Tài liệu Một số thuật toán khai phá luật dãy và ứng dụng thử nghiệm vào hệ thống quản lý khách hàng và tính hóa đơn nước

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐÌNH VĂN MỘT SỐ THUẬT TOÁN KHAI PHÁ LUẬT DÃY VÀ ỨNG DỤNG THỬ NGHIỆM VÀO HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƢỚC LUẬN VĂN THẠC SĨ Hà Nội - 2011 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐÌNH VĂN MỘT SỐ THUẬT TOÁN KHAI PHÁ LUẬT DÃY VÀ ỨNG DỤNG THỬ NGHIỆM VÀO HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƢỚC Ngành: Công Nghệ Thông Tin Chuyên ngành: Hệ Thống Thông Tin Mã số: 60.48.05 LUẬN VĂN THẠC SĨ NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS. TS. Hà Quang Thụy Hà Nội - 2011 -3- LỜI CAM ĐOAN Tôi xin cam đoan luận văn này với đề tài “Một số thuật toán khai phá dãy và ứng dụng thử nghiệm vào hệ thống quản lý khách hàng và tính hóa đơn nƣớc” là công trình do tôi nghiên cứu và hoàn thành dƣới sự hƣớng dẫn của PGS. TS. Hà Quang Thụy, trong luận văn có sử dụng một số tài liệu tham khảo nhƣ đã nêu trong phần “Tài liệu tham khảo”. Tác giả luận văn Nguyễn Đình Văn Khai phá luật dãy Nguyễn Đình Văn -4- MỤC LỤC MỞ ĐẦU ................................................................................................................................... 6 CHƢƠNG 1 – KHÁI QUÁT CHUNG VỀ LUẬT DÃY VÀ 1.1 KHAI PHÁ LUẬT DÃY ....... 8 Giới thiệu chung về luật kết hợp ............................................................................... 8 1.1.1 Khái niệm luật kết hợp ...................................................................................... 8 1.1.2 Các ứng dụng điển hình của luật kết hợp .......................................................... 9 1.1.3 Thuật toán Apriori ........................................................................................... 10 1.2 Luật dãy ................................................................................................................... 12 1.2.1 Khái niệm luật dãy và ví dụ ............................................................................. 12 1.2.2 Một số ứng dụng .............................................................................................. 14 1.2.3 Luật dãy và luật kết hợp: một số đối sánh ....................................................... 16 1.2.4 Sơ bộ về các phƣơng pháp khai phá luật dãy .................................................. 17 CHƢƠNG 2 – CÁC PHƢƠNG PHÁP KHAI PHÁ LUẬT DÃY .......................................... 21 2.1 Khái quát về khai phá luật dãy ................................................................................ 21 2.2 Các thuật toán khởi thủy .......................................................................................... 23 2.2.1 Thuật toán AprioriAll ...................................................................................... 23 2.2.2 Thuật toán AprioriSome .................................................................................. 27 2.2.3 Thuật toán GSP (Generalized Sequential Patterns) ......................................... 30 Hai phƣơng pháp khai phá luật dãy ......................................................................... 36 2.3 2.3.1 Khai phá dãy sử dụng kỹ thuật phân vùng (thuật toán Dynamic DISC-all) .... 36 2.3.2 Khai phá luật dãy bằng mã hóa khối cơ bản với thuật toán PRISM ............... 38 CHƢƠNG 3 – ĐỀ XUẤT ỨNG DỤNG KHAI PHÁ LUẬT DÃY TRONG HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƢỚC ................................................. 43 3.1 Tổng quan về hệ thống quản lý khách hàng và tính hóa đơn nƣớc ......................... 43 3.1.1 Phân hệ quản lý khách hàng .................................................................................... 44 3.1.2 Phân hệ lập và in hóa đơn ........................................................................................ 46 3.1.3 Phân hệ thanh toán hóa đơn và quản lý nợ .............................................................. 48 3.1.4 Phân hệ báo cáo thống kê ........................................................................................ 49 3.2 Phát biểu bài toán .................................................................................................... 50 3.3 Mô hình giái quyết ................................................................................................... 52 3.4 Thực nghiệm và đánh giá ........................................................................................ 