Tài liệu Phân lớp phân cấp taxonomy văn bản web và ứng dụng

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Thị Hương Thảo PHÂN LỚP PHÂN CẤP TAXONOMY VĂN BẢN WEB VÀ ỨNG DỤNG KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hướng dẫn: TS. Hà Quang Thụy Cán bộ đồng hướng dẫn: CN. Đặng Thanh Hải HÀ NỘI - 2006 Tóm tắt nội dung Phân lớp văn bản là quá trình gán văn bản một cách tự động vào một hoặc nhiều lớp cho trước. Tuy nhiên, trong trường hợp có số lượng khá lớn các lớp, bài toán sẽ phức tạp hơn rất nhiều, do đó, khi tiến hành phân lớp thường cho kết quả có độ chính xác không cao. Vì vậy, một vấn đề được đặt ra là cần phân lớp các văn bản sử dụng cấu trúc phân cấp. Hiện nay, bài toán này đã và đang trở thành lĩnh vực nhận được nhiều sự quan tâm, nghiên cứu của nhiều nhà khoa học trên thế giới. Khoá luận tốt nghiệp với đề tài "Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng" nghiên cứu nội dung, các thuộc tính, các thuật toán giải quyết bài toán phân lớp phân cấp. Khóa luận đã tiến hành thực nghiệm trên 12 lớp dữ liệu, sử dụng thuật toán máy vector hỗ trợ, kết quả thu được rất tốt với độ đo F1 trung bình lên tới gần 90%. Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Lời mở đầu Trích chọn thông tin trên Web đã và đang tạo thêm nhiều tài nguyên thông tin, tri thức mới đáp ứng ngày càng hiệu quả nhu cầu thông tin của con người. Ngày nay, công nghệ trích chọn thông tin trên Web đã hình thành loại hình dịch vụ đầy triển vọng trong việc cung cấp thông tin phong phú và hữu ích từ nguồn dữ liệu được coi là vô hạn trên Web. Một trong những bài toán cơ bản và quan trọng trong trích chọn thông tin trên Web là bài toán phát hiện các quan hệ của các lớp đối tượng trên Web mà quan hệ phân cấp giữa chúng là một loại quan hệ điển hình. Để thực hiện việc phát hiện mối quan hệ phân cấp giữa các lớp đối tượng trên Web thì bài toán đầu tiên cần giải quyết đó là bài toán phân lớp tự động các đối tượng. Tự động phân lớp văn bản là một nhiệm vụ rất quan trọng có thể giúp ích trong việc tổ chức cũng như tìm kiếm thông tin trên nguồn tài nguyên lớn này. Phân lớp văn bản là quá trình gán văn bản một cách tự động vào một hoặc nhiều lớp cho trước. Trong các nghiên cứu phân lớp văn bản, hầu hết đều tập trung vào bài toán phân lớp mà các lớp cho trước được xem là tách biệt nhau và không có cấu trúc xác định mối quan hệ giữa chúng. Những bài toán phân lớp như vậy được gọi là bài toán phân lớp phẳng (flat classification). Tuy nhiên, trong trường hợp có số lượng khá lớn các lớp, bài toán sẽ phức tạp hơn rất nhiều và khi thực hiện các giải pháp phân lớp thường cho kết quả không chính xác. Vì vậy, một vấn đề được đặt ra là cần phân lớp các văn bản sử dụng cấu trúc phân cấp. Thực hiện công việc này mặc nhiên cũng đã bao hàm vấn đề phát hiện quan hệ phân cấp giữa các lớp đối tượng như đã nói ở trên. Về bản chất đây cũng được coi là một loại quan hệ ngữ nghĩa giữa các đối tượng và lớp đối tượng. Bài toán cần được giải quyết là phát hiện các lớp và kiến trúc các lớp đã được phát hiện vào một cây phân cấp. Đây là bài toán phân lớp phân cấp. Phân lớp phân cấp cho phép định hướng vào bài toán phân lớp lớn ban đầu và sử dụng phương pháp chia nhỏ và đệ quy. Khoá luận tốt nghiệp với đề tài "Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng" nghiên cứu nội dung, các thuộc tính, các thuật toán giải quyết bài toán phân lớp phân cấp và cố gắng đưa ra một số nhận xét, đề xuất thích hợp và thi hành chương trình thực nghiệm để kiểm chứng tính khả thi của phương pháp. Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 1 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Khóa luận được tổ chức thành ba chương mà nội dung chính của các chương được giới thiệu như dưới đây. Chương 1. Tổng quan về Taxonomy và phân lớp văn bản trình bày những nét cơ bản nhất về taxonomy, các khái niệm và nội dung cơ bản về bài toán phân lớp văn bản. Chương này cũng trình bày một số thuật toán phân lớp văn bản điển hình, đặc biệt tập trung vào thuật toán SVM - thuật toán hiện nay được đánh giá là bộ phân lớp nhanh và hiệu quả nhất với bài toán phân lớp văn bản. Chương 2. Phân lớp phân cấp Taxonomy văn bản Web nghiên cứu các phương pháp giải quyết bài toán phân lớp phân cấp và cách xây dựng các bộ phân lớp cho cây phân cấp văn bản. Chương này cũng giới thiệu một số phương pháp đánh giá cho bài toán phân lớp phẳng và độ đo dựa vào khoảng cách và độ tương tự giữa các lớp. Chương 3. Thực nghiệm trình bày các kết quả thực nghiệm thu được khi áp dụng thuật toán SVM và phương pháp phân lớp phân cấp theo hướng top-down. Một số nhận xét, đánh giá kết luận cũng được trình bày. Phần kết luận tổng kết các kết quả của khóa luận và trình bày định hướng phát triển nội dung của khóa luận. Bài toán phân lớp phân cấp văn bản Web thực sự có ý nghĩa về nghiên cứu và triển khai. Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 2 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng MỤC LỤC Chương I. TỔNG QUAN VỀ TAXONOMY VÀ PHÂN LỚP PHÂN CẤP ........5 1.1. Giới thiệu Taxonomy ........................................................................................5 1.2. Phân lớp văn bản..............................................................................................6 1. 2.1. Một số khái niệm ......................................................................................7 1.3. Quá trình tiền xử lý dữ liệu ............................................................................11 1.3.1.1. Phương pháp biểu diễn tài liệu .............................................................12 1.3.1.2. Quá trình lựa chọn thuộc tính...............................................................14 1.4. Các thuật toán phân lớp văn bản ...................................................................19 1.4.1. Thuật toán K người láng giềng gần nhất .................................................19 1.4.2. Thuật toán phân lớp AdaBoost................................................................19 1.4.3. Thuật toán máy vector hỗ trợ ..................................................................21 Chương II. PHÂN LỚP VĂN BẢN WEB SỬ DỤNG CẤU TRÚC PHÂN CẤP TAXONOMY ...........................................................................................................27 2.1. Hai phương pháp phân lớp phân cấp.............................................................27 2.2. Phân lớp phân cấp văn bản theo hướng top-down ........................................28 2.2.1. Mô hình phân lớp ....................................................................................28 2.2.2. Xây dựng các bộ phân lớp nhị phân .......................................................31 2.3. Đánh giá .........................................................................................................32 2.3.1. Đánh giá cho bài toán phân lớp phẳng ....................................................32 2.3.2. Đánh giá dựa vào độ tương tự .................................................................34 Chương III. THỰC NGHIỆM ...............................................................................37 3.1. Dữ liệu và chương trình .................................................................................37 3.2. Môi trường thực nghiệm.................................................................................40 3.3. Kết quả và đánh giá........................................................................................40 3.3.1. Thực nghiệm1 : Phân lớp phân cấp theo hướng top-down .....................40 3.3.2. Thực nghiệm 2 : Khảo sát sự phụ thuộc thời gian huấn luyện và kết quả vào tập thuộc tính. .............................................................................................46 KẾT LUẬN. .............................................................................................................52 Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 3 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng TÀI LIỆU THAM KHẢO.......................................................................................54 Tài liệu Tiếng Việt .................................................................................................54 Tài liệu Tiếng Anh .................................................................................................54 PHỤ LỤC A. DANH SÁCH TỪ DỪNG ...............................................................57 Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 4 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Chương I. TỔNG QUAN VỀ TAXONOMY VÀ PHÂN LỚP PHÂN CẤP 1.1. Giới thiệu Taxonomy Vào những năm 90 của thế kỉ XX, khái niệm taxonomy được sử dụng trong nhiều lĩnh vực khác nhau như tâm lý học, khoa học xã hội và công nghệ thông tin... để thiết lập sự trùng hợp giữa thuật ngữ của người sử dụng và thuật ngữ của hệ thống. Các chuyên gia đầu tiên phát triển cấu trúc hệ thống Web đã dùng thuật ngữ taxonomy để nói về tổ chức nội dung các trang web. Và từ đó, khái niệm taxonomy được sử dụng