Bài giảng Khai phá dữ liệu web - Chương 2: Khai phá sử dụng web và khai phá cấu trúc web - Hà Quang Thụy

BÀI GiẢNG KHAI PHÁ DỮ LIỆU WEBCHƯƠNG 2. KHAI PHÁ SỬ DỤNG WEBVÀ KHAI PHÁ CẤU TRÚC WEBPGS. TS. HÀ QUANG THỤYHÀ NỘI 10-2010TRƯỜNG ĐẠI HỌC CÔNG NGHỆĐẠI HỌC QUỐC GIA HÀ NỘI1Nội dungKhai phá sử dụng WebKhai phá cấu trúc web21. Khai phá sử dụng WebGiới thiệu chungPhân tích mẫu truy nhập WebMang tính thói quen có tính cộng đồng Khai phá mẫu truy nhập theo luật kết hợpKhai phá xu hướng sử dụngCá nhân hóaCác hệ tư vấn31.a. Giới thiệu chungNguồn dữ liệuCác logfile (máy chủ, máy khách, máy trung gian)CSDL khách hàngMô hình dữ liệuThực thể: người sử dụng, khung nhìn trang web, file trang Web, trình duyệt, phục vụ web, phục vụ nội dung, phiên người sử dụng, phiên phục vụ, dãy các sự kiện liên quan (episode).Tiền xử lý dữ liệuLoại: cấu trúc, nội dungBài toán: xử lý văn bản, rút gọn đặc trưng, mô hình dữ liệu.Phát hiện mẫuMẫu quan hệ: thống kê, luật kết hợp, luật chuỗi, phân cụm, phân lớp, mô hình phụ thuộcĐại chúng và cá nhân hóa41.a. Một quy trình khai phá sử dụng WebQuá trình khai phá sử dụng Web [Coo00]Input: Dữ liệu sử dụng Web Output: Các luật, mẫu, thống kê hấp dẫnCác bước chủ yếu:Tiền xử lý dữ liệuKhám phá mẫuPhân tích mẫu5Sơ đồ ghi dữ liệu vào logfileThông tin truy nhập người dùngServer tổ chức ghi nhận vào logfileHỗ trợ quản lý điều hànhTài nguyên Khai phá dữ liệu, nâng cao hiệu năng hệ thống6 server log152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET  HTTP/1.1" 200152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /gps.html HTTP/1.1" 200152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /jobs/ HTTP/1.1" 200 Page contentsMột dòng ví dụ trong weblog7152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /jobs/ HTTP/1.1" 200 15140 "" "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322)“152.152.98.11 	Địa chỉ của hotname- -	Tên và login của người dùng từ xa: thường là “-”[16/Nov/2005:16:32:50 -0500] 	Ngày và giờ truy nhập. 	Giờ GMT: (+|-)HH00 US UST: -500 "GET /jobs/ HTTP/1.1" 	Phương thức lấy thông tin, URL liên quan 	tới tên miền; giao thứcTrạng thái 200 – OK (hầu hết, đạt đươc) | 206 – truy nhập bộ phận – chuyển hướng vĩnh viến (truy nhập tới/ tiến trình định hướng lại /tiến trình/ )| 302 – định hướng tạm thời| 304 – không thay đổi | 404 – không thấy|15140	Dung lượng tải về máy khách | “-” nếu trạng thái 304"" URL của người thăm (ở đây là từ Google)"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322)“	đại lý của người dùngMột ví dụ về log files8Một phần query log của AOL (trên) và Cấu trúc log của Google (dưới) 1.b. Phân tích mẫu truy nhậpPhân tích mẫu từ logfileTìm tập mục phổ biến, dãy phổ biến, cây con phổ biếnPhân tích mẫu phổ biến tìm được[IV06]	Renáta Iváncsy, István Vajk (2006). Frequent Pattern Mining in Web Log Data, Acta Polytechnica Hungarica, 3(1):77-90.91.b. Ví