Tài liệu ứng dụng tập thô vào tìm kiếm web

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Trần Ngọc Hà ỨNG DỤNG TẬP THÔ VÀO TÌM KIẾM WEB LUẬN VĂN THẠC SĨ Hà Nội 2010 Mục lục MỞ ĐẦU ........................................................................................................... 6 Danh sách bảng biểu .......................................................................................... 4 Danh sách hình vẽ .............................................................................................. 5 Chương 1: GIỚI THIỆU TỔNG QUAN ........................................................... 9 1.1. Lý do chọn đề tài .....................................................................................9 1.2. Phạm vi công việc ................................................................................. 10 1.3. Cấu trúc luận văn ................................................................................... 10 Chương 2: MÁY TÌM KIẾM WEB .................................................................12 2.1. Khái niệm .............................................................................................. 12 2.2. Cấu trúc máy tìm kiếm web ................................................................... 13 2.3. Biểu diễn kết quả tìm kiếm .................................................................... 15 2.4. Đánh giá chất lượng tìm kiếm ................................................................ 17 Chương 3: PHÂN CỤM TÀI LIỆU VÀ VẤN ĐỀ TÁCH TỪ TIẾNG VIỆT ...19 3.1. Phân cụm ............................................................................................... 19 3.1.1.Khái niệm ............................................................................................. 19 3.1.2.Ứng dụng của phân cụm tài liệu trong thu thập và tổ chức thông tin ..... 20 3.2. Mô hình không gian vector và trình bày văn bản ................................... 21 3.2.1.Các kỹ thuật tiền xử lý tài liệu ............................................................... 22 3.2.2.Bảng trọng số ....................................................................................... 23 3.2.3.Độ đo tương tự ...................................................................................... 26 3.2.4.Biểu diễn cụm ....................................................................................... 27 3.3. Các giải thuật phân cụm ........................................................................ 27 3.3.1.Phương pháp phân cụm phân cấp .......................................................... 28 3.3.2.Phương pháp phân cụm phân hoạch ...................................................... 29 3.3.3.Thuật toán phân cụm bán giám sát Seeded - KMeans............................ 30 3.3.4.Tiêu chuẩn sự tối ưu ........................................................................ 32 3.3.5.Gán cứng và gán mềm........................................................................... 33 3.4. Các bước thực hiện phân cụm ................................................................ 34 3.5. Đánh giá kết quả phân cụm .................................................................... 34 3.6. Phân cụm kết quả tìm kiếm web ..................................................... 34 3.7. Các phương pháp tách từ tiếng Việt ....................................................... 35 3.7.1.