Tài liệu Luận văn Học xếp hạng trong tính hạng đối tượng và tạo nhãn cụm tài liệu: ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
NGUYỄN THU TRANG
HỌC XẾP HẠNG TRONG TÍNH HẠNG ĐỐI TƯỢNG
VÀ TẠO NHÃN CỤM TÀI LIỆU
Ngành: Công nghệ Thông tin
Chuyên ngành: Hệ thống Thông tin
Mã số: 60 48 05
luận văn thạc sĩ
NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Hà Quang Thụy
Hà Nội - 2008
Lời cam đoan
Tôi xin cam đoan đây là công trình nghiên cứu của bản thân. Các số liệu, kết quả
trình bày trong luận văn này là trung thực và chưa từng được ai công bố trong bất
kỳ công trình luận văn nào trước đây.
Học Viên
Nguyễn Thu Trang
ii
Lời cảm ơn
Trước tiên, em muốn gửi lời cảm ơn sâu sắc nhất đến PGS.TS Hà Quang Thụy -
Người thầy kính yêu, người hướng dẫn, chỉ bảo em tận tình từ những bước nghiên
cứu đầu tiên và hoàn thành luận văn.
Tôi chân thành cảm ơn các thầy cô trong bộ môn Các Hệ Thống Thông Tin, và
phòng thí nghiệm SISLAB, nhóm xemina Data Mining và đặc biệt gửi lời cảm ơn
tới ThS.Nguyễn Cẩm Tú đã giúp đỡ, hỗ trợ tôi trong quá trình nghiên cứu, hoàn
thành đề tài.
Tôi...
71 trang |
Chia sẻ: hunglv | Lượt xem: 1220 | Lượt tải: 0
Bạn đang xem trước 20 trang mẫu tài liệu Luận văn Học xếp hạng trong tính hạng đối tượng và tạo nhãn cụm tài liệu, 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
NGUYỄN THU TRANG
HỌC XẾP HẠNG TRONG TÍNH HẠNG ĐỐI TƯỢNG
VÀ TẠO NHÃN CỤM TÀI LIỆU
Ngành: Công nghệ Thông tin
Chuyên ngành: Hệ thống Thông tin
Mã số: 60 48 05
luận văn thạc sĩ
NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Hà Quang Thụy
Hà Nội - 2008
Lời cam đoan
Tôi xin cam đoan đây là công trình nghiên cứu của bản thân. Các số liệu, kết quả
trình bày trong luận văn này là trung thực và chưa từng được ai công bố trong bất
kỳ công trình luận văn nào trước đây.
Học Viên
Nguyễn Thu Trang
ii
Lời cảm ơn
Trước tiên, em muốn gửi lời cảm ơn sâu sắc nhất đến PGS.TS Hà Quang Thụy -
Người thầy kính yêu, người hướng dẫn, chỉ bảo em tận tình từ những bước nghiên
cứu đầu tiên và hoàn thành luận văn.
Tôi chân thành cảm ơn các thầy cô trong bộ môn Các Hệ Thống Thông Tin, và
phòng thí nghiệm SISLAB, nhóm xemina Data Mining và đặc biệt gửi lời cảm ơn
tới ThS.Nguyễn Cẩm Tú đã giúp đỡ, hỗ trợ tôi trong quá trình nghiên cứu, hoàn
thành đề tài.
Tôi cảm ơn các thầy cô và các cán bộ của trường Công nghệ đã tạo cho tôi những
điều kiện thuận lợi để học tập và nghiên cứu.
Cuối cùng, xin gửi lời cảm ơn tới gia đình, GB và bạn bè nguồn động viên tinh
thần to lớn với tôi, luôn cổ vũ và tin tưởng tôi.
Nguyễn Thu Trang
iii
Mục lục
MỞ ĐẦU 1
1 Xếp hạng đối tượng 2
1.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Phương pháp PageRank . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Xếp hạng đối tượng . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Phương pháp đánh giá xếp hạng . . . . . . . . . . . . . . . . . . . . . 6
1.5 Tổng kết . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Học xếp hạng 9
2.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Phương pháp học xếp hạng . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Hồi quy có thứ tự và Pairwise . . . . . . . . . . . . . . . . . . 11
2.2.2 Học xếp hạng danh sách Listwise . . . . . . . . . . . . . . . . 13
2.3 Tổng kết chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Xếp hạng trong máy tìm kiếm thực thể 16
3.1 Máy tìm kiếm thực thể . . . . . . . . . . . . . . . . . . . . . . . . . . 17
iv
MỤC LỤC v
3.2 Xếp hạng thực thể . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Mô hình Impression . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.2 Nhận xét, đánh giá mô hình Impression . . . . . . . . . . . . . 27
3.2.3 Mô hình đề xuất . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Thực nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.1 Công cụ sử dụng . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.2 Dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Kết quả và đánh giá . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Tổng kết chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Tạo nhãn cụm tài liệu 37
4.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Phương pháp lựa chọn nhãn . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 Học xếp hạng nhãn cụm . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1 Các đặc trưng . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.2 Học hàm tính hạng . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4 Thực nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.1 Nguồn dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.2 Dữ liệu học . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4.3 Kết quả và đánh giá . . . . . . . . . . . . . . . . . . . . . . . 47
4.5 Tổng kết chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Kết luận 49
Tài liệu tham khảo 51
A Dữ liệu 59
MỤC LỤC vi
A.1 Dữ liệu tìm kiếm thuốc . . . . . . . . . . . . . . . . . . . . . . . . . . 59
A.2 Cây wiki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Danh sách hình vẽ 62
Danh sách bảng 63
Bảng ký hiệu và từ viết tắt
Từ viết tắt Mô tả Trang định nghĩa
IR Information Retrieval 6
SVM Suport Vector Machine 2
LTR Learning To Rank 1
MAP Mean Average Precision 7
OR Ordinal Regression 10
vii
MỞ ĐẦU
Xếp hạng các đối tượng (trang Web, tác giả, chủ đề, trường đại học, công ty...) có ý
nghĩa quan trọng trong lĩnh vực khai phá dữ liệu, là trung tâm của nhiều ứng dụng
- điển hình là máy tìm kiếm. Các phương pháp tính hạng được nghiên cứu và phát
triển từ rất nhiều năm trước, nhưng khoảng 3 năm trở lại đây, hướng tiếp cận sử
dụng phương pháp học máy để xếp hạng đối tượng trở thành một vấn đề thu hút
được rất nhiều sự quan tâm như trong SIGIR 2007 và SIGIR 2008 đã tổ chức hội
thảo chuyên đề về học xếp hạng (learning to rank: LTR)[49].
Học xếp hạng đang được nhiều nhà khoa học trên thế giới quan tâm nghiên cứu
và ứng dụng, như cải tiến hàm tính hạng trong máy tìm kiếm của nhóm Yuehua Xu
tại ICML năm 2007 [59], mô hình tính hạng thực thể trong máy tìm kiếm thực thể
của nhóm các tác giả Tao Cheng, Kevin Chang trong [17, 18, 19], và sử dụng học
xếp hạng để đánh giá trọng số của các cụm từ [65, 53].
Luận văn Học xếp hạng trong tính hạng đối tượng và tạo nhãn cụm tài liệu thực
hiện khảo sát, phân tích các phương pháp học xếp hạng đang được quan tâm hiện
nay và từ đó đưa ra mô hình xếp hạng thực thể áp dụng vào máy tìm kiếm thực thể
trong tiếng Việt, cụ thể là tìm kiếm thực thể thuốc và học xếp hạng để tạo nhãn
cho cụm tài liệu. Qua đó cho thấy ứng dụng to lớn và ý nghĩa quan trọng của bài
toán học xếp hạng.
Luận văn này gồm bốn chương, nội dung được mô tả như dưới đây.
Chương 1. Tổng quan về xếp hạng đối tượng giới thiệu những nội dung cơ bản
nhất về bài toán xếp hạng và đặt vấn đề học xếp hạng đối tượng.
1
MỞ ĐẦU 2
Chương 2. Học xếp hạng đối tượng trình bày hai phương pháp học xếp hạng cơ
bản. Đồng thời, chương này cũng giới thiệu thuật toán học được sử dụng nhiều
trong học xếp hạng là máy véc-tơ hỗ trợ (SVM) và hồi quy tuyến tính.
Chương 3. Học xếp hạng trong máy tìm kiếm thực thể đưa ra mô hình học xếp
hạng đối tượng và thực nghiệm tính hạng thực thể thuốc trong máy tìm kiếm
thực thể.
Chương 4. Gán nhãn cụm tài liệu phân tích, áp dụng và báo cáo kết quả thực
nghiệm học xếp hạng từ/cụm từ để tạo nhãn cho các cụm tài liệu.
Phần kết luận tổng kết và tóm lược nội dung chính của luận văn.
C h ư ơ n g 1
Xếp hạng đối tượng
1.1 Giới thiệu
Trong nhiều ứng dụng cần xếp hạng các đối tượng theo tiêu chí nào đó, đơn giản
như việc xếp hạng học sinh trong một lớp theo điểm trung bình, hay xếp hạng các
trường đại học,.. và đặc biệt là việc xếp hạng các kết quả trả về của máy tìm kiếm.
Xếp hạng đối tượng là việc sắp xếp các đối tượng theo độ phù hợp với tiêu chí tùy
vào từng ứng dụng cụ thể. Do đó cần xác định hàm tính giá trị về độ phù hợp để
sắp xếp của các đối tượng theo tiêu chí đã đặt ra, và hàm đó được gọi là hàm tính
hạng (ranking function: RF). Mỗi khi nói tới xếp hạng đối tượng chúng ta quan tâm
tới hàm tính hạng.
Một điển hình của bài toán xếp hạng là việc xếp hạng các kết quả trả về của
máy tìm kiếm. Trong máy tìm kiếm thông thường (như Google, Yahoo) độ quan
trọng hay còn gọi hạng trang là đại lượng cơ sở để xếp hạng. Giá trị này được xác
định dựa vào việc phân tích đồ thị liên kết giữa các trang web. Với tập các tài liệu
D = d1, ..dn, khi có truy vấn q của người dùng máy tìm kiếm cần tìm những tài liệu
2
CHƯƠNG 1. XẾP HẠNG ĐỐI TƯỢNG 3
trong D phù hợp với truy vấn q, và sau đó sắp xếp các tài liệu theo độ phù hợp với
truy vấn và độ quan trọng giảm dần. Đó là quá trình xếp hạng và hàm tính hạng
là hàm kết hợp của giá trị độ tương tự giữa tài liệu với truy vấn similarity(q, di)
và hạng trang thành chỉ số xếp hạng được Arvind Arasu và các tác giả đề cập tới
trong [6]. Việc xác định hàm tính hạng đóng vai trò quan trọng và quyết định đối
với chất lượng của máy tìm kiếm.
Từ những năm 98, Cohen [21] đã đưa ra nhận định rằng có nhiều ứng dụng cần
sắp xếp các đối tượng hơn là cần phân lớp chúng. Mọi ứng dụng mà kết quả trả về
cho người dùng là một danh sách các đối tượng cần được sắp xếp, xếp hạng giúp
người dùng nhanh chóng tiếp cận với kết quả gần với yêu cầu của mình nhất có thể.
Thực tế chúng ta gặp rất nhiều các bảng xếp hạng như ví dụ ở trên. Điều đó cho
thấy, xếp hạng là một bài toán quan trọng và có ý nghĩa.
Tuy nhiên khái niệm xếp hạng (ranking) ra đời ban đầu với định hướng xếp
hạng các đối tượng trên Web - cụ thể là các trang web. Các trang web cần được sắp
xếp theo độ quan trọng giảm dần. Giá trị độ quan trọng đó gọi là hạng trang và
PageRank [43] là phương pháp tính hạng đầu tiên, tính hạng trang các trang web
dựa vào phân tích mối liên kết giữa các trang web trong đồ thị Web.
1.2 Phương pháp PageRank
Page và các đồng tác giả [43] đã đưa ra ý tưởng: độ quan trọng của một trang
chịu ảnh hưởng của độ quan trọng từ các trang liên kết đến nó. Và công thức tính
PageRank cho một trang u, gọi là piu được tính như sau:
piu =
∑
i∈BI (i)
pii
Ni
(1.1)
Với BI(i) là tập hợp các trang có liên kết đến trang i
và Ni là số trang liên kết ra từ trang i.
Biểu diễn đồ thị Web bởi ma trận chuyển P , khi đó phương trình 1.1 được viết
lại dưới dạng ma trận:
pi = piP (1.2)
CHƯƠNG 1. XẾP HẠNG ĐỐI TƯỢNG 4
Trong đó: pi = (pi1, pi2, . . . pin) là véc-tơ hạng các trang web, với thành phần pii là
hạng của trang i.
Từ 1.2 cho thấy véc-tơ hạng trang pi chính là véc-tơ riêng của ma trận chuyển
P tương ứng với giá trị riêng λ = 1.
Do tính chất của chuỗi Markov, để tính véc-tơ riêng của P thuật toán giả thiết
rằng đồ thị trang web là liên thông, tức với cặp hai trang web i, j bất kì luôn có
đường đi từ i tới j và ngược lại. Tuy nhiên thực tế trên World Wide Web (WWW)
vẫn tồn tại không ít các trang web không có liên kết đến hoặc liên kết ra nên việc
giả thiết đồ thị Web liên thông là không hợp lý. Và trong ma trận P vẫn tồn tại
hàng chỉ toàn số 0, nên không tồn tại một phân phối xác suất dừng ổn định của P
hay chính là véc-tơ hạng trang. Vì vậy cần phải biến đổi ma trận P thành P ′ sao
cho phù hợp.
Định nghĩa véc-tơ v, được chuẩn hóa ‖v‖ = 1, xác định xác suất phân phối với
vi là xác suất trang web i được gọi đến ở lần duyệt web đầu tiên. véc-tơ v có vai trò
trong việc hướng kết quả PageRank theo chủ đề, lĩnh vực mong muốn. Khi không
xét đến ngữ cảnh đó có thể chọn vi = 1n với ∀i = 1, 2..n .
Gọi d là véc-tơ n× 1 xác định các trang không có liên kết ra (dangling nút trên
đồ thị Web):
di =
{
1 nếu N(i) = 0
0 ngược lại
Ma trận P ′ được xác định:
P ′ = P + dv (1.3)
Khi thay đổi ma trận P như vậy tức thêm các liên kết ảo từ các dangling nút tới
tất cả các nút khác trong đồ thị Web theo phân phối xác suất v. Điều đó giúp tránh
việc khi duyệt các trang không có liên kết ra sẽ không duyệt tiếp được.
Để đảm bảo phân phối dừng ổn định (duy nhất), chuỗi Markov tương ứng với
quá trình duyệt Web của người dùng cần có tính chất ergodic, tức từ một trang
web người dùng có thể chuyển tới một trang bất kì khác. Do vậy ma trận Markov
P˜ được xác định như sau:
P˜ = αP ′ +
(1− α)
J
(1.4)
CHƯƠNG 1. XẾP HẠNG ĐỐI TƯỢNG 5
Với: J = [1]n×1 v và α: là hệ số hãm
α thường được chọn giá trị 0.85, với ý nghĩa tại mỗi bước duyệt Web người dùng
có thể chuyển tới một trang trong các liên kết ra từ trang hiện tại với xác suất α và
chuyển tới các trang khác trong đồ thị Web với xác suất (1− α) theo phân phối v.
