ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Vũ Đức Khoa
NGHIÊN CỨU MÁY TÌM KIẾM QUA HỆ THỐNG
GREENSTONE
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công Nghệ Thông Tin
HÀ NỘI - 2009
1
Mở Đầu…………….…………….…………….…………….……………………….1
Chương 1. Giới thiệu…………….…………….…………….…………………..3
1.1. Bài toán tìm kiếm…………….…………….…………….…………….……….3
1.2. Sơ lược sự phát triển của các hệ thống tìm kiếm…………….…………...4
1.3. Tình hình nghiên cứu, ứng dụng máy tìm kiếm tại Việt Nam………….5
1.3.1 Tình hình nghiên cứu…………….…………….…………….…………….…..5
1.3.2 Tình hình ứng dụng …………….…………….…………….………………….8
1.4. Động cơ và mục tiêu của luận văn…………….…………….……………...8
Chương 2. Các vấn đề cơ bản trong một hệ thống máy tìm
kiếm…………….…………….…………….…………….…………….………………10
2.1. Tiến trình lập chỉ mục (Indexing) …………….…………….…………….10
2.1.1 Lập chỉ mục…………….…………….…………….…………….…………...10
2.1.2 Các loại chỉ mục…………….…………….…………….…………….………10
2.1.2.1 Chỉ mục tệp đảo…………….…………….…………….…………….…11
2.1.2.2 Chỉ mục tệp ký số…………….…………….…………….……………..12
2.1.2.3 Đánh giá và kết luận…………….…………….…………….…………..15
2.2. Tiến trình tìm kiếm thông tin (Searching) …………….…………….…...16
2.3. Xếp hạng tài liệu liên quan (Ranking) …………….…………….……….17
2.3.1 Các khái niệm cơ bản…………….…………….…………….…………….…17
2.3.2 Xếp hạng tài liệu…………….…………….…………….…………….……...18
Chương 3: Hệ thống Greenstone…………….…………….……………....21
3.1. Giới thiệu chung về Greenstone…………….…………….………………..21
3.1.1 Các bộ tài liệu…………….…………….…………….…………….………..21
3.1.2 Tìm kiếm thông tin…………….…………….…………….…………….……22
3.1.3 Định dạng dữ liệu…………….…………….…………….…………….……..23
3.1.4 Các tài liệu đa phương tiện và đa ngôn ngữ…………….…………….………23
3.1.5 Chức năng phân phối của phầm mềm…………….…………….…………….23
2
3.2. Kiến trúc của hệ thống Greenstone…………….…………….…………...24
3.3. Xây dựng bộ sưu tập…………….…………….…………….……………….26
3.3.1 Khái niệm…………….…………….…………….…………….…………….26
3.3.2 Thực nghiệm xây dựng bộ sưu tập…………….…………….………………29
3.3.2.1 Chương trình mkcol.pl…………….…………….……………………..30
3.3.2.2 Chương trình import.pl…………….…………….…………….………31
3.3.2.3 Chương trình buildcol.pl…………….…………….…………….……..32
3.3.2.4 - Cấu trúc của một bộ sưu tập…………….…………….……………….33
3.3.3 Hiển thị collection lên website……………………………………………….35
3.3.3.1 Thư mục etc…………….…………….…………….…………………...35
3.3.3.2 Thư mục index…………….…………….…………….………………...38
Chương 4: Thực nghiệm xây dựng máy tìm kiếm tiếng Việt……41
4.1. Vấn đề tìm kiếm tiếng Việt và tiếp cận…………….…………….……….41
4.2. Hệ thống Lucene…………….…………….…………….…………………….42
4.3. Phần mềm VietSearch…………….…………….…………….……………..44
4.3.1 Hệ thống lập chỉ mục…………….…………….…………….………………44
4.3.2 Hệ thống tìm kiếm…………….…………….…………….…………………..46
4.3.3 Mô hình tương tự …………….…………….…………….…………………..46
