Áp dụng kỹ thuật phân cụm dữ liệu mờ trong khai phá dữ liệu web

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ

TRONG KHAI PHÁ DỮ LIỆU WEB

Đỗ Quang Khôi¹

Tóm tắt: World Wide Web là một kho dữ liệu khổng lồ, vì vậy việc khai phá Web

để khám phá ra những thông tin, tri thức hữu ích mang một ý nghĩa hết sức quan trọng.

Với mục đích đó, bài báo này trình bày tổng quan về khai phá dữ liệu Web, các hướng

tiếp cận phân cụm tài liệu Web. Qua đó, bài báo giới thiệu mô hình tiếp cận phân cụm

tài liệu Web bằng kỹ thuật phân cụm dữ liệu mờ và trình bày cụ thể quá trình tìm kiếm

và phân cụm tài liệu Web bằng kỹ thuật phân cụm dữ liệu mờ với thuật toán Fuzzy

C-Means.

1. Giới thiệu

Các phương pháp phân tích dữ liệu truyền thống (dữ liệu rõ) tập trung phân tích

một tập dữ liệu ban đầu thành các cụm dữ liệu có tính tự nhiên và mỗi đối tượng dữ liệu

chỉ thuộc về một cụm dữ liệu, phương pháp này chỉ phù hợp với việc khám phá ra các

cụm có mật độ cao và rời nhau, với đường biên giữa các cụm được xác định tốt. Tuy

nhiên, trong thực tế, đường biên giữa các cụm có thể mờ, các cụm có thể chồng lên

nhau, nghĩa là một số các đối tượng dữ liệu thuộc về nhiều cụm khác nhau. Do đó, các

phương pháp phân cụm truyền thống không mô tả được dữ liệu thực. Vì vậy, người ta

đã áp dụng lý thuyết tập mờ trong phân cụm dữ liệu (PCDL) để giải quyết cho trường

hợp này. Cách thức kết hợp này được gọi là PCDL mờ (gọi tắt là phân cụm mờ).

Hơn nữa, World Wide Web (WWW) là một kho thông tin khổng lồ với tiềm năng

được coi là không có giới hạn. Để đáp ứng phần nào nhu cầu tìm kiếm và sử dụng

nguồn tri thức này, người ta đã xây dựng các công cụ tìm kiếm và xử lý thông tin bằng

cách áp dụng các kỹ thuật khai phá dữ liệu (KPDL) trong khai phá tài nguyên Web.

Trong đó, PCDL Web là một bài toán điển hình trong khai phá tài nguyên Web.

Hiện tại đã có một số thuật toán PCDL được sử dụng trong phân cụm tài liệu như

các thuật toán phân cụm phân hoạch, các thuật toán phân cụm phân cấp,… Tuy nhiên,

trong thực tế nội dung của một trang Web có thể thuộc vào nhiều nhóm chủ đề khác

nhau. Vì vậy, phân cụm theo nội dung trang Web với hướng tiếp cận truyền thống tỏ ra

còn nhiều hạn chế. Để giải quyết vấn đề này, một hướng đi mới đó là nghiên cứu và áp

dụng các kỹ thuật PCDL theo cách tiếp cận mờ trong KPDL Web.

Bài báo này xem xét khía cạnh sử dụng kỹ thuật phân cụm dữ liệu mờ trong

KPDL Web và được thực nghiệm bằng chương trình ứng dụng thực hiện tìm kiếm trên

Web và sau đó phân cụm kết quả tìm kiếm này bằng hai kỹ thuật phân cụm: phân cụm

rõ với thuật toán k-means và phân cụm mờ với thuật toán Fuzzy C-Means (FCM).

¹ThS, Trung tâm Học liệu, trường Đại học Quảng Nam

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ TRONG KHAI PHÁ …

2. Tổng quan về khai phá dữ liệu Web

Với sự phát triển nhanh chóng của Internet, các thông tin trên WWW đã trở thành

một kho dữ liệu khổng lồ trong hầu hết các lĩnh vực kinh tế, xã hội, chính trị, giáo dục,

khoa học,... WWW chứa một bộ sưu tập các thông tin phong phú và đa dạng về nội

dung trang web với cấu trúc siêu văn bản và đa phương tiện, thông tin siêu liên kết, truy

cập và sử dụng thông tin, cung cấp một nguồn dữ liệu đồ sộ cho KPDL.