Khi đó, thay vì tính vector riêng của ma trận P ta tính vector riêng pi của ma
trận P˜ : pi = piP˜ .
Theo tính chất của chuỗi Markov, tổng các thành phần của véc-tơ pi bằng 1:∑n
i=1 pii = 1
Vậy véc-tơ hạng trang chính là véc-tơ riêng của ma trận P˜ .
1.3 Xếp hạng đối tượng
Hạng trang PageRank là độ đo đầu tiên để xếp hạng các trang web. Và vì vậy, có
thể coi hạng trang là hàm xếp hạng các đối tượng - cụ thể đối tượng trong trường
hợp này là các trang web. Và ngày càng có nhiều các nghiên cứu về xếp hạng không
chỉ là các trang web như xếp hạng các trường đại học [4, 3, 55], xếp hạng các nhà
khoa học, bài báo [48]...
Với những xếp hạng đơn giản như xếp hạng học sinh theo điểm trung bình, xếp
hạng các doanh nghiệp theo doanh thu năm...có một tiêu chí xếp hạng rõ ràng và
hàm tính hạng "dễ dàng" xác định. Tuy nhiên trong nhiều ứng dụng như xếp hạng
các trường đại học, xếp hạng các nhà khoa học, xếp hạng các kết quả trả về của
máy tìm kiếm,...mỗi loại đối tượng cần xếp hạng có nhiều đặc trưng khác nhau,
cần tìm ra mối quan hệ về độ quan trọng của các đặc trưng đó. Và từ đó kết hợp
các đặc trưng thành một hàm gọi l hàm tính hạng để xếp hạng các đối tượng. Đối
tượng có giá trị hạng càng cao thì có thứ hạng càng cao (thứ hạng cao nhất là 1,
và lần lượt giảm dần 2, 3 ..)
Ví dụ, vấn đề xếp hạng các trường đại học đang nhận được nhiều sự quan tâm.
Webometric [55, 4] là một phương pháp xếp hạng trường đại học dựa vào các thông
tin trên web với có 4 chỉ số đặc trưng được xác định. Hàm xếp hạng các trường là
CHƯƠNG 1. XẾP HẠNG ĐỐI TƯỢNG 6
một hàm tuyến tính của 4 chỉ số đó và Webometric cũng đưa ra hệ số cụ thể cho
từng chỉ số. Việc xếp hạng các trường đại với độ đo Webometric vẫn đang được các
nhà khoa học quan tâm nghiên cứu [55, 4] với các nghiên cứu về các chỉ số và xác
định hàm xếp hạng.
Học xếp hạng được Joachims [36, 49] đánh giá là lĩnh vực nổi lên với sự phát
triển lớn mạnh trong các nghiên cứu về truy tìm thông tin (information retrieval)và
học máy (machine learning). Nói một cách khác, học hàm tính hạng hiện đang là
vấn đề được quan tâm trong lĩnh vực học máy và có nhiều ứng dụng trong truy tìm
thông tin, theo [61]. Học xếp hạng là học hàm của các đặc trưng để sắp xếp các đối
tượng theo độ phù hợp, ưu tiên hay độ quan trọng...tùy vào từng ứng dụng cụ thể.
Hiện nay nghiên cứu các phương pháp học tính hạng đang được nhiều nhà khoa học
trên thế giới quan tâm [8, 12, 16, 26, 37, 44, 46, 45, 50], có nhiều phương pháp học
xếp hạng được đưa ra như RankSVM [34], SVM-MAP [62]..
Chương sau sẽ giới thiệu cụ thể các phương pháp học xếp hạng hiện nay.
1.4 Phương pháp đánh giá xếp hạng
Để đánh giá chất lượng một xếp hạng, các độ đo thông dụng trong học máy như độ
chính xác (precision), độ hồi tưởng (recall), độ đo F không sử dụng. Xếp hạng yêu
cầu các đối tượng "đúng" (phù hợp tiêu chí) cần được xếp ở các vị trí đầu tiên của
bảng xếp hạng càng tốt.
Giả sử 6 đối tượng tương ứng là: a, b, c, d, e
Trong đó a, b, c là các đối tượng phù hợp và d, e là các đối tượng không phù
hợp.
Một xếp hạng của các đối tượng cần đánh giá là: c, a, d, b, e.
Các độ đo về độ chính xác của xếp hạng thường được sử dụng:
CHƯƠNG 1. XẾP HẠNG ĐỐI TƯỢNG 7
Độ chính xác mức K: P@K
Độ chính xác xếp hạng ở mức K - Precision@K (P@K): độ chính xác của K đối
tượng đầu bảng xếp hạng. Xác định số đối tượng đúng ở K vị trí đầu tiên của xếp
hạng và gọi là Match@K, và độ chính xác mức K:
P@K =
Match@K
K
Với ví dụ trên ta có: P@3 = 2/3 ; P@4 = 3/4; P@5 = 3/5;
Độ chính xác trung bình: MAP
Độ chính xác trung bình là giá trị trung bình của các P@K tại các mức K có đối
tượng đúng. Gọi I(K) là hàm xác định đối tượng ở vị trí hạng K nếu đúng I(K) =1
và ngược lại I(K) = 0. Độ chính xác trung bình:
AP =
∑n
K=1 P@K × I(K)∑n
j=1 I(j)
Với n là số đối tượng được xét.
Giá trị trung bình trên m xếp hạng (với bài toán tìm kiếm thì đó là giá trị trung
bình của AP trên các truy vấn):
MAP =
∑m
i=1 APi
m
Ví dụ trên có:
MAP =
1
3
.(
1
1
+
2
2
+
3
4
)
Trung bình nghịch đảo thứ hạng: MRR
Xác định vị trí hạng của đối tượng đúng đầu tiên trong bảng xếp hạng: r, khi đó
nghịch đảo hạng: RR = 1/r. Với ví dụ trên, ta có RR = 1/1.
Trung bình nghịch đảo thứ hạng là giá trị trung bình nghịch đảo thứ hạng RR
của tất cả các truy vấn/hay xếp hạng đang xét.
MRR =
∑m
i=1 RRi
m
CHƯƠNG 1. XẾP HẠNG ĐỐI TƯỢNG 8
Một số độ đo khác
Các độ đo ít được sử dụng hơn như:
• Số đối tượng đúng ở mức K: Match@K.
• Trung bình tổng nghịch đảo thứ hạng của các đối tượng đúng (MTRR): Với
giá trị tổng nghịch đảo được xác định:
TRR =
n∑
i=1
(
1
i
× I(i))
Trong ví dụ ta có TRR = 1/1 + 1/2
1.5 Tổng kết
Xếp hạng là một bài toán phổ biến, có ý nghĩa quan trọng và có nhiều ứng dụng
trong thực tế. Vấn đề học xếp hạng là vấn đề thời sự đang nhận được nhiều sự quan
tâm của các nhà khoa học. Hướng tiếp cận bài toán học xếp hạng đã được giới thiệu
trong chương này, các chương sau tiếp tục làm rõ hơn về bài toán học xếp hạng và
ứng dụng.
C h ư ơ n g 2
Học xếp hạng
2.1 Giới thiệu
Các nghiên cứu về học xếp hạng chủ yếu tập trung vào ứng dụng xếp hạng các tài
liệu trả về từ máy tìm kiếm dựa theo truy vấn. Có tập các tài liệu D = {d1, d2, ..., dn}
và với truy vấn q, cần xác định hàm xếp hạng r để sắp xếp các tài liệu D theo độ
phù hợp với truy vấn.
Tổng quát bài toán xếp hạng đối tượng nói chung, ta có: tập X ⊂ Rn của các
đối tượng x = (x1, .., xn) ∈ Rn, với n là số đặc trưng của mỗi đối tượng. Cần tìm
hàm h(x) : X → R để sắp xếp các đối tượng x theo độ phù hợp.
Dữ liệu học S là xếp hạng đúng của một tập các đối tượng X ′ ⊂ X được đưa
ra để học hàm h(x). Tùy từng ứng dụng mà người dùng có các mức yêu cầu khác
nhau về sắp xếp thứ hạng đúng và có các kiểu dữ liệu học:
1. Xác định giá trị độ phù hợp y cụ thể của từng đối tượng trong S. Do trong
ứng dụng xếp hạng, người dùng quan tâm nhiều tới thứ tự thay vì giá trị xếp
9
CHƯƠNG 2. HỌC XẾP HẠNG 10
hạng (độ phù hợp) nên y thường được xác định:
• Hai giá trị tương ứng xếp hạng phù hợp (releval) và không phù hợp
(inreleval). Người dùng chỉ quan tâm các đối tượng có phù hợp tiêu chí
đặt ra hay không (2 hạng).
• N giá trị xác định tương ứng N hạng nhất định, ví dụ: rất phù hợp, phù
hợp, có thể phù hợp, không phù hợp.
2. Đưa ra các so sánh độ phù hợp của từng cặp đối tượng.
3. Danh sách sắp thứ tự đúng của "tất cả" các đối tượng theo độ phù hợp.
Với mỗi kiểu dữ liệu trên, xác định các kiểu ràng buộc xếp hạng khác nhau và có
các phương pháp học xếp hạng tương ứng. Các phương pháp học xếp hạng theo
Soumen Chakrabarti [14] và Tie-Yan Liu [40]:
Hồi quy (Regression): Có S = {(xi, yi)} mỗi đối tượng xi xác định giá trị yi
tương ứng về độ phù hợp. Học hàm h(x) thỏa mãn:
h(xi) = yi với ∀x ∈ X ′
Trong học xếp hạng, khi giá trị yi xác định thứ hạng của đối tượng xi thì
phương pháp gọi là hồi quy có thứ tự (Ordinal Regression).
Cặp thứ tự (Pairwise): Có S = {(xi, xj)} là tập các cặp đối tượng được sắp thứ
tự, với mỗi cặp (xi, xj) có nghĩa xi có thứ hạng cao hơn xj (xi phù hợp hơn
xj : xi xj). Tìm h(x):
∀(xi, xj) ∈ S có xi xj thì h(xi) > h(xj)
Danh sách sắp xếp (Listwise): Một thứ tự sắp xếp của tất cả các đối tượng
được xác định [62]. Tuy nhiên trong nhiều ứng dụng (ví dụ máy tìm kiếm),
việc sắp thứ tự của tất cả các đối tượng là không khả thi, thì một xếp hạng
của K đối tượng đầu tiên được xác định, và tất cả các đối tượng khác đều có
hạng thấp hơn [12]
Có S = {x1, x2, ..., xm} với xi ∈ X ′ là một sắp thứ tự (x1 x2 ... xm)
tìm hàm h(x) sao cho: h(x1) > h(x2) > ... > h(xm)
CHƯƠNG 2. HỌC XẾP HẠNG 11
2.2 Phương pháp học xếp hạng
2.2.1 Hồi quy có thứ tự và Pairwise
Học xếp hạng với phương pháp hồi quy có thứ tự: tập dữ dữ liệu học S = {(xi, yi)}li=1với
yi ∈ 1, 2, ...R là một tập sắp thứ tự, cần học hàm h(x) thỏa mãn:
Với mọi cặp (xi, yi) và (xj , yj) thuộc S thì yi > yj ⇔ h(xi) > h(xj)
Gọi P là tập hợp tất cả các cặp (i, j) mà thứ hạng của xi cao hơn của xj (xi xj)
trong S: P = {(i, j) : yi > yj} và |P | = m. Do vậy có thể phát biểu lại bài toán: có
các cặp so sánh thứ tự S ′ = {(xi, xj)
∣∣xi xj}, tìm h(x) thỏa mãn:
∀(xi, xj) ∈ S
′ có xi xj thì h(xi) > h(xj)
Như vậy, từ bài toán hồi quy có thứ tự đã được chuyển về bài toán Pairwise. Ví
dụ có tập sắp thứ tự S = {(d1, 2), (d2, 1), (d3, 1)} khi đó có các cặp so sánh thứ tự
S ′ = {(d2, d1), (d3, d1)}. Với ví dụ này có d2 và d3 không xác định thứ tự so sánh
(cùng thứ hạng trong S).
Để giải quyết bài toán Pairwise, vấn đề xếp hạng (ranking) được đưa về bài toán
phân lớp cho từng cặp đối tượng [40, 66, 34, 9, 30, 33, 22]. Giá trị của hàm phân
lớp là giá trị xếp hạng đối tượng. Hàm tính hạng h : X → R
h(x) = wTx
SVM[33] (Support Vector Machine - máy véc-tơ hỗ trợ) là phương pháp học máy
học bộ phân lớp nhị phân (chia các đối tượng thành hai lớp). Tư tưởng chính của
SVM là xác định biên (siêu phẳng) chia không gian các đối tượng thành hai nửa và
tìm siêu phẳng tốt nhất (tối ưu) mà khoảng cách từ siêu phẳng tới đối tượng gần
nhất trong cả 2 tập phân chia là lớn nhất.
Với dữ liệu có thể phân tách tuyến tính, siêu phẳng có dạng wTx + b = 0. Dễ
dàng nhận thấy mối liên hệ giữa hàm tính hạng h(x) và siêu phẳng. Do vậy với
phương pháp SVM tìm được siêu phẳng ta suy ra hàm tính hạng h(x).
CHƯƠNG 2. HỌC XẾP HẠNG 12
Để xác định siêu phẳng tối ưu, Joachims [33] đưa ra công thức tối ưu:
min
w,ξi≥0
(1
2
wTw +
C
n
n∑
i=1
ξi
)
Với ∀i ∈ {1, ..., n} : yi.(wTxi) ≥ 1− ξij.
Trong đó ξi là hệ số nới lỏng được mô tả như trong hình 2.2.
Herbrich [30] đã dựa vào công thức tối ưu trên của Joachims để đưa ra tối ưu
tương tự trong hồi quy có thứ tự gọi là ordinal regression SVM (OR-SVM):
min
w,ξi,j≥0
(1
2
wTw +
C
m
∑
(i,j)∈P
ξij
)
Với ∀(i, j) ∈ P : (wTxi) ≥ (wTxj) + 1− ξij
Thuật toán SVM với tối ưu này tìm hàm h(x) tuyến tính, siêu phẳng tốt nhất
mà làm cực tiểu số cặp đối tượng x phải hoán đổi vị trí trong sắp xếp được dùng
bởi siêu phẳng. Mô tả ý tưởng như hình 2.1.
Viết lại ràng buộc của công thức tối ưu trên ta có:
với ∀(i, j) ∈ P : wT (xi − xj) ≥ 1− ξij
Công thức tương tự với công thức của ràng buộc trong tối ưu phân lớp SVM [33].
Do vậy mọi biến đổi tối ưu trên phân lớp SVM đều có thể được thực hiện đối với
hồi quy có thứ tự như các biến đổi của Joachims [34].
Vậy hồi quy có thứ tự đã được đưa về bài toán học phân lớp nhị phân, sử dụng
phân lớp SVM để học được mô hình tham số w cho hồi quy tuyến tính, được gọi là
phương pháp RankSVM.
Wei Chu và S. Sathiya Keerthi [20] năm 2005 cũng đưa ra phương pháp học hồi
quy có thứ tự dựa vào SVM với việc xác định các ngưỡng phân chia thứ hạng: Với
r thứ hạng trong S cần tối ưu (r − 1) ngưỡng để phân các đối tượng vào từng lớp,
mô tả trong hình 2.2.
