Hệ thống thu thập thông tin

Tài liệu tham khảo công nghệ thông tin Hệ thống thu thập thông tin

I.1 MỞ ĐẦU……….1

I.2 MỘT VÀI VÍ DỤ ỨNG DỤNG………2

CHƯƠNG II : LÝ THUYẾT CHUNG……… 3

II.1 PHÂN LOẠI NGUỒN THÔNG TIN……….3

II.1.1 Các trang web thông tin có cấu trúc được cập nhật thường xuyên……….….4

II.1.2 Các trang Web thông tin có cấu trúc không được cập nhật thường xuyên……….5

II.1.3 Các trang Web thông tin có cấu trúc lỏng lẻo……….…6

II.2 WEBMINING………6

II.2.1 Thu thập thông tin (Information Retrieval) ……… 7

II.2.2 Bóc tách thông tin (Information Extraction) ……….7

II.2.3 Tổng hợp và tổng quát hoá dữ liệu (Generation) ………… 8

II.2.4 Phân tích……….…8

II.3 XLM……… …8

CHƯƠNG III : NGHIÊN CỨU GIẢI PHÁP……….10

III.1 THU THẬP THÔNG TIN……….11

III.1.1.Các loại URL……… 11

III.1.2 Giải pháp sử lý……… 12

III.2 BÓC TÁCH THÔNG TIN……… 12

III.2.1 Quy luật dùng để bóc tách thông tin……… 20

III.2.2 Phương án kỹ thuật……… 24

III.2.3 Kênh tin và kênh tin đa thức………29

III.3 HIỆN THỰC HOÁ GIẢI PHÁP……… 31

III.3.1 Khả năng tương tác người và máy trong quá trình tạo kênh tin………33

III.3.2 Các chức năng khác của hệ thống………35

V.3.LẤY THÔNG TIN VỀ CÁC BÀI BÁO……… 40

V.4 XEM BÁO TRỰC TUYẾN ……… 41

V.5 XEM CÁC BÀI BÁO ĐÃ LƯU………42

V.6 CHỈNH SỬA VÀ THÊM CHÚ THÍCH VÀO BÀI BÁO……….43

V.7 TÌM KIẾM BÀI BÁO……….43

V.8 CẬP NHẬT CÁC KÊNH THÔNG TIN MỚI……….44

CHƯƠNG VI : KẾT LUẬN………44

GIỚI THIỆU SẢN PHẨM 2

I.1.MỞ ĐẦU 2

I.2.MỘT VÀI VÍ DỤ ỨNG DỤNG 3

LÝ THUYẾT CHUNG 4

II.1.PHÂN LOẠI NGUỒN THÔNG TIN 5

II.1.1.Các trang Web thông tin có cấu trúc được cập nhật thường xuyên 5

II.1.2.Các trang Web thông tin có cấu trúc không được cập nhật thường xuyên 6

II.1.3.Các trang Web thông tin có cấu trúc lỏng lẻo 7

II.2.1.Thu thập thông tin (Information Retrieval) 8

II.2.2 Bóc tách thông tin (Information Extraction) 8

II.2.3.Tổng hợp và tổng quát hoá dữ liệu (Generation) 9

II.2.4.Phân tích 10

NGHIÊN CỨUGIẢI PHÁP 12

III.1.THU THẬP THÔNG TIN 12

III.1.1.Các loại URL 12

III.1.2 Giải pháp xử lý 13

III.2.BÓC TÁCH THÔNG TIN 21

III.2.1 Quy luật dùng để bóc tách thông tin 22

III.2.2.Phương án kỹ thuật 26

III.2.3.Kênh tin và kênh tin đa mức 31

III.3.HIỆN THỰC HÓA GIẢI PHÁP 33

III.3.2.Khả năng tương tác người - máy trong quá trình tạo kênh tin 35

III.3.3.Các chức năng khác của hệ thống 37

Hơn mọi thứ khác, nhu cầu truyền tải thông tin vượt qua thời gian và không gian luôn được nhân loại chú ý tới, từ những tiếng trống của thổ dân Châu Phi cho tới những thông điệp điện tử đang được truyền đi với tốc độ ánh sáng trên khắp địa cầu Không cần đến tận nơi, bạn vẫn có thể biết ở cách xa hàng ngàn dặm đang diễn ra chuyện gì, không cần phải gặp mặt, những người bạn ở hai nửa địa cầu vẫn có thể trao đổi thông tin với nhau, Internet đã đưa thông tin tới mọi nhà.

Thế nhưng, hãy thử tưởng tượng rằng, nếu một ngày nào đó tất cả mọi người đều có đầy đủ những thông tin mà mình cần, còn riêng bạn lại ngập lụt trong một biển thông tin nhiều đến nỗi không sao xử lý hết được thì sẽ thế nào?

Càng ngày bạn càng cần phải thu thập thông tin ở nhiều lĩnh vực cùng một lúc và đã bao giờ bạn phát chán lên vì không biết phải làm gì khi có quá nhiều thông tin chưa? Đã bao giờ bạn cảm thấy chán ngán khi trong tay mình có danh sách của hàng chục, hàng trăm tờ báo điện tử, diễn đàn, search engine, rồi các website thông tin về đủ mọi lĩnh vực, nhưng lại không thể đủ thời gian để cập nhật dù chỉ là lướt qua hết các nguồn tin này chưa? Có thể có và cũng có thể là chưa.

