MỤC LỤC
PHẦN 0: LỜI NÓI ĐẦU 10
PHẦN I: VẤN ĐỀ VÀ THỰC TRẠNG 18
PHẦN II: CƠ SỞ LÝ THUYẾT 34
PHẦN III: GIẢI PHÁP KỸ THUẬT 49
PHẦN IV: XÂY DỰNG CHƯƠNG TRÌNH, CÀI ĐẶT CHẠY DEMO 54
5
DANH MỤC HÌNH VÀ BẢNG
DANH MỤC HÌNH VÀ BẢNG 6
Hình 1: Hình minh họa tập tách văn bản 14
Hình 2: Cấu trúc giải thuật LSA 15
5.3 Mô hình tư vấn dựa trên lịch sử phiên truy cập của người dùng 16
Hình 3: Quy trình truy vấn 17
Hình 4: Giao diện chính trang chủ chương trình 17
Hình 5: Tìm kiếm thông tin – So sánh gợi ý của người và máy 18
Hình 6: Mô hình sơ đồ hệ thống gợi ý cho người dùng 20
Hình 7: Sơ đồ tổng quát hệ thống 21
Hình 8: Giao diện tìm kiếm của Amazone.com 22
Hình 9: Giao diện kết quả trả lại 23
Hình 10: Giao diện kết quả tìm kiếm của Amazone.com 24
Hình 11: Sơ đồ cấu trúc từ của Nguyễn Tài Cẩn 27
Hình 12: Giao diện tìm kiếm của Google 34
Hình 13: Giao diện tìm kiếm Yahoo 35
Hình 14 Giao diện tìm kiếm Ask Jeeves 37
Hình 15: Giao diện tìm kiếm All the web 37
Table 1: : Tần suất xuất hiện độ dài từ tiếng Việt trên trang Vdict.com 41
Table 2: Tần số tài liệu của một số từ thông dụng trong tiếng Việt 42
Table 3: Ví dụ về MI của n-gram 43
Hình 16: Xây dựng ôtômát âm tiết 45
Hình 17: Xây dựng ôtômát từ vựng 46
46
Hình 18: Một tình huống nhập nhằng 48
Hình 19: Giải thuật tách từ từ câu 51
Table 4: Bảng một số ví dụ về cấu trúc lưu trữ từ điển 52
Hình 20: Biểu đồ use-case hệ thống 54
Hình 21: Use-case tìm kiếm Hình 22: Biểu đồ cộng tác chức năng tìm kiếm 55
6
Lớp biên: 55
Hình 23: Biểu đồ tiến trình chức năng tìm kiếm 55
Hình 24: Use-case quản lý tài liệu 56
Lớp biên: 56
Hình 25: Biểu đồ cộng tác 56
Hình 26: Biểu đồ tiến trình chức năng thêm mới tài liệu 57
Hình 27: Biểu đồ tiến trình chức năng sửa tài liệu 57
Hình 28:Biểu đồ tiến trình chức năng xóa tài liệu 58
Hình 29: Biểu đồ cộng tác quản lý tài liệu 58
Hình 30: Use-Case quản lý tác giả 59
Hình 31: Biểu đồ tiến trình thêm mới tác giả 59
Hình 32: Biểu đồ tiến trình sửa tác giả 60
Chức năng xoá tác giả: 60
Hình 33: Biểu đồ tiến trình xóa tác giả 61
Hình 34: Biểu đồ cộng tác quản lý tác giả 61
Hình 35: User-Case quản lý NXBLớp biên: 61
Hình 36: Biểu đồ tiến trình thêm mới NXB 62
Hình 38: Biểu đồ tiến trình xóa thông tin NXB 63
Hình 39: Biểu đồ công tác quản lý NXB 63
Hình 40: Biểu đồ usercase quản lý thành viên 64
Lớp biên: 64
Chức năng chỉnh sửa thông tin: 65
Hình 42: Biểu đồ tiến trình chỉnh sửa user 65
Hình 43: Biểu đồ tiến trình xóa user 66
Hình 44: Biểu đồ cộng tác quản lý user 66
Hình 45: Biểu đồ cộng tác quản lý user 67
.Table 5: Bảng các thực thể chính 68
Table 6: Bảng quan hệ các thực thể 69
Table 7: Danh sách các bảng chính 72
Mô tả chi tiết bảng 73
7
Table 8: Mô tả bảng tài liệu A01 73
Table 9: Mô tả bảng Catalogue A02 74
Table 10: Mô tả bảng tác giả A04 74
Table 11: Mô tả bảng NXB A05 75
Table 12: Mô tả bảng User A06 75
Table 13: Mô tả bảng subCatalogue A07 76
Table 14: Mô tả bảng Child A08 76
Table 15: Mô tả bảng A11 77
Table 16: Mô tả bảng A12 77
8
9
PHẦN 0: LỜI NÓI ĐẦU
1 1. MỤC TIÊU VÀ Ý NGHĨA CỦA ĐỀ TÀI
Máy tính hiện nay đã đóng góp một phần không nhỏ vào đời sống, và đã trở nên phổ
