Bài giảng Khai phá dữ liệu web - Chương 3+4 - Hà Quang Thụy

BÀI GIẢNG KHAI PHÁ DỮ LIỆU WEBCHƯƠNG 3. MỘT SỐ KIẾN THỨC TỐN HỌC BỔ TRỢCHƯƠNG 4. MỘT SỐ BÀI TỐN XỬ LÝ NGƠN NGỮ TỰ NHIÊN NỀN TẢNGPGS. TS. HÀ QUANG THỤYHÀ NỘI 10-2010TRƯỜNG ĐẠI HỌC CƠNG NGHỆĐẠI HỌC QUỐC GIA HÀ NỘI1Nội dungMột số kiến thức Tốn học bổ trợMột số bài tốn xử lý ngơn ngữ tự nhiên nền tảng2C3. Một số kiến thức Tốn học bổ trợTốn học InternetRa đời một lĩnh vực mới: Internet MathematicsCộng đồng Tốn học Internet: Internet Mathematics CommunityĐối tượng và các chủ đềĐối tượng: Mạng phức tạp trên Internet và Web: đồ thị Web, đồ thị Internet, mạng xã hội trực tuyến (Facebook, LinkedIn, và Twitter), mạng sinh học trên WebCác chủ đề thuộc khai phá và mơ hình hĩa web (cơ sở lý thuyết và ứng dụng thực tiễn) trong mơi trường mạng phức tạp.Tạp chí Internet Mathematics (2/2011 - xem trang sau)Đồng Trưởng ban biên tập:Fan Chung Graham ( DBLP: 137 bài báoAnthony Bonato ( DBLP: 35 bài báoCơng bố bài báo chất lượng cao về mạng phức3Tạp chí Internet Mathematics4Ban biên tập tạp chí: Bổ sung một số chuyên giaJennifer Tour Chayes  “She is the co-author of over 100 scientific papers and the co-inventor of more than 25 patents”Rick Durrett  . Andrew Tomkins  DBLP: 88 bài báoMột số biên tập viên được lưu ýRonald L. Graham ( DBLP:116 bài báo. Nhiều giải thưởngFrank Kelly ( )Một số nội dung Tốn học bổ trợMơ hình đồ thịMột số kiến thức cơ sởĐồ thị ngẫu nhiênMạng xã hộiHọc máy xác suất BayesMột số kiến thức cơ sởHọc máy xác suất BayesƯớc lượng giá trị tham sốThuật tốn ViterbiLý thuyết quyết định hỗn hợpNội dung thuật tốn5Đồ thị Web và đồ thị ngẫu nhiênĐồ thị WebWeb cĩ cấu trúc đồ thịĐồ thị Web: nút  trang Web, liên kết ngồi  cung (cĩ hướng, vơ hướng).Bản thân trang Web cũng cĩ tính cấu trúc cây (đồ thị)Một vài bài tốn đồ thị WebBiểu diễn nội dung, cấu trúcTính hạng các đối tượng trong đồ thị Web: tính hạng trang, tính hạng cung..Nghiên cứu về đồ thị Web (xem trang sau)Đồ thị ngẫu nhiênTính ngẫu nhiên trong khai phá WebWWW cĩ tính ngẫu nhiên: mới, chỉnh sửa, loại bỏHoạt động con người trên Web cũng cĩ tính ngẫu nhiên Là nội dung nghiên cứu thời sự 6Bibliography Webgraph Papers Dragomir R. Radev, 03/4/2010So many webgraph research papers.Some previous versions of “Bibliography Webgraph Papers” by Dragomir R. Radev1601: àn bộ200720082009To 04/102007-10154212761361323775/20055/20075/20081/20098/20094/201011/2010496121213611457147115421601Lý thuyết về đồ thị lớnĐồ thị lớnSố đỉnh lên tới hàng tỷBiểu diễn cung chính xác khơng cịn là quan trọngCơ sở lý thuyết trong nghiên cứu đồ thị lớnKhả năng là lý thuyết sinh đồ thịBất biến tới một số thay đổi nhỏ trong định nghĩaPhải cĩ năng lưc chứng minh các định lý cơ bản[Hop07] John E. Hopcroft (2007). Future Directions in Computer Science, Đồ thị ngẫu nhiên: Mơ hình Erdưs-RenyiĐồ thị ngẫu nhiên: cĩ thể mơ hình mạng thế giới thực.Định nghĩa: cĩ hai định nghĩaChọn ngẫu nhiên: Gn, N được chọn ngẫu nhiên từ n, N = {mọi đồ thị cĩ n đỉnh và N cung}’ các phần tử trong n, N là đồng khả năng được chọn với xác suất 1/((n 2)/N);Quá trình hình thành các cung trong Gn, N là ngẫu nhiên: mỗi cạnh xuất hiện với xác suất p, sự xuất hiện hay vắng mặt hai cạnh là độp lập nhau.