Đặc điểm từ trong tiếng Việt ................................................................. 35 3.7.2.Phương pháp so khớp cực đại ............................................................... 36 3.7.3.Phương pháp học cải biến ..................................................................... 37 3.7.4.Mô hình tách từ bằng WFST và mạng Neural ....................................... 37 3.7.5.Phương pháp tách tách từ tiếng Việt dựa trên thống kê từ Internet và thuật giải di truyền ................................................................................................. 38 Chương 4: LÝ THUYẾT TẬP THÔ ............................................................. 39 4.1. Giới thiệu .............................................................................................. 39 4.2. Hệ thông tin ........................................................................................... 40 4.3. Quan hệ bất khả phân biệt...................................................................... 42 4.3.1.Quan hệ tương đương - Lớp tương đương ............................................. 43 4.4. Xấp xỉ tập hợp ....................................................................................... 44 4.5. Hàm thuộc thô ....................................................................................... 50 4.6. Mô hình tập thô dung sai ....................................................................... 52 4.6.1.Không gian dung sai các từ chỉ mục ...................................................... 53 4.6.2.Nâng cao chất lượng biểu diễn tài liệu .................................................. 55 4.6.3.Mở rộng lược đồ trọng số cho xấp xỉ trên.............................................. 55 Chương 5: ÁP DỤNG LÝ THUYẾT TẬP THÔ VÀO PHÂN CỤM KẾT QUẢ TÌM KIẾM WEB ..............................................................................................57 5.1. Vấn đề phân cụm kết quả tìm kiếm web ................................................ 57 5.2. Các thuật toán phân cụm tài liệu dựa trên TRSM .................................. 58 5.2.1.Biểu diễn cụm .................................................................................... 58 5.2.2.Thuật toán phân cụm không phân cấp dựa trên TRSM ............... 60 5.2.3.Thuật toán phân cụm phân cấp dựa trên TRSM .............................. 62 5.3. Thuật toán TRC .................................................................................. 62 5.3.1.Tiền xử lý ............................................................................................ 63 5.3.2.Xây dựng ma trận từ - tài liệu................................................................ 63 5.3.3.Tạo lớp dung sai.................................................................................... 64 5.3.4.Thuật toán phân cụm Seeded - KMeans cải tiến .................................... 68 Chương 6: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM ....................................71 6.1. Xác định yêu cầu ................................................................................... 71 6.2. Các thành phần của ứng dụng thử nghiệm ............................................. 71 6.3. Xây dựng các thành phần chức năng...................................................... 72 6.3.1.Trình thu thập nội dung web ................................................................. 72 6.3.2.Bộ tách từ tiếng Việt ............................................................................. 