dụng. Trong lĩnh vực lưu trữ dữ liệu, chỉ cần một ổ cứng 10x15x3 cm
3
là đã có thể lưu
trữ được số lượng sách tương ứng với cả một thư viện sách khổng lồ. Theo đó, là vấn đề
tra cứu dữ liệu trong kho dữ liệu như thế. Cũng như việc tổ chức trong thư viện, việc lưu
trữ tài liệu điện tử trong máy tính cũng được chia thành các loại sách, và chủ đề lớn khác
nhau. Hiện nay xu thế người đọc sách là coi sách là nguồn để tra cứu những vấn đề mình
quan tâm, chứ không phải học một kiến thức mới do một cuốn sách mang đến. Vấn đề
đặt ra là làm sao tư vấn cho người dùng những cuốn sách nào liên quan nhiều nhất tới
chủ đề người dùng yêu cầu (thông qua các từ khóa được nhập) bằng phân tích nội dung
và lịch sử truy cập của những người dùng trước.
Luận văn này đực thực hiện nhằm đề xuất ra được một phương thức xây dựng hệ
thống hỗ trợ tư vấn với các kết quả sau:
1 - Tư vấn hoàn toàn tự động các tài liệu cho người dùng theo từ khóa, lịch sử truy cập của
người dùng đó và những người dùng khác và sở thích của họ. Kết quả tư vấn ngày càng
chính xác hơn vì hệ thống có phân tích và cập nhật lịch sử truy cập của người dùng.
2 - Giới thiệu tài liệu có độ tương tự nhất định với tài liệu đang nghiên cứu để người dùng
lựa chọn tài liệu tiếp theo nghiên cứu.
- Hệ thống khảo sát (survey) để thu thập các ý kiến đánh giá của người dùng về sự
tương tự của các tài liệu hệ thống gợi ý. Qua đó, càng thu thập nhiều sự đánh giá, kết
quả tư vấn cho người dùng càng sát với vấn đề người ta đặt ra hơn.
3 - Người dùng mới không nhất thiết phải đăng ký thông tin với hệ thống. Hệ thống vẫn
gợi ý cho người dùng thông qua phân tích nội dung và lịch sử truy cập hệ thống.
4 - Đáp ứng các yêu cầu tìm kiếm trên các trang web (tìm kiếm trong site riêng hoặc trên
internet). Hệ thống hướng tới việc tìm kiếm và xây dựng cơ sở dữ liệu động từ internet.
0 2. VẤN ĐỀ GIẢI QUYẾT
Có 2 phương pháp chủ đạo được dùng trong hệ tư vấn:
Phương pháp lọc cộng tác: là phương pháp tập hợp các đánh giá hoặc các quan
điểm của người dùng, nhận dạng sự tương đồng giữa các người dùng trên cơ sở các
phiên giao dịch của họ. Phiên giao dịch của người dùng được bắt đầu từ khi người dùng
đánh từ khóa và có tín hiệu search. Kết thúc phiên làm việc với một từ khóa mới được
nhập. Phương pháp lọc cộng tác ước lượng hàm đánh giá R(u,i) của item i với user u dựa
trên cơ sở đánh giá R(u’,i) của user u’ cho cùng item i mà trong đó u và u’ là tương tự
nhau.
Phương pháp lọc cộng tác có các vấn đề như:
5 Sự thưa thớt: thực tế thì vấn đề của người dùng quan tâm (từ khóa) nó chiếm phần rất
nhỏ và sự đánh giá sự tương đồng cho tài liệu là rất nhỏ so với rất nhiều tài liệu của hệ
10
thống. Với hệ thống gợi ý trong luận văn này, các đánh giá, các nhận định sẽ được lưu
lại dần dần, loại bỏ dần những kết quả không chính xác.
6 Vấn đề tài nguyên mới: Hệ thống không ngừng cập nhật các tài liệu mới cho kho dữ
liệu của mình. Mỗi lần thêm một tài liệu mới, hệ thống sẽ tính lại (off-line) là phân tích
độ tương đồng về ngữ nghĩa giữa các văn bản (kỹ thuật LSA) để tìm ra tập các láng
giềng gần của một cuốn sách.
