MỞ ĐẦU Trong vài thập niên gần đây, cùng với sự thay đổi và phát triển không ngừng của ngành công nghệ thông tin nói chung và trong các ngành công nghệ phần cứng, phần mềm, truyền thông và hệ thống các dữ liệu phục vụ trong các lĩnh vực kinh tế - xã hội nói riêng. Việc thu thập thông tin cũng như nhu cầu lưu trữ thông tin càng ngày càng lớn. Bên cạnh đó việc tin học hoá một cách ồ ạt và nhanh chóng các hoạt động sản xuất, kinh doanh cũng như nhiều lĩnh vực hoạt động khác đã tạo ra cho chúng ta một lượng dữ liệu lưu trữ khổng lồ. Hàng triệu Cơ sở dữ liệu đã được sử dụng trong các hoạt động sản xuất, kinh doanh, quản lý., trong đó có nhiều Cơ sở dữ liệu cực lớn cỡ Gigabyte, thậm chí là Terabyte.
Sự bùng nổ này đã dẫn tới một yêu cầu cấp thiết là cần có những kĩ thuật và công cụ mới để tự động chuyển đổi lượng dữ liệu khổng lồ kia thành các tri thức có ích. Từ đó, các kĩ thuật Khai phá dữ liệu đã trở thành một lĩnh vực thời sự của nền Công nghệ thông tin thế giới hiện nay. Một vấn đề được đặt ra là phải làm sao trích chọn được những thông tin có ý nghĩa từ tập dữ liệu lớn để từ đó có thể giải quyết được các yêu cầu của thực tế như trợ giúp ra quyết định, dự đoán,… và Khai phá dữ liệu (Data mining) đã ra đời nhằm giải quyết các yêu cầu đó. Khai phá dữ liệu được định nghĩa là: Quá trình trích xuất các thông tin có giá trị tiềm ẩn bên trong lượng lớn dữ liệu được lưu trữ trong các Cơ sở dữ liệu, kho dữ liệu….
Hiện nay, ngoài thuật ngữ khai phá dữ liệu, người ta còn dùng một số thuật ngữ khác có ý nghĩa tương tự như: Khai phá tri thức từ Cơ sở dữ liệu (knowlegde mining from databases), trích lọc dữ liệu (knowlegde extraction), phân tích dữ liệu/mẫu (data/pattern analysis), khảo cổ dữ liệu (data archaeology), nạo vét dữ liệu (data dredging). Nhiều người coi khai phá dữ liệu và một thuật ngữ thông dụng khác là khám phá tri thức trong Cơ sở dữ 2 liệu(Knowlegde Discovery in Databases – KDD) là như nhau. Tuy nhiên trên thực tế, khai phá dữ liệu chỉ là một bước thiết yếu trong quá trình Khám phá tri thức trong Cơ sở dữ liệu. Ngay từ những ngày đầu khi xuất hiện, Data mining đã trở thành một trong những xu hướng nghiên cứu phổ biến trong lĩnh vực học máy tính và công nghệ tri thức.
Nhiều thành tựu nghiên cứu của Data mining đã được áp dụng trong thực tế. Data mining có nhiều hướng quan trọng và một trong các hướng đó là phân cụm dữ liệu (Data Clustering ). Phân cụm dữ liệu là quá trình tìm kiếm để phân ra các cụm dữ liệu, các mẫu dữ liệu từ tập Cơ sở dữ liệu lớn. Phân cụm dữ liệu là một phương pháp học không giám sát.
Trong những năm trở lại đây, do phương pháp phân cụm dữ liệu không giám sát còn một số hạn chế vì vậy dựa trên học không giám sát và học có giám sát đã ra đời một phương pháp phân cụm dữ liệu mới đó là phương pháp phân cụm dữ liệu nửa giám sát. Phương pháp phân cụm nửa giám sát không phải là một phương pháp phân cụm hoàn thiện nhưng nó đã phần nào khắc phục được những hạn chế và phát huy ưu điểm của phương pháp phân cụm không giám sát. Khái niệm về học máy và bài toán phân cụm dữ liệu Học máy (Machine Learning) là một nhánh nghiên cứu của Trí tuệ nhân tạo nhằm xây dựng các thuật toán thực hiện trên hệ thống máy tính có thể học được qua các dữ liệu mẫu thống kê có sẵn. Trí tuệ nhân tạo (artificial intelligence) gồm rất nhiều lĩnh vực nghiên cứu [1].1 minh họa các hướng nghiên cứu trong lĩnh vực trí tuệ nhân tạo.
