i
LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số
liệu, kết quả nêu trong luận văn là trung thực. Nội dung luận văn có tham
khảo và sử dụng các tài liệu, thông tin được đăng tải trên các ấn phẩm, tạp chí
và các trang web trích dẫn theo danh mục tài liệu tham khảo của luận văn đã
nêu.
Huế, tháng 11 /2010
Tác giả: Nguyễn Thị Liệu
ii
LỜI CẢM ƠN
Đầu tiên em xin gửi lời cảm ơn chân thành tới các Thầy Cô trong khoa
CNTT, các Thầy Cô trong trường Đại Học Khoa Học Huế. Suốt thời gian học
tập, nghiên cứu ở trường và cụ thể là tại khoa CNTT em rất cảm kích trước
sự nhiệt tình chỉ bảo, dạy dỗ, truyền đạt nhiều kiến thức cho em và các anh
chị học viên. Qua đây em xin bày tỏ lòng biết ơn sâu sắc và lời cảm ơn chân
thành tới các Thầy Cô giáo.
Em xin bày tỏ lòng biết ơn đến Cô Hoàng Thị Lan Giao, người đã tận
tình hướng dẫn và giúp đỡ em trong thời gian thực hiện luận văn tốt nghiệp
này. Trong thời gian làm việc với Cô không những em học hỏi được nhiều
kiến thức chuyên ngành bổ ích mà còn học được tinh thần làm việc, thái độ
nghiên cứu khoa học nghiêm túc của Cô.
Em xin cảm ơn những người thân trong gia đình, tất cả các bạn bè anh
chị của em, các bạn, anh chị cùng lớp Cao học KHMT 2008 đã có những ý
kiến đóng góp và những lời động viên giúp em hoàn thành đề tài này.
Mặc dù đã cố gắng hoàn thiện luận văn nhưng chắc chắn không thể
tránh khỏi những thiếu sót. Một lần nữa, em xin chân thành cảm ơn và luôn
mong nhận được sự đóng góp quý báu của các Thầy Cô và tất cả mọi người.
Huế, tháng 11 /2010
Nguyễn Thị Liệu
iii
MỤC LỤC
LỜI CAM ĐOAN ........................................................................................... i
LỜI CẢM ƠN ................................................................................................ ii
MỤC LỤC .................................................................................................... iii
̉
DANH MỤC CÁC BANG ............................................................................. v
DANH MỤC CÁC HÌNH ẢNH .................................................................... vi
MỞ ĐẦU ....................................................................................................... 1
Chƣơng 1 - CÁC KHÁI NIỆM CƠ BẢN .................................................... 3
1.1. Hệ thống thông tin................................................................................ 3
1.1.1.
Hệ thống thông tin không đầy đủ................................................ 4
1.1.2.
Bảng quyết định ......................................................................... 5
1.2. Quan hệ không phân biệt được ........................................................... 6
1.3. Ma trận phân biệt được ....................................................................... 7
1.4. Xấp xỉ của tập ..................................................................................... 9
1.5. Tập rút gọn và Core ......................................................................... 13
Chƣơng 2 - MỘT SỐ PHƢƠNG PHÁP TÍNH CORE DỰA VÀO LÝ
THUYẾT TẬP THÔ .................................................................................. 16
2.1. Core trong hệ thống thông tin nhất quán ............................................ 16
2.1.1.
Phương pháp tính Core dựa vào các toán tử hệ cơ sở dữ liệu. ... 16
2.1.2.
Phương pháp tính Core dựa vào thông tin entropy .................... 19
2.2. Core trong hệ thống thông tin không nhất quán .................................. 31
2.2.1.
Phương pháp tính Core dựa vào ma trận phân biệt được .......... 31
2.2.2.
Phương pháp tính Core dựa vào miền khẳng định .................... 33
iv
2.3. Core dựa vào entropy thô trong hệ thống thông tin không đầy đủ ...... 44
2.3.1.
Tri thức và Entropy của tập thô ................................................ 44
2.3.2.
Ý nghĩa của thuộc tính đánh giá theo entropy thô ..................... 47
2.3.3.