55 3.4.1 Giới thiệu thực nghiệm ............................................................................................ 55 3.4.2 Kết quả thực nghiệm và nhận xét ............................................................................ 57 KẾT LUẬN ............................................................................................................................. 58 Khai phá luật dãy Nguyễn Đình Văn -5- CÁC ĐỊNH NGHĨA VÀ CHỮ VIẾT TẮT Chữ viết tắt Diễn giải Candidate Ứng viên CSDL Cơ sở dữ liệu Element Thành phần dãy Frequent item Phần tử thƣờng xuyên Gcd Hàm tính ƣớc số chung lớn nhất Item Phần tử Itemset Tập hợp các phần tử (item) xảy ra cùng lúc Large sequence Dãy phổ biến Maximal sequence Dãy tối đa, dãy phổ biến nhất Projected database CSDL quy chiếu Sequence Dãy Support Độ hỗ trợ Support threshold Ngƣỡng hỗ trợ Supsequence Dãy con Threshold Ngƣỡng Khai phá luật dãy Nguyễn Đình Văn -6- MỞ ĐẦU Khai phá luật dãy là một trong những lĩnh vực rất quan trọng trong nghiên cứu khai phá dữ liệu của thập kỷ gần đây và ngày càng đƣợc áp dụng rộng rãi trong nhiều lĩnh vực khác nhau. Vì trong thực tế, dữ liệu dãy tồn tại rất phổ biến, nhƣ dãy dữ liệu mua sắm của khách hàng, dữ liệu điều trị y tế, các dữ liệu liên quan đến các thảm họa tự nhiên, dữ liệu xử lý khoa học và kỹ thuật, dữ liệu chứng khoán và phân tích thị trƣờng, dữ liệu các cuộc gọi điện thoại, nhật ký truy cập web, dãy ADN biểu thị gen ... Mục đích chính của khai phá luật dãy là tìm kiếm và phát hiện tất cả các dãy con lặp đi lặp lại trong một CSDL theo yếu tố thời gian. Hiện nay, trên thế giới đã có rất nhiều nhóm tác giả nghiên cứu đề xuất các thuật toán với các phƣơng pháp tiếp cận khai phá luật dãy khác nhau [1,2,5-12,14-16] nhằm giải quyết sự đa dạng của các loại bài toán cũng nhƣ đƣa ra các hƣớng cải tiến nhằm giảm thiểu chi phí thời gian và tài nguyên hệ thống. Luận văn này nghiên cứu một số thuật toán khai phá luật dãy, trong đó tập trung chủ yếu vào các thuật toán AprioriAll, AprioriSome [1], vì đây là những thuật toán rất nổi tiếng trong lĩnh vực khai phá luật dãy và phù hợp với việc ứng dụng thử nghiệm vào Hệ thống Quản lý khách hàng và tính hóa đơn nƣớc. Luận văn tiếp tục khóa luận tốt nghiệp đại học trƣớc đây của tôi (Nguyễn Đình Văn (2003), Phân tích thiết kế hệ thống và ứng dụng vào bài toán quản lý khách hàng và tính hóa đơn nước) trong việc bổ sung những tính năng nâng cao cho hệ thống. Luận văn hy vọng phát hiện đƣợc một số luật dãy, chẳng hạn nhƣ dãy thời gian tiêu thụ nƣớc nhiều nhất trong năm, dãy dịch chuyển mức tiêu thụ nƣớc theo mục đích sử dụng (sinh hoạt, sản xuất, kinh doanh, công cộng, …), phát hiện những trƣờng hợp bất thƣờng trong sử dụng nƣớc (tỉ lệ đăng ký sử dụng và thực tế sử dụng nƣớc), mức độ thất thoát nƣớc và nguyên nhân thất thoát nƣớc … để lãnh đạo xí nghiệp có thể đƣa ra các biện pháp quản lý, các chiến lƣợc sản xuất, kinh doanh phù hợp. Luận văn đƣợc trình bày gồm có phần mở đầu, ba chƣơng và phần kết luận. Trong chƣơng một, luận văn tập trung chủ yếu vào giới thiệu tổng quan về luật dãy và khái phá luật dãy. Vì luật dãy có những mối liên hệ gần gũi với luật kết hợp và một số thuật toán khai phá luật dãy trong luận văn là mở rộng của thuật toán điển hình Apirori khai phá luật kết hợp, nên phần này sẽ trình bày khái quát về luật kết hợp, một số đối sánh giữa luật dãy và luật kết hợp. Giới thiệu sơ bộ các phƣơng pháp tiếp cận khai phá luật dãy và các thuật toán điển hình tƣơng ứng. Nội dung của chƣơng này đƣợc tổng hợp từ các tài liệu [1,3-4,13]. Trong chƣơng hai, luận văn tập trung giới thiệu các thuật toán khai phá luật dãy nhƣ AprioriAll [1], AprioriSome [1], GSP [2] là những thuật toán khởi thủy khai phá luật dãy. Giới thiệu hai phƣơng pháp khai phá luật dãy đƣợc công bố thời gian gần đây Khai phá luật dãy Nguyễn Đình Văn -7là “Khai phá luật dãy sử dụng kỹ thuật phân vùng” [10] và “Khai phá luật dãy bằng mã hóa khối cơ bản” [16]. Trong chƣơng ba, luận văn giới thiệu tổng quan về Hệ thống Quản lý khách hàng và tính hóa đơn nƣớc, đồng thời đề xuất ứng dụng khai phá luật dãy với thuật toán AprioriAll. Trong đó, đƣa ra yêu cầu đầu bài và mô hình cụ thể giải quyết bài toán. Luận văn sử dụng dữ liệu mô phỏng của Xí nghiệp kinh doanh nƣớc sạch Hoàn Kiếm làm dữ liệu thử nghiệm để thực thi chƣơng trình, đánh giá kết quả thực nghiệm. Luận văn đƣợc hỗ trợ một phần từ Đề tài QG.10-38. Luận văn đƣợc thực hiện dƣới sự hƣớng dẫn của PGS. TS. Hà Quang Thụy – trƣờng Đại học Công Nghệ. Em xin bày tỏ lòng