Tài liệu Đề tài Nghiên cứu công nghệ khai phá dữ liệu văn bản, áp dụng cho các trang tin tức trên các thiết bị cầm tay (pdas & smartphones): ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
VŨ NGỌC ANH
NGHIÊN CỨU CÔNG NGHỆ KHAI PHÁ DỮ LIỆU VĂN BẢN,
ÁP DỤNG CHO CÁC TRANG TIN TỨC TRÊN CÁC THIẾT BỊ
CẦM TAY (PDAS & SMARTPHONES)
LUẬN VĂN THẠC SỸ KHOA HỌC
HÀ NỘI-2006
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 1
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
VŨ NGỌC ANH
NGHIÊN CỨU CÔNG NGHỆ KHAI PHÁ DỮ LIỆU VĂN BẢN,
ÁP DỤNG CHO CÁC TRANG TIN TỨC TRÊN CÁC THIẾT BỊ
CẦM TAY (PDAS & SMARTPHONES)
NGÀNH CÔNG NGHỆ THÔNG TIN
CHUYÊN NGÀNH: CÔNG NGHỆ THÔNG TIN
MÃ SỐ: 01.01.10
LUẬN VĂN THẠC SỸ KHOA HỌC
NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. HÀ QUANG THỤY
HÀ NỘI-2006
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 2
LỜI CAM ĐOAN
Tôi xin cam đoan các kết quả nêu trong luận văn là trung thực và
chưa từng được công bố trong các công trình khác.
Tác giả luận văn
Vũ Ngọc Anh
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang ...
62 trang |
Chia sẻ: hunglv | Lượt xem: 1249 | Lượt tải: 0
Bạn đang xem trước 20 trang mẫu tài liệu Đề tài Nghiên cứu công nghệ khai phá dữ liệu văn bản, áp dụng cho các trang tin tức trên các thiết bị cầm tay (pdas & smartphones), để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
VŨ NGỌC ANH
NGHIÊN CỨU CÔNG NGHỆ KHAI PHÁ DỮ LIỆU VĂN BẢN,
ÁP DỤNG CHO CÁC TRANG TIN TỨC TRÊN CÁC THIẾT BỊ
CẦM TAY (PDAS & SMARTPHONES)
LUẬN VĂN THẠC SỸ KHOA HỌC
HÀ NỘI-2006
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 1
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
VŨ NGỌC ANH
NGHIÊN CỨU CÔNG NGHỆ KHAI PHÁ DỮ LIỆU VĂN BẢN,
ÁP DỤNG CHO CÁC TRANG TIN TỨC TRÊN CÁC THIẾT BỊ
CẦM TAY (PDAS & SMARTPHONES)
NGÀNH CÔNG NGHỆ THÔNG TIN
CHUYÊN NGÀNH: CÔNG NGHỆ THÔNG TIN
MÃ SỐ: 01.01.10
LUẬN VĂN THẠC SỸ KHOA HỌC
NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. HÀ QUANG THỤY
HÀ NỘI-2006
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 2
LỜI CAM ĐOAN
Tôi xin cam đoan các kết quả nêu trong luận văn là trung thực và
chưa từng được công bố trong các công trình khác.
Tác giả luận văn
Vũ Ngọc Anh
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 3
MỤC LỤC
TÓM TẮT........................................................................................................... 5
CÁC THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT .................................................. 6
CHÚ GIẢI KÝ HIỆU VÀ MÔ HÌNH................................................................ 7
CÁC HÌNH MINH HỌA.................................................................................... 8
MỞ ĐẦU ............................................................................................................ 9
CHƯƠNG I. XÂY DỰNG KÊNH CUNG CẤP TIN ĐIỆN TỬ TRÊN THIẾT
BỊ CẦM TAY ................................................................................................... 12
1.1. Báo điện tử và công nghệ Internet không dây........................................ 12
1.1.1. Báo điện tử - một thành tựu của Internet ........................................ 12
1.1.2. Sự phát triển của các thiết bị cầm tay ............................................. 13
1.1.3. Công nghệ kết nối internet không dây............................................ 14
1.2. Bài toán xây dựng kênh tin tức điện tử trên thiết bị cầm tay ................. 15
1.2.1. Mô tả bài toán ................................................................................. 15
1.2.2. Mô tả các chức năng cơ bản của hệ thống...................................... 16
1.3. Hướng tiếp cận giải quyết bài toán ........................................................ 16
Chương II. THUẬT TOÁN RTDM VÀ ỨNG DỤNG TRONG TRÍCH XUẤT
TIN.................................................................................................................... 18
2.1. Khái niệm “Chi phí chuyển đổi cây” ..................................................... 18
2.2. Thuật toán RTDM .................................................................................. 22
2.3. Áp dụng RTDM trích xuất tin tức tự động............................................. 29
2.3.1 Phân cụm trang ................................................................................ 31
2.3.2 Trích xuất mẫu chung ...................................................................... 32
2.3.3 Khớp dữ liệu .................................................................................... 35
2.3.4 Gán nhãn dữ liệu.............................................................................. 37
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 4
Chương III . PHÂN TÍCH THIẾT KẾ HỆ THỐNG........................................ 39
3.1.Giới thiệu................................................................................................. 39
3.2. Mô hình Use Case: ................................................................................. 40
3.2. Mô hình lớp ............................................................................................ 45
3.4. Danh sách các thực thể ........................................................................... 47
3.5. Mô hình thực thể liên kết ....................................................................... 48
Chương IV. KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ ............................ 49
4.1. Giới thiệu chung về hệ thống ................................................................. 49
4.2. Thực nghiệm và đánh giá kết quả .......................................................... 49
KẾT LUẬN....................................................................................................... 54
TÀI LIỆU THAM KHẢO ................................................................................ 55
PHỤ LỤC. MÔ TẢ CHI TIẾT CÁC THỰC THỂ ........................................... 58
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 5
TÓM TẮT
Luận văn quan tâm nghiên cứu các giải pháp trích chọn thông tin trên Web
nhằm xây dựng một hệ thống cung cấp tin tức trên các thiết bị cầm tay thông
minh mà tin tức này được trích chọn từ các báo điện tử tiếng Việt.
Luận văn sử dụng thuật toán RTDM (Restricted Top-Down Mapping) do Davi
de Castro Reis và các đồng tác giả đề xuất [28], một thuật toán được đánh giá
rất hiệu quả trong việc trích chọn tin tức tức tự động thông qua việc phân tích
cấu trúc cây. Hiện nay RTDM được dùng như là thành phần lõi chính của hệ
thống trích xuất tin tức có tên là AkwanClipping (Akwan Information
Technologies, thuộc công ty Google tại Braxin) cung
cấp tin tức hàng ngày của các tờ báo phổ biến nhất tại Braxin.
Luận văn đã tiến hành chi tiết và hoàn thiện các phần nội dung không công bố
của thuật toán RTDM, đồng thời tiến hành xây dựng một hệ thống kênh cung
cấp tin điện tử trên các thiết bị cầm tay thông minh. Hệ thống thử nghiệm việc
trích chọn tin tức trên các báo điện tử tiếng Việt phổ dụng hiện nay và đã cho
kết quả đáng khích lệ. Chúng tôi đang tiến hành cải tiến tốc độ làm việc của hệ
thống nhằm tiến tới đưa hệ thống vào hoạt động thực tế.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 6
CÁC THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT
Từ viết tắt Giải nghĩa
RTDM Restricted Top-Down Mapping
PDA Personal digital assistant
Data extraction Trích xuất dữ liệu
Trees Cây biểu diễn cấu trúc trang HTML
Edit distance Chi phí chuyển đổi giữa 2 cây (thay thế, chèn, xoá nút)
PK Primary Key
FK Foreign Key
PF Primary & Foreign Key
Tx Cây biểu diễn trang Web.
Tx[i] Nút thứ i của cây Tx
t[i] Cây con có nút gốc tại vị trí thứ i
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 7
CHÚ GIẢI KÝ HIỆU VÀ MÔ HÌNH
STT Ký hiệu Giải thích
1
Tiến trình thực hiện một nhiệm vụ nào đó
trong hệ thống
2
Tác nhân của hệ thống, đóng vai trò tương tác
với hệ thống trong quá trình thực hiện
3
Nguồn thông tin cung cấp cho hệ thống
4
Điều kiện kiểm tra và đưa ra các quyết định
tương ứng với các kết quả nhận được
5
Miêu tả sự phụ thuộc lẫn nhau của các đối
tượng
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 8
CÁC HÌNH MINH HỌA
Hình 3 - Ví dụ về ánh xạ giữa 2 cây ................................................................. 20
Hình 4 – Ví dụ ánh xạ trên-xuống .................................................................... 21
Hình 5 – Một ví dụ về ánh xạ trên xuống hạn chế............................................ 23
Hình 6 - Một mẫu tin chi tiết Quốc tế trên trang tienphongonline.com.vn ...... 30
Hình 7: Các bước trích xuất tin tức [28]........................................................... 31
Hình 8 - Các bước hình thành ne-pattern từ các nhóm..................................... 37
Hình 9 : Gói các lớp quản lý các cây HTML.... Error! Bookmark not defined.
Hình 10 : Gói các lớp phục vụ tính toán giá trị RTDM.................................... 46
Hình 11 : Gói các lớp quản lý các trang tin tức ................................................ 46
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 9
MỞ ĐẦU
Sự phát triển của báo điện tử, một thành quả của Internet nói riêng và của Công
nghệ thông tin nói chung, đã dẫn tới các thay đổi lớn đối với thói quen đọc báo.
Internet với ưu thế về tốc độ và khả năng vươn xa cho phép độc giả có thể tiếp
cận tin tức mọi lúc mọi nơi. Với sự tiến bộ không ngừng của công nghệ viễn
thông, ngày nay thiết bị cầm tay thông minh ngày càng được phổ biến với giá
cả ngày càng hạ và đã trở thành một công cụ đắc lực, bình dân và không thể
thay thế. Tốc độ kết nối Internet không dây được cải thiện không chỉ về tốc độ
mà cả về phạm vi phủ sóng, trong đó, thế hệ mạng không dây chuẩn WIMAX
(IEEE 802.16) cho phép khoảng cách phủ sóng tới 50km và thông lượng tối đa
tới 70Mbps.
Tất cả những yếu tố trên đây đã trở thành tiền đề cho việc đáp ứng nhu cầu
xem tin tức trên thiết bị cầm tay, một nhu cầu đã trở thành thiết yếu, hàng
ngày, hàng giờ của mỗi người dùng cuối các thiết bị này.
