GOM cụm và PHÁT HIỆN THÔNG TIN VIỆC làm TRÊN MẠNG xã hội FACEBOOK

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN  PHAN QUANG HUY GOM CỤM VÀ PHÁT HIỆN THÔNG TIN VIỆC LÀM TRÊN MẠNG XÃ HỘI FACEBOOK LUẬN VĂN THẠC SĨ NGÀNH: KHOA HỌC MÁY TÍNH Mã số: 60 48 01 01 NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN PHI KHỨ TP HỒ CHÍ MINH – 2017 LỜI CẢM ƠN Luận văn nghiên cứu thực trường Đại Học Công Nghệ Thông Tin TP.HCM Để hồn thành luận văn, tơi xin tỏ lòng biết ơn sâu sắc gửi lời cảm ơn chân thành đến Thầy PGS-TS Nguyễn Phi Khứ Thầy tận tình hướng dẫn, khuyến khích, giúp đỡ tơi suốt q trình thực luận văn Tơi xin chân thành cảm ơn q Thầy-Cơ khoa KHMT phòng đào tạo sau đại học trường Đại Học Công Nghệ Thông Tin TP.HCM tận tình truyền đạt kiến thức, tạo điều kiện thuận lợi mặt thủ tục cho hoạt động học tập thực luận văn Tôi xin gửi lời cảm ơn tới anh chị bạn lớp cao học khóa giúp đỡ tơi nhiều q trình học tập thực luận văn Cuối cùng, xin bày tỏ lòng biết ơn sâu sắc tới gia đình, bạn bè ln động viên, khích lệ tinh thần để tơi đủ nghị lực hồn thành luận văn thạc sỹ TP.HCM, tháng 12 năm 2017 Phan Quang Huy LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu tơi, kết đưa luận văn có từ kết q trình nghiên cứu tơi hướng dẫn giảng viên hướng dẫn, Thầy PGS-TS Nguyễn Phi Khứ Nội dung luận văn có tham khảo sử dụng số thông tin, tài liệu từ nguồn sách, báo-tạp chí khoa học, website liệt kê danh mục tài liệu tham khảo TP.HCM, tháng 12 năm 2017 Phan Quang Huy MỤC LỤC Mục lục DANH MỤC CÁC KÝ TỰ - CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC HÌNH ẢNH- BIỂU ĐỒ Chương MỞ ĐẦU 1.1 Nhu cầu việc làm Facebook 1.1.1 Tình hình lao động việc làm 1.1.2 Thông tin việc làm mạng xã hội 1.1.3 Sử dụng Facebook để tìm việc làm 11 1.2 Dữ liệu cách thức tìm việc làm MXH 13 1.2.1 Dữ liệu cho tìm kiếm thơng tin việc làm 13 1.2.2 Sử dụng thông tin MXH để tìm việc làm mạng 15 Chương TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 18 2.1 Những nghiên cứu liên quan đến nghiên cứu 18 2.2 Mục tiêu nghiên cứu luận văn 24 2.2.1 Xác định không gian vector biểu diễn liệu nút mạng 24 2.2.2 Nghiên cứu xác định số chiều không gian chủ đề tiềm ẩn 24 2.2.3 Xác định phép chiếu tư liệu vào không gian chủ đề tiềm ẩn 25 2.2.4 Trả lời câu truy vấn sở thông tin chủ đề tiềm ẩn 25 2.2.5 Đánh giá hiệu phương pháp 25 2.2.6 Giải pháp song song hóa cho mơ hình 26 2.3 Đối tượng, phạm vi, phương pháp nghiên cứu 26 2.3.1 Đối tượng nghiên cứu 26 2.3.2 Phạm vi nghiên cứu 27 2.3.3 Phương pháp nghiên cứu 27 2.4 Nội dung trình bày luận văn 28 2.5 Một số kết đạt 29 2.5.1 Áp dụng mô hình hk-LSA để thực tìm kiếm thơng tin 29 2.5.2 Kết tìm kiếm thơng tin việc làm Facebook 29 2.6 Hướng phát triển nghiên cứu 30 Chương TỔ CHỨC DỮ LIỆU TÌM KIẾM THƠNG TIN VIỆC LÀM TRÊN MXH 31 3.1 Mơ hình khơng gian vector- vector space model(VSM) 31 3.2 Thông tin mạng xã hội 34 3.2.1 Cấu trúc mạng xã hội 34 3.2.2 Thông tin nút 36 MỤC LỤC 3.2.3 Thu thập liệu Facebook 37 3.2.4 Tiền xử lý liệu 43 3.3 Độ tương đồng tìm thơng tin việc làm 47 3.3.1 Độ tương đồng