KHAI PHÁ DỮ LIỆU WEB BẰNG KỸ THUẬT PHÂN CỤM

Ứng dụng

Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng i BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI Hoàng Văn Dũng KHAI PHÁ DỮ LIỆU WEB BẰNG KỸ THUẬT PHÂN CỤM Luận văn thạc sỹ khoa học Hà Nội, 2007 Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng ii 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 Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng iii 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 Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng iv 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 Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng v DANH SÁCH CÁC HÌNH Hình 1.1. Quá trình khám phá tri thức . 4 Hình 1.2. Các lĩnh vực liên quan đến khám phá tri thức trong CSDL 6 Hình 1.3. Trực quan hóa kết quả KPDL trong Oracle 10 Hình 1.4. Mô phỏng sự PCDL . 11 Hình 1.5. Phân loại dữ liệu Web 22 Hình 1.6. Lược đồ thống kê tần số của từ theo Định luật Zipf . 26 Hình 1.7. Các độ đo tương tự thường dùng . 29 Hình 2.1. Thuật toán k-means . 32 Hình 2.2. Hình dạng cụm dữ liệu được khám phá bởi k-means . 33 Hình 2.3. Trường hợp C jmp =d(O j ,O m,2 ) – d(O j , O m ) không âm 35 Hình 2.4. Trường hợp C jmp = (O j ,O p )- d(O j , O m ) có thể âm hoặc dương . 36 Hình 2.5. Trường hợp C jmp bằng không . 36 Hình 2.6. Trường hợp C jmp = (O j ,O p )- d(O j , O m,2 ) luôn âm 37 Hình 2.7. Thuật toán PAM 37 Hình 2.8. Thuật toán CLARA . 38 Hình 2.9. Thuật toán CLARANS 40 Hình 2.10. Các chiến lược phân cụm phân cấp . 42 Hình 2.11. Cây CF được sử dụng bởi thuật toán BIRCH . 43 Hình 2.12. Thuật toán BIRCH . 44 Hình 2.13. Ví dụ về kết quả phân cụm bằng thuật toán BIRCH . 44 Hình 2.14. Các cụm dữ liệu được khám phá bởi CURE . 45 Hình 2.15. Thuật toán CURE 46 Hình 2.16. Một số hình dạng khám phá bởi phân cụm dưa trên mật độ . 47 Hình 2.17. Lân cận của P với ngưỡng Eps 48 Hình 2.18. Mật độ - đến được trực tiếp . 49 Hình 2.19. Mật độ đến được 49 Hình 2.20. Mật độ liên thông . 49 Hình 2.21. Cụm và nhiễu . 50 Hình 2.22. Thuật toán DBSCAN . 51 Hình 2.23. Thứ tự phân cụm các đối tượng theo OPTICS 52 Hình 2.24. DENCLUE với hàm phân phối Gaussian 53 Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng vi Hình 2.25. Mô hình cấu trúc dữ liệu lưới 55 Hình 2.26. Thuật toán CLIQUE 56 Hình 2.27. Quá trình nhận dạng các ô của CLIQUE . 57 Hình 3.1. Phân loại khai phá Web . 62 Hình 3.2. Quá trình khai phá văn bản Web . 64 Hình 3.3. Thuật toán phân lớp K-Nearest Neighbor . 67 Hình 3.4. Thuật toán phân cụm phân cấp 67 Hình 3.5. Thuật toán phân cụm phân hoạch 68 Hình 3.6. Kiến trúc tổng quát của khai phá theo sử dụng Web 70 Hình 3.7. Minh họa nội dung logs file . 72 Hình 3.8. Phân tích người dùng truy cập Web 77 Hình 3.9. Đồ thi liên kết Web 78 Hình 3.10. Quan hệ trực tiếp giữa 2 trang . 79 Hình 3.11. Độ tương tự đồng trích dẫn . 79 Hình 3.12. Độ tương tự chỉ mục 79 Hình 3.13. Cộng đồng Web . 80 Hình 3.14. Kết quả của thuật toán PageRank 81 Hình 3.15. Đồ thị phân đôi của Hub và Authority 82 Hình 3.16. Sự kết hợp giữa Hub và Authority 83 Hình 3.17. Đồ thị Hub-Authority 84 Hình 3.18. Giá trị trọng số các Hub và Authority . 