Untitled LỜI CẢM ƠN Em xin chân thành cảm ơn các thầy, cô giáo trong Khoa Công nghệ thông tin, trường Đại học Điện Lực, đã tạo điều kiện cho em thực hiện đề tài này Xin cảm ơn cô đã tận tình hướng dẫn[.]
lOMoARcPSD|17160101 LỜI CẢM ƠN Em xin chân thành cảm ơn thầy, cô giáo Khoa Công nghệ thông tin, trường Đại học Điện Lực, tạo điều kiện cho em thực đề tài Xin cảm ơn cô tận tình hướng dẫn, bảo em suốt thời gian thực đề tài Trong thời gian làm việc với cô, em học hỏi nhiều kiến thức bổ ích mà cịn học tinh thần làm việc, thái độ nghiên cứu khoa học nghiêm túc Mặc dù cố gắng hồn thiện báo cáo đồ án thực tập với tất nỗ lực thân, chắn tránh khỏi thiếu sót Kính mong q Thầy Cơ tận tình bảo Một lần nữa, em xin chân thành cảm ơn mong nhận đóng góp quý báu tất người Sinh viên thực tran quoc anh, nguyen van binh lOMoARcPSD|17160101 LỜI MỞ ĐẦU Trong thời đại ngày nay, tin học trở nên phổ biến với người từ cấp học, từ ngạch - bậc xã hội như: giáo dục, thương mại, du lịch, y tế …Tin học giúp cho người quản lý, điều hành công việc cách nhanh hơn, hiệu hơn, quan trọng độ xác cao Hiện trạng năm gần cho thấy rằng, thể thao điện tử (eSports) dần trở thành ngành kinh tế quan trọng với 495 triệu người theo dõi toàn cầu Có thể nói thị trường màu mỡ, khơng game thủ mà cịn nhãn hiệu nhà phát hành video game Chính lí mà em lựa chọn đề tài cho đồ án tốt nghiệp cuối khóa “Sử dụng phương pháp mờ để xây dựng hệ chuyên gia trợ giúp đỡ mua bán tài khoản game” Thông thường, người chơi game lập tài khoản “cày” tới mức độ định có người mua nhượng lại tài khoản Về mặt tốn học, cơng việc tương đương với việc giải phương trình nhiều ẩn số lượng ẩn số q lớn việc giải khó khăn Cách khắc phục hiệu ứng dụng phương pháp mờ Trong khuôn khổ báo cáo, em đưa giải pháp để thực hệ chuẩn đoán giá trị tài khoản dựa số liệu có sắn tài khoản tình trạng tài khoản Từ đó, đưa kết để thu mua định giá bán tài khoản Em hy vọng hệ thống bước đầu giúp cho người mua người bán tài khoản game có nơi giao dịch nhanh gọn, hợp lý đảm bảo Do kinh nghiệm, kiến thức thời gian hạn chế nên chắn báo cáo có nhiều thiếu sót, em mong góp ý, dạy từ phía thầy giáo Em xin chân thành cảm ơn thầy cô! Nội dung báo cáo đề tài: “Sử dụng phương pháp mờ để xây dựng hệ chuyên gia trợ giúp đỡ mua bán tài khoản game” gồm chương sau: • Chương 1: Giới thiệu hệ suy diễn mờ Trình bày tổng quan lý thuyết logic mờ, tổng quan khía cạnh để đánh giá tài khoản, phương pháp logic mờ việc đưa kết luận cho tài khoản, cách xây dựng tập luật chuẩn đoán giá trị tài khoản chế suy diễn • Chương 2: Xây dựng sở tri thức Trình bày cách thu thập tri thức, biểu diễn tri thức • Chương 3: Thiết kế cài đặt chương trình thử nghiệm Trình bày đầy đủ phần phân tích thiết kế chương trình, giới thiệu giao diện