biết ơn sâu sắc tới Thầy đã hƣớng dẫn và có ý kiến chỉ dẫn quý báu trong quá trình em thực hiện luận văn. Xin chân thành cảm ơn Thạc sĩ Đặng Tiểu Hùng – Công ty CSE đã đóng góp nhiều ý kiến bổ ích để bản luận văn đƣợc hoàn thiện hơn. Cuối cùng xin bày tỏ lòng biết ơn tới những ngƣời thân trong gia đình, bạn bè đã động viên và giúp đỡ để tác giả hoàn thành bản luận văn này. Khai phá luật dãy Nguyễn Đình Văn -8- CHƯƠNG 1 – KHÁI QUÁT CHUNG VỀ LUẬT DÃY VÀ KHAI PHÁ LUẬT DÃY Khai phá luật dãy là một chủ đề thiết thực và quan trọng trong khai phá dữ liệu với nhiều ứng dụng nhƣ là trong phân tích giao dịch mua hàng của khách hàng, khai thác weblogs, khai thác các dãy ADN, nghiên cứu dữ liệu trong các bài toán khí tƣợng - thủy văn nhƣ dự báo thời tiết, các thảm họa tự nhiên nhƣ động đất, sóng thần... Các thuật toán khai phá luật dãy kế thừa nhiều từ các thuật toán khai phá luật kết hợp, và nhiều thuật toán trong số đó là mở rộng của các thuật toán khởi thủy, ở đó sự khác biệt chính là trong khai phá luật dãy đƣa ra các phân tích liên giao dịch (intertransaction), trong khi đó khai phá luật kết hợp là tìm luật về mối liên quan giữa các phần tử trong cùng một giao dịch (intra- transaction). Trƣớc tiên, ta cần tìm hiểu một số vấn đề của luật kết hợp. 1.1 Giới thiệu chung về luật kết hợp 1.1.1 Khái niệm luật kết hợp Mục đích của luật kết hợp (Association Rule) là tìm ra các mối liên hệ giữa các đối tƣợng trong khối lƣợng lớn dữ liệu [4]. Nội dung của luật kết hợp đƣợc phát biểu nhƣ sau: Cho tập các phần tử I = {i1, i2, …, im}. Cho CSDL D là tập các giao dịch, trong đó mỗi giao dịch T là một tập các phần tử, tức là T  I. Mỗi giao dịch đƣợc gắn với một định danh gọi là TID. Cho A là tập các phần tử. Giao dịch T đƣợc gọi là chứa A nếu và chỉ nếu A  T. Một luật kết hợp có dạng A  B, trong đó A  I, B  I và A  B = Ø. Độ hỗ trợ (support) và độ tin cây (confidence) là 2 tham số dùng để đo lường luật kết hợp. Luật A  B trong tập giao dịch D với độ hỗ trợ (support) s, kí hiệu là support(A  B), trong đó s là tỉ lệ phần trăm của các giao dịch trong D mà có chứa A  B. Hay là xác suất P(A  B ). Công thức để tính độ hỗ trợ của luật A  B nhƣ sau: support(A  B) = P(A  B ) = n( A  B ) N Trong đó: N là tổng số giao dịch; n(A  B ) là số giao dịch có chứa (A  B ) Khai phá luật dãy Nguyễn Đình Văn -9Luật A  B có độ tin cậy (confidence) c trong tập giao dịch D, kí hiệu là confidence(A  B), trong đó c là tỉ lệ phần trăm của các giao dịch trong D có chứa A và cũng chứa B. Hay là xác suất P(B | A). Công thức để tính độ tin cậy của luật A  B là xác suất có điều kiện B khi đã biết A, nhƣ sau: confidence(A  B) = P(B | A ) = n( A  B ) n( A) Trong đó: n(A) là số giao dịch chứa A; n(A  B ) là số giao dịch có chứa (A  B ) Các luật đáp ứng đƣợc (lớn hơn hoặc bằng) cả ngƣỡng hỗ trợ tối thiểu (min_sup) và ngƣỡng tin cậy tối thiểu (min_conf) đƣợc gọi là các luật mạnh (strong rules). Thông thƣờng, ta viết độ hỗ trợ và độ tin cậy là các giá trị giữa khoảng 0% và 100% thay vì từ 0 đến 1.0. min_sup và min_conf gọi là các giá trị ngƣỡng (threshold) và phải xác định trƣớc khi sinh các luật kết hợp. 1.1.2 Các ứng dụng điển hình của luật kết hợp Một số ứng dụng điển hình nhƣ: phân tích giỏ hàng (market basket analysis), đƣa ra chiến lƣợc tiếp thị, thiết kế bài trí gian hàng, chiến lƣợc bán hàng khuyến mại, các bài toán phân lớp, phân cụm, ... Market basket analysis: Chẳng hạn, một ngƣời quản lý một chi nhánh bán hàng, họ muốn biết thêm về thói quen mua sắm của khách hàng. Cụ thể nhƣ họ muốn biết rằng “Trong mỗi lần mua sắm, khách hàng thƣờng mua các nhóm mặt hàng nào cùng nhau?”. Để trả lời câu hỏi này, việc phân tích giỏ khách hàng sẽ đƣợc thực hiện trên dữ liệu mua bán lẻ của khách hàng đã đƣợc lƣu trữ. Sau đó có thể sử dụng kết quả đó để lên kế hoạch tiếp thị, chiến lƣợc quảng cáo hoặc dự định bổ sung các danh mục hàng hóa mới. Việc phân tích giỏ hàng có thể giúp bạn thiết kế gian hàng với các cách bài trí hàng hóa khác nhau. Các mặt hàng thƣờng xuyên đƣợc mua với nhau có thể đƣợc đặt ở gần nhau để thúc đẩy việc bán hàng. Nếu khách hàng mua máy tính cũng có xu hƣớng mua phần mềm diệt virus cùng lúc, cũng thế, đặt màn hình gần với các phần mềm hiển thị có thể giúp tăng doanh số bán hàng của cả hai. Trong một chiến lƣợc khác, bố trí phần cứng và phần mềm ở hai đầu của cửa hàng có thể lôi kéo khách hàng mua những mặt hàng khác trên đƣờng di chuyển giữa hai vị trí. Ví dụ, sau khi quyết định mua một máy tính đắt tiền, trong khi đến mua phần mềm