Ngoài ra, các phương pháp trong [11, 35] cũng dựa vào tối ưu của SVM tương
tự như trên.
Công cụ SVM light do Joachims [34] cung cấp đã cho người dùng lựa chọn học
xếp hạng đối tượng dựa vào phương pháp này.
CHƯƠNG 2. HỌC XẾP HẠNG 13
Hình 2.1: Xếp hạng với SVM [34]
b
2
b1
y=1 y=2 y=3
b
2
-1 b
2
+1b
1
-1 b
1
+1
ξ i *1+1
ξ i2
ξ i *2+1
ξ i1
f(x) = w φ(x).
Hình 2.2: Xác định ngưỡng phân thứ hạng [20]
2.2.2 Học xếp hạng danh sách Listwise
Với các ứng dụng xếp hạng, như xếp hạng các trang web trả về cho người dùng
trong máy tìm kiếm, người dùng nhận được danh sách các kết quả được sắp xếp
theo thứ tự độ phù hợp giảm dần thay vì so sánh thứ hạng của mỗi cặp kết quả.
Xét ví dụ các đối tượng được xếp thành 3 thứ hạng (p: rất tốt, g: tốt và b: không
tốt), khi đó giả sử có 5 đối tượng được xếp hạng lần lượt: (p, g, g, b, b). Có hai
danh sách xếp hạng được đưa ra như sau: (g, p, g, b, b) và (p, g, b, g, b).
CHƯƠNG 2. HỌC XẾP HẠNG 14
Hai xếp hạng trên đều chỉ xếp hạng sai một cặp đối tượng, nhưng có thể thấy
việc xếp sai g,p là lỗi lớn hơn so với xếp sai b,g. Đây chính là điểm yếu của phương
pháp Pairwise. Do chỉ xét từng cặp đối tượng để so sánh nên phương pháp Pairwise
không tối ưu các độ đo đánh giá chất lượng xếp hạng ví dụ như MAP, vì vậy không
phân biệt được sự khác nhau giữa hai xếp hạng trên [40].
Do đó, thay vì chuyển bài toán xếp hạng về bài toán hồi quy và phân lớp, học
xếp hạng từ danh sách sắp thứ hạng đã được các tác giả [62, 12, 10, 50] quan tâm.
Với Listwise, dữ liệu học là tập S = {x1, ..., xn} các đối tượng thuộc X với thứ hạng
sắp xếp tương ứng Y = {y1, ..., yn}
Phương pháp học xếp hạng trực tiếp từ danh sách xếp hạng do Yisong Yue và
các đồng tác giả [62] đưa ra sử dụng SVM để tìm tối ưu và ràng buộc về độ đo đánh
giá MAP trên danh sách xếp hạng.
Yisong Yue đã dựa vào tối ưu Multivar [35] của Joachims, công thức:
minw,ξi,j≥0
1
2
wTw +
C
m
N∑
i=1
ξij
Với ràng buộc: ∀i, ∀y ∈ Y có wTΨ(xi, yi) ≥ wTΨ(xi, y) + ∆(yi, y)− ξi
Trong đó Ψ(x, y) là độ đo xác định độ khác biệt giữa các sắp xếp thứ hạng với
sắp thứ hạng đúng. Yisong Yue hướng tối ưu độ đo MAP và xác định:
Ψ(x, y) =
∑
i:rel
∑
j:!rel
yij.(xi − xj)
và ∆(y, y′) = 1−MAP (y′)
Với MAP (y′) là độ chính xác trung bình của xếp hạng y′.
(i : rel) có nghĩa thứ hạng i được xếp đúng và (j :!rel) là thứ hạng j xếp sai.
yij = 1 nếu xi có thứ hạng cao hơn xj và ngược lại yij = −1 nếu xi có thứ hạng
thấp hơn xj .
Khi số lượng đối tượng được xếp hạng tăng thì số ràng buộc cũng tăng nhanh,
do vậy Yisong Yue và các đồng tác giả đưa ra phương pháp học từng bước. Mỗi
bước, xác định ràng buộc mà bị vi phạm lớn nhất (lỗi nhất) trong tập các ràng buộc
CHƯƠNG 2. HỌC XẾP HẠNG 15
và tìm tối ưu thỏa mãn ràng buộc đó. Và quá trình tối ưu trên từng ràng buộc như
vậy được lặp đi lặp lại tới khi không tìm được ràng buộc bị vi phạm.
Đó là học xếp hạng Listwise với tối ưu MAP, ngoài ra có các phương pháp với các
tối ưu khác như các phương pháp AdaRank [58], SoftRank [50], ListNet [12],... Với
kết quả do Yisong Yue đưa ra và qua phân tích các kết quả công bố trên LETOR∗
(một dự án về học xếp hạng), phương pháp SVM-MAP có chất lượng cao (so với
các phương pháp đã công bố kết quả của cùng dữ liệu của LETOR).
2.3 Tổng kết chương
Chương này đã giới thiệu chung về các phương pháp học xếp hạng hiện nay và hai
phương pháp học xếp hạng SVM-MAP, RankSVM được đề cập. Đó là hai phương
pháp được áp dụng vào hai ứng dụng học xếp hạng được trình bày ở chương sau.
∗
C h ư ơ n g 3
Xếp hạng trong máy tìm kiếm
thực thể
Các máy tìm kiếm thông dụng hiện nay như Google, Yahoo, MSN, truy vấn người
dùng đưa vào là tập các từ khóa và kết quả trả về là danh sách các địa chỉ tới các
trang web. Do vậy để nhận được thông tin mong muốn, người dùng phải duyệt qua
từng địa chỉ web đó, và có thể phải duyệt qua nhiều trang không có thông tin mong
muốn.
Với sự phát triển của các kỹ thuật rút trích thông tin (Information Extraction-
IE) cụ thể là rút trích các thực thể, hướng phát triển máy tìm kiếm thực thể đã
được Kevin Chang và các cộng sự [17, 18, 19] nghiên cứu, xây dựng. Truy vấn của
người dùng trên máy tìm kiếm thực thể không đơn thuần là các từ khóa mà người
dùng xác định rõ hơn về loại đối tượng dữ liệu đang muốn tìm và ngữ cảnh tìm
kiếm. Kết quả trả về cho người dùng thay vì chỉ là các địa chỉ web, người dùng còn
nhận được các thông tin cụ thể về đối tượng mình mong muốn tìm kiếm. Cũng như
với máy tìm kiếm thông thường xếp hạng là vấn đề quan trọng, xếp hạng thực thể
16
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 17
là cốt lõi và quan trọng của máy tìm kiếm thực thể.
Không chỉ các tác giả T.Cheng, X.Yan, K.Chang [17, 18, 19] mà xếp hạng thực
thể thu hút được sự quan tâm của nhiều nhà khoa học với các nghiên cứu xếp hạng
thực thể trên các trang web của wikipedia∗ [51, 23, 68, 24, 54, 64]. Đặc điểm dữ liệu
wiki là các trang web đều được xác định chủ đề/thể loại (category) và trong mỗi
trang có các khái niệm (concept) được đánh dấu (tag) hay tạo liên kết tới các trang
mô tả khái niệm đó. Do vậy, với cấu trúc web giàu ngữ nghĩa đó, việc xếp hạng các
thực thể trên wikipedia thường dựa trên các liên kết giữa các thực thể (hay các khái
niệm), liên kết giữa các trang web, độ tương đồng ngữ nghĩa giữa các khái niệm như
được đề cập trong [23]. Song song với các nghiên cứu đó là các nghiên cứu xếp hạng
thực thể dựa trên việc xây dựng đồ thị quan hệ giữa các thực thể, mạng xã hội các
thực thể trên web [47, 15, 13, 2, 7].
Qua phân tích các nghiên cứu [51, 23, 24, 54, 47, 13, 15, 17, 18, 19], với định
hướng xây dựng hệ tìm kiếm thực thể trên web nói chung, việc xếp hạng trong tìm
kiếm thực thể của nhóm T.Cheng, X.Yan và K.Cheng được quan tâm và phân tích.
3.1 Máy tìm kiếm thực thể
Người dùng thường tìm kiếm thông tin về đối tượng nào đó, ví dụ như khi sử dụng
truy vấn "thuốc chống viêm", người dùng muốn tìm các thực thể thuốc mà có tác
dụng chống viêm. Và các máy tìm kiếm hiện nay (như Google, Yahoo, MSN) bằng
cách so sánh văn bản (text) trên từng trang web với truy vấn và trả về cho người
dùng địa chỉ các trang mà có chứa từ khóa trong truy vấn. Do vậy người dùng không
trực tiếp nhận được thông tin mong muốn mà phải duyệt qua nội dung các trang
web trả về đó và không chắc chắn có được thông tin mong muốn ở những kết quả
đầu tiên. Đó là nhược điểm của các máy tìm kiếm này, không hiểu mục đích tìm
kiếm của người dùng, và tìm kiếm trên các trang web độc lập chỉ dựa vào từ khóa.
Theo [17] máy tìm kiếm thực thể hướng người dùng tốt hơn, cho phép chỉ ra trong
truy vấn đối tượng mà người dùng muốn tìm. Và kết quả trả về của máy tìm kiếm là
∗
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 18
các thực thể của đối tượng cần tìm, mỗi thực thể được xác định không chỉ xét trên
một trang độc lập mà có thể được tổng hợp qua nhiều trang web. Ví dụ máy tìm
kiếm thực thể của dự án WISDM∗ của nhóm T.Cheng, X.Yan và K.Chang. Với truy
vấn thông thường q = "phone number of New York Department of Motor Vehices"
tức người dùng đang cần tìm điện thoại của văn phòng của "Motor Vehices" ở "New
York". Khi đó truy vấn của người dùng tương ứng trong máy tìm kiếm thực thể
WISDM là q = "New York DMV #phone", chỉ rõ đối tượng muốn tìm "phone" và
ngữ cảnh xuất hiện của đối tượng "New York DMV". Kết quả trả về của máy tìm
kiếm là các số điện thoại, và với mỗi số điện thoại có danh sách các địa chỉ web
tương ứng chứa thông tin điện thoại đó như bảng 3.1.
Bảng 3.1: Ví dụ kết quả trả về của truy vấn q
phone urls
1-800-225-5368
https://www.nysdot.gov/about-nysdot/contact,
... ...
Sơ đồ hình 3.2 cho thấy sự khác biệt cơ bản giữa máy tìm kiếm thông thường với
máy tìm kiếm thực thể. Máy tìm kiếm thực thể đã xem không gian web không chỉ
là tập các trang web với các từ khóa như máy tìm kiếm thông thường mà còn là tập
các đối tượng hay các kiểu thực thể E = E1, E2, ..., En như hình 3.1. Mỗi đối tượng
Ei có các thực thể ei tương ứng được trích ra từ các trang web, ví dụ đối tượng
thuốc #drug có các thực thể {"Diclofenac", "Steroid", "Chloramphenicol",...}. Khi
đó ngoài chỉ mục (index) từ, máy tìm kiếm còn có chỉ mục cho thực thể. Bài toán
tìm kiếm thực thể được phát biểu [18]:
• Giả thiết: Có tập các tài liệu D = {d1, ..., dn} và các kiểu thực thể E =
{E1, ..., EN}
• Input: Truy vấn q = α(E1, ..., Em, k1, ..., kl) là một hàm của các kiểu thực thể
và các từ khóa thể hiện yêu cầu của người dùng tìm kiếm các loại thực thể
∗
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 19
Hình 3.1: Đồ thị web với khung nhìn thực thể [18]
Tìm kiếm truyền thống Tìm kiếm thực thể
Các từ khóa Thực thể
Kết quả
Kết quả
Hình 3.2: Mô hình tìm kiếm truyền thống và tìm kiếm thực thể [56]
E1, ..., Em với ngữ cảnh các từ khóa k1, ..., kl.
• Output: Danh sách đã xếp hạng của các bộ t = (e1, ..., em).
Tao Cheng, X.Yan và Kevin C.C Chang tại SIGMOD’07 [19] đã đưa ra kiến trúc cơ
bản của hệ thống tìm kiếm thực thể hình 3.3. Hệ thống được chia thành hai phần:
một phần xử lý ngoại tuyến (offline) gồm rút trích thực thể (Entity extraction) và
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 20
Global Query Processing
Ranking Model
Keyword&Entity Indexer
entity
query
results,
scores
Entity Extractor
Local Query
Local Index Local Index…
Processing
Local Query
Processing
…
Aggregation
Local Index
Local Query
Processing
Sort Merge Join
, 05, 71,, 21 62 ddamazon
,...8 0 ,123,, 32# 6dphone
......
Hình 3.3: Kiến trúc hệ thống[19]
đánh chỉ mục (indexing) (khối được bao nét đứt), và phần xử lý trực tuyến (online)
đó là xếp hạng thực thể (khối bao nét liền Ranking Model).
Entity Extraction thực hiện việc rút trích các thực thể từ các trang tài liệu được
lấy về.
Indexing tạo chỉ mục và chỉ mục ngược của các thực thể được trả về từ mô-dul
rút trích trên.
Ranking xếp hạng các thực thể, với hai bước chính: cục bộ (locally), và toàn cục
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 21
(globally). Như kiến trúc được đề cập ở phần trên do T.Cheng, X.Yan và
K.Chang [19] đưa ra, modul xếp hạng gồm có hai thành phần chính: xử lý
truy vấn cục bộ (local) và xử lý truy vấn toàn cục (global).
1. Xử lý cục bộ: Từ chỉ mục ngược của tất cả các thực thể thuộc kiểu Ei
và từ khóa kj, modul thực hiện phép nối trên tài liệu để tìm các tài liệu
chứa các thực thể thuộc Ei, và các từ khóa kj thỏa mãn hàm α. Trọng số
cục bộ (local score) được xác định dựa vào độ tin cậy của thực thể được
rút trích và mối quan hệ ngữ cảnh giữa các thực thể đó với các từ khóa
trong từng tài liệu.
2. Xử lý toàn cục: Module thực hiện nhận truy vấn người dùng, gửi truy
vấn cho modul xử lý cục bộ, sau đó đợi kết quả trả về từ modul xử lý cục
bộ. Sau khi nhận được tất cả các trọng số cục bộ, modul tiến hành tổng
hợp trọng số cho từng bộ thực thể t, kết hợp trọng số cục bộ với trọng
số xác định cho t trên toàn tập tài liệu để có giá trị Score cuối cùng cho
xếp hạng.
Trong giới hạn của luận văn này, tôi tập trung phân tích thành phần xếp hạng.
Vấn đề xếp hạng thực thể được phân tích ở phần tiếp sau và mô hình áp dụng vào
bài toán xếp hạng thực thể thuốc được đề cập.
3.2 Xếp hạng thực thể
Máy tìm kiếm thực thể trả về cho người dùng kết quả là danh sách các thực thể.
Không chỉ tìm được thực thể mà vấn đề của máy tìm kiếm là những thực thể phù
hợp nhất với truy vấn cần được đưa lên từ những kết quả đầu tiên trả về cho người
dùng. Do đó xếp hạng thực thể là vấn đề quan trọng, cốt lõi của máy tìm kiếm thực
thể.