Thuật toán tính Core dựa vào Entropy thô ................................ 48
Chƣơng 3 - CÀI ĐẶT CÁC THUẬT TOÁN............................................. 51
3.1. Thu thập mẫu dữ liệu ......................................................................... 51
3.2. Một số thủ tục, chương trình .............................................................. 52
3.3. So sánh các phương pháp tính Core ................................................... 57
KẾT LUẬN .................................................................................................. 60
TÀI LIỆU THAM KHẢO ............................................................................ 62
v
CÁC LOẠI DANH MỤC
DANH MỤC CÁC BẢNG
Số hiê ̣u bảng
Tên bảng
Trang
1.1
Hệ thống thông tin
4
1.2
Hệ thống thông tin không đầy đủ
5
1.3
Bảng quyết định
5
1.4
Hệ thống thông tin
7
1.5
Bảng quyết định
8
1.6
Ma trận phân biệt được
8
1.7
Hệ thống thông tin
9
1.8
Hệ thống thông tin
14
1.9
Bảng rút gọn thứ nhất
15
1.10
Bảng rút gọn thứ hai
15
2.1
Bảng quyết định
17
2.2
Bảng quyết định
19
2.3
Bảng quyết định
28
2.4
Bảng quyết định
30
2.5
Bảng quyết định
32
2.6
Ma trận phân biệt được
33
2.7
Bảng quyết định
34
2.8
Bảng quyết định
36
2.9
Ma trận phân biệt rút gọn
36
2.10
Bảng quyết định
42
2.11
Bảng hệ thống thông tin không đầy đủ
49
3.1
Bảng quyết định
58
vi
DANH MỤC CÁC HÌNH ẢNH
Số hiệu hình vẽ
Tên hình vẽ
Trang
1.1
Tập xấp xỉ
10
3.1
Bảng dữ liệu
51
3.2
Bảng dữ liệu
52
3.3
Giao diện chương trình
56
3.4
Giao diện chương trình
57
1
MỞ ĐẦU
1. Tính cấp thiết của đề tài
Trong khai phá dữ liệu, việc rút gọn thuộc tính trong hệ thống thông tin
nhằm loại đi những thuộc tính dư thừa, không cần thiết. Nói cách khác, chỉ
cần trên một tập thuộc tính rút gọn có thể có được thông tin của toàn hệ
thống. Tuy nhiên, đối với một hệ thống có thể có nhiều tập rút gọn khác nhau,
trong thực tế đôi khi một ứng dụng cụ thể chỉ cần một tập rút gọn phù hợp là
có thể có đầy đủ thông tin mong muốn.
Core được định nghĩa bằng giao của tất cả các tập rút gọn Core=
R.
RRe d
Điều này đòi hỏi phải biết được tất cả tập rút gọn thì mới tính được Core.
Do tất cả các thuộc tính trong Core đều có mặt ở bất kỳ tập rút gọn nào
và Core có thể được sử dụng hiệu quả trong việc tạo cây quyết định nhiều
biến. Vì vậy, vấn đề được đặt ra liệu có thể phát hiện Core một cách độc lập
trước khi tìm được tập rút gọn không? Nhiều nhà nghiên cứu đã nổ lực giải
quyết vấn đề này và đã có những thành công nhất định.
2. Mục đích của đề tài
Đề tài này được thực hiện với mục đích tìm hiểu, tổng hợp, so sánh một
số phương pháp tính Core khác nhau dựa vào lý thuyết tập thô. Đặc biệt, quan
tâm đến các phương pháp heuristic, nhằm tăng tốc độ tính toán, để từ đó có
thể rút ra được những phương pháp tính Core phù hợp với dữ liệu trong các
tình huống bài toán cụ thể trên thực tế.
3. Đối tƣợng và phạm vi nghiên cứu
Nghiên cứu lý thuyết tập thô và lý thuyết thông tin
2
Một số phương pháp tính Core trên hệ thống thông tin đầy đủ và hệ
thống thông tin không đầy đủ.
4. Phƣơng pháp nghiên cứu
Tìm hiểu, tổng hợp một số phương pháp tính Core dựa vào lý thuyết
tập thô. Cài đặt thử nghiệm một số phương pháp.
5. Ý nghĩa thực tiễn của đề tài
Trên thực tế, đã có rất nhiều nghiên cứu về phương pháp tính Core
khác nhau. Ví dụ: Hu đã trình bày thuật toán tính Core dựa trên ma trận phân
biệt được, Dongyi Ye đã đưa ra ma trận phân biệt được dựa trên miền khẳng
định và đã chứng minh rằng Core đã tính toán với thuật toán được thiết kế
bằng ma trận phân biệt được là nhất quán với Core đã được tính toán dựa trên
miền khẳng định… Đề tài này nhằm tìm hiểu, tổng hợp một số phương pháp
tính Core có đánh giá độ phức tạp của từng phương pháp.