rộng rãi với mục đích này. Do được sử dụng trong nhiều lĩnh vực khác nhau, nên có nhiều định nghĩa khác nhau về taxonomy. Từ năm 2000 đến năm 2005, có khoảng 36 định nghĩa khác nhau về taxonomy trong các nguồn tài liệu [24]. Trong lĩnh vực công nghệ thông tin, taxonomy được định nghĩa như sau : Định nghĩa : Taxonomy là sự phân loại của toàn bộ thông tin trong một hệ phân cấp theo một mối quan hệ có trước của các thực thể trong thế giới thực mà nó biểu diễn. Một taxonomy thường được mô tả với gốc ở trên cùng, mỗi nút của taxonomy – bao gồm cả gốc – là một thực thể thông tin đại diện cho một thực thể trong thế giới thực. Giữa các nút trong taxonomy có một mối quan hệ đặc biệt gọi là is subclassification of nếu hướng liên kết từ nút con lên nút cha hoặc là is superclassification of nếu hướng liên kết từ nút cha xuống nút con. Đôi khi những quan hệ này được xác định một cách chặt chẽ hơn là is subclass of hoặc is superclass of, nếu thực thể thông tin là một lớp đối tượng. Hình 1.1. mô tả một taxonomy đơn giản gồm lớp Person, lớp con của nó là Employee, Manager; Lớp cha của Person là Agent. Khi đi lên từ gốc của taxonomy, các thực thể chung chung hơn. Khi đi xuống những lá ở cuối, thực thể xác định rõ ràng hơn. Ví dụ, Agent chung chung hơn Person, Employee cụ thể hơn Person. Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 5 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Hình 1.1. Taxonomy đơn giản Taxonomy rất có ích cho việc phân lớp thực thể thông tin theo ngữ nghĩa, chúng thiết lập một quan hệ ngữ nghĩa đơn giản để phân biệt giữa các đối tượng trong một miền thông tin. Taxonomy đóng vai trò rất quan trọng trong việc tổ chức thông tin và tổ chức tri thức. Nó được sử dụng chủ yếu để giúp cho việc tìm kiếm và duyệt thông tin thuận lợi và nhanh chóng hơn, đặc biệt khi ta chỉ có những thông tin chung chung về vấn đề cần tìm kiếm. Khi tìm kiếm trên Internet, nếu sử dụng từ khoá để tìm kiếm thông tin, kết quả trả về có thể từ vài nghìn đến vài chục nghìn tài liệu về các chủ đề khác nhau. Sử dụng taxonomy để tìm kiếm và duyệt thông tin sẽ tiết kiệm được rất nhiều thời gian cho người dùng để tìm được thông tin cần thiết. Đồng thời, taxonomy cho phép các máy tìm kiếm và các ứng dụng có thể dễ dàng tìm được các thực thể thông tin nhanh và chính xác hơn nhiều. Taxonomy đã được áp dụng trong nhiều bài toán khác nhau: OU Shi-yan, KHOO Christopher S.G, GOH Dion H. (2005 [15]) xây dựng taxonomy hỗ trợ việc tóm tắt tự động văn bản; H.T.Kung và C.H.Wu xây dựng taxonomy cho mạng nội dung [9], Wollersheim và Rahayu (2002 [5]) xây dựng một taxonomy hỗ trợ việc duyệt cơ sở dữ liệu về y tế. 1.2. Phân lớp văn bản Trong những năm gần đây, với sự phát triển và ứng dụng của Internet, khối lượng dữ liệu đã tăng trưởng không ngừng theo cả hai phương diện tạo mới và lưu trữ. Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 6 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Sự mở rộng các dữ liệu khoa học về địa lý, địa chất, khí tượng do vệ tinh thu thập, sự giới thiệu quảng bá mã vạch đối với hầu hết các sản phẩm thương mại, việc tin học hoá sâu rộng các thương vụ và giao dịch, sự phát triển việc ứng dụng công nghệ thông tin trong quản lý hành chính nhà nước.... đã tạo ra một khối lượng dữ liệu khổng lồ. Tự động phân lớp văn bản là một nhiệm vụ rất quan trọng có thể giúp ích trong việc tổ chức cũng như tìm kiếm thông tin trên nguồn tài nguyên lớn này. 1. 2.1. Một số khái niệm Phân lớp văn bản (Text Classification) là quá trình gán nhãn các văn bản ngôn ngữ tự nhiên một cách tự động vào môt hoặc nhiều lớp cho trước. Thông thường, các lớp cho trước là các chủ đề nào đó, nhưng cũng có nhiều ứng dụng mà các lớp được thiết lập theo những tiêu chí khác, ví dụ phân lớp theo thể loại, phân lớp theo độ ưu tiên.... Hầu hết các bài toán này sẽ tốn thời gian, công sức và đôi khi không chính xác nếu được phân loại một cách thủ công - tức là đọc từng văn bản và gán vào một lớp nào đó. Phân loại những đối tượng mới vào các lớp bằng phương pháp thủ công gặp phải những khó khăn sau: ♦ Đối với các lĩnh vực đặc biệt, phân loại các đối tượng mới (như cơ sở dữ liệu về y tế, pháp luật) vào các lớp cho trước cần có hiểu biết về các lĩnh vực đó. ♦ Phân lớp bằng tay đôi khi không chính xác vì quyết định phụ thuộc vào sự hiểu biết và động cơ của người thực hiện. ♦ Quyết định của hai chuyên gia khác nhau có thể nảy sinh bất đồng ý kiến. Vì vậy những công cụ để tự động phân lớp văn bản vào các lớp sẽ rất hữu ích với công việc này nhất là khi