Hệ thống của tôi ra đời với một tiêu chí vô cùng đơn giản “Mang lại cho

người sử dụng thông tin và chỉ những thông tin mà họ cần” Thông tin

bạn cần nhất khi muốn xem lướt qua các tờ báo điện tử là gì? Có thể chỉ là tiêu đề bài báo và vài dòng tóm tắt qua nội dung của bài báo đó Thông tin bạn cần nhất khi lướt qua một diễn đàn là gì? Có thể chỉ là tên bài viết và tác giả của bài viết đó Cũng như vậy đối với một trang Web cung cấp thông tin về giá cả chứng khoán Bạn cần chỉ số chứng khoán của các công ty chứ đâu cần phải rối tinh lên vì các thông tin không cần thiết nằm trong trang Web đó Nhưng có phải là hệ thống của tôi sẽ chỉ mang đến cho bạn thông tin về tiêu đề cùng với phần tóm tắt của các tin tức trên rất nhiều các trang báo điện tử trong và ngoài nước, hay tên bài viết và tác giả của các chủ đề trên rất nhiều các diễn đàn trao đổi thông tin, hay đơn thuần chỉ là các chỉ số chứng khoán, … không thôi?

Không, tất nhiên không chỉ có vậy, hệ thống của tôi được xây dựng như là

một giải pháp tổng quát để thu thập và tách thông tin từ bất cứ nguồn tin

nào trên Internet Với sự cố gắng nỗ lực hết mình trong phạm vi giới hạn của

kiến thức, tôi cũng đã cung cấp cho bạn một cơ chế tương tác trực quan giữa

người và máy để xác định thông tin cần bóc tách mà ngay cả những hệ thống có chức năng tương tự như Novobot, WebFerret hay Copernic cũng rất khó khăn hay hầu như không thể cung cấp cho bạn được Tính khả mở của hệ thống đã được chuyển giao từ những người tạo ra hệ thống vào tay người sử dụng Hệ thống của tôi giờ đây đã cung cấp đầy đủ các chức năng để bạn có thể thu thập

và tách các thông tin từ bất cứ nguồn tin nào và việc quyết định cần thu thập

những thông tin gì là tùy vào chính bạn chứ không còn cứng nhắc như các

hệ thống trước đây nữa.

Hãy để công việc thu thập thông tin lại trở nên dễ dàng và tiện dụng cùng với hệ thống của tôi cho dù trước mắt bạn là một biển thông tin hỗn độn và khổng lồ như Internet

I.2.MỘT VÀI VÍ DỤ ỨNG DỤNG

Đặc điểm nổi bật nhất là hệ thống của tôi có tính mở rất cao Những

thông tin mà hệ thống mang lại cho bạn chỉ phụ thuộc vào ý muốn của

chính bạn chứ không bị gò bó trong một phạm vi nhất định nào đó như là

những chương trình tương tự khác Có thể ra một vài ứng dụng nhỏ sau đây :Nếu bạn là người hay quan tâm đến những tin tức nóng hổi về kinh tế, chính trị, thể thao, hãy sử dụng chương trình của tôi để tạo ra các kênh tin kết nối đến các trang báo điện tử ở khắp nơi trên thế giới, và bạn sẽ có đầy đủ những thông tin mà mình cần Việc đọc lướt qua các tiêu đề tin tức từ các bài báo sau khi đã được thu thập và phân chia thành các chủ đề khác nhau, rồi mới quyết định xem chi tiết bài báo nào sẽ giúp bạn có một cái nhìn tổng quát hơn, nhanh chóng và tiết kiệm thời gian, tiền bạc hơn so với việc phải dùng trình duyệt đi tới từng trang web, vào từng chủ đề, xem tiêu đề tin, rồi mới tới được nội dung bài viết.

Nếu bạn là một doanh nghiệp cần quan tâm đến những tin tức về kinh tế, về thị trường, về những mặt hàng bạn đang kinh doanh, hay nếu bạn là một người làm công tác nghiên cứu đang cần những thông tin, số liệu liên quan đến lĩnh vực chuyên môn của mình, hay nếu bạn là một nhà báo đang cần những tin tức "thời sự" nhất để viết bài, thì tại sao lại không thử sử dụng hệ thống của tôi, tất cả những gì bạn cần hệ thống của tôi sẽ giúp bạn có.

Nếu bạn cần tìm kiếm thông tin, chương trình của tôi sẽ giúp bạn cùng một lúc kết nối đến nhiều trang tìm kiếm khác nhau trên thế giới, gửi yêu cầu, phân tích kết quả rồi trả lại cho bạn những thông tin bạn cần tìm.

Nếu bạn muốn thu thập, tổng hợp lại số liệu từ một trang web trên mạng (ví dụ như danh sách các thí sinh trúng tuyển đại học chẳng hạn), hay cần lấy về chỉ một số thông tin nhất định nào đó thôi, ví dụ như tên nhạc sĩ sáng tác và lời bài hát tương ứng từ một site về lyrics nào đó để tổng hợp lại thành cơ sở dữ liệu của riêng bạn, mà bạn đang băn khoăn không biết nên làm thế nào để có thể thực hiện công việc này một cách nhanh chóng và ít tốn công sức nhất thì hệ thống của tôi chính là một công cụ mà bạn đang cần đấy.

Ngoài ra còn có thể kể đến rất nhiều ứng dụng khác nữa Hệ thống này có thể được ứng dụng vào trong những công việc gì thì điều đó chỉ phụ thuộc vào khả năng sáng tạo của chính bạn mà thôi.

CHƯƠNG II

LÝ THUYẾT CHUNG

 Các loại nguồn thông tin trên Web

 Các tác vụ Web-mining, lý thuyết và thực tế Ngôn ngữ XML, khả năng và thực tế

 Chúng ta đã thật sự có thông tin mình mong đợi chưa?