Tuy nhiên, việc đọc báo trên các thiết bị cầm tay còn nhiều bất tiện. Khung
màn hình hạn chế của thiết bị cầm tay không cho phép hiển thị trang Web được
thiết kế cho máy tính để bàn: font chữ thường bị lỗi khi xem tin tức trên thiết bị
cầm tay, các thông tin quảng cáo và banner cũng được tải về cùng với tin tức
làm giảm đáng kể tốc độ và gây tràn màn hình…
Chính vì vậy, mục đích của luận văn này là xây dựng một hệ thống cho phép
dễ dàng và thuận tiện xem tin tức tiếng Việt của báo điện tử bất kỳ trên thiết bị
cầm tay thông minh.
Luận văn sử dụng thuật toán RTDM (Restricted Top-Down Mapping) do Davi
de Castro Reis và các đồng tác giả đề xuất [28], một thuật toán được đánh giá
rất hiệu quả trong việc trích xuất tin tức tức tự động thông qua việc phân tích
cấu trúc cây.
Thuật toán RTDM được cải tiến trên thuật toán trích xuất thông tin Web đã có
để áp dụng đặc thù riêng cho bài toán trích xuất tin tức. Qua thực nghiệm trên
35 trang tin tức, thuật toán RTDM cho kết quả trung bình 87.71% trích xuất tin
tức thành công không cần có sự can thiệp của con người. Hiện tại, RTDM
được sử dụng như là thành phần lõi chính của hệ thống trích xuất tin tức có tên
là AkwanClipping (Akwan Information Technologies,
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 10
thuộc công ty Google tại Braxin) cung cấp tin tức hàng ngày của các tờ báo
phổ biến nhất tại Braxin.
Chúng tôi đã chi tiết và hoàn thiện các nội dung không công bố của thuật toán
RTDM, đồng thời tiến hành xây dựng một hệ thống kênh cung cấp tin điện tử
trên các thiết bị cầm tay thông minh. Hệ thống thử nghiệm đã trích chọn thông
tin trên các báo điện tử tiếng Việt phổ dụng hiện nay. Chúng tôi đã tiến hành
đánh giá hệ thống và các kết quả đánh giá cho thấy hệ thống là hữu dụng. Tuy
nhiên, để đưa hệ thống vào hoạt động thực tiễn cần phải nghiên cứu tăng tốc độ
hoạt động của nó.
Nội dung của luận văn được tổ chức thành bốn chương được giới thiệu sơ bộ
như dưới đây.
Chương 1. Xây dựng kênh tin tức điện tử trên các thiết bị cầm tay giới thiệu sự
phát triển nhanh chóng của báo điện tử và công nghệ kết nối Internet không
dây, tiền đề cho việc ra đời của kênh cung cấp tin điện tử trên các thiết bị cầm
tay. Mô tả bài toán và hướng tiếp cận giải quyết bài toán xây dựng kênh tin
điện tử từ các báo điện tử tiếng Việt trên các thiết bị cầm tay cũng được trình
bày.
Bài toán xây dựng kênh tin tức điện tử trên các thiết bị cầm tay được giải quyết
trên cơ sở phân cụm các trang Web trong site báo điện tử theo đó nội dung tin
tức cần trích chọn được lấy từ vùng nội dung thông tin trong cấu trúc các trang
Web của site đó.
Chương 2. Thuật toán RTDM và ứng dụng trong trích xuất tin trình bày vấn đề
đánh giá tính tương đồng của các trang Web thông qua khái niệm chi phí
chuyển đổi cây đối với kiến trúc cây mô tả các trang Web. Sau khi phân cụm,
lớp tương ứng với mỗi cụm được gán nhãn để tạo dựng mô hình phân lớp cho
các trang Web mới và trích chọn tin tức. Luận văn đề xuất một phiên bản chi
tiết của thuật toán để thi hành hệ thống trích chọn tin tức trên các báo điện tử.
Với phiên bản này, vấn đề thi hành hệ thống trở nên dễ dàng hơn.
Chương 3 giới thiệu quá trình phân tích và thiết kế hệ thống theo tiếp cận
hướng đối tượng. Các mô hình tương ứng được trình bày ở đây.
Chương 4. trình bày hệ thống thực nghiệm với một số nhận xét đánh giá kết
quả thực nghiệm.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 11
Phần Kết luận tóm tắt các kết quả chính yếu nhất của luận văn.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 12
CHƯƠNG I. XÂY DỰNG KÊNH CUNG CẤP TIN ĐIỆN TỬ
TRÊN THIẾT BỊ CẦM TAY
1.1. Báo điện tử và công nghệ Internet không dây
1.1.1. Báo điện tử - một thành tựu của Internet
Đọc báo chí, xem tin tức là một nhu cầu không thể thiếu của mỗi người trong
xã hội thông tin, không phân biệt lứa tuổi. Các loại báo chí được phát hành đa
dạng về nội dung, hình thức phù hợp với nhu cầu riêng biệt của từng độc giả.
Hiện nay, với sự phát triển lớn mạnh của internet kéo theo sự bùng nổ thông
tin, thông qua các trang báo điện tử. Chỉ với một thao tác tìm kiếm đơn giản, ta
cũng có thể tìm được hàng trăm đến hàng ngàn trang báo đủ chủng loại. Chẳng
hạn ta sử dụng công cụ tìm kiếm của Google để tìm theo từ khoá "Báo điện tử"
và những trang từ Việt nam, hàng loạt các trang tin tức được liệt kê như
vietnamnet.vn, vnexpress.net, dantri.com.vn, tuoitre.com.vn… Theo thống kê
của google.com.vn thì có đến 755.000 kết quả tìm được, tất nhiên trong số đó
rất nhiều các kết quả là trùng nhau, nhưng con số đó cũng đủ để nói lên sự phát
triển lớn mạnh về số lượng của các trang tin tức điện tử tại Việt Nam hiện nay.
Một ưu điểm lớn của các tin tức trên các trang báo điện tử đó là tính thời sự,
cập nhật rất cao. Đối với các tin tức trên báo in giấy, có khi ta phải đợi đến
ngày hôm sau mới được xem. Nhanh nhất như báo "Thể thao Việt nam", cũng
phải đến 5h sáng hôm sau mới có thể đăng thông tin về các trận đấu trong buổi
đêm ngày hôm đó. Ngược lại, đối với các báo điện tử, thông tin có thể được
cập nhật gần như lập tức khi có sự kiện.
Theo thống kê trên diễn đàn nghiệp vụ báo chí Việt Nam vào tháng 11 năm
20041, hiện có khoảng 2 triệu người Việt Nam truy cập Internet, và không ít
hơn số đó là độc giả của các tờ báo điện tử như VietNamNet, VnExpress,
TuoitreOnline, Lao động điện tử...
Do ưu thế về phương tiện công nghệ mà báo điện tử ngày càng thu hút được
nhiều độc giả. Ở Mỹ, nếu tính theo số lượng độc giả thì báo giấy đang ngày
càng bị thất thế so với báo điện tử. Một nghiên cứu hồi tháng 3-2005 của Hiệp
1
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 13
Hội Báo In
Hoa Kỳ
(NNA) cho
thấy với các
tờ báo lớn và
được tín
nhiệm nhất ở
nước Mỹ như
New York
Times,
Washington
Post, số người
đọc báo qua
mạng đã vượt
trội số người
đọc báo in (New York Times: 12,8 triệu/5 triệu; Washington Post: 7.8 triệu/1.8
triệu, Los Angeles Times: 4.3 triệu/2.4 triệu)1,2.
Cũng vì sự phát triển bùng nổ như vậy nên việc đọc thông tin trên báo điện tử
một cách hiệu quả cũng không phải là dễ dàng. Hiện tượng người đọc báo điện
tử khó kiểm soát tin và nội dung tin đã đọc đã trở thành thực tế. Cần thiết xây
dựng phương tiện hỗ trợ người dùng giải quyết hiện tượng nói trên.
1.1.2. Sự phát triển của các thiết bị cầm tay
Ngày nay, với sự phát triển vượt bậc của khoa học công nghệ, các sản phẩm
cầm tay đã thực sự đem lại rất nhiều hiệu quả lao động cho con người. Các
thiết bị có thể kể đến ở đây là các điện thoại thông minh (smart phone), máy
tính bỏ túi (pocket pc). Cùng với sự phát triển công nghệ, các thiết bị này đã
được hỗ trợ khả năng lướt Web không dây với tốc độ ngày càng cải thiện. Do
đó, đây cũng là một kênh tiếp cận thông tin, tin tức điện tử thuận tiện nhanh
chóng, gọn nhẹ mọi lúc mọi nơi. Hơn thế nữa, do nhu cầu công việc của con
người cộng với giá cả cũng hợp lý nên các thiết bị này cũng ngày càng được
dùng phổ biến hơn (nhiều nhất vẫn là trong các doanh nghiệp). Những thuận
2
Hình 1. Tin tức điện tử trên các thiết bị cầm tay
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 14
lợi này là cơ sở dẫn tới nhu cầu xem tin tức điện tử trên các thiết bị cầm tay
ngày một phát triển3.
1.1.3. Công nghệ kết nối internet không dây
Song song với sự phát triển của các thiết bị cầm tay, công nghệ kết nối không
dây cũng phát triển ngày càng mạnh mà mới đây nhất là chuẩn Wimax -
802.16e với khả năng kết nối với tốc độ 20Mbps trong phạm vi 3km và có thể
tiến xa hơn. Wimax hay còn gọi là chuẩn 802.16, mới được công nhận vào
tháng 1/2003, cung cấp khả năng truy cập băng rộng không dây giữa người sử
dụng và điểm kết nối bằng các băng tần từ 2 đến 11 GHz, có thể kết nối mà
không cần điều kiện tầm nhìn thẳng. Hiện tại, chuẩn này đã được kết nối thử
nghiệm tại khoảng trên 100 điểm trên toàn thế giới. Công nghệ này đặc biệt
phù hợp với việc phổ cập Internet băng rộng tại nhiều miền sâu, vùng xa.
Trên thế giới hiện có khoảng 100 cuộc thử nghiệm công nghệ WiMAX đang
được tiến hành. Sự quan tâm của các chính phủ và các nhà cung cấp dịch vụ về
triển khai công nghệ WiMAX là bằng chứng rõ ràng cho thấy công nghệ này
rất thiết thực, người dùng cuối sẽ được tận hưởng những giá trị sử dụng cao từ
dịch vụ băng rộng không dây và khả năng di động không giới hạn. Hiện nay,
công nghệ WiMAX đang được sử dụng làm công nghệ không dây cố định cho
truy cập băng rộng đầu cuối trong năm 2005 và sẽ tiến tới di động hoàn toàn
trong những năm tới4
Chưa cần đến khả năng kết nối tốc độ cao, các dịch vụ truy cập internet di
động cũng sẽ được hình thành tại VN trong thời gian tới với tốc độ chấp nhận
được 156Kbps đối với các thiết bị di động. Dịch vụ băng rộng di động của
EVN Telecom sử dụng công nghệ CDMA 2000-1X, tần số 450 Mhz, cho phép
người sử dụng kết nối Internet trực tiếp trên máy điện thoại hoặc thông qua
máy tính cá nhân với tốc độ 156 Kbps đối với mạng 1X tại bất cứ nơi nào có
phủ sóng5.