4.3.3.1 Hệ số Cosine…………….…………….…………….…………….…….47
4.3.3.2 Khoảng cách Euclidean…………….…………….…………….……….47
4.3.3.3 Khoảng cách Manhattan…………….…………….…………….………47
4.3.4 Bộ phân loại tự động…………….…………….…………….………………..48
4.3.5 Tìm kiếm các tài liệu liên quan…………….…………….…………….……..49
4.4. Kết quả và đánh giá…………….…………….…………….………………....49
KẾT LUẬN…………….…………….…………….…………….………………..52
3
BẢNG CÁC TỪ VIẾT TẮT
Kí hiệu
Từ Tiếng Anh
Giải thích
IFID
SFID
IF
IL
CSDL
SF
Inverted file index
Signature file index
Inverted file
Inverted list
Chỉ mục tệp đảo
Chỉ mục tệp ký số
Tệp đảo
Danh sách đảo
Cơ sở dữ liệu
Tệp ký số
Signature file
4
MỞ ĐẦU
Máy tìm kiếm (Search Engine) đã phát triển khá hoàn thiện ở các nước
phát triển. Ở Việt Nam, nghiên cứu và ứng dụng máy tìm kiếm đang trong
giai đoạn phát triển ban đầu. Luận văn đặt vấn đề nghiên cứu tìm hiểu các
kỹ thuật cơ bản và công nghệ trong xây dựng máy tìm kiếm đồng thời áp
dụng cho tiếng Việt. Mô hình hệ thống mà luận văn đặt trọng tâm nghiên
cứu là hệ thống GreenStone, một hệ thống tìm kiếm hữu dụng phổ biến và
là giải pháp cho nhiều thư viện số.
Trong luận văn này, chúng tôi tìm hiểu sâu vào các công nghệ quan trọng
của máy tìm kiếm: bộ lập chỉ mục (indexing), bộ tìm kiếm (searching), bộ
xếp hạng (ranking). Đồng thời nghiên cứu kiến trúc các hệ thống và engine
sẵn có phục vụ mục đích xây dựng một hệ tìm kiếm cho tiếng Việt. Bên
cạnh đó, một nhiệm vụ quan trọng nữa của luận văn là việc làm thế nào để
áp dụng cho tìm kiếm cho đặc trưng tiếng Việt (áp dụng kết quả của phân
đoạn từ).
Áp dụng những thành tựu của khoa học máy tính để hoàn thiện cỗ máy
tìm kiếm là một công việc quan trọng . Bởi tìm kiếm những thứ tốt nhất
phục vụ cho công việc và cuộc sống là một nhu cầu rất cần thiết của mỗi
người.
5
Bố cục của luận văn gồm:
Chương 1: Giới thiệu
Chương 2: Các vấn đề cơ bản trong một hệ thống máy tìm kiếm
Chương 3: Hệ thống GreenStone
Chương 4: Thực nghiệm xây dựng máy tìm kiếm tiếng Việt
6
CHƯƠNG 1. Giới Thiệu
1.1. Bài toán tìm kiếm
Tìm kiếm thông tin có một lịch sử lâu đời gắn liền với các thư viện và
trung tâm tìm kiếm thông tin. Trước đây, khi mà máy tính và internet chưa
ra đời, những người có nhu cầu thông tin ngoài việc nhờ sự trợ giúp thông
tin từ bạn bè, người thân còn có thể tìm đến thư viện hoặc các trung tâm
thông tin để tìm kiếm thông tin cần thiết.
Khi máy tính và Internet ra đời, đó là một bước đột phá về mặt công nghệ.
Thông tin được lưu trữ và truyền đi một cách nhanh chóng. Các tài liệu
được số hoá và đưa lên mạng. Internet trở thành một kho tài nguyên vô tận.
Việc tìm kiếm trong một kho tài nguyên hay Internet để có được thông tin
nhanh nhất và tốt nhất có thể, là một nhu cầu cần thiết.
