Chương 1: TỔNG QUAN 1. Phát biểu vấn đề 1. Động cơ nghiên cứu Ngày nay, vấn đề truy tìm thông tin trên Internet hay trong các Thư viện kỹ thuật số đã được các nhà nghiên cứu đặc biệt quan tâm. Dữ liệu trong thư viện số hay trên internet đang gia tăng rất nhanh.
Việc tìm kiếm những thông tin hữu ích và đúng yêu cầu ngày càng tăng và trở nên cấp thiết. Hiện nay, trong Thư viện kỹ thuật số hoặc Cơ sở dữ liệu khoa học số lượng ấn phẩm và số lượng tác giả tăng vọt, dữ liệu được lưu trữ có khả năng xảy ra một trong ba vấn đề sau: Thứ nhất: một tác giả duy nhất có thể xuất bản dưới nhiều tên khác nhau. Điều này có thể xảy ra do bốn vấn đề sau: do các tên tác giả hoặc tên đồng tác giả được viết tắt, do lỗi chính tả, do thay đổi tên sau khi kết hôn hoặc do việc sử dụng bút danh. Ví dụ, tác giả cuốn “Latent Dirichlet Allocation” xuất bản dưới tên “David Michel Blei” nhưng cũng tác giả đó xuất bản cuốn “Text Mining: Theory and Applications” dưới tên “Blei David Michel”.
Thứ hai: hai hay nhiều tác giả khác nhau có thể trùng tên. Trong thực tế, một tên có thể của nhiều người. Điển hình với tên “George” có thể đây là tên của tổng thống thứ 43 của Hoa kỳ “George Walker Bush”, hoặc đây có thể là tên của tổng thống thứ 41 của Hoa kỳ “George H. Bush”, nhưng đây cũng có thể là tên của tổng thống đầu tiên của Hoa kỳ “George Washington”, hoặc đây cũng có thể là tên của một nhà nghiên cứu chuyên nghiên cứu về các phương pháp phân tích dữ liệu và vấn đề phân cụm – “George Adam”.
Thứ ba: thông tin lưu trong cơ sở dữ liệu không đầy đủ. Ví dụ, mỗi bản ghi trong cơ sở dữ liệu thường gồm có những thuộc tính như tên tác giả, tên đồng tác giả, tiêu đề, năm xuất bản, số trang, khối lượng xuất bản, số lượng xuất bản. Tuy nhiên, có thể do nhân viên nhập liệu không nhập đầy đủ tất cả những thông tin này mà bỏ xót một số thuộc tính. Điển hình chỉ 1 nhập những thuộc tính bắt buộc như tên tác giả, tên đồng tác giả, tiêu đề, năm xuất bản mà không nhập những thông tin khác như khối lượng hay số lượng xuất bản, … Để giải quyết những vấn đề này và giúp cho người tìm kiếm xác định được tác giả nào đã viết tác phẩm nào và ngược lại.
Chúng tôi đã chọn đề tài “Phát triển hệ thống tự động gom cụm các xuất bản của cùng một tác giả”, ứng dụng cho cơ sở dữ liệu khoa học DBLP. Đây là chủ đề đã được nhiều nhà nghiên cứu quan tâm nhưng họ vẫn chưa giải quyết triệt để. Do đó, chúng tôi quyết định nghiên cứu chủ đề này để giải quyết những vấn đề đang gặp phải trong cơ sở dữ liệu khoa học hiện nay. Mục đích của luận văn Mục đích chính của luận văn là phát triển ứng dụng tự động gom cụm các xuất bản của cùng một tác giả ứng dụng cho cơ sở dữ liệu khoa học DBLP.
Để gom cụm đúng theo yêu cầu. Trước tiên, phải lựa chọn chính xác các thuộc tính theo yêu cầu để phân cụm trong cơ sở dữ liệu khoa học. Tiếp theo, phải tính toán độ tương tự giữa các thuộc tính. Và cuối cùng, gom các thuộc tính đã chọn vào thành một cụm sử dụng giải thuật phân cụm HAC.