7 Vấn đề người dùng mới: Như đã đề cập, hệ thống sẽ phân tích và lưu trữ lại lịch sử
của tất cả các phiên làm việc, kết hợp phân tích nội dung trong hệ thống để lọc ra sự
tương đồng, liên quan chính xác nhất của các tài liệu. Nên hệ thống hoàn toàn có thể gợi
ý tư vấn cho một người dùng mới. Khi người dùng cung cấp cho hệ thống các sở thích,
hệ thống sẽ lọc tiếp theo sở thích đó, để cung cấp kết quả chính xác hơn.
Phương pháp lọc dựa trên nội dung: là một giải thuật hướng về nghiên cứu lọc
thông tin, phương pháp lọc dựa trên nội dung ước lượng hàm đánh giá R(u,i) của item i
với user u được thiết lập dựa trên cơ sở đánh giá R(u,i’) của cùng user u cho item i’ mà
trong đó i và i’ là tương tự nhau về mặt nội dung.
Nhược điểm chính của phương pháp này là nó giả định các thuật ngữ là độc lập
nhau. Trong thực tế, các thuật ngữ thường có liên quan với nhau và hiểu được điều này
có thể dẫn đến việc tính độ liên quan tốt hơn.
Tính đồng nghĩa: có nhiều cách để chỉ đến một đối tượng, ví dụ: car và automobile
8 • Các sản phẩm tương tự được đối xử theo cách khác nhau
9 • Tăng sự thưa thớt, làm mất tính chất bắc cầu giữa các từ khóa
10 • Sinh ra kết quả có chất lượng thấp
Tính nhiều nghĩa của từ: hầu hết các từ đều có nhiều nghĩa, ví dụ: model, python, chip.
11 • Độ chính xác thấp
12
2 3. CÁCH GIẢI QUYẾT
3 Sử dụng phương pháp lọc cộng tác, hệ thống đã đưa ra phương án giải quyết
được các nhược điểm của nó như đã trình bầy ở trên. Về sử dụng phương pháp lọc dựa
trên nội dung, hệ thống đang sử dụng các phương pháp:
13.1 Phân tách tài liệu thành các từ khóa (Filter)
2 Các tài nguyên là các tài liệu được thể hiện dưới dạng văn bản như một cuốn
sách, tạp chí, hay một bài báo, bài diễn văn điện tử nào đó. Với những tài liệu tiếng Anh,
một từ thường có một âm tiết, ta có thể dễ dàng xác định một từ dựa vào dấu cách
(space) hoặc dấu câu. Việc phân tách văn bản tiếng anh thành các từ khóa không khó
khăn. Với những văn bản tiếng việt, mỗi từ nó có thể có một, hai hoặc nhiều hơn số
lượng âm tiết. Việc phân tách thành từ khóa đối với văn bản tiếng việt phải dựa trên từ
điển và các thuật toán đọc từ khóa sao cho đúng nghĩa nhất của câu. Thí dụ: Học sinh
học sinh học thì hệ thống sẽ tách thành Học sinh, học, sinh học. Sau đó, loại bỏ các từ
11
dừng (Stopword – Những từ mang ý nghĩa cảm thán, đại từ…như anh, bạn, do đó…),
những từ không mang nhiều ý nghĩa về nội dung. Bước tiếp theo, dùng kỹ thuật TF-IDF
để lọc bỏ bớt số lượng từ khóa của tài liệu.
3.2 Phân tích ngữ nghĩa tiềm ẩn (Latent Semantic Analystic-LSA)
3 Kỹ thuật LSA là những lý thuyết và phương thức cho việc trích rút và thể hiện
ngữ cảnh sử dụng ngữ nghĩa của từ dựa trên việc tính toán thông kê. Kỹ thuật này cho
phép ứng dụng trên một kho dữ liệu văn bản lớn. Ý tưởng cơ bản của kỹ thuật là tổng
hợp tất cả các văn cảnh của từ, trong đó, một từ được đưa ra đã và không chỉ định biểu
lộ những tập ràng buộc lẫn nhau. Những tập ràng buộc này cho phép xác định sự tương
đồng về nghĩa của những từ và tập hợp mỗi từ khác.