diệt virus, khách hàng quan sát thấy hệ thống an ninh gia đình đƣợc trƣng bày và có thể quyết định mua. Việc phân tích giỏ hàng cũng có thể giúp các nhà bán lẻ đƣa ra các kế hoạch bán hàng giảm giá. Thông thƣờng, khách hàng có xu hƣớng mua máy tính và máy in với nhau, khi đó có thể bán giảm giá máy in nếu khách hàng mua máy tính. Khai phá luật dãy Nguyễn Đình Văn - 10 Trong gian hàng, mỗi mặt hàng gắn với một biến Boolean biểu thị sự có mặt hay vắng mặt của mặt hàng đó. Tiếp đến, mỗi giỏ hàng có thể đƣợc thể hiện bởi một vector Boolean các giá trị đƣợc gán cho các biến đó. Các vector Boolean biểu thị các mẫu mua hàng mà ở đó các mặt hàng đƣợc kết hợp một cách thƣờng xuyên hoặc đƣợc mua với nhau. Các mẫu này có thể đƣợc biểu thị ở dạng các luật kết hợp. Ví dụ, khách hàng mua máy tính cũng có xu hƣớng mua phần mềm diệt virus cùng lúc, có thể đƣợc biểu diễn với luật kết hợp nhƣ sau: computer  antivirus_software [support = 2%, confidence = 60%] support = 2% nghĩa là có 2% trong tất cả các giao dịch đƣợc phân tích cho thấy máy tính và phần mềm diệt virus đƣợc mua cùng lúc. confidence = 60% nghĩa là có 60% số lƣợng khách hàng đã mua máy tính thì cũng mua phần mềm. Thông thƣờng, các luật kết hợp đƣợc quan tâm nếu chúng đáp ứng đƣợc cả ngƣỡng hỗ trợ tối thiểu và ngƣỡng tin cậy tối thiểu. Các ngƣỡng này có thể đƣợc thiết lập bởi ngƣời dùng. Một số thuật toán thƣờng đƣợc sử dụng cho khai phá luật kết hợp nhƣ: Apriori, Eclat, Frequent-Pattern tree, … .Dƣới đây sẽ trình bày chi tiết thuật toán Apriori vì thuật toán này đƣợc mở rộng để sử dụng cho khai phá luật dãy. 1.1.3 Thuật toán Apriori Tƣ tƣởng của thuật toán Apriori là:  - Tìm tất cả các tập thƣờng xuyên (frequent itemsets): k-itemset (itemsets gồm k items) đƣợc dùng để tìm (k+1)-itemset. - Đầu tiên tìm 1-itemset (ký hiệu L1); L1 đƣợc dùng để tìm L2 (2-itemsets); L2 đƣợc dùng để tìm L3 (3-itemset) và tiếp tục cho đến khi không có k-itemset đƣợc tìm thấy. - Từ các tập thƣờng xuyên (frequent itemsets) sinh ra các luật kết hợp mạnh (các luật kết hợp thỏa mãn 2 tham số min_sup và min_conf) Thuật toán Apriori [4] Join Step: Ck is generated by joining Lk-1with itself. Prune Step: Any (k-1)-itemset that is not frequent cannot be a subset of a frequent k-itemset. Pseudo-code: Ck: Candidate itemset of size k Lk: frequent itemset of size k L1 = {frequent items}; for (k = 1; Lk !=Ø; k++) do Ck+1 = candidates generated from Lk for each transaction t in database do increment the count of all candidates in Ck+1 that are contained in t Lk+1 = candidates in Ck+1 with min_support end Khai phá luật dãy Nguyễn Đình Văn - 11 return kLk Cụ thể, thực hiện theo các bƣớc sau: Bƣớc 1: Duyệt toàn bộ CSDL để có đƣợc độ hỗ trợ s của 1-itemset, so sánh s với min_sup, để có đƣợc 1-itemset (L1) Bƣớc 2: Thực hiện phép nối (join) Lk-1 với Lk-1 để sinh ra tập ứng viên k-itemset. Loại bỏ các tập không phải là tập thƣờng xuyên ta thu đƣợc k-itemset Bƣớc 3: Duyệt CSDL để có đƣợc độ hỗ trợ s của mỗi tập ứng viên k-itemset, so sánh s với min_sup để loại bỏ các tập không phải là tập thƣờng xuyên (có s < min_sup), thu đƣợc tập thƣờng xuyên k–itemset (Lk) Bƣớc 4: Lặp lại từ bƣớc 2 cho đến khi tập ứng viên là rỗng (không tìm thấy tập thƣờng xuyên). Bƣớc 5: Với mỗi tập thƣờng xuyên I, sinh tất cả các tập con s không rỗng của I Bƣớc 6: Với mỗi tập con s không rỗng của I, sinh ra các luật s => (I-s) nếu độ tin cậy (confidence) của nó > = min_conf Chẳn hạn với I= {A1,A2,A5},các tập con của I: {A1}, {A2}, {A5}, {A1,A2},{A1,A5},{A2,A5} sẽ có các luật sau {A1} => {A2,A5},{A2} =>{A1,A5},{A5} =>{A1,A2} {A1,A2} =>{A5},{A1,A5} =>{A2},{A2,A5} => {A1}  Ví dụ: Giả sử ta có có sở dữ liệu giao dịch nhƣ sau : Thuật toán Apriori khai phá luật kết hợp đƣợc mô tả qua các bƣớc sau Khai phá luật dãy Nguyễn Đình Văn - 12 - Ta có tập thƣờng xuyên I ={B,C,E}, với min_conf = 80% ta có 2 luật kết hợp là {B,C} => {E} và {C,E} => {B} 1.2 Luật dãy 1.2.1 Khái niệm luật dãy và ví dụ Ta giới thiệu vấn đề dựa trên quá trình mua bán hàng và một CSDL lƣu trữ thông tin giao dịch mua bán hàng bao gồm các thông tin về mã khách hàng (customer-id), thời gian giao dịch (transaction-time) và các mặt hàng trong giao dịch.  