[ER61] P. Erdưs, A. Rényi (1961). On the evolution of random graphs, Théorie de L'Information: 343-347, 1961.9Đồ thị ngẫu nhiên: Mơ hình Erdưs-RenyiĐặt tên: Paul Erdős và Alfréd RényiLà một trong hai mơ hình sinh các đồ thị ngẫu nhiênChứa tập các nút mà mỗi nút trong mỗi tập đĩ cĩ xác suất như nhau, độc lập với các cung khácn nút: Mỗi bộ n2 cung tiềm năng được biểu diễn với xác xuất độc lậpNnpn (1-p)N-nĐộ nútPhân bố độ nhị thứcSố lượngcác nút10[Hop07] John E. Hopcroft (2007). Future Directions in Computer Science, Đồ thị ngẫu nhiên11Mơ hình sinh đồ thịCác nút và cung được bổ sung sau mỗi đơn vị thời gianQuy tắc xác định nơi cung xuất hiện (nơi đặt cung mới)Xác suất đồng nhấtĐính kèm ưu đãi – đưa đến phân bố theo luật số lớn[Hop07] John E. Hopcroft (2007). Future Directions in Computer Science, ạng xã hộiMạng xã hộiInternet, Web là một xã hội ảoNhiều hoạt động (đặc biệt là hoạt động thơng tin) trong thế giới thực được thi hành“Thế giới phẳng”, “tồn cầu hĩa” và “bản địa hĩa”Khái niệmMạng xã hội là mạng của một nhĩm người cĩ hoạt động và các mối quan hệ gắn kết họ với nhau.Mạng xã hội là một kiểu của mạng phức tạpMột số ví dụ mạng xã hội trên InternetDiễn đàn, Blog, Mạng e-mail, mạng xã hội chuyên đềMột số ví dụ khác (trang bên)Nghiên cứu mạng xã hộiVấn đề nghiên cứu thời sự.Kết hợp nhiều lĩnh vực, chẳng hạn như CNTT + Xã hội học 13Mạng xã hội: ví dụ14 Networks: Properties	The small-world propertyAlmost any pair of people in the world can be connected together by a short chain of intermediate acquaintances, usually about six lengths.[TM69] Jeffrey Travers, Stanley Milgram (1969). An Experimental Study of the Small World Problem, Sociometry, 32(4): 425-443, Dec., 1969.Power-law degree distributions / the scale – free propertySocial network’s nodes (also edges) are distributed under the power-law degreeNetwork transitivityStructure and dynamics of the network influenced by nodes with the large number of connectings (using to detect communities in a social network!)Community structureNetworks are divided into communities in which the nodes in the same community closed links, and links communities liquidA community in social networks as an “interest group” in the real world.  as meaning of “nhĩm lợi ích” in Vietnamese. See also “Advocacy group”, “Lobby group”. 5P&5C marketing model: People  Customer approach (Product  Consumer desire;Price  Cost; Place  Convenience; Promotion  Communication)Flexible community structure: one community structure for one case.15Social Networks: Properties	16Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. E-mail Networks	17Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. E-mail Networks	18Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. E-mail Networks	19Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. E-mail Networks	20Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. E-mail Networks	21Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. E-mail Networks	22Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. E-mail Networks	23Lan N. Bui, Anh Q. Tran, Thuy Q. Ha (2006). User authentic Rating based on Email Networks, ICMOCCA2006: 144-148, Seoul, Korea & International Journal of Natural Sciences and Technology, 1(2): 173-180, 2006. Mạng XH và cộng đồng [For10] Câu lạc bộ karate của Zachary (được quan sát trong 3 năm), một kiểm chứng chuẩn cho phát hiện cộng đồng. Các màu sắc tương ứng với phân hoạch tốt nhất tìm được bằng cách tối ưu các mơ đun của Newman và Girvan. 	