vector tư liệu 47 3.3.2 Vai trò độ tương đồng tìm kiếm thơng tin việc làm 49 3.4 Gom cụm liệu 49 3.4.1 Khơng gian tìm kiếm 49 3.4.2 Bài toán gom cụm 51 3.4.3 Gom cụm lồi 51 3.4.4 Gom cụm lồi thưa 53 Chương BÀI TỐN TÌM KIẾM THƠNG TIN VIỆC LÀM TRÊN MXH 54 4.1 Đặt vấn đề 54 4.2 Các sở mơ hình hk-LSA 54 4.2.1 Không gian xấp xỉ 54 4.2.2 Tối ưu hóa thưa theo xác suất - Probabilistic Sparse Optimization 55 4.2.3 Phép chiếu tựa xác suất - Like-Probabilistic Projection 56 4.3 Gom cụm lồi thưa SCC- Sparse convex clustering 58 4.3.1 Giải thuật SCC thích ứng cho toán gom cụm lồi thưa 59 4.3.2 Lưu đồ xử lý trình gom cụm 61 4.3.3 Độ phức tạp thuật toán 62 4.3.4 Thực nghiệm gom cụm SCC 63 4.4 Thực khảo sát hk-LSA 69 4.5 Tổng kết 76 Chương TÌM KIẾM THƠNG TIN VIỆC LÀM TRÊN FACEBOOK 77 5.1 Tìm kiếm thơng tin việc làm Facebook 77 5.2 Tập tư liệu tìm kiếm thơng tin 80 5.2.1 Dữ liệu sử dụng nghiên cứu 80 5.2.2 Khơng gian vector tư liệu tốn truy vấn 81 5.3 Áp dụng hk-LSA kết tìm kiếm thơng tin việc làm liệu Facebook 83 5.3.1 Kết truy vấn thông tin việc làm 83 5.3.2 Đánh giá kết tìm kiếm thông tin việc làm 84 5.4 Giải pháp cho tập liệu dung lượng lớn 90 5.4.1 Giải pháp song song hóa 90 5.4.2 Kết song song hóa 92 Chương KẾT LUẬN 95 MỤC LỤC 6.1 Kết đạt luận văn 95 6.2 Hướng phát triển 96 TÀI LIỆU THAM KHẢO 98 PHỤ LỤC 102 A Phương pháp luân hướng nhân tử - ADMM 102 B Proximal function 103 C Các bảng kết sử dụng chương 105 Bảng kết số cụm theo số lần lặp cho liệu 810 vector tư liệu 105 Bảng kết truy vấn 105 Bảng thống kê kết gom cụm theo λ 110 Bảng thống kê kết gom cụm theo t 111 Bảng thống kê độ lệch số lượng cụm t thay đổi theo λ số lần lặp 112 Bảng kết độ tương đồng song song hóa 113 D Các biểu đồ liên quan chương 115 DANH MỤC CÁC KÝ TỰ - CHỮ VIẾT TẮT DANH MỤC CÁC KÝ TỰ - CHỮ VIẾT TẮT # Ký hiệu viết tắt Ý nghĩa MXH Mạng xã hội CNTT Công nghệ thông tin SNS ADMM AMA SCC 10 11 12 13 CD LSA 14 15 16 17 VSM EU FOAF SIOC 18 19 20 21 SWUM SemSNA MOAT SCOT Ontology Trang mạng xã hội - Social network site Phương pháp luân hướng nhân tử - Alternating direction method of multipliers Thuật tốn cực tiểu hóa ln phiên - Alternating minimization algorithm Thuật toán gom cụm lồi thưa - Sparce convex clustering algorirhm Thuật toán tiết giảm tọa độ - Coordinate descent algorirhm Latent symantic analysic Probabilistic latent symantic analysic Sparse latent symantic analysic Regularized latent symantic analysic Latent Dirichlet Allocation Phân tích ngữ nghĩa tiềm ẩn với h= dim(khơng gian tư liệu), k = dim(không gian ngữ nghĩa tiềm ẩn) Mơ hình khơng gian vector - Vector space model European Union Friend of a friend Cộng đồng online liên kết ngữ nghĩa - Semantically interlinked online communities Social Web User Model Semantic social network analysis Meaning Of-A-Tag Social Semantic Cloud of Tags p-LSA s-LSA r-LSA LDA hk-LSA Danh mục bảng DANH MỤC CÁC BẢNG Bảng 4-1: Sự liên hệ số lần lặp số cụm thu 64 Bảng 4-2: Sự tăng giảm λ số cụm thu 65 Bảng 4-3: Liên hệ số cụm độ điều chỉnh lambda 66 Bảng 4-4: kết giải thuật gom cụm SCC 67 Bảng 