúc bằng “ed”, nếu trước nó là một phụ âm thì xóa “ed”
ngoại trừ sau khi xóa từ chỉ còn lại một ký tự, nếu đứng trước là nguyên âm “i”
thì đổi “ied” thành “y”.
3.4.2.3. Xây dựng từ điển
Việc xây dựng từ điển là một công việc rất quan trọng trong quá trình
vector hóa văn bản, từ điển sẽ gồm các từ/cụm từ riêng biệt trong toàn bộ tập dữ
liệu. Từ điển sẽ gồm một bảng các từ, chỉ số của nó trong từ điển và được sắp
xếp theo thứ tự.
Một số bài báo đề xuất [31] để nâng cao chất lượng phân cụm dữ liệu cần
xem xét đến việc xử lý các cụm từ trong các ngữ cảnh khác nhau. Theo đề xuất
của Zemir [19][31] xây dựng từ điển có 500 phần tử là phù hợp.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
90
3.4.2.4. Tách từ, số hóa văn bản và biểu diễn tài liệu
Tách từ là công việc hết sức quan trọng trong biểu diễn văn bản, quá trình
tách từ, vector hóa tài liệu là quá trình tìm kiếm các từ và thay thế nó bởi chỉ số
của từ đó trong từ điển.
Ở đây ta có thể sử dụng một trong các mô hình toán học TF, IDF, TF-
IDF,... để biểu diễn văn bản.
Chúng ta sử dụng mảng W (trọng số) hai chiều có kích thước m x n, với n
là số các tài liệu, m là số các thuật ngữ trong từ điển (số chiều), hàng thứ j là một
vector biểu diễn tài liệu thứ j trong cơ sở dữ liệu, cột thứ i là thuật ngữ thứ i
trong từ điển. Wij là giá trị trọng số của thuật ngữ i đối với tài liệu j.
Giai đoạn này thực hiện thống kê tần số thuật ngữ ti xuất hiện trong tài liệu
dj và số các tài liệu chứa ti. Từ đó xây dựng bảng trọng số của ma trận W theo
công thức sau:
Công thức tính trọng số theo mô hình IF-IDF:
Trong đó:
tfij là tần số xuất hiện của ti trong tài liệu dj
idfij là nghịch đảo tần số xuất hiện của ti trong tài liệu dj.
hi là số các tài liệu mà ti xuất hiện.
n là tổng số tài liệu.
3.4.2.5. Phân cụm tài liệu
Sau khi đã tìm kiếm, trích rút dữ liệu và tiền xử lý và biểu diễn văn bản
chúng ta sử dụng kỹ thuật phân cụm để phân cụm tài liệu.
INPUT: Tập gồm n tài liệu và k cụm.
OUTPUT: Các cụm Ci (i=1,..,k) sao cho hàm tiêu chuẩn đạt giá trị cực tiểu.
BEGIN
Bước 1. Khởi tạo ngẫu nhiên k vector làm đối tượng trọng tâm của k cụm.
Wij= )log()]log(1[
i
ijijij
h
n
tfidftf
nếu ti dj
0 nếu ngược lại (ti dj)
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
91
Bước 2. Với mỗi tài liệu dj xác định độ tương tự của nó đối với trọng tâm của mỗi
cụm theo một trong các độ đo tương tự thường dùng (như Dice, Jaccard, Cosine,
Overlap, Euclidean, Manhattan). Xác định trọng tâm tương tự nhất cho mỗi tài liệu và
đưa tài liệu vào cụm đó.
Bước 3. Cập nhận lại các đối tượng trọng tâm. Đối với mỗi cụm ta xác định lại
trọng tâm bằng cách xác định trung bình cộng của các vector tài liệu trong cụm đó.
Bước 4. Lặp lại bước 2 và 3 cho đến khi trong tâm không thay đổi.
END.