Trước thực tế đó, máy tìm kiếm ra đời với mô hình cài đặt và thuật toán
giúp cho việc tìm kiếm với dữ liệu lớn trở nên nhanh chóng. Tài liệu được
biểu diễn dưới dạng tập hợp các chỉ mục đại diện cho tài liệu đó. Yêu cầu
tìm kiếm thông tin được biểu diễn dưới dạng câu truy vấn có cấu trúc hoặc
không cấu trúc. Kết quả của yêu cầu là tập hợp các tài liệu phù hợp nhất với
câu truy vấn.
7
Những năm 90 của thế kỷ trước, tìm kiếm thông tin gần như đồng nghĩa
với tìm kiếm tài liệu/văn bản. Từ năm 2000, các viễn cảnh ứng dụng mới
như ứng dụng trả lời câu hỏi (question answering), ứng dụng nhận dạng chủ
đề (topic detection), hay ứng dụng lưu vết (tracking) trở thành các lĩnh vực
hoạt động mạnh mẽ trong nghiên cứu tìm kiếm thông tin.
Hiện nay, đối với máy tìm kiếm, những nghiên cứu tập trung cho Web có
ngữ nghĩa (Semantic Web). Web có ngữ nghĩa là sự mở rộng của Web hiện
tại mà trong đó thông tin được định nghĩa rõ ràng sao cho con người và
máy tính có thể cùng làm việc với nhau một cách hiệu quả hơn. Tìm kiếm
thông tin của người dùng không chỉ biểu diễn thông tin bằng từ khoá mà
còn được biểu diễn bằng thực thể có tên được đề cập đến trong tài liệu.
Tại mỗi nước khác nhau, máy tìm kiếm mang những đặc trưng riêng của
ngôn ngữ nước đó. Đối với nước ta, xử lý ngôn ngữ tự nhiên đã có những
bước phát triển nhanh chóng và đang đi vào hoàn thiện.
Để phục vụ tốt cho nhu cầu hiện tại ở nước ta, chúng tôi giới hạn phạm vi
đề tài là tìm kiếm thông tin trên văn bản.
1.2. Sơ lược sự phát triển của các hệ thống tìm kiếm
Công cụ đầu tiên được sử dụng cho việc tìm kiếm trên Internet được ghi
nhận cho "Archie” –được tạo bởi Alan Emtage – một sinh viên đại học
McGill, Montreal. Archie sục sạo các lưu trữ trên web, và thiết lập chỉ mục
cho từng tên file tìm được. Người sử dụng truy vấn bằng những từ khóa
phù hợp với tiêu đề của tên file rồi nhận được một danh sách các địa chỉ có
chứa file phù hợp nào đó, sau đó họ kết nối với máy tính và tra soát trong
đó xem có dữ liệu họ đang cần không.
Tiếp theo đó, năm 1991 McCahill của đại học Minnesota đã sáng tạo ra
"Gopher". Giống như Archie, Gopher đánh chỉ mục các tên tệp tin và tiêu
đề của nó. Hai chương trình "Veronica" và "Jughead" được tạo ra sau đó
tìm kiếm các tệp tin trong hệ thống chỉ mục của Gopher. Cả Archie,
Veronica đểu thiếu khả năng về ngữ nghĩa bởi vì chúng không chỉ mục vào
toàn văn bản mà chỉ tới tiêu đề của tài liệu. Điều đó có nghĩa người tìm
8
kiếm phải biết hoặc phải suy luận được tiêu đề của tài liệu mà người đó
đang tìm.
Khi Internet phát triển mạnh thì công cụ tìm kiếm cũng phải được nâng
lên tương xứng. Máy dò hay robot đã giải quyết được vấn đề này. Máy dò
là một loại robot tự động lập chỉ mục cho các trang web, nó chạy khắp trên
mạng một cách hệ thống để thu thập các trang web và khi các trang web
xuất hiện ngày một nhiều thì nó cũng tự động điền thêm vào hệ thống dò
tìm. Máy dò tìm đầu tiên được tạo ra bởi Matthew Gray, một sinh viên
trường MIT vào năm 1993 có tên là World Wide Web Wanderer. Do băng
thông nhỏ và hiếm thời ấy, nên Gray phải ngắt bỏ nhện web (crawler), cài
đặt nó bằng thuật toán theo chiều ngang để mở rộng nhiều trang trước khi
tìm kiếm. Quy trình này hiệu quả hơn và hiện vẫn còn đang được sử dụng
ngày nay.