4-5: Khoảng lặp để SCC đạt hội tụ 68 Bảng 4-6: Kết ADMM so sánh ADMM-CD cấu hình HO 73 Bảng 4-7: Kết ADMM với điều chỉnh tham số λ 74 Bảng 4-8: Thời gian thực thi theo giá trị λ 75 Bảng 5-1: Một số truy vấn tìm kiếm thơng tin việc làm 82 Bảng 5-2: Các term lại sau tiền xử lý câu truy vấn 83 Bảng 5-3: Kết thời gian thực thi lượng liệu đầu vào 93 Bảng 0-1: Số cụm theo số lần lặp 105 Bảng 0-2: Bảng kết gom cụm theo số lần lặp λ 110 Bảng 0-3: t, số lần lặp số cụm 111 Bảng 0-4: Bảng kết tổng hợp λ tham số tăng lần lặp 112 Bảng 0-5: Kết truy vấn song song hóa 114 Danh mục hình ảnh - biểu đồ DANH MỤC HÌNH ẢNH- BIỂU ĐỒ Hình 1-1: Quan hệ nút người dùng nút thông tin liên quan 15 Hình 3-1: Cấu trúc mạng xã hội 35 Hình 3-2: Sử dụng facebook API với web view, hỗ trợ cho facebook developer 39 Hình 3-3: Cài đặt yêu cầu cấp quyền lấy thông tin cho ứng dụng 41 Hình 3-4: Gom cụm term theo chủ đề liệu văn 50 Hình 4-1: Lưu đồ xử lý cho tồn mơ hình hk-LSA 58 Hình 4-2: Lưu đồ xử lý trình gom cụm 61 Hình 4-3: Sự liên hệ số lần lặp số cụm thu 64 Hình 4-4: Biểu đồ thể tăng giảm số cụm theo λ 65 Hình 4-5: Liên hệ số cụm t 66 Hình 4-6: Lưu đồ xử lý trình xác định ma trận chiếu 70 Hình 4-7: Biểu đồ quan hệ giá trị λ thời gian thực thi ADMM 75 Hình 5-1: Bảng liệu quản lý thơng tin rút trích từ Facebook 78 Hình 5-2: Mơ hình luồng xử lý tìm kiếm thơng tin việc làm MXH Facebook 79 Hình 5-3: Quan hệ bảng ghi file tư liệu 80 Hình 5-4: Nút thơng tin phù hợp với truy vấn Q3 85 Hình 5-5: Nút thơng tin phù hợp với truy vấn Q6 86 Hình 5-6: Nút thơng tin phù hợp với truy vấn Q8 87 Hình 5-7: Kiểm tra lại nút thơng tin thu sau truy vấn 88 Hình 5-8: Lưu đồ song song hóa SCC 91 Hình 5-9: Lưu đồ song song hóa ADMM 92 Hình 5-10: Biểu đồ So sánh thời gian thực thi lượng liệu 93 Hình 0-1: Kết vector tư liệu thu sau truy vấn 109 Hình 0-2: Biểu đồ liên hệ số lần lặp, λ số cụm 115 Hình 0-3: Biểu đồ liên hệ số lần lặp, t số cụm 115 Hình 0-4: Biểu đồ liên hệ số lần lặp, λ t 116 MỞ ĐẦU Chương MỞ ĐẦU 1.1 Nhu cầu việc làm Facebook 1.1.1 Tình hình lao động việc làm Trong điều kiện xã hội phát triển, tỉ lệ thất nghiệp việc làm vấn đề quan tâm hàng đầu quốc gia Nhà nước ln đề nhiều sách thúc đẩy, thu hút đầu tư nhằm tạo thêm nhiều việc làm cho người lao động, giải vấn đề tỉ lệ thất nghiệp cao, góp phần thúc đẩy tăng tưởng kinh tế nước Việc làm khơng giúp người lao động có khả ni sống thân gia đình, mà tạo giá trị cho sống, góp phần ổn định phát triển xã hội Tuy nhiên, tỷ lệ thất nghiệp gần mức cao số quốc gia hay vùng kinh tế Tỉ lệ thất nghiệp đạt 4,6 % Hoa Kỳ vào đầu năm 2016 9,8% toàn EU [8,11], tỉ lệ Việt Nam 3.96% cho lao động qua đào tạo (Nguồn Tổng Cục Thống Kê-2016) Tình trạng thất nghiệp dẫn đến nhiều hệ lụy xấu cho người thất nghiệp cho xã hội Mất việc làm- thất nghiệp dẫn đến vô số vấn đề tâm lý thể chất: đau đầu, căng thẳng, trầm cảm chí nguyên nhân dẫn đến việc tự tử [22] Khi người lao động việc họ nguồn thu nhập, phụ thuộc vào người khác, tạo gánh nặng cho gia đình Ngồi khó khăn tài việc gây ra, cá nhân thất nghiệp cân sống hàng