Đồ án Khai phá dữ liệu từ website việc làm - Nguyễn Ngọc Châu

Nội dung text: Đồ án Khai phá dữ liệu từ website việc làm - Nguyễn Ngọc Châu

1. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm LỜI CẢM ƠN Em xin chân thành cảm ơn các thầy giáo, cô giáo trong ngành Công nghệ thông tin – Đại Học Dân Lập Hải Phòng, đã tận tâm giảng dạy các kiến thức trong 4 năm học qua cũng với sự động viên từ gia đình và bạn bè và sự chố gắng hết sức của bản thân. Đặc biệt em xin bày tỏ sự biết ơn sâu sắc đến thầy giáo Tiến sĩ Phùng Văn Ổn, ngƣời đã tận tình hƣớng dẫn, động viên em thực hiện đồ án này. Rất mong sự đóng góp ý kiến từ tất cả thầy cô, bạn bè đồng nghiệp để đồ án có thể phát triển và hoàn thiện hơn đồ án này. Hải phòng, tháng 7 năm 2010 Ngƣời thực hiện Nguyễn Ngọc Châu 1
2. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm MỤC LỤC LỜI CẢM ƠN 1 MỞ ĐẦU 4 Chƣơng 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ PHÁT HIỆN TRI THỨC 5 I. Tổng quan về khai phá dữ liệu 5 1. Tổ chức và khai thác cơ sở dữ liệu truyền thống 5 2. Tổng quan về kỹ thuật phát hiện tri thức và khai phá dữ liệu (KDD – Knowledge Discovery and Data Mining) 6 II. Ứng dụng luật kết hợp vào khai phá dữ liệu 10 1. Lý thuyết luật kết hợp 10 2. Các đặc trƣng của luật kết hợp 19 3. Một số giải thuật cơ bản khai phá các tập phổ biến 22 4. Phát sinh luật từ các tập phổ biến 43 5. Đánh giá, nhận xét 46 Chƣơng 2: MÔ HÌNH TÌM KIẾM THÔNG TIN 47 1. Tìm kiếm thông tin 47 2. Mô hình Search engine 48 2.1 Search engine 48 2.2 Agents 49 3. Hoạt động của các Search engine 49 3.1 Hoạt động của các robot 50 3.2 Duyệt theo chiều rộng 50 3.3 Duyệt theo chiều sâu 51 3.4 Độ sâu giới hạn 52 3.5 Vấn đề tắc nghẽn đƣờng chuyền 52 3.6 Hạn chế của các robot 53 3.7 Phân tích các liên kết trong trang web 53 3.8 Nhận dạng mã tiếng việt 53 Chƣơng 3: ỨNG DỤNG THỬ NGHIỆM KHAI PHÁ DỮ LIỆU TÍCH HỢP TỪ CÁC WEBSITE TUYỂN DỤNG 55 1. Bài toán: 55 1.1 Phát biểu bài toán: 55 2
3. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm 1.2 Một số website tìm việc làm nổi tiểng của việt nam: 55 1.3 Thiết kế cơ sở dữ liệu: 58 1.4 Đặc tả dữ liệu: 61 1.5 Minh họa chƣơng trình 67 1.6 Phân tích đánh giá 69 1.7 Hƣớng phát triển 69 KẾT LUẬN 70 TÀI LIỆU THAM KHẢO 71 3
4. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm MỞ ĐẦU Trong những năm gần đây, việc nắm bắt đƣợc thông tin đƣợc coi là cơ sở của mọi hoạt động sản xuất, kinh doanh. Các nhân hoặc tổ chức nào thu thập và hiểu đƣợc thông tin, và hành động dựa trên các thông tin đƣợc kết xuất từ các thông tin đã có sẽ đạt đƣợc thành công trong mọi hoạt động. Sự tăng trƣởng vƣợt bậc của các cơ sở dữ liệu (CSDL) trong cuộc sống nhƣ: thƣơng mại, quản lý đã làm nảy sinh và thúc đẩy sự phát triển của kỹ thuật thu thập, lƣu trữ, phân tích và khai phá dữ liệu không chỉ bằng các phép toán đơn giản thông thƣờng nhƣ: phép đếm, thống kê mà đòi hỏi một cách xử lý thông minh hơn, hiệu quả hơn. Các kỹ thuật cho phép ta khai thác đƣợc tri thức hữu dụng từ CSDL (lớn) đƣợc