75 6.3.3.Bộ xử lý truy vấn .................................................................................. 76 6.3.4.Biểu diễn kết quả tìm kiếm web ............................................................ 76 6.4. Triển khai ứng dụng thử nghiệm ............................................................ 77 KẾT LUẬN ......................................................................................................84 Tài liệu tham khảo ............................................................................................86 Danh sách bảng biểu Bảng 3-1. Ví dụ bảng trọng số nhị phân của các tài liệu. ...................................24 Bảng 3-2. Ví dụ bảng trọng số của các tài liệu. .................................................24 Bảng 3-3. Ví dụ trọng số cho các tài liệu trong bảng 3-2. Trọng số của vector tài liệu được chuẩn hóa bằng độ dài của nó. ...........................................25 Bảng 3-4. Một số phép đo độ tương tự giữa hai vectơ tài liệu X, Y. Trong đó, xi, yi là trọng số thành phần thứ i của vectơ ...............................................26 Bảng 3-5. So sánh các đặc điểm khác nhau giữa tiếng Anh và tiếng Việt ..........36 Bảng 4-1. Một hệ thông tin đơn giản .................................................................41 Bảng 4-2. Một bảng quyết định đơn giản ..........................................................42 Bảng 4-3. Bảng quyết định dùng minh hoạ hàm thuộc thô ................................52 Bảng 4-4. Các lớp dung sai quan trọng của các từ được sinh ra từ 200 snippets trả về từ máy tìm kiếm Google với từ khóa “jaguar” và ngưỡng đồng xuất hiện  = 9 ..........................................................................................55 Danh sách hình vẽ Hình 2-1. Giao diện biểu diễn kết quả tìm kiếm Web của Google .....................12 Hình2-2. Cấu trúc bên trong của của máy tìm kiếm Web ..................................13 Hình 2-3. Cấu trúc dữ liệu inverted index .........................................................14 Hình 3-1. Mô tả phân cụm ................................................................................20 Hình 3-2. Tiến trình phân cụm tài liệu ..............................................................20 Hình 3-3. So sánh giữa phân cụm tài liệu và phân cụm kết quả tìm kiếm web. .35 Hình 4- 1. Hình ảnh minh họa các khái niệm của tập thô ..................................40 Hình 4-2. Xấp xỉ tập đối tượng trong Bảng 4-2 bằng các thuộc tính điều kiện Age và LEMS. Mỗi vùng được thể hiện kèm theo tập các lớp tương đương tương ứng. .........................................................................................46 Hình 5-1. Các bước của thật toán TRC. ............................................................62 Hình 5-2. Sơ đồ các bước thuật toán tạo lớp dung sai .......................................65 Hình 6-1. Qui trình thu thập nội dung web ........................................................73 Hình 6-2. Nhận dạng tiêu đề bài viết bằng addon Firebug trên trình duyệt Firefox. ..........................................................................................................74 Hình 6-3. Giao diện quản trị các mẫu nhận dạng...............................................75 Hình 6-4. Website http://doctinnhanh.net. .........................................................78 Hình 6-5. Giao