Hình 3.21. Thuật toán k-means trong phân cụm nội dung tài liệu Web
Vấn đề xác định trọng tâm của cụm tài liệu: Xét một cụm văn bản c, trong
đó trọng tâm C của cụm c được tính nhờ vào vector tổng D (
cd
dD
) của các
văn bản trong cụm c:
|| c
D
C
Trong đó, |c| là số phần tử thuộc tập tài liệu c.
Trong kỹ thuật phân cụm, trọng tâm của các cụm được sử dụng để làm đại
diện cho các cụm tài liệu.
Vấn đề tính toán độ tương tự giữa 2 cụm tài liệu: Giả sử ta có 2 cụm c1, c2,
khi đó độ tương tự giữa 2 cụm tài liệu được tính bằng mức độ “gần nhau” giữa 2
vector trọng tâm C1, C2: Sim(c1,c2)= sim(C1,C2)
Ở đây, ta hiểu rằng c1 và c2 cũng có thể chỉ gồm một tài liệu vì khi đó có
thể coi một cụm chỉ gồm 1 phần tử.
Trong thuật toán k-means, chất lượng phân cụm được đánh giá thông quan
hàm tiêu chuẩn
k
i
x iC i
mxE D
1
2
)(
, trong đó x là các vector biểu diễn tài
liệu, mi là các trọng tâm của các cụm, k là số cụm, Ci là cụm thứ i.
- Độ phức tạp của thuật toán k-means là O((n.k.d).r).
Trong đó: n là số đối tượng dữ liệu, k là số cụm dữ liệu, d là số chiều, r là
số vòng lặp.
Sau khi phân cụm xong tài liệu, trả về kết quả là các cụm dữ liệu và các
trọng tâm tương ứng.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
92
3.4.6. Kết quả thực nghiệm
+ Dữ liệu thực nghiệm là các trang Web lấy từ 2 nguồn chính sau:
- Các trang được lấy tự động từ các Website trên Internet, việc tìm kiếm
được thực hiện bằng cách sử dụng Yahoo để tìm kiếm tự động, chương trình sẽ
dựa vào URL để lấy toàn văn của tài liệu đó và lưu trữ lại phục vụ cho quá trình
tìm kiếm sau này (dưa liệu gồm hơn 4000 bài về các chủ đề “data mining”, “web
mining”, “Cluster algorithm”, “Sport”).
- Tìm kiếm có chọn lọc, phần này được tiến hành lấy thủ công, nguồn dữ
liệu chủ yếu được lấy từ các Web site:
Gồm hơn 250 bài báo chủ đề “bóng đá”.
- Việc xây dựng từ điển, sau khi thống kê tần số xuất hiện của các từ trong
tập tài liệu, ta áp dụng định luật Zipf để loại bỏ những từ có tần số xuất hiện quá
cao và loại bỏ những từ có tần số quá thấp, ta thu được bộ từ điển gồm 500 từ.
Số tài liệu Số cụm
Thời gian trung bình (giây)
Tiền xử lý và biểu
diễn văn bản
Phân cụm
tài liệu
50 10 0,206 0,957
50 15 0,206 1,156
100 10 0,353 2,518
100 15 0,353 3,709
150 10 0,515 4,553
150 15 0,515 5,834
250 10 0,824 9,756
250 15 0,824 13,375
Bảng 3.2. Bảng đo thời gian thực hiện thuật toán phân cụm
Ta thấy rằng thời gian thực hiện thuật toán phụ vào độ lớn dữ liệu và số
cụm cần phân cụm. Ngoài ra, với thuật toán k-means còn phụ thuộc vào k trọng
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
93
tâm khởi tạo ban đầu. Nếu k trọng tâm được xác định tốt thì chất lượng và thời
gian thực hiện được cải thiện rất nhiều.
Phần giao diện chương trình và một số đoạn mã code điển hình được trình
bày ở phụ lục.