dụ về mẫu phổ biến sử dụng Web10[IV06]	Renáta Iváncsy, István Vajk (2006). Frequent Pattern Mining in Web Log Data, Acta Polytechnica Hungarica, 3(1):77-90, 2006111.b. Ví dụ về mẫu kết hợp Một số ví dụ về “luật kết hợp” (associate rule)“98% khách hàng mà mua tạp chí thể thao thì đều mua các tạp chí về ôtô”  sự kết hợp giữa “tạp chí thể thao” với “tạp chí về ôtô”“60% khách hàng mà mua bia tại siêu thị thì đều mua bỉm trẻ em”  sự kết hợp giữa “bia” với “bỉm trẻ em”“Có tới 70% người truy nhập Web vào địa chỉ Url1 thì cũng vào địa chỉ Url2 trong một phiên truy nhập web”  sự kết hợp giữa “Url 1” với “Url 2”. Khai phá dữ liệu sử dụng Web (lấy dữ liệu từ file log của các site, chẳng hạn được MS cung cấp). Các Url có gắn với nhãn “lớp” là các đặc trưng thì có luật kết hợp liên quan giữa các lớp Url này. Khái niệm cơ sở về luật kết hợp12Khai phá luật kết hợp: Cơ sởCơ sở dữ liệu giao dịch (transaction database)Tập toàn bộ các mục I = {i1, i2, , ik}: “tất cả các mặt hàng”.Giao dịch: danh sách các mặt hàng (mục: item) trong một phiếu mua hàng của khách hàng. Giao dịch T là một tập mục.Một giao dịch T là một tập con của I: T  I. Mỗi giao dịch T có một định danh là TID.A là một tập mục A  I và T là một giao dịch: Gọi T chứa A nếu A  T.13Khai phá luật kết hợp: cơ sởLuật kết hợpGọi A  B là một “luật kết hợp” nếu A  I, B  I và AB=.Luật kết hợp A  B có độ hỗ trợ (support) s trong CSDL giao dịch D nếu trong D có s% các giao dịch T chứa AB: chính là xác suất P(AB). 	Tập mục A có P(A)  s>0 (với s cho trước) được gọi là tập phổ biến (frequent set). Luật kết hợp A  B có độ tin cậy (confidence) c trong CSDL D nếu như trong D có c% các giao dịch T chứa A thì cũng chứa B: chính là xác suất P(B|A).Support (A  B) 	 = P(AB)	: 1  s (A  B)  0Confidence (A  B) = P(B|A)	: 1  c (A  B)  0Luật A  B được gọi là đảm bảo độ hỗ trợ s trong D nếu s(A  B)  s. Luật AB được gọi là đảm bảo độ tin cậy c trong D nếu c(A  B)  c. Tập mạnh.14Ví dụ: Mẫu phổ biến và luật kết hợpHãy trình bày các nhận xét về khái niệm luật kết hợp với khái niệm phụ thuộc hàm.Các tính chất Armstrong ở đây.Giả sử min_support = 50%, min_conf = 50%:A  C (50%, 66.7%)C  A (50%, 100%)Customerbuys diaperCustomerbuys bothCustomerbuys beerTransaction-idItems bought10A, B, C20A, C30A, D40B, E, FTập mục I={i1, , ik}. CSDL giao dịch D = {d  I}A, B  I, AB=: A B là luật kết hợpBài toán tìm luật kết hợp.	Cho trước độ hỗ trợ tối thiểu s>0, độ tin cậy tối thiếu c>0. Hãy tìm mọi luật kết hợp mạnh XY.15Một ví dụ tìm luật kết hợpFor rule A  C:support = support({A}{C}) = 50%confidence = support({A}{C})/support({A}) = 66.6%Min. support 50%Min. confidence 50%Transaction-idItems bought10A, B, C20A, C30A, D40B, E, FFrequent patternSupport{A}75%{B}50%{C}50%{A, C}50%16Khai niệm khai phá kết hợp17Khai phá luật kết hợpKhai phá luật kết hợp:Tìm tất cả mẫu phổ biến, kết hợp, tương quan, hoặc cấu trú nhan-quả