Giải thuật này thuộc lĩnh vực học tập không giám sát trong học máy và thường được sử dụng để phân cụm trong những cơ sở dữ liệu lớn. Đối tượng của luận văn Khi người dùng có nhu cầu tìm kiếm những ấn phẩm hoặc những bài báo khoa học của một tác giả mà họ quan tâm trong cơ sở dữ liệu khoa học DBLP. Người dùng chỉ cần nhập vào một tên bất kỳ mà họ muốn tìm. Hệ thống sẽ tự động tính toán và tự động gom cụm những xuất bản của một tác giả nếu tác giả đó có trong hệ thống để giúp cho người dùng tìm kiếm thông tin dễ dàng.
Tuy nhiên, những tác giả cùng các tác phẩm trong cơ sở dữ liệu không được quản lý bằng một mã số duy nhất mà được lưu trữ dưới dạng một Bản ghi, nên việc tính toán và gom cụm sẽ không chính xác tuyệt đối mà chỉ hiển thị kết quả tương đối. Các công trình liên quan 1. CiteSeer Citeseer1 là một Công cụ tìm kiếm và là Thư viện kỹ thuật số để lưu trữ các sách, tạp chí, bài báo khoa học chủ yếu trong các lĩnh vực khoa học máy tính. Đây là hệ thống lập chỉ mục trích dẫn tự động đầu tiên.
Mục tiêu của CiteSeer là thu thập dữ liệu khoa học trên các trang web công cộng và sử dụng một chỉ số trích dẫn để cho phép người dùng dễ dàng tìm kiếm được các trích dẫn chính xác của một tác giả. Tuy nhiên, hệ thống này có một số hạn chế trong thiết kế kiến trúc nên đã được Tiến sĩ Isaac Councill và Tiến sĩ C. Lee Giles của trường cao đẳng Thông tin khoa học và Công nghệ, Đại học bang Pennsylvania phát triển lên thành hệ thống CiteseerX.org/wiki/CiteSeer 2 CiteseerX2 tiếp tục hỗ trợ các mục tiêu vạch ra bởi Citeseer và cho phép người dùng tìm kiếm tài liệu hoặc tìm kiếm các tác phẩm của một tác giả nào đó có trong hệ thống mà chỉ cần người dùng biết tên tác giả hoặc tên tác phẩm, hệ thống sẽ tự động gom cụm và hiển thị kết quả theo yêu cầu và còn hỗ trợ liên kết cho phép người dùng truy vấn thông tin họ muốn tìm kiếm trên các trang khác như Bing, Ask, CSB, Yahoo, Scholar, Libra. Hiện nay, nó còn cung cấp thêm một tính năng nữa đó là Bảng tìm kiếm, tính năng này cho phép người dùng biết được tài liệu họ muốn tìm kiếm nằm trong bảng nào.
Hiện tại, hệ thống này đã lưu trữ hơn 2 triệu tài liệu, gần 2 triệu tác giả và hơn 40 triệu trích dẫn. DBLP DBLP3 cũng là một hệ thống lưu trữ tài liệu về lĩnh vực khoa học máy tính của trường đại học Trier, Đức. Ban đầu nó là một hệ thống cơ sở dữ liệu và lập trình logic và đã tồn tại ít nhất từ những năm 1980. Hệ thống này chỉ lưu trữ những tài liệu đã được đăng trên các tạp chí khoa học quốc tế kèm theo những thông tin liên quan như thông tin về nhà xuất bản, thông tin về tạp chí, thông tin về hội nghị,…của bất kỳ nhà nghiên cứu của bất kỳ quốc gia nào.
Hiện nay, DBLP đã lập chỉ mục với hơn 2 triệu bài viết với gần 2 triệu tác giả và có nhiều liên kết tới trang chủ của các nhà khoa học máy tính. Trong DBLP3 dữ liệu được lưu trữ dưới dạng các Bản ghi, trong mỗi bản ghi gồm có các thuộc tính như loại bản ghi, tên tác giả, tên đồng tác giả, tiêu đề, số lượng xuất bản, nhà xuất bản, số trang, các siêu liên kết, … Hệ thống này cho phép người dùng tìm kiếm những xuất bản của một tác giả khi biết tên của tác giả. Người dùng chỉ cần nhập vào một tên hoặc một từ trong một tên họ quan tâm, hệ thống sẽ tự động gom cụm tất cả những tên tác giả có từ hoặc có tên tương tự với tên người dùng nhập vào và hiển thị kết quả cho người dùng lựa chọn. Và mỗi tên tác giả hiển thị sẽ được gom những xuất bản của tác giả đó một cách tự động và được sắp xếp giảm dần theo năm.