thông tin tràn ngập như ngày nay. Một số phương pháp phân lớp thống kê và kĩ thuật học máy như Bayesian, máy vector hỗ trợ (Support Vector Machines), K người láng giềng gần nhất (K-NN), mạng nơron ... được áp dụng để giải quyết bài toán này. Rõ ràng, kĩ thuật phân lớp văn bản là rất cần thiết, nhất là ngày nay khi hầu hết các thông tin được sinh ra và lưu trữ điện tử. Các bài báo khoa học và giải trí là những ví dụ về tập các tài liệu điện tử. Với sự phát triển ngày càng mạnh mẽ của mạng Internet và Intranet đã tạo ra nguồn thông tin vô cùng phong phú. Các kĩ thuật phân lớp văn bản sẽ giúp cho nguồn dữ liệu này được lưu trữ tự động một cách hiệu quả và được tìm kiếm nhanh chóng. Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 7 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Phân lớp văn bản được xuất hiện từ những năm 1960, nhưng chỉ 15 năm sau, nó đã trở thành lĩnh vực nghiên cứu chính trong hệ thống thông tin bởi sự đa dạng của các ứng dụng. Phân lớp văn bản được sử dụng để hỗ trợ trong quá trình tìm kiếm thông tin (Information Retrieval), trích lọc thông tin (Information Extraction), lọc văn bản hoặc tự động dẫn đường cho các văn bản tới những chủ đề xác định trước. Một ứng dụng khác của phân lớp văn bản là trong lĩnh vực hiểu văn bản. Phân lớp văn bản có thể được sử dụng để lọc văn bản hoặc một phần văn bản chứa các dữ liệu cần tìm mà không làm mất đi tính phức tạp của ngôn ngữ tự nhiên. Định nghĩa phân lớp văn bản: Phân lớp văn bản là nhiệm vụ đặt một giá trị Boolean cho mỗi cặp (dj, ci) ∈ D × C , trong đó D là tập các văn bản và C= {c1,c2.....cc} là tập các lớp cho trước. Giá trị T (True) được gán cho cặp ( d j , ci ) có nghĩa là tài liệu d j thuộc lớp ci ; Giá trị F (False) tức là tài liệu d j không thuộc lớp ci . Hoặc, phân lớp văn bản là bài toán tìm một hàm Φ : D × C → {T , F } trong đó D là tập các văn bản và C= {c1,c2.....cc } là tập các lớp cho trước, hàm Φ : D × C → {T , F } được gọi là bộ phân lớp. Tuỳ vào bài toán khác nhau, ta có các ràng buộc khác nhau. Nhìn chung có thể phân biệt bài toán phân lớp theo hai cách sau : • Phân lớp văn bản nhị phân/ đa lớp: Bài toán phân lớp văn bản được gọi là nhị phân nếu C =2, gọi là đa lớp nếu C >2. • Phân lớp văn bản đơn nhãn/ đa nhãn: Bài toán phân lớp văn bản được gọi là đơn nhãn nếu mỗi tài liệu được gán vào chính xác một lớp. Một bài toán phân lớp văn bản được gọi là đa nhãn nếu một tài liệu có thể được gán nhiều hơn một nhãn. Về mặt lý thuyết, thuật toán phân lớp nhị phân cũng có thể được sử dụng cho { } bài toán phân lớp đa lớp bằng cách chuyển bài toán đa lớp c1 , c2 ,...., c C thành |C| bài toán nhị phân {ci , ci } với i = 1,..., C . Hơn nữa thuật toán phân lớp đa lớp có thể được sử dụng để giải quyết bài toán phân lớp đa nhãn. Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 8 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Do đó, bài toán phân lớp nhị phân là bài toán rất quan trọng trong các ứng dụng của phân lớp văn bản. Giải quyết bài toán phân lớp nhị phân cũng có nghĩa là giải quyết bài toán phân lớp đa lớp – ứng dụng quan trọng trong phân lớp văn bản. Bài toán lọc văn bản (text filtering), lọc thư rác (spam mail) là những ứng dụng điển hình của phân lớp nhị phân. 1. 2.2. Phân lớp văn bản sử dụng cấu trúc phân cấp Mặc dù các lớp văn bản được tổ chức thành cây phân cấp, ví dụ các tài liệu Web, thư viện điện tử, thư mục thư điện tử, các lớp sản phẩm.... Tuy nhiên cho đến giữa những năm 1990, nhiều nhà nghiên cứu hầu như bỏ qua cấu trúc phân cấp của các lớp. Đặc biệt với các hệ thống phân lớp lớn trong đó số lượng các lớp từ vài chục đến hàng trăm, nếu sử dụng các kĩ thuât phân lớp văn bản phẳng thì sẽ rất phức tạp đồng thời kết quả phân lớp không cao, bởi vì để phân biệt giữa hàng trăm lớp như vậy là rất khó khăn. Vì vậy vấn đề đặt ra là cần phân lớp phân cấp. Năm 1997 Koller và Sahami đưa ra bài báo đầu tiên về vấn đề phân lớp văn bản sử dụng cấu trúc phân cấp [6]. Từ kết quả thực nghiệm, bài báo chỉ ra rằng phân lớp phân cấp cho kết quả tốt hơn so với phân lớp phẳng. Sau bài báo này, rất nhiều hướng nghiên cứu về bài toán phân lớp phân cấp được đề xuất : Soumen Chakrabarti [19]; Dumais và Chen (2000 [21]); Sun và Lim (2001 [3]) ; Ruiz và Srinivasan (2002 [14]); Cai và Hofmann (2004 [11]), Yongwook Yoon (2005 [23]).... Trong khoảng bốn năm gần đây, phân lớp phân cấp đã trở thành lĩnh vực nhận được nhiều sự quan tâm và nghiên cứu của nhiều nhà khoa học trên thế giới. 1. 