Hình 1. Phân loại KPDL Web.

Có nhiều khái niệm khác nhau về KPDL Web. Tuy nhiên, theo [6], [8], ta có khái

niệm tổng quát nhất như sau: KPDL Web là việc sử dụng các kỹ thuật KPDL để khám

phá ra những thông tin, tri thức hữu ích từ các cấu trúc siêu liên kết, nội dung trang web

và dữ liệu sử dụng. Dựa trên các kiểu dữ liệu chính được sử dụng trong quá trình khai

phá, KPDL Web có thể được phân thành ba loại: khai phá nội dung, khai phá cấu trúc và

khai phá theo sử dụng [8].

• Khai phá nội dung Web:

Khai phá nội dung Web nhằm trích lọc hoặc khai thác những thông tin hữu ích, tri

thức từ nội dung trang. Khai phá nội dung Web có thể được phân biệt bởi hai cách tiếp

cận: tiếp cận dựa trên hành động và tiếp cận dựa trên CSDL. Cách tiếp cận thứ nhất nhằm

mục đích cải thiện việc tìm kiếm và trích lọc thông tin. Cách tiếp cận thứ hai nhằm mục

đích mô hình hóa dữ liệu trên Web thành dạng có cấu trúc hơn để áp dụng vào truy vấn

CSDL và các ứng dụng KPDL.

• Khai phá cấu trúc Web:

Khai phá cấu trúc Web nhằm phát hiện ra tri thức hữu ích từ các siêu liên kết, các

siêu liên kết này chính là đặc trưng cho cấu trúc Web. Ví dụ, từ các liên kết, chúng ta có

thể khám phá các trang web quan trọng, và chúng cũng chính là một kỹ thuật quan trọng

được sử dụng trong các máy tìm kiếm. KPDL truyền thống không thực hiện được như

vậy bởi vì nó thường là không có cấu trúc liên kết trong một bảng quan hệ.

51

ĐỖ QUANG KHÔI

• Khai phá theo sử dụng Web:

Khai phá theo sử dụng Web đề cập đến sự khám phá các mẫu truy cập của người

dùng từ các bản ghi sử dụng Web (Web log records). 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 lẻ được tốt hơn. Một trong những vấn đề quan trọng

trong khai phá theo sử dụng Web là tiền xử lý luồng dữ liệu nhấp chuột trong các bản

ghi sử dụng nhằm đem lại dữ liệu đúng đắn để khai phá.

3. Các hướng tiếp cận phân cụm tài liệu Web

Có rất nhiều phương pháp tiếp cận phân cụm tài liệu Web đã được đề xuất. Mỗi

hướng tiếp cận theo một cách khác nhau, như: kiểu dữ liệu của các thuộc tính; độ đo

tương tự,... Dựa trên những đặc trưng hay thuộc tính của tài liệu, hướng tiếp cận của các

thuật toán phân cụm tài liệu Web có thể chia làm các loại sau [9]:

• Phân cụm dựa trên văn bản:

Hướng tiếp cận phân cụm tài liệu Web dựa trên văn bản đặc tả mỗi tài liệu theo

nội dung của nó, tức là các từ (hoặc đoạn văn bản) chứa trong nó. Ý tưởng chính của

hướng tiếp cận này đó là nếu hai tài liệu có chứa nhiều từ chung với nhau thì có khả

năng hai tài liệu này là rất giống nhau.

Các kỹ thuật phân cụm tài liệu Web dựa trên văn bản như: phân cụm phân hoạch,

phân cụm phân cấp, phân cụm mờ, phân cụm dựa vào mạng nơron, phân cụm dựa vào

xác suất,...

• Phân cụm dựa trên liên kết:

Các phương pháp phân cụm dựa trên văn bản được phát triển để sử dụng đối với

bộ tài liệu tĩnh, đồng nhất và nhỏ. Ngược lại, WWW là một tập khổng lồ các trang web

đồng nhất và liên kết với nhau. Hơn nữa, các trang web lại có thêm những thông tin

được đính kèm theo nhưng lại rất hữu ích cho quá trình phân cụm, như: siêu dữ liệu, các

siêu liên kết.