3
4
5
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 15
1.2. Bài toán xây dựng kênh tin tức điện tử trên thiết bị cầm tay
1.2.1. Mô tả bài toán
Mục tiêu của luận văn là nghiên cứu các công nghệ khai phá dữ liệu văn bản,
áp dụng cho việc xây dựng một kênh tin tức điện tử hỗ trợ cho những người sử
dụng có thể đọc tin tức trên thiết bị cầm tay (PDA). Hệ thống này sẽ trích lọc,
thu gọn các trang báo cồng kềnh thành các trang tin gọn nhẹ, dễ đọc với sự loại
bỏ các thông tin dư thừa, các banner quảng cáo, thu nhỏ các hình ảnh sao cho
phù hợp với màn hình hạn chế của các thiết bị cầm tay (Hình 1).
Hình 2 mô tả sơ đồ của hệ thống kênh tin tức điện tử cho các thiết bị cầm tay.
Hệ thống được tích hợp vào phục vụ truy nhập Web của các thiết bị cầm tay,
cung cấp dịch vụ đọc tin tức PDA. Mỗi khi người dùng cuối sử dụng dịch vụ
này, hệ thống căn cứ vào các khuôn mẫu đã được nhận biết về mỗi báo điện tử
để trích chọn chỉ nội dung tin tức cần thiết cho người dùng. Cách làm như vậy
rất thích hợp với việc khai thác tin tức từ các thiết bị cầm tay.
Hình 2. Sơ đồ hệ thống Kênh tin tức cho các thiết bị cầm tay
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 16
1.2.2. Mô tả các chức năng cơ bản của hệ thống
Hệ thống cần thực hiện được các chức năng cơ bản là xác định các tin - mục
tin trên các báo điện tử, xử lý trang tin và định dạng hiển thị tin trên các thiết bị
cầm tay. Dưới đây là một số yêu cầu cơ bản của các chức năng này.
a) Chức năng xác định các tin - mục tin trên các báo điện tử
- Yêu cầu: xác định được các mục tin của các trang báo điện tử, trong các trang
chi tiết, hệ thống phải xác định được các vùng tin cần trích xuất, vùng tin có
thể loại bỏ. Các vùng tin tức sau khi trích xuất sẽ được định dạng lại cho phép
hiển thị trên thiết bị cầm tay.
- Đề xuất giải pháp:
Sử dụng kĩ thuật phân tích cấu trúc trang tin sử dụng thuật toán RTDM [28].
Giải pháp này áp dụng định dạng cho các trang tin bất kì có thể xem được trên
các màn hình thiết bị cầm tay có kích thước hạn chế.
b) Chức năng xử lý trang tin
- Yêu cầu: xử lý nội dung trang tin cần xem, xác định kiểu trang tin, lọc bỏ các
thông tin dư thừa và xây dựng lại trang tin cho phép hiển thị trên thiết bị cầm
tay.
c) Chức năng định dạng hiển thị tin trên các thiết bị cầm tay
- Yêu cầu: Hiển thị các trang tin (phân phối giữa hình ảnh, văn bản cho phù
hợp để có thể hiển thị tốt trên các thiết bị cầm tay)
- Đề xuất giải pháp: Bản thân các trình duyệt trên các thiết bị cầm tay khi kết
nối vào một trang bất kì sẽ hiển thị hết nội dung của trang đó, do vậy ta xây
dựng một Web site thu nhỏ kích thước của trang Web tin tức. Công việc chỉnh
sửa này thực hiện trên Web server sẽ làm tăng hiệu quả hoạt động của thiết bị
cầm tay do tốc độ xử lý của các thiết bị cầm tay là không yêu cầu cao.
1.3. Hướng tiếp cận giải quyết bài toán
Nội dung đề tài này là giải quyết bài toán phân cụm các trang web theo nội
dung. Trên cơ sở bài toán phân cụm các trang web, hệ thống tìm ra các khuôn
mẫu trang Web trong một site cung cấp tin tức điện tử, mỗi khuôn mẫu đó
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 17
được coi là một lớp các trang Web tương ứng trong site. Đối với mỗi khuôn
mẫu, hệ thống áp dụng việc trích xuất nội dung các trang tin tức và định dạng
lại cho phép xem được trên các thiết bị cầm tay.
Như vậy, một bài toán cốt lõi của hệ thống là phân cụm các trang Web thuộc
site báo điện tử để xác định các lớp trang Web có chung khuôn dạng trình diễn,
qua đó nhận diện được vùng trong khuôn mẫu này chứa các nội dung cần trích
chọn. Vấn đề xác định tính tương đồng giữa các trang Web, nền tảng để phân
cụm, được trình bày trong chương tiếp theo thông qua khái niệm chi phí
chuyển đổi cây và thuật toán RTDM [28].
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 18
Chương II. THUẬT TOÁN RTDM VÀ ỨNG DỤNG TRONG TRÍCH
XUẤT TIN
2.1. Khái niệm “Chi phí chuyển đổi cây”
Như giới thiệu ở chương trước, việc tìm kiếm hoặc trích xuất dữ liệu từ các
trang Web có thể được thực hiện thông qua việc phân tích cấu trúc của các
trang Web đó. Với việc phân tích cấu trúc của các trang Web này, ta có thể
nhóm các trang có cùng cấu trúc thành một nhóm trang và tìm những biểu diễn
giống nhau của cấu trúc của các trang Web này trong một nhóm.
Nội dung chính của chương này được tổng hợp các nội dung cơ bản của [28].
Phiên bản chi tiết của thuật toán RTDM do luận văn đề xuất. Ngoài ra, luận
văn cũng đưa ra một số nhận xét, ý tưởng có thể dùng để cải tiến thuật toán.
Theo Davi de Castro Reis và các đồng tác giả [28], cấu trúc của các trang Web
có thể được biểu diễn dưới dạng một cây (Ví dụ như Cây DOM), vì vậy chúng
ta sử dụng khái niệm chi phí chuyển đổi cây (Tree Edit Distance) để đánh giá
mức độ giống nhau giữa các trang. Một cách trực quan, khoảng cách giữa hai
cây TA và TB là "giá tối thiểu" phải trả cho một tập các thao tác để chuyển đổi
TA thành TB.
Mặc dù có thể áp dụng cho cây bất kỳ, nhưng để thuận tiện áp dụng nên trong
luận văn này, chúng tôi tập trung chủ yếu vào cây có thứ tự, được gán nhãn, có
gốc cố định (labeled ordered rooted tree). Một cây có gốc (rooted tree) là cây
có đỉnh gốc là cố định. Cây có thứ tự có gốc (ordered rooted tree) là cây có gốc
cố định và thứ tự các con là cố định với mỗi đỉnh. Cây có thứ tự, được gán
nhãn, có gốc cố định là cây có mỗi đỉnh được gán nhãn l. Từ đây về sau, chúng
ta sẽ đơn giản sử dụng khái niệm "cây" để chỉ cây có thứ tự, được gán nhãn, có
gốc cố định, các trường hợp khác sẽ được chú thích cụ thể.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 19
Để mô tả cấu trúc cây của các trang Web, ta giả sử rằng các trang Web này
được biểu diễn dưới dạng một cây "cây có thứ tự, được gán nhãn, có gốc cố
định". Các nhãn ở đây chính là các thẻ HTML như , , …
Hình 3. Ví dụ cây có thứ tự, được gán nhãn, có gốc cố định
Chi phí tính toán chi phí chuyển đổi cây thông qua việc sử dụng 3 thao tác
chính là Xoá đỉnh, Chèn đỉnh, Thay thế đỉnh. Chi phí cho từng thao tác này là
khác nhau tuỳ trường hợp. Giải pháp của bài toán chính là tìm tập hợp các thao
tác được thực hiện với chi phí là nhỏ nhất để chuyển đổi giữa hai cây.
Một bài toán tương đương chính là bài toán tìm ánh xạ chuyển đổi (dưới đây
gọi tắt là ánh xạ) giữa hai cây với chi phí nhỏ nhất.
Trong các phần trình bày dưới đây, kí hiệu Tx để chỉ một cây và kí hiệu Tx[i]
để chỉ đỉnh thứ i của Tx. Kích thước của một cây chính là số đỉnh có trong cây
đó. Davi de Castro Reis và các đồng tác giả đã xem xét khái niệm ánh xạ
chuyển đổi cây như một khái niệm cơ bản trong phương pháp của họ [28].
Định nghĩa 1 [17, 18, 21, 25, 28]
Ánh xạ giữa cây T1 kích thước n1 và cây T2 kích thước n2 là một tập hợp M các
cặp có thứ tự (i, j) thoả mãn các điều kiện sau với mọi (i1, j1), (i2, j2) ∈ M:
• i1 = i2 khi và chỉ khi j1 = j2.
• T1[i1] ở bên trái của T1[i2] khi và chỉ khi T2[j1] ở bên trái T2[j2]
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 20
• T1[i1] là tổ tiên của T1[i2] khi và chỉ khi T2[j1] là tổ tiên của T2[j2]
Hình 1 - Ví dụ về ánh xạ giữa 2 cây
Điều kiện 1 xác định một đỉnh của một cây không xuất hiện quá 1 lần trong
ánh xạ, điều kiện thứ 2 bảo toàn thứ tự trái - phải giữa các nút, còn điều kiện
thứ 3 đảm bảo cấu trúc phân cấp giữa 2 cặp nút trong ánh xạ.
Nói một cách đơn giản, phép ánh xạ cho phép mô tả các bước hiệu chỉnh từ
cây này thành cây kia, không quan tâm đến thứ tự các thao tác được áp dụng.
Trong hình 3, những đường nét đứt giữa các đỉnh của cây T1 và các đỉnh của
cây T2 phải thay đổi nếu các đỉnh này khác nhau, các đỉnh còn lại không phải
thay đổi. Đỉnh không có đường nào nối tới trên cây T1 là đỉnh sẽ bị xoá, còn
đỉnh không có đường nào nối tới trên cây T2 là đỉnh phải được chèn vào.