chương trình trình bày phần đánh giá thử nghiệm chương trình lOMoARcPSD|17160101 DANH MỤC HÌNH ẢNH Hình ảnh 1.1 Biểu diễn khái niệm logic mờ Hình ảnh 1.2 Biểu diễn ví dụ tập mờ Hình ảnh 1.3 Biểu diễn biến ngơn ngữ Hình ảnh 1.4 Cấu trúc hệ chuyên gia mờ lOMoARcPSD|17160101 1.1 Phương pháp logic mờ 1.1.1 Khái niệm logic mờ • Logic truyền thống Logic truyền thống quan tâm đến giá trị tuyệt đối (đúng sai) Logic truyền thống ln tn theo giả thuyết Một tính thành viên tập hợp: “Với phần tử tập hợp bất kỳ, phần tử thuộc tập hợp đó, thuộc phần bù tập đó” Giả thiết thứ hai định luật loại trừ trung gian: “Một phần tử vừa thuộc tập hợp vừa thuộc phần bù nó” • Logic mờ (Fuzzy logic) Logic mờ mở rộng logic nhị phân cổ điển Có tương ứng tập hợp cổ điển logic nhị phân, tập mờ logic mờ Logic mờ phương pháp ánh xạ không gian ngõ vào đến không gian ngõ Khái niệm thể qua vài ví dụ sau: • • • Nếu bạn cho biết độ dày quần áo máy giặt điều chỉnh thời gian giặt Nếu bạn muốn nước nóng đến mức người ta điều chỉnh van cách hợp lý Nếu bạn cho biết cần chụp ảnh vật xa người ta điều chỉnh độ hội tụ cho bạn… Hình ảnh 1.1 Biểu diễn khái niệm logic mờ lOMoARcPSD|17160101 Ở không gian ngõ vào độ dày quần áo, mức độ nước nóng khoảng cách vật cịn khơng gian ngõ thời gian giặt, điều chỉnh van nước, chỉnh độ hội tụ Giữa hai không gian hộp đen để thực phép ánh xạ Hộp đen hệ thống mờ, hệ thống chuyên gia, hệ thống tuyến tính, hệ phương trình vi phân hay mạng neuron… Như ta có nhiều cách để thực hộp đen mà hệ thống mờ cách thường dùng Người ta thường dung logic mờ chúng có ưu điểm sau: • • • • • • Dễ hiểu Linh hoạt Cho phép thao tác với liệu khơng xác Có thể mơ hình hóa hàm phi tuyến có độ phức tạp tùy ý Có thể kết hợp với kỹ thuật điều khiển cổ điển Tập mờ Cho X không gian nền, ví dụ: • X= tập hợp sinh viên trường Đại học Điện Lực khóa D9 • A1= tập hợp sinh viên khoa Cơng nghệ thơng tin khóa D9 A1 tập rõ X • A2= tập hợp sinh viên giỏi C# khoa Công nghệ thông tin khóa D9 A2 tập mờ X Gọi A tập mờ không gian X A xác định hàm: µ : X→[0,1] A đó: µ hàm thuộc cịn µ (x) độ thuộc x vào tập mờ A Người ta cịn ký hiệu: A A Hình ảnh 1.2 Biểu diễn ví dụ tập mờ • Mệnh đề mờ lOMoARcPSD|17160101 Hệ thống logic liên quan đến mệnh đề.Các mệnh đề xây dựng phát biểu đơn giản, chẳng hạn mệnh đề “Chiếc xe màu đỏ” Các mệnh đề phức tạp hình thành từ phát biểu đơn giản sử dụng phép kết nối logic phủ định, và, hoặc, … thì, … Ví dụ phát biểu “Chiếu xe màu đỏ chói bầu trời màu xanh nhạt” mệnh đề xây dựng phép kết nối VÀ với biến ngôn ngữ màu sắc Trong logic mờ, người ta thường dùng phát biểu dạng mệnh đề có cấu trúc: NẾU (mệnh đề điều khiển)…… THÌ(mệnh đề kết luận) Hay (IF (clause)…… THEN (clause)) Ta ký hiệu : p⟹q (từ p suy q) Ví dụ mệnh đề mờ sau: NẾU