trong tập các mục hoặc đối tượng trong CSDL quan hệ hoặc các kho chứa thông tin khác.Mẫu phổ biến (Frequent pattern): là mẫu (tập mục, dãy mục) mà xuất hiện phổ biến trong 1 CSDL [AIS93]Động lực: tìm mẫu chính quy (regularities pattern) trong DLCác mặt hàng nào được mua cùng nhau? — Bia và bỉm (diapers)?!Mặt hàng nào sẽ được mua sau khi mua một PC ?Kiểu DNA nào nhạy cảm với thuộc mới này?Có khả năng tự động phân lớp Web hay không ?18Mẫu phổ biến và khai phá luật kết hợp là một bài toán bản chất của khai phá DLNền tảng của nhiều bài toán KPDL bản chấtKết hợp, tương quan, nhân quảMẫu tuần tự, kết hợp thời gian hoặc vòng, chu kỳ bộ phận, kết hợp không gian và đa phương tiệnPhân lớp kết hợp, phân tích cụm, khối tảng băng, tích tụ (nén dữ liệu ngữ nghĩa)Ứng dụng rộng rãiPhân tích DL bóng rổ, tiếp thị chéo (cross-marketing), thiết kế catalog, phân tích chiến dịch bán hàngPhân tích Web log (click stream), Phân tích chuỗi DNA v.v.19Apriori: Một tiếp cận sinh ứng viên và kiểm traKhái quát: Khai phá luật kết hợp gồm hai bước:Tìm mọi tập mục phổ biến: theo min-supSinh luật mạnh từ tập mục phổ biếnMọi tập con của tập mục phổ biến cũng là tập mục phổ biếnNếu {bia, bỉm, hạnh nhân} là phổ biến thì {bia, bỉm} cũng vậy: Mọi giao dịch chứa {bia, bỉm, hạnh nhân} cũng chứa {bia, bỉm}.Nguyên lý tỉa Apriori: Với mọi tập mục không phổ biến thì mọi tập bao không cần phải sinh ra/kiểm tra!Phương pháp: Sinh các tập mục ứng viên dài (k+1) từ các tập mục phổ biến có độ dài k (Độ dài tập mục là số phần tử của nó), Kiểm tra các tập ứng viên theo CSDLCác nghiên cứu hiệu năng chứng tỏ tính hiệu quả và khả năng mở rộng của thuật toánAgrawal & Srikant 1994, Mannila, và cộng sự 199420Thuật toán AprioriTrên cơ sở tính chất (nguyên lý tỉa) Apriori, thuật toán hoạt động theo quy tắc quy hoạch động Từ các tập Fi = {ci| ci tập phổ biến, |ci| = i} gồm mọi tập mục phổ biến có độ dài i với 1  i  k, đi tìm tập Fk+1 gồm mọi tập mục phổ biến có độ dài k+1.Trong thuật toán: các tên mục i1, i2,  in (n = |I|) được sắp xếp theo một thứ tự cố định: thường được đánh chỉ số 1, 2, ..., n. 21Thuật toán Apriori22Thuật toán: Thủ tục con Apriori-gen Trong mỗi bước k, thuật toán Apriori đều phải duyệt CSDL D.Khởi động, duyệt D để có được F1. Các bước k sau đó, duyệt D để tính số lượng giao dịch t thoả từng ứng viên c của Ck+1: mỗi giao dịch t chỉ xem xét một lần cho mọi ứng viên c thuộc Ck+1.Thủ tục con Apriori-gen sinh tập phổ biến: tư tưởng06 September 2021Data Mining: Concepts and Techniques23Thủ tục con Apriori-gen 24Một ví dụ thuật toán Apriori (s=0.5)Database TDB1st scanC1L1L2C2C22nd scanC3L33rd scanTidItems10A, C, D20B, C, E30A, B, C, E40B, EItemsetsup{A}2{B}3{C}3{D}1{E}3Itemsetsup{A}2{B}3{C}3{E}3Itemset{A, B}{A, C}{A, E}{B, C}{B, E}{C, E}Itemsetsup{A, B}1{A, C}2{A, E}1{B, C}2{B, E}3{C, E}2Itemsetsup{A, C}2{B, C}2{B, E}3{C, E}2Itemset{B, C, E}Itemsetsup{B, C, E}225Chi