ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Xuân Thành TỰ ĐỘNG TỔNG HỢP VÀ PHÂN LOẠI TIN TRONG HỆ THỐNG TRANG TIN ĐIỆN TỬ KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI - 2010 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Xuân Thành TỰ ĐỘNG TỔNG HỢP VÀ PHÂN LOẠI TIN TRONG HỆ THỐNG TRANG TIN ĐIỆN TỬ KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hướng dẫn: TS. Nguyễn Trí Thành HÀ NỘI - 2010 Lời cảm ơn Lời đầu tiên, tôi xin được bày tỏ lòng biết ơn sâu sắc nhất tới thầy giáo – TS. Nguyễn Trí Thành đã tận tình hướng dẫn, đôn đốc tôi trong suốt quá trình là khóa luận tốt nghiệp. Tôi xin được chân thành cảm ơn các thầy, cô và các cán bộ của trường Đại Học Công Nghệ đã tạo cho tôi những điều kiện thuận lợi để học tập và nghiên cứu. Tôi xin gửi lời cảm ơn tới ThS Nguyễn Thanh Bình, ThS Lê Văn Thanh và tập thể các anh chị em của công ty iTim đã động viên, khích lệ, tạo điều kiện cho tôi trong suốt quá trình làm khóa luận. Tôi cũng xin gửi lời cảm ơn tới các bạn trong tập thể lớp K51CD và K51CHTTT đã ủng hộ và khuyến khích tôi trong suốt quá trình học tập tại trường. Cuối cùng, tôi muốn được gửi lời cảm ơn vô hạn tới gia đình và bạn bè, những người thân yêu luôn bên cạnh và động viên tôi trong suốt quá trình thực hiện khóa luận tốt nghiệp. Tôi xin chân thành cảm ơn! Sinh viên Lê Xuân Thành i Tóm tắt nội dung Trong hệ thống các website điện tử, các trang tin tức chiếm một vai trò hết sức quan trọng, giúp con người cập nhật những tin tức thời sự mới nhất thuận tiện mọi lúc mọi nơi. Theo Hiệp hội các nhà xuất bản trực tuyến (Online Publishers Association – OPA) thì phần lớn thời gian trên Internet con người dùng để đọc tin tức 1 . Như vậy, nhu cầu cập nhật tin tức của con người là rất lớn, và nếu người dùng chỉ phải vào một trang Web duy nhất để cập nhật được tất cả các tin tức thì sẽ tiện dụng hơn rất nhiều so với việc phải truy cập vào nhiều trang. Khóa luận này tập trung vào việc nghiên cứu và xây dựng một hệ thống tổng hợp tin tức, dựa trên bài toán trích xuất thông tin từ tài liệu Web và bài toán phân lớp văn bản. Khóa luận đưa ra mô hình gom tin tự động với tính mở rộng cao, trình bày các bước xây dựng một hệ thống tổng hợp tin tức. Khóa luận cũng đã tiến hành chạy các thực nghiệm và đánh giá kết quả. Kết quả đánh giá cho thấy chất lượng gom tin và phân loại là nhanh và đáng tin cậy. 1 http://www.zing.vn/news/cong-nghe/phan-lon-thoi-gian-vao-mang-la-de-doc-tin-tuc/a65575.html ii Mục lục Tóm tắt nội dung i Mục lục ii Bảng các ký hiệu viết tắt iv Danh sách các hình v Danh sách các bảng biểu vi Giới thiệu 1 Chương 1. Khái quát về các trang tin tức và các hệ thống tổng hợp tin tức của Việt Nam 3 1.1. Khái quát chung về các báo điện tử 3 1.2. Khái quát chung về các hệ thống tổng hợp tin tức 3 Chương 2. Cơ sở lý thuyết xây dựng mô hình hệ thống tổng hợp và phân loại tin tự động 8 2.1. Xây dựng crawler 8 2.1.1. Khái niệm crawler 8 2.1.2. Xây dựng crawler 10 2.2. Xây dựng bộ trích chọn thông tin 11 2.2.1. Trích chọn thông tin trên tài liệu Web 11 2.2.2. Xây dựng bộ trích chọn tài liệu Web 11 2.3. Xây dựng bộ phân lớp 12 2.3.1. Khái niệm phân lớp văn bản 12 2.3.2. Áp dụng thuật toán phân lớp entropy cực đại xây dựng bộ phân lớp văn bản. 14 