ngày, tiếp xúc xã hội, chia sẻ mục tiêu với đồng nghiệp [16] Những thay đổi làm cho thất nghiệp nguyên nhân gây sốc cấp tính dẫn đến căng thẳng tâm lý [24] Thêm vào đó, người thất nghiệp dễ bị lơi kéo tham gia vào tệ nạn xã hội hoạt động phạm pháp khơng có việc làm Vấn đề việc làm giới trẻ Việt Nam: Việt nam có kết cấu dân số trẻ, lực lượng lao động độ tuổi từ 18 đến 45 chiếm số lượng lớn, lực lượng lao động chiếm số đông độ tuổi lao động (từ 15 đến 65 tuổi) Với lực lượng lao động trẻ vừa bước qua ngưỡng cửa trường đào tạo chuyên nghiệp, bắt đầu đường tìm kiếm việc làm- xây dựng nghiệp, với vốn kinh nghiệm ỏi, nên có tỉ lệ thất nghiệp cao tìm việc làm khơng phù hợp với khả chuyên ngành đào tạo (đặc biệt nhóm đối tượng sinh viên trường), gây nên lãng III Let i be expected mean in a given block with respect to ith way, i = 1,2 The calculated t-values of similarity samples in each block are presented in the columns t-obs.,[17] Statistical conclusions with respect to calculated t-values are given in the columns Sta-res In which with the same block, a result like 1 < 2 means ‘expected mean of similarities with 1st way is almost less than the one of 2nd way’ Also, some other notations are also used to describe expected mean of similarities, e.g -LN means the expected mean of entries in the similarity matrix corresponding to LNway in hk-LSA model, or -LSA is the one for the LSA Relations between these expected mean are similar, e.g LN ≈ -LSA means the expected means are equivalent Combining these results, the sample evidences suggest that document similarities in i-B blocks obtained by the ways of hk-LSA and standard LSA are strictly increasing from Lways to H-way, where -LSA is in the middle Additionally, similarities of documents not in the same category or in o-B blocks seem the same in LSA and hk-LSA with L- way However, all of the document similarities are almost less than hk-LSA with HN-way These statistical comparisons show several ways for setting up hk-LSA model For example, with HO-way is used for higher similarities in i-B and for lower similarities in o-B To avoid complications due to procedure of orthogonalization, it may choose hk-LSA TABLE IV Doc Id B1 B2 B3 B4 B5 B6 C1 C2 C3 C4 C5 G1 G2 G3 G4 H1 H2 H3 M1 M2 M3 M4 M5 M6 M7 M8 model with HN-way with a rather dominant mean in o-B block and lower similarities in i-B From Table III, the following relations are done: For i-B’s: -LO < -LN < -LSA < -HN < -HO For o-B’s: -LO ≈ -LN ≈ -LSA < -HN, -HO < -HN D Relevance Scores To compare both hk-LSA and standard LSA models with their effects to queries, consider the following queries: Make bread at home; Treatment patterns for drowsiness; and The effect of rock music on the brain are three queries Q1, Q2, Q3 ℛ26×1 are respectively, vectors that represent these queries with the same weighting technique of document vectors TT† and PT†ℛ5×26 provide projections Di*, Qj of Di*, Qj and similarities sij = Simk(Di*,Qj), i = 1, 2, 26; j = 1, 2, are entries of similarity matrices in Table IV The relevance