3.5. Tổng kết chương 3
Chương này tác giả đã trình bày một số hướng tiếp cận trong khai phá Web
như khai phá dữ liệu toàn văn của tài liệu Web, khai phá cấu trúc Web, khai phá
sử dụng Web và một số thuật toán đang được áp dụng trong khai phá Web.
Phần này cũng trình bày một số chức năng trong quy trình của hệ thống
thực nghiệm như tìm kiếm và trích chọn dữ liệu trên Web, tiền xử lý dữ liệu,
chuẩn hoá văn bản, xoá bỏ từ dừng, xây dựng từ điển, tách từ và biểu diễn văn
bản, phân cụm tài liệu và đánh giá kết quả thực nghiệm.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
94
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Luận văn đã nêu lên được những nét cơ bản về khai phá dữ liệu, khám phá
tri thức và những vấn đề liên quan, kỹ thuật phân cụm dữ liệu và đi sâu vào một
số phương pháp phân cụm truyền thống, phổ biến như phân cụm phân hoạch,
phân cụm phân cấp, phân cụm dựa trên mật độ, phân cụm dựa trên lưới, phân
cụm dựa trên mô hình và theo hướng tiếp cận mờ.
Luận văn tập trung vào một hướng nghiên cứu và phát triển mới trong khai
phá dữ liệu đó là khai phá Web, một hướng đang thu hút sự quan tâm của nhiều
nhà khoa học. Phần này trình bày những vấn đề về các hướng tiếp trong khai
phá Web như khai phá tài liệu Web, khai phá cấu trúc Web và khai phá theo
hướng sử dụng Web. Một kỹ thuật trong khai phá Web đó là phân cụm dữ liệu
Web. Tác giả cũng đã trình bày một hướng tiếp cận trong việc sử dụng các kỹ
thuật phân cụm trong khai phá dữ liệu Web. Đề xuất và xây dựng một chương
trình thực nghiệm phân cụm tài liệu Web áp dụng trong tìm kiếm dữ liệu với
thuật toán k-means dựa trên mô hình vector biểu diễn văn bản TF-IDF.
Lĩnh vực khai phá Web là một vấn đề khá mới mẽ, rất quan trọng và khó,
bên cạnh những kết quả nghiên cứu đã đạt được nó đã đặt ra những thách thức
lớn đối với các nhà nghiên cứu. Khai phá Web là một lĩnh vực đầy triển vọng,
phức tạp và còn là vấn đề mở. Hiện chưa có một thuật toán và mô hình biểu diễn
dữ liệu tối ưu trong khai phá dữ liệu Web.
Mặc dù đã cố gắng, nỗ lực hết mình song do thời gian nghiên cứu, trình độ
của bản thân có hạn và điều kiện nghiên cứu còn nhiều hạn chế nên không thể
tránh khỏi những khuyết thiếu và hạn chế, tác giả rất mong nhận được những
góp ý, nhận xét quý báu của quý thầy cô và bạn bè để kết quả của đề tài hoàn
thiện hơn.
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
95
Hướng phát triển:
- Tiếp tục nghiên cứu, đề xuất và cải tiến một số kỹ thuật mới trong phân
cụm dữ liệu như phân cụm mờ, các thuật toán phân cụm song song,... nhằm
nâng cao hiệu suất khai phá dữ liệu trên hệ thống dữ liệu lớn, phân tán.
- Nghiên cứu các mô hình biểu diễn và xử lý văn bản mới như mô hình mờ,
mô hình tập thô,... nhằm nâng cao hiệu quả xử lý và khai phá dữ liệu đặc biệt là
xử lý dữ liệu trong môi trường Web..
- Áp dụng các kỹ thuật KPDL vào lĩnh vực thương mại điện tử, chính phủ
điện tử,...