Giả thiết có tập tài liệuD = {d1, d2, ..., dn}, tập các kiểu thực thểE = {E1, ..., EN},
truy vấn q = α(E1, ..., Em, k1, ..., kl) với kj là các từ khóa, và bộ các thực thể
t = (e1, ..., em). Khi đó độ phù hợp của t đối với truy vấn q trên tập tài liệu D được
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 22
xác định bởi:
Score(q(t)) = p(q(t)|D) =
∑
d∈D
p(d)× p(q(t)|d) (3.1)
Với p(q(t)|d) là xác suất xảy ra quan hệ α của t trên tài liệu d.
Giá trị của Score(q(t)) được dùng để xếp hạng các bộ kết quả trả về, do đó việc
xác định hàm Score(q(t)) là vấn đề quan trọng chúng ta quan tâm.
Những đặc điểm của tìm kiếm thực thể có ảnh hưởng tới giá trị xếp hạng Score()
đã được đưa ra trong [18]:
R-Contextual : Xác suất liên kết giữa thực thể và từ khóa phụ thuộc vào các ngữ
cảnh khác nhau và ảnh hưởng bởi hai yếu tố chính:
• Pattern: Từ khóa và thực thể có thể liên kết với nhau theo các mẫu, ví
dụ: tên thường xuất hiện liền trước số điện thoại.
• Proximity: Từ khóa và thực thể có thể xuất hiện nhiều lần trong trang
web và không giống nhau, khi chúng càng gần nhau thì mối quan hệ càng
có ý nghĩa cao hơn.
R-Holistic: Một thực thể có thể xuất hiện cùng với từ khóa nhiều lần trong một
trang, do đó cần ước lượng tìm liên kết phù hợp nhất
R-Uncertainty: Việc rút trích thực thể không chính xác tuyệt đối, do đó cần có
giá trị độ tin cậy tương ứng cho mỗi thực thể.
R-Associative: Cần phân biệt liên kết giữa từ khóa và thực thể là liên kết mang ý
nghĩa thực hay chỉ là sự xuất hiện ngẫu nhiên giữa chúng. Do đó cần có kiểm
định để loại bỏ những liên kết ngẫu nhiên.
R-Discriminative: Các thực thể trên các trang phổ biến hơn sẽ được đánh giá
cao hơn so với trên trang ít phổ biến hơn.
3.2.1 Mô hình Impression
Từ những phân tích về máy tìm kiếm thực thể, nhóm tác giả Tao Cheng[18] đã
đưa ra mô hình xếp hạng "Impression Model" hình 3.4. Mô hình gồm 3 tầng: Truy
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 23
Global Access Layer
Local Recognition Layer
Global Access Layer
Local Recognition Layer
Validation Layer
Collection E over D Virtual Collection E’ over D’
... ... ... ... ... ...
: ??
: ??
... ... ... ... ... ...
: ??
: ??
... ... ... ... ... ...
: ??
: ??
randomize
Hình 3.4: Impression model [18]
nhập toàn cục (Global Access), nhận dạng cục bộ (Local Recognition), đánh giá
(Validation).
Tầng truy nhập
Để đảm bảo tính "R-Discriminative" của tìm kiếm thực thể, nhiệm vụ của modul
này xác định trọng số toàn cục p(d), là khả năng để một tài liệu d được quan sát,
xét tới. Trong ngữ cảnh máy tìm kiếm với các tài liệu web, giá trị này là độ phổ
biến của trang web, hay chính là độ quan trọng của trang web - hạng trang. Và do
đó tác giả Tao Cheng đã chọn PageRank (PR) [43] để xác định: p(d) = PR[d]. Ta
có:
Score(q(t)) =
∑
d∈D
PR[d]× p(q(t)|d) (3.2)
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 24
DICLOFENAC
Tên gốc: Diclofenac
Tên thương mại: VOLTAREN, CATAFLAM, VOLTAREN-XR
Nhóm thuốc và cơ chế: Diclofenac là một thuốc chống viêm phi steroid
(NSAID) hiệu quả trong điều trị sốt, đau và viêm trong cơ thể. Các NSAID là
những thuốc không gây ngủ giảm các chứng đau từ nhẹ đến vừa do nhiều
nguyên nhân gây ra, như chấn thương, thống kinh, viêm khớp và các chứng
bệnh cơ xương khác. Vì mỗi bệnh nhân có đáp ứng khác nhau với NSAID,
O1
O2
. . .
Hình 3.5: Ví dụ rút trích thực thể thuốc
Tầng nhận dạng
Với mỗi tài liệu d được xét ở tầng truy nhập, trọng số cục bộ - xác suất xuất hiện
của từng bộ thực thể t = (e1, ..., em) với các từ khóa k = {k1, ..., kl} trong tài liệu
đó được xác định bởi p(q(t)|d). Gọi γ = (o1, ..., og) là một quan sát (xuất hiện)
của q(t) = α(e1, ..., em, k1, ..., kl) trên d (có g = m + l). Ví dụ: trong hình 3.5 với
E = {#drug}, k ="viêm", q = {"viêm"#drug} thì ta có một quan sát γ = (o1, o2).
Trong mỗi tài liệu có thể có nhiều quan sát γ (tính chất R-Holistic) và do đó p(q(t)|d)
cần được ước lượng trên tất cả các quan sát γ đó, [18] đưa ra công thức ước lượng:
p(q(t)|d) = max
γ
p(α(γ)) (3.3)
Với p(α(γ)) là xác suất/khả năng mà một quan sát γ phù hợp với hàm ngữ cảnh α.
Tuy nhiên khi được rút trích từ tài liệu d, các quan sát oi biểu diễn một thực thể
ei là một thể hiện của kiểu Ei và được xác định với một xác suất p(ei ∈ Ei|d) (tính
chất R-Uncertainty). Giá trị này do modul rút trích xác định, và lưu lại trong khi
đánh chỉ mục nên có thể được xác định một cách đơn giản bằng ei.conf . Vì vậy, ta
có:
p(α(γ)) =
∏
ei∈γ
ei.conf × pcontext(α(γ) (3.4)
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 25
Thay vào công thức 3.3 suy ra:
p(q(t)|d) = max
γ
(∏
ei∈γ
ei.conf × pcontext(α(γ)
)
(3.5)
Theo tính chất R-Contextual, độ phù hợp của γ trong ngữ cảnh α phụ thuộc vào
hai yếu tố: độ phù hợp mẫu (pattern) gọi là αB và độ gần nhau (proximity) giữa
thực thể và từ khóa gọi là αP . Do đó ta có:
pcontext(α(γ)) = αB(γ)× αP (γ)
• αB là hàm lô-gic trả về giá trị 0 hoặc 1, cho biết quan sát γ với các oi có thỏa
mãn ràng buộc về mẫu không. Ví dụ mẫu phrase(o1, ..., om) yêu cầu các oi
phải xuất hiện đúng thứ tự như xác định.
• αP là xác suất quan sát γ phù hợp với t trong cửa sổ quan sát s. Để đơn giản,
trong [18] các tác giả đã sử dụng mô hình Span Proximity để ước lượng xác
suất này, và đưa ra công thức: αP (γ) = p(s|γ).
Thay vào công thức 3.5 ta được:
p(q(t)|d) = max
γ
(∏
ei∈γ
ei.conf × αB(γ)× p(s|γ)
)
(3.6)
Vậy công thức Score(q(t)) được xác định:
Score(q(t)) =
∑
d∈D
PR[d]×max
γ
(∏
ei∈γ
ei.conf × αB(γ)× p(s|γ)
)
(3.7)
Tầng đánh giá
Phía bên phải của mô hình (hình 3.4) gọi là một quan sát ảo, tập dữ liệu D′ được
lấy ngẫu nhiên từ D để làm đối chứng so sánh những nhận định trên D. Tầng đánh
giá kiểm định giả thuyết thống kê, với giả thuyết không H0 (null hypothesis) và
G-test theo [18] để đánh giá độ tin cậy thông tin nhận được từ D.
Giả thuyết không: giả thiết rằng liên kết giữa các thực thể, từ khóa trong t =
(e1, ..., em, k1, ..., kl) xảy ra ngẫu nhiên. Tập D′ được lấy ngẫu nhiên từ tập D, D′
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 26
cần "giống" với D ngoại trừ trong D′ liên kết của các từ khóa và các thực thể hoàn
toàn là ngẫu nhiên. Xây dựng tập D′ từ D bằng việc tạo các tài liệu d′ ngẫu nhiên:
Đưa ngẫu nhiên các thực thể và từ khóa vào d′, mỗi thực thể, từ khóa được đưa vào
độc lập, với xác suất giống như xác suất xuất hiện của chúng trong D. Do đó mối
liên hệ giữa thực thể và từ khóa là ngẫu nhiên, nhưng vẫn đảm bảo xác suất quan
sát một từ khóa, hay thực thể trong D′ cũng giống như trong D:
p(ei ∈ d
′) =
∑
ei∈d,d∈D
p(d) ; p(kj ∈ d
′) =
∑
kj∈d,d∈D
p(d)
Do đặc điểm của D′ trên nên giá trị trung bình của độ tin cậy của tất cả các thực
thể ej trong D cũng là độ tin cậy của các thực thể ej (xác suất ej là Ej) trong D′:
ej .conf . Và ta có nếu q(t) không xuất hiện trong d′ thì p(q(t)|d′) = 0, ngược lại nếu
q(t) ∈ d′ thì p(q(t)|d′) là như nhau với mọi d′. Do đó:
p(q(t)|D′) =
∑
d′∈D′&q(t)∈d′
p(d′)× p(q(t)|d′)
= p(q(t)|d′)×
∑
d′∈D′&q(t)∈d′
p(d′)
= p(q(t)|d′)× p(q(t) ∈ d′) (3.8)
Trong đó p(q(t) ∈ d′) là xác suất của t xuất hiện trong d′. Do từ khóa và các thực
thể được lấy độc lập vào d′ nên xác suất xuất hiện của q(t) trong d′ được tính bởi:
p(q(t) ∈ d′) =
j=1∏
m
p(ej ∈ d
′)
l∏
i=1
p(ki ∈ d
′)
Tương tự như công thức 3.5, lấy giá trị trung bình ta có:
p(q(t)|d′) = (
m∏
j=1
ej.conf)× pcontext(q(t)|d
′)
Trong đó, với q(t) ∈ d′, tương tự công thức tính pcontext(q(t)|d) có:
pcontext(q(t)|d
′) = p(q(t)|s)
Từ đó suy ra:
pcontext(q(t)|d
′) = p(q(t)|s) =
∑
s p(q(t)|s)
|s|
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 27
Với |s| là số các giá trị s được xét.
Thay các công thức trên vào 3.8 được:
p(q(t)|D′) =
j=1∏
m
p(ej ∈ d
′)
l∏
i=1
p(ki ∈ d
′)×
× (
m∏
j=1
ej .conf)×
∑
s p(q(t)|s)
|s|
(3.9)
Sử dụng kiểm định giả thiết thống kê G-test so sánh quan sát p0 với ngẫu nhiên pr
để kiểm tra quan sát p0 có phải là ngẫu nhiên không:
Score(q(t)) = 2(p0 log
p0
pr
+ (1− po) log
1− p0
1− pr
) (3.10)
Do p0, pr 1 nên công thức 3.10 có thể ước lượng:
Score(q(t)) ∝ p0 log
p0
pr
Trong đó:
p0 = p(q(t)|D) =
∑
d∈D
PR(d)×max
γ
(
∏
ei∈γ
ei.conf × αB(γ)× p(s|γ))
pτ = p(q(t)|D
′) =
m∏
j=1
(
∑
ej∈d,d∈D
p(d))×
l∏
i=1
(
∑
ki∈d,d∈D
p(d))×
×
m∏
j=1
ej.conf ×
∑
s p(q(t)|s)
|s|
3.2.2 Nhận xét, đánh giá mô hình Impression
Ưu điểm
Với những đặc điểm của tìm kiếm thực thể được phân tích, mô hình Impression đã
bám sát và xác định hàm tính hạng Score(q(t)) để đảm bảo các tính chất đó:
1. Tính chất R-Contextual được thể hiện ở các trọng số αB và p(s|γ)
2. Xác định giá trị cực đại theo γ để chọn ra quan sát "phù hợp" nhất (R-Holistic)
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 28
3. Tính chất R-Uncertainty của việc rút trích các thực thể và đánh giá các thực
thể được thể hiện ở trọng số ei.conf
4. Bằng kiểm định giả thiết thống kê trong tầng đánh giá (Validate), tính chất
R-Associative được đảm bảo
5. Sử dụng trọng số PR - độ quan trọng/phổ biến của trang web (đảm bảo tính
chất R-Discriminative)
Đánh giá chất lượng của xếp hạng các bộ thực thể t tìm được, [18] giới thiệu các
phương pháp xếp hạng làm đối sánh:
• N (Naive): xếp hạng theo phần trăm các tài liệu có chứa t.
• L (Local Model Only): xếp hạng dựa theo trọng số cục bộ cao nhất của t trong
từng tài liệu.
• G (Global Aggregation Only): xếp hạng theo tổng trọng số của các tài liệu có
chứa t. Và PR được chọn là trọng số cho mỗi tài liệu.
• C (Combination of Local Model and Global Aggregation): xếp hạng theo tổng
trọng số cục bộ của t trong tất cả các tài liệu chứa t.
• W (EntityRank Without G-test): xếp hạng theo trọng số tổng hợp của Entity
Rank nhưng không sử dụng đánh giá G-test (p0).
Và theo đánh giá trong [18] (hình 3.6) độ chính xác kết quả xếp hạng của thuật
toán EntityRank (xếp hạng với mô hình Impression) có MRR u 0.65 cao hơn gấp
nhiều lần những phương pháp xếp hạng đối sánh được đưa ra.
Nhược điểm
Trong tài liệu d, một thực thể có thể xuất hiện nhiều lần và phù hợp với ngữ cảnh
truy vấn (các quan sát γ) theo tính chất R-Holistic. Việc ước lượng với công thức
3.5 chỉ mang ý nghĩa lựa chọn quan sát phù hợp nhất trong tài liệu. Tuy nhiên, ta
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 29
Measure EntityRank L N G C W
M R R 0.648 0.047 0.037 0.050 0.266 0.379
M R R 0.648 0.125 0.106 0.138 0.316 0.387
Query Type I MRR Comparison
Measure EntityRank L N G C W
M R R 0.659 0.112 0.451 0.053 0.573 0.509
M R R 0.660 0.168 0.454 0.119 0.578 0.520
Query Type II MRR Comparison
Hình 3.6: So sánh độ chính xác MRR [18]
có thể dễ dàng nhận thấy số lần xuất hiện trong tài liệu của thực thể mà phù hợp
ngữ cảnh cũng có một vai trò quan trọng, ảnh hưởng hạng của thực thể.
Ví dụ: trong tài liệu trích chọn các thực thể thuốc hình 3.5, với truy vấn
q = {"viêm"#drug}. Nếu chỉ xét trên tài liệu này thì một cách trực giác ta
thấy các thực thể thuốc nên được xếp hạng {"Diclofenac", "NSAID", "Voltaren",
"Catafram","Voltaren-XR","steroid"}. Nếu chỉ dựa vào công thức 3.5, thì rõ ràng
ở đây thuốc "steroid" được xếp hạng đầu tiên- như vậy không hợp lý.