Đồ thị gồm 34 đỉnh thành viên của câu lạc bộ. Cạnh nối các cá nhân cĩ tương tác bên ngồi các hoạt động của câu lạc bộ. Theo quan sát, cĩ xung đột giữa chủ tịch câu lạc bộ và người hướng dẫn dẫn đến sự phân hoạch câu lạc bộ thành hai nhĩm riêng biệt, tương ứng ủng hộ người hướng dẫn và chủ tịch (chỉ dẫn hình vuơng và hình trịn). Câu hỏi đặt ra là liệu từ cấu trúc mạng ban đầu cĩ thể suy luận các thành phần của hai nhĩm. Nhìn vào hình, cĩ thể phân biệt hai tập hợp, một tập quanh các đỉnh 33 và 34 (34 là chủ tịch), tập cịn lại quanh đỉnh 1 (người hướng dẫn).Cũng cĩ một số đỉnh nằm giữa hai cấu trúc chính, chẳng hạn như 3, 9, 10; đỉnh như vậy thường khơng phân loại được theo phương thức phát hiện cộng đồng.	[For10] Santo Fortunato (2010), Community detection in graphs, Technical Report, Complex Networks and Systems Lagrange Laboratory, ISI Foundation, Torino, ITALY.24Mạng XH và cộng đồng [For10] Mạng hợp tác giữa mạng các nhà khoa học làm việc tại học viện Santa Fe (SFI). Các màu chỉ dẫn cộng đồng ở mức độ cao thu được theo thuật tốn của Girvan và Newman (mục VA) và tương ứng khá chặt chẽ với các đơn vị nghiên cứu của học viện. Phân chia nhỏ hơn tương ứng với các nhĩm nghiên cứu nhỏ hơn, xoay quanh các lãnh đạo dự án.	Đồ thị hiện cĩ 118 đỉnh (các nhà khoa học đại diện cho cư dân tại SFI và cộng tác viên của họ). Các cạnh nối các nhà khoa học đã cùng cơng bố ít nhất một bài báo. Trực quan cho phép phân biệt được các nhĩm chuyên ngành. Trong mạng này, khi quan sát nhiều nhĩm, là tác giả của một bài báo thì tất cả cùng liên kết với nhau. Cĩ chỉ một số ít các kết nối giữa hầu hết các nhĩm. 	[For10] Santo Fortunato (2010), Community detection in graphs, Technical Report, Complex Networks and Systems Lagrange Laboratory, ISI Foundation, Torino, ITALY.25Mạng XH và cộng đồng [For10] Mạng Lusseau các cá heo mũi to. Những màu nhãn cộng đồng được xác định qua tối ưu hĩa một phiên bản mơ đun của Newman và Girvan, theo đề xuất của Arenas và cộng sự. Phân hoạch phù hợp với các lớp sinh học của cá heo được Lusseau đề xuất.Hiện cĩ 62 cá heo, các cạnh nối các cá heo được nhìn thấy thường xuyên hơn so với dự kiến. Tập cá heo bị tách thành hai nhĩm sau khi cá heo một trái nơi dành cho một số thời gian (hình vuơng và hình trịn trong Hình vẽ). Các nhĩm như vậy là khá cố kết, với một vài cụm (clique) nội bộ, và dễ dàng định danh: chỉ cĩ sáu cạnh nối các đỉnh của nhĩm khác nhau.Do mạng này phân lớp tự nhiên cá heo Lusseau, cũng như câu lạc bộ karate của Zachary, thường được dùng để kiểm tra thực nghiệm thuật tốn phát hiện cộng đồng	[For10] Santo Fortunato (2010), Community detection in graphs, Technical Report, Complex Networks and Systems Lagrange Laboratory, ISI Foundation, Torino, ITALY.26Mạng XH và cộng đồng: tương tác protein - protein [For10]	[For10] Santo Fortunato (2010), Community detection in graphs, Technical Report, Complex Networks and Systems Lagrange Laboratory, ISI Foundation, Torino, ITALY.27Học máy xác suất BayesMột số kiến thức cơ sở về lý thuyết xác suấtKhơng gian đo đượcKhơng gian xác suấtSigma – trườngHệ thống độngQuá trình ngẫu nhiên thời gian rời rạcKỳ vọngEntropyTrong tài liệuNhắc thêm về học máy xác suất28Học máy xác suất BayesMơ hình tần sốTiến hành thử nghiệm lặp đi lặp lạiTỷ số xuất hiện trên tồn bộ số lần thửMơ hình xác suấtXác suất cĩ điều kiện: sự kiện e với tri thức nền  là P(e|)Tri thức nền là sự xuất hiện của tài liệu (trái) hoặc sự xuất hiện của tài liệu mới.Xác suất tiên nghiệm và xác suất hậu nghiệm.29Ước lượng giá trị tham sốHai bài tốnLựa chon mơ hình hay dạng hàm: Dựa trên tri thức miền đã cĩMỗi mơ hình/hàm cĩ bộ tham số tương ứngCần xác định bộ tham số nàyXác định tham sốThường theo ước lượngƯớc lượng tham số mơ hìnhƯớc