score matrices (sij)ℛ26×3 in case of hkLSA with HN-, HO-, LN-, LO-way and standard LSA are illustrated in Table IV The answers to the above queries look very clear and similar in case of hk-LSA with any of four ways B and C categories are appropriate answers to Q1 and Q2, but a little unlike to Q3 in both L-ways of hk-LSA However, in the standard LSA it is difficult to recognize cells like that similarities in standard LSA are very dispersive comparison with hk-LSA STATISTICAL TESTING OF EFFICIENCES hk-LSA: HN-way hk-LSA: HO-way hk-LSA: LN-way hk-LSA: LO-way Q1 Q2 Q3 Q1 Q2 Q3 Q1 Q2 Q3 Q1 Q2 Q3 Q1 Q2 Q3 0.71 0.71 1 1 0 0 0 0 0.37 0 0 0 0 0 0 0 0 0 0 0 0 0.93 1 0 0 0 0 0.7 0.7 0 0 0 -0.1 0.15 0 0 0 1 1 0.97 0.92 0.97 0.89 1 1 0 0 0 0 0.31 0 0 0 0 0 0 0 0 0 0 0 0 0.95 1 0 0 0 0 0.25 0.46 0 0 0.03 -0.1 -0.2 -0.1 0.03 0.01 0.01 0.01 0 0 1 1 1 0.95 1 0.83 0.89 0.83 0 0 0 0 0.64 0.45 0.45 0 0 0 0 0.45 0.45 -0.1 -0.1 0.45 0 0 0 0 0.97 1 0 0 0 0 0 0 0 0.98 0.1 0.9 0.98 -0.1 -0.3 -0.3 -0.3 0 0.18 -0.2 -0.2 0.18 0.89 0.5 0.72 1 0.83 0.89 0.83 0 0 0 0 0.64 0.45 0.45 0 0 0 0 0.45 0.45 -0.1 -0.1 0.45 0 0 0 0 0.97 1 0 0 0 0 0 0 0 0.98 0.13 0.9 0.98 -0.1 -0.3 -0.3 -0.3 0 0.22 -0.2 -0.2 0.22 0.9 0.56 0.74 0.96 0.75 0.97 0.99 0.97 0.02 0.03 0.00 0.02 -0.01 -0.01 -0.01 0.40 0.00 -0.09 0.13 0.81 0.31 -0.08 -0.10 -0.11 -0.06 -0.12 0.09 0.48 -0.24 0.13 -0.25 0.01 0.01 0.01 0.01 0.01 -0.01 -0.01 -0.01 0.92 1 0.07 -0.04 -0.04 -0.04 -0.03 -0.03 -0.04 0.15 0.35 -0.14 -0.15 -0.13 -0.09 0.10 -0.01 -0.04 0.13 -0.03 0.04 0.03 0.03 -0.01 -0.04 -0.04 -0.03 0.97 0.48 0.89 1 0.92 0.89 223 Standard LSA V [7] CONCLUSION In this paper, some feasible ways to setting up the hkLSA model has been proposed, in which the two H-ways are kept upper hand in comparison with and the two L-ways, the usefulness of the standard LSA is in less than Using method of sparse optimization, the hk-LSA provides projection matrices for calculating similarities and to answer explicitly queries about document corpus Only based on algorithms of clustering and coordinate descent, the hk-LSA model is low time complexity and easy to parallelization In future works, the advantages will be taken to extend hk-LSA applications [8] [9] [10] ACKNOWLEDGMENT This research is funded in part by the University of Information Technology, HCM City Vietnam under grant number HVCH-2016-KHMT-09 [11] [12] REFERENCES [1] [2] [3] [4] [5] [6] [13] Deerwester, S., Dumais, S T., Furnas, G W., Landauer, T K., and Harshman, R., “Indexing by latent semantic analysis,” Jour, Amer Soc Information Science, vol 4, 1990.) Wikipedia, “Low-rank approximation”,https://en.wikipedia.org/wiki/ Low-rank_approximation, 2017 Atreya, A and Elkan C., “Latent semantic indexing (LSI) fails for TREC collections”, ACM SIGKDD Exp Newslet 12, 2010 Thomas Hoffmann, “Unsupervised Learning by Probabilistic Latent Semantic Analysis” Machine Learning, 42,177-196, Kluwer Acad Publ The Netherlands, 2001 Ayman Farahat, “Improving probabilistic latent semantic analysis using principle component analysis”, in