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
96
PHỤ LỤC
Chương trình được viết trên nền .NET Framework 2.0 và ngôn ngữ lập
trình Visual Basic 2005, cơ sở dữ liệu được lưu trữ và quản lý bằng SQL Server
2005. Sau đây là một số mã lệnh và giao diện xử lý của chương trình.
Một số modul xử lý trong cương trình
1. Chuẩn hoá xâu văn bản
Private Function Chuanhoa(ByVal S As String) As String
For i = 1 To 9
S = S.Replace(Str(i) + ".", Str(i))
S = S.Replace(Str(i) + ",", Str(i))
Next
i = 0
Do While i < S.Length - 1
If (Not Char.IsLetterOrDigit(S(i))) And (S(i) " ")
Then
S = S.Remove(i, 1)
S = S.Insert(i, " ")
Else
i = i + 1
End If
Loop
i = 0
Do While i < S.Length - 1
If ((Char.IsDigit(S(i))) And (Not Char.IsDigit(S(i +
1)))) Or ((Not Char.IsDigit(S(i))) And
(Char.IsDigit(S(i + 1)))) Then
S = S.Insert(i + 1, " ")
i = i + 1
End If
i = i + 1
Loop
S = S.ToLower(VN)
i = 0
Do While i < S.Length - 2
If S(i) + S(i + 1) = " " Then
S = S.Remove(i, 1)
Else
i = i + 1
End If
Loop
S = S.Trim
Return S
End Function
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
97
2. Xoá từ dừng
Private Function XoaTuDung(ByVal S As String) As String
For i = 0 To ListTD.Count - 1
S = S.Replace(" " + ListTD.Item(i) + " ", " ")
Next i
i = 0
Do While i < S.Length
Do While (i < S.Length - 1) And (S(i) = " ")
i = i + 1
Loop
j = i + 1
Kt = False
Do While (j < S.Length) And (Not Kt)
If S(j) " " Then
j = j + 1
Else
Kt = True
End If
Loop
If i = j - 1 Then
S = S.Remove(i, 1)
End If
i = j
Loop
S = S.Trim()
Return S
End Function
3. Xây dựng từ điển
Private Sub XayDungTuDien(ByVal Doc As ArrayList)
For Each S In Doc
list = New ArrayList(S.Split(" "))
For Each ST In list
If Trim(ST) "" Then
i = TuDien.IndexOf(ST)
If (i < 0) Then
TuDien.Add(Trim(ST))
TuDienTS.Add(1)
Else
TuDienTS(i) = TuDienTS(i) + 1
End If
End If
Next
Next
'Sap xep theo giam dan cua tan so tu trong tap Van ban
If (TuDien(0) = " ") Or (TuDien(0) = "") Then
TuDien.RemoveAt(0)
End If
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
98
QuikSort(0, TuDien.Count - 1, TuDien, TuDienTS)
Do While (TuDien.Count>500) And (TuDienTS(0) > Int(NumDoc *
(MaxWork / 100)))
TuDien.RemoveAt(0)
TuDienTS.RemoveAt(0)
Loop
Do While (TuDien.Count > MaxWork)
TuDien.RemoveAt(MaxWork)
TuDienTS.RemoveAt(MaxWork)
Loop
End Sub
4. Vector hoá văn bản
Private Sub VectorVB(ByVal Collect As ArrayList)
Vector = Array.CreateInstance(GetType(Byte), NumDoc,
NumWord)
i = 0
For Each S In Collect
List = New ArrayList(S.Split(" "))
For Each ST In List
If Trim(ST) "" Then
k = TuDien.IndexOf(ST)
If k > 0 Then
Vector(i, k) = Vector(i, k) + 1
End If
End If
Next
i = i + 1
Next
End Sub
5. Xây dựng bảng trọng số
Private Sub XDTrongSo(ByVal Vector As Array)
Dim thongke(NumWord) As Integer
For i = 0 To NumWord - 1
thongke(i) = 0
For j = 0 To NumDoc - 1
If Vector(j, i) > 0 Then
thongke(i) = thongke(i) + 1
End If
Next
Next
W = Array.CreateInstance(GetType(Double), NumDoc, NumWord)
For i = 0 To NumDoc - 1
For j = 0 To NumWord - 1
If Vector(i, j) > 0 Then
W(i, j)=(1 + Math.Log(Vector(i,
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
99
j)))*(Math.Log(NumDoc)-Math.Log(thongke(j)))
Else
W(i, j) = 0.0
End If
Next
Next
End Sub
6. Thuật toán k-means
Private Sub PhanCumKMean()
Randomize(NumDoc)
'Buoc 1: KHOI TAO CAC TRONG TAM
i = 0
Do While i < k
r = CInt(Int(NumDoc * Rnd()))
If Not rnum.Contains(r) Then
rnum.Add(r)
For j = 0 To NumWord - 1
C(i, j) = W(r, j)
Next
i = i + 1
End If
Loop
For i = 0 To NumDoc - 1
Cum(i) = 0
Next
check1 = True
Do While check1
'Buoc 2:Tinh toan khoang cach va xac dinh cum cho cac pt.