Như đã đề cập ở trên, việc tìm chi phí chuyển đổi cây tương đương với việc
tìm chi phí nhỏ nhất cho ánh xạ giữa 2 cây. Gọi M là ánh xạ giữa hai cây T1 và
cây T2, gọi S là tập con các cặp (i,j) ∈ M với các nhãn riêng biệt, D là tập hợp
các nút trong T1 mà không xuất hiện trong bất cứ cặp (i,j) ∈ M, I là tập hợp các
nút trong T2 mà không xuất hiện trong bất cứ cặp (i,j) ∈ M. Khi đó chi phí cho
việc ánh xạ được cho bởi công thức:
c = Sp + Iq + Dr
Trong đó p, q, r tương ứng là chi phí cho thao tác thay thế, chèn và xóa một
nút. Ta có thể giả thiết các chi phí này là bằng nhau nhưng khi cài đặt vào ứng
dụng thực thì các chi phí này có thể khác nhau.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 21
Bài toán tính toán chi phí chuyển đổi giữa hai cây là một bài toán khó, có một
số giải thuật, đưa vào một số các yếu tố cân bằng khác nhau, được đề xuất gần
đây, tuy nhiên tất cả đều có độ phức tạp tính toán trên cấp đa thức bậc hai. Hơn
nữa, người ta chứng minh rằng nếu hai cây không có thứ tự thì bài toán có độ
phức tạp là NP-đầy đủ.
Thuật toán đầu tiên về bài toán ánh xạ (được giới thiệu trong tài liệu [18]) với
độ phức tạp là O(n1n2h1h2) với n1 và n2 là kích thước của cây, h1 và h2 là độ cao
tương ứng. Đây là thuật toán tính toán động thực hiện việc tính toán đệ quy chi
phí chuyển đổi giữa các xâu biểu diễn tập hợp các đỉnh con của các đỉnh của
cây. J. T. L. Wang và các đồng tác giả [21] đã giới thiệu một thuật toán với độ
phức tạp O(d2n1n2min(h1,l1)min(h2,l2)) với d là chi phí chuyển đổi giữa các cây
con, h1 và h2 là chiều cao còn l1 và l2 là số các lá của mỗi cây.
Một trong các cách tiếp cận điển hình là tiếp cận dựa trên phép ánh xạ trên-
xuống, phép ánh xạ trên-xuống hạn chế các thao tác chèn và xoá ở các nút lá.
Hình 4 minh hoạ một ánh xạ trên-xuống như định nghĩa dưới đây.
Định nghĩa 2
Ánh xạ M giữa cây T1 và cây T2 được gọi là trên-xuống khi và chỉ khi với mọi cặp
(i1,i2) ∈ M, ta cũng có một cặp (cha(i1), cha(i2)) ∈ M với i1 và i2 tương ứng không
phải là nút gốc của T1 và T2.
Hình 2 – Ví dụ ánh xạ trên-xuống
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 22
Thuật toán đầu tiên giải quyết bài toán tính toán chi phí chuyển đổi cho ánh xạ
trên - xuống được Selkow giới thiệu trong [17].
Yang [25] giới thiệu một thuật toán quy hoạch động với độ phức tạp là O(n1n2)
trong đó n1, n2 là kích thước tương ứng của T1 và T2.
S. S. Chawathe [5] giới thiệu một thuật toán khác khá phổ biến giải quyết bài
toán ánh xạ trên-xuống cũng với độ phức tạp O(n1n2), tuy nhiên thuật toán này
không sử dụng phương pháp quy hoạch động mà được giải quyết bằng thuật
toán đơn hình.
Ánh xạ trên-xuống cũng đã áp dụng thành công trong một số ứng dụng liên
quan đến Web, ví dụ như ứng dụng phân loại tài liệu. Trong [16], Nierman và
Jagadish sử dụng thuật toán tính toán chi phí chuyển đổi cho ánh xạ trên xuống
để phân nhóm các tài liệu XML.
Trong bài toán "Trích xuất tin tức tự động", luận văn này chỉ quan tâm đến vấn
đề xác định sự tương đồng giữa cấu trúc của các trang Web. Thực sự là các
trang Web có cấu trúc hoặc là cấu trúc HTML hoặc là XML, như đã đề cập ở
trên, có thể biểu diễn dưới dạng cây có thứ tự được gán nhãn, có gốc cố định.
Thường mô hình DOM được vận dụng để mô tả cây.
Trong phần tiếp theo sẽ trình bày thuật toán mới xác định chi phí ánh xạ giữa
các cây biểu diễn cấu trúc của các trang Web cho lớp bài toán giới hạn đó là
ánh xạ trên-xuống, kết quả của thuật toán này chính là chi phí chuyển đổi giữa
các cây đó.
2.2. Thuật toán RTDM
Mục này sẽ trình bày một thuật toán xác định một kiểu ánh xạ "trên-xuống hạn
chế" (Restricted Top-Down Mapping) [28]. Một cách trực quan, trong phép
ánh xạ trên-xuống hạn chế, các thao tác chèn, xóa, thao tác thay thế các đỉnh
chỉ hạn chế thao tác với các lá của cây.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 23
Định nghĩa 3 [28]
Một ánh xạ trên-xuống M giữa cây T1 và cây T2 được gọi là trên-xuống hạn
chế khi và chỉ khi với mọi cặp (i1,i2) ∈ M, mà t1[i1] ≠ t2[i2], thì sẽ không có con
cháu của i1 và i2 thuộc M, với i1 và i2 không phải là nút gốc của các cây T1, T2.
Hình 3 – Một ví dụ về ánh xạ trên xuống hạn chế
Theo [28], thuật toán RTDM là kết hợp giữa ý tưởng được nêu trong các công
trình [19, 25]. Để xác định ánh xạ giới hạn trên-xuống giữa 2 cây T1 và T2, đầu
tiên thuật toán RTDM tìm các cây con cùng mức giống hệt nhau của T1 và T2.
Bước này của thuật toán thực hiện trong thời gian tuyến tính sử dụng đồ thị các
lớp tương đương thực hiện tương tự như trong [19], tuy nhiên thuật toán trong
[28] thực hiện duyệt cây theo thứ tự sau và cách tiếp cận đơn giản hơn vì chỉ
quan tâm đến những cây con cùng mức giống hệt nhau. Sau khi các đỉnh của
cây được nhóm thành các lớp tương đương, chúng ta áp dụng thuật toán của
Yang [25] để tìm ánh xạ trên-xuống hạn chế nhỏ nhất giữa các cây. Nội dung
thuật toán RTDM được trình bày như sau:
1 RTDM(T1, T2, ε: ngưỡng)
2 begin
3 m ← số con của nút gốc của cây T1
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 24
4 n ← số con của nút gốc của cây T2.
5 M [i,0] ←0 ∀i = 0,....m
6 M[0,j] ←0 ∀j = 0,....n
7 for i=1 to m do
8 for j=1 to n do
9 Ci ← {con của (t1[i])}
10 Cj ← {con của (t2[j])}
11 d ← M[i - 1, j] + tổng_chi_phí_xoá(T1[k]); (T1[k] là các đỉnh ∈ Ci)
12 i ← M[i, j -1 ] + tổng_chi_phí_chèn(T2[k]) ; (T2[k] là các đỉnh ∈ Cj)
13 if M[i -1, j -1] > ε then
14 s ← ∞
15 elseif T1[i] và T2[j] là các cây con giống nhau
16 s ← 0
17 elseif
18 if T1[i] là lá
19 s ← chi_phí_thay_thế(T1[i], T2[j])
20 s ← s + tổng_chi_phí_chèn (T2[k]) ; (T2[k] là các đỉnh ∈ Cj)
21 elseif T2[j] là lá
22 s ← chi_phí_thay_thế(t1[i], t2[j])
23 s ← s + tổng_chi_phí_xoá(T1[k]); (T1[k] là các đỉnh ∈ Ci)
24 else
25 s ← RTDM(T1[i], T2[j], ε)
26 end if
27 end if
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 25
28 M[i, j] ← min(d, i, s)
29 end for
30 end for
31 return M[m, n]
32 End
Như diễn giải trong [28], thuật toán chuyển đổi cây trên-xuống thông thường
của Chawathe trình bày trong bài báo [5] thực hiện trong thời gian O(n1n2), và
theo lý thuyết thì đây là thuật toán tốt nhất hiện nay. Còn với thuật toán RTDM
thì thời gian thực hiện trong trường hợp tồi nhất cũng chỉ là O(n1n2). Tuy nhiên
trong thực tế, nó thực hiện tốt hơn nhiều do nó chỉ thực hiện trên ánh xạ trên-
xuống hạn chế.
Thuật toán RTDM có chi phí thời gian tính toán tồi nhất khi hai cây giống hệt
nhau. Trong các trường hợp khác, chi phí thường được cắt giảm khi thuật toán
bỏ qua các dòng lệnh 18-23 hoặc 15-16. Ở đây thuật toán có đưa ra khai niệm
“ngưỡng” để đề phòng trường hợp thuật toán rơi vào vòng lặp vô hạn, khi đó
thuật toán bỏ qua các dòng lệnh 13-14, trường hợp này rất hay xẩy ra khi
chúng ta phân cụm các cây dựa trên cấu trúc tương tự của chúng.
Chúng ta cũng nhận thấy rằng, nếu bỏ các dòng lệnh 18-23 thì thuật toán mới
thu được áp dụng cho việc tính toán chi phí chuyển đổi cây trên-xuống thông
thường.
Một khía cạnh đáng chú ý khác của thuật toán RTDM là tính linh hoạt của chi
phí các thao tác trên cây cho phép kết quả đưa ra có tính phức hợp cao. Nó cho
phép so sánh cây cho trước với mẫu có kích thước biến đổi.
Thuật toán sẽ được áp dụng để tìm kiếm tin tức tự động trên các trang Web và
trích xuất các thành phần của tin tức (ví dụ như: tiêu đề, nội dung,…).
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 26
Tuy nhiên thuật toán trên mới chỉ cho phép tính toán chi phí chuyển đổi cây,
giá trị trả về là tổng các chi phí xoá, chèn và thay thế. Giá trị đó chỉ có thể áp
dụng trong bước 1 (phân cụm) trong 4 bước trích xuất đề cập trong phần sau.
Các bước trích xuất mẫu, khớp dữ liệu yêu cầu phải xác định được ánh xạ giữa
hai cây. Vì yếu tố bí mật kinh doanh nên Davi de Castro Reis và các đồng tác
giả đã không đưa vào các bước cho phép lưu giữ ánh xạ giữa hai cây trong
thuật toán này.
Chính vì vậy luận văn này xin đề xuất thuật toán sửa đổi thuật toán RTDM của
nhóm tác giả Braxin cho phép tính toán chi phí chuyển đổi cây và lưu giữ ánh
xạ giữa 2 cây này.
1
SetTreeNodeIndex(T1)
SetTreeNodeIndex(T2)
Đánh số thứ tự cho các nút trên cây
T1 và T2 theo thứ tự duyệt trước
2 Mapping[i,j] = 0; (∀i = 0,....M, ∀j = 0,....N)
Biến toán cục, Mapping[i,j]= 1- có
ánh xạ giữa nút thứ i trên cây T1 và
nút thứ j trên cây T2, 0 – không có
ánh xạ, M- số con cháu của T1, N – số
con cháu của T2
3 RTDM(T1, T2, ε: ngưỡng)
4 begin
5 m ← số con của nút gốc của cây T1
6 n ← số con của nút gốc của cây T2.