2.2.1. Định nghĩa và một số khái niệm Hệ đẳng cấp (H) : Một hệ đẳng cấp H = (N, E) là một đồ thị có hướng bao gồm tập các nút N và tập các cạnh (Np, Nc). Hướng của một cạnh (Np, Nc) được xác định từ nút cha Np đến nút con trực tiếp Nc , xác định qua toán tử quan hệ N p → N c được gọi là liên kết trực tiếp (direct path) từ Np đến Nc. Tồn tại một nút gọi là nút gốc của cây phân cấp. Các nút không có con là là nút lá. Tất cả các nút trừ nút lá và nút gốc được gọi là các nút trong. Bài toán phân lớp sử dụng cây phân cấp H là việc tìm một hàm Φ sao cho : Φ( D, C i ) = T ⇒ Φ ( D, C j ) = T nếu C j → Ci , C j , Ci ∈ H Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 9 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Trong đó H là cấu trúc phân cấp xác định mối quan hệ giữa các lớp. Mối quan hệ Ci → C j thể hiện mối quan hệ IS-A trong đó lớp Cj là cha của Ci trong cây phân cấp H. Tất cả các tài liệu thuộc lớp Ci đều thuộc lớp Cj . Mối quan hệ này là bất đối xứng (Ví dụ, xem xét quan hệ giữa chó và động vật, chúng ta có "tất cả loài chó là động vật, nhưng không phải tất cả động vật đều là chó") và có tính chất bắc cầu (Ví dụ, xem xét quan hệ giữa cây, cây xanh và cây thông chúng ta có "tất cả cây thông là cây xanh và tất cả cây xanh là cây thì tất cả cây thông là cây"). Mục tiêu là tìm một hàm đánh giá bằng cách sử dụng tập tài liệu thoả mãn điều kiện ràng buộc của hệ phân cấp. Với bài toán phân lớp phân cấp, có hai vấn đề cần được quan tâm : ♦ Cấu trúc của hệ phân cấp: – Cấu trúc taxonomy (như trình bày ở phần 1) trong đó mỗi lớp (trừ lớp gốc) có đúng một lớp cha. – Cấu trúc đồ thị có hướng phi chu trình (Directed Acyclic Graph) trong đó một lớp có thể có nhiều hơn một lớp cha. ♦ Yêu cầu các lớp chứa văn bản : – Các tài liệu chỉ được gán vào các nút lá của hệ phân cấp. – Các tài liệu có thể được gán vào cả nút lá lẫn nút trong của hệ phân cấp. Khóa luận này chỉ giải quyết bài toán trong trường hợp cấu trúc hệ phân cấp là taxonomy và văn bản có thể được gán vào cả nút lá lẫn nút trong của taxonomy. 1.2.2.2. Phân lớp đa lớp sử dụng cấu trúc phân cấp Không giống như phân lớp phẳng trong đó các ứng dụng nhị phân là phổ biến (ví dụ, lọc thư rác, lọc văn bản), phân lớp văn bản sử dụng cấu trúc phân cấp là nhiều lớp. Thậm chí khi chúng ta chia bài toán lớn ban đầu thành các bài toán nhỏ hơn, hiếm khi số lớp là hai. Hầu hết các thuật toán học trạng thái ví dụ Naive Bayes, cây quyết định, mạng noron,... liên quan đến nhiều lớp. Tuy nhiên, có những thuật toán như máy máy vector hỗ trợ được xây dựng để làm việc chỉ với vấn đề nhị phân. Trong những trường hợp này, có một số phương pháp để chuyển bài toán phân lớp nhiều lớp thành bài toán phân lớp nhị phân. Cách đơn giản nhất là chúng ta chuyển vấn đề n lớp cho Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 10 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng trước thành n vấn đề nhị phân: bài toán nhị phân thứ i tương ứng với một cây quyết định xem tài liệu có thuộc về lớp thứ i hay không?. 1.2.2.3. Phân lớp đa nhãn sử dụng cấu trúc phân cấp Hầu hết các ứng dụng thực của phân lớp phân cấp văn bản là bài toán đa nhãn, có nghĩa là một văn bản có thể được gán vào nhiều hơn một lớp. Ví dụ, bài báo về David Beckham và Victoria có thể thuộc lớp Sport/Football hoặc Entertainment/Music. Để giải quyết bài toán này, mỗi thuật toán phân lớp sẽ có những chiến lược khác nhau. Ví dụ, thuật toán Naive Bayes có thể gán một văn bản không chỉ vào lớp có xác suất dự đoán cao nhất mà sẽ gán vào tất cả các lớp có xác suất cao hơn một ngưỡng nào đó. Với các thuật toán khác, giải pháp phổ biến là chuyển bài toán n lớp thành n bài toán nhị phân. 1.2.2.4. Ứng dụng Rất nhiều ý tưởng nghiên cứu được được thử nghiệm trên tập dữ liệu Reuters21578 và 20 News Group và một số nguồn dữ liệu khác từ thư mục Yahoo và DMOZ.... Bên cạnh những tập hợp dữ liệu này, phân lớp phân cấp văn bản cũng thu được kết quả rất tốt khi áp dụng cho những miền dữ liệu khác. Phân loại thư cũng là một ứng dụng của phân lớp phân cấp văn bản. Một ứng dụng khác của phân lớp phân cấp văn bản là áp dụng cho máy tìm kiếm. Như chúng ta đã biết, khi người dùng tìm kiếm, số lượng kết quả trả về rất nhiều (có thể vài nghìn tài liệu liên quan đến từ khoá tìm kiếm), trong số đó chỉ có rất ít tài liệu đáp ứng mong muốn của người dùng. Vì vậy, thay vì trả về một danh sách các văn bản cho người sử dụng, những hệ thống này sẽ trả lại kết quả tìm kiếm được tổ chức thành một hệ phân cấp các chủ đề hữu hạn cho trước. Những biểu diễn như thế này sẽ giúp người sử dụng dễ dàng tìm kiếm thông tin họ cần. Việc này có thể thu được bằng cách tính hạng của kết quả trả về bởi máy tìm kiếm trong một hệ phân cấp chủ đề cho trước. 