Máy dò sớm bị các công cụ mạnh hơn thay thế. Một trong những công cụ
đầu tiên đó là webcrawler được một nhà nghiên cứu thuộc đại học
Washington tên là Brain Pinkerton phát triển. Webcrawler đã đóng vai trò
quan trọng trong cuộc cách mạng về tìm kiếm vì đây là chương trình đầu
tiên chỉ mục toàn văn tài liệu trên trang web tìm được.
Năm 1993, Excite được giới thiệu bởi 6 sinh viên trướng đại học Stanford.
Hệ thống này sử dụng sự phân tích thống kê mối quan hệ từ để trợ giúp cho
quá trình search. Chỉ sau 1 năm, Excite đã được tích hợp và đưa lên online
vào tháng 12 năm 1995 và đến nay vẫn là một phần của công ty AskJeeves.
Jerry Yang and David Filo đã tạo ra Yahoo vào năm 1994, khởi đầu như
một danh sách các website yêu thích có đường dẫn URL và mô tả nội dung
trang. Trong vòng 2 năm sau đó, công ty Yahoo ra đời.
Lycos cũng được giới thiệu vào năm 1994. Đây là một search engine lớn,
đã index được hơn 60 triệu documents vào năm 1996 – lượng dữ liệu lớn
nhất trong tất cả các search engine thời kỳ đó.
Năm 1995 Alta Vista ra đời. Đây là search engine đầu tiên cho phép sử
dụng các truy vấn là ngôn ngữ tự nhiên và có công nghệ tìm kiếm ưu việt.
Người ta nói rằng tạo ra Altavista.com là một kỳ tích. Tập đoàn Digital
9
Equipment Corp (DEC) khi đó vừa ra mắt bộ xử lý Alpha siêu tốc và tìm
cách chứng minh sức mạnh của bộ xử lý này. Louis Moninter, một nhà
nghiên cứu thuộc Trung tâm Western của DEC tại Palo Alto, bang
California đã đề xuất xây dựng một công cụ tìm kiếm có thể tải toàn bộ
mạng Internet (cơ sở dữ liệu dung lượng lớn) xuống máy tính tích hợp bộ
xử lý Alpha, sau đó tạo ra một chương trình có thể ứng dụng tốc độ xử lý
của Alpha (đó là máy tìm kiếm). Altavista ra đời từ đó. Mặc dù thất bại sau
này nhưng Alta vista vẫn thực sự ấn tượng do một vài lý do. So với hiện
nay, Alta vista là một Google thời bấy giờ.
Inktomi được khởi đầu vào năm 1996 tại UC Berkeley. Vào tháng 6
năm1999, Inktomi giới thiệu một directory search engine dựa trên công
nghệ "concept induction". Theo như giới thiệu của công ty này thì "concept
induction" có khả năng tiến hành phân tích thói quen của người sử dụng để
đưa ra các trang gợi ý. Inktomi được bán cho Yahoo vào năm 2003.
Năm 1997 Google ra mắt như một dự án nghiên cứu tại trường Đại học
Stanford bởi hai nhà sáng lập Sergey Brin và Larry Page. Máy tìm kiếm
Google mang đến một sự nổi bật với những kết quả tốt hơn cho rất nhiều sự
tìm kiếm. Sự cách tân này, chính là PageRank. Giải thuật này, xắp xếp các
trang web dựa trên số lượng và PageRank của các các trang web khác liên
kết đến trang này. Giải thuật này dựa trên giải thuyết những trang tốt hoặc
trang được quan tâm có nhiều sự liên kết tới hơn những trang khác.