Ý tưởng của hướng tiếp cận này đó là khi hai tài liệu được kết nối thông qua một

liên kết có mối quan hệ về mặt ngữ nghĩa giữa chúng thì đó có thể là cơ sở cho việc

phân hoạch các tài liệu về các cụm.

Hai thuật toán tiêu biểu được phát triển dựa theo hướng tiếp cận này đó là: thuật

toán PageRank (S. Brin và đồng nghiệp, 1998) và thuật toán HITS (J. M. Kleinberg,

1998). Trong đó, thuật toán PageRank lập chỉ mục cho các liên kết giữa các website và

xác định giá trị liên kết của một trang web (gọi là PageRank). Dựa vào PageRank này,

thuật toán xác định thứ tự sắp xếp của mỗi trang trong các kết quả tìm kiếm. Trong khi

đó, thuật toán HITS xếp thứ hạng tài liệu dựa trên thông tin liên kết giữa tập các tài liệu.

• Phân cụm lai ghép:

Phương pháp phân cụm tài liệu Web dựa trên liên kết chỉ đặc tả các tài liệu bằng

các thông tin được trích xuất từ cấu trúc liên kết của tập tài liệu. Còn các phương pháp

52

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ TRONG KHAI PHÁ …

phân cụm tài liệu Web dựa trên văn bản thì đặc tả tài liệu bởi các từ chứa trong nó. Mặc

dù các liên kết có thể dẫn đến những trang khác nhau từ một trang nhưng nó không có

mục đích chỉ ra sự giống nhau giữa các trang. Các thuật toán phân cụm này có thể cho

kết quả có hiệu quả không cao vì mật độ cấu trúc liên kết thu được có thể là quá nhiều

hoặc quá ít. Còn các thuật toán phân cụm dựa trên văn bản thì lại có vấn đề khi tiếp cận

với các ngôn ngữ khác nhau hay với đặc thù của mỗi ngôn ngữ, ví dụ như: từ đồng

nghĩa, từ trái nghĩa,... Mặt khác, các thông tin trên trang web không chỉ ở dưới dạng văn

bản mà còn có thể là hình ảnh, âm thanh, hay đa phương tiện.

Chính vì những lý do trên, một phương pháp phân cụm lai ghép giữa hai phương

pháp trên được đề xuất để kết hợp những ưu điểm và hạn chế những nhược điểm cho

nhau. Các thuật toán được phát triển theo hướng tiếp cận này như là: thuật toán Phân

cụm nội dung-liên kết (Weiss và đồng nghiệp, 1996), Toric k-means (Modha &

Spangler, 2000),...

Tóm lại, việc lựa chọn phương pháp phân cụm tài liệu Web nào tốt nhất là một

vấn đề không dễ dàng, bởi vì trước hết, mỗi phương pháp đều có ưu và nhược điểm

riêng của nó. Thứ hai, hiệu quả của mỗi phương pháp phụ thuộc vào tập dữ liệu cụ thể

và lĩnh vực ứng dụng.

4. Kỹ thuật PCDL mờ trong phân cụm kết quả tìm kiếm trên Web

4.1. Hướng tiếp cận

Việc phân cụm tài liệu Web nhằm phân các trang Web có mức độ quan trọng

tương đương về một cụm. Có nhiều phương pháp để đánh giá mức độ quan trọng của

một trang Web, trong đó có phương pháp dựa vào các liên kết trang để xác định trọng

số cho trang. Các thuật toán PageRank, HITS,... đều dựa trên phương pháp này. Một

cách tiếp cận khác để đánh giá mức độ quan trọng đó là dựa vào nội dung của các trang

Web để xác định trọng số, nếu các trang Web có nội dung tương tự nhau thì sẽ có mức

độ quan trọng tương đương và sẽ cùng thuộc về một cụm.

Hình 2. Mô hình tiếp cận phân cụm kết quả tìm kiếm

bằng kỹ thuật PCDL mờ.