nhiệt độ cao THÌ áp suất phải giảm thấp • Biến ngơn ngữ Các biến ngơn ngữ (ví dụ nhiệt độ) xác định thông qua tập giá trị mờ Ở đây, tập mờ mơ tả biến nhiệt độ “rất nóng”, “hơi nóng”, “trung bình”, “hơi lạnh” “rất lạnh” Chúng gọi tập ngôn ngữ, mang khoảng giá trị biến ngôn ngữ thể không gian U Hình ảnh 1.3 Biểu diễn biến ngơn ngữ Một biến ngôn ngữ biểu diễn (x, T(x),U,G,M) đó: • x tên biến ngơn ngữ Ví dụ :x = “nhiệt độ” • T(x) tập giá trị biến x định nghĩa U Ví dụ: T(nhiệt độ) = {rất lạnh, lạnh, trung bình, nóng, nóng} • U: khơng gian giá trị biến Ví dụ: U = [0,100] lOMoARcPSD|17160101 • G: tập luật cú pháp tạo phân tử T(x) Ví dụ: G phát sinh tên phần tử T (nhiệt độ) hồn tồn trực giác • M: tập luật ngữ nghĩa Ví dụ: Luật ngữ nghĩa M định nghĩa là: M(rất lạnh) = tập mờ tᵒC 0ᵒC có hàm thuộc µ(rất lạnh) M(hơi lạnh) = tập mờ tᵒC 10ᵒC có hàm thuộc µ(hơi lạnh) M(trung bình) = tập mờ tᵒC 20ᵒC có hàm thuộc µ(trung bình) M(hơi nóng) = tập mờ tᵒC 30ᵒC có hàm thuộc µ(hơi nóng) M(rất nóng) = tập mờ tᵒC 40ᵒC có hàm thuộc µ(rất nóng) 1.1.2 Cấu trúc hoạt động hệ chuyên gia mờ • • • Hình ảnh 1.4 Cấu trúc hệ chuyên gia mờ Cơ sở luật: chứa đựng tập luật mờ IF – THEN, thực chất tập phát biểu hay quy tắc mà người hiểu được, mô tả hành vi hệ thống Hoạt động suy diễn mơ hình mờ Bộ tham số mơ hình: quy định hình dạng hàm thuộc giá trị ngôn ngữ dùng để biểu diễn biến mờ luật mờ Giá trị tham số đánh giá kinh nghiệm chuyên gia người kết trình khai phá tri thức từ thực nghiệm Thơng thường, sở luật tham số gọi chung sở tri thức lOMoARcPSD|17160101 • • • Cơ chế suy diễn: có nhiệm vụ thực thủ tục suy diễn mờ dựa sở tri thức giá trị đầu vào để đưa giá trị dự đốn đầu Giao diện mờ hóa: thực chuyển đổi đầu vào rõ thành mức độ trực thuộc giá trị ngôn ngữ Giao diện khử mờ: có khơng, thực chuyển đổi kết suy diễn mờ thành giá trị đầu rõ 1.2 Phương pháp logic mờ phân tích tài khoản 1.2.1 Phân tích dùng logic mờ • Thơng tin mờ Khi xây dựng hệ chuẩn đoán bệnh, máy tính phải xử lí loạt thơng tin mờ Ví dụ: mức độ đau “ít”, “hơi nhiều”, “nhiều”, “rất nhiều” thời gian đau “ngắn”, “khá lâu”, “lâu”, “rất lâu”… Hơn khái niệm biến đổi chuẩn đoán bênh khác tùy theo ý kiến bác sĩ khác Ví dụ: “giá trị cao” tài khoản giá trị cao cách năm (có nhiều vât phẩm giới hạn) khác với “giá trị cao” tài khoản giá trị cao (khơng thể có vật phẩm giới hạn cũ) “có giá trị” tài khoản “rất có giá trị” tài khoản khác Do cần phải mơ hình hóa mập mờ để đưa vào máy tính, lĩnh vực mà lý thuyết tập mờ phát huy sức mạnh Nhờ lý thuyết mà đưa vào máy tính thơng tin khơng xác có dạng “rất”, “hơi hơi”, “khá”, “nhiều”… để tính tốn • Mơ hình hóa q trình phân tích Các mơ hình tạo thành sở cho hệ chuyên gia phân tích nhằm giúp đỡ người mua người bán việc phân tích số nhóm tài