7 M [i,0] ←0 ∀i = 0,....m
8 M[0,j] ←0 ∀j = 0,....n
9 Action[i,j] = 0; (∀i = 0,....m, ∀j = 0,....n)
Lưu giữ thao tác cho chi phí nhỏ
nhất, Action[i,j] = 1 – thay thế, 2 –
xóa, 3 – chèn
10 for i=1 to m do
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 27
11 for j=1 to n do
12 Ci ← {con của (t1[i])}
13 Cj ← {con của (t2[j])}
14 d ← M[i - 1, j] + tổng_chi_phí_xoá(T1[k]); (T1[k] là các đỉnh ∈ Ci)
15 i ← M[i, j -1 ] + tổng_chi_phí_chèn(T2[k]) ; (T2[k] là các đỉnh ∈ Cj)
16 Action[i, j] = 1; Mặc định là thay đổi
17 if M[i -1, j -1] > ε then
18 s ← ∞
19 elseif T1[i] và T2[j] là các cây con giống nhau
20 s ← 0
21 elseif
22 if T1[i] là lá
23 s ← chi_phí_thay_thế(T1[i], T2[j])
24 s ← s + tổng_chi_phí_chèn (T2[k]) ; (T2[k] là các đỉnh ∈ Cj)
25 elseif T2[j] là lá
26 s ← chi_phí_thay_thế(t1[i], t2[j])
27 s ← s + tổng_chi_phí_xoá(T1[k]); (T1[k] là các đỉnh ∈ Ci)
28 else
29 s ← RTDM(T1[i], T2[j], ε)
30 end if
31 end if
32 M[i, j] ← min(d, i, s)
33 if (d = min(d, i, s)) Action[i, j] = 2; Chi phí xoá nhỏ nhất
34 if (i = min(d, i, s)) Action[i, j] = 3; Chi phí chèn nhỏ nhất
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 28
35 end for
36 end for
37 ii = m;
38 jj = n;
39 while ((ii > 0) && (jj > 0))
theo vết ngược về vị trí M[0,0] tuỳ theo
giá trị của Action để gán ánh xạ giữa các
nút
40 switch (Action[ii, jj])
41 case 1: thay đổi
42 Mapping[ii,jj] = 1
43 ii--;
44 jj--;
45 case 2: xoá
46 Mapping[ii,jj] = 0
47 ii--;
48 case 3: chèn
49 Mapping[ii,jj] = 0
50 jj--;
51 endswitch
52 endwhile
53 return M[m, n]
54 End
Trong thuật toán sửa đổi, hai cây trước khi đưa vào thuật toán RTDM sẽ được
đánh số thứ tự cho các nút. Nút gốc sẽ có số thứ tự 1, các nút còn lại trong cây
được đánh số theo thứ tự duyệt trước của cây.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 29
Thuật toán đưa vào biến toàn cục Mapping là mảng có kích thước MxN, trong
đó M và N là số con cháu tương ứng của 2 cây. Biến Mapping sẽ lưu giữ ánh
xạ giữa 2 cây, nếu giá trị tại vị trí i, j là 1 thì nút thứ i trên cây T1 có ánh xạ
sang nút thứ j trên cây T2. Biến Action là mảng 2 chiều có kích thước mx n,
trong đó m, n là số con tương ứng của cây T1 và cây T2. Biến mảng Action sẽ
theo vết các thao tác (chèn, xoá, thay thế) có chi phí nhỏ nhất.
Bước cuối cùng sẽ căn cứ giá trị của mảng Action thuật toán theo vết tìm
ngược về vị trí khởi tạo và gán ánh xạ cho các nút có chi phí thay đổi là nhỏ
nhất. Mảng kết quả thu được Mapping sẽ xác định giữa 2 nút tương ứng trên 2
cây có ánh xạ hay không.
2.3. Áp dụng RTDM trích xuất tin tức tự động
Trong mục này, chúng ta xem xét ứng dụng của thuật toán RTDM trong việc
trích xuất tin tức tự động, bao gồm xác định nội dung tin và các thành phần
liên quan, loại bỏ các thông tin dư thừa của trang Web tin tức như mục quảng
cáo, các liên kết. Công việc trích xuất này bao gồm 2 quá trình: (1) duyệt một
loạt các trang tin tức cần xem để lấy thông tin của trang đó về, trích xuất các
tin tức từ những trang HTML đã chọn lựa. Các kĩ thuật duyệt qua các trang
html của một Website đã được trình bày tại một số tài liệu, chẳng hạn [12],
chúng ta chỉ xem xét quá trình trích xuất tin tức từ các trang này.
Để xác định được một nội dung tin tức, ta cần phải tìm ra các điểm chung của
các trang tin (news portal). Các tờ báo tin tức thường có cấu trúc như sau:
“trang chủ” (home page) chỉ hiển thị một số tiêu đề tóm tắt của các mục tin,
các “trang mục tin” có các tin tức theo chủ đề nhất định và các tin này được
tóm tắt bằng tiêu đề, hình ảnh đi kèm, và tin tóm lược. Những “trang tin chi
tiết” chứa nội dung tin thường có tiêu đề, tên tác giả, ngày đăng và nội dung
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 30
của tin tức. Nhiệm vụ của chúng ta là phải xác định được chính xác nội dung
tin tức, bỏ qua các thông tin khác.
Cách tiếp cận trong luận văn của chúng tôi dựa trên giả thiết là nội dung trang
tin tức có thể chia thành các nhóm mà mỗi nhóm có chung một định dạng và
thuộc tính dàn trang. Giả thiết này là có cơ sở khi ngày này các trang Web
được xây dựng sử dụng chương trình hoặc các đoạn mã chương trình lấy thông
tin từ cơ sở dữ liệu, lên khuôn dạng và tự động sinh ra trang HTML. Chúng ta
gọi những định dạng chung này là một mẫu (template). Hình sau giới thiệu một
mẫu trên trang Tiền Phong Online.
Hình 4 - Một mẫu tin chi tiết Quốc tế trên trang tienphongonline.com.vn
Định nghĩa 4:
Template là một tập hợp các khuôn dạng có cấu trúc và đặc trưng chung xuất
hiện trong tập các trang HTML được sinh ra bởi một chương trình hoặc một
đoạn mã chương trình.
Với các trang Web tin tức, các nhà báo chỉ việc điền thông tin vào một
template hoặc thông qua một giao diện cập nhật vào cơ sở dữ liệu. Mỗi một
trường trong template đó được gọi là một đối tượng siêu dữ liệu (data-rich
object). Vì thế, nhiệm vụ của ta là phải xác định được chính xác các template
để từ đó trích xuất được nội dung tin, tiêu đề, ngày xuất bản…
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 31
Các bước để thực hiện trích xuất tin tức bao gồm 4 bước sau: (1) nhóm các
trang html, (2) xác định mẫu chung, (3) khớp dữ liệu và (4) gán nhãn dữ liệu.
Hình sau minh hoạ cho các bước này:
Hình 5: Các bước trích xuất tin tức [28]
2.3.1 Phân cụm trang
Bước Phân cụm trang (Page Clustering) là thu thập một tập các trang Web
(các trang huấn luyện) rồi phân cụm các trang có các thuộc tính dàn trang và
định dạng tương tự nhau. Mỗi một nhóm này sẽ được tổng quát hoá thành các
template ở bước tiếp theo. Việc phân cụm này không chỉ đơn thuần là nhóm
các URL lại với nhau, bởi vì chỉ với một sự thay đổi rất nhỏ của chương trình
hoặc đoạn mã cũng có thể sinh ra một trang HTML hoàn toàn khác.
Để xây dựng các nhóm, chúng ta sử dụng thuật toán phân cấp truyền thống với
biện pháp phân biệt là giá trị đầu ra của thuật toán RTDM. Sẽ không có số
lượng các nhóm được xác định trước, thay vì đó ta sẽ chấp nhận một giá trị
ngưỡng để sao cho 2 nhóm có thể hợp nhất, giá trị ngưỡng trong đồ án này là
sự tương đương 80% giữa 2 nhóm.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 32
2.3.2 Trích xuất mẫu chung
Nhiệm vụ chính trong bước Trích xuất mẫu chung (Extraction Pattern
Generation) là tổng quát hoá các nhóm trang thành các mẫu chung ne-pattern
(node extraction pattern). Khái niệm ne-pattern là một cây được định nghĩa
như sau:
Định nghĩa 5 [28]
Mẫu chung (ne-pattern) là một cây có thứ tự được gán nhãn, có gốc cố định
(rooted ordered labeled tree) có chứa các đỉnh đặc biệt gọi là các thẻ đại diện
(wildcard). Mỗi một wildcard phải là một lá của cây và thuộc một trong các
dạng sau:
SINGLE ( .): Wildcard đại diện cho một cây con và bắt buộc phải có.
PLUS (+): Wildcard đại diện cho một số cây con và bắt buộc phải có.
OPTION (?): Wildcard đại diện cho một cây con và có thể bỏ qua.
KLEENE (*): Wildcard đại diện cho một số cây con và có thể bỏ qua.
Ta có thể coi ne-pattern như một biểu diễn đơn giản của cây. Mục đích của
bước này là đảm bảo rằng mỗi một wildcard sẽ phù hợp với một vùng thông tin
(data-rich) trong template. Single và plus wildcard sẽ tương ứng với các đối
tượng ta cần tìm như title của tin tức, kleene wildcard sẽ tương ứng với các đối
tượng khác như danh sách các tin tức liên quan.
Ta nói ne-pattern khớp với một cây khi và chỉ khi chi phí ánh xạ giữa ne-
pattern và cây đó là hữu hạn. Như thế, mục đích của bước này là: với đầu vào
là một nhóm trang, ta phải xây dựng được một ne-pattern mà phù hợp với mọi
trang trong nhóm đó. Như vậy, các nội dung khác nhau của các trang sẽ được
biểu diễn trong ne-pattern dưới dạng các wildcard. Để xây dựng được ne-
pattern, ta xây dựng một phép toán kết hợp như sau:
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 33
Định nghĩa 6 [28]
Gọi T x1 và T x2 là 2 ne-pattern khác nhau, ta có kết hợp của T x1 và T x2 là một ne-
pattern T x3 sao cho:
• Cho S1 là tập hợp các cây khớp với mẫu T x1
• Cho S2 là tập hợp các cây khớp với mẫu T x2
• Cho S3 là tập hợp các cây khớp với mẫu T x3
• Khi đó S1 ∪ S2 ⊆ S3.