2.3.3. Phương pháp đánh giá hiệu suất phân lớp 18 Chương 3. Xây dựng hệ thống tổng hợp và phân loại tin tự động 21 3.1. Cơ sở thực tiễn 21 3.2. Xây dựng mô hình hệ thống 24 3.2.1. Mô hình tổng quan 25 3.2.2. Module chuẩn hóa dữ liệu huấn luyện/kiểm tra mô hình 29 3.2.3. Module phân lớp 30 3.2.4. Module sinh file huấn luyện 31 3.3. Khả năng mở rộng của hệ thống 32 iii Chương 4. Thực nghiệm và đánh giá kết quả 34 4.1. Môi trường phần cứng và phần mềm 34 4.1.1. Môi trường phần cứng 34 4.1.2. Công cụ phần mềm 34 4.2. Cấu trúc Cơ sở dữ liệu 37 4.3. Đánh giá chất lượng tổng hợp tin 39 4.4. Thực nghiệm và đánh giá hiệu suất phân loại tin tự động 39 4.4.1. Xây dựng tập dữ liệu huấn luyện và kiểm tra mô hình 39 4.4.2. Thực nghiệm thứ nhất 41 4.4.3. Thực nghiệm thứ hai 44 Kết luận 47 Tài liệu tham khảo 49 iv Bảng các ký hiệu viết tắt Ký hiệu Diễn giải HTML HyperText Markup Language URL Uniform Resource Locator WWW World Wide Web CSDL Cở sở dữ liệu v Danh sách các hình Hình 1. Minh họa lỗi tổng hợp tin trang Baomoi.com…………………………………….5 Hình 2. Minh họa lỗi mất ảnh trang tintuc.xalo.vn……………………………………… 7 Hình 3. Sơ đồ cơ bản của một crawler đơn luồng…………………………………………9 Hình 4. Lược đồ chung xây dựng bộ phân lớp văn bản………………………………….13 Hình 5a. Mô tả phần nội dung cần lấy trên trang tin 1………………………………… 21 Hình 5b. Mô tả phần nội dung cần lấy trên trang tin 2………………………………… 22 Hình 6. Mô hình cây DOM của 2 detail-pages………………………………………… 22 Hình 7a. Các đặc trưng cho phép trích chọn thông tin bài báo 1……………………… 23 Hình 7b. Các đặc trưng cho phép trích chọn thông tin bài báo2…………………………24 Hình 8. Mô hình tổng quan của hệ thống tổng hợp và phân loại tin tức…………………25 Hình 9. Đặc điểm giúp loại tin thuộc lớp chưa quan tâm……………………… … 28 Hình 10. Module chuẩn hóa dữ liệu huấn luyện/kiểm tra mô hình………………………29 Hình 11. Module phân lớp……………………………………………………………… 31 Hình 12. Module sinh file huấn luyện……………………………………………………32 vi Danh sách các bảng biểu Bảng 1. Các nhóm tài liệu sau phân lớp………………………………………………….19 Bảng 2. Cấu hình phần cứng sử dụng trong thực nghiệm……………………………… 34 Bảng 3. Các công cụ phần mềm sử dụng trong thực nghiệm…………………………….34 Bảng 4. Mô tả chức năng các lớp trong các gói………………………………………….36 Bảng 5. Chi tiết CSDL……………………………………………………………… 38 Bảng 6. Các lớp tài liệu sử dụng trong thực nghiệm…………………………………….40 Bảng 7. Thống kê số lượng tài liệu dùng cho việc học mô hình…………………………41 Bảng 8. Thống kê số lượng tài liệu thực nghiệm 1 dùng kiểm tra mô hình…………… 42 Bảng 9. Kết quả thực nghiệm 1………………………………………………………… 43 Bảng 10. Thống kê số lượng tài liệu thực nghiệm 2 dùng kiểm tra mô hình…………….44 Bảng 11. Kết quả thực nghiệm 2…………………………………………………………45 1 Giới thiệu Trong gần hai mươi năm trở lại đây, cùng với sự phát triển bùng nổ của Internet mà đặc biệt là World Wide Web (www) - hay còn gọi tắt là Web - mang lại cho con người rất nhiều lợi ích. Đồng thời với đó cũng là sự bùng nổ về thông tin, giúp con người dễ dàng cập nhật tin tức mới nhất, nhưng hệ quả sau đó là sự tiêu tốn rất nhiều thời gian, khi những thông tin cần đối với một người dùng thuộc một nội dung cụ thể lại nằm trên nhiều trang Web khác nhau. Ví dụ đối với một nhà đầu tư chứng khoán, thông tin họ quan tâm là các tin tức mới nhất về