Hệ thống này còn hỗ trợ người dùng tìm kiếm tác phẩm của tác giả người dùng muốn tìm trên các trang lưu trữ dữ liệu hoặc trang tìm kiếm khác như CiteSeerX, Google Scholar, pobzone.org, Bip TeX. ACM Portal ACM Portal4 là một dịch vụ trực tuyến của hiệp hội Máy Móc Tính Toán. Nó gồm có hai thành phần chính đó là Thư viện kỹ thuật số ACM và trang Trích dẫn trực tuyến của tài liệu về ngành khoa học máy tính. Trong đó, Thư viên kỹ thuật số ACM là một nguồn tài nguyên trực truyến rất hữu ích cho những người quan tâm đến ngành khoa học máy tính và chúng còn phục vụ cho các thành viên của hiệp hội hay những nhà nghiên cứu máy tính có được các ấn phẩm, các bài báo khoa học.
Còn Trang trích dẫn trực tuyến dùng để cung cấp các quyền truy cập đến một ngân hàng trích dẫn khoảng lồ mà các trích dẫn này có thể có hoặc không có trong ACM.edu/index 3 http://en.org/wiki/DBLP 4 http://en.org/wiki/ACM_Portal 3 Thư viện kỹ thuật số ACM là kho lưu trữ các trích dẫn và các văn bản đầy đủ của các tạp chí, bản tin và hội nghị ACM, hoặc các tài liệu của các nhà xuất bản khác mà ACM đã thỏa thuận và hợp tác. Thành viên của thư viện kỹ thuật số ACM có thể truy cập vào trang www.com, đây là trang dịch vụ đánh giá trực tuyến hàng đầu cho sách và bài viết trên tất cả các lĩnh vực của khoa học máy tính. Thư viện kỹ thuật số này còn lưu trữ tất cả các văn bản của hội nghị, các ấn phẩm khoa học được xuất bản trước những năm 1950, hơn 50 000 thư mục trích dẫn và hơn 1 000 trang văn bản. Còn trang Trích dẫn trực tuyến thì cung cấp các quyền truy cập đến một ngân hàng khổng lồ với hơn 750.000 thư mục trích dẫn không có trong thư viện ACM.
Bao gồm các tạp chí, sách, bài báo và luận án của các công trình khoa học máy tính. Trang trích dẫn này khác với thư viện kỹ thuật số ở chỗ: Thư viện kỹ thuật số là kho lưu trữ văn bản đầy đủ của những giấy tờ được xuất bản bởi ACM, trong khi trang trích dẫn là một bộ sưu tập các trích dẫn và những bản tóm tắt của các công trình được xuất bản bởi ACM hoặc các nhà xuất bản khác mà có thỏa thuận hoặc hợp tác với ACM. Phạm vi và nội dung nghiên cứu của luận văn Phân cụm dữ liệu là một đề tài rất thực tế đã được nhiều nhà nghiên cứu quan tâm trong lĩnh vực khai phá dữ liệu và học máy. Trong khuôn khổ luận văn này, chúng tôi nghiên cứu vấn đề phân cụm dữ liệu để phát triển hệ thống tự động gom cụm những xuất bản của cùng một tác giả ứng dụng trong cơ sở dữ liệu khoa học DBLP.
Nội dung nghiên cứu của chúng tôi có thể được chia thành các nội dung sau: Tìm hiểu vấn đề lựa chọn những thuộc tính để phân cụm. Vấn đề này đã được nhiều nhà nghiên cứu quan tâm và đã được ứng dụng trong nhiều lĩnh vực.