II.1.PHÂN LOẠI NGUỒN THÔNG TIN

Trong thập kỷ qua, chúng ta đã được chứng kiến sự phát triển đến chóng mặt của Internet mà tiêu biểu là các trang thông tin Sự phát triển này đã có một ảnh hưởng không nhỏ tới nền kinh tế và xã hội không chỉ của riêng một quốc gia mà là cả thế giới Internet được coi là một nguồn cung cấp tin khổng lồ với mọi chuyên mục, mọi vấn đề mà người sử dụng cần đến Với sự phát triển này, hiện nay, lượng thông tin Internet mang đến cho người sử dụng là quá lớn dẫn tới việc chúng ta cần phải có các ứng dụng Internet thông minh và hiệu quả hơn đối với người sử dụng Có nhiều cách để phân loại các nguồn thông tin từ Web, tuy vậy, chúng ta có thể chia thành 3 loại chính như sau :

• Các trang Web thông tin có cấu trúc được cập nhật thường xuyên

• Các trang Web thông tin có cấu trúc không được cập nhật thường xuyên

• Các trang Web thông tin có cấu trúc lỏng lẻo

Trước khi đi vào phân tích từng loại một, chúng ta cần nhận định rằng các trang Web hiện nay được xây dựng bằng rất nhiều nguồn khác nhau: text, hình ảnh, video, biểu tượng v.v… Có thể kể ra đây một vài đặc tính quan trọng của dữ liệu trên các trang Web này :

• Không phân loại được (các thông tin mang lại từ HTML hầu hết là về phần trình bày thông tin chứ không phải là ngữ nghĩa của thông tin)

• Phân tán

• Trộn lẫn (text, hình ảnh, video, biểu tượng )

• Bán cấu trúc (có cấu trúc theo ngôn ngữ HTML nhưng lại không có cấu trúc về mặt ngữ nghĩa)

• Thay đổi theo thời gian

ví dụ này là không chính xác đối với tất cả các trang Web cùng loại mà chỉ mang tính minh hoạ về cấu trúc ý nghĩa):

 Báo điện tử : Tiêu đề + Mô tả ngắn gọn + Các tin đã đưa Diễn đàn : Tên bài viết + Người viết + Người cập nhật cuối

 Thời tiết : Tên thành phố + chỉ số dự báo thời tiết(nhiệt độ, độ ẩm ) Chứng khoán : Tên công ty niêm yết + giá bán



Tần số cập nhật thông tin của các trang Web này nói chung là ngắn, có thể liên tục (thị trường chứng khoán), một vài phút (diễn đàn) hay một ngày (báo điện tử) Tuy vậy, dù cập nhật thông tin như thế nào, các trang thông tin này thông thường luôn tuôn theo một quy luật về ý nghĩa của các thông tin

Thông tin mà các trang Web này mang lại cho người sử dụng được cập nhật một cách liên tục và phong phú Tuy vậy, trái ngược với sự liên tục và phong phú, các trang Web này lại chỉ ngày càng nâng cao tính trình bày hình thức của mình chứ không thể nâng cao được tính ngữ nghĩa của mình (do sự hạn chế của ngôn ngữ HTML) Những câu hỏi được người sử dụng đặt ra để lấy thông tin ví dụ như “Tôi muốn đọc các bài có tiêu đề nói về Trí Tuệ Việt Nam 2004“ hay như “Có công ty chứng khoán nào niêm yết giá khoảng dưới 20000 VND không nhỉ?”, có vẻ đơn giản nhưng dường như lại khá khó

khăn trong việc thực hiện Câu trả lời nếu sử dụng các phương pháp thông thường như là sử dụng search engine của trang thông tin đó hay các search engine khác sẽ mang lại cho người sử dụng quá nhiều thông tin không cần thiết do các search engine này cũng chỉ tìm kiếm thông tin chứ không để ý đến ngữ nghĩa của thông tin.

II.1.2.Các trang Web thông tin có cấu trúc không được cập nhật thường xuyên

Tần số cập nhật được nêu ra ở đây chỉ mang tính tương đối, vì một trang Web được cập nhật thường xuyên (ví dụ như chỉ số chứng khoán) lại cũng có thể vì một lý do nào đó không cập nhật thường xuyên nữa (ví dụ đóng cửa thị trường chứng khoán vào ngày nghỉ) Tuy nhiên, có thể thấy rằng, cũng có rất nhiều trang Web mà tần số cập nhật là ít Ví dụ như trang Web giới thiệu tên các quốc gia (đương nhiên không phải ngày, tháng, năm nào cũng có một quốc gia xuất hiện, đổi tên hay biến mất nên thông tin trong trang Web này dường như không thay đổi), hay như trang Web chứa thông tin về Ban Giám Khảo cuộc thi Trí Tuệ Việt Nam (thay đổi theo hàng năm) Do các trang Web này cũng được tổ chức theo một cấu trúc nhất định nên chúng ta cũng có thể phân tích về mặt ngữ nghĩa cấu trúc Ví dụ như trong trang Web thông tin về Ban Giám Khảo cuộc

thi Trí Tuệ Việt Nam, ít nhất cũng phải có các thông tin: Tên + Chức danh của các thành viên Ban Giám Khảo Tương tự, chúng ta sẽ lại vấp phải những khó khăn khi muốn tìm ra dữ liệu trả lời cho những câu hỏi như “Thành viên nào của Ban Giám Khảo hiện nay đang công tác tại trường Đại học Bách Khoa ?”.

Những câu hỏi được đặt ra đối với các trang Web có cấu trúc nói trên dường như sẽ là những câu truy vấn rất đơn giản trong các hệ quản trị cơ sở dữ

liệu khi có các thông tin Tiêu đề (trong câu hỏi “Tôi muốn đọc các bài có tiêu đề nói về Trí tuệ Việt Nam 2004 ? ”), Tên công ty, Giá niêm yết (trong câu hỏi

“Có công ty chứng khoán nào niêm yết giá khoảng dưới 20000 VND không

nhỉ ?”) và Tên thành viên, Chức danh (trong câu hỏi “Thành viên nào của Ban

Giám Khảo hiện nay đang công tác tại trường Đại học Bách Khoa ?” ) Thế nhưng, cái chúng ta có lại là các trang Web chứ không phải là hệ cơ sở dữ liệu và công việc của chúng ta là phải có được một cơ sở dữ liệu mà mỗi thông tin

trong đó đã được phân loại theo ngữ nghĩa

??? D÷ liÖu cãthÓ truy

vÊn ®­îc

II.1.3.Các trang Web thông tin có cấu trúc lỏng lẻo

Các trang Web thông tin có cấu trúc lỏng lẻo cũng là một trong những loại trang Web xuất hiện rất nhiều trên Internet, ví dụ như: trang Web giới thiệu cá nhân, tổ chức, cơ quan v.v… Những trang Web này thường rất khó phân tích cấu trúc một cách tổng quát do thông tin được trình bày không theo một quy luật nhất định nào