thị trường chứng khoán, về kết quả giao dịch ở các sàn chứng khoán, nhưng để có được điều này thường họ phải truy cập vào nhiều trang khác nhau để có đủ thông tin. Như vậy, nhu cầu đặt ra cần có một hệ thống tổng hợp tin tức nhanh nhất và được phân chia theo các mục, phân mục rõ ràng, giúp thuận tiện hơn cho nhu cầu thông tin của người dùng. Điều này giúp người dùng thuận tiên hơn cho việc tìm, cập nhật các thông tin mà mình quan tâm một cách thuận tiện nhất, tiết kiệm thời gian nhất. Điều này đặc biệt có ý nghĩa trong cuộc sống bận rộn hiện đại ngày nay. Để giải quyết được bài toán về hệ thống tổng hợp tin tức cần phải giải quyết được hai bài toán khác là trích xuất thông tin từ tài liệu Web và phân lớp tự động các văn bản Web – là hai bài toán được quan tâm ở rất nhiều các hội nghị lớn về khai phá dữ liệu và xử lý ngôn ngữ tự nhiên [6],[9],[10],[14]. Khóa luận xây dựng một tập luật cho phép tự động gom và trích xuất thông tin từ các trang tin tức của Việt Nam, tin tức được lấy về sẽ được gán nhãn tự động nhờ vào thuật toán phân lớp văn bản entropy cực đại (maximum entropy), và được ghi lại vào CSDL, phục vụ cho việc xuất bản tin. Khóa luận gồm có 4 chương được mô tả sơ bộ dưới đây: Chương 1: Khái quát về các trang tin tức và các hệ thống tổng hợp tin tức của Việt Nam. Giới thiệu về các trang báo điện tử (trang tin tức) và các hệ thống tổng hợp tin tức. Đánh giá ưu và nhược điểm của các hệ thống đó. Chương 2: Cơ sở lý thuyết xây dựng mô hình hệ thống tổng hợp và phân loại tin tự động. Giới thiệu về crawler, trích chọn thông tin từ tài liệu Web, phân lớp văn bản bằng phương pháp entropy cực đại. Đồng thời chương này cũng giới thiệu về phương pháp đánh giá hiệu suất của việc phân lớp văn bản thông độ hồi tưởng, độ chính xác và độ đo F1. [...]... nhật trên trang tin của tin2 47.com Như vậy thì nói chung không đáp ứng được nhu cầu cập nhật tin tức nhanh chóng như 2 trang tổng hợp trên 6 Hình 2 Minh họa lỗi mất ảnh trang tintuc.xalo.vn 7 Chương 2 Cơ sở lý thuyết xây dựng mô hình hệ thống tổng hợp và phân loại tin tự động Ở chương này, khóa luận xin trình bày các bước xây dựng một hệ thống tổng hợp tin tức Để có một hệ thống tổng hợp tin tức tốt... hiệu quả tốt của hệ thống tổng hợp và phân loại tin tự động của khóa luận Phần kết luận tóm lược nội dung chính của khóa luận và nêu lên định hướng của khóa luận trong thời gian tới 2 Chương 1 Khái quát về các trang tin tức và các hệ thống tổng hợp tin tức của Việt Nam 1.1 Khái quát chung về các báo điện tử Hiện nay, các website báo điện tử của Việt Nam chiếm một vai trò không thể thiếu trong việc cung... thông tin cần thiết là hết sức đơn giản 3.2 Xây dựng mô hình hệ thống Trên cơ sở thực tiễn và mô hình lý thuyết đã phân tích ở chương 2, tiếp theo khóa luận sẽ trình bày mô hình hóa hệ thống tổng hợp và phân loại tin tức Các module cấu thành sẽ cho thấy tính mở của hệ thống, cho phép dễ dàng mở rộng khi cần 24 3.2.1 Mô hình tổng quan Hình 8 Mô hình tổng quan của hệ thống tổng hợp và phân loại tin tức... và độ chính xác trung bình mịn (microaveraging precision): K PM = ∑ TP c =1 c K ∑ (TP + TN ) c =1 c c Các độ đo trung bình mịn được coi là các độ đo tốt hơn để đánh giá chất lượng thuật toán phân lớp đa lớp tài liệu [2] 20 