Thêm nữa, từ bảng so sánh độ chính xác của một số phương pháp xếp hạng
hình 3.6, ta dễ dàng nhận thấy độ đo C có ý nghĩa cao hơn hẳn L, tức độ đo dựa
vào tổng trọng số cục bộ trong từng tài liệu có ý nghĩa cao hơn lấy trọng số cục bộ
cao nhất.
3.2.3 Mô hình đề xuất
Mô hình xếp hạng Impression, công thức xác định giá trị để xếp hạng thực thể được
đưa ra hoàn toàn dựa vào việc phân tích các đặc điểm và tìm công thức để thỏa mãn
các nhận định đó. Tuy nhiên sau khi phân tích nhược điểm ở trên đã cho thấy như
vậy là chưa đầy đủ. Học xếp hạng cho ta giải pháp để giải quyết vấn đề, tìm hàm
tính hạng "tốt nhất" với các đặc trưng xác định. Qua phân tích các đặc điểm của
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 30
tìm kiếm để đưa ra các trọng số tương ứng với các đặc trưng của thực thể. Mô hình
học xếp hạng thực thể trong máy tìm kiếm thực thể đề xuất hình 3.7. Trong mô
Learning
Ranking
Mô hình
),( tqf
),(,
),(,
22
11
tqft
tqft
ii
ii
)1(
2
)1(
1
)1(
t
t
q
)(
2
)(
1
)(
m
m
m
t
t
q
Truy vấn
Dữ liệu học
?),(......,
?),(?),,( 21
nt
tt
q
Hàm
th
ự
c
th
ể
...
..
.
...
..
.
...
..
.
Hình 3.7: Mô hình học xếp hạng trong máy tìm kiếm thực thể
hình, thành phần được bao đen là một thành phần xếp hạng trong máy tìm kiếm.
Mô-dul học xếp hạng độc lập với phần tìm kiếm, có nhiệm vụ học hàm xếp hạng
(có thể chỉ cần một lần) để đưa ra mô hình/hàm xếp hạng phù hợp cho mô-dul xếp
hạng của máy tìm kiếm.
Dữ liệu học
Tập dữ liệu học gồm DT tài liệu- đã xác định các thực thể trong mỗi tài liệu, và tập
truy vấn QT . Với mỗi truy vấn q ∈ QT , q = α(e1, ..., em, k1, ..., kl) có danh sách các
thực thể (t(1..m)i ) tương ứng phù hợp truy vấn q và được sắp xếp giảm dần độ phù
hợp. Mỗi bộ thực thể t có các đặc trưng tương ứng với mỗi truy vấn q, từ những
phân tích về máy tìm kiếm thực thể và xếp hạng thực thể, tôi xác định các đặc
trưng của thực thể:
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 31
1. Tỷ lệ trang tài liệu chứa t phù hợp với q:
N =
|D′|
|DT |
với ∀d ∈ D′có q(t) ∈ d
2. Tổng trọng số PR của các trang tài liệu chứa t phù hợp với q:
G =
∑
d∈DT , q(t)∈d
PR[d]
3. Trọng số cục bộ lớn nhất (công thức 3.3) của t với truy vấn q trên tất cả các
tài liệu:
L = max
d∈DT , q(t)∈d
max
γ∈d
p(α(γ))
Với γ là một quan sát của t trên tài liệu d
4. Tổng trọng số cục bộ của t trong tất cả các tài liệu chứa t phù hợp q:
SL =
∑
d∈DT , q(t)∈d, γ∈d
p(α(γ))
5. Tổng các tích trọng số cục bộ của t trong từng tài liệu chứa t phù hợp q nhân
với PR của tài liệu đó:
GL =
∑
d∈DT , q(t)∈d, γ∈d
(
p(α(γ))×PR[d]
)
6. Giá trị cực đại của tích trọng số cục bộ của t nhân PR của tài liệu chứa t
tương ứng:
M = max
d∈DT , q(t)∈d, γ∈d
(
p(α(γ))×PR[d]
)
Trong các công thức trên, p(α(γ)) là trọng số cục bộ của thực thể t ứng với quan
sát γ trong tài liệu d đang xét. Với các phạm vi (domain ) tìm kiếm thực thể khác
nhau, giá trị trọng số cục bộ có thể được thay đổi phù hợp. Thực nghiệm với domain
cụ thể dưới đây, tôi sẽ đưa ra cách tính cho đại lượng này.
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 32
3.3 Thực nghiệm
Hiện nay, đang có một dự án nghiên cứu xây dựng "hệ theo dõi sức khỏe toàn cầu"
mang tên BioCaster∗ giúp tìm kiếm những thông tin về y-sinh học một cách chính
xác hơn các máy tìm kiếm thông thường. Điều đó cho thấy việc xây dựng hệ tìm
kiếm y tế đang rất được quan tâm. Tiếp cận vấn đề thời sự về xếp hạng thực thể và
tìm kiếm y tế, tôi tiến hành thử nghiệm mô hình xếp hạng thực thể của mình vào
máy tìm kiếm trong lĩnh vực y tế tiếng Việt, mà cụ thể là tìm kiếm thực thể thuốc.
Vấn đề rút trích thực thể không nằm trong phạm vi của luận văn này, với thử
nghiệm của mình, khi khảo sát dữ liệu, tôi đưa ra cách xác định thực thể thuốc đơn
giản như sau:
• Thực thể thuốc trên trang web tiếng Việt: tên thuốc thường là tiếng Anh,
ngoại trừ tên các nước, tên viết tắt của doanh nghiệp (tuân theo một số mẫu
xác định, ví dụ: "Rottapharm., Ltd", "dược phẩm Hà Nội HAPHARCO").
• Một thực thể đã được xác định là thuốc thì chắc chắn đó là thuốc.
Như mô hình đã đưa ra, trọng số cục bộ của một quan sát γ trên d cần được
xác định. Với quan nhận định: mối liên kết giữa thực thể và từ khóa ngữ cảnh càng
khăng khít khi chúng càng gần nhau, nên trọng số cục bộ được xách định:
p(α(γ)) =
1
Sγ
Với Sγ là kích thước của đoạn tài liệu bao quan sát γ, ví dụ hình 3.8.
3.3.1 Công cụ sử dụng
Các chương trình phần mềm mã mở đã được sử dụng trong thực nghiệm này:
SVMmap† là công cụ (tool) học giám sát với tối ưu MAP để học xếp hạng tài
liệu. Trong thực nghiệm tôi sử dụng công cụ này áp dụng vào học mô hình xếp hạng
thực thể.
∗
†
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 33
Tài liệu: d = “Desipramin1 là2 thuốc3 được4 dùng5 điều6 trị7 trầm8 cảm9”
Truy vấn: q=("trầm cảm" #drug)
Với quan sát: γ=(o1,o2) thì
o1 o2
Hình 3.8: Ví dụ xác định trọng số cục bộ p(α(γ))
Lucene‡ là một máy tìm kiếm văn bản (text) mã mở được lựa chọn để tiến hành
cài đặt các modul:
• Rút trích thực thể thuốc
• Đánh chỉ mục (index) thực thể
• Xếp hạng thực thể thuốc
3.3.2 Dữ liệu
Dữ liệu tìm kiếm
Tiến hành thu thập (crawl) các trang web về y tế tiếng Việt, từ nguồn của 10 web
site (phụ lục A.1)
• Tổng số trang web tiếng Việt được crawl và index: 6217 trang (không index
những trang web có nội dung quá ngắn- dưới 20 từ, và các trang web chỉ chứa
liên kết)
• Kích thước dữ liệu: sấp xỉ 180MB
• Số thể hiện của thực thể thuốc được index: 14794
‡
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 34
Các mẫu truy vấn được sử dụng
1. q=(context #drug): Tìm thực thể thuốc với ngữ cảnh context mà truy
vấn xác định.
2. q=(context #drug=[Thuoc] #drug): Tìm thực thể thuốc có quan hệ
với thực thể thuốc Thuoc trong ngữ cảnh context được xác định trong truy
vấn.
Xây dựng tập dữ liệu học đưa vào mô-dul học hàm tính hạng
Tạo 5 truy vấn cho mỗi mẫu truy vấn trên, với mỗi truy vấn xác định 10 thực thể
trả về đầu tiên tương ứng và sắp xếp theo độ phù hợp giảm dần. Khi tìm kiếm người
dùng quan tâm tới các kết quả trả về đầu tiên, việc xếp hạng đúng các thực thể vào
10 kết quả đầu tiên quan trọng hơn việc các xếp hạng sau đó. Do giới hạn thời gian
làm thực nghiệm, nên tôi chỉ xây dựng tập dữ liệu học với 10 thực thể xếp hạng
đầu tiên cho mỗi truy vấn. Cách xác định 10 thực thể đầu tiên:
• Tìm kiếm thực thể với mô hình xếp hạng Impression (Cài đặt Impression với
hàm p(s|γ) = 1
s
) để tìm các thực thể với các trang chứa thực thể tương ứng
• Tìm kiếm thuốc với máy tìm kiếm thông thường (cài đặt Lucene với hàm xếp
hạng BM25[63]) có được các trang tốt nhất theo đánh giá BM25.
• Từ 2 kết quả trên, lựa chọn 10 thực thể tốt nhất và sắp xếp để được kết quả
trả về "đúng" cần có.
3.3.3 Kết quả và đánh giá
Kết quả có hàm tính hạng:
rf(t) = 0.0010×N + 0.0011×G + 0.0120× L+
+ 0.3305× SL+ 0.2953×GL + 0.3601×M
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 35
Bảng 3.2: So sánh MRR, MAP của BM25, Impression, LTR
Phương pháp BM25 Impression LTR
MRR 0.283 0.767 0.800
MAP 0.275 0.651 0.705
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1 2 3 4 5
A
v
e
ra
g
e
P
re
ce
si
o
n
Query
BM25
ER
LTR
Hình 3.9: So sánh độ chính xác trung bình AP trên 5 query
Từ hàm tính hạng trên, cho ta thấy vai trò quan trọng của trọng số: M, SL và GL.
Trọng số N, G ít quan trọng nhất, có thể bỏ qua - do giá trị N, G thường rất nhỏ,
mà hệ số lại nhỏ nên thành phần đó không có ảnh hưởng lớn tới kết quả xếp hạng.
Và trọng số L (cực đại trọng số cục bộ) có ít giá trị hơn trọng số SL (tổng trọng số
cục bộ)
Áp dụng hàm tính hạng vào mô-dul xếp hạng thực thể trong máy tìm kiếm, thực
hiện tìm kiếm trên 5 query khác nhau để đánh giá. Bảng 3.2 so sánh MRR và MAP
của ba phương pháp sử dụng Okapi BM25 để xếp hạng, với mô hình Impression của
EntityRank trong phần trước và với mô hình học xếp hạng (gọi tắt LTR: Learn To
Rank).
Các nhận xét:
• LTR và Impression có MRR, MAP hơn hẳn BM25, cho thấy việc tìm kiếm
CHƯƠNG 3. XẾP HẠNG TRONG MÁY TÌM KIẾM THỰC THỂ 36
thực thể trả lại kết quả tốt hơn cho người dùng.
• MRR của LTR là 0.8 cao hơn của mô hình Impression bằng 0.767 (+0.023)
chứng tỏ kết quả đúng đầu tiên của LTR trả về xuất hiện ở thứ hạng tốt hơn
(thấp hơn) của Impression.
• So sánh MAP cho thấy độ chính xác trung bình của LTR cũng cao hơn của
Impression (+0.054).
• Biểu đồ so sánh chi tiết độ chính xác trung bình AP trên từng truy vấn (hình
3.9) càng cho ta khẳng định phương pháp LTR đã học hàm tính hạng thực
thể hiệu quả.
3.4 Tổng kết chương
Qua phân tích một mô hình xếp hạng thực thể trong máy tìm kiếm thực thể [17,
18, 19], và học xếp hạng để học hàm tính hạng thực thể hiệu quả trên lĩnh vực tìm
kiếm thực thể thuốc. Các kết quả thu được đã chứng minh vai trò và hiệu quả của
học xếp hạng áp dụng vào máy tìm kiếm.
C h ư ơ n g 4
Tạo nhãn cụm tài liệu
Chương này giới thiệu các phương pháp tạo nhãn cụm tài liệu, và tự động tạo nhãn
cho cây phân cấp tài liệu.
4.1 Giới thiệu
Máy tìm kiếm ngày nay được sử dụng rộng rãi và trở thành một công cụ không thể
thiếu của người dùng khi tìm kiếm thông tin trên môi trường web. Kết quả trả về
của máy tìm kiếm cho mỗi truy vấn thường rất lớn (từ vài nghìn tới hàng triệu kết
quả). Với cùng truy vấn nhưng mỗi người dùng khác nhau có thể có mong muốn
khác nhau, ví dụ khi tìm kiếm "phân cụm" (cluster) có người quan tâm tới các
phương pháp và thuật toán phân cụm nhưng có người lại quan tâm tới tính toán
cụm. Để nâng cao chất lượng của máy tìm kiếm và giúp định hướng chủ đề cho
người dùng, một nhu cầu đặt ra đó là phân cụm kết quả trả về của máy tìm kiếm
37
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 38
giống như Vivisimo∗ hay Carrot†.
Phân cụm không phải là lĩnh vực mới nhưng vấn đề phân cụm các kết quả
trả về từ máy tìm kiếm được nhiều nhà khoa học quan tâm trong những năm
gần đây, với các nghiên cứu về phân cụm để cải tiến chất lượng tìm kiếm web
[65, 41, 31, 28, 27, 67]. Kết quả trả về của máy tìm kiếm được phân thành các tập
nhỏ hơn, mỗi cụm này bao gồm các tài liệu tương tự nhau, khi đó các tài liệu trong
một cụm sẽ cùng hướng tới một chủ đề chung nào đó. Mỗi cụm cần được tạo nhãn
chủ đề giúp định hướng nội dung cho người dùng về các tài liệu thuộc cụm đó. Do
đó việc tạo nhãn cho cụm tài liệu là một bài toán quan trọng, và nó cũng thể hiện
chất lượng phân cụm tài liệu. Vấn đề tạo nhãn cho cụm tài liệu cũng được nhiều
nhà khoa học [28, 42, 39, 38, 65, 5] quan tâm.
Không chỉ tạo nhãn cho các kết quả trả về từ máy tìm kiếm, vấn đề tạo nhãn
có thể được áp dụng để tạo nên các danh bạ web (Web directory) như Dmoz của
ODP∗ hay Yahoo!Directory† mà hiện nay trong tiếng Việt có Zing‡ đang phát triển
một danh bạ web. Và các trang web cũng thường được phân loại (category) và tổ
chức thành cấu trúc cây phân loại như các trang tin tức (vietnamnet, vnexpress).
Tất cả đều được tổ chức dạng cấu trúc cây phân cấp gọi là cây phân cấp chủ đề.
Cách tổ chức dạng cây phân cấp khá phổ biến bởi nó biểu diễn thông tin ở các mức
chi tiết khác nhau: từ đỉnh của cây càng đi xuống sâu hơn càng nhận được thông
tin chi tiết hơn về chủ đề riêng giúp người dùng tiếp cận thông tin có định hướng và
dễ dàng hơn. Mỗi đỉnh của cây phân cấp có một tập các tài liệu và có nhãn tương
ứng về chủ để các tài liệu đó (cụm tài liệu). Ví dụ của báo vnexpress có: mục "Văn
hóa" chứa các mục con "âm nhạc", "thời trang", "điện ảnh",... Mục tiêu của phân
cấp tài liệu là để cải thiện khả năng cho người dùng hiển thị thông tin, vì vậy một
cây tốt cần có mô tả tốt - tức có nhãn cụm tài liệu ở các đỉnh tốt.