53

ĐỖ QUANG KHÔI

Sử dụng kỹ thuật phân cụm mờ để phân một tập các trang Web với dữ liệu đã

chuẩn hóa được truy vấn từ dữ liệu Web thành c cụm sao cho mỗi trang Web trong cùng

một cụm là tương tự nhau về nội dung, các trang Web ở các cụm khác nhau thì không

tương tự nhau. Dựa vào đặc trưng của mỗi trang Web, kỹ thuật phân cụm mờ xác định

độ thuộc của trang Web vào một cụm và trọng tâm của cụm đó để thực hiện quá trình

phân cụm kết quả tìm kiếm. Mô hình tiếp cận ở Hình 2 cũng như quá trình tìm kiếm và

phân cụm kết quả sẽ được trình bày cụ thể trong mục dưới dây.

4.2. Kỹ thuật phân cụm kết quả tìm kiếm

4.2.1. Mô hình biểu diễn tài liệu Web

Hầu hết các thuật toán phân cụm đều yêu cầu tập dữ liệu cần được phân cụm ở

dạng một tập các véctơ x_j= {x_j1, x_j2, …, x_jm} trong không gian m chiều. Mỗi tài liệu j

được mô tả bởi một véctơ x_j– gọi là véctơ đặc trưng (feature vector) và mỗi phần tử của

véctơ đặc trưng tương ứng với một từ của tập tài liệu. Việc tách lọc các đặc trưng cần

thiết thông qua véctơ đặc trưng phụ thuộc nhiều vào từng lĩnh vực. Số chiều của véctơ

đặc trưng là nhân tố chủ chốt trong thời gian chạy của thuật toán cũng như độ lớn của

nó.

Trong phân cụm tài liệu Web, hầu hết các kỹ thuật phân cụm thường sử dụng mô

hình không gian véctơ (vector space) để biểu diễn các đối tượng dữ liệu. Mỗi trang Web

được biểu diễn bằng một véctơ p_j= {tf_j1, tf_j2, …, tf_jn} trong đó tf_jk(k = 1, …, n) là tần

suất xuất hiện (TF-Term Frequency) của từ t_ktrong trang Web p_j. Để biểu diễn tất cả

các trang Web cùng với một tập từ thì cần tách tất cả các từ tìm được trên tổng các trang

Web và sử dụng chúng như véctơ đặc trưng. Theo mô hình TF này thì trọng số w_jkcủa

từ t_ktrong trang Web p_jđược xác định theo một trong các công thức sau [10]: w_jk= tf _jk

hoặc w_jk= 1 + log(tf_jk).

Ngoài mô hình TF, các đối tượng dữ liệu có thể được biểu diễn dựa trên mô hình

nghịch đảo tần suất xuất hiện (IDF-Inverse Document Frequency). Theo [10], nghịch

đảo tần suất xuất hiện của từ t_ktrong trang trang Web p_jđược định nghĩa là idf_jk=

log(n/h_k). Trong đó, n là tổng số trang Web và h_klà số lượng trang Web có chứa từ t_k.

Một mô hình biểu diễn dữ liệu khác cũng thường được sử dụng trong phân cụm

tài liệu Web đó là mô hình kết hợp TF-IDF. Với mô hình này, trọng số w_jkcủa từ t_k

trong trang Web p_jđược định nghĩa như sau [10]:

w_jk= tf _jkx idf _jk

(4.1)

Trong đó:

tf_jk: là tần suất xuất hiện của từ t_ktrong trang Web p_j;

idf_jk= log(n/h_k) là nghịch đảo tần suất xuất hiện của từ t_ktrong trang Web p_j;

n: tổng số trang Web trong tập trang Web C;

h_k: số lượng trang Web có chứa từ t_k.