diện biểu diễn kết quả tìm kiếm chia theo chủ đề......................81 Hình 6-6. Website Bách khoa toàn thư văn hóa Việt .........................................83 MỞ ĐẦU Những năm gần đây trên thế giới nói chung và ở Việt Nam nói riêng, đi cùng với sự phát triển của công nghệ web 2.0, các hệ thống wiki và các mạng xã hội đang có những sự phát triển nhảy vọt cả về số lượng và chất lượng. Có thể nói chưa có bao giờ việc đưa thông tin lên mạng lại dễ dàng như giai đoạn hiện nay. Bất cứ cá nhân nào tham gia vào cộng đồng mạng cũng có thể đóng góp những bài viết vào kho thông tin khổng lồ của nhân loại. Chính vì sự phát triển đó mà hầu như bất cứ vấn đề gì mà ta quan tâm đều có thể sử dụng các bộ máy tìm kiếm để tìm kiếm trên Internet. Tuy nhiên việc khai thác các thông tin cần thiết trong một kho dữ liệu khổng lồ sao cho tiện lợi và chuẩn xác cũng là một vấn đề cần phải giải quyết. Hiện nay khai thác và tìm kiếm thông tin trên Internet là vấn đề được rất nhiều nhà nghiên cứu quan tâm. Trong khi khối lượng thông tin trên Web khổng lồ, mà câu hỏi truy vấn của người sử dụng thường ít chính xác, nên số kết quả trả về từ các máy tìm kiếm có thể lên đến hàng trăm hay hàng ngàn tài liệu. Do đó, tìm được chính xác tài liệu mình quan tâm là khó và tốn nhiều thời gian. Thực nghiệm cho thấy, nếu nội dung được chia thành các nhóm chủ đề sẽ giúp người dùng nhanh chóng tìm được kết quả mình cần. Vì vậy, một trong những cách tiếp cận để giải quyết vấn đề khai thác hiệu quả các kết quả từ các máy tìm kiếm thông tin là sử dụng kĩ thuật phân cụm kết quả tìm kiếm theo chủ đề tạo nên cách biểu diễn kết quả tìm kiếm Web cô đọng và rõ ràng. Đây là một vấn đề nhận được sự quan tâm của rất nhiều tác giả, họ đã đề ra nhiều cách tiếp cận khác nhau để giải quyết bài toán này. Trong đề tài này chúng tôi sẽ áp dụng lý thuyết tập thô vào phân cụm kết quả tìm kiếm Web tiếng Việt. Cách tiếp cận của chúng tôi là sử dụng mô hình tập thô dung sai để tăng chất lượng việc biểu diễn các tài liệu và các cụm từ đó làm tăng hiệu quả việc phân cụm; đồng thời chúng tôi sử dụng phương pháp phân cụm bán giám sát Seeded - KMeans để phân cụm và xác định chủ đề tài liệu. Mục tiêu của đề tài là xây dựng thử nghiệm một công cụ tìm kiếm web tiếng Việt có khả năng phân cụm các tài liệu vào các chủ đề khác nhau giúp người dùng có thể nhanh chóng tìm được kết quả mình cần nhờ cách biểu diễn kết quả tìm kiếm rõ ràng và cô đọng. Với mục tiêu đó, sau quá trình làm việc, chúng tôi đã xây dựng được một công cụ tìm kiếm web tiếng Việt gồm các thành phần chính sau:  Trình thu thập web tiếng Việt, trình thu thập này có đặc điểm nổi bật là có khả năng phân tích cấu trúc các trang web này thành các phần như tiêu đề, tóm tắt bài viết, nội dung bài viết,… nhờ các mẫu nhận dạng cấu trúc do người dùng đưa vào.  Thành phần thứ 2 được sử dụng để phân tích các trang web thành các từ tiếng Việt và biểu diễn các tài liệu thu thập được dưới dạng vector tài liệu trong không gian vector.  Thành phần thứ 3 là thành phần xử lý các truy vấn của người dùng và trả về các kết quả tìm kiếm thỏa mãn truy vấn của người dùng.  