Quá trình xây dựng ne-pattern của một nhóm được tiến hành bằng cách khởi
tạo các cây của tất cả các trang Web trong nhóm, sau đó tiến hành từng bước
kết hợp mỗi cây với các cây khác trong nhóm để tạo ra một ne-pattern phù hợp
với 2 ne-pattern trước đó (chú ý rằng: mỗi một cây có thể coi là một ne-pattern
không có các Wildcard). Tại bước cuối cùng, ta có một ne-pattern chấp nhận
mọi trang Web trong nhóm.
Để cải thiện quá trình kết hợp này, ta sử dụng thuật toán RTDM như sau (Giả
sử cho 2 ne-pattern T x1 và T x2 , ta cần tìm T x3 là kết hợp của T x1 và T x2 ).
- Ta gọi 2 đỉnh a và b của một ne-pattern là tương đương khi và chỉ khi:
+ a và b là các wildcard cùng kiểu
+ a và b không phải là widlcard nhưng nhãn của a và b là giống nhau
- Ta xác định ánh xạ giữa T x1 và T x2 (chính là một tập các cặp (i, j) ∈M), từ ánh
xạ này ta xác định được kết hợp của T x1 và T x2 theo luật sau:
+ Nếu đỉnh a ∈ T x1 không có trong ánh xạ thì chèn a' vào T x3 với a' =
f(a,?).
+ Nếu a ∈ T x1 ánh xạ đến b ∈ T x2 thì chèn a' vào T x3 với a' = f(a,b)
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 34
+ f(a,b) được định nghĩa như sau:
f(∗, ∗) = ∗
f(∗, +) = ∗
f(∗, ?) = ∗
f(∗, ⋅) = ∗
f(∗, n) = ∗
f(+, +) = +
f(+, ⋅) = +
f(+, ?) = ∗
f(+, n) = +
f(⋅, ⋅) = ⋅
f(⋅, ?) = ?
f(⋅ , n) = ⋅
f( ?, ?) = ?
f(? , n) = ?
f(n1, n2) = n1 nếu n1 và n2 cùng nhãn
f(n1, n2) = ⋅ nếu n1 và n2 có nhãn khác nhau
Với n1, n2 là các đỉnh không phải là wildcard (thứ tự của n1, n2 trong f không
quan tâm).
Các luật ở trên có ý nghĩa là: với các wildcard là option (?) thì sau khi kết hợp
có thể giữ lại hoặc không (ghép với các khác), còn các wildcard kleene (*) và
plus (+) thì phải được giữ lại đến cuối của quá trình tạo ne-pattern. Còn đối với
một đỉnh không phải wildcard kết hợp với một đỉnh khác cũng không phải
wildcard thì có thể tạo ra một loại wildcard. Ta cũng chú ý rằng, một vài vùng
dữ liệu thông tin có thể trải dài trên nhiều cây con (chẳng hạn như nội dung của
tin tức). Việc nhóm các phần này thành một thực thể duy nhất là nhiệm vụ của
kleene và wildcard.
Bên cạnh đó, nếu xem xét kĩ hàm f(a, b) thì ta sẽ thấy, các wildcard kleene (*)
và plus (+) chỉ được sinh ra nếu như một trong 2 wildcard là (*) hoặc (+). Các
wildcard này cũng sẽ được tạo ra sau một bước hậu xử lý như sau:
• Các wildcard đứng trước một tập hợp các wildcard option (?) thì nên
chuyển thành wildcard kleene hoặc plus.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 35
• Nếu như wildcard đứng trước tập hợp các wildcard option là một
wildcard single hay plus thì tập hợp các wildcard option và wildcard đó
sẽ đuợc chuyển thành 1 wildcard plus duy nhất.
• Nếu wildcard là một option hay kleene wildcard thì wildcard này và cả
wildcard option kề với nó sẽ được chuyển thành 1 wildcard kleene.
• Việc gộp các wildcard có thẻ tiến hành nếu như các wildcard không
cách nhau quá 3 đỉnh non-wildcard.
2.3.3 Khớp dữ liệu
Mục đích của bước Khớp dữ liệu (Data matching) là khớp các ne-pattern đã
được sinh ra với các trang Web huấn luyện để tìm ra ne-pattern thích hợp nhất
với các trang Web huấn luyện (ta sử dụng RTDM để thực hiện công việc này).
Trước hết, ta phải hiểu nếu như một wildcard ánh xạ đến một đỉnh của cây
HTML thì wildcard đó đại diện cho đỉnh đó.
Định nghĩa 7 [28]
Ánh xạ giữa một ne-pattern và cây biểu diễn cấu trúc trang HTML là một luật
thỏa mãn:
1. Mọi đỉnh non-wildcard được ánh xạ thành một đỉnh duy nhất trong
cây HTML.
2. Mọi đỉnh của cây HTML phải được ánh xạ một đỉnh duy nhất trong
ánh xạ hoặc bằng một wildcard.
3. Single wildcard biểu diễn một cây con của cây HTML
4. Plus wildcard phải biểu diễn ít nhất một cây con của cây HTML
5. Option wildcard phải biểu diễn một cây con của cây HTML nếu có
thể
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 36
6. Kleene wildcard phải biểu diễn ít nhất một cây con của cây HTML
nếu có thể
7. Plus wildcard thay thế càng nhiều các cây con cùng cha càng tốt
8. Kleene wildcard phải thay thế càng nhiều các cây con cùng cha của
cây HTML càng tốt
Các luật 1, 2, 3, 4 là đủ để đảm bảo ne-pattern khớp với cây HTML. Các luật 5,
6 làm cho điều kiện khớp chặt chẽ hơn. Luật 7, 8 luôn luôn thỏa mãn, chúng
chỉ giúp ta hiểu rõ hơn về cách thức hoạt động của một ne-pattern.
Hàm đánh giá cho RTDM được thực hiện như sau: Giả sử a là một đỉnh của
ne-pattern, b là một đỉnh của cây HTML. Chi phí hình thức của thuật toán
RTDM là:
• Chi phí cho thao tác thay thế đỉnh:
(A) a là wildcard Æ 0
(B) nếu không Æ ∞
• Chi phí cho thao tác chèn đỉnh:
(C) Tồn tại cha của b mà được xây dựng từ wildcard Æ 0
(D) Đỉnh cùng cha bên trái của b là một wildcard (*) Æ 0
(E) Đỉnh cùng cha bên trái của b là một wildcard (+) Æ 0
(F) Nếu không thì Æ ∞
• Chi phí cho thao tác xóa đỉnh:
(G) Nếu a là một wildcard (*) hoặc (+) Æ 0
(H) Nếu không Æ ∞
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 37
Chi phí thay thế (A) đảm bảo chỉ có một wildcard có thể bị thay thế bởi một
cây con mà chúng sử dụng. Chi phí chèn (C) cho phép một cây con hoàn chỉnh
được thay thế bởi một wildcard. Chi phí chèn (D), (E) cho phép các wildcard
có thể thay thế một danh sách các cây con. Chi phí (G) đảm bảo chỉ có các
đỉnh optional mới có thể bị xóa, ta thường thay thế chi phí này bằng chi phí
(A). Chi phí (B), (F), (H) đảm bảo ne-pattern phải phù hợp với trang Web, nếu
không sẽ có chi phí vô hạn.
Khi ne-pattern đã được xây dựng, quá trình trích xuất tin tức sẽ được thực hiện
qua bước 4. 4
Hình 6 - Các bước hình thành ne-pattern từ các nhóm
2.3.4 Gán nhãn dữ liệu
Kết quả của bước Khớp dữ liệu là một tập hợp các text pasages có thứ tự, mỗi
một text-pasage chính là một tập hợp các đỉnh mà được đại diện bởi một
wildcard trong ne-pattern. Chúng ta có thể xác định lại các tập hợp này như
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 38
sau: T = (t1, p1), (t2, p2),…, (tn, pn) với ti là text-pasage được lấy bởi wildcard
và pi là vị trí đỉnh của wildcard này.
Mục đích của bước Gán nhãn dữ liệu (Data Labeling) là lựa chọn từ T hai giá
trị ti, tj là tiêu đề và nội dung của tin tức. Để làm được việc này, cần thực hiện
một luật heuristic trên tập hợp T như sau:
+ length(ti) là số từ trong pasage ti.
+ ti ∩ tk là số từ xuất hiện trong pasage ti và tk
+ ti là nội dung tin khi và chỉ khi length(ti) > length(tk) với mọi 1<k<n
(k≠i) và length(tk) >100.
+ tj là tiêu đề của tin tức khi và chỉ khi 1 ≤ length(ti) ≤ 20 và
ik
ik
ij
ij
pp
tt
pp
tt
−
∩>−
∩
với mọi 1<k< j (k≠j).
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 39
CHƯƠNG III . PHÂN TÍCH THIẾT KẾ HỆ THỐNG
3.1.Giới thiệu
Hệ thống kênh tin tức điện tử cho thiết bị cầm tay được thiết kế theo mô hình
CSDL quan hệ, công cụ được sử dụng ở đây là phần mềm Dezign for Database
version 3.4 (chi tiết tham khảo Đây là phần mềm thiết
kế cơ sở dữ liệu rất gọn nhẹ và trực quan phù hợp với mọi bài toán có kích
thước khác nhau, đặc biệt là phù hợp với hệ thống cơ sở dữ liệu cho Kênh tin
tức điện tử trên thiết bị cầm tay. Hệ thống sử dụng hệ quản trị MySQL, đây là
một hệ quản trị cơ sở dữ liệu mã nguồn mở phổ biến nhất hiện nay. MySQL có
ưu thế gọn nhẹ, bảo mật và tốc độ truy xuất cao, đặc biệt thích hợp với các hệ
thống ứng dụng trên Web. Các module hệ thống được thiết kế theo mô hình
UML 2.0 bằng chương trình Enterprise Architect 6.1 (chi tiết tham khảo:
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 40
3.2. Mô hình Use Case:
Các thành phần trong mô hình:
Mã số Tên xử lý Giải thích
Process 1 Tạo cây HTML
Tạo cây theo mô hình
DOM (Document Object
Model)
Process 2 Tạo nhóm trang
Phân nhóm các trang
HTML
Process 3 Xác định mẫu Xây dựng mẫu cho từng
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 41
kiểu trang HTML
Process 4 Thiết lập giá trị các lá của cây mẫu
Process 5 Hiển thị trang tin
Hiển thị teho định đạng
của thiết bị cầm tay
Process 6 Tính RTDM
Tính giá trị RTDM cho
từng cặp cây HTML
Actor 1 Người đọc tin
Event 1 Nhập URL trang tin
Info 1 Nhóm trang
Info 2 Cây HTML
Check 1 Kiểm tra link
Resource 1 Trang web huấn luyện
Khi người dùng cuối nhập địa chỉ một trang tin tức hoặc lựa chọn trang tin có
sẵn, hệ thống sẽ tiến hành kiểm tra liên kết (Url) đó:
• Nếu tờ báo (News Site) đó đã được duyệt trước đó thì hệ thống sẽ
tiến hành xác định mẫu của trang (page) tin tức cần xem và gán
nhãn cho cây mẫu với thông tin của trang tin tức, sau đó tạo trang
HTML và trả lại kết quả cho người dùng cuối.