6. Cấu trúc của luận văn
Luận văn gồm 3 chương, được tổ chức như sau:
Chương 1: Nêu một số khái niệm cơ bản trong khai phá dữ liệu và lý
thuyết tập thô có liên quan đến nội dung chính của luận văn như: Hệ thống
thông tin, quan hệ không phân biệt, ma trận phân biệt được, tập xấp xỉ, tập rút
gọn và Core.
Chương 2: Trình bày năm phương pháp tính Core dựa vào lý thuyết tập
thô: hai phương pháp tính Core trong hệ thống thông tin nhất quán, hai
phương pháp tính Core trong hệ thống thông tin không đầy đủ và một phương
pháp tính Core trong hệ thống thông tin không đầy đủ.
Chương 3: Cài đặt một số thuật toán và so sánh kết quả của các thuật
toán.
3
Chƣơng 1
CÁC KHÁI NIỆM CƠ BẢN
Lý thuyết tập thô được đề xuất bởi Pawlak vào năm 1982. Lý thuyết
này có nhiều ứng dụng thành công trong học máy, khai phá dữ liệu, trí tuệ
nhân tạo và các ứng dụng khác.
Lý thuyết tập thô dựa trên giả thiết rằng để định nghĩa một tập hợp,
chúng ta cần có thông tin về mọi đối tượng trong tập vũ trụ. Trong lý thuyết
tập thô có thể tồn tại một số đối tượng giống nhau ở một số thông tin nào đó
và tri thức được coi là khả năng phân loại giữa các đối tượng. Ở đây, sự phân
loại chủ yếu dựa vào quan hệ không phân biệt được với nhau. Đây chính là
quan hệ quan trọng và là điểm xuất phát của lý thuyết tập thô: biên của tập thô
là không rõ ràng và để xác định biên ta phải xấp xỉ bằng các tập hợp khác
nhằm mục đích cuối cùng là trả lời được rằng mọi đối tượng nào đó có thuộc
tập hợp hay không. Lý thuyết tập thô với cách tiếp cận như vậy đã được ứng
dụng trong rất nhiều lĩnh vực của đời sống xã hội [3]. Ngoài ra, lý thuyết tập
thô phân loại tất cả các thuộc tính vào 3 loại: thuộc tính Core, thuộc tính rút
gọn và thuộc tính không cần thiết [10].
1.1. Hệ thống thông tin
Hệ thống thông tin IS là một cặp (U,A). Trong đó, U là tập hữu hạn các
đối tượng khác rỗng (được gọi là tập vũ trụ các đối tượng) và A là tập hữu
hạn các thuộc tính khác rỗng.Với mọi aA, ta ký hiệu Va là tập giá trị của a.
Mặt khác, nếu uU và aA thì ta sẽ ký hiệu u(a)Va là giá trị thuộc tính a
của đối tượng u [2].
4
Ví dụ 1.1.
Bảng 1.1. Hệ thống thông tin
U
Quang cảnh
Nhiệt độ
Độ ẩm
Gió
u1
Nắng
Nóng
Cao
Không
u2
Nắng
Nóng
Cao
Có
u3
Âm u
Nóng
Cao
Không
u4
Mưa
Trung bình
Cao
Không
u5
Mưa
Mát mẻ
Trung bình
Không
u6
Mưa
Mát mẻ
Trung bình
Có
u7
Âm u
Mát mẻ
Trung bình
Có
Trong đó, U= {u1, u2, u3, u4, u5, u6, u7} là tập hợp các đối tượng.
A = {Quang cảnh, Nhiệt độ, Độ ẩm, Gió} là tập hợp các thuộc tính.
u1(Quang cảnh) = Nắng là giá trị của thuộc tính Quang cảnh của đối tượng u1.
1.1.1. Hệ thống thông tin không đầy đủ
Hệ thống thông tin IS=(U,A) được gọi là không đầy đủ nếu tồn tại
thuộc tính aA và đối tượng uU mà giá trị u(a) bị mất hay nói cách khác Va
chứa giá trị null [6].