Dmoz[25] là cây phân cấp chủ đề Web lớn nhất đã được xây dựng và được tổ chức
theo từng ngôn ngữ khác nhau Anh, Pháp, Nhật, Trung Quốc, Hàn Quốc,...chưa
∗http:/vivisimo.com
†
∗
†
‡
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 39
có tiếng Việt. Dmoz cung cấp cấu trúc phân cấp chủ đề cho các trang Web từ tổng
quát tới chi tiết và được sử dụng trong tìm kiếm nâng cao của Google.
Nhu cầu xây dựng cây phân cấp chủ đề Web tiếng Việt được đặt ra, nhằm mục
đích hỗ trợ người dùng việc tìm kiếm theo từng chủ đề. Và Zing!Directory là một
cây phân cấp chủ đề Web tiếng Việt đang được xây dựng.
Với sự phát triển của các danh bạ web (tiếng Anh), C.Yang và J.Lin [60] năm
2007, T.C. Wu và W.L. Hsu [57] năm 2006 đã đưa ra hướng tích hợp các danh bạ
web có sẵn để tạo một cây phân cấp chủ đề duy nhất, hỗ trợ người dùng tìm kiếm
thông tin từ nhiều nguồn khác nhau. Kỹ thuật tích hợp cho phép mở rộng, sửa
đổi cây phân loại bằng cách học cách tổ chức các tài liệu từ các cây nguồn để tạo
cây mới [60], và dựa vào mô hình trường ngẫu nhiên (CRFs: Conditional Random
Fields)[57]. Trong tiếng Việt, danh bạ web của trang tin tức việt nam§ là danh bạ
trang web của các tổ chức đã đăng ký, hoạt động trong các lĩnh vực khác nhau và
được cấu trúc dạng cây phân cấp chủ đề nhưng mới chỉ có chủ đề tới mức 3. Hay
một số danh bạ web tiếng Việt khác như vnn777.com hướng các chủ đề về tin tức
và giải trí, và các danh bạ đó chỉ có phân cấp cao nhất tới mức 3. Nên không đặt
vấn đề tích hợp các danh bạ web cho tiếng Việt.
Một câu hỏi đưa ra: làm thế nào tạo cây phân cấp chủ đề cho các trang web
tiếng Việt giống như Dmoz? Qua các phân tích về phân cụm và tạo nhãn cụm tài
liệu, một phương pháp khả thi đó là phân cụm phân cấp các trang web [1], sau đó
xác định chủ đề cho từng cụm ở mỗi cấp.
Vấn đề tạo nhãn cụm tài liệu có vai quan trọng trong cả bài toán phân cụm kết
quả trả về của máy tìm kiếm và xây dựng cây phân cấp chủ đề. Nghiên cứu và đưa
ra mô hình học tạo nhãn cho cụm tài liệu được đề cập trong các phần tiếp theo.
4.2 Phương pháp lựa chọn nhãn
Trong tạo nhãn cụm phân cấp, giả thiết đã có sẵn một cây phân cấp tốt các cụm tài
liệu và cần tạo mô tả tốt cho mỗi cụm tài liệu trên cây gọi là nhãn cụm. Nhãn cụm
§httt://tintuc.vnn.vn/danhbaweb
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 40
có thể là cụm từ hoặc danh sách các từ, cụm từ nói lên chủ đề chung của cụm, ví
dụ: cụm các tài liệu về xử lý ngôn ngữ tự nhiên có nhãn "xử lý ngôn ngữ tự nhiên"
hoặc danh sách cụm từ "thẻ, ngôn ngữ, từ vựng, tạo nhãn, từ, cấu trúc, ngữ pháp".
Danh sách các cụm từ thường ít hữu dụng hơn là một nhãn chủ đề bởi nó yêu cầu
người dùng phải tự xác định khái niệm tương ứng. Tuy nhiên danh sách các cụm
từ là lựa chọn phổ biến cho tạo nhãn tự động các cụm theo [53, 65, 42, 28].
Khái niệm nhãn cụm tốt: ko chỉ mô tả chủ đề chính được đề cập trong cụm các
tài liệu mà còn phân biệt cụm đó với các cụm cùng cấp và cụm cha. Xác định nhãn
duy nhất tốt cho một cụm tức chọn một từ/cụm từ xuất hiện trong các tài liệu
thuộc cụm có ý nghĩa bao quát nội dung cho cụm đó là việc khó khả thi. Một ví dụ
đơn giản như đã đưa ra ở trên: một cụm các tài liệu về xử lý ngôn ngữ tự nhiên,
nhãn tốt cho cụm là "xử lý ngôn ngữ tự nhiên". Nhưng có thể trong các tài liệu
thuộc cụm không tài liệu có chính xác cụm từ này, trong khi dễ dàng thấy sự xuất
hiện nhiều của các từ "ngôn ngữ, từ vựng, corpus, tạo nhãn, cấu trúc, ngữ pháp".
Do vậy nhãn được tạo thường là danh sách các từ có khả năng làm nhãn cao được
lựa chọn. Tuy nhiên, số lượng nhãn khả năng được lựa chọn cần vừa đủ, vì nếu quá
nhiều sẽ gây nhiễu, khó hiểu cho người dùng nhưng nếu quá ít (ví dụ một từ "cấu
trúc"), nhãn trở thành trừu tượng và cũng khó hiểu với người dùng. P.Treeratpituk
và J.Callan [53] đưa ra phương pháp xác định nhãn cho mỗi cụm: là danh sách các
nhãn khả năng được xếp hạng theo độ phù hợp với cụm và đưa ra cách xác định số
lượng nhãn phù hợp vì danh sách nhãn này nên ngắn nhất có thể để mô tả chủ đề
của cụm.
Vì vậy tạo nhãn cụm tài liệu là xác định các nhãn khả năng và xếp hạng chúng
theo độ phù hợp làm nhãn cho cụm giảm dần. Sau đó chọn một số lượng nhất định
nhãn khả năng đầu tiên làm nhãn cho cụm tài liệu đó.
Theo [53], Popescul sử dụng phương pháp thống kê để lựa chọn nhãn dựa trên
ngữ cảnh của các cụm liên quan (cụm cha và các cụm con cùng cấp): loại bỏ các
cụm từ có xác suất xuất hiện như nhau ở các cụm khác nhau. Do đó các từ đồng
thời xuất hiện ở nhiều cụm không được lựa chọn làm nhãn, tránh trường hợp nhãn
quá tổng quát. Và Glover [29] phân tích tần số xuất hiện của các từ đơn có thể dự
đoán nhãn cho các cụm, với nhận định một từ phổ biết trong cụm và ít quan hệ với
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 41
các cụm khác thì là đặc trưng tốt cho cụm. Các từ/cụm từ (gọi chung là cụm từ)
được ứng cử làm nhãn cụm được chọn dựa vào tiêu chuẩn:
Candidates =
{
p
∣∣DFC
|C|
< maxColPos &
DFS
|S|
> minSelfPos
}
Trong đó:
• DFC : số tài liệu trong cả tất cả các cụm tài liệu mà chứa cụm từ p
• DFS: số tài liệu trong cụm đang xét có chứa cụm từ p
• |C|, |S|: lần lượt số tài liệu của tất cả các cụm và của cụm đang xét.
• maxColPos, minSelfPos : ngưỡng tần suất xuất hiện lớn nhất, nhỏ nhất của
các nhãn được chọn.
Những từ được chọn để có thể làm nhãn có tính chất xuất hiện hơn minSelPos lần,
và nhỏ hơn maxColPos lần ở mỗi tài liệu trong cụm. Sau đó các nhãn khả năng p
này được xếp hạng theo DFS.
Phương pháp của Glover đơn giản nhưng còn hạn chế: cần xác định giá trị
ngưỡng và tối ưu ngưỡng đó cho mọi cụm, khi xếp hạng dựa theo DFS dễ dàng thấy
các từ đơn thường có hạng tốt hơn trong khi các cụm từ thường mang ý nghĩa cao
hơn khi làm nhãn.
Filippo Geraci và các cộng sự [28] sử dụng độ đo Information Gain để chọn các
từ "giàu thông tin nhất" trong cụm làm nhãn. Dawn.J.Lawrie và W.Bruce Croft
[39] xây dựng mô hình thống kê để xác định các từ chủ đề cho mỗi cụm (dùng độ
đo Kullback–Leibler). Các phương pháp này dựa vào phân phối của các từ, cụm từ
trên các cụm để lựa chọn các nhãn ứng viên cho mỗi cụm.
P.Treeratpituk và J.Callan [52] đã đưa ra thuật toán tự động tạo nhãn cụm tài
liệu dựa vào học xếp hạng, và trong phương pháp phân cụm của H.Zeng và Q.He
[65] cũng sử dụng học xếp hạng các cụm từ làm nhãn.
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 42
4.3 Học xếp hạng nhãn cụm
Nhãn của cụm tài liệu là các từ, cụm từ được xác định từ các tài liệu thuộc cụm.
Tất cả các từ, cụm từ đều có khả năng làm nhãn, cần tìm nhãn tốt nhất có thể, đó
là bài toán xếp hạng nhãn cụm. Với S là cụm đang xét, có cụm cha là P: bao gồm
tất cả tài liệu của cụm S và các cụm cùng cấp với S, thuật toán chọn nhãn cho cụm
S được P.Treeratpituk và J.Callan trong [52] đưa ra gồm 4 bước như sau:
1. Thống kê tất cả các cụm từ: 1-3 gram (gram trong tiếng Việt có thể hiểu là
tiếng) trong cụm S, tính tần số xuất hiện của cụm từ trong mỗi tài liệu, trong
cụm đang xét, cụm cha và trên tập dữ liệu chung (corpus E).
2. Chọn các nhãn khả năng: Chọn tập ứng cử từ các cụm trên dựa vào tần số
xuất hiện của tài liệu trong cụm và trong ngôn ngữ.
3. Tính trọng số DScore cho mỗi ứng cử làm nhãn trên và sắp xếp theo trọng số
đó.
4. Tính điểm cắt: Quyết định bao nhiêu ứng cử được chọn dựa trên DScore.
Với mỗi cụm từ p, và cụm tài liệu C, ký hiệu DFC là số tài liệu trong cụm C có
chứa cụm từ p, và TFC là số lần xuất hiện của p trong tất cả các tài liệu của cụm
C.
Ngoài ra, các tác giả còn dựa vào một tập dữ liệu chung (corpus E) để xác định
độ phổ biến của các cụm từ trong ngôn ngữ đang xét (tiếng Anh), những từ xuất
hiện với tần suất hơn 20% trong E gọi là từ dừng và sẽ không được xét làm nhãn.
Không phải tất cả các cụm từ đều được chọn, chỉ những từ 1-gram xuất hiện ở
ít nhất 20% tài liệu trong cụm và những từ 2,3-gram xuất hiện ở ít nhất 5% tài liệu
trong cụm mới được coi là mô tả tốt và được chọn là nhãn ứng viên.
4.3.1 Các đặc trưng
Hàm xếp hạng có ý nghĩa xác định khả năng là một nhãn của cụm từ với một cụm
tài liệu xác định, và là một hàm của các đặc trưng của cụm từ. Với mỗi cụm từ p,
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 43
P.Treeratpituk và J.Callan [52] xác định các đặc trưng:
nDFC tỷ lệ của số tài liệu trong cụm C chứa cụm từ trên tổng số tài liệu trong
cụm C đó. Một cụm từ có khả năng mô tả tốt nếu xảy ra tương đối thường
xuyên ở cụm cha P nhưng rất thường xuyên ở cụm đang xét S.
nDFC =
DFC
|C|
TFIDF là độ đo tương tự của tích tần số và nghịch đảo tần số xuất hiện được xác
định bởi công thức:
TFIDFC = TFC ∗ log
|C|
DFC
r(TFIDF), r(nDF) thứ hạng của TFIDF, nDF trong sắp xếp giảm dần. Sử dụng
r(TFIDF), r(nDF) có thể đem lại ý nghĩa cao hơn khi so sánh các giá trị thực
TFIDF, nDF.
Boost Rank nDF : độ đo về tính gia tăng của nDF . Một mô tả tốt cần có nDFP
khá cao, nDFS cao hơn. Để xác định tính chất này sử dụng độ đo về tính gia
tăng
log[r(DFp/|p|]− log[r(DFs/|S|)]
Công thức trên xác định độ thay đổi hạng nDF của cụm từ ở cụm cha với
cụm đang xét, và hạng nDF được tính log bởi những thay đổi thứ hạng càng
ở phần đầu (top rank) thì càng có ý nghĩa. Ví dụ: một nhãn mà thay đổi từ
thứ hạng thứ 200 trong cụm cha tới thứ 100 trong cụm con thì khả năng mô
tả ít hơn nhãn có thứ hạng 100 ở cụm cha và thứ hạng ở cụm con là 5.
Boost Rank TFIDF độ đo về tính gia tăng của TFIDF . Một cụm từ là mô tả
tốt thì cần có thứ hạng TFIDF cao hơn trong cụm con so với ở cụm cha. Độ
đo được xác định:
log[r(TFIDFp)]− log[r(TFIDFs)]
LEN độ dài của cụm từ p. LEN càng lớn càng tốt, do ưu tiên các cụm từ dài hơn
làm nhãn.
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 44
H.Zeng và Q.He [65] cũng chọn độ đo TFIDF và LEN như P.Treeratpituk và
J.Callan đã đưa ra làm các đặc trưng của cụm từ, và ngoài ra còn có một số đặc
trưng về xác định cụm như độ co cụm của các tài liệu chứa cụm từ (Intra-cluster
similarity ICS). Do H.Zeng và Q.He sử dụng phương pháp xếp hạng cụm từ để tiến
hành phân cụm tài liệu nên đã sử dụng các độ đo đó để xác định các tài liệu thuộc
cùng cụm. Và trong ngữ cảnh của chúng ta, không cần thiết xét tới các độ đo cụm
đó.
Kết hợp giá trị các đặc trưng bằng hàm tuyến tính gọi là hàm DScore- mô tả
một cụm từ có khả năng tạo nhãn cho cụm S như thế nào với cụm cha P theo công
thức:
DScorep =
m∑
i=1
(αi × fi(p)) + α0
Với fi(p) là đặc trưng thứ i của cụm từ p, m là số đặc trưng.
Sau đó các nhãn được sắp xếp theo DScore nên được gọi là hàm tính hạng.
4.3.2 Học hàm tính hạng
Hàm DScore với các trọng số αi của các đặc trưng được P.Treeratpituk và J.Callan
ước lượng dựa vào phương pháp quy hồi tuyến tính. Ước lượng DScore∗ của nhãn
L được xác định dựa vào việc so sánh độ tương đồng của nhãn đó với nhãn đúng
CL đã được cho trong dữ liệu học, DScore∗ được tính bỏi ước lượng nhãn L với
nhãn đúng là CL:
DScore∗L = max
SL∈Synonym(L)
overlap(SL,CL)
max (len(SL), len(CL))
Trong đó, overlap(SL,CL) là số các từ mà xuất hiện trong cả SL và CL, và len(x)
là độ dài của x, Synonym(L) là hàm xác định các cụm từ đồng nghĩa với L. Nếu
nhãn được chọn đồng nghĩa của nhãn đúng thì DScore=1 và ngược lại DScore =0.