Các khái niệm Một itemset là một tập không rỗng các phần tử (item). Một dãy (sequence) là một danh sách có thứ tự các itemset. Không mất tính tổng quát, chúng ta giả sử rằng một tập các phần tử đƣợc ánh xạ tới một tập các số nguyên liền kề. Ta biểu thị itemset i bởi (i1i2...im), trong đó ij là một phần tử. Ta biểu thị dãy s bởi (s1s2...sn), trong đó sj là một itemset. Khai phá luật dãy Nguyễn Đình Văn - 13 Dãy (a1a2...an) đƣợc chứa trong dãy (b1b2...bn) nếu ở đó tồn tại các số nguyên i1 < i2 < ... < in sao cho a1  bi1 , a2  bi2 , ..., an  bin. Ta sử dụng ký hiệu  để biểu thị quan hệ “đƣợc chứa trong”. Ví dụ, dãy <(3) (4,5) (8)>  <(7) (3 8) (9) (4 5 6) (8)>, vì ((3)  (3 8), (4 5)  (4 5 6) và (8)  (8). Tuy nhiên, dãy <(3) (5)> không đƣợc chứa trong <(3 5)> và ngƣợc lại. Phần tử 3 và 5 trong dãy <(3) (5)> mô tả chúng không nằm trong cùng một lần giao dịch, trong khi phần tử 3 và 5 trong dãy <(3 5)> mô tả chúng nằm trong một lần giao dịch. Trong một tập các dãy, một dãy s là lớn nhất hay tối đa (maximal) nếu s không đƣợc chứa trong bất kỳ dãy nào khác. Tất cả các giao dịch của cùng một khách hàng có thể đƣợc xem nhƣ là một dãy. Trong đó, mỗi giao dịch đƣợc xem nhƣ một tập các phần tử, và danh sách các giao dịch theo thứ tự tăng dần về thời gian giao dịch tƣơng ứng với một dãy. Chúng ta gọi đó là một dãy khách hàng (customer-sequence). Ta biểu thị các giao dịch của một khách hàng đƣợc sắp xếp thứ tự tăng dần theo thời gian là (T1, T2, ..., Tn). Tập các phần tử (item) trong Ti đƣợc biểu thị bởi itemset(Ti). Dãy customer-sequence của một khách hàng là một dãy . Một khách hàng hỗ trợ một dãy s nếu s đƣợc chứa trong dãy customer-sequence đối với khách hàng đó. Độ hỗ trợ của một dãy đƣợc định nghĩa là số khách hàng hỗ trợ dãy đó. Các dãy tối đa trong số tất cả các dãy phổ biến đáp ứng mức hỗ trợ tối thiểu cụ thể nào đó đƣợc gọi là luật dãy hay mẫu dãy (sequential patterns). [1] Ta gọi dãy đáp ứng độ hỗ trợ tối thiểu là dãy phổ biến (large sequence)  Ví dụ Cho CSDL mua bán hàng thể hiện trong hình 1.1. Transaction Time Customer Id Items Bought June 10 '93 2 10, 20 June 12 '93 5 90 June 15 '93 2 30 June 20 '93 2 40, 60, 70 June 25 '93 4 30 June 25 '93 3 30, 50, 70 June 25 '93 1 30 June 30 '93 1 90 June 30 '93 4 40, 70 July 25 '93 4 90 Hình 1.1: CSDL gốc CSDL trong hình 1.2 đã đƣợc sắp xếp theo mã khách hàng (customer-id) và thời gian giao dịch. Customer Id 1 Khai phá luật dãy Transaction Time June 25 '93 Items Bought 30 Nguyễn Đình Văn - 14 1 2 2 2 3 4 4 4 5 June 30 '93 90 June 10 '93 10, 20 June 15 '93 30 June 20 '93 40, 60, 70 June 25 '93 30, 50, 70 June 25 '93 30 June 30 '93 40, 70 July 25 '93 90 June 12 '93 90 Hình 1.2: CSDL đƣợc sắp xếp theo Khách hàng ID và thời gian giao dịch CSDL hình 1.3 thể hiện nhƣ là một tập các dãy khách hàng (customer-sequence). Customer Id Customer Sequence 1 <(30) (90)> 2 <(10 20) (30) (40 60 70)> 3 <(30 50 70)> 4 <(30) (40 70) (90)> 5 <(90)> Hình 1.3: CSDL theo dãy khách hàng (customer-sequence) Với mức hỗ trợ tối thiểu là 25%, tức là xuất hiện tối thiểu 2 trong tổng số 5 khách hàng, hai dãy <(30) (90)> và <(30) (40 70)> là lớn nhất trong số các dãy đáp ứng điều kiện giàng buộc hỗ trợ, và là các mẫu dãy mong muốn. Mẫu dãy <(30) (90)> xuất hiện trong các giao dịch của khách hàng 1 và 4. Mẫu dãy <(30) (40 70)> xuất hiện trong giao dịch của khách hàng 2 và 4.(Vì (40 70) là tập con của (40 60 70) nên cũng đƣợc tính cho khách hàng 2). Ví dụ về một dãy mà không có hỗ trợ tối thiểu là dãy <(10 20) (30)>, dãy này chỉ xuất hiện trong giao dịch của khách hàng 2. Các dãy <(30)>, <(40)>, <(70)>, <(90)>, <(30) (40)>, <(30) (70)>, <(40 70)> mặc dù thỏa mãn hỗ trợ tối thiểu, nhƣng chúng không phải dãy tối đa nên không phải là kết quả cần tìm. Sequential Patterns with support > 25% <(30) (90)> <(30) (40 70)> Hình 1.4: Tập kết quả 1.2.2 Một số ứng dụng  Khai phá dãy cho các mẫu hành vi ngƣời dùng trong lĩnh vực thƣơng mại điện thoại di động [7] Sự phát triển của máy tính và các công nghệ truyền thông gần đây giúp cho các hệ thống liên lạc cá nhân (Personal Communication Systems - PCSs) ngày càng trở nên phổ biến, đặt ra vấn đề về quản lý thông tin di động. Khai phá luật dãy Nguyễn Đình Văn - 15 Mô hình hóa một cách hiệu quả các mẫu hành vi của ngƣời sử dụng trong các hệ thống điện thoại di động đem lại lợi ích không chỉ cho ngƣời sử dụng trong những truy cập thông minh, mà còn đem lại lợi nhuận tài chính cho các nhà cung cấp dịch vụ di động nhƣ quảng cáo. Trong môi trƣờng web, ngƣời sử dụng di động có thể yêu cầu các loại hình dịch vụ khác nhau và ứng dụng của điện thoại di động, PDA hay máy tính xách tay từ bất cứ đâu tại bất kỳ thời gian nào thông qua GSM, GPRS hoặc mạng không dây. Rõ ràng là những hành vi của ngƣời sử dụng điện thoại di động (trong đó vị trí và dịch vụ vốn đã cùng