Trên hệ thống thông tin không đầy đủ, giá trị thuộc tính được chia làm
hai loại:
- Giá trị bị mất, giá trị này được ký hiệu là “?”: ban đầu, giá trị thuộc
tính đó của đối tượng đang xét có tồn tại và có ảnh hưởng đến việc
5
phân lớp quyết định của đối tượng. Tuy nhiên, vì lý do nào đó mà giá
trị này bị xóa đi và hiện tại không thể xác định được.
- Giá trị điều kiện không quan trọng, giá trị này được ký hiệu là “*”:
giá trị ban đầu của đối tượng trên thuộc tính đang xét không được lưu
lại do không có ý nghĩa trong việc ra quyết định phân lớp đối tượng đó.
Ví dụ 1.2.
Bảng 1.2. Hệ thống thông tin không đầy đủ
U
Giá
Kích thước
Động cơ
Tốc độ tối đa
u1
Thấp
Nhỏ
*
Thấp
u2
Thấp
Lớn
Diesel
Cao
u3
Cao
Lớn
Diesel
Trung bình
u4
Cao
*
Diesel
Trung bình
u5
?
Lớn
Gasoline
Cao
1.1.2. Bảng quyết định
Bảng quyết định là một hệ thống thông tin có dạng T=(U,C,D), với
A=CD, CD=, trong đó C là tập thuộc tính điều kiện còn D là tập thuộc
tính quyết định.
Ví dụ 1.3.
Bảng 1.3. Bảng quyết định
U
Quang cảnh
Nhiệt độ
Độ ẩm
Gió
Chơi tennis
u1
Nắng
Nóng
Cao
Không
Không
u2
Nắng
Nóng
Cao
Có
Không
u3
Âm u
Nóng
Cao
Không
Có
u4
Mưa
Trung bình
Cao
Không
Có
u5
Mưa
Mát mẻ
Trung bình
Không
Có
6
Trong bảng 1.3, các thuộc tính điều kiện C là: Quang cảnh, Nhiệt độ,
Độ ẩm, Gió. Thuộc tính quyết định D là: Chơi tennis
Trong bảng quyết định các đối tượng giống nhau hay không phân biệt
được có thể được mô tả nhiều lần. Bảng quyết định mà các đối tượng có các
thuộc tính điều kiện giống nhau nhưng thuộc tính quyết định khác nhau thì
gọi là bảng quyết định không nhất quán, ngược lại là bảng quyết định nhất
quán.
1.2. Quan hệ không phân biệt đƣợc [1], [3]
Cho IS=(U,A) là một hệ thống thông tin, R là một quan hệ hai ngôi trên
U, có nghĩa là R UU, khi đó R được gọi là một quan hệ tương đương nếu
R thỏa mãn các tính chất:
Phản xạ: uU, uRu
Đối xứng: u,vU, uRv vRu
Bắc cầu: u,v,tU, uRv và vRt uRt
Với bất kỳ BA, có một quan hệ tương đương định nghĩa trên U
như sau:
IND(B) = {(u,v)U2| aB, u(a) = v(a)}
IND(B) được gọi là B–quan hệ không phân biệt được.
Nếu (u,v)IND(B), thì các đối tượng u và v là không phân biệt được
với nhau bởi các thuộc tính trong B.
Lớp tương đương chứa u của B–quan hệ không phân biệt được ký hiệu [u]B.
Ký hiệu U/B là tập hợp thương của quan hệ tương đương IND(B).
Ví dụ 1.4.
7
Bảng 1.4. Hệ thống thông tin
U
Quang cảnh
Gió
Chơi tennis
u1
Nắng
Không
Không
u2
Nắng
Có
Không
u3
Âm u
Không
Có
u4
Mưa
Không
Có
u5
Mưa
Không
Có
u6
Mưa
Có
Không
u7
Âm u
Có
Có
Các tập con không rỗng của tập thuộc tính điều kiện là {Quang cảnh},
{Gió} và {Quang cảnh, Gió}.