4.2.2. Quá trình tìm kiếm và xử lý kết quả

54

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ TRONG KHAI PHÁ …

Về cơ bản, quá trình tìm kiếm và phân cụm kết quả tìm kiếm bằng kỹ thuật phân

cụm mờ sẽ diễn ra theo các bước như sau [9]:

i. Tìm kiếm dữ liệu trên Web:

Nhiệm vụ chủ yếu của giai đoạn này là dựa vào từ khóa tìm kiếm để tìm kiếm và

trả về một tập các trang Web bao gồm nội dung, tiêu đề, mô tả tóm tắt, URL,… tương

ứng với mỗi trang.

ii. Tiền xử lý dữ liệu:

Đây là giai đoạn vô cùng quan trọng, nó ảnh hưởng rất lớn đến quá trình thực hiện

phân cụm. Nhiệm vụ của giai đoạn này là làm giảm số từ trong mỗi tài liệu, do vậy nó

có tác dụng làm giảm độ phức tạp tính toán của các giai đoạn sau và nâng cao hiệu quả

cho giai đoạn kế tiếp. Đây là 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: 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, như: 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,...

Loại bỏ stop-words: stop-words là những từ mà xuất hiện quá nhiều trong kết quả

nhưng không giúp ích gì trong việc phân biệt nội dung của các tài liệu. Ví dụ: Trong

tiếng Việt các từ như “thì”, “mà”, “và”, “hoặc”,...; trong tiếng Anh các từ như “a”, “an”,

“the”, “of”, “to”, “on”, “by”,...; Vì đặc điểm của stop-words nên chúng được loại bỏ mà

không ảnh hưởng đến các giai đoạn sau.

Chuyển đổi về từ gốc: loại bỏ tiền tố và hậu tố của từ để biến đổi nó thành từ gốc.

Vì trong thực tế một từ gốc có thể có nhiều hình thái biến đổi, chẳng hạn như động từ,

danh từ, tính từ, trạng từ; và giữa chúng có mối quan hệ ngữ nghĩa. Ví dụ như những từ:

“clusters”, “clustering”, “clustered” là có cùng mối quan hệ với từ “cluster”.

iii. Xây dựng từ điển:

Từ điển bao gồm các từ riêng biệt trong tập các trang Web từ kết quả truy vấn. Từ

điển là một bảng bao gồm các từ, chỉ số của nó trong từ điển và được sắp xếp theo thứ

tự. Theo [5], [7], [10] từ điển được xây dựng với 500 phần tử sau khi được chuẩn hóa là

phù hợp.

iv. Tạo ma trận tài liệu:

Ma trận tài liệu T được tạo bằng cách đếm số lần xuất hiện của mỗi từ từ t_itrong

mỗi trang Web p_j.

v. Véctơ hóa tài liệu:

Giai đoạn này tính tf và idf, xác định trọng số W theo công thức (4.1) cho tất cả các

từ của mỗi trang Web và véc tơ hóa tất cả các trang Web.

vi. Phân cụm kết quả tìm kiếm bằng thuật toán FCM:

55

ĐỖ QUANG KHÔI

Tư tưởng thuật toán:

Thuật toán FCM thực hiện phân cụm bằng một chuỗi các phép lặp các công thức [4]:

n

(u )^mx

∑

ik

k

(4.2), và:

(4.3)

k=1

v_i=

; 1≤ i ≤ c

n

(u )^m

∑

ik

k=1

1

u_ik=

; 1≤ k ≤ n;1≤ i ≤ c

2

m−1

c

⎛

⎞

d_ik

⎜

⎟

∑

d _jk

j=1

⎝

⎠

để tối ưu các phân hoạch mờ của tập dữ liệu dựa trên việc tính toán độ tương tự có trọng

số giữa đối tượng x_kvà trọng tâm của cụm i. Sau mỗi vòng lặp, thuật toán tính toán và

cập nhật lại phần tử u_jktrong ma trận phân hoạch U. Thuật toán sẽ dừng lại khi

(k +1)

u

− u^k< ξ

, trong đó ξ ∈ [0, 1] là ngưỡng kết thúc cho trước.

ij

Phát biểu bài toán:

Input: số cụm c; tham số mờ m ∈ [1, ∞), số vòng lặp tối đa Kmax và ngưỡng kết

thúc ξ ∈ [0, 1].