1.3. Quá trình tiền xử lý dữ liệu Phân lớp văn bản là quá trình gồm hai bước, với mục đích phân các tài liệu văn bản vào các lớp hữu hạn có trước. Trong bước thứ nhất, một mô hình của bộ phân lớp được xây dựng bằng cách phân tích nội dung các trang văn bản trong tập dữ liệu huấn Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 11 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng luyện thông qua việc áp dụng các thuật toán học. Tập dữ liệu huấn luyện là tập hợp các trang văn bản trong cơ sở dữ liệu đã được gán nhãn từ trước. Trong bước thứ hai, mô hình này được sử dụng cho việc phân lớp các trang văn bản chưa được gán nhãn. Để xây dựng mô hình trong bước thứ nhất, thông thường, được chia ra làm hai bước chính sau (Hình 1.2): ♦ Tiền xử lý dữ liệu: là quá trình biểu diễn văn bản thành một dạng biểu diễn logic mà thuật toán có thể xử lý được (ví dụ, dạng biểu diễn vector của văn bản). ♦ Học các bộ phân lớp : sử dụng các thuật toán phân lớp để xây dựng mô hình từ dữ liệu đã qua tiền xử lý. Văn bản Tiền xử lý Biểu diễn logic Phân lớp Mô hình Cây phân cấp Hình 1.2. Quá trình xây dựng mô hình được chia thành hai bước : tiền xử lý dữ liệu và học các bộ phân lớp 1.3.1.1. Phương pháp biểu diễn tài liệu Trong bài toán phân lớp văn bản, cách biểu diễn văn bản đóng vai trò rất lớn. Một tài liệu được biểu diễn dưới dạng một tập hợp các từ, mỗi từ được xem là một thuộc tính (feature) và văn bản tương ứng với một vector thuộc tính. Đôi khi, thay vì những từ đơn, các thuộc tính có thể được biểu diễn bằng các cụm từ hoặc chuỗi n từ với n >= 2. Dễ dàng thấy, nhiều thuộc tính phức tạp có thể giàu thông tin hơn. Ví dụ, cụm từ “world wide web” mang nhiều thông tin hơn từng từ riêng biệt. Tuy nhiên, trong thực hành, sử dụng n-grams dẫn tới việc có quá nhiều số lượng thuộc tính và có thể làm việc giải quyết bài toán khó khăn hơn. Theo các nghiên cứu về các phương pháp biểu diễn văn bản khác nhau, đặc biệt là khi so sánh ảnh hưởng và hiệu quả của nó thì không có cách biểu diễn văn bản nào tốt hơn cách biểu diễn bằng tập các từ riêng biệt (isolated words) được lấy ra từ văn bản gốc. Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 12 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Sau khi xác định được các thuộc tính, chúng ta cần tính giá trị thuộc tính (hoặc trọng số từ khoá) cho mỗi văn bản. Mỗi từ mục ti trong một tài liệu được gán một trọng số wi và do đó, mỗi tài liệu được biểu diễn như một vector. Trọng số từ khoá có thể được tính toán bằng nhiều cách khác nhau. Cách đơn giản nhất là gán trọng số bằng một giá trị nhị phân chỉ ra từ mục có mặt hay không có mặt trong văn bản. Phương pháp khác là tính số lần xuất hiện của từ mục trong một tài liệu gọi là tần suất từ mục. Tần suất từ mục được tính theo công thức : freq (tk , Di ) = occ(tk , Di ) N Trong đó N là tổng số từ mục của tài liệu Di và occ(tk,Di) là số lần xuất hiện của từ tk trong văn bản Di . Phương pháp này có vẻ rất trực quan, nhưng mặt hạn chế của phương pháp này là : nếu một từ xuất hiện nhiều lần trong tài liệu sẽ có tần xuất cao. Tuy nhiên nếu những từ này đều xuất hiện trong tất cả các văn bản thì nó sẽ không mang nhiều thông tin ngữ nghĩa của văn bản, và do đó độ quan trọng của nó giảm đi. Thông thường tần suất của các từ mục trong văn bản là không đồng đều nhau. Một số từ mục xuất hiện rất thường xuyên, trong khi đó, một nửa số từ mục xuất hiện chỉ một lần. Để giải quyết hạn chế này, tần xuất logarit (tương tự với tần xuất từ mục) được đề xuất và tính theo công thức : freq(t k , Di ) = log(1 + freq(t k , Di )) Phương pháp thứ hai được sử dụng phổ biến hơn phương pháp tần suất từ mục, nhưng phương pháp này vẫn chưa giải quyết triệt để hạn chế của phương pháp tần suất từ mục. Theo đó, một từ xuất hiện nhiều lần có tần suất cao, từ xuất hiện ít có tần suất thấp. Phương pháp chuẩn thường được sử dụng là Term Frequency Inverse Document Frequency (TFIFF), hàm tính trọng số từ khoá được xác định bởi công thức : ⎛| D|⎞ TFIDFl ,d = freql ,d ∗ log ⎜ ⎟ ⎝ dfl ⎠ Trong đó, tần xuất từ mục l trong tài liệu d : freql ,d là số lần xuất hiện của từ mục l trong tài liệu d Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 13 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Tần xuất văn bản dfl là số văn bản trong tập tài liệu có chứa từ mục l . D là tổng số tài liệu học. Trọng số TFIDF của một