Chúng ta có thể kể đến học máy, học sâu, nhận dạng đối tượng, các hệ thống tự động, xử lý ngôn ngữ tự nhiên, trợ lý ảo,… Trí tuệ nhân tạo là một trong ba trụ cột của cuộc cách mạng công nghiệp 4.0 cùng với dữ liệu lớn (Big Data) và Internet vận vật. Các hướng nghiên cứu của Trí tuệ nhân tạo [1] Trên thực tế có 4 dạng học cơ bản bao gồm: - Học có giám sát: Máy tính được học một số mẫu gồm đầu vào (Input) và đầu ra (Output) tương ứng trước. Sau khi học xong các mẫu này, máy tính 4 quan sát một đầu vào mới và tính toán, suy diễn ra kết quả tương ứng cho đầu vào đó. Đối với loại học này sẽ có hai pha là pha huấn luyện (training) và pha kiểm thử (testing).
- Học không giám sát: Máy tính chỉ được xem các mẫu thu thập được không có nhãn tương ứng, sau đó máy tính phải tự tìm cách phân loại các mẫu này (clustering – phân cụm) hoặc tìm ra mối quan hệ giữa các mẫu (association rule – luật kết hợp), các điểm dị thường của tập mẫu (outlier), giảm số chiều của tập mẫu (PCA),… - Học nửa giám sát: Một dạng lai giữa hai nhóm học trên. Trong trường hợp này hệ thống sẽ được cung cấp một lượng nhỏ các mẫu và tùy từng mục tiêu bài toán chúng ta phát triển các phương pháp phân lớp nửa giám sát (semi-supervised classification) hoặc phân cụm nửa giám sát (semi- supervised clustering). - Học tăng cường: Máy tính đưa ra quyết định hành động (action) và nhận kết quả phản hồi (response/reward) từ môi trường (environment). Sau đó máy tính tìm cách chỉnh sửa cách ra quyết định hành động của mình.
Ngoài ra trong khoảng 10 năm trở lại đây nghiên cứu về học sâu hay học đa lớp (Deep learning) đã được quan tâm rất nhiều. Học sâu bản chất là dựa trên mạng Nơ ron nhiều lớp. Dựa vào sự phát triển rất mạnh mẽ của công nghệ và các hệ thống tính toán đã đáp ứng được với khối lượng phép tính khổng lồ của các hệ thống học sâu. Tuy nhiên chất lượng của học sâu đã chứng minh là tốt hơn hẳn các phương pháp học khác cho một số bài toán như nhận dạng đối tượng trên ảnh, xử lý ngôn ngữ tự nhiên,… Học sâu cũng được ứng dụng cho bài toán trích chọn đặc trưng, một dạng bài toán học không giám sát.
Các lĩnh vực liên quan với học máy Hình 1.2 trình bày các lĩnh vực liên quan đến học máy, chúng ta thấy để nghiên cứu vấn đề học máy cần có có kiến thức về lĩnh vực như xác suất, đại số tuyến tính, tối ưu hóa, lý thuyết học thống kê,… Học máy có ứng dụng rộng khắp các ngành khoa học/ sản xuất, đặc biệt là đối với những ngành cần phân tích khối lượng dữ liệu khổng lồ. Một số ứng dụng phổ biến của học máy là: - Xử lý ngôn ngữ tự nhiên (Natural Language Processing): Xử lý văn bản, giao tiếp người – máy, … - Nhận dạng (Pattern Recognition): Nhận dạng tiếng nói, chữ viết tay, vân tay, thị giác máy (Computer Vision) … - Tìm kiếm (Search Engine) - Chẩn đoán trong y tế: Phân tích ảnh X-quang, các hệ chuyên gia chẩn đoán tự động. 6 - Tin sinh học: Phân loại chuỗi gene, quá trình hình thành gene/protein. - Vật lý: Phân tích ảnh thiên văn, tác động giữa các hạt … - Phát hiện gian lận tài chính (financial fraud): Gian lận thẻ tín dụng.