IND(Quang cảnh) = {{u1,u2}, {u3, u7}, {u4,u5,u6 }}
IND(Gió) = {{u1, u3, u4, u5},{u2, u6, u7}}
IND({Quang cảnh, Gió }) = {{u1}, {u2}, {u3}, {u4,u5}, {u7}, {u6}}
1.3. Ma trận phân biệt đƣợc
Giả sử U={u1, u2,…, un}. Ma trận phân biệt được của T, ký hiệu
M(T)=(mij)nn, là một ma trận đối xứng mà mỗi phần tử của nó là một tập hợp
các thuộc tính, được xác định như sau:
{c C : c(u i ) c(u j )} nÕu d D | d(u i ) d(u j )
m ij
nÕu d D | d(u i ) d(u j )
λ
Như vậy, mij là tập hợp gồm tất cả các thuộc tính điều kiện có thể xếp
các đối tượng ui và uj vào các lớp tương đương khác nhau theo phân hoạch
trên U đối với thuộc tính đó. Giá trị hàm ý rằng cặp đối tượng ui và uj là
không phân biệt trên tập thuộc tính quyết định D. Nếu mij = thì bảng quyết
định là không nhất quán [1], [5].
Ví dụ 1.5. Xét bảng quyết định sau
8
Bảng 1.5. Bảng quyết định
U
a
b
c
d
e
u1
1
0
2
1
1
u2
1
0
2
0
1
u3
1
2
0
0
2
u4
1
2
2
1
0
u5
2
1
0
0
2
u6
2
1
1
0
2
u7
2
1
2
1
1
Trong đó, tập thuộc tính điều kiện C={a,b,c,d} và tập thuộc tính quyết
định D={e}. Ma trận phân biệt được tương ứng :
Bảng 1.6. Ma trận phân biệt được
U
u1
u2
u3
u4
u1
u2
u3
{b,c,d}
{b,c}
u4
{b}
{b,d}
{c,d}
u5
u6
u5
{a,b,c,d} {a,b,c}
{a,b,c,d}
u6
{a,b,c,d} {a,b,c}
{a,b,c,d}
{a,b,c,d}
{a,b}
{c,d}
{c,d}
u7
u7
9
1.4. Xấp xỉ của tập [1], [2], [3]
Cho hệ thống thông tin IS=(U,A) và BA, XU. Xấp xỉ dưới và xấp xỉ
trên của tập X tương ứng với B, ký hiệu theo thứ tự là B X và B X được định
nghĩa như sau:
BX {x | [x] B X }
BX {x | [x] B X }
Với [x]B là lớp tương đương chứa phần tử x của quan hệ IND(B)
Rõ ràng, B X X B X . Tập BNB(X) = B X – B X được gọi là B– miền
biên của X, bao gồm tất cả những đối tượng mà ta không thể phân lớp một
cách rõ ràng thuộc vào tập X dựa trên tập thuộc tính B.
U - B X là B – miền ngoài của X, bao gồm tất cả những đối tượng có
thể được phân lớp chắc chắn là không thuộc X.
Ví dụ 1.6.
Bảng 1.7. Hệ thống thông tin
X
Age
LEMS
Walk
x1
16-30
50
Yes
x2
16-30
0
No
x3
31- 45
1-25
No
x4
31- 45
1-25
Yes
x5
46 -60
26-49
No
x6
16 -30
26-49
Yes
x7
46 -60
26-49
No
Cho W = {x | Walk(x) = Yes}.
10
A W = {x1, x6},
A W = {x1, x3, x4, x6},
BNA(A) = {x3, x4},
U - A W = {x2, x5, x7}.
Các xấp xỉ dưới và xấp xỉ trên:
Xấp xỉ trên: R X ={YU/R: YX }
Xấp xỉ dưới: R X = {YU/R: YX}
AW
{{x2}, {x5,x7}}
AW
{{x3,x4}
yes
{{x1}, {x1}}
yes/no
no
RX
U/R
RX
R : tập con của
các thuộc tính
TậpX
Hình 1.1: Tập xấp xỉ
11
Một số tính chất của các tập xấp xỉ
1.
B( X ) X B X
2.
B( ) B( ) , B(U ) B(U ) U
3.
4.
B( X Y ) B( X ) B(Y )
B( X Y ) B( X ) B(Y )
5. Nếu X Y thì B( X ) B(Y ) , B( X ) B(Y )
6. B( X Y ) B( X ) B(Y )
7. B( X Y ) B( X ) B(Y )
8. B(U \ X ) U \ B( X )
9. B(U \ X ) U \ B( X )
10. B( B( X )) B( B( X )) B( X )
11. B( B( X )) B( B( X )) B( X )
Chứng minh một số tính chất điển hình.