4 Tập các từ khóa của các tài liệu của bước phân tích trên được dùng làm đầu vào
cho các hàng của ma trận. Theo đó, bộ từ khóa của một tài liệu được dùng làm cột, các
tài liệu làm hàng, các cell của ma trận được khởi tạo là tần suất xuất hiện của từ khóa-
thuật ngữ đó trong tài liệu. LSA dùng kỹ thuật phân tích giá trị riêng (SVD-singular
value decomposition) để giảm bớt để giảm bớt kích thước ma trận thuật ngữ-tài liệu,
không gian N-chiều sẽ được giảm bớt xuống một không gian K chiều, K<<N, không
gian mới này được gọi là không gian khái niệm.
5 Sử dụng kết quả bước này, ta thu được tập các tài liệu có sự tương đồng về ngữ
nghĩa nhất định với tài liệu xét. Là nguồn quan trọng trong việc đưa ra gợi ý những tài
liệu tương tự với tài liệu người dùng đang đọc.
3.3 Phân tích lịch sử truy cập của người dùng
6
Một phiên làm việc của người dùng được đánh dấu bằng việc nhập một từ khóa và
nhấn nút search. Các kết quả gợi ý được đưa ra, khi người dùng quyết định chọn một tài
liệu (A), hệ thống gợi thống gợi ý các tài liệu có liên quan (dựa vào phân tích LSA trước
và phân tích lịch sử phiên làm việc). Khi người dùng chọn một tài liệu (B) tiếp theo
trong phần của hệ thống gợi ý để đọc, hệ thống ghi nhận tài liệu B có liên quan nhất
trong phiên làm việc đó với tài liệu A. Và cứ thế, hệ thống sẽ cập nhật và đánh giá lại sự
liên quan nhất định của các tài liệu qua các phiên làm việc của người dùng.
Hệ thống còn đưa ra kỹ thuật khảo sát (survey) để thu thập ý kiến chính xác hơn của
người dùng về sự tương đồng của các tài liệu.
Hạn chế của phương pháp này, là khi có một tài liệu mới được cập nhật, chỉ số lịch
sử truy cập của nó là 0, hoặc một giá trị âm nào đó. Có thể về cơ bản thì nó rất tương
đồng với văn bản A trên chẳng hạn, nhưng phải qua nhiều lần, nhiều phiên làm việc thì
nó mới đứng đầu trong các văn bản liên quan của A.
12
4. CÁC ĐÓNG GÓP CHÍNH CỦA LUẬN VĂN
Cung cấp bộ phân tách văn bản thành các từ khóa với văn bản tiếng Việt
và văn bản tiếng Anh. Sử dụng bộ đọc văn bản đầu vào Ifilter để xử lý, kết hợp các file
từ điển, file từ stopword để tách dữ liệu được đọc vào thành các từ khóa, đặc trưng cho
tài liệu đó.
Kỹ thuật LSA, đánh giá độ tương đồng về mặt ngữ nghĩa giữa các tài liệu
dựa trên kỹ thuật xử lý ma trận SVD. Phần này sẽ được trình bày chi tiết trong luận văn
còn lại của dự án (Liên lạc với Mr Kiều Văn Cường)
Cung cấp kỹ thuật xử lý lịch sử phiên làm việc của một người dùng, cho
phép các kết quả chính xác hơn sau nhiều phiên làm việc.
Đề xuất mô hình và phương thức triển khai cho phần mở rộng dự án, xây
dựng hệ thống CSDL động trên Internet và đẩy hết các quá trình xử lý thành on-line (hệ
thống như một tool tìm kiếm cho khách hàng. Hệ thống sẽ bắt đầu khi người dùng bắt
đầu phiên làm việc)
13
5. CÀI ĐẶT
5.1 Tách tài liệu thành các từ khóa. Tìm kiếm dựa trên từ khóa
Mô hình này áp dụng cho những lần gợi ý đầu tiên, cho khi người dùng nhập từ
khóa.
Giải thuật tách từ khóa (chạy off-line):
Input: tập tài nguyên là sách, tạp chí, trang thông tin (html) ở các định dạng tài liệu.
Output: Tập các từ khóa với rank tương ứng.
Quá trình tìm kiếm sẽ ưu tiên với những khóa được lọc ra ở tập khóa có mức độ ưu
tiên được đánh giá bằng rank tương ứng của chúng
Giải thuật này được thiết kế để chạy offline trong phiên bản đầu tiên này. Quá trình
cập nhật tài liệu được người quản trị nhập. Chi phí thời gian cho modul này là khá lớn,
một cuốn sách điện tử tầm 200 trang tương ứng là 3 phút cho hệ thống đọc và tách thành
từ khóa.
Hình 1: Hình minh họa tập tách văn bản
14
Tập văn bản nguồn Tập văn bản đã được phân tách
Không có nhận xét nào:
Đăng nhận xét