Năm 2000, Yahoo đã cung cấp dịch vụ tìm kiếm dựa trên máy tìm kiếm
của Inktomi. Yahoo đã mua được Inktomi vào năm 2002 và Overture
(chính là AlltheWeb và AltaVista) vào năm 2003. Yahoo đã chuyển sang
máy tìm kiếm Google đến tận năm 2004, khi mà Yahoo triển khai máy tìm
kiếm của mình dựa trên những công nghệ tập hợp được.
Microsoft cũng triển khai MSN Search vào năm 1998 sử dụng kết quả tìm
kiếm của Inktomi. Vào đầu năm 1999, trang web này bắt đầu hiển thị kết
quả tìm kiếm từ Looksmart lẫn kết quả Inktomi ngoại trừ khoảng thời gian
ngắn trong năm 1999 khi kết quả từ Alta Vista được sử dụng để thay thế.
Hiện nay, Google đang là máy tìm kiếm phổ biến nhất. Ở mỗi quốc gia,
đối với thị trường trong nước, đều có các công ty cạnh tranh máy tìm kiếm
10
với Google. Trong đó, một thành công vang dội phải kể đến Baidu, một
máy tìm kiếm phổ biến nhất ở Trung Quốc.
1.3. Tình hình nghiên cứu, ứng dụng máy tìm kiếm tại Việt Nam
1.3.1 Tình hình nghiên cứu
Nghiên cứu máy tìm kiếm bắt đầu ở Việt Nam từ năm 1997. Bắt đầu với
sự xuất hiện Vinaseek(2000) của công ty Tinh Vân và Netnam(2001) của
Viện công nghệ thông tin. Cả hai đều đã gây ra tiếng vang lớn thời bấy giờ.
Đến nay, có rất nhiều các công trình nghiên cứu về máy tìm kiếm. Sau
đây, chúng tôi đưa ra ba hướng nghiên cứu đáng chú ý hiện nay của các
trường đại học trên cả nước.
Tìm kiếm tài liệu, dữ liệu dựa trên Ontology của trường ĐH Công Nghệ
và ĐH Bách Khoa Hà Nội . Trong đó, một Ontology là một mô hình dữ liệu
biểu diễn một lĩnh vực và được sử dụng để suy luận về các đối tượng trong
lĩnh vực đó và mối quan hệ giữa chúng. Trong hệ hống tìm kiếm này, có
hai module: module sinh cá thể từ tập dữ liệu huấn luyện, module suy diễn.
Cả hai module này nhằm đưa về kết quả chứa các tri thức tốt hơn các
phương pháp tìm kiếm thông thường.
Nghiên cứu xây dựng máy tìm kiếm của trường ĐH Bách Khoa TPHCM,
có hai hướng. Đầu tiên, máy tìm kiếm liên hợp (meta search engine), không
giống như máy tìm kiếm thông thường, nó gửi câu truy vấn tới các máy tìm
kiếm khác (tạm gọi là máy tìm kiếm nguồn) như Google, Yahoo và sau đó
xử lý kết quả trả về từ các máy tìm kiếm này trước khi trả ra kết quả cho
người dùng. Máy tìm kiếm liên hợp chủ yếu tập trung vào phát triển các
thuật toán xử lý kết quả từ các máy tìm kiếm khác. Các thuật toán xử lí
thông thường gồm có gom cụm (clustering) để loại bỏ trùng lắp (duplicate
elimination), và phân tích ngữ nghĩa (semantic analysis) để có thể cho kết
quả gần với yêu cầu của người dùng nhất. Bạn có thê tham khảo phần mềm
tại trang web này www.ahhere.com .