Thành phần thứ 4 là biểu diễn kết quả tìm kiếm web, mục tiêu xây dựng thành phần này là thể hiện được kết quả tìm kiếm web một cách rõ ràng và cô đọng bằng cách gán chúng vào các chủ đề tạo thuận lợi cho người sử dụng trong việc tìm kiếm thông tin. Vì vậy chúng tôi áp dụng mô hình tập thô dung sai và thuật toán phân cụm bán giám sát Seeded – Kmeans để phân cụm các kết quả tìm kiếm web. Các kết quả tìm kiếm sẽ được phân thành các chủ đề khác nhau có nhãn được định sẵn dựa trên các mẫu tài liệu đã được gán nhãn. Mặc dù bản thân đã nỗ lực cố gắng, cùng sự giúp đỡ của các đồng nghiệp và đặc biệt là sự hướng dẫn chỉ bảo tận tình của PGS. TS Hoàng Xuân Huấn, nhưng vì thời gian có hạn nên đề tài không tránh khỏi những thiếu sót, rất mong nhận được sự đóng góp ý kiến của các chuyên gia, bạn bè và đồng nghiệp. Qua đây, tôi xin gửi lời cảm ơn sâu sắc nhất tới PGS. TS Hoàng Xuân Huấn, đã tận tình hướng dẫn cho tôi những định hướng và những ý kiến rất quý báu trong suốt quá trình thực hiện luận văn này. Tôi xin chân thành cảm ơn các thầy, cô giáo trong Bộ môn Truyền dữ liệu và Mạng máy tính, Khoa Công nghệ thông tin, trường Đại học Công nghệ - Đại học Quốc gia Hà Nội đã tạo mọi điều kiện tốt nhất để tôi hoàn thành khóa học này. Đồng thời, tôi cũng xin cảm ơn gia đình, bạn bè, những người luôn khuyến khích và giúp đỡ tôi trong mọi hoàn cảnh khó khăn. Tôi xin cảm ơn cơ quan và các đồng nghiệp đã hết sức tạo điều kiện cho tôi trong suốt quá trình học tập và làm luận văn này. Chương 1: GIỚI THIỆU TỔNG QUAN 1.1. Lý do chọn đề tài Sự phát triển không ngừng của Word Wide Web (WWW) trong giai đoạn hiện nay đã mang lại cho loài người một nguồn thông tin khổng lồ. Hầu như các thông tin về mọi lĩnh vực của cuộc sống đều có thể tìm thấy trên Web. Cùng với sự bùng nổ thông tin đó, các công cụ tìm kiếm web cũng không ngừng phát triển để phục vụ cho nhu cầu tìm kiếm thông tin của con người. Hiện nay có rất nhiều công cụ tìm kiếm web mạnh giúp chúng ta tìm kiếm thông tin nhanh chóng như Google, Yahoo, Answer, Altavista, … Đặc điểm của các công cụ tìm kiếm này là thực hiện việc tìm kiếm dựa trên phương pháp xếp hạng tài liệu (Document Ranking) và biểu diễn kết quả tìm kiếm theo thứ tự hạng xuất hiện. Với sự bùng nổ thông tin như hiện nay, mặc dù các công cụ tìm kiếm có nhiều cải tiến nhưng cách tiếp cận này có một số hạn chế như dưới đây: Do sự bùng nổ của thông tin trên WWW, và tính chất động của các trang web nên máy tìm kiếm không thể thực hiện tính hạng được cho tất cả các tài liệu mà chỉ có thể tính hạng cho một phần các tài liệu. Khi có ý định tìm thông tin trên WWW, trong suy nghĩ của người dùng hình thành khái niệm về cái họ cần tìm, khái niệm này được chuyển thành một tập các từ khóa và được sử dụng để đặt câu hỏi truy vấn. Tuy nhiên do kinh nghiệm sử dụng hạn chế, các từ khóa người dùng nhập thường ngắn và cho các kết quả tìm kiếm là chung chung, có thể lên đến hàng trăm hoặc hàng ngàn kết quả. Trong khi đó người sử dụng lại chỉ có thói quen xem kết quả trên trang đầu tiên và ít người duyệt đến các trang sau, do đó bỏ qua một số kết quả tìm kiếm cần thiết nhất. Với các lý do trên ta thấy phát triển giao diện tương tác thông minh giữa người và máy, hỗ trợ người sử dụng trong việc tìm kiếm thông tin là việc làm cần thiết. Đây là một trong những vấn đề được nhiều nhà nghiên cứu quan tâm. Mặc dù đã có một số nghiên cứu thành công trong lĩnh vực này, nhưng đa phần chúng chỉ xử lý tốt trên tiếng Anh, nên trong luận văn này, chúng tôi mạnh dạn áp dụng tập thô vào việc xây dựng thử nghiệm một công cụ tìm kiếm web cho phép người dùng tìm kiếm theo chủ đề và giải quyết tốt các đặc thù của tiếng Việt. 1.2. Phạm vi công việc Để đạt được mục đích đã đề