Chương 3 tự động Xây dựng hệ thống tổng hợp và phân loại tin Việc xây dụng hệ thống tổng hợp và phân loại tin tự động là vấn đề quan trọng nhất của khóa luận Ở chương này, khóa luận. .. có một hệ thống phân lớp văn bản Tiếng Việt, cho phép gán nhãn cho các tài liệu một cách tự động Khóa luận xin trình bày một phương pháp cho phép phân lớp các văn bản hay tài liệu Web vào các lớp, dựa vào mô hình được trả về sau quá trình huấn luyện, sẽ được trình bày kỹ hơn trong chương 2 1.2 Khái quát chung về các hệ thống tổng hợp tin tức Khoảng hơn một năm trở lại đây, các hệ thống tổng hợp tin tức...Chương 3: Xây dựng hệ thống tổng hợp và phân loại tin tự động Nêu ra các cơ sở lý thực tiễn có thể áp dụng cho việc trích chọn thông tin đối với tài liệu Web Đưa ra mô hình hệ thống, các module, cách thức tương tác giữa các module với nhau Từ đó nêu lên được tính mở rộng cao của hệ thống Chương 4: Thực nghiệm và đánh giá kết quả để đánh giá bài toán mô hình được xây dựng trong chương 3 Kết quả... nhiều nguồn nhất, từ các báo điện tử lớn tin tức tổng hợp trên đủ lĩnh vực cho đến các báo chỉ chuyên về một lĩnh vực (ví dụ: chỉ chuyên về ôtô-xe máy), hay đến cả các báo địa phương - Baomoi.com còn được biết đến như là trang tổng hợp tin có crawler tốt nhất, tin tức sau khi xuất hiện trên trang gốc, chỉ sau một vài phút đã có tin tổng hợp trên baomoi.com 3 - Hỗ trợ tìm kiếm tin tức • Nhược điểm: baomoi.com... Sau đây khóa luận xin liệt kê ra một số hệ thống hiện đang được xem là thành công nhất, đều nằm trong top 40 websites được truy cập nhiều nhất Việt Nam theo xếp hạng của alexa.com Baomoi.com: Có thể nói baomoi.com là trang tổng hợp tin nổi bật nhất hiện nay với rất nhiều ưu điểm nổi trội so với các hệ thống tổng hợp báo khác: • Ưu điểm: - Baomoi.com được biết đến như là trang tổng hợp lấy tin từ nhiều... tốc độ phân lớp là nhanh hơn entropy cực đại và SVM, ngược lại thì SVM lại là thuật toán hiện đại và được biết đến là phương pháp phân lớp văn bản có độ chính xác là cao nhất hiện nay nhưng tốc độ phân lớp thì chậm hơn so với Naïve Bayes và entropy cực đại Đối với yếu tố phân lớp của một hệ thống tổng hợp tin tức thì cần phải cân bằng được cả hai yêu tố chất lượng phân lớp và tốc độ Vậy khóa luận đi... hành ghi các thông tin này vào CSDL Xử lý các văn bản không thuộc các lớp quan tâm Trên thực tế, xảy ra trường hợp tập các lớp mà bài toán phân lớp của chương trình quan tâm tới không bao quát hết các trường hợp văn bản, tin tức của hệ thống trang tin điện tử Một phương pháp giải quyết với vấn đề này, là xây dựng thêm một phân lớp, là phân lớp “khác” Tất cả các văn bản không thuộc các phân lớp văn bản . các trang báo điện tử (trang tin tức) và các hệ thống tổng hợp tin tức. Đánh giá ưu và nhược điểm của các hệ thống đó. Chương 2: Cơ sở lý thuyết xây dựng mô hình hệ thống tổng hợp và phân loại. NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Xuân Thành TỰ ĐỘNG TỔNG HỢP VÀ PHÂN LOẠI TIN TRONG HỆ THỐNG TRANG TIN ĐIỆN TỬ KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hướng dẫn:. NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Xuân Thành TỰ ĐỘNG TỔNG HỢP VÀ PHÂN LOẠI TIN TRONG HỆ THỐNG TRANG TIN ĐIỆN TỬ KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI - 2010 ĐẠI