khoản định Trong mơ hình phân tích, tri thức biểu diễn mối liên hệ mờ vật phẩm I (Items) loại tài khoản T (Types) Gọi: • • • Tập mờ A liệu phân tích tài khoản Mối quan hệ R biểu diễn tri thức liên kết vật phẩm (tập I) với loại tài khoản (tập T) Tập mờ B đề xuất loại tài khoản cho tài khoản cần phân tích B suy diễn luật hợp thành sau: B =A R Hoặc B (t) = max [min(A(i), R(i,t))] , i I Đối với t T Độ phụ thuộc liệu phân tích tập mờ A biểu diễn mức độ xác suất diện giá trị tài khoản độ Độ phụ thuộc tập mờ B mức độ mà tài khoản đạt lOMoARcPSD|17160101 Mối quan hệ mờ R tạo thành liên kết lớn liên hệ mờ M (trên tập tài khoản A cho sẵn giá trị I) mối liên hệ mờ N (trên tập tài khoản A loại tài khoản T) Chúng biểu diễn sau: M=N R Hình sau tóm tắt ý nghĩa cách sử dụng mối liên hệ mờ Q,T,R tập mờ A,B • • Hình ảnh 1.5 Quy trình phân tích Quy trình xử lý mờ • Nhập liệu thu qua việc tìm hiểu tài khoản cách quan sát, hỏi đáp với chủ tài khoản • Chương trình tính tốn độ phụ thuộc liệu cách mờ hóa liệu đầu vào • Dựa độ phụ thuộc chúng, chương trình duyệt tồn tập luật để tìm giá trị ngõ mờ tương ứng theo nguyên tắc max – • Hệ thống tính tốn ta biết tài khoản có khả thuộc nhóm tài khoản nhiều mức độ Tính độ phụ thuộc vật phẩm I = (I1,I2,…,In) tập vật phẩm thu thập tài khoản Các vật phẩm mờ hóa thang đánh giá độ phụ thuộc ta giá trị độ phụ thuộc µ Vật phẩm Ii mang giá trị µ [0,1] Si Giá trị µ khả biểu vật phẩm I tài khoản Si i lOMoARcPSD|17160101 µ = nghĩa vật phẩm I xuất µ = nghĩa vật phẩm I chắn không xuất Si i Si i Thơng thường µ có giá trị đoạn [0,1] thể mức độ biểu vật phẩm tài khoản Trong thức tế giá trị µ đánh giá trực tiếp người định giá theo mô tả chủ tài khoản vật phẩm mà người định giá cho µ giá trị cụ thể Si • Thang đánh giá độ phụ thuộc mối quan hệ xuất mờ vật phẩm xác định từ thơng tin Vì tài liệu thường dùng dạng phát biểu “vật phẩm A xuất hiện” “vật phẩm B xuất thường xuyên”… , nên người ta thường gán mức độ vật phẩm trị số khoảng [0,1] dạng trị số mờ để diễn tả ý nghĩa ngôn ngữ ln ln, thường thường, khơng đặc trưng, khơng Hình ảnh 1.6 Thang đánh giá mức độ vật phẩm Thang đánh giá mô tả bảng sau: Bảng 1.1: Bảng đánh giá mức độ Trị số Tần suất Mức độ trầm trọng Không Rất 0.25 Hiếm Hiếm 0.5 Khơng đặc trưng Lúc nhiều, lúc Lúc có, lúc khơng 0.75 Thường thường Nhiều, nhiều Ln ln Rất nhiều • Mơ tả thuật tốn logic mờ phân tích lOMoARcPSD|17160101 • • • • Bước 1: Nhập liệu đầu vào: chủ tài khoản kê khai vật phẩm mà tài khoản sở hữu Bước 2: Xử lý so sánh vật phẩm kê khai với mốc vật phẩm luật có hệ thống: So sánh vật phẩm chủ tài khoản kê khai với vật phẩm luật xem có trùng khơng, trùng lấy giá trị độ tin cậy vật phẩm làm liệu tính tốn, khơng trùng cho giá trị Bước 3: Tính giá trị tập vừa lấy từ so sánh triệu chứng Bước 4: Tìm giá trị lớn tập giá trị tính tốn bên kết luận phân tích, đưa mức độ tài khoản đạt 1.2.2 Xây dựng tập luật phân tích Trong chương trình này, em lựa chọn loại tài khoản để xây dựng luật gồm: phổ thông (common) không phổ thông (un common) Dựa vào vật phẩm đặc trưng, kết hợp tiêu chuẩn đánh giá tài khoản để xây dựng luật cho chương trình: a Tài khoản common.