For i = 0 To NumDoc - 1
min = Double.MaxValue
Cum(i) = 0
For j = 0 To k - 1
dis = 0
For m = 0 To NumWord - 1
temp = W(i, m) - C(j, m)
dis = dis + Math.Abs(temp * temp)
Next
dis = Math.Sqrt(dis)
If dis < min Then
min = dis
Cum(i) = j
End If
Next
Next
'Buoc 3: Cap nhat lai Trong tam
check1 = False
For i = 0 To k - 1 'Cap nhat lan luot Trong tam tung cum
For j = 0 To NumWord - 1
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
100
n = 0
sum = 0
For m = 0 To NumDoc - 1
If Cum(m) = i Then
sum = sum + W(m, j)
n = n + 1
End If
Next
sum = sum / n
If C(i, j) sumThen
C(i, j) = sum
check1 = True
End If
Next
Next
Loop
End Sub
Một số giao diện chương trình
1. Công cụ tìm kiếm tự động tài liệu trên Internet và lưu trữ vào CSDL
2. Công cụ tìm kiếm chọn lọc tài liệu trên Internet và lưu trữ vào CSDL
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
101
3. Trích chọn dữ liệu, tiền xử lý, xây dựng từ điển và vector hóa văn bản
4. Phân cụm tài liệu và biểu diễn kết quả
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
102
TÀI LIỆU THAM KHẢO
Tài liệu tiếng Việt
[1] Cao Chính Nghĩa, “Một số vấn đề về phân cụm dữ liệu”, Luận văn thạc sĩ,
Trường Đại học Công nghệ, ĐH Quốc gia Hà Nội, 2006.
[2] Hoàng Hải Xanh, “Về các kỹ thuật phân cụm dữ liệu trong data mining”,
luận văn thạc sĩ, Trường ĐH Quốc Gia Hà Nội, 2005
[3] Hoàng Thị Mai, “Khai phá dữ liệu bằng phương pháp phân cụm dữ liệu”,
Luận văn thạc sĩ, Trường ĐHSP Hà Nội, 2006.
Tài liệu tiếng Anh
[4] Athena Vakali, Web data clustering Current research status & trends,
Aristotle University,Greece, 2004.
[5] Bing Liu, Web mining, Springer, 2007.
[6] Brij M. Masand, Myra Spiliopoulou, Jaideep Srivastava, Osmar R. Zaiane,
Web Mining for Usage Patterns & Profiles, ACM, 2002.
[7] Filippo Geraci, Marco Pellegrini, Paolo Pisati, and Fabrizio Sebastiani, A
scalable algorithm for high-quality clustering of Web Snippets, Italy, ACM, 2006.
[8] Giordano Adami, Paolo Avesani, Diego Sona, Clustering Documents in a
Web Directory, ACM, 2003.