tiết quan trọng của AprioriCách thức sinh các ứng viên:Bước 1: Tự kết nối LkStep 2: Cắt tỉaCách thức đếm hỗ trợ cho mỗi ứng viên.Ví dụ thủ tục con sinh ứng viênL3={abc, abd, acd, ace, bcd}Tự kết nối: L3*L3abcd từ abc 	và abdacde từ acd 	và aceTỉa:acde là bỏ đi vì ade không thuộc L3C4={abcd}26Ví dụ: D, min_sup*|D| = 2 (C4 = )27Sinh luật kết hợpViệc sinh luật kết hợp gồm hai bướcVới mỗi tập phổ biến W tìm được hãy sinh ra mọi tập con thực sự X khác rỗng của nó.Với mỗi tập phố biến W và tập con X khác rỗng thực sự của nó: sinh luật X  (W – X) nếu P(W-X|X)  c.Như ví dụ đã nêu có L3 = {{I1, I2, I3}, {I1, I2, I5}}Với độ tin cậy tối thiểu 70%, xét tập mục phổ biến {I1, I2, I5} có 3 luật như dưới đây: Duyệt CSDL ?	1.b. Luật kết hợp và luật dãy sử dụng Web Các loại mẫu điển hình: xu hướng chung của mọi ngườiLuật kết hợpLuật dãyCây con phổ biến281.c. Nghiên cứu về luật kết hợp29Thống kê từ Google Scholar về số bài viết:Với cụm từ “Association Rule”: Ở tiêu đề: 2.060 bài (khoảng) 	 	 	1.000 bài (2006 – nay)Ở mọi nơi: 27.400 bài (khoảng)Với cụm từ “Apriori Algorithm”: Ở tiêu đề: 350 bài (khoảng) 	219 bài (2006 – nay) Ở mọi nơi: 8.820 bài (khoảng)Với cụm từ “Sequential Pattern”: Ở tiêu đề: 590 bài (khoảng) 	270 bài (2006 – nay) Ở mọi nơi: 15.700 bài (khoảng)1.c. Khai phá xu hướng cá nhânGiới thiệu“Cá nhân hóa”: Thông tin cá nhân và tư vấn cá nhân hóaThông tin cá nhân: CSDL quản lý; Máy kháchNgữ cảnh làm việc của cá nhânMột số hình thứcKhai phá xu hướng cá nhân từ thông tin máy kháchHệ tư vấnHệ tư vấnRecommendation SystemsLọc cộng tác, lọc nội dung, lọc kết hợp Hội thảo dành riêng: các năm 2007, 2009, 2010 301.c. Sinh tư vấn dựa theo tiểu sử người dùng31[RK07] 	Tarmo Robal, Ahto Kalja (2007). Applying User Profile Ontology for Mining Web Site Adaptation Recommendations, ADBIS Research Communications 20071.c. Khai phá sử dụng WebHệ thống khai phá sử dụng Web tư vấn hướng cá nhânKiến trúc hệ thống (trên)và sinh ontology sử dụng Web (dưới)Baoyao Zhou, Siu Cheung Hui, Alvis C. M. Fong (2005). Web Usage Mining for Semantic Web Personalization, Workshop on Personalization on the Semantic Web, 66–72, Edinburgh, UK, 2005.321.c. Hệ thống tư vấn: lọc nội dung33Lấy nội dung thuộc tính các sản phẩm người dùng đã ưa thích để dự đoán sản phẩm ưa thích tiếp theo1.c. Hệ thống tư vấn: lọc cộng tác34Quan hệ người dùng – sản phẩm: nhóm người dùng “tương tự nhau” và khi có một người dùng trong “thích” thì các người khác cũng “thích” tương tự1.c. Hệ thống tư vấn: lọc cộng tác351.c. Hệ thống tư vấn: lọc cộng tác36Jinhua Sun, Yanqi Xie (2009). A Web Data Mining Framework for E-commerce Recommender Systems, Computational Intelligence and Software Engineering, 2009. CiSE 2009.Nghiên cứu về khai khá sử dụng WebThống kê từ Google Scholar về số bài viết:Với cụm từ “Web Usage Mining”: Ở tiêu đề: 860 bài (khoảng) 	 	 	280 bài (2006 – nay)Ở mọi nơi: 171.000 bài (khoảng)Với cụm từ “Web Log Mining”: Ở tiêu đề: 340 bài (khoảng) 	140 bài (2006 – nay) Ở mọi nơi: 137.000 bài (khoảng)Với cụm từ “Recommendation System”: Ở tiêu đề: 1.750 bài (khoảng) 	750 bài (2006 – nay) Ở mọi nơi: 1.760.000 bài (khoảng)372. Khai phá cấu trúc WebHai bài toán điển hìnhKhai phá liên kết WebKhai phá cấu trúc trang WebKhai phá liên kết WebMỗi trang Web là một đỉnhLiên kết các trang Web hình thành các cungĐồ thị có hướng hoặc vô hướngWeb phản ánh xã hội: đồ thị Web là một loại mạng xã hộiHạng trang Web, một bài toán điển hình: tính “độ quan trọng” của một trang Web (một nút trên đồ thị Web)Khai phá liên kết Web: Phân lớp trang web dựa theo liên kết, Phân tích cụm dựa theo liên kết, Kiểu liên kết; Độ mạnh liên kết; 382. Khai phá liên kết WebPhân lớp Web dựa theo liên kếtKhai thác thông tin liên kết cho phân lớp WebPhân cụm Web dựa theo liên kếtTìm ra sự xuất hiện tự nhiên các lớp con: dữ liệu là liên kếtPhân tích kiểu liên kếtDự báo về sự tồn tại của liên kếtDự báo mục đích của liên kết Phân tích độ mạnh liên kếtĐộ mạnh của cung và đỉnh (hạng trang)Phân tích số lượng liên kếtDự báo số lượng liên kết giữa các đối tượngMiguel Gomes da Costa Júnior, Zhiguo Gong (2006). Web Structure Mining: An Introduction, the 2005 IEEE International Conference on Information Acquisition: 590-595392. Khai phá cấu trúc trang WebCấu trúc trang WebTrang Web được viết theo ngôn ngữ trình bày Web: chẳng hạn HTML, XMLTrang web được tổ chức dưới dạng hình câyCấu trúc trình bày nội dung trang webPhân tích cấu trúc trang WebTìm các mẫu cấu trúc trang WebKết hợp với khai phá nội dung Web402. Khai phá cấu trúc trang báo điện tử41Davi de Castro Reis, Paulo B. Golgher, Altigran S. da Silva, Alberto H. F. Laender (2004). Automatic Web News Extraction Using Tree Edit Distance, Proceedings of the Thirteenth International World Wide Web Conference: 502-601, ACM Press, New York, NY, May 2004, ISBN 1581139128 2. Khai phá cấu trúc trang báo điện tử42Davi de Castro Reis, Paulo B. Golgher, Altigran S. da Silva, Alberto H. F. Laender (2004). Automatic Web News Extraction Using Tree Edit Distance, Proceedings of the Thirteenth International World Wide Web Conference: 502-601, ACM Press, New York, NY, May 2004, ISBN 1581139128 2. Áp dụng: báo điện tử Việt Nam432. Áp dụng: báo điện tử Việt Nam44Vũ Ngọc Anh (2006). Kênh tin tức điện tử cho PDAs & Smartp, Luận văn Thạc sỹ, Trường ĐHCN-ĐHQGHN2. Áp dụng: báo điện tử Việt Nam ; Thứ sáu, 08 Tháng mười hai 2006, 02:31 GMT+7 “4. Vienews - kênh báo điện tử trên thiết bị điện thoại di động thông minh (Vũ Ngọc Anh, Hà Duyên Hòa - Hà Nội): Sản phẩm hỗ trợ thiết bị di động cầm tay đọc báo điện tử qua môi trường Internet không dây”. ; 7:58, 02/01/20077.  Giải Ba: Sản phẩm đoạt giải: “Các kênh báo điện tử trên thiết bị điện thoại di động thông minh” của Hà Duyên Hoá (Hà Nội).45