ra, chúng tôi sẽ phải thực hiện những công việc sau: Tìm hiểu các thành phần và việc xây dựng một hệ thống Search Engine. Áp dụng vào xây dựng một hệ thống tìm kiếm thông tin tiếng Việt. Tìm hiểu các thuật toán phân cụm tài liệu để áp dụng vào việc phân cụm các kết quả tìm kiếm web. Tìm hiểu các đặc điểm của tiếng Việt và các phương pháp tách từ tiếng Việt, áp dụng các thuật phương pháp trên để phân tích các trang web tiếng Việt thành các từ phục vụ cho việc mô hình hóa tài liệu và biểu diễn các đặc trưng của cụm. Nghiên cứu lý thuyết tập thô đặc biệt là mô hình tập thô dung sai, từ đó áp dụng mô hình tập thô dung sai để cải tiến thuật toán Seeded - KMeans sử dụng cho việc phân cụm kết quả tìm kiếm web nhằm tối ưu hóa kết quả trả về của quá trình tìm kiếm web. 1.3. Cấu trúc luận văn Với phạm vi công việc cần thực hiện như trên, cấu trúc của đề tài được tổ chức như sau: Chương 1: Giới thiệu tổng quan. Chương 2: Trình bày kiến thức tổng quan về máy tìm kiếm Web. Chương 3: Trình bày các kiến thức về phân cụm tài liệu và vấn đề tách từ Tiếng Việt. Chương 4: Trình bày tổng quan về lý thuyết tập thô và mô hình tập thô dung sai. Chương 5: Trình bày cách áp dụng lý thuyết tập thô vào việc phân cụm kết quả tìm kiếm Web. Chương 6: Trình bày kết quả thử nghiệm của luận văn. Và phần cuối cùng là kết luận của luận văn Chương 2: MÁY TÌM KIẾM WEB 2.1. Khái niệm Máy tìm kiếm Web là một công cụ giúp người sử dụng tìm kiếm thông tin trên mạng một cách nhanh chóng và đầy đủ. Máy tìm kiếm web tương tác với người sử dụng thông qua một giao diện khá đơn giản và thân thiện. Người sử dụng chỉ cần đặt câu hỏi truy vấn về vấn đề quan tâm, máy tìm kiếm web ngay lập tức sẽ trả về tập kết quả tìm kiếm (snippets). Thông thường, mỗi kết quả tìm kiếm bao gồm tựa đề, địa chỉ của tài liệu và miêu tả ngắn gọn nội dung chính tài liệu. Ngoài ra một số máy tìm kiếm web còn cho phép người dùng xem nội dung của tài liệu được lưu lại trên máy chủ của dịch vụ tìm kiếm. Tên tài liệu Tóm tắt nội dung Snippet URL của tài liệu Hình 2-1. Giao diện biểu diễn kết quả tìm kiếm Web của Google 2.2. Cấu trúc máy tìm kiếm web Cấu trúc của máy tìm kiếm web được thể hiện trong hình 2-2 Hình2- 2. Cấu trúc bên trong của của máy tìm kiếm Web Trình thu thập web (Web Crawler) Web Crawler hay còn được gọi là Web Spider là một trong hai thành phần tương tác trực tiếp với WWW. WWW là một tập hợp các tài liệu được liên kết với nhau bởi các siêu liên kết, web crawler có nhiệm vụ là phát hiện các trang mới trên WWW bằng cách thu thập các siêu liên kết từ các trang tài liệu. Quá trình này được thực hiện đệ qui để thăm dò hầu hết các trang web trên Internet. Trong quá trình này web crawler sẽ phải sử dụng một số kỹ thuật để tránh không bị lấy thông tin trùng lặp. Web crawler vừa thu thập các trang web mới nhưng cũng đồng thời kiểm tra lại những siêu liên kết đã không còn tồn tại trên WWW để loại chúng khỏi các kết quả tìm kiếm. Chỉ mục tài liệu (Document Index) Thành phần lập chỉ mục tài liệu thực hiện chức năng xây dựng bảng chỉ số tài liệu hỗ trợ công việc tìm kiếm. Thông thường, các hệ thống tìm kiếm thông tin thực hiện việc tìm kiếm các tài liệu hoặc dựa trên phương pháp lựa chọn tài liệu có chứa các từ trong câu hỏi truy vấn, hoặc dựa trên phương pháp xếp hạng tài liệu (Document Ranking) liên quan đến câu hỏi truy vấn. Do đó hầu hết các máy tìm kiếm đều sử dụng biến dữ liệu có cấu trúc chỉ mục ngược (inverted index) để hỗ trợ thực hiện công việc này. Inverted index có cấu trúc giống như bảng mục lục ở phần cuối của cuốn sách – tương ứng với mỗi một từ là một danh sách liên kết chứa địa chỉ các trang trong đó nó xuất hiện (hình 2-3). Với kiểu lưu trữ này nó có khả năng giúp máy tìm kiếm xác định đúng các tài liệu liên quan đến câu hỏi truy vấn một cách nhanh chóng. Hình 2-3. Cấu trúc dữ liệu inverted index Lưu trữ tài liệu (Document Cache) Hiện nay có nhiều máy tìm kiếm vừa lưu trữ bảng chỉ số tài liệu như ở phần trên, vừa lưu trữ tài liệu gốc. Ví dụ như trong Google, bảng chỉ số tài liệu gốc được sử dụng để tạo các snippet và phục vụ cho việc lưu trữ các phiên bản của tài liệu. Tính hạng tài liệu (Document Ranking) World Wide Web càng ngày càng phát triển do vậy lượng thông tin ngày càng lớn, số kết quả tìm kiếm với một từ khóa bất kỳ đều rất lớn, ngay cả với những câu hỏi truy vấn hoàn thiện và chính xác, số kết quả tìm kiếm vẫn có thể lên đến hàng ngàn hoặc hàng triệu. Chính vì vậy cần có module tính hạng tài liệu để xác định được tài liệu nào có độ liên quan đến các từ khóa mà người dùng tìm kiếm nhất. Xử lí truy vấn Xử lí truy vấn là thành phần có nhiệm vụ phân tích cú pháp tìm kiếm của người dùng thông qua các toán tử và cú pháp được định nghĩa sẵn, sau đó bộ xử lí truy vấn kết hợp với bảng chỉ số tài liệu, các tài liệu được lưu trữ, và thành phần tính hạng tài liệu để đưa ra tập kết quả tìm kiếm thỏa mãn cú pháp tìm kiếm của người dùng. Kết quả của quá trình này được đưa đến người sử dụng thông qua giao diện biểu diễn kết quả của máy tìm kiếm. Giao diện biểu diễn kết quả Giao diện biểu diễn kết quả tìm kiếm là thành phần quan trọng trong máy tìm kiếm và trực tiếp tương tác với người sử dụng. Do vậy giao diện biểu diễn kết quả tìm kiếm là yếu tố đầu tiên được xem xét khi đánh giá chất lượng của một chương trình tìm kiếm, nó có vai trò vô cùng quan trọng và có ảnh hưởng rất lớn đến toàn bộ chất lượng của máy tìm kiếm. Google được yêu thích và được đa số người dùng sử dụng khi tìm kiếm thông tin là nhờ có một giao diện đơn giản nhưng lại dễ sử dụng. 2.3. Biểu diễn kết quả tìm kiếm Giao diện của máy tìm kiếm đóng vai trò vô cùng quan trọng trong việc tìm kiếm thông tin của người dùng, giao diện tìm kiếm được thiết kế tốt sẽ giúp người dùng nhanh chóng tìm được kết quả tìm kiếm mình mong muốn. Hầu hết các máy tìm kiếm hiện nay đều thực hiện việc tìm kiếm dựa trên phương pháp tính hạng tài liệu và biểu diễn kết quả tìm kiếm theo thứ tự hạng xuất hiện. Tuy nhiên hiện nay WWW đang phát triển với tốc độ rất nhanh, lượng thông tin trên mạng ngày càng lớn vì thế số lượng kết quả tìm kiếm có thể lên đến hàng ngàn tài liệu, nên người sử dụng không đủ thời gian và kiên nhẫn đọc toàn bộ lượng tài liệu này để xác định các tài liệu cần thiết. Do vậy cách biểu diễn này có nhiều hạn chế. Thực tế cho thấy khi tìm kiếm thông tin, nếu biết được tài liệu mình tìm kiếm thuộc chủ đề nào thì người sử dụng sẽ nhanh chóng tiếp cận được với tài liệu cần tìm. Chính vì vậy để nâng cao hiệu quả trong việc tìm kiếm, ta nên biểu diễn kết quả tìm kiếm Web theo nhóm chủ đề vì nó có những ưu điểm sau:  Tên chủ đề giúp người sử dụng phát hiện được các chủ đề chính của tập kết quả trả về và do đó có thể xác định nhanh chóng tài liệu cần tìm.  