Mỗi cụm được xác định một nhãn đúng duy nhất CL, trong khi thực tế có thể
có một số nhãn cùng tốt như nhau. Để xử lý trường hợp này, hàm ước lượng đã sử
dụng hàm xác định từ đồng nghĩa, để xác định các nhãn tốt là các nhãn đồng nghĩa
với nhãn đúng. Tuy nhiên vẫn còn nhiều trường hợp lỗi- nhãn tốt có DScore = 0, ví
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 45
dụ: cụm tài liệu có nhãn đúng "cardiovascular disorder" (rối loạn tim), thuật toán
đưa ra các nhãn cho cụm là "heart" và "heart disease" (bệnh tim). Với chúng ta,
trong trường hợp này nhãn "heart" và "heart disease" là hoàn toàn phù hợp nhưng
với đánh giá tự động trên thì nhãn này bị bỏ qua bởi "cardiovascular" và "heart"
không thực sự đồng nghĩa.
Phương pháp học hàm xếp hạng RankingSVM[34] được tôi lựa chọn học hàm
xếp hạng nhãn tài liệu. Đây là phương pháp học ghép cặp, dữ liệu học các đối tượng
là nhãn cần được sắp xếp theo độ phù hợp giảm dần.
Số lượng cụm từ được chọn làm nhãn cho cụm chỉ nên có từ 3 tới 5 cụm từ được
xác định trong [52, 28] nên dữ liệu học: mỗi cụm tài liệu với các nhãn ứng viên được
sắp xếp theo độ phù hợp giảm dần. Đặc biệt cần đảm bảo 5 nhãn đầu tiên là 5
nhãn tốt nhất và thứ tự sắp xếp 5 nhãn này có thể chỉ là tương đối - khi các nhãn
đều phù hợp làm nhãn tốt nhất ví dụ: "giáo dục" với "dạy học" hay "công nghệ",
"thông tin" và "tin học".
4.4 Thực nghiệm
4.4.1 Nguồn dữ liệu
Trên wikipedia tiếng Việt¶ các trang web được xác định chủ đề, và mỗi chủ đề có
trang web tương ứng tên chủ đề chứa thông tin các chủ đề con của chủ đề đó nếu
có. Ví dụ: chủ đề "dược khoa" gồm có các chủ đề con ("dược phẩm", "dược điển",
"công ty dược"). Do đó ta dễ dàng xây dựng cấu trúc phân cấp chủ đề của các trang
web trên wikipedia. Mỗi chủ đề được coi là một cụm các tài liệu thuộc chủ đề đó.
Tiến hành thu thập (crawl) các trang web của wikipedia tiếng Việt:
• 5280 trang web
• 15 chủ đề mức 1 (mức 0 là gốc)
• 870 chủ đề các mức
¶
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 46
• Độ sâu phân cấp cây chủ đề: 5 mức (ví dụ: 1. Địa chất học | 2. Niên đại địa
chất| 3. Liên đại Hiển Sinh | 4. Đại Cổ Sinh | 5. Kỷ Cambri)
Các trang web được lọc bỏ thẻ html, lấy nội dung chính và cho đi qua modul thống
kê ngram [32] (thực hiện thống kê 1-gram, 2-gram, 3-gram).
4.4.2 Dữ liệu học
Lấy một phần dữ liệu cây phân cấp chủ đề của wikipedia trên để tạo nhãn cho các
cụm (dựa trên chủ đề của cụm được wiki xác định):
1. Các cụm có chủ đề rõ ràng dễ phân tách- các chủ đề mức 1 của cây phân cấp
chủ đề của wikipedia: 232 trang web, 8 cụm mức 1 và 5 cụm mức 2 (bảng
A.1).
2. Các cụm chủ đề gần nhau ở mức 2 của cây phân cấp wikipedia: chủ đề giáo
dục gồm 6 cụm con và 75 trang web (bảng A.2).
3. Các cụm thuộc chủ đề "động vật học" được chọn làm dữ liệu đánh giá: động
vật học gồm 8 cụm con và 76 trang web (bảng A.3).
Mỗi cụm trong dữ liệu học được xác định danh sách các nhãn ứng viên (có khả
năng làm nhãn) dựa vào giới hạn nDFC lớn hơn 20%. Tuy nhiên do một số cụm
trong wiki có số lượng tài liệu ít (nhỏ hơn 10), khi đó nDFC được xác định phải lớn
hơn 40%
Sau khi có danh sách nhãn ứng viên, tiến hành sắp xếp các nhãn ứng viên theo
độ phù hợp giảm dần (đặc biệt quan trọng cần xác định 5 nhãn đầu tiên tốt nhất),
rồi thực hiện tính các giá trị đặc trưng để tạo dữ liệu học đưa vào mô-dul học hàm
xếp hạng của SVM light ‖.
‖
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 47
Các đặc trưng được xác định đưa vào hàm học lần lượt:
f1 = LEN
f2 = r(nDFS)
f3 = r(nDFP )
f4 = r(TFIDFS)
f5 = r(TFIDFP )
f6 = log(r(nDFP )− log(r(nDFS))
f7 = log(r(TFIDFP )− log(r(TFIDFS))
Trong thực nghiệm, P.Treeratpituk và J.Callan chỉ sử dụng 6 đặc trưng f2 tới f7,
và bỏ qua một đặc trưng rất quan trọng là độ dài LEN của cụm từ được chọn.
4.4.3 Kết quả và đánh giá
Hàm xếp hạng thu được:
RF (p) = 0.0150× LEN(p)+
+ 0.0210× r(nDFS)+
− 0.0011× r(nDFP )+
+ 0.2470× r(TFIDFS)+
− 0.0524× r(TFIDFP )+
+ 0.1932× [log(r(nDFP )− log(r(nDFS))]+
+ 0.5713× [log(r(TFIDFP )− log(r(TFIDFS))]
Sau khi có được hàm xếp hạng, tiến hành tạo nhãn cho cụm dữ liệu kiểm tra (chủ
đề "động vật").
Kết quả tạo nhãn cụm tài liệu được tiến hành đánh giá so sánh với phương pháp
của Glover (chỉ dựa vào xác định ngưỡng tần suất xuất hiện) đã được trình bày ở
trên. Các độ đo đánh giá chất lượng tạo nhãn:
• Match@N: số nhãn đúng ở N nhãn đầu tiên
CHƯƠNG 4. TẠO NHÃN CỤM TÀI LIỆU 48
• MRR: Là trung bình của nghịch đảo thứ hạng nhãn đúng đầu tiên.
• MTRR: Nếu có hơn một nhãn đúng, MTRR là trung bình của tổng nghịch
đảo thứ hạng của tất cả nhãn đúng.
Bảng 4.1 so sánh độ đo MRR và MTRR giữa phương pháp của Glover và phương
pháp sử dụng hàm RF(p), cho thấy với hàm RF kết quả xếp hạng cụm từ để tạo
nhãn có chất lượng tốt hơn. Với MRR, MTRR cao hơn chứng tỏ các nhãn đúng
xuất hiện ở thứ hạng nhỏ hơn (ở hạng đầu). Bảng 4.2 so sánh về số nhãn trung bình
Bảng 4.1: So sánh MRR, MTRR
MRR MTRR
Glover 0.51 0.57
RF 0.69 0.90
phù hợp ở N hạng đầu tiên, cho thấy các nhãn đúng thường được xác định ở hạng
1, 2. Với kết quả này cho thấy hiệu quả của việc học hàm xếp hạng, cho chúng ta
Bảng 4.2: So sánh Match@N
Match@N N=1 N=2 N=3 N=4
Glover 0.29 0.43 0.57 1.00
RF 0.43 1.00 1.00 1.00
hàm xết hạng tốt hơn.
4.5 Tổng kết chương
Xếp hạng các nhãn ứng viên để tạo nhãn cụm tài liệu là một trong các ứng dụng
của học xếp hạng đối tượng, cụ thể đối tượng ở đây là "nhãn" của cụm tài liệu. Với
kết quả đạt được của chất lượng tạo nhãn, cho ta cơ sở để xây dựng cây phân cấp
chủ đề web cho các trang web tiếng Việt một cách tự động.
KẾT LUẬN
Học xếp hạng là một lĩnh vực đang rất được quan tâm. Vấn đề xác định hạng của
các đối tượng mà cụ thể trong máy tìm kiếm là các trang web và các thực thể có
một vai trò quan trọng bởi nó giúp định hướng, chỉ dẫn người dùng đến với những
thông tin phù hợp theo nhu cầu. Bên cạnh đó cùng sự phát triển của các phương
pháp phân cụm, đặt ra vấn đề gán nhãn cụm tài liệu nhằm hỗ trợ người dùng tiếp
cận kết quả phân cụm và định hướng tạo cây phân cấp chủ đề web tiếng Việt.
Luận văn này đã tiếp cận vấn đề học xếp hạng và nghiên cứu, đưa ra mô hình,
áp dụng vào máy tìm kiếm để nâng cao chất lượng của máy tìm kiếm.
Luận văn đã đạt được những kết quả:
• Phân tích các vấn đề thời sự nhất về bài toán xếp hạng, trình bày các phương
pháp học xếp hạng trong vài năm gần đây.
• Đưa ra mô hình học xếp hạng thực thể và thực nghiệm tìm kiếm thực thể
trong lĩnh vực y tế - cụ thể là thuốc trong tiếng Việt.
• Mô-dul tạo nhãn cụm tài liệu có ứng dụng không chỉ trong máy tìm kiếm mà
còn trong việc tạo tạo danh bạ web (web directory).
49
Các công trình công bố của tác giả
[TTT08 ]Nguyen, C.-T., Nguyen, T.-T., Ha, Q.-T., Phan, X.-H., and
Horiguchi,S. Web Search Clustering and Labeling with Hidden Topics.
Journal of ACM Transaction on Asian Language Information Processing (ACM-
TALIP), 2008. (TALIP-08-0036, Resubmit after reviewed).
[CTT08 ] Nguyễn Thi Thu Chung, Nguyễn Thu Trang, Nguyễn Cẩm
Tú, Hà Quang Thụy. Đánh giá chất lượng phân cụm trên máy tìm kiếm
tiếng Việt VNSEN Kỷ yếu Hội thảo Quốc gia Một số vấn đề chọn lọc về Công
nghệ thông tin và Truyền thông lần thứ XI. (Huế, 12-13/6/2008 2008),
[TNT06 ] Q.Ha, T., H.Nguyen, N., and T.Nguyen, T. Improve Performance
of PageRank Computation with Connected-Component PageRank. Interna-
tional Journal of Natural Sciences and Technology, 1(1):53-60, 2006.
[NNT05 ]Đỗ Thị Diệu Ngọc, Nguyễn Hoài Nam, Nguyễn Thu Trang,
Nguyễn Yến Ngọc Giải pháp tính hạng trang modified adaptive pagerank
trong máy tìm kiếm. Chuyên sang "Các công trình nghiên cứu về CNTT và
truyền thông". Tạp chí Bưu chính Viễn thông, 14: 65-71, 4-2005
50
Tài liệu tham khảo
[1] Adami, G., Avesani, P., and Sona, D. Clustering documents in a web
directory. In WIDM ’03: Proceedings of the 5th ACM international workshop
on Web information and data management (New York, NY, USA, 2003), ACM,
pp. 66–73.
[2] Agarwal, A., Chakrabarti, S., and Aggarwal, S. Learning to rank
networked entities. In KDD ’06: Proceedings of the 12th ACM SIGKDD inter-
national conference on Knowledge discovery and data mining (New York, NY,
USA, 2006), ACM, pp. 14–23.
[3] Aguillo, I., Ortega, J. L. L., and Fernandez, M. Webometric ranking of
world universities: Introduction, methodology, and future developments. Higher
Education in Europe 33, 2-3 (July 2008), 233–244.
[4] Aguillo, I. F. Webometrics ranking of world universities. In 3rd Meeting
of the International Rankings Expert Group (IREG-3), (2007), Shanghai Jiao
Tong University.
[5] Amini, M. R., Usunier, N., and Gallinari, P. Automatic text summa-
rization based on word clusters and ranking algorithms. In In Proceedings of
the 27 th European Conference on Information Retrieval (2005), pp. 142–156.
[6] Arasu, A., Cho, J., Garcia-Molina, H., Paepcke, A., and Raghavan,
S. Searching the web. ACM Trans. Interet Technol. 1, 1 (2001), 2–43.
51
TÀI LIỆU THAM KHẢO 52
[7] Balmin, A., Hristidis, V., and Papakonstantinou, Y. Objectrank:
authority-based keyword search in databases. In VLDB ’04: Proceedings of
the Thirtieth international conference on Very large data bases (2004), VLDB
Endowment, pp. 564–575.
[8] Burges, C. Learning to rank for web search: Some new directions. Keynote
talk at SIGIR Ranking Workshop, 7 2007.
[9] Burges, C., Shaked, T., Renshaw, E., Lazier, A., Deeds, M., Hamil-
ton, N., and Hullender, G. Learning to rank using gradient descent. In
ICML ’05: Proceedings of the 22nd international conference on Machine learn-
ing (New York, NY, USA, 2005), ACM, pp. 89–96.
[10] Burges, C. J. C., Ragno, R., and Le, Q. V. Learning to rank with non-
smooth cost functions. In NIPS (2006), B. Scho¨lkopf, J. C. Platt, T. Hoffman,
B. Scho¨lkopf, J. C. Platt, and T. Hoffman, Eds., MIT Press, pp. 193–200.
[11] Cao, Y., Xu, J., Liu, T.-Y., Li, H., Huang, Y., and Hon, H.-W. Adapt-
ing ranking svm to document retrieval. In SIGIR ’06: Proceedings of the 29th
annual international ACM SIGIR conference on Research and development in
information retrieval (New York, NY, USA, 2006), ACM, pp. 186–193.
[12] Cao, Z., Qin, T., Liu, T.-Y., Tsai, M.-F., and Li, H. Learning to rank:
from pairwise approach to listwise approach. In ICML ’07: Proceedings of
the 24th international conference on Machine learning (New York, NY, USA,
2007), ACM, pp. 129–136.
[13] Chakrabarti, S. Dynamic personalized pagerank in entity-relation graphs.
In WWW ’07: Proceedings of the 16th international conference on World Wide
Web (New York, NY, USA, 2007), ACM, pp. 571–580.
[14] Chakrabarti, S. Learning to rank in vector spaces and social networks.
In WWW ’07: Tutorial - 16th international conference on World Wide Web
(2007).
[15] Chakrabarti, S., and Agarwal, A. Learning parameters in entity rela-
tionship graphs from ranking preferences. In PKDD (2006), pp. 91–102.
TÀI LIỆU THAM KHẢO 53
[16] Chakrabarti, S., Khanna, R., Sawant, U., and Bhattacharyya, C.
Structured learning for non-smooth ranking losses. In KDD ’08: Proceeding of
the 14th ACM SIGKDD international conference on Knowledge discovery and
data mining (New York, NY, USA, 2008), ACM, pp. 88–96.