Do những nhu cầu bức xúc đặt ra đã được nói ở trên, chúng ta cần phải phát triển phương pháp thu thập và xử lý thông tin thông minh hơn để mang lại những ích lợi thiết thực hơn cho người sử dụng Hiện tại, trên thế giới đã có rất nhiều nghiên cứu về WebMining, phương pháp và công nghệ để xử lý thông tin

thu thập từ các nguồn thông tin trên Internet một cách thông minh WebMining có thể được chia thành bốn tác vụ chính như hình dưới đây

D÷ liÖuWeb

T¸c vô

Thu thËpth«ng tin

T¸c vô

Bãc t¸chth«ng tin

T¸c vô

Tæng qu¸tho¸ th«ng

T¸c vô

Ph©n tÝchth«ng tinTri thøc

Chúng ta sẽ điểm sơ qua từng tác vụ một và những nghiên cứu đã đạt được đối với từng tác vụ này.

II.2.1.Thu thập thông tin (Information Retrieval)

Tác vụ thu thập thông tin giúp cho người sử dụng có được trang Web từ URL hoặc từ yêu cầu mà họ cần Đối với người sử dụng hiện tại, việc thu thập thông tin thường được thực hiện qua các URL mà người sử dụng đã biết hoặc qua các engine tìm kiếm Các engine tìm kiếm là các chương trình được viết để có thể truy vấn và thu thập dữ liệu được lưu trong cơ sở dữ liệu (có cấu trúc), trang Web (bán cấu trúc) và các văn bản tự do (không có cấu trúc) trên mạng Hiện tại đã có khá nhiều các engine tìm kiếm mạnh ở thế giới và tại Việt Nam như Google, Altavista, Lycos, Vinaseek, PanVN, Các engine này ngày càng cố gắng để có thể tương tác với người sử dụng nhiều và thông minh hơn, tuy vậy không phải là không có những yếu điểm.

Như chúng ta đã biết, một hệ thống thu thập thông tin lý tưởng phải là một hệ thống thu thập được những thông tin phù hợp nhất với yêu cầu của người sử dụng (yêu cầu này được diễn giải bằng các câu truy vấn) Đây thật sự là một tác vụ vô cùng phức tạp và khó khăn mà hầu hết các hệ thống thu thập thông tin đều chưa thực hiện được triệt để, phần nhiều có thể kể đến là do tính phi ngữ nghĩa của ngôn ngữ HTML Hầu hết các hệ thống thu thập thông tin hiện nay đều chú trọng tới tốc độ, số lượng thông tin mà các hệ thống này có thể mang lại cho người dùng với các câu truy vấn tương đối đơn giản

Ngoài ra chúng ta cũng nhận thấy đã có những cố gắng rất nhiều trong việc cá nhân hóa và khả mở đối với hệ thống thu thập thông tin Tuy vậy, kết quả mang lại chưa phải thật sự tốt đúng như người dùng mong đợi.

II.2.2 Bóc tách thông tin (Information Extraction)

Một khi thông tin sau khi qua tác vụ thu thập đã được lấy về, việc tiếp theo là phải lấy ra được những thông tin cần thiết và chỉ là những thông tin mà mình cần một cách tự động không cần tới sự thao tác của người sử dụng Hầu hết các thuật toán bóc tách thông tin hiện nay đều dựa vào các công cụ khác nhau trên nền kỹ thuật “wrapper” Wrapper có thể được hiểu là những hàm để tách thông tin từ các tài nguyên Web Các hàm này được viết dựa trên các luật (quy luật) đã được đúc rút ra sau khi khảo sát các trang Web chứa thông tin cần lấy Các Wrapper có thể xây dựng dựa trên rất nhiều quy luật khác nhau và tuỳ thuộc vào mục đích của người sử dụng.

Có lẽ giới hạn lớn nhất của tác vụ bóc tách thông tin này là mỗi một wrapper lại chỉ được sử dụng cho một mục đích nhất định và không liên quan đến nhau Do vậy, tính khả mở của các wrapper này quả thật không được tốt cho lắm Chúng ta có thể kể đến những chương trình chỉ viết riêng về một vấn

đề như: xem chỉ số chứng khoán, xem thời tiết, xem báo (ví dụ như Novobot)

hay những chương trình mang tính chất tổng hợp hơn như chương trình bóc tách các thông tin thu được từ nhiều search engine cùng một lúc (ví dụ như

Corpecnic hay WebFerret) Hơn nữa, cần phải kể thêm là các chương trình

này luôn tạo ra những khó khăn cho người sử dụng trong việc cập nhật lại nguồn tin (ví dụ cập nhật thêm một tờ báo hay thêm một search engine) Để cập nhật, người sử dụng hầu như khó có thể tự mình thực hiện được mà phải chờ đợi cũng như download phần cập nhật từ các nhà sản xuất mà không biết phần cập nhật này có thật sự đúng với ý muốn của mình hay không (có phải đúng tờ báo mình muốn đọc hay đúng search engine ưa thích của mình không).