- Phân tích thị trường chứng khoán (stock market analysis) - Chơi trò chơi: Tự động chơi cờ, hành động của các nhân vật ảo,. Robot là tổng hợp của rất nhiều ngành khoa học, trong đó học máy tạo nên hệ thần kinh/ bộ não của người máy. Nội dung nghiên cứu của luận văn Với các khái niệm như đã trình bày, học máy là một lĩnh vực có nhiều vấn đề cần nghiên cứu cũng như rất nhiều các ứng dụng thực tế. Trong luận văn của mình tác giả mong muốn tìm hiểu và nghiên cứu các vấn đề sau đây: - Nghiên cứu và tìm hiểu các thuật toán phân cụm dữ liệu cơ bản.
- Nghiên cứu và nắm bắt một số thuật toán phân cụm nửa giám sát bao gồm thuật toán phân cụm nửa giám sát K-Means, thuật toán SSDBSCAN, và thuật toán phân cụm nửa giám sát dựa trên đồ thị SSGC. - Lập trình ứng dụng cho bài toán phân cụm dữ liệu web server logs – dữ liệu ghi các truy xuất của khách hàng đến các website. Bài toán phân cụm dữ liệu người sử dụng web có ý nghĩa rất quan trọng trong việc xác định các nhóm người sử dụng có cùng sở thích, có cùng xu hướng truy cập thông tin giúp cho các nhà quản lý bố trí các nội dung trên web cho tối ưu; chẳng hạn như các trang thương mại điện tử hiện nay thì việc phân tích dữ liệu khách hàng khi truy cập vào website là không thể bỏ qua. Các bài toán khai phá dữ liệu trên web (web mining) [2] Các bài toán khai phá dữ liệu trên web gồm khai phá nội dung web, khai phá dữ liệu người dùng web và khai phá dữ liệu cấu trúc web (xem hình 1.
Với các vấn đề này chúng ta có thể sử dụng các công cụ học máy như phân cụm, phân lớp, phương pháp luật kết hợp. Bài toán khai phá nội dung web (web content mining) nhằm mục đích khai phá các dữ liệu từ các trang web. Dữ liệu thường là văn bản, video,… Hiện nay số lượng website là rất lớn vấn đề đặt ra là phân loại, trích chọn thông tin, tìm các thông tin quý là một nhu cầu rất thiết yếu. Bài toán khai phá dữ liệu cấu trúc website (web structure mining) nhằm mục đích tìm các mối liên hệ giữa các cấu trúc website.
Các loại dữ liệu này thường biểu diễn dưới dạng đồ thị. Và bài toán khai phá dữ liệu đồ thị là một trong những lớp bài toán được quan tâm rất nhiều trong nghiên cứu và ứng dụng. Bài toán khai phá dữ liệu người dùng web (web usage mining) nhằm mục đích tìm ra các mẫu, các quy luật của người dùng từ các vết truy nhập 8 website của người sử dụng. Quá trình truy nhập website của người dùng sẽ được ghi lại trên máy chủ và gọi là web server logs.
Các thông tin cơ bản được lưu trữ lại như địa chỉ IP, thời gian truy nhập, tên đường liên kết của website,… Trong luận văn của mình tôi chọn nghiên cứu tìm hiểu bài toán phân cụm cho dữ liệu người dùng website. Cấu trúc của các dữ liệu web server logs như sau: TT Nội dung web server logs 2006-02-01 00:08:43 1.4 - GET /classes/cs589/papers.6 - GET /classes/cs480/announce.1;+SV1) http://maya.edu/~classes/cs480/ 2006-02-02 19:34:45 3.6 - GET/classes/cs480/header.1;+SV1) http://maya.edu/~classes/cs480/announce.