tồn tại) trở nên phức tạp hơn so với các hệ thống web truyền thống. Để giúp ngƣời sử dụng thu nhận đƣợc thông tin mong muốn trong một thời gian ngắn là một trong những ứng dụng nhiều hứa hẹn, đặc biệt khi mà ngƣời dùng không có nhiều thời gian để lƣớt nhiều trang web. Hệ thống quản lý thông tin di động lƣu trữ và cập nhật các thông tin vị trí của ngƣời sử dụng điện thoại di động, những ngƣời đƣợc phục vụ bởi hệ thống. Một chủ đề nóng trong lĩnh vực nghiên cứu quản lý thông tin di động là dự đoán di động. Dự đoán di động có thể đƣợc định nghĩa là dự đoán vị trí di chuyển tiếp theo của ngƣời sử dụng di động giữa các vùng trong hệ thống liên lạc cá nhân PCS hoặc mạng GSM. Dự đoán đó có thể đƣợc sử dụng để tăng hiệu quả của PCSs. Sử dụng dự đoán di chuyển, hệ thống có thể phân bổ nguồn tài nguyên một cách hiệu quả khả năng di chuyển đến các vùng thay vì phân bổ nguồn tài nguyên một cách không có định hƣớng trong các vùng lân cận của ngƣời sử dụng điện thoại di động. Hiệu quả phân bổ nguồn tài nguyên cho ngƣời dùng di động sẽ cải thiện việc sử dụng tài nguyên và giảm độ trễ trong việc tiếp cận các nguồn tài nguyên. Dự báo chính xác thông tin vị trí cũng rất quan trọng trong xử lý các truy vấn phụ thuộc vào vị trí của ngƣời dùng di động. Khi ngƣời dùng đƣa ra một truy vấn liên quan đến vị trí, câu trả lời cho truy vấn sẽ phụ thuộc vào vị trí hiện tại của ngƣời dùng. Nhiều phạm vi ứng dụng bao gồm cả lĩnh vực chăm sóc sức khỏe, khoa học sinh học, quản lý khách sạn, và lợi ích quân sự từ hiệu quả xử lý các truy vấn phụ thuộc vào vị trí. Với hiệu quả dự đoán về vị trí, có thể thể trả lời các truy vấn liên quan đến vị trí di chuyển tiếp theo của ngƣời sử dụng. So với số lƣợng công việc thực hiện cho việc cập nhật vị trí, một số ít đã đƣợc thực hiện trong lĩnh vực dự báo di chuyển. Những công việc này có một số hạn chế, đƣợc giải thích nhƣ sau:  Một số trong đó là sự không nỗ lực tìm kiếm các mẫu thông tin di động. Thay vào đó, các mẫu này đƣợc giả định là có sẵn. Những mẫu này sau đó đƣợc sử dụng để dự báo di chuyển.  Việc dự đoán đƣợc dựa trên khả năng phân bố của tốc độ và hƣớng của ngƣời sử dụng điện thoại di động. Để thu thập những thông tin nhƣ vậy, cần thiết phải có những công cụ rất tinh vi và tốn kém nhƣ hệ thống định vị toàn cầu (Global Positioning System - GPS). Khai phá luật dãy Nguyễn Đình Văn - 16 Nhằm khắc phục những hạn chế trên, ngƣời ta đã phát triển một thuật toán dự đoán di động hiệu quả. Những qui luật này đƣợc gọi là các mẫu di động. Sau đó, các luật di động này đƣợc trích xuất ra từ các mẫu di động. Các quy tắc di động đƣợc gắn với quỹ đạo hiện tại của một ngƣời sử dụng điện thoại di động, và đƣợc sử dụng cho các dự đoán hƣớng di chuyển tiếp theo của ngƣời dùng. Thuật toán dự đoán này là khai phá các mẫu di động của ngƣời dùng và sinh ra các luật di động, đƣợc thực hiện offline bởi hệ thống. Tuy nhiên, dự báo di chuyển đƣợc thực hiện online. Điều đó có nghĩa là bất cứ khi nào ngƣời dùng có ý định thực hiện một di chuyển trong một khu vực nhất định, một yêu cầu dự đoán sẽ đƣợc gửi đến hệ thống và dự đoán đƣợc thực hiện bởi hệ thống bằng cách sử dụng các luật di động dựa trên thuật toán dự đoán. Hình 1.5: Kiến trúc tổng thể của hệ thống quản lý thông tin di động 1.2.3 Luật dãy và luật kết hợp: một số đối sánh Vấn đề của luật kết hợp là tìm kiếm các mẫu thƣờng xuyên, các liên kết, các mối tƣơng quan, hoặc các cấu trúc có quan hệ nhân quả giữa tập các phần tử hoặc các đối tƣợng trong các CSDL giao dịch, CSDL quan hệ, các kho thông tin khác. Lĩnh vực khai phá luật kết hợp đƣợc phát triển với nhiều mục đích nhƣ thực hiện phân tích thói quen mua bán hàng, trong đó cần tìm những mặt hàng đƣợc mua với nhau nhiều nhất. Nhƣ trong khai phá web, khai phá luật kết hợp tìm các trang web liên quan đƣợc truy cập theo đợt, điều đó sẽ cung cấp những ƣớc tính nhất định về xác suất truy cập web. Ví dụ nhƣ “Nếu một ngƣời truy cập trang CNN thì có đến 60% khả năng họ sẽ truy cập trang ABC News trong tháng đó”. Trong khi đó, vấn đề của luật dãy là tìm kiếm các mẫu có liên quan đến yếu tố thời gian trên một CSDL dãy (các phần tử đƣợc sắp thứ tự), ví dụ nhƣ CSDL nhật ký duyệt web. Khai phá luật dãy đƣợc xem là mở rộng của khai phá luật kết hợp, vì luật kết hợp chỉ khảo sát các mẫu không có liên quan đến yếu tố thời gian. Khai phá luật dãy có vai trò rất quan trọng trong nhiều ứng dụng thực tế, ví dụ nhƣ việc phát hiện tri Khai phá luật dãy Nguyễn Đình Văn - 17 thức trong dữ liệu nhật ký web, do nhật ký web đƣợc sắp xếp theo thời gian. Khi đó, khai phá luật dãy có thể cho kết quả nhƣ “Nếu ngƣời dùng truy cập trang X, sau đó truy cập trang Y, thì c% khả năng sẽ truy cập trang Z”. 