3. Để chứng minh
B( X Y ) B( X ) B(Y )
cần chứng minh :
o B (XY) o B (X) B (Y)
Từ định nghĩa xấp xỉ trên ta có:
Với o B (X Y) PU|IND(B): (oP, P(XY) ).
Mặt khác: P(XY) PX hoặc PY
Do đó:
o B (XY) (oP, PX) hoặc (oP, PY )
(o B (X)) hoặc (o B (Y))
o B (X) B (Y)
12
4. Chứng minh tương tự 3.
5. Chứng minh:
X Y ( B( X ) B(Y ))
Giả sử: XY
Xét o B(X ) . Khi đó, P, PU|IND(B): oP, PX
Mà XY nên PY. Nhưng theo định nghĩa xấp xỉ dưới:
B(Y ) = {x|xP, PU|IND(B), PY}
Nên: P B(Y ) , từ đó o B(Y )
Vậy: B( X ) B(Y ) . Tương tự ta chứng minh được B (X) B (Y)
6. Xét o B( X ) B(Y ) P, PU|IND(B), oP, (PXPY)
PXY. Mặt khác theo định nghĩa tập xấp xỉ dưới:
B( X Y ) {x | x P, P U | IND( B), P X Y }
Vậy P B( X Y ), từ đó o B( X Y )
điều phải chứng minh.
7. Chứng minh tương tự 6
8. Ta có:
B(U \ X ) {P | P U | IND( B), P U \ X }
= U \ {P | P U | IND( B), P X } = U \ B( X ) (điều phải chứng minh)
13
Chứng minh tương tự hoặc có thể suy ra từ 8
Từ định nghĩa của tập xấp xỉ dưới:
B( B(( X )) {x U | xB B( X )}
{x U | xB X )} , vì B(X ) X = B(X )
Tương tự: B( B( X )) B( X ). Vậy ta có điều phải chứng minh.
Chứng minh tương tự 10
1.5. Tập rút gọn và Core [1], [2], [3]
Trong hệ thống thông tin có một số tập chỉ giữ lại các thuộc tính duy trì
quan hệ không phân biệt được và duy trì xấp xỉ của tập. Trong những tập
thuộc tính như thế có những tập tối thiểu được gọi là tập rút gọn. Một tập rút
gọn của tri thức là phần cần thiết đủ để định nghĩa tất cả các khái niệm cơ bản
xảy ra trong việc xem xét tri thức.
Cụ thể, cho cC, ta có định nghĩa sau:
Định nghĩa 1.1 [9]. Thuộc tính c là không cần thiết trong T nếu
POS C ( D) POS (C {c}) ( D) , ngược lại thuộc tính c là cần thiết trong T.
C- miền khẳng định của D: POSC ( D)
CX
X U / D
T= (C, D) là độc lập nếu tất cả cC là cần thiết trong T.
Tập các thuộc tính R C được gọi là một rút gọn của C, nếu
T’=(U,RD) là độc lập và POS R ( D) POS C ( D).
14
Tập tất cả các thuộc tính điều kiện cần thiết trong T được gọi là lõi của
C, ký hiệu Core(C). Lưu ý rằng lõi có thể là tập rỗng và khi đó mọi tập con
của P với lực lượng bằng card(C)-1 đều giữ nguyên khả năng phân loại của C.
Khi loại khỏi C các thuộc tính không cần thiết thì được một rút gọn của
C. Nói cách khác, rút gọn của một tập thuộc tính C là tập thuộc tính BC giữ
nguyên khả năng phân loại của C, hay IND(B)=IND(C). Vì lõi của C là tập
các thuộc tính cần thiết của C nên tất cả các rút gọn của C đều chứa tập thuộc
tính lõi.
Tập thuộc tính lõi của C là giao của tất cả các rút gọn của C, tức là:
CORE(C ) RED (C )
Trong đó, RED(C) là tập tất cả các rút gọn C.
Ví dụ 1.7. Cho hệ thống thông tin
Bảng 1.8. Hệ thống thông tin
U
Sự tín nhiệm
Khách hàng biết đến
Kho dự trữ
Sắp xếp hàng
u1
Tốt
Có
Đủ
Chấp nhận
u2
Tốt
Không
Không Đủ
Từ chối
u3
Tốt
Không
Đủ
Chấp nhận
u4
Không tốt
Không
Không đủ
Từ chối
u5
Không tốt
Có
Đủ
Chấp nhận
- Xem thêm -