lượng tham số cho trường hợp cụ thể30Thuật tốn ViterbiThuật tốn ViterbiMơ hình máy trạng thái hữu hạnxác định tham số mơ hình phù hợp tập ví dụ họcLý thuyết quyết định hỗn hợpBài tốn giải mãĐã cĩ mơ hình máy trạng thái hữu hạnTìm dãy trạng thái phù hợp nhất với trường hợp cụ thể Nội dung thuật tốnXem trong giáo trình31C4. Một số bài tốn xử lý tiếng ViệtLĩnh vực xử lý ngơn ngữ tự nhiênXử lý ngơn ngữ tự nhiên (tự động hĩa)Ra đời khoảng nhứng năm 1950Ngày càng phát triểnPhân loạiXử lýCơ bảnỨng dụngTài nguyênCơ bảnMức cao32Bài tốn tách câuĐây là bài tốn khá đơn giảnKhái niệmChuỗi ký tự kết thúc bằng dấu chấm, chấm hỏi, chấm thanVẫn cĩ trường hợp ngoại lệ (khoảng 10%)Các dấu trên khơng kết thúc câu (trong nháy kép)Một số dấu khác kết thúc câuMột số trường hợpDựa theo kinh nghiệmMơ hình ME (Le Hong Phuong & Ho Tuong Vinh)Xem giáo trình33Bài tốn tách từĐây là bài tốn rất cơ bản, luơn thời sựTừ vẫn phát triển bổ sung, thay đổiNgăn cách hiển, nhập nhằng, mờ“Ơng già đi nhanh quá” | “Học sinh học sinh học” Khái niệmCho một câu hãy xác định các từ trong câu“Phù hợp ngữ cảnh”Một số phương phápKhớp tơi đaMáy trạng thái hữu hạn cĩ trọng số (WSFT)Trường ngẫu nhiên cĩ điều kiệnXem giáo trình34Phát hiện quan hệ ngữ nghĩaLà bài tốn cơ bảnQuan hệ ngữ nghĩa giữa các đối tượng ngữ phápMột số quan hệ ngữ nghĩa: theo cách tiếp cận Khái niệmCho một tập các văn bảnTìm ra các đối tượng ngữ pháp và các quan hệ giữa chúngMột số phương phápDIPRESNOWBALLXem giáo trình35Phương pháp Snowball36Eugene Agichtein, Luis Gravano (2000). Snowball: extracting relations from large plain-text collections, ACM DL 2000: 85-94Phát hiện quan hệ ngữ nghĩa37Các mức: Hình vị, Cú pháp, Ngữ nghĩa, Diễn ngơn, Phát ngơn (?), Tri thứcRoxana Girju (2008). Semantic Relations:Discovery and ApplicationsQuan hệ ngữ nghĩa: Ngơn ngữ học38Roxana Girju (2008). Semantic Relations:Discovery and ApplicationsQuan hệ ngữ nghĩa: XLNNTN39Roxana Girju (2008). Semantic Relations:Discovery and ApplicationsQuan hệ ngữ nghĩa: XLNNTN40Roxana Girju (2008). Semantic Relations:Discovery and ApplicationsPhát hiện quan hệ ngữ nghĩa41Vu Tran, Vinh Nguyen, Uyen Pham, Oanh Tran and Quang Thuy Ha (2009). An Experimental Study of Vietnamese Question Answering System, International Conference on Asian Language Processing (IALP 2009): 152-155, Dec 7-9, 2009, Singapore,  Một số cơng cụ nguồn mởChuyển từ trang Web sang văn bảnBộ phân tích HTML ( Tác giả: Jose SolorzanoMột số cơng cụ tinh chế cho tiếng Việt (html2text.php, text2telex.php  Tác giả: Nguyễn Việt CườngMột số bộ cơng cụ xử lýNhĩm KPLD phát triển (PXHiếu, NCTú, NTTrang)Bộ cơng cụ xử lý Text trên Java: JtextPro ( và JwebPro  Phần mềm phân đoạn từ tiếng Việt: JvnSegmenter (ản phầm tài nguyên và cơng cụ của Đề tài “Nghiên cứu phát triển một số sản phẩm thiết yếu về xử lý tiếng nĩi và văn bản tiếng Việt“ mã số KC.01.01/06-10 do PGS, TS. Lương Chi Mai chủ trì.ột số tiện ích liên quan:  và  42SP7.3Vietnamese tree bankSP7.4E-V corpora of aligned sentencesSP3English-Vietnamesetranslation systemSP8.2 Vietnamese word SegmentationSP8.3 Vietnamese POS taggerSP8.4 Vietnamese chunkerSP8.5Vietnamese syntax analyserSP7.2Viet dictionary SP1Apllicationoriented systems based on Vietnamese speechrecognition & synthesisSP8.1 Speech analysis toolsSP6.1Corpora for speech recognitionSP6.2Corpora forspeech synthesisSP6.3Corpora forspecific wordsProject target productsChủ trì đề tài KC.01.01/06-10: Prof. Luong Chi Mai (IOIT), Prof. Ho Tu Bao (JAIST, IOIT)