[17] Cheng, T., and Chang, K. C.-C. Entity search engine: Towards agile best-
effort information integration over the web. In CIDR (2007), pp. 108–113.
[18] Cheng, T., Yan, X., and Chang, K. C.-C. Entityrank: searching entities
directly and holistically. In VLDB ’07: Proceedings of the 33rd international
conference on Very large data bases (2007), VLDB Endowment, pp. 387–398.
[19] Cheng, T., Yan, X., and Chang, K. C.-C. Supporting entity search: a
large-scale prototype search engine. In SIGMOD ’07: Proceedings of the 2007
ACM SIGMOD international conference on Management of data (New York,
NY, USA, 2007), ACM, pp. 1144–1146.
[20] Chu, W., and Keerthi, S. S. New approaches to support vector ordinal
regression. In In ICML ’05: Proceedings of the 22nd international conference
on Machine Learning (2005), pp. 145–152.
[21] Cohen, W. W., Schapire, R. E., and Singer, Y. Learning to order
things. In NIPS ’97: Proceedings of the 1997 conference on Advances in neural
information processing systems 10 (Cambridge, MA, USA, 1998), MIT Press,
pp. 451–457.
[22] Collins, M., Schapire, R. E., and Singer, Y. Logistic regression, ad-
aboost and bregman distances. In Machine Learning (2000), pp. 158–169.
[23] Demartini, G., Firan, C. S., Iofciu, T., Krestel, R., and Nejdl, W.
A model for ranking entities and its application to wikipedia. Web Congress,
Latin American 0 (2008), 29–38.
[24] Demartini, G., Firan, C. S., Iofciu, T., and Nejdl, W. Semantically
enhanced entity ranking. In WISE ’08: Proceedings of the 9th international con-
ference on Web Information Systems Engineering (Berlin, Heidelberg, 2008),
Springer-Verlag, pp. 176–188.
TÀI LIỆU THAM KHẢO 54
[25] Dmoz.
[26] Duh, K., and Kirchhoff, K. Learning to rank with partially-labeled data.
In SIGIR ’08: Proceedings of the 31st annual international ACM SIGIR con-
ference on Research and development in information retrieval (New York, NY,
USA, 2008), ACM, pp. 251–258.
[27] Gelgi, F., Davulcu, H., and Vadrevu, S. Term ranking for clustering
web search results. In WebDB (2007).
[28] Geraci, F., Pellegrini, M., Maggini, M., and Sebastiani, F. Cluster
generation and cluster labelling for web snippets: A fast and accurate hierar-
chical solution. In SPIRE (2006), pp. 25–36.
[29] Glover, E., Pennock, D. M., Lawrence, S., and Krovetz, R. Infer-
ring hierarchical descriptions. In CIKM ’02: Proceedings of the eleventh in-
ternational conference on Information and knowledge management (New York,
NY, USA, 2002), ACM, pp. 507–514.
[30] Herbrich, R., Graepel, T., and Obermayer, K. Support vector learn-
ing for ordinal regression. In In International Conference on Artificial Neural
Networks (1999), pp. 97–102.
[31] Jiang, Z., Joshi, A., Krishnapuram, R., and Yi, L. Retriever: Improv-
ing Web Search Engine Results Using Clustering. Tech. rep., University of
Maryland Baltimore County, October 2000.
[32] JNSP.
[33] Joachims, T. Making large-scale support vector machine learning practical.
Advances in kernel methods: support vector learning (1999), 169–184.
[34] Joachims, T. Optimizing search engines using clickthrough data. In KDD ’02:
Proceedings of the eighth ACM SIGKDD international conference on Knowledge
discovery and data mining (New York, NY, USA, 2002), ACM, pp. 133–142.
TÀI LIỆU THAM KHẢO 55
[35] Joachims, T. A support vector method for multivariate performance mea-
sures. In Proceedings of the 22nd International Conference on Machine Learn-
ing (2005), ACM Press, pp. 377–384.
[36] Joachims, T., Li, H., Liu, T.-Y., and Zhai, C. Learning to rank for
information retrieval (lr4ir 2007). SIGIR Forum 41, 2 (2007), 58–62.
[37] Klementiev, A., Roth, D., and Small, K. An unsupervised learning
algorithm for rank aggregation. Machine Learning: ECML 2007 (2007), 616–
623.
[38] Lawrie, D., Croft, W. B., and Rosenberg, A. Finding topic words for
hierarchical summarization. In SIGIR ’01: Proceedings of the 24th annual inter-
national ACM SIGIR conference on Research and development in information
retrieval (New York, NY, USA, 2001), ACM, pp. 349–357.
[39] Lawrie, D. J., and Croft, W. B. Generating hierarchical summaries for
web searches. In SIGIR ’03: Proceedings of the 26th annual international ACM
SIGIR conference on Research and development in informaion retrieval (New
York, NY, USA, 2003), ACM, pp. 457–458.
[40] Liu, T.-Y. Learning to rank in information retrieval. In WWW ’08: Tutorial
- 17th international conference on World Wide Web (2008).
[41] Mecca, G., Raunich, S., and Pappalardo, A. A new algorithm for clus-
tering search results. Data Knowl. Eng. 62, 3 (2007), 504–522.
[42] Mei, Q., Shen, X., and Zhai, C. Automatic labeling of multinomial topic
models. In KDD ’07: Proceedings of the 13th ACM SIGKDD international
conference on Knowledge discovery and data mining (New York, NY, USA,
2007), ACM, pp. 490–499.
[43] Page, L., Brin, S., Motwani, R., and Winograd, T. The pagerank
citation ranking: Bringing order to the web. Tech. rep., Stanford University,
1998.
TÀI LIỆU THAM KHẢO 56
[44] Qin, T., Liu, T.-Y., Zhang, X.-D., Wang, D.-S., Xiong, W.-Y., and
Li, H. Learning to rank relational objects and its application to web search.
In WWW ’08: Proceeding of the 17th international conference on World Wide
Web (New York, NY, USA, 2008), ACM, pp. 407–416.
[45] Radlinski, F., and Joachims, T. Active exploration for learning rankings
from clickthrough data. In KDD ’07: Proceedings of the 13th ACM SIGKDD
international conference on Knowledge discovery and data mining (New York,
NY, USA, 2007), ACM, pp. 570–579.
[46] Raykar, V. C., Duraiswami, R., and Krishnapuram, B. A fast algo-
rithm for learning a ranking function from large-scale data sets. IEEE Trans.
Pattern Anal. Mach. Intell. 30, 7 (2008), 1158–1170.
[47] Rode, H., Serdyukov, P., Hiemstra, D., and Zaragoza, H. Entity
ranking on graphs: Studies on expert finding. Tech. Rep. TR-CTIT-07-81,
University of Twente, 2007.
[48] Sciencegateway.
[49] SIGIR. on LR4IR.
[50] Taylor, M., Guiver, J., Robertson, S., and Minka, T. Softrank: op-
timizing non-smooth rank metrics. In WSDM ’08: Proceedings of the interna-
tional conference on Web search and web data mining (New York, NY, USA,
2008), ACM, pp. 77–86.
[51] Thom, J. A., Pehcevski, J., and Vercoustre, A.-M. Use of wikipedia
categories in entity ranking. CoRR abs/0711.2917 (2007).
[52] Treeratpituk, P., and Callan, J. Automatically labeling hierarchical
clusters. In dg.o ’06: Proceedings of the 2006 international conference on Digital
government research (New York, NY, USA, 2006), ACM, pp. 167–176.
[53] Treeratpituk, P., and Callan, J. An experimental study on automat-
ically labeling hierarchical clusters using statistical features. In SIGIR ’06:
TÀI LIỆU THAM KHẢO 57
Proceedings of the 29th annual international ACM SIGIR conference on Re-
search and development in information retrieval (New York, NY, USA, 2006),
ACM, pp. 707–708.
[54] Vercoustre, A.-M., Thom, J. A., and Pehcevski, J. Entity ranking in
wikipedia. In SAC ’08: Proceedings of the 2008 ACM symposium on Applied
computing (New York, NY, USA, 2008), ACM, pp. 1101–1106.
[55] Webometrics.
[56] WISDM.
[57] Wu, T. C.-W., and Hsu, W.-L. Web directory integration using conditional
random fields. In WI ’06: Proceedings of the 2006 IEEE/WIC/ACM Interna-
tional Conference on Web Intelligence (Washington, DC, USA, 2006), IEEE
Computer Society, pp. 540–543.
[58] Xu, J., and Li, H. Adarank: a boosting algorithm for information retrieval.
In SIGIR ’07: Proceedings of the 30th annual international ACM SIGIR con-
ference on Research and development in information retrieval (New York, NY,
USA, 2007), ACM, pp. 391–398.
[59] Xu, Y., and Fern, A. On learning linear ranking functions for beam search.
In ICML ’07: Proceedings of the 24th international conference on Machine
learning (New York, NY, USA, 2007), ACM, pp. 1047–1054.
[60] Yang, C. C., and Lin, J. Integrating web directories by learning their
structures. In WWW ’07: Proceedings of the 16th international conference on
World Wide Web (New York, NY, USA, 2007), ACM, pp. 1239–1240.
[61] Yu, H. Svm selective sampling for ranking with application to data retrieval. In
KDD ’05: Proceedings of the eleventh ACM SIGKDD international conference
on Knowledge discovery in data mining (New York, NY, USA, 2005), ACM,
pp. 354–363.
TÀI LIỆU THAM KHẢO 58
[62] Yue, Y., Finley, T., Radlinski, F., and Joachims, T. A support vector
method for optimizing average precision. In ACM Conference on Research and
Development in Information Retrieval (SIGIR) (2007), pp. 271–278.
[63] Zaragoza, H., and Robertson, S. The probabilistic relevance model: Bm25
and beyond, 2007.
[64] Zaragoza, H., Rode, H., Mika, P., Atserias, J., Ciaramita, M., and
Attardi, G. Ranking very many typed entities on wikipedia. In CIKM ’07:
Proceedings of the sixteenth ACM conference on Conference on information and
knowledge management (New York, NY, USA, 2007), ACM, pp. 1015–1018.
[65] Zeng, H.-J., He, Q.-C., Chen, Z., Ma, W.-Y., and Ma, J. Learning to
cluster web search results. In SIGIR ’04: Proceedings of the 27th annual inter-
national ACM SIGIR conference on Research and development in information
retrieval (New York, NY, USA, 2004), ACM, pp. 210–217.
[66] Zheng, Z., Chen, K., Sun, G., and Zha, H. A regression framework for
learning ranking functions using relative relevance judgments. In SIGIR ’07:
Proceedings of the 30th annual international ACM SIGIR conference on Re-
search and development in information retrieval (New York, NY, USA, 2007),
ACM, pp. 287–294.
[67] Zhu, D., and Dreher, H. Improving web search by categorization, cluster-
ing, and personalization. In ADMA ’08: Proceedings of the 4th international
conference on Advanced Data Mining and Applications (Berlin, Heidelberg,
2008), Springer-Verlag, pp. 659–666.
[68] Zhu, J., Song, D., and Ru¨ger, S. Integrating document features for entity
ranking. Focused Access to XML Documents: 6th International Workshop of
the Initiative for the Evaluation of XML Retrieval, INEX 2007 Dagstuhl Castle,
Germany, December 17-19, 2007. Selected Papers (2008), 336–347.
P h ụ l ụ c A
Dữ liệu
A.1 Dữ liệu tìm kiếm thuốc
Tập nhân các trang web để thu thập dữ liệu cho tìm kiếm thực thể thuốc:
1.
2.
3. pham/giathuoc/Index.htm
4. pham/Thuoc goc/Thuocgoc1.asp
5. pham/Phan loai thuoc/Phanloaithuoc.asp
6. pham/Thongbao/index.asp
7. pham/Danhmucthuoc/index.asp
8. Pham.html
59
PHỤ LỤC A. DỮ LIỆU 60
9.
10.
11.
12.
13.
14.
15.
A.2 Cây wiki
Cây phân mục được lấy từ vn.wikipedia.com
Nhãn Số tài liệu trong cụm
Cong nghe thong tin (36)
Internet (35)
Sinh hoa hoc (14)
Sinh hoc (61)
Sinh hoc phan tu (27)
Te bao hoc (23)
Tin sinh hoc (12)
Duoc pham (20)
Bảng A.1: Dữ liệu học: cụm mức 1
PHỤ LỤC A. DỮ LIỆU 61
Nhãn Số tài liệu trong cụm
Dai hoc (20)
Mon hoc (6)
Truong trung hoc (14)
Hoc vi (24)
Phuong phap giao duc (3)
Tu duy (8)
Bảng A.2: Dữ liệu học - cụm chủ đề giáo dục
Nhãn Số tài liệu trong cụm
lop thu (13)
ho trau bo (10)
dong vat thuan hoa (8)
dong vat nguyen sinh (5)
dong vat ky sinh (2)
bo se (31)
bo ca da tron (7)
Bảng A.3: Dữ liệu kiểm tra - cụm chủ đề động vật học
Nhãn Số tài liệu trong cụm
Cong nghe thong tin (778)
Internet (210)
Sinh hoa hoc (14)
Sinh hoc (1283)
Sinh hoc phan tu (27)
Te bao hoc (23)
Tin sinh hoc (12)
Duoc khoa (25)
Y hoc (13)
Vien thong (23)
Thuc vat hoc (6)
Khoa hoc suc khoe (4)
Dong vat hoc (339)
Giao duc (2457)
Bảng A.4: Dữ liệu wiki đầy đủ mức 1
Danh sách hình vẽ
2.1 Xếp hạng với SVM [34] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Xác định ngưỡng phân thứ hạng [20] . . . . . . . . . . . . . . . . . . . . 13
3.1 Đồ thị web với khung nhìn thực thể [18] . . . . . . . . . . . . . . . . . . 19
3.2 Mô hình tìm kiếm truyền thống và tìm kiếm thực thể [56] . . . . . . . . 19
3.3 Kiến trúc hệ thống[19] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Impression model [18] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Ví dụ rút trích thực thể thuốc . . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 So sánh độ chính xác MRR [18] . . . . . . . . . . . . . . . . . . . . . . . 29
3.7 Mô hình học xếp hạng trong máy tìm kiếm thực thể . . . . . . . . . . . 30
3.8 Ví dụ xác định trọng số cục bộ p(α(γ)) . . . . . . . . . . . . . . . . . . . 33
3.9 So sánh độ chính xác trung bình AP trên 5 query . . . . . . . . . . . . . 35
62
Danh sách bảng
3.1 Ví dụ kết quả trả về của truy vấn q . . . . . . . . . . . . . . . . . . . . . 18
3.2 So sánh MRR, MAP của BM25, Impression, LTR . . . . . . . . . . . . . 35
4.1 So sánh MRR, MTRR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2 So sánh Match@N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
A.1 Dữ liệu học: cụm mức 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
A.2 Dữ liệu học - cụm chủ đề giáo dục . . . . . . . . . . . . . . . . . . . . . 61
A.3 Dữ liệu kiểm tra - cụm chủ đề động vật học . . . . . . . . . . . . . . . . 61
A.4 Dữ liệu wiki đầy đủ mức 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 61
63
Các file đính kèm theo tài liệu này:
- MSc09_Nguyen_Thu_Trang.pdf