Output: c cụm dữ liệu sao cho hàm tiêu chuẩn [4]:

n

c

J (U, V ) =

(u )^md²(x ,v )

đạt giá trị cực tiểu.

ik k i

∑∑

m

k=1 i=1

Thuật toán [4]:

1. Khởi tạo ma trận U = [u_ij], chọn ma trận ban đầu U⁽⁰⁾M_fc;

Tại bước k, k = 0, 1, ..., Kmax:

v^(k)

2. Cập nhật trọng tâm của cụm

, i = 1, 2, ..., c theo công thức (4.2);

i

U ^(k+1)= [u^(k+1)

]

3. Cập nhật ma trận thành viên (độ thuộc)

theo công thức

ik

(4.3);

U ^(k+1)−U ^{(k )}< ξ

4. Nếu

lại bước 2;

5. Đưa ra các cụm kết quả.

thì thực hiện bước 5; ngược lại, đặt U^(k)= U^(k+1), quay

Thuật toán FCM trong phân cụm kết quả tìm kiếm trang Web:

1. Khởi tạo ngẫu nhiên ma trận độ thuộc ban đầu U⁽⁰⁾= [u_ij], với u_ijlà độ thuộc

của trang Web p_jđối với cụm c_i;

56

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ TRONG KHAI PHÁ …

Tại bước k, k = 0, 1,..., Kmax:

v^(k)

2. Cập nhật trọng tâm của các cụm

, i = 1, 2,..., c theo công thức (4.2);

i

3. Dựa vào ma trận trọng số của các từ trong mỗi trang Web p_j(công thức 4.1),

xác định độ đo tương tự dựa trên khoảng cách giữa nó với cụm c_i. Cập nhật lại ma trận

U ^(k+1)= [u^(k+1)

]

độ thuộc

theo công thức (4.3);

ik

U ^(k+1)−U ^{(k )}< ξ

4. Nếu

thì thực hiện bước 5; ngược lại, đặt U(k) =

U(k+1), quay lại bước 2;

5. Đưa ra các cụm kết quả.

Trong đó:

X = {x₁, x₂, ..., x_n} Rⁿ, là tập dữ liệu ban đầu;

c: là số cụm dữ liệu trong X;

m: là trọng số mũ, hay được gọi là tham số mờ, 1 ≤ m < ∞;

U = [u_ik], là ma trận phân hoạch mờ của X trong C cụm, U M_fc;

u_ik[0, 1]: độ thuộc của đối tượng x_kđối với cụm i;

V = [v_ji] = (v₁, v₂, ..., v_c), là ma trận biểu diễn các đối tượng trọng tâm của cụm;

v_i= (v_i1, v_i2, ..., v_in), là trọng tâm của cụm i;

2

: là khoảng cách Euclide từ đối tượng x đến trọng tâm của cụm thứ i.

d (x_k,v_i)

k

5. Kết quả thực nghiệm

Áp dụng kỹ thuật phân cụm dữ liệu mờ trong KPDL Web được chúng tôi thực

nghiệm thông qua một chương trình ứng dụng thực hiện tìm kiếm trên Web và sau đó

phân cụm kết quả tìm kiếm này bằng cả hai kỹ thuật phân cụm: phân cụm rõ với thuật

toán k-means và phân cụm mờ với thuật toán FCM nhằm có sự so sánh kết quả phân

cụm của hai kỹ thuật phân cụm rõ và phân cụm mờ.

5.1. Cài đặt hệ thống

5.1.1. Kiến trúc hệ thống

57

ĐỖ QUANG KHÔI

Người dùng

Từ khóa

tìm kiếm

Truy vấn

Kết quả

Máy

đến Google

phân cụm

tìm kiếm

Google

API

Kết quả

truy vấn

Quá trình

phân cụm

CSDL

Kết quả

truy vấn

Hình 3. Kiến trúc hệ thống của chương trình thử nghiệm.

Chương trình thử nghiệm được chạy trên môi trường .NET Framework 4.0 với

ngôn ngữ lập trình Visual Basic 2005 và CDSL được quản lý và lưu trữ bằng SQL

Server 2005. Hệ thống được thiết kế như Hình 3 ở trên.

Chương trình được kết nối với máy tìm kiếm Google bằng cách sử dụng một số

hàm trong API của Google để lấy dữ liệu là kết quả truy vấn tìm kiếm từ Google để lưu

vào CSDL của hệ thống phục vụ cho quá trình phân cụm.