• Nếu tờ báo đó chưa được duyệt lần nào, hệ thống sẽ phải tiến
hành phân nhóm và tạo mẫu. Để tiến hành phân nhóm và tạo
mẫu, hệ thống sẽ phải lấy về một số trang huấn luyện (cỡ khoảng
200 trang với độ sâu cấp 3 của site). Từ các trang huấn luyện thu
được, hệ thống sẽ tạo cây HTML theo mô hình DOM và áp dụng
thuật toán RTDM để tính giá trị RTDM cho từng cặp cây này.
Căn cứ vào các giá trị RTDM hệ thống sẽ nhóm các trang HTML
cùng kiểu và tạo ra các mẫu. Các mẫu này sẽ được gán nhãn và
trên cơ sở các nhãn này, hệ thống sẽ tiến hành loại bỏ hay giữ lại
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 42
các thông tin trên cây HTML sau khi được gán giá trị thực của
trang tin.
Process 1 – Tạo cây HTML
Dùng để tạo các cây HTML rồi chèn vào Cơ sở dữ liệu. Đầu vào của tiến trình
này là url của trang tin. Để thực hiện công việc tạo cây, ta sử dụng gói có sẵn
“MILHTML”. Gói tiện ích MIL HTML cho phép biểu diễn trang HTML theo
mô hình DOM, gói được chia sẻ trên diễn đàn codeproject tại địa chỉ sau:
Process 2 – Tạo nhóm trang
Module này nhằm tạo ra các nhóm trang từ các trang huấn luyện. Việc tạo
nhóm trang sẽ chia site tin tức ra thành các nhóm trang khác nhau: nhóm các
trang chủ, nhóm các trang mục tin, nhóm các trang tin chi tiết…. Việc phân
nhóm trang được thực hiện nhờ vào phép tính RTDM giữa các cây HTML của
trang web cần phân nhóm trang. Số lượng nhóm trang không giới hạn, ta coi 2
cây HTML là cùng chung một nhóm trang nếu chúng giống nhau đến 80% (giá
trị ngưỡng này có thể thay đổi để phù hợp với từng trang web)
Process 3 – Xác định mẫu
Xác định mẫu là Module xác định cây HTML chung nhất của một nhóm trang.
Cây HTML đó là cây có các là là các kí tự đại diện, thể hiện các vùng chứa
thông tin. Mẫu của một nhóm trang sẽ xác định cây khung của nhóm trang đó.
Để xác định mẫu của một nhóm trang, ta cũng kết hợp kết quả của RTDM đã
được lưu trong CSDL cùng với thuật toán xây dựng wildcard. Mẫu cây của
một nhóm sẽ được lưu trong bảng HtmlTree trong cơ sở dữ liệu với trường
isPattern = YES.
Process 4 – Thiết lập các giá trị lá của cây mẫu.
Module này nhằm điền lại nhãn của các lá của cây “mẫu”, xác định xem các lá
của nó có nhãn là gì: … Nhãn của lá ở
đây chỉ bao gồm các thẻ Html mà không có nội dung bên trong của thẻ đó. Một
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 43
cây “mẫu” khi được dán nhãn và hiển thị theo định dạng html sẽ cho ta thấy
được “khung” của trang tin tức.
Process 5 – Hiển thị trang tin
Module này xác định nội dung cần hiển thị rồi hiển thị chúng lên trên trình
duyệt. Để có thể hiển thị theo như mong muốn của người dùng,module này cần
kiểm tra, loại bỏ những vùng thông tin dư thừa và chỉ hiển thị các vùng thông
tin cần thiết, đồng thời tinh chỉnh các đối tượng cho phù hợp với diện tích của
màn hình thiết bị di động. Module này kết hợp kết quả đạt được từ module dán
nhãn cho các lá của cây mẫu với một số mẹo heuristic.
Process 6 – Tính giá trị RTDM
Module này tính giá trị RTDM giữa 2 cây và chi phí ánh xạ giữa 2 nút bất kì
của 2 cây khác nhau. Các giá trị này sau khi tính được sẽ được lưu trong
CSDL.
Nhập Url trang tin:
Là sự kiện người dùng nhập địa chỉ cần xem tin tức qua thiết bị cầm tay.
Module này lấy url mà người dùng nhập vào rồi chuyển qua cho module kiểm
tra tính hợp lệ của url.
Người đọc tin:
Là người sử dụng cuối của hệ thống. Người sử dụng này gửi các yêu cầu đọc
trang tin cho hệ thống.
Nhóm trang
Là các bảng chứa thông tin về trang tin tức cùng với các nhóm trang tin tức đã
được xây dựng và cây mẫu của nhóm trang đó nhằm tăng khả năng thực hiện
của hệ thống. Với những thông tin này, hệ thống không cần phải tạo mới một
quá trình xử lý mà có thể sử dụng ngay những thông tin đã có để tiến hành xử
lý trang tin.
Các trang tin HTML
Là nơi lưu trữ thông tin về các cây HTML cùng với các nút của cây đã được
xây dựng từ các trang HTML có trong site Tin tức. Các cây này dung để thực
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 44
hiện các quá trình phân tích cấu trúc trang tin và xây dựng lại trang tin theo
khuôn dạng mới.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 45
3.2. Mô hình lớp
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 46
Hình 7 : Gói các lớp phục vụ tính toán giá trị RTDM
Hình 8 : Gói các lớp quản lý các trang tin tức
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 47
3.4. Danh sách các thực thể
STT Tên các thực thể Mô tả thực thể
1. NewsCategory Danh mục tin tức của site
2. NewsSite Site tin tức
3. Template Trang mẫu
4. TemplateType Kiểu trang mẫu
5. NodeType Kiểu nút
6. NodeMapping Chi phí ánh xạ của 2 nút
7. RtdmTreeValue Giá trị RTDM của cây
8. TreeNode Nút của cây HTML
9. HtmlTree Cây HTML
10. DefautMappingValue
Chứa giá trị mặc định cho chi phí xoá đỉnh,
chèn đỉnh, thay thế đỉnh
Mô tả chi tiết các thực thể được trình bày trong Phần phụ lục.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 48
3.5. Mô hình thực thể liên kết
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 49
CHƯƠNG IV. KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ
4.1. Giới thiệu chung về hệ thống
Hệ thống được chia thành 2 module chính sau: Module quản trị và Module
xem tin tức. Module quản trị là chương trình cho phép quản lý, chỉnh sửa, nhận
dạng mẫu các trang tin tức mới và các trang đã được nhận dạng. Module xem
tin tức là trang web cho phép người dùng cuối truy cập từ thiết bị cầm tay để
xem tin tức từ các site mà hệ thống đã nhận dạng được.
4.2. Thực nghiệm và đánh giá kết quả
Kết quả thực nghiệm trên thuật toán RTDM
Theo thực nghiệm của Davi de Castro Reis và các đồng tác giả [28], khi so
sánh thuật toán RTDM với thuật toán Chawathe [5] (thời gian tính toán cỡ
O(n1.n2)) trong việc trích xuất mẫu chung, kết quả cho thấy RTDM trung bình
nhanh hơn 4 lần, có trường hợp RTDM nhanh hơn 10 lần.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 50
Kết quả thực nghiệm trên hệ thống
Kết quả thực nghiệm của luận văn trên 7 trang tin tức: Thanh Niên Online
(thanhnien.com.vn), VN Express (vnexpress.net), Dân trí (dantri.com.vn), Việt
Nam Net (vietnamnet.vn), Chúng Ta (chungta.com), Tiền phong Online
(tienphongonline.com.vn), Tuổi Trẻ Online (tuoitre.com.vn) với trên 1388
trang HTML mẫu thu.
Tất cả các thực nghiệm được thực hiện trên máy tính với cấu hình như sau:
1 CPU Pentium M 1.6 GHz
2 RAM 512Mb
3
Đường truyền ADSL tốc độ
download/upload
2048bps/512bps
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 51
Kết quả thực nghiệm:
STT Trang tin tức
Chiều
sâu
Chiều
rộng
Số
trang
tối đa
Ngưỡng
Số
trang
mẫu
Số
mẫu
Thời
gian
huấn
luyện
(giây)
1 thanhnien.com.vn 4 100 300 300 264 24 821
2 vnexpress.net 4 80 250 200 203 13 374
3 dantri.com.vn 4 100 300 300 235 21 2012
4 vietnamnet.vn 4 80 400 300 323 19 1203
5 chungta.com 4 100 200 200 76 9 230
6 tienphongonline.com.vn 4 80 300 200 165 9 523
7 tuoitre.com.vn 5 50 150 200 122 22 404
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 52
Một số hình ảnh chương trình:
Chức năng quản trị:
Các hình ảnh chương trình trên thiết bị cầm tay:
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 53
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 54
KẾT LUẬN
Kết quả đạt được
Luận văn đã tiến hành nghiên cứu giải pháp trích chọn thông tin trên Web
nhằm xây dựng một hệ thống trích xuất tin tức cho phép xem được trên thiết bị
cầm tay.
Giải pháp đề xuất trong luận văn này sử dụng thuật toán RTDM (Restricted
Top-Down Mapping) do Davi de Castro Reis và các đồng tác giả đề xuất [28].
Thuật toán RTDM là thành phần lõi chính cho phép xây dựng một hệ thống
nhận dạng các mẫu của trang tin tức và tiến hành trích xuất tin tức hoàn toàn tự
động. Luận văn cũng đã tiến hành chi tiết và hoàn thiện các phần nội dung
không công bố của thuật toán RTDM.
Trên cơ sở lý thuyết đã nghiên cứu, tác giả đã tiến hành phân tích, thiết kế và
xây dựng hệ thống kênh cung cấp tin tức điện tử trên các thiết bị cầm tay thông
minh hoàn chỉnh. Hệ thống đã được thử nghiệm cho các trang tin tức trên các
báo điện tử tiếng Việt phổ dụng hiện nay và cho kết quả tốt.
Kết quả chưa đạt được và kế hoạch trong tương lai
Do thời gian nghiên cứu và xây dựng hệ thống có hạn cộng với thuật toán
RTDM không được công bố đầy đủ nên chương trình thực nghiệm còn một số
tính năng chưa hoàn thiện. Tốc độ nhận dạng mẫu, khớp dữ liệu còn chậm,
trích xuất được một tin tức còn chiếm nhiều thời gian xử lý CPU và bộ nhớ
RAM, vì vậy chưa khả thi để áp dụng thực tế.