Phân chia tập kết quả theo chủ đề còn giúp người sử dụng có thể nghiên cứu thêm các tài liệu liên quan đến những chủ đề khác mà nó thường bị bỏ qua khi duyệt kết quả tìm kiếm theo thứ tự hạng xuất hiện, vì những kết quả này thường nằm ở các trang sau và thường bị người dùng bỏ qua. Khi người dùng tìm kiếm, tập kết quả phụ thuộc vào câu hỏi truy vấn mà người dùng đưa ra, do đó không thể biết trước bất kỳ thông tin nào về các chủ đề chứa trong tập kết quả này. Đây là một trong những khó khăn lớn để xây dựng các công cụ tìm kiếm web theo chủ đề. Để giải quyết vấn đề này một trong các giải pháp được đề xuất là sử dụng phương pháp phân cụm tài liệu. Phân cụm tài liệu thực hiện nhóm các kết quả tìm kiếm theo chủ đề và tạo ra mô tả nội dung của mỗi nhóm; người sử dụng chỉ cần quan sát tóm tắt nội dung các nhóm là dễ dàng định vị được vùng tài liệu mà mình quan tâm. 2.4. Đánh giá chất lượng tìm kiếm Để đánh giá chất lượng tìm kiếm của một máy tìm kiếm, hai độ đo chuẩn thường được sử dụng để đánh giá là độ chính xác (precision) và độ hồi cứu (recall). Giả sử, ta có tập các câu truy vấn Q, tập các văn bản D, với mỗi câu truy vấn q  Q ta có: + Tập các văn bản trả về Rq  D + Tập các văn bản liên quan Dq (được chọn thủ công từ toàn bộ tập văn bản D), Dq  D Độ chính xác (precision) được định nghĩa là tỉ lệ giữa các văn bản liên quan được trả về với mọi văn bản trả về. precision  Dq  Rq Rq Độ chính xác biến thiên từ 0 đến 1, trường hợp xấu nhất nếu độ chính xác là 0 có nghĩa là không có văn bản liên quan nào được trả về, trường hợp tốt nhất nếu độ chính xác là 1 nghĩa là toàn bộ văn bản được trả về đều là các văn bản liên quan. Đây là trạng thái lý tưởng mà một hệ thống tìm kiếm cần đạt được, tuy nhiên có thể vẫn còn các văn bản liên quan mà không được trả về. Độ hồi cứu (recall) là độ đo biểu diễn tỉ lệ giữa các văn bản liên quan được trả về với mọi văn bản liên quan. recall  Dq  Rq Dq Trường hợp lý tưởng là recall = 1, tức là mọi văn bản liên quan đều được trả về, còn trường hợp xấu nhất là recall = 0, tức là không có văn bản liên quan nào được trả về. Độ độ chính xác và độ hồi cứu quyết định mối quan hệ giữa hai tập văn bản: tập văn bản liên quan (Dq) và tập văn bản trả về (Rq). Trong trường hợp lý tưởng thì độ chính xác và độ hồi cứu đều bằng 1 (tuy nhiên điều này không bao giờ xảy ra trong các hệ thống thực tế). Chương 3: PHÂN CỤM TÀI LIỆU VÀ VẤN ĐỀ TÁCH TỪ TIẾNG VIỆT 3.1. Phân cụm 3.1.1. Khái niệm Phân cụm dữ liệu là một kỹ thuật trong khai phá dữ liệu, nhằm tìm kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn được quan tâm trong tập dữ liệu lớn, từ đó cung cấp các thông tin hữu ích hỗ trợ cho việc ra quyết định. Kỹ thuật phân cụm đã được áp dụng thành công trong các ứng dụng thuộc lĩnh vực khai phá dữ liệu, thống kê hay lưu trữ thông tin. Giả sử ta có tập các đối tượng D={d1,d2,…,dn} và (di; dj) là độ tương tự giữa hai đối tượng di và dj. Phân cụm là quá trình chia tập đối tượng D vào K cụm C={c1,c2,…,ck} sao cho mỗi đối tượng đều thuộc về một cụm, các đối tượng trong cùng một cụm thì tương tự nhau, các phần tử thuộc các cụm khác nhau thì không tương tự nhau. Như vậy thực chất của phân cụm dữ liệu là quá trình phân chia một tập dữ liệu ban đầu thành các cụm riêng biệt sao cho các phần tử trong một cụm là tương tự nhau và các phần tử thuộc các cụm khác nhau sẽ không tương tự với nhau. Với đặc điểm trên, khi phân cụm số lượng phần tử của các cụm có thể khác nhau. Số các cụm dữ liệu có thể được xác định trước hay tự động xác định trong quá trình phân cụm.