Việc tìm kiếm được thực hiện bằng cách sử dụng máy tìm kiếm Google 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 và phân cụm sau này.

5.1.2. Thiết kế CSDL

CSDL của chương trình bao gồm các bảng chính sau đây:

¾ Bảng 1: đây là bảng lưu trữ từ điển.

Tên trường

PhraseID

Phrase

Kiểu dữ liệu

Int

Nvarchar

Mô tả

Khóa chính, chỉ số của mỗi từ

Từ cần lưu trữ

¾ Bảng 2: đây là bảng lưu trữ nội dung của trang Web được lấy về từ kết quả

tìm kiếm của Yahoo.

58

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ TRONG KHAI PHÁ …

Tên trường

PageID

Kiểu dữ liệu

Int

Mô tả

Khóa chính

URL

Nvarchar

Bit

URL của trang Web

Snipet

Trích đoạn của nội dung trang Web

Nội dung của trang Web

Content

IsTokenozed

Cho biết trang Web này đã được tách từ hay chưa

Cho biết trang Web này đã được phân cụm hay

chưa

IsClustered

ClusterID

Bit

Int

Khóa ngoài, liên kết đến bảng Clusters, cho biết

trang Web thuộc cụm nào sau khi được phân cụm

¾ Bảng 3: đây là bảng liên kết giữa các trang Web và từ điển

Tên trường

DicPageID

PageID

Kiểu dữ liệu

Int

Mô tả

Khóa chính

Int

Khóa ngoài, liên kết đến bảng Pages

PhraseID

Khóa ngoài, liên kết đến bảng Dictionary

Cho biết tần suất xuất hiện của các từ trong trang

Web

Score

Float

¾ Bảng 4: đây là bảng lưu trữ các cụm đã tìm được

Tên trường

Kiểu dữ liệu

Int

Nvarchar

Mô tả

Khóa chính, chỉ số của cụm

Nhãn của cụm

ClusterID

Lable

5.1.3. Quá trình tìm kiếm và phân cụm được tóm tắt lại như sau:

Input:

+ Một tập các trang Web P tìm được theo truy vấn;

+ Tham số mờ hóa m.

Output:

+ Các trang Web được phân cụm theo thuật toán k-means hoặc FCM.

Các bước thực hiện:

Bước 1: Tiền xử lý;

Bước 2: Xây dựng từ điển;

Bước 3: Tạo ma trận tài liệu;

Bước 4: Véctơ hóa tài liệu;

59

ĐỖ QUANG KHÔI

Bước 5: Xử lý phân cụm;

Bước 6: Hiển thị kết quả phân cụm.

5.1.4. Một số giao diện chính của chương trình:

Hình 4. Giao diện nhập từ khóa cần tìm.

Hình 5. Giao diện hiển thị kết quả tiền xử lý và véctơ hóa trang Web

60

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ TRONG KHAI PHÁ …

Hình 6. Giao diện kết quả phân cụm bằng FCM.

5.2. Kết quả

Với từ khóa “cluster”, khi thực hiện tiền xử lý và phân cụm với hai thuật toán k-

means và FCM (với tham số mờ hóa m = 2.0; ngưỡng kết thúc ξ = 0.05) trên tập dữ liệu

với hơn 4000 trang web, chương trình cho kết quả như sau:

Bảng 6. Bảng so sánh thời gian thực hiện hai thuật toán FCM và k-means.

Thời gian trung bình (giây)

Số trang

Số cụm

Phân cụm

FCM (m=2.0)

Tiền xử lý

k-mean

1.319

1.926

2.452

4.524

4.588

7.469

8.171

100

200

300

400

10

20

10

20

10

20

10

0.85

7.167

11.408

25.731

37.268

39.902

54.118

62.996

0.95

0.102

0.131

61

ĐỖ QUANG KHÔI

Thời gian trung bình (giây)

Phân cụm

FCM (m=2.0)