Trong tương lai, tác giả dự định hoàn thiện thuật toán RTDM nhằm tăng tốc độ
cho phép nhận dạng, trích xuất. Song song với việc tăng tốc thuật toán RTDM,
kiến trúc chương trình cũng sẽ cần hoàn thiện cho phép nhiều truy cập đồng
thời và nâng cao tính ổn định của hệ thống. Trên cơ sở đó sẽ áp dụng triển khai
thực tế cho các trang tin tức tiếng Việt cũng như các trang tin tức tiếng Anh,
Pháp,...
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 55
TÀI LIỆU THAM KHẢO
[1] A. Arasu, H. Garcia-Molina, and S. University. Extracting structured
data from Web pages. In Proceedings of the 2003 ACM SIGMOD
International Conference on Management of Data, 337-348, ACM
Press, 2003.
[2] L. Arllota, V. Crescenzi, G. Mecca, and P. Merialdo. Automatic
annotation of data extraction from large Web sites. In Proceedings of
the International Workshop on the Web and Databases, 7-12, San
Diego, USA, 2003.
[3] R. Baeza-Yates and B. Ribeiro-Neto. Modern Information Retrieval.
Addison-Wesley, Harlow, England, 1st edition, 1999.
[4] V. Boyapati, K. Chevrier, A. Finkel, N. Glance, T. Pierce, R. Stockton,
and C. Whitmer. ChangedetectorTM: a site-level monitoring tool for
the WWW. In Proceedings of the 11th International Conference on
World Wide Web, 570-579. ACM Press, 2002.
[5] S. S. Chawathe. Comparing hierarchical data in external memory. In
Proceedings of the 25th International Conference on Very Large Data
Bases, 90-101, Edinburgh, Scotland, U.K., 1999.
[6] W. Chen. New algorithm for ordered tree-to-tree correction problem.
Journal of Algorithms, 40:135-158, 2001.
[7] V. Crescenzi, G. Mecca, and P. Merialdo. RoadRunner: Towards
automatic data extraction from large Web sites. In Proceedings of the
27th International Conference on Very Large Data Bases, 109-118,
Rome, Italy, 2001.
[8] V. Crescenzi, G. Mecca, and P. Merialdo. Wrapping-oriented
classi_cation of Web pages. In Proceedings of the 2002 ACM
Symposium on Applied Computing, 1108-1112. ACM Press, 2002.
[9] D. Florescu, A. Levy, and A. Mendelzon. Database techniques for the
world-wide Web: a survey. SIGMOD Rec., 27(3):59-74, 1998.
[10] M. Garofalakis, A. Gionis, R. Rastogi, S. Seshadri, and K. Shim.
Xtract: a system for extracting document type descriptors from xml
documents. In Proceedings of the 2000 ACM SIGMOD International
Conference on Management of Data, 165-176. ACM Press, 2000.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 56
[11] S. Grumbach and G. Mecca. In search of the lost schema. In C. Beeri
and P. Buneman, editors, Proceedings of 7th International Conference
on Database Theory, Lecture Notes in Computer Science, 314-331,
Jerusalem, Israel, 1999. Springer.
[12] A. Heydon and M. Najork. Mercator: A scalable, extensible Web
crawler. World Wide Web, 2(4):219-229, 1999.
[13] A. Laender, B. Ribeiro-Neto, A. Silva, and J. S. Teixeira. A brief
survey of Web data extraction tools. SIGMOD Record, 31(2):84-93,
2002.
[14] B. Liu, R. Grossman, and Y. Zhai. Mining data records in Web pages.
In Proceedings of the 9th ACM SIGKDD International Conference on
Knowledge Discovery and Data Mining, 601-606. ACM Press, 2003.
[15] J.K. Min, J.Y. Ahn, and C.-W. Chung. Ef_cient extraction of schemas
for xml documents. Information Processing Letters, 85(1):7-12, 2003.
[16] A. Nierman and H. V. Jagadish. Evaluating structural similarity in
XML documents. In Proceedings of the 5th International Workshop on
the Web and Databases (WebDB 2002), Madison, Wisconsin, USA,
June 2002.
[17] S. M. Selkow. The tree-to-tree editing problem. Information
Processing Letters, 6:184-186, Dec. 1977.
[18] K.-C. Tai. The tree-to-tree correction problem. J. ACM, 26(3):422-433,
1979.
[19] G. Valiente. An efficient bottom-up distance between trees. In
Proceedings of the 8th International Symposium on String Processing
and Information Retrieval, 212-219, Santiago, Chile, 2001. IEEE
Computer Science Press.
[20] G. Valiente. Tree edit distance and common subtrees. Research Report
LSI-02-20-R, Universitat Politecnica de Catalunya, Barcelona, Spain,
2002.
[21] J. T.-L. Wang, B. A. Shapiro, D. Shasha, K. Zhang, and K. M. Currey.
An algorithm for finding the largest approximately common
substructures of two trees. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 20(8):889-895, 1998.
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 57
[22] J. T. L. Wang and K. Zhang. Finding similar consensus between trees:
an algorithm and a distance hierarchy. Pattern Recognition, 34:127-
137, 2001.
[23] P. Willett. Recent trends in hierarchic document clustering: a critical
review. Information Processing and Management, 24(5):577-597,
1988.
[24] G. Yang, I. V. Ramakrishnan, and M. Kifer. On the complexity of
schema inference from Web pages in the presence of nullable data
attributes. In Proceedings of the 12th International Conference on
Information and Knowledge Management, 224-231. ACM Press, 2003.
[25] W. Yang. Identifying syntactic differences between two programs.
Softw. Pract. Exper., 21(7):739-755, 1991.
[26] K. Zhang, D. Shasha, and J. T. L. Wang. Approximate tree matching in
the presence of variable length don't cares. J. Algorithms, 16(1):33-66,
1994.
[27] K. Zhang, R. Statman, and D. Shasha. On the editing distance between
unordered labeled trees. Information Processing Letters, 42(3):133-
139, 1992.
[28] Davi de Castro Reis, Paulo B. Golgher, Altigran S. da Silva, Alberto
H. F. Laender. Automatic Web News Extraction Using Tree Edit
Distance. In Proceedings of the Thirteenth International World Wide
Web Conference, ACM Press, New York, NY, May 2004, ISBN
1581139128, 502-601.
[29] Một số bài báo trên các trang www.vnexpress.net ,
www.tuoitre.com.vn,...
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 58
PHỤ LỤC. MÔ TẢ CHI TIẾT CÁC THỰC THỂ
NewsSite
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK Id của tờ báo (trang tin
tức)
2 Url Varchar(500) Đường dẫn tới trang tin
tức
3 SiteName Varchar(200) Tên của trang tin tức
4 Threshold Float Giá trị ngưỡng để nhóm
các trang tin lại
5 InsertCost Float Chi phí chèn đỉnh
6 UpdateCost Float Chi phí thay thế đỉnh
7 DeleteCost Float Chi phí xoá đỉnh
Bảng này chứa danh sách các tờ báo điện tử mà người dùng đã ghé thăm, địa
chỉ Url ở đây chỉ lưu trữ địa chỉ của trang chủ. Các chi phí chèn, thay thế và
xoá đỉnh có thể xác định giá trị cho từng tờ báo.
NewsCategory
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK ID của mục tin
2 NewsSiteId Int FK ID của tờ báo (trang tin
tức) liên kết đến
3 ParentId Int FK ID của mục tin cấp trên
4 CategoryName Varchar(200) Tên của mục tin
5 CategoryUrl Varchar(500) Đường dẫn đến mục tin
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 59
đó
Bảng NewsCategory lưu trữ các mục tin chính của tờ báo.
Template
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK Id của trang mẫu
2 NewsSiteId Int Id của tờ báo
3 TemplateTypeId Int FK Kiểu trang mẫu (trang
chủ, mục tin hay tin chi
tiết)
Bảng này lưu trữ các mẫu trang tin, các trang mới ghé thăm sẽ được so sánh
với trang mẫu để xác định kiểu trang tin (trang chủ, mục tin hay trang tin chi
tiết…) và căn cứ vào kiểu trang tin sẽ có hình thức trích xuất tương ứng.
TemplateType
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK Id của TemplateType
2 TemplateTypeName Varchar(100) Tên của
templateType
3 Description varchar(500) Mô tả templateType
Kiểu trang tin: trang chủ, mục tin hay trang tin chi tiết…
NodeType
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK Id của NodeType
2 NodeName Varchar(100) Tên của NodeType
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 60
3 Description varchar(500) Mô tả NodeType
Lưu trữ kiểu nút trong cây HTML, kiểu nút sẽ xác định nút đó có được giữ lại
hay có thể loại bỏ khỏi cây.
NodeMapping
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK Id của NodeMapping
2 NodeConnectedId Int Nút kết nối trong ánh xạ
3 MappingValue Float Giá trị của ánh xạ
2 TreeNodeId Int FK Id của nút
Bảng này lưu trữ chi phí ánh xạ giữa 2 nút.
RtdmTreeValue
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK Id của RtdmTreeValue
2 TreeConnectedId Int FK Cây kết nối trong phép
tính rtdm
3 Value Float Giá trị Rtdm
Lưu trữ giá trị RTDM tính được khi chuyển đổi cây HTML sang cây có giá trị
Id là: TreeConnectedId.
HtmlTree
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
Kênh tin tức điện tử cho các thiết bị cầm tay
Vũ Ngọc Anh – K9T3 Trang 61
1 Id Int PK Id của TreeHtml
2 Url Varchar(500) Địa chỉ đến site tương
ứng
3 isPattern Varchar(3) Cây có là pattern không
4 TemplateId Int FK Template chứa cây
Lưu trữ tất cả các trang Url đã được ghé thăm, mỗi một trang được ghé thăm sẽ
tương ứng với một cây HTML.
TreeNode
STT Tên thuộc tính Kiểu Loại
khoá
Mô tả
1 Id Int PK Id của TreeNode
2 Label Varchar(40) Nhãn của nút
3 ParentId Int FK Id của nút cha
4 Level Int Độ sâu của nút tính từ
gốc
5 OrderNumber Int Số thứ tự của nút trong
cùng cha
6 NodeTypeId Int FK Kiểu nút
7 HtmlTreeId Int FK Cây chứa nút
8 TreeOrder Int Thứ tự trong cây (duyệt
theo thứ tự trước)
Lưu trữ các nút của cây tương ứng với Url được ghé thăm, các thông tin của
nút xác định được cấu trúc của cây HTML được lưu trữ.
Các file đính kèm theo tài liệu này:
- MSc06_Vu_Ngoc_Anh_Thesis.pdf