từ mục biểu diễn độ quan trọng của từ mục. TFIDF của một từ mục trong một tài liệu sẽ giảm nếu như từ đó xuất hiện trong hầu hết các văn bản. Vì vậy, một từ xuất hiện quá ít hoặc quá nhiều được đánh giá ít quan trọng hơn so với các từ xuất hiện cân bằng. Trọng số TFIDF của một từ mục trong toàn bộ tập tài liệu D được tính bởi : TFIDFl = ∑ TFIDFl ,d d ∈D TFIDFl ∈ R Với bài toán phân lớp sử dụng cấu trúc phân cấp, khóa luận đề xuất một phương pháp đánh trọng số đối với các nút trong cây phân lớp trong quá trình phân lớp. Như chúng ta thấy, đối với các thuộc tính ở một mức nào đó được xuất hiện nhiều lần, thì đó là những thuộc tính tốt để phân biệt các lớp ở mức trên, vì vậy chúng cần được đánh trọng số cao. Tuy nhiên, nếu các thuộc tính đó lại xuất hiện ở các lớp con của nó hoặc ở mức dưới hơn, thì độ quan trọng của nó sẽ giảm đi, do đó trọng số sẽ thấp hơn so với ở mức trên. Như vậy, chúng ta cần xác định một giá trị ϖ cho mỗi nút trong taxonomy, hoặc theo kinh nghiệm hoặc theo thống kê. Sau khi xác định được tập thuộc tính cho cho mỗi nút trong taxonomy, trọng số của các thuộc tính này sẽ được nhân với giá trị ϖ tương ứng với lớp đó. Và như vậy, trọng số mới của thuộc tính không chỉ thể hiện độ quan trọng của thuộc tính đối với văn bản đó, mà còn thể hiện được độ quan trọng của nó đối với toàn bộ cấu trúc phân cấp. 1.3.1.2. Quá trình lựa chọn thuộc tính Kích cỡ của tập từ vựng của tập hợp văn bản thường rất lớn, ví dụ 20.000 tài liệu của Reuters 21578, tập hợp dữ liệu có khoảng 15.000 từ mục khác nhau. Xử lý các vector thuộc tính đòi hỏi các thuật toán được tính toán mở rộng và có thể đôi khi không thể tính toán được đối với một số thuật toán học. Bên cạnh đó, nhiều thuộc tính không mang thông tin, nhập nhằng hoặc bị nhiễu, do đó có thể dẫn tới bộ phân lớp đạt được kết quả tốt trên dữ liệu học nhưng không tốt trên dữ liệu kiểm tra (overfitting). Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 14 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Lựa chọn thuộc tính là quá trình chọn ra những thuộc tính mang nhiều thông tin nhất trong không gian thuộc tính và loại bỏ những thuộc tính nhiễu. Trong phân lớp phân cấp văn bản, việc chọn lựa các thuộc tính là rất quan trọng vì tập văn bản rất lớn. Để giải quyết vấn đề này, quá trình lựa chọn thuộc tính được tiến hành bằng cách chỉ giữ những từ mục có giá trị về thông tin. Vì vậy, vấn đề phát hiện các từ mục không quan trọng phải được giải quyết để thu được không gian từ mục T ′ ⊂ T với T ′ << T . Đối với bài toán phân lớp sử dụng cấu trúc phân cấp, có hai cách tiếp cận khác nhau cho quá trình trích chọn thuộc tính được đề xuất: Lựa chọn thuộc tính toàn cục: Lựa chọn thuộc tính trong phân lớp văn bản sử dụng cấu trúc phân cấp gọi là toàn cục nếu nó lựa chọn tập các thuộc tính T ′ , T ′ << T để phân biệt tất cả các lớp Ci trong một cấu trúc phân cấp cho trước. Lựa chọn thuộc tính cục bộ: Lựa chọn thuộc tính trong trong phân lớp văn bản sử dụng cấu trúc phân cấp gọi là cục bộ nếu nó lựa chọn tập các thuộc tính Ti′ , Ti′ << T phù hợp cho mỗi lớp Ci trong cấu trúc phân cấp cho trước. Hình dưới mô tả cách lựa chọn thuộc tính toàn cục và cục bộ : Trang trại Cây lúa mì Windows Sữa Con bò Linux Con cừu Nông nghiệp Chăn nuôi Trồng trọt Máy tính Động vật Java C++ Bệnh tật Tin học Hệ điều hành Ngôn ngữ lập trình Hình 1.3.a : Lựa chọn thuộc tính theo hướng toàn cục Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 15 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Trang trại Cây lúa mì Windows Sữa Con bò Con cừu Nông nghiệp Bệnh tật Trồng trọt Chăn nuôi Máy tính Động vật Java Tin học Hệ điều hành Windows Java C++ Linux Ngôn ngữ lập trình Hình 1.3.b : Lựa chọn thuộc tính theo hướng cục bộ Cách tiếp cận toàn cục để chọn lựa các thuộc tính thường được sử dụng trong phân lớp phẳng. Cách tiếp cận cục bộ, coi mỗi nút trong của cây phân cấp như một bài toán phân lớp và lựa chọn thuộc tính cho mỗi bài toán con độc lập nhau. Đối với bài toán phân lớp phân cấp, khi số lượng các lớp lên đến hàng trăm thì việc quản lý số lượng quá nhiều thuộc tính trở nên vô cùng khó khăn, đồng thời làm cho việc xử lý dữ liệu và thời gian học các bộ phân lớp tăng lên đáng kể. Giải pháp là lựa chọn thuộc tính theo phương pháp cục bộ, tức là sẽ chọn những thuộc tính phù hợp nhất tại mỗi mức của taxonomy để phân biệt giữa các lớp tại mức ấy. Với chiến lược này, chúng ta có thể giảm được thời gian huấn luyện các bộ phân lớp đồng thời quản lý số lượng thuộc tính nhỏ sẽ đơn giản hơn. Weigend năm 1999 (theo [xx]) là người đầu tiên đưa ra so sánh và phân biệt giữa hai chiến lược lựa chọn thuộc tính này. Trong học máy, một số kỹ thuật chính sau đây được xây dựng cho quá trình lựa chọn thuộc tính : Kỹ thuật thứ nhất thực hiện các phương pháp lọc (filtering) trên tập thuộc tính ban đầu. Với phương pháp này kết quả thu được từ tính toán thống kê được sử dụng để loại bỏ những từ mục không thích hợp. Sau đó, bộ phân lớp được huấn luyện trên không gian từ mục đã được rút gọn. Với chiến lược lựa chọn từ mục này, có một vài phương pháp như : lựa chọn từ mục theo tần suất văn bản (Documen Frequency), độ đo thông tin qua lại (Mutual Information). Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 16 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng Tần suất văn bản : Tần suất của văn bản là số tài liệu mà một từ mục xuất hiện. Để lựa chọn từ mục theo phương pháp tần suất văn bản, chúng ta phải tính tần suất văn bản với mỗi từ mục trong tập dữ liệu học và sau đó loại bỏ những từ mục có tần suất nhỏ hơn một ngưỡng nào đó để thu được không gian từ mục nhỏ hơn. Đây là kĩ thuật đơn giản nhất để làm giảm số lượng tâp thuộc tính. Độ đo thông tin qua lại (MI) : là phương pháp được sử dụng khá phổ biến để lựa chọn tập thuộc tính dựa vào mô hình thống kê. Với mỗi cặp từ mục t và lớp c , MI được tính theo công thức sau : I ( t , c ) = log Pr ( t ∧ c ) Pr ( t ) × Pr ( c ) Và được ước lượng : I ( t , c ) ≈ log A× N ( A + C )× ( A + B) Trong đó : – A là số lần từ mục t và lớp c đồng thời xuất hiện. – B là số lần từ mục t xuất hiện mà không thuộc c. – C là số lần c xuất hiện không chứa t. – N là tổng số dữ liệu học. I ( t , c ) nhận giá trị 0 nếu từ mục t và lớp c độc lập với nhau. Giá trị I ( t , c ) càng cao thể hiện độ quan trọng của thuộc tính t với lớp c. Kỹ thuật thứ hai được gọi là kĩ thuật wrapper, trong đó việc lựa chọn từ mục phụ thuộc vào thuật toán phân lớp. Bắt đầu từ không gian từ mục ban đầu, một không gian từ mục mới được sinh ra bằng việc thêm hoặc bớt từ. Khi một tập hợp từ mục mới được tạo ra, bộ phân lớp dựa vào đó để xây dựng và sau đó kiểm tra trên tập dữ liệu kiểm tra. Tập dữ liệu cho kết quả tốt nhất sẽ được chọn. Không gian từ mục tốt nhất được tạo ra cho thuật toán phân lớp. Phương pháp này tạo thuận lợi cho thuật toán phân lớp; Tuy nhiên hạn chế của phương pháp này là sự phức tạp trong tính toán. Kỹ thuật thứ ba, đánh chỉ mục dựa vào ngữ nghĩa tiềm ẩn - Latent Semantic Indexing (LSI – Deerwester 1990, theo [xx]), nén các vector từ mục thành các vector Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 17 Phân lớp phân cấp Taxonomy văn bản Web và ứng dụng có số chiều ít hơn trong không gian từ T ′ , số chiều thu được là sự liên kết các từ trong không gian từ mục ban đầu T. LSI sử dụng kĩ thuật toán học gọi là phép phân tích ma trận dựa vào giá trị suy biến (Sigular Value Decomposition - SVD). SVD chuyển ma trận từ mục – văn bản D ban đầu thành ma trận D% có số chiều nhỏ hơn sao cho khoảng cách giữa hai ma trận : ∆ = D − D% 2 đạt giá trị nhỏ nhất. Để làm được điều này, với ma trận từ mục – văn bản D m × n ban đầu, trong đó m là số từ mục và n là số tài liệu, SVD thực hiện như sau: D = Uσ V Trong đó U là ma trận m × r , V là ma trận r × n . Các cột của U m×r trực giao với nhau và được gọi là các vector suy biến trái. Các cột của Vr×n trực giao với nhau và được gọi là các vector suy biến phải. σ r×r là ma trận chéo của các giá trị suy biến từ ma trận ban đầu D, với r ≤ min ( m, n ) là hạng của ma trận từ mục – tài liệu D ban đầu. Thông thường r là min(m,n). Tuy nhiên, nếu chúng ta chỉ giữ lại k từ có giá trị suy biến lớn nhất, xấp xỉ ma trận ban đầu thành ma trận mới sau: D% = U% m×kσ% k ×kV%kT×n Ma trận D% thu được bằng cách xóa bỏ những giá trị suy biến nhỏ từ σ , U% và V% thu được bằng cách xóa bỏ hàng và cột tương ứng. Sau khi thu được kết quả từ SVD dựa trên dữ liệu học, một tài liệu mới được ánh xạ vào không gian từ mục nhỏ hơn như sau: r r d ' = σ −1uT d Ngoài việc lựa chọn các thuộc tính mang nhiều thông tin từ tập thuộc tính ban đầu, quá trình lựa chọn thuộc tính có thể tạo ra các thuộc tính mới (ví dụ các khái niệm) để thay thế cho một nhóm các thuộc tính thông qua kỹ thuật phân cụm. Nhóm các từ có sự giống nhau về ngữ nghĩa sẽ được xem là một thuộc tính mới thay thế cho các từ đơn lẻ. Với phương pháp này, cần xác định độ tương tự giữa các từ và áp dụng các kĩ thuật phân cụm như k người láng giềng gần nhất Nguyễn Thị Hương Thảo - Lớp K47CA – Trường Đại học Công nghệ 18