Số trang

Số cụm

Tiền xử lý

k-mean

11.182

12.526

16.986

22.124

43.935

400

500

20

10

20

10

20

0.131

0.142

0.189

79.701

92.631

500

149.390

306.447

496.282

1000

Qua kết quả trên, ta thấy rằng thời gian thực hiện thuật toán phụ thuộc vào độ lớn

của tập dữ liệu và số cụm cần phân cụm. Riêng với thuật toán FCM còn phụ thuộc vào

tham số mờ hóa m và ngưỡng kết thúc ξ. Nếu tham số mờ hóa m và ngưỡng kết thúc ξ

được xác định tốt thì chất lượng và thời gian thực hiện phân cụm được cải thiện rất

nhiều. Không có quy tắc nào để lựa chọn một tham số mờ hóa m tối ưu. Cho đến nay, có

lẽ chiến lược tốt nhất để chọn được giá trị tối ưu cho m đó là thử nghiệm với các giá trị

khác nhau của m, từ đó chọn m cho kết quả phân cụm tốt nhất. Đối với hầu hết dữ liệu,

m

[1.5, 3.0] thường cho kết quả tốt [4]. Với đánh giá này, chương trình thực nghiệm

đã cho kết quả tương tự.

Chính vì vậy, thuật toán FCM cho kết quả thời gian thực hiện phân cụm lâu hơn

thuật toán k-means. Tuy nhiên, qua khảo sát kết quả các cụm thì chất lượng của các

cụm khi thực hiện với thuật toán FCM cho hiệu quả cao hơn thuật toán k-means bởi vì

các trang Web trong cùng một cụm có nội dung tương tự với nhau hơn và FCM có khả

năng phân cụm đối với những trang Web cùng thuộc về những chủ đề khác nhau,

nghĩa là các cụm có thể chồng chéo lên nhau.

TÀI LIỆU THAM KHẢO

Tiếng Việt:

[1] Đoàn Văn Ban (2003), Bài giảng Khai thác kho dữ liệu, Viện Công nghệ

thông tin Việt Nam, Hà Nội.

[2] Hồ Thuần và Đặng Thanh Hà (2007), Lôgic mờ và ứng dụng, NXB Đại học

Quốc gia Hà Nội, Hà Nội.

Tiếng Anh:

[3] Periklis Andritsos (2002), Data Clusting Techniques, University of Toronto,

Toronto.

62

ÁP DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ TRONG KHAI PHÁ …

[4] James C. Bezdek (1984), “FCM: The fuzzy c-means clustering algorithm”,

Computer and Geosciences, vol. 10 (2-3), pp. 191-203.

[5] Christian Borgelt and Andreas Nurnberger (2004), Fast Fuzzy Clustering of

Web Page Collections, PKDD Workshop on Statistical Approaches for Web

Mining SAWM, Pisa.

[6] Jiawei Han, Micheline Kamber and Jian Pei (2011), Data Mining: Concepts

and Techniques, 3^rdEdition, Morgan Kaufmann Publishers, Waltham.

[7] Raghu Krishnapuram, Anupam Joshi, and Liyu Yi (1999), “A Fuzzy Relative

of the k-Medoids Algorithm with Application to Web Document and Snippet

Clustering”, IEEE International Fuzzy Systems Conference Proceedings, vol.

3, pp. 1281-1286.

[8] Bing Liu (2007), Web Data Mining, Springer, New York.

[9] Maofu Liu, Yanxiang He and Huijun Hu (2004), Web Fuzzy Clustering and

Its Applications in Web Usage Mining, Proceedings of 8^thInternational

Symposium on Feature Software Technology (ISFST-2004).

[10] Wenyi Ni (2004), A Survey of Web Document Clustering, Southern

Methodist University, Dallas.

Title: THE APPLICATION OF FUZZY DATA CLUSTERING TECHNIQUE IN

WEB DATAMINING

DO QUANG KHOI

Quang Nam University

Abstract: World Wide Web is a huge data warehouse. Therefore, using Web

mining to discover useful information and knowledge is of important meaning. For

that purpose, this article provides an overview of the Web data mining and Web

document clustering approaches. Thus, this article introduces the Web fuzzy clustering

processing model and also presents specifically the process of Web document searching

and clustering by fuzzy data clustering technique with Fuzzy C-Means algorithm.

63