(Mã: C01) • L01: Nếu x A01 x A05 x y C01 • L02: Nếu x A01và x A08 x y C01 • L03: Nếu x A04 x A08 x y C01 • L04: Nếu x A04 x A05 x y C01 • L05: Nếu x A02 x A05 x y C01 • L06: Nếu x A03 x A05 x y C01 • Tài khoản un common(Mã: UC01) • L07: Nếu x A01 x A05 x y UC01 • L08: Nếu x A04 x A07 x y UC01 • L09: Nếu x A04 x A09 x y UC01 • L10: Nếu x A05 x A10 x y UC01 • L11: Nếu x A09 x A10 x y UC01 • L12: Nếu x A05 x A10 x y UC01 1 2 3 A10 x B09 x B11 A10 x B09 x B11 B08 x B09 x B11 B08 x B09 x B11 A10 x B09 x B11 A10 x B09 x B11 B06 x B08 x B10 B06 x B08 x B10 A10 x B06 x B10 B05 x B06 x B10 B02 x B06 x B10 B06 x B07 x B10 4 4 4 4 4 5 5 5 5 5 lOMoARcPSD|17160101 1.2.3 Cơ chế suy diễn Cơ chế suy diễn dựa kết hợp thực theo phương pháp sau: Bước 1: Đối với M luật Nếu – Thì (IF - THEN) có dạng: Nếu x S x S y P (l) 1 (l) n n Ta xác định hàm thuộc µ µ S1 (l) Sn (l) S1 (l) (l) Sn (l) (x x ) với l= 1,2, M theo công thức sau: 1, , n (x x ) = µ (x ) ⊝ ⊝ µ (x ) 1, , n S1 (l) Sn (l) n Ở ⊝ toán tử t-norm, S biến ngôn ngữ thứ i (i = 1,2, ,n) ứng với loại tài khoản đó, cịn P loại tài khoản với luật thứ l i (l) (l) Bước 2: Xác định µ (x x y) = µ … Ru (l) 1,… n, S1 (l) Sn (l) ⟶ P (x x y) (l) 1,…., n, Với l= 1,2,…., M Bước 3: Xác định µ (x,y) = µ QM Ru (1) (x,y) …… µ Ru (M) (x,y) Ở toán tử t-conorm hay s-norm Trong bước trên, tốn tử ⊝ thay phép tính tốn tử thay phép tính max phép tính Abelian(Probabilistic OR) định nghĩa sau: Probor (a,b) = a+b –ab Kết luận chương Trong chương một, em trình bày tổng quan lý thuyết logic mờ, phương pháp logic mờ việc phân tích, cách xây dựng tập luật phân tích tài khoản chế suy diễn lOMoARcPSD|17160101 CHƯƠNG : XÂY DỰNG CƠ SỞ TRI THỨC 2.1 Đặt vấn đề 2.2.Thu thập tri thức 2.3.Biểu diễn tri thức Cơ sở tri thức nơi lưu trữ, biểu diễn tri thức mà hệ đảm nhận, làm sở cho hoạt động hệ Cơ sở tri thức bao gồm kiện luật Trong hệ chuyên gia chuẩn đoán bệnh kiện triệu chứng bệnh Các luật tạo dựa kiện hay nói cách khác thỏa mãn số kiện tạo thành luật Bài báo cáo lựa chọn cách biểu diễn luật dạng mệnh đề IF … THEN 2.3.1.Tổng hợp kiện STT Sự kiện Có 20 – 70% vật phẩm common Có 70 – 100%vật phẩm common Có 10 –30% vật phẩm un common Có 30 – 100%vật phẩm uncommon Có 40% vật phẩm epic Có vật phẩm limited (khơng bán lại) … 2.3.2 Xây dựng tập luật Rule: Tài khoản Limited (mã:L01) lOMoARcPSD|17160101 IF Có vật phẩm limited (khơng bán