II.2.3.Tổng hợp và tổng quát hoá dữ liệu (Generation)

Trong tác vụ này, các kỹ thuật nhận diện theo mẫu (pattern recognition) và học máy (machine learning) thường được sử dụng đối với các thông tin đã được bóc tách Hầu hết các hệ thống học máy hiện tại trên Web đều học về ý thích của người sử dụng (tổng quát hơn là thông tin về người sử dụng) nhiều hơn là học về chính trang Web mà các hệ thống này được cài đặt trên đó Vấn đề này cũng xuất phát từ nguyên nhân dữ liệu hiện nay đang rất dư thừa trên Web nhưng lại không được (không có cơ chế) phân loại theo mặt ngữ nghĩa một cách tự động Ví dụ, nếu chúng ta có một cơ chế nào đó để xác định được hai tập hợp các trang Web là trang chủ của cá nhân này và không phải là trang chủ của cá nhân khác thì chúng ta sẽ có khả năng tiên đoán được một trang Web mới liệu có phải là trang chủ của một ai đó hay không Tuy vậy, với tính phi-ngữ nghĩa của HTML, chúng ta khó có thể phân loại được các trang Web này

II.2.4.Phân tích

Phân tích các thông tin sau khi đã thu thập được không phải là một công việc dễ dàng ngay cả đối với người sử dụng chứ chưa nói đến đối với máy tính Tác vụ này có thể được thực hiện hoàn toàn chỉ sau khi 3 tác vụ phía trước nó cũng đã được thực hiện tốt.

Với những nhược điểm phi-ngữ nghĩa của ngôn ngữ HTML cộng với nhu cầu thực tế của người sử dụng, XML đã ra đời cùng với khả năng tăng thêm tính linh động, ngữ nghĩa của các văn bản HTML Văn bản XML được cấu tạo với cấu trúc cũng dựa trên các thẻ như HTML, tuy nhiên các thẻ này không cố định như HTML mà hoàn toàn là do người sử dụng đặt tên Chính nhờ khả năng ấy mà XML đã vượt trội hơn hẳn HTML về mặt cung cấp ngữ nghĩa của thông tin Đơn giản như, bây giờ, các search engine sẽ có thể phân biệt được bill (hoá đơn điện thoại) với Bill Clinton (tên người) Tuy vậy, XML ra đời không có nghĩa rằng HTML sẽ không được sử dụng nữa Có một câu ngạn ngữ được các nước hay sử dụng là “Không việc gì phải sửa chữa những cái gì nó chưa hỏng” và XML cũng không phải sinh ra là để thay thế cho ngôn ngữ HTML mà là một sự bổ sung lý tưởng cho ngôn ngữ HTML, giải quyết cho HTML một số vấn đề sau:

• XML được thiết kế để phát triển và mở rộng một ngôn ngữ mark-up mới theo một hệ thống chuẩn Từ trước tới nay, HTML chưa bao giờ được cung cấp một khả năng mở rộng tuân theo một chuẩn nhất định Để thay đổi HTML, chúng ta có lẽ phải đối mặt với cả thế giới trong khi việc thay đổi XML cho phù hợp với mục đích người sử dụng lại không có gì khó khăn mà bằng chứng là hiện tại có rất nhiều ngôn ngữ dựa trên XML như ebXML (e-biz XML) hay WML (ngôn ngữ sử dụng cho các máy điện thoại di động).

• XML được thiết kế một cách rõ ràng, rành mạch cho phép các công cụ phát triển và trình duyệt có thể dễ dàng (không cần thay đổi) vẫn duyệt được toàn bộ thông tin mà nó mang theo Sự tối nghĩa trong các thẻ HTML và có quá nhiều các quy tắc ngoại lệ khiến cho đôi khi không chỉ người sử dụng mà các nhà phát triển công cụ cũng phải đau đầu

• HTML là một ngôn ngữ chú trọng hoàn toàn đến hình thức và không nói lên được điều gì về dữ liệu mà nó mang Do vậy, XML là một ngôn ngữ lý tưởng để giúp HTML làm được điều này.

• XML không phải sinh ra để cho những ứng dụng phức tạp mà không phải ai cũng hiểu, XML rất đơn giản và dễ lập trình Thêm nữa, với XML, chúng

ta có thể hiển thị cùng một dữ liệu với nhiều cách khác nhau hay cá nhân hoá dữ liệu, điều mà HTML không làm được.

Với những tính năng như trên, không có gì đáng ngạc nhiên khi XML hiện nay được sử dụng rộng rãi từ việc tạo trang Web tới việc tích hợp dữ liệu và ngay cả là lập trình phân tán Chúng ta có thể xem xét một vài ví dụ nhỏ về những ứng dụng của XML dưới đây :

• Giao dịch thương mại (Biz-to-biz transport) : Dữ liệu thương mại, hóa đơn, yêu cầu mua hàng, thông tin thuế, tỷ giá đều có thể được truyền qua đường điện tử giữa các nhà sản xuất khác nhau bằng định dạng XML với những ưu điểm vượt trội hơn hẳn dạng EDI (Electronic Data Interchange).

• Lập trình phân tán : XML là một công cụ lý tưởng để xây dựng các ứng dụng từ nhiều platform khác nhau, cho phép tích hợp giữa các server của Windows, Unix, Linux, Sun với các hệ điều hành khác nhau trên toàn thế giới.

• Cấu trúc Web site : Bản thân XML là một ngôn ngữ mang tính cấu trúc chặt chẽ và phân tán Vì vậy, các nhà phát triển Web site có thể dễ dàng sử dụng XML trong việc tăng tính phân tầng và cấu trúc duyệt (navigations) đối với những trang Web của họ Hơn nữa, sử dụng XML sẽ giúp cho việc lưu trữ thông tin người sử dụng, trạng thái Web site, điều khiển luồng dữ liệu trong trang Web trở nên dễ dàng hơn bao giờ hết.

• XML có thể giúp chúng ta trong việc tương tác với cơ sở dữ liệu, ví dụ như việc nhận dữ liệu từ một câu truy vấn SQL hoặc cập nhật dữ liệu từ một bản ghi XML Bằng việc mô tả dữ liệu theo định dạng XML, chúng ta không cần phải nhất thiết có một chút khái niệm nào về cấu trúc thật sự của cơ sở dữ liệu khi lưu

Với nền tảng XML chúng ta có thể dễ dàng bổ sung tính ngữ nghĩa cho các thông tin lấy được từ các trang Web Hệ thống của tôi còn nhắm tới XML như một ngôn ngữ hữu dụng trong việc chuyển đổi sang bất cứ dạng cơ sở dữ liệu (hay cơ sở dữ liệu tri thức) nào khác Việc dễ dàng chuyển đổi sang các cơ sở dữ liệu khác nhau một cách dễ dàng sẽ giúp đỡ người sử dụng, các doanh nghiệp tiết kiệm được rất nhiều thời gian, công sức tiền bạc và thích ứng được với môi trường Thương mại điện tử một cách dễ dàng.