[9] Hiroyuki Kawano, Applications of Web mining- from Web search engine to
P2P filtering, IEEE, 2004.
[10] Ho Tu Bao, Knowledge Discovery and Data Mining, 2000.
[11] Hua-Jun Zeng, Qi-Cai He, Zheng Chen, Wei-Ying Ma, Jinwen Ma,
Learning to Cluster Web Search Results, ACM, 2004.
[12] Jitian Xiao, Yanchun Zhang, Xiaohua Jia, Tianzhu Li, Measuring
Similarity of Interests for Clustering Web-Users, IEEE, 2001.
[13] Jiawei Han, Micheline Kamber, Data Mining: Concepts and Techniques,
University of Illinois at Urbana-Champaign, 1999.
[14] Khoo Khyou Bun, “Topic Trend Detection and Mining in World Wide
Web”, A thesis for the degree of PhD, Japan, 2004.
[15] LIU Jian-guo, HUANG Zheng-hong , WU Wei-ping, Web Mining for
Electronic Business Application, IEEE, 2003.
[16] Lizhen Liu, Junjie Chen, Hantao Song, The research of Web Mining, IEEE, 2002
Khai phá dữ liệu Web bằng kỹ thuật phân cụm
Hoàng Văn Dũng
103
[17] Maria Rigou, Spiros Sirmakessis, and Giannis Tzimas, A Method for
Personalized Clustering in Data Intensive Web Applications, 2006.
[18] Miguel Gomes da Costa Júnior, Zhiguo Gong, Web Structure Mining: An
Introduction, IEEE, 2005.
[19] Oren Zamir and Oren Etzioni, Web document Clustering: A Feasibility
Demonstration, University of Washington, USA, ACM, 1998.
[20] Pawan Lingras, Rough Set Clustering for Web mining, IEEE, 2002.
[21] Periklis Andritsos, Data Clusting Techniques, University Toronto,2002.
[22] R. Cooley, B. Mobasher, and J. Srivastava, Web mining: Information and
Pattern Discovery on the World Wide Web, University of Minnesota, USA, 1998.
[23] Raghu Krishnapuram, Anupam Joshi, and Liyu Yi, A Fuzzy Relative of the
K -Medoids Algorithm with Application toWeb Document and Snippet
Clustering, 2001
[24] Raghu Krishnapuram,Anupam Joshi, Olfa Nasraoui, and Liyu Yi, Low-
Complexity Fuzzy Relational Clustering Algorithms for Web Mining, IEEE, 2001.
[25] Raymond and Hendrik, Web Mining Research: A Survey, ACM, 2000
[26] Rui Wu, Wansheng Tang,Ruiqing Zhao, An Efficient Algorithm for Fuzzy
Web-Mining, IEEE, 2004.
[27] T.A.Runkler, J.C.Bezdek, Web mining with relational clustering,
ELSEVIER, 2002.
[28] Tsau Young Lin, I-Jen Chiang , “A simplicial complex, a hypergraph,
structure in the latent semantic space of document clustering”, ELSEVIER, 2005.
[29] Wang Jicheng, Huang Yuan, Wu Gangshan, and Zhang Fuyan, Web
Mining: Knowledge Discovery on the Web, IEEE, 1999.
[30] WangBin, LiuZhijing, Web Mining Research, IEEE, 2003.
[31] Wenyi Ni, A Survey of Web Document Clustering, Southern Methodist
University, 2004.
[32] Yitong Wang, Masaru Kitsuregawa, Evaluating Contents-Link Coupled
Web Page Clustering for Web Search Results, ACM, 2002.
[33] Zifeng Cui, Baowen Xu , Weifeng Zhang, Junling Xu, Web Documents
Clustering with Interest Links, IEEE, 2005.
Các file đính kèm theo tài liệu này:
- Khai phá dữ liệu Web bằng kỹ thuật phân cụm.pdf