1.2.4 Sơ bộ về các phƣơng pháp khai phá luật dãy  Phƣơng pháp dựa trên Apriori (Apriori-based method) Thuật toán GSP dựa trên nguyên tắc duyệt dữ liệu theo chiều rộng (breadth-first), mở rộng của mô hình A-priori. Thuật toán GSP sử dụng phƣơng pháp “Tạo – Tỉa” (“Generating-Pruning”) đƣợc định nghĩa trong (Agrawal và cộng sự, 1993.) và thực hiện theo cách sau đây. Dãy ứng viên có độ dài (k +1) đƣợc tạo ra sử dụng phép nối hai dãy phổ biến, s1 và s2, có độ dài k, nếu dãy con thu đƣợc bằng cách lƣợc bỏ phần tử đầu tiên của s1 trùng với dãy con thu đƣợc bằng cách lƣợc bỏ phần tử cuối cùng của s2. Với ví dụ trong Hình 1.6, và k = 2, ta có s1 là <(DVD Rec, DVD-R)> và s2 là <(DVDR) (Video Soft)>, khi đó dãy ứng viên sẽ là <“(DVD Rec, DVD-R) (Video Soft)”> bởi dãy con đƣợc nói đến ở trên là <(DVD-R)> (chung của s1 và s2). Một phƣơng pháp khác sử dụng nguyên lý "Generating-Pruning" là PSP (Masseglia et al., 1998). Sự khác biệt chính với GSP là các ứng viên cũng nhƣ các dãy phổ biến đƣợc quản lý trong một cấu trúc hiệu quả hơn. Các phƣơng pháp trình bày cho đến nay đƣợc thiết kế để phụ thuộc ít nhất có thể vào bộ nhớ chính. Vì chúng cần phải tải toàn bộ CSDL (hoặc một ánh xạ của CSDL) trong bộ nhớ chính. Phƣơng pháp này đạt hiệu quả cao khi CSDL có thể phù hợp với bộ nhớ. Cust June 04, 2004 June 05, 2004 June 06, 2004 June 07, 2004 C1 Camcorder, MiniDV Digital Camera MemCard USB Key C2 Camcorder, MiniDV DVD Rec, DVD-R Video Soft C3 DVD Rec, DVD-R MemCard Video Soft USB Key C4 Camcorder, MiniDV Laptop DVD Rec, DVD-R Hình 1.6: Các dãy dữ liệu của 4 khách hàng mua trong 4 ngày  Phƣơng pháp dựa trên định dạng dọc (Vertical format-based method) Trong (Zaki, 2001), tác giả đề xuất thuật toán SPADE (Sequential PAttern Discovery using Equivalent Class – Khai phá mẫu dãy sử dụng lớp tƣơng đƣơng). Ý tƣởng chính của phƣơng pháp này là một phân cụm các dãy phổ biến dựa trên các tiền tố phổ biến của chúng và tính các dãy ứng viên nhờ một ánh xạ của CSDL (nạp trong bộ nhớ chính). SPADE chỉ cần quét CSDL ba lần để trích xuất các mẫu dãy. Lần quét đầu tiên nhằm tìm kiếm các phần tử thƣờng xuyên, lần thứ hai để tìm kiếm các dãy phổ biến có độ dài 2 (length 2) và lần cuối cùng để kết hợp các dãy phổ biến có độ dài 2, một bảng chứa định danh tƣơng ứng của các dãy và tập các phần tử trong CSDL (ví dụ nhƣ dữ liệu dãy có chứa các dãy phổ biến và mốc thời gian tƣơng ứng). Dựa trên những biểu diễn này trong bộ nhớ chính, độ hỗ trợ của các dãy ứng viên có độ dài k là kết quả của phép nối (join) trên các bảng liên quan đến các dãy phổ biến có độ dài (k 1) có thể sinh ra ứng viên này (nhƣ vậy, mọi thao tác sau khi khai phá các dãy phổ Khai phá luật dãy Nguyễn Đình Văn - 18 biến có chiều dài 2 đƣợc thực hiện trong bộ nhớ). SPAM (Ayres et al., 2002) là một phƣơng pháp khác mà cần phải ánh xạ CSDL trong bộ nhớ chính. Các tác giả đã đề xuất ánh xạ CSDL theo không gian điểm ảnh định dạng dọc (vertical bitmap) cho việc thể hiện các ứng viên và tính độ hỗ trợ.  Các phƣơng pháp dựa trên việc phát triển mẫu (Pattern growth based methods) Một cách tiếp cận khởi đầu cho khai thác mẫu dãy thực hiện phép chiếu đệ quy các dữ liệu dãy thành các CSDL nhỏ hơn. Đề xuất trong (Han et al., 2000), FreeSpan là thuật toán đầu tiên xem xét phƣơng pháp quy chiếu mẫu (pattern-projection) trong khai phá mẫu dãy. Công trình đƣợc tiếp tục với PrefixSpan, (Pei et al., 2001), dựa trên nghiên cứu về số lƣợng các ứng viên đƣợc đề xuất bởi phƣơng pháp GeneratingPruning. Bắt đầu từ các phần tử thƣờng xuyên của CSDL, PrefixSpan sinh ra CSDL quy chiếu với phần dữ liệu dãy còn lại. Các CSDL quy chiếu nhƣ vậy chứa các hậu tố của dữ liệu dãy từ CSDL gốc, đƣợc nhóm theo các tiền tố. Quá trình này đƣợc lặp đi lặp lại một cách đệ quy cho đến khi không có phần tử thƣờng xuyên nào đƣợc tìm thấy trong các CSDL quy chiếu. Ở mức này, mẫu dãy phổ biến là đƣờng đi của các phần tử thƣờng xuyên đến CSDL quy chiếu đó.  