CHƯƠNG III

NGHIÊN CỨUGIẢI PHÁP

 Giải pháp sử dụng script để tạo sinh URL tổng quát Giải pháp sử dụng DLL để tạo sinh URL tổng quát Bóc tách và gán ngữ nghĩa cho thông tin

 Khả năng tương tác visual giữa người và máy Hiện thực hóa giải pháp

 Khả năng ứng dụng và phát triển

Như đã nói ở chương trước, để có được tri thức như mong muốn, chúng ta cần thực hiện qua bốn bước thu thập, bóc tách, tổng quát hóa và phân tích dữ liệu Các bước này liên quan chặt chẽ đến nhau và có thể dễ dàng nhận

thấy rằng, việc thực hiện không tốt một bước bất kỳ trong bốn bước kể trên đều ảnh hưởng lớn tới tri thức đầu ra Với những nghiên cứu sẽ trình bày dưới đây, tôi xin được đặc biệt chú trọng tới hai bước đầu tiên, thu thập và bóc tách thông tin mà trọng tâm là bóc tách thông tin.

III.1.THU THẬP THÔNG TIN

Việc thu thập thông tin trong hệ thống phải dựa vào những nguồn thông tin mà người sử dụng đã cung cấp cho hệ thống ấy Sở dĩ tại sao ở đây tôi không đặt trọng tâm vào việc thu thập thông tin là bởi vì hiện tại, các search engine và các nguồn tin từ Web cung cấp thông tin đã quá nhiều, ngày càng phát triển và cung cấp cho người sử dụng nhiều thông tin hơn nhưng lại trong khoảng thời gian ít hơn trước rất nhiều Cần phải khẳng định rằng hiện tại chúng ta không hề thiếu dữ liệu, do vậy, trong tác vụ thu thập dữ liệu, tôi không thực hiện công việc đi tìm nguồn tin cho người sử dụng (vì công việc tìm nguồn tin giờ đây đã trở nên quá dễ dàng với các search engine) mà là đi tìm cho người sử dụng một cơ chế tự động thu thập dữ liệu từ các nguồn tin để chuẩn bị cho tác

vụ thứ hai, tác vụ bóc tách thông tin.

III.1.1.Các loại URL

Chúng ta cũng cần phải phân biệt rõ các nguồn thông tin Ở đây, nguồn thông tin của người sử dụng được định danh dưới các dạng URL như sau :

1 URL tĩnh Ví dụ khi muốn xem tin Thể thao của tờ báo Z có địa chỉ là

www.zzz.info, chúng ta chỉ cần truy nhập tới địa chỉ Thao/ trong mọi trường hợp thì có thể đọc được tin Thể thao của báo Z.2 URL tĩnh được redirect đến một URL khác động tùy thuộc nhiều yếu tố

www.zzz.info/The-(ngày, tháng, số lần người sử dụng truy cập ) Quay lại ví dụ với tờ báo Z, giả sử muốn xem Tin Thể thao, bây giờ chúng ta lại phải vào

www.zzz.info và sau đó ấn vào chuyên mục Thể thao để truy cập đến phần tin Thể thao với địa chỉ www.zzz.info/24-10/The-Thao/ (với 24-10 là ngày hiện tại) Đây là ví dụ đơn giản nhất về việc có tham số trong địa chỉ URL và nếu chúng ta nắm được quy luật đối với tham số này (trong ví dụ trên thì tham số chính là ngày hiện tại - tháng hiện tại), chúng ta cũng có thể truy cập trực tiếp tới trang Web cần thiết

3 Từ khóa để sinh ra URL (động) Các ví dụ đơn giản nhất trong trường hợp này là các search engine Chúng ta đã biết rằng để tìm kiếm thông tin, chúng ta cần phải cung cấp cho các search engine này từ khóa Các từ khóa ấy được biến đổi và cuối cùng được gửi cho server dưới dạng nằm trong URL Ngoài ra, cũng còn cần phải xét tới chuyện xử lý sang việc người sử dụng cần lấy từ nguồn tin không phải từ một trang mà là từ nhiều trang Web (ví dụ như mặc dù search engine có thể trả lại cho chúng ta đến hàng triệu kết quả chỉ trong một trang Web, tuy vậy trong thực tế người sử dụng thông thường không muốn xem hết hàng triệu kết quả này cũng như search engine không bao giờ lại trình bày hàng triệu kết quả thu được trong một trang Web duy nhất) Như vậy, thông tin về số trang trong trường hợp này ở trên URL cũng cần phải nghiên cứu Chúng ta cũng cần phải phân biệt được trường hợp 3 và 2 là giống nhau về mặt bản chất URL đều được mã hóa, nhưng trong trường hợp thứ 3 thông tin mã hóa được nhập từ người sử dụng, còn trong trường hợp thứ 2 thì do máy tính tự sinh ra.

III.1.2 Giải pháp xử lý

Đối với từng loại URL này, tôi đã có những nghiên cứu và đưa ra các giải pháp khả thi để có thể xử lý hết tất cả các trường hợp tạo sinh URL và sau đó quy về một URL tĩnh request đến server chứa nguồn thông tin Trừ URL tĩnh là dạng URL cơ bản nhất còn các dạng URL còn lại đều có thể được tạo sinh bởi một trong hai cách dưới đây :

• Tạo/sinh URL bằng cách viết script Đây là nhóm các URL được mã hóa đơn giản, có thể nhìn thấy ngay quy luật.