the 7th Conf of European chapter of the Assoc for Computational Linguistics, EACL, 2006 Xi Chen , Yanjun Qi , Bing Bai , Qihang Lin , Jaime G Carbonell, “Sparse Latent Semantic Analysis”, in repository.cmu.edu, http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.206.2889, 2010 [14] [15] [16] [17] 224 Quan Wang, Jun Xu, Hang Li, Nick Craswell, “Regularized Latent Semantic Indexing: A New Approach to Large-Scale Topic Modeling”, ACM Transactions on Information Systems, Vol 31, No 1, Article 5, Jan 2013, http://dx.doi.org/10.1145/2414782.2414787, 2013 Hong T Tu, Tuoi T Phan, Khu P Nguyen “An adaptive Latent Semantic Analysis for Text mining,” In Proc of Intl’ Conference on Systems Science and Engineering, ICSSE 2017, Publ by the IEEE with EI indexing, HCMC, Vietnam 2017 Hong T Tu, Khu P Nguyen “Kernel-based Similarity and Discovering Documents of Similar Interests,” The 13th Intl’ Conf on Natural Computaion, Fuzzy Systems and Knowledge Discovery, ICNC-FSKD 2017 co-sponsored by the IEEE Conf 42629 Guilin, China 2017 Khu Phi Nguyen, Hong Tuyet Tu, “Locality Mutual Clustering for Document Retrieval,” ICUIMC (IMCOM)’14, Siem Riep, Cambodia, ACM Copyright 2014 Eric C Chi and Kenneth Lange “Splitting Methods for Convex Clustering”, Dept of Bio-math., Human Genetics and Statistics, University of California, Los Angeles, CA 90095-7088 arXiv:1304.0499v2 [stat.ML] 18, Mar 2014 Cheng-Hao Deng, and Wan-Lei Zhao “Fast k-means based on KNN Graph,” arXiv: 1705.01813v1 [cs.LG] May 2017 Tong Tong Wu and Kenneth Lange, “Coordinate Descent Algorithms for Lasso Penalized Regression,” in The Annals of Applied Statistics, vol 2, vo 1, pp 224–244, DOI: 10.1214/07-AOAS147, Institute of Mathematical Statistics, 2008 Lu, Y., Mei, Q., and Zhai, C., “Investigating task performance of probabilistic topic models: An empirical study of pLSA and LDA,” Inf Retrieval, vol 14 2011 D Blei, A Ng, and M Jordan.” Latent dirichlet allocation” Journal of Machine Learning Research, 3:993{1022, 2003 Dian I Martin, Michael W Berry, “Mathematical foundations behind Latent Semantic Analysis” in Handbook of Latent Semantic Analysis, Thomas K Landauer, Danielle S McNamara, Simon Dennis, Walter Kintsch, Psychology Press, May 13, 2013 Kandethody M.Ramachandran, Chris P.Tsokos, Mathematical Statistics with Applications San Diego, California, USA: Elsevier Academic Press, ISBN 978-0-12-374848-5, 2009, ch7, pp.382-385 Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner Scanned by CamScanner ... cứu sau: Mạng xã hội Facebook, cộng đồng mạng xã hội, thông tin người dùng Facebook, thông tin nút mạng, đặc biệt post dạng văn bản, chủ đề thảo luận nút mạng để từ tìm thơng tin việc làm mạng 26... tìm kiếm phát thông tin việc làm cộng đồng mạng xã hội Facebook, từ liệu Facebook thu thập được, cần áp dụng phương pháp khai thác thông tin liệu để trả lời truy vấn thông tin việc làm Những... 1.1 Nhu cầu việc làm Facebook 1.1.1 Tình hình lao động việc làm 1.1.2 Thông tin việc làm mạng xã hội 1.1.3 Sử dụng Facebook để tìm việc làm 11 1.2 Dữ