lại) THEN Tài khoản Limited Rule: Tài khoản Un common (mã:UC01) IF Có 10/100 vật phẩm AND Có 35/1000 vật phẩm thường THEN Tài khoản Un common Rule: Tài khoản Epic (mã:E01) IF Có 70/100 vật phẩm THEN Tài khoản Epic Rule: Tài khoản common (mã:C01) IF Có 500/1000 vật phẩm thường THEN Bệnh cầu trùng manh tràng Rule: chưa đủ điều kiện IF Khơng có liệu cho sẵn THEN chưa đủ điều kiện 2.4 Suy luận không chắn Trong thực tế, có nhiều tình phải rút kết luận từ chứng xác định nghèo nàn không chắn thông qua việc sử dụng suy diễn không vững Ngay hệ chuyên gia chuẩn đoán bệnh vậy, đốn để đưa kết luận từ liệu thu thập mà khơng thể khẳng định xác 100 Hệ số nằm đoạn từ cho lOMoARcPSD|17160101 tới thể độ chắn mắc phải bệnh A gặp triệu chứng B Các kết luận hệ thống đưa dạng “có thể”, “rất có thể”, “gần chắn”, “chắc chắn” Dưới bảng tổng hợp hệ số tin cậy luật xây dựng bên STT Luật Tài khoản common Tài khoản Un common Tài khoảntRare Tài khoản Epic Tài khoản Limited Sự kiện Có 20 – 70% vật phẩm common Có 70 – 100%vật phẩm common Có 10 –30% vật phẩm un common Có 30 – 100%vật phẩm uncommon Có < 40% vật phẩm epic Có 40% vật phẩm epic Có vật phẩm limited (khơng bán lại) Bảng 2.1: Bảng tổng hợp hệ số tin cậy luật 2.5.Cài đặt máy suy diễn Trước hệ thống bắt đầu trình suy diễn, người sử dụng cần cung cấp cho hệ thống biết triệu chứng mà họ thường gặp kiện ban đầu Từ kiện hệ thống tìm luật có xuất kiện lưu vào List Lớp Luat tạo gồm có thuộc tính MaLuat, TenLuat, HeSoTinCay, HeSoKhongTinCay Dictionary SuKien lưu kiện tạo thành luật bao gồm key tên luật value hệ số tin cậy kiện luật Dựa List hệ thống đưa câu hỏi để người dùng chọn câu trả lời dạng có hay khơng có triệu chứng (hay kiện luật lưu List) Để đưa kết luận nhanh chóng, hệ thống xếp List theo thứ tự giảm dần HeSoTinCay, Như vậy, luật có hệ số tin cậy cao (có nhiều khả thỏa mãn thông tin người dùng nhất) hỏi trước Sau bước, kiện (triệu chứng) hỏi bị xóa khỏi luật List để tránh hỏi lại Nếu người dùng trả lời có kiện hệ số tin cậy luật chứa kiện tăng thêm lượng hệ số tin cậy kiện luật Ngược lại, người dùng trả lời khơng có kiện hệ số khơng tin cậy luật tăng lượng giống trường hợp Sau đó, hệ thống tiến hành kiểm tra xem có luật List có hệ số tin cậy lớn 0.9 đưa kết luận chắn người dùng mắc bệnh Ngồi ra, luật có hệ số khơng tin cậy lớn 0.4 bị xóa khỏi List khơng có khả thỏa mãn thơng tin người dùng Đến bước hệ thống chưa đưa kết luận chắn mà đưa thêm câu hỏi có trường hợp Trường hợp 1, List rỗng tất luật khơng cịn hội thỏa mãn bị xóa khỏi List Trường hợp 2, List không rỗng tất kiện hỏi bị xóa khỏi luật Đối với trường hợp 1, hệ thống thông báo không đủ thông tin để lOMoARcPSD|17160101 kết luận Đối với trường hợp 2, hệ thống lấy luật có hệ số tin cậy lớn (a) List Nếu 0.6