• Tạo/sinh URL bằng cách viết DLL Trong trường hợp các URL sử dụng các phương pháp mã hóa phức tạp hơn, để tiện cho người sử dụng, cách tốt

nhất là người sử dụng viết một DLL hoặc sử dụng DLL có sẵn như một plug-ins để cung cấp cho hệ thống của tôi khả năng tạo/sinh URL dựa trên việc gọi các hàm trong DLL (plug-ins) đó.

1.2.1 Tạo sinh URL bằng cách viết script

Trước hết, cần khảo sát qua những yêu cầu để có thể xây dựng nên script Để khảo sát, chúng ta sẽ lấy các URL của các search engine trong và ngoài nước đối với chuỗi “Trí Tuệ Việt Nam” và một số tờ báo, mỗi trang lấy 3 URL và tổng quát hóa từ các ví dụ này để rút ra quy luật (Tại báo cáo này, tôi chỉ trình bầy một số ít trong các ví dụ thực tế mà tôi đã khảo sát và nghiên cứu).

Google :

Phần cố địnhKeyword sau khi mã

hoáPhần cố địnhthay đổiPhần cố địnhPhần

Alltheweb :

Phần cố địnhKeyword sau khi mã

hoáPhần cố địnhthay đổiPhần cố địnhPhần

PanVN :

Phần cố địnhKeyword sau khi mã

hoáPhần cố địnhthay đổiPhần cố địnhPhần

VinaSeek :

Phần cố địnhKeyword sau khi mã

hoáPhần cố địnhPhần thay đổi

Đài Tiếng Nói Việt Nam

Chuyên mục Kinh tế : http://www.vov.org.vn/2004_10_24/vietnamese/kinhte.htm

Chuyên mục Xã Hội : http://www.vov.org.vn/2004_10_24/vietnamese/xahoi.htm

Chuyên mục Thể Thao : http://www.vov.org.vn/2004_10_24/vietnamese/thethao.htm

Phần cố địnhPhần thay đổiPhần cố định

Như vậy, để xử lý được toàn bộ các URL này, script của chúng ta phải đáp ứng được nhưng yêu cầu sau :

• Mã hóa được keyword theo dạng chuẩn của Windows

• Có các hàm để thay thế chuỗi (ví dụ nếu chú ý thì trong keyword sau khi đã qua xử lý của Google, dấu “ “ đã được thay bằng dấu “+”)

• Có một số các hàm xử lý tạo ra ngày, tháng, năm hiện tại và các hàm đơn giản khác (hàm không cần đối số, trả về một giá trị)

• Script phải xử lý được ít nhất là một biến Cũng cần phải có cơ chế cho biết biến đó được chạy từ đâu đến đâu, bước chạy là bao nhiêu (ví dụ đối với search engine, cần biết là trang thứ bao nhiêu, bắt đầu từ kết quả thứ bao nhiêu )

Do vậy, tôi đã xây dựng một ngôn ngữ script dựa vào những yêu cầu trên Ngôn ngữ này là đơn giản, phù hợp với yêu cầu và dễ dàng mở rộng khi cần thiết Dưới đây là các quy tắc của ngôn ngữ :

ii Nếu bằng 0 là Không có

b Ba tham số tiếp theo có các ý nghĩa lần lượt như sau :i Khởi đầu

ii Bước tăng

iii Số lần lặp (bằng 0 là vô hạn)

5 Hàm được bắt đầu bằng dấu “$” và phải viết tên hàm bằng chữ hoa

6 Có hai hàm mã hoá keyword(tham số mặc định là keyword, không cần truyền biến nữa) là :

a $UTF8 : mã hoá dạng UTF8b $TCVN : mã hoá dạng TCVN

7 Vị trí của phần thay đổi cần biến sẽ được thể hiện bằng dòng chỉ chứa dấu “#”

8 Trong toàn bộ script biến “#” chỉ được sử dụng một lần

9 Các dòng không có dấu “#” và “$” đứng đầu không cần phải xử lý gì mà coi luôn giá trị đó là giá trị đầu ra của dòng

10 Các hàm có thể sử dụng được trong script :

c $REPLACE ts1 ts2 : thay chuỗi ts1 bằng chuỗi ts2 trong keyword

đã mã hóa

Dưới đây tôi sẽ áp dụng quy tắc này để biểu diễn lại các ví dụ trên ra dạng script :

Google :

Phần cố địnhKeyword mã hoáPhần cố địnhPhần

thay đổicố địnhPhần

1 50 50 3

REPLACE %20 +

1 10 10 3

REPLACE %20 +&c=web&cs=utf-8&o=#

&dns=&img=0

1 2 1 3

$REPLACE %22 “

VinaSeek :

Phần cố địnhKeyword mã hoáPhần cố địnhPhần thay đổi

1 21 20 3

$REPLACE %20 +&start=

Đài Tiếng nói Việt Nam :

Phần cố địnhPhần thay đổiPhần cố định

http://www.vov.org.vn/2004_10_24/vietnamese/kinhte.htmhttp://www.vov.org.vn/2004_10_24/vietnamese/xahoi.htmhttp://www.vov.org.vn/2004_10_24/vietnamese/thethao.htm0

-/vietnamese/kinhte.htm (có thể thay bằng các chuyên mục khác)

Trong ví dụ này, chúng ta chú ý rằng, do không cần lặp lại nên dòng đầu tiên chỉ có 1 tham số là 0, mang ý nghĩa là không có biến Các dòng nếu không bắt đầu bằng dấu “$” hoặc “#” thì đều được coi là chuỗi hằng và không cần phải biến đổi thêm.

Script được tạo ra sẽ được hệ thống xử lý theo sơ đồ sau :

Xử lý dòng đầu tiên

Script có biếnkhông ?