Các mẫu dãy đóng (Closed Sequential Patterns) Mẫu dãy đóng là mẫu dãy mà không đƣợc chứa trong mẫu dãy khác có cùng mức hỗ trợ. Xét CSDL minh họa trong hình 1.6, mẫu dãy phổ biến <(DVD Rec) (Video Soft)> không phải là mẫu dãy đóng vì nó đƣợc chứa trong mẫu dãy s 2 và có cùng độ hỗ trợ (50%). Mặt khác, mẫu dãy <(Camcorder, MiniDV)> là mẫu dãy đóng vì nó đƣợc chứa trong mẫu dãy s1 nhƣng có độ hỗ trợ là 75%, khác với độ hỗ trợ của s1 là 50%. Thuật toán đầu tiên cho việc trích xuất các mẫu dãy đóng là CloSpan (Yan et al., 2003) với việc phát hiện các mẫu tuần tự không đóng, tránh đƣợc một số lƣợng lớn các lần gọi đệ quy. Thuật toán CloSpan dựa trên việc phát hiện các mẫu tuần tự có độ dài 2, ví dụ nhƣ “A luôn xảy ra trƣớc hoặc sau B”. Xét CSDL trong hình 1.6, chúng ta biết rằng <(DVD Rec) (Video Soft)> là một mẫu thƣờng xuyên. Các tác giả của thuật toán CloSpan đề xuất các phƣơng pháp liên quan để chứng minh rằng <(DVD-R)> luôn luôn xảy ra trƣớc <(Video Soft)>. Dựa vào quan sát này, CloSpan có thể chỉ ra rằng <(Rec DVD, DVD-R) (Video Soft)> là mẫu thƣờng xuyên mà không cần bất kỳ lần quét CSDL nào nữa. Thuật toán BIDE (Wang và Han, 2004) là mở rộng của thuật toán CloSpan nhƣ sau. Đầu tiên, thông qua một phần mở rộng dãy mới, đƣợc gọi là BI-Directional Extension, thuật toán sử dụng cả hai phƣơng pháp là mẫu tiền tố và kiểm tra thuộc tính đóng để phát triển. Thứ hai, để lƣợc bớt không gian tìm kiếm sâu hơn so với phƣơng pháp tiếp cận trƣớc, thuật toán đề nghị một phƣơng pháp lƣợc bớt gọi là BackScan. Ý tƣởng chính của phƣơng pháp này là để tránh mở rộng dãy bằng cách phát hiện trƣớc phần mở rộng đã đƣợc chứa trong một dãy rồi. Khai phá luật dãy Nguyễn Đình Văn - 19  Khai phá mẫu dãy tăng dần (Incremental Mining of Sequential Patterns) Khi CSDL phát triển, vấn đề duy trì các mẫu dãy trong một thời gian dài trở nên rất cần thiết vì một số lƣợng lớn các bản ghi mới có thể đƣợc thêm vào CSDL. Để phản ánh hiện trạng của CSDL, ở đó các mẫu dãy trƣớc đó sẽ trở nên không thích hợp và các mẫu dãy mới có thể xuất hiện, các cách tiếp cận hiệu quả mới đã đƣợc đề xuất. (Masseglia et al, 2003.) đề xuất một giải thuật hiệu quả, đƣợc gọi là ISE, để tính toán các dãy phổ biến trong CSDL cập nhật. Giải thuật ISE giảm thiểu chi phí tính toán bằng cách tái sử dụng các thông tin tối thiểu từ các dãy phổ biến cũ, tức là độ hỗ trợ của các dãy phổ biến. Các tính năng chính mới của ISE là tập các dãy ứng viên cần kiểm tra đƣợc giảm đáng kể. Các thuật toán SPADE đã đƣợc mở rộng trong thuật toán ISM (Parthasarathy et al, 1999.). Để cập nhật mức hỗ trợ và liệt kê các dãy phổ biến, ISM duy trì “các dãy phổ biến tối đa” (“maximally frequent sequences”) và “các dãy không thƣờng xuyên tối thiểu” (“minimally infrequent sequences”). KISP (Lin và Lee, 2003) cũng đề xuất để tận dụng những kiến thức đã đƣợc tính toán trƣớc và tạo ra một nền tảng kiến thức cho các truy vấn bổ sung về mẫu dãy và các giá trị hỗ trợ khác nhau.  Mở rộng vấn đề dựa trên việc trích xuất các mẫu dãy (Extended Problems Based on the Sequential Pattern Extraction) Đƣợc thúc đẩy bởi các ứng dụng tiềm năng cho khai phá mẫu dãy, nhiều mở rộng của định nghĩa ban đầu đã đƣợc đề xuất có thể liên quan đến việc bổ sung các ràng buộc hoặc định dạng của các mẫu. Trong (Pei et al., 2002) tác giả đã liệt kê một số những ràng buộc hữu ích nhất cho việc trích xuất các mẫu dãy. Những ràng buộc này có thể đƣợc xem nhƣ là những bộ lọc đƣợc áp dụng cho việc trích xuất các mẫu, nhƣng hầu hết các phƣơng pháp thông thƣờng dùng chúng cho việc liệt kê trong suốt quá trình xử lý. Các bộ lọc này có thể liên quan tới các phần tử (“trích xuất các mẫu chỉ chứa các phần tử Camcorder”) hoặc theo độ dài của mẫu. Định nghĩa mẫu dãy cũng đã đƣợc điều chỉnh bởi một số nghiên cứu. Ví dụ (Kum et al., 2003) đã đề xuất ApproxMap để khai phá các mẫu dãy gần đúng. ApproxMap đầu tiên đề xuất phân cụm dữ liệu dãy dựa trên các phần tử của chúng. Sau đó, mỗi cụm ApproxMap cho phép trích xuất các mẫu dãy gần đúng liên quan tới các cụm này. Ta xét các CSDL trong hình 1.6 nhƣ một cluster. Bƣớc đầu tiên của quá trình trích xuất là cung cấp các dữ liệu dãy của cluster với một sự liên kết tƣơng tự nhƣ của tin sinh học. Camcorder, MiniDV Camcorder, MiniDV Camcorder, MiniDV DigiCam Laptop Khai phá luật dãy MemCard DVD Rec, DVD-R DVD Rec, DVD-R DVD Rec, DVD-R USB Key Video Soft MemCard Video Soft USB Key Nguyễn Đình Văn - 20 Camcorder: 3 DigiCam: 1 DVD Rec: 3 MemCard: 2 Video Soft: 2 USB Key: 2 MiniDV: 3 Laptop: 1 DVD-R: 3 Hình 1.7: Các liên đƣợc đề xuất đối với dữ liệu dãy của Hình 1.6 Dãy cuối cùng trong Hình 1.7 thể hiện dãy trọng số thu đƣợc bởi ApproxMap trên dãy Hình 1.6. Với độ hỗ trợ 50%, dãy trọng số cho các mẫu gần đúng đƣợc đƣa ra nhƣ sau: <(Camcorder: 3, MiniDV: 3) (DVD Rec: 3, DVD-R: 3) (MemCard: 2) (Video Soft: 2) (USB Key: 2)>. Khai phá luật dãy Nguyễn Đình Văn