Thứ hai, máy tìm kiếm video . Đặc điểm thứ nhất, đó là hướng tới mức
high-level features (còn được gọi là concept). Mức này cho kết quả tốt hơn
mức low-level features (color, shape, texture) - một mức mà rất nhiều các
11
máy tìm kiếm video, ảnh sử dụng. Concept ở đây dùng để chỉ tìm kiếm ở
mức ngữ nghĩa, ví dụ bạn gõ vào airplane thì sẽ tìm được các shot có liên
quan đến airplane. Đặc điểm thứ hai, đó là sự hỗ trợ person search. Nghĩa là
người dùng đưa vào tên, và hệ thống sẽ trả về các video shots có nhân vật
đó xuất hiện. Đặc điểm ba, đó là hỗ trợ exploratory search. Nghĩa là cho
phép những người dùng chưa có ý định tìm kiếm gì cụ thể trong đầu, "thám
hiểm" xem trong video archives có cái gì.
Hướng nghiên cứu cuối cùng, đó là chỉ mục ngữ nghĩa tiềm ẩn (Latent
Semantic Indexing-LSI), được thiết kế để giải quyết vấn đề đồng nghĩa và
các vấn đề đa nghĩa của từ ngữ. LSI dùng kỹ thuật phân tích giá trị riêng
(SVD-singular value decomposition) để giảm bớt kích thước ma trận thuật
ngữ-tài liệu, không gian N-chiều sẽ được giảm bớt xuống một không gian
K chiều, K< 10000) và một số bit thích hợp được cài đặt đối với từng
thuật ngữ . Tương phản, nếu IL được truy cập theo độ dài tăng lên và từ
vựng của CSDL được điều khiển trong bộ nhớ chính thì một IF yêu cầu
truy cập đĩa tổng cộng không nhiều hơn so với một SF, ngoại trừ một ít
trường hợp không hợp lý. Hơn nữa, các thao tác SF trở nên phức tạp nếu
phép tuyển và phép phủ định được cho phép, SF không thể được sử dụng để
19
trợ giúp các truy vấn xếp hạng. SF có thể đặc biệt tai hại khi độ dài bản ghi
có thể thay đổi nhiều.
Những hạn chế trên đa tạo ra một luận cứ đầy đủ ủng hộ IF nén đối với
các ứng dụng bao gồm CSDL văn bản.
2.2 Tiến trình tìm kiếm thông tin (Searching)
Tìm kiếm thông tin là tìm kiếm các tài liệu mà thoả mãn câu truy vấn
(query). Câu truy vấn có thể gồm rất nhiều từ khoá và các từ khoá được kết
hợp với nhau nhờ các toán tử logic. Các từ khoá chỉ chứa các kí tự alphabet
hoặc các chữ số. Các từ phải được cách ra bằng khoảng trắng. Dấu chấm
câu, chấm phẩy, gạch ngang..v.v.. được coi như khoảng trắng và do dó bị
xem như không có.
Ví dụ ta có câu truy vấn sau:
Argo-forestry in the Pacific Islands: Systems for Sustainability 1993
Tuỳ vào từng hệ thống, có thể đầu tiên query sẽ được lowercase, sau đó sẽ
được loại bỏ các từ stopword và hệ thống sẽ tìm những tài liệu nào chứa
một trong số những từ dưới đây.
Câu truy vấn sau khi biến đổi:
argo forestry pacific islands systems sustainability 1993
Bạn cũng có thể dùng dấu ngoặc kép để tìm những tài liệu chứa cả cụm từ
trên. Vừa rồi các bạn nhìn thấy phép “or” còn đối với phép “and” các bạn
dùng “AND” giữa các từ khoá. Và phép “not” bạn dùng “AND NOT”
trước các từ khoá. Đối với mỗi máy tìm kiếm khác nhau, sự quy định các
dấu thay thế cho các toán tử này cũng khác nhau.
Ngoài chiến lược tìm chính xác theo từ khoá, các search engine còn cố
gắng ‘hiểu‘ ý nghĩa thực sự của câu hỏi thông qua những câu chữ do người
dùng cung cấp. Điều này được thể hiện qua chức năng sửa lỗi chính tả, tìm
cả những hình thức biến đổi khác nhau của một từ. Ví dụ : search engine sẽ tìm
những từ như speaker, speaking, spoke khi người dùng nhập vào từ speak.
20
- Xem thêm -