Đọc các tham sốqui định khoảng

chạy của biến

Có dòng tiếp theo

Dòng bắt đầubằng $

Xử lý hàm vàcập nhật S

và chuỗi S

Thêm toàn bộdòng vào sau S

Cũng cần phải nhắc lại rằng ngụn ngữ script dựng để tạo/sinh URL tổng quỏt này cũn hết sức đơn giản(cũng do việc tạo/sinh URL khụng đũi hỏi quỏ phức tạp) Tuỳ theo độ phức tạp của URL về sau, tụi cú thể dễ dàng tạo ra cỏc hàm bổ sung Tuy vậy, nếu tạo ra quỏ nhiều hàm bổ sung sẽ dẫn tới việc khú sử dụng và khú hiểu đối với người sử dụng Do vậy, tụi đưa ra giải phỏp dựng DLL như một plug-ins để tạo/sinh URL tổng quỏt.

III.1.2.2.Tạo sinh URL bằng việc sử dụng DLL

Như ở trờn đó trỡnh bày, việc sử dụng phương phỏp dựng script để tạo/sinh URL tuy đơn giản nhưng đó bao trựm được khỏ nhiều trường hợp Tuy nhiờn tụi cũng lường trước được sự phức tạp đối với việc sử dụng script khi cỏc URL này được mó húa một cỏch phức tạp hơn hoặc khụng cú quy luật nhất định cú thể nhỡn thấy ngay Vớ dụ như một tờ bỏo cú tham số sử dụng trờn URL là số

báo (ví dụ số 130 năm 2004, số 131 năm 2004) nhưng các số báo này thay đổi không theo quy luật nào (theo ngày ) Để biết được ngày hôm nay báo ra số bao nhiêu thì chỉ có một cách là phải phân tích trang chủ của tờ báo đó để lấy được số báo Quá trình phức tạp kể trên nên được xử lý một cách “trong suốt” đối với người sử dụng bằng cách sử dụng các DLL thay thế Các DLL này sẽ được tôi và bất cứ ai yêu thích công việc lập trình viết ra và phải có ít nhất hai hàm theo đúng tên và tham số đầu ra cũng như đầu vào được liệt kê dưới đây :

 LPSTR GetFirstURL(LPSTR lpURL);

o Chức năng : Lấy URL khởi đầu

o Đầu vào : 1 chuỗi ký tự (ví dụ như keyword cho search engine)

o Đầu ra : URL hoặc danh sách URL đầu tiên

 LPSTR GetNextURL(LPSTR lpURL);

o Chức năng : Lấy URL tiếp theo

o Đầu vào : 1 chuỗi ký tự(thường là danh sách URL đầu ra của lần gọi GetFirstURL hoặc GetNextURL trước đó)

o Đầu ra : URL hoặc danh sách URL tiếp theo Nếu kết quả trả lại là rỗng thì có nghĩa là không còn URL nào nữa

Các hàm chuẩn này sẽ được gọi theo sơ đồ như sau :

III.2.BÓC TÁCH THÔNG TIN

Như đã nói ở trên, để bóc tách thông tin thu được từ tác vụ thứ nhất, chúng ta sẽ xây dựng một “wrapper” Wrapper có thể được hiểu là những hàm để tách thông tin từ các tài nguyên Web Các hàm này viết dựa trên các luật (quy luật) đã được đúc rút ra sau khi khảo sát các trang Web chứa thông tin cần lấy Như vậy, đối với tác vụ này, tôi sẽ phải cung cấp cho người sử dụng một công cụ tạo ra các luật (quy luật) để bóc tách thông tin.

Trước khi tiếp tục, tôi cũng xin nhắc lại một chút về mục đích của hệ thống Hệ thống được xây dựng tập trung vào hai tác vụ đầu của bốn tác vụ webmining, cung cấp cho người sử dụng khả năng thu thập và bóc tách thông

tin Tuy vậy, những thông tin này là những thông tin gì ? Người sử dụng muốn gì và hệ thống của tôi đáp ứng được đến đâu ?

III.2.1 Quy luật dùng để bóc tách thông tin

Những thông tin được tách ra sau khi sử dụng hệ thống là những thông tin có cấu trúc về mặt ngữ nghĩa Để bóc tách được những thông tin này, tôi dựa trên một quy luật đơn giản nhưng vô cùng hiệu quả sau :

Trong hầu hết các trang Web cung cấp thông tin, các thông tin có ý nghĩa giống nhau sẽ thường

được trình bày giống nhau.

Ở đây, tôi xin được giả định rằng chiều ngược lại của quy luật này cũng đúng, có nghĩa là, các thông tin được trình bày giống nhau sẽ thường có ngữ nghĩa giống nhau Sự giải định này rõ ràng là không đúng hẳn trong một số trường hợp Tuy vậy, cho đến nay với sự nghiên cứu của tôi, cả hai giả định theo chiều thuận và nghịch là hầu như hoàn toàn đúng (vì có một chiều hướng rõ ràng rất cần phải nhấn mạnh là nếu như các thông tin có ý nghĩa giống nhau chưa được trình bày giống nhau, các website thông tin sẽ cố gắng định dạng các thông tin này lại cho giống nhau để người sử dụng khi duyệt Web của họ dễ dàng phân biệt thông tin).

Chúng ta có thể xét các ví dụ sau đây :

III.2.1.1.Ví dụ 1 : Diễn đàn www.diendantinhoc.org

Nhìn ví dụ này, chúng ta cũng có thể thấy rõ rằng tên của các box được định dạng theo một kiểu (chữ đậm, màu xanh), tên người viết (chữ nhỏ, màu xanh), ngày viết (chữ nhỏ, màu đỏ)…

Trang Web này sẽ được cấu trúc về mặt ngữ nghĩa như sau :

 Tên khu vực (Tin tức-Kinh nghiệm-Hỏi đáp/Tin học chuyên ngành/…)o Tên box (Phần cứng/Phần mềm/…)

o Giới thiệu boxo Tên Điều hành viên

o Số bài trong box (3105/3967/…)o Số bài mới (2/5/…)

o Bài viết mới nhất

o Tên người viết bài mới nhấto Ngày viết của bài mới nhất