84 Hình 3.19. Thuật toán đánh trọng số cụm và trang . 86 Hình 3.20. Các bước phân cụm kết quả tìm kiếm trên Web . 87 Hình 3.21. Thuật toán k-means trong phân cụm nội dung tài liệu Web . 91 DANH SÁCH CÁC BẢNG BIỂU Bảng 1.1. Bảng tham số thuộc tính nhị phân . 18 Bảng 1.2. Thống kê các từ tần số xuất hiện cao 24 Bảng 3.1. Thống kê số người dùng tại các thời gian khác nhau . 76 Bảng 3.2. Bảng đo thời gian thực hiện thuật toán phân cụm 92 Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng vii CÁC CỤM TỪ VIẾT TẮT STT Viết tắt Cụm từ tiếng Anh Cụm từ tiếng Việt 1 CNTT Information Technology Công nghệ thông tin 2 CSDL Database Cơ sở dữ liệu 3 KDD Knowledge Discovery in Database Khám phá tri thức trong cơ sở dữ liệu 4 KPDL Data mining Khai phá dữ liệu 5 KPVB Text Mining Khai phá văn bản 6 PCDL Data Clustering Phân cụm dữ liệu Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng 1 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: Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng 2 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. Khai phá dữ liệu Web bằng kỹ thuật phân cụm Hoàng Văn Dũng 3 Chương 1. TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU 1.1. Khai phá dữ liệu và phát hiện tri thức 1.1.1. Khai phá dữ liệu Cuối thập kỷ 80 của thế kỷ 20, sự phát triển rộng khắp của các CSDL đã tạo ra sự bùng nổ thông tin trên toàn cầu, vào thời gian này người ta bắt đầu đề cập đến khái niệm khủng hoảng trong việc phân tích dữ liệu tác nghiệp để cung cấp thông tin với yêu cầu chất lượng ngày càng cao cho người làm quyết định trong các tổ chức chính phủ, tài chính, thương mại, khoa học,… Đúng như John Naisbett đã cảnh báo “Chúng ta đang chìm ngập trong dữ liệu mà vẫn đói tri thức”. Lượng dữ liệu khổng lồ này thực sự là một nguồn tài nguyên có nhiều giá trị bởi thông tin là yếu tố then chốt phục vụ cho mọi hoạt động quản lý, kinh doanh, phát triển sản xuất và dịch vụ, … nó giúp người điều hành và quản lý có những hiểu biết về môi trường và tiến trình hoạt động của tổ chức mình trước khi ra quyết định để tác động đến quá trình hoạt động nhằm đạt được các mục tiêu một cách hiệu quả và bền vững. KPDL là một lĩnh vực mới được nghiên cứu, nhằm tự động khai thác thông tin, tri thức mới hữu ích, tiềm ẩn từ những CSDL lớn cho các đơn vị, tổ chức, doanh nghiệp,…. từ đó làm thúc đẩy khả năng sản xuất, kinh doanh, cạnh tranh cho các đơn vị, tổ chức này. Các kết quả nghiên cứu khoa học cùng những ứng dụng thành công trong KDD cho thấy KPDL là một lĩnh vực phát triển bền vững, mang lại nhiều lợi ích và có nhiều triển vọng, đồng thời có ưu thế hơn hẵn so với các công cụ tìm kiếm phân tích dữ liệu truyền thống. Hiện nay, KPDL đã ứng dụng ngày càng rộng rãi trong các lĩnh vực như thương mại, tài chính, y học, viễn thông, tin – sinh,…. Các kỹ thuật chính được áp dụng trong lĩnh vực KPDL phần lớn được thừa kế từ lĩnh vực CSDL, học máy, trí tuệ nhân tạo, lý thuyết thông tin, xác suất thống kê và tính toán hiệu năng cao, . . dữ liệu 4 KPDL Data mining Khai phá dữ liệu 5 KPVB Text Mining Khai phá văn bản 6 PCDL Data Clustering Phân cụm dữ liệu Khai phá dữ liệu Web bằng kỹ thuật. 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