gọi là các kỹ thuật Khai phá dữ liệu (datamining). Đồ án nghiên cứu về những khái niệm cơ bản về khai phá dữ liệu, luật kết hợp và ứng dụng thuật toán khai phá luật kết hợp trong CSDL lớn. Cấu trúc của đồ án đƣợc trình bày nhƣ sau: CHƢƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ PHÁT HIỆN TRI THỨC Trình bày kiến thức tổng quan về khai thác và xử lý thông tin. Khái niệm về luật kết hợp và các phƣơng pháp khai phá luật kết hợp Trình bày về thuật toán Apriori và một số thuật toán khai phá luật kết hợp CHƢƠNG 2: MÔ HÌNH TÌM KIẾM THÔNG TIN Trình bày các thành phân cơ bản của một search engine Trình bày nguyên lý hoạt động của search engine và một số giải thuật tìm kiếm của search engine CHƢƠNG 3: ỨNG DỤNG, THỬ NGHIỆM KHAI PHÁ DỮ LIỆU VIỆC LÀM TÍCH HỢP TỪ CÁC WEBSITE TUYỂN DỤNG Nội dung của chƣơng là áp dụng kỹ thuật khai phá dữ liệu vào bài toán tìm xu hƣớng chọn ngành nghề của các ứng viên và tuyển dụng của của các doanh nghiệp. Cuối cùng là kết luận lại những kết quả đạt đƣợc của đề tài và hƣớng phát triển tƣơng lai. 4
5. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Chương 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ PHÁT HIỆN TRI THỨC I. Tổng quan về khai phá dữ liệu 1. Tổ chức và khai thác cơ sở dữ liệu truyền thống Việc dùng các phƣơng tiện tin học để tổ chức và khai thác cơ sở dữ liệu (CSDL ) đã đƣợc phát hiện từ những năm 60 của thế kỷ trƣớc. Từ đó cho đến nay, rất nhiều CSDL đã đƣợc tổ chức, phát triển và khai thác ở mọi quy mô và các lĩnh vực hoạt động của con ngƣời và xã hội. Theo nhƣ đánh giá cho thấy, lƣợng thông tin trên thế giới cứ sau 20 tháng lại tăng lên gấp đôi. Kích thƣớc và số lƣợng CSDL thậm chí còn tăng nhanh hơn. Với sự phát triển của công nghệ điện tử, sự phát triển mạnh mẽ của công nghệ phần cứng tạo ra các bộ nhớ có dung lƣợng lớn, bộ xử lý có tốc độ cao cùng với sự phát triển của các hệ thống viễn thông, ngƣời ta đã và đang xây dựng các hệ thống thông tin nhằm tự động hoá mọi hoạt động của con ngƣời. Điều này đã tạo ra một dòng dữ liệu tăng lên không ngừng vì ngay cả những hoạt động đơn giản nhƣ gọi điện thoại, tra cứu sách trong thƣ viện, đều đƣợc thực hiện thông qua máy tính. Cho đến nay, số lƣợng CSDL đã trở nên khổng lồ bao gồm các CSDL cực lớn cỡ gigabytes và thậm chí terabytes lƣu trữ các dữ liệu kinh doanh ví dụ nhƣ dữ liệu thông tin khác hàng , dữ liệu bán hàng, dữ liệu các tài khoản, Nhiều hệ quản trị CSDL mạnh với các công cụ phong phú và thuận tiện đã giúp con ngƣời khai thác có hiệu quả nguồn tài nguyên dữ liệu. Mô hình CSDL quan hệ và ngôn ngữ vấn đáp chuẩn (SQL) đã có vai trò hết sức quan trọng trong việc tổ chức và khai thác CSDL. Cho đến nay, không một tổ chức nào sử dụng tin học trong công việc mà không sử dụng các hệ quản trị CSDL và các hệ công cụ báo cáo, ngôn ngữ hỏi đáp nhằm khai thác CSDL phục vụ cho các hoạt động tác nghiệp của mình. Cùng với việc tăng không ngừng khối lƣợng dữ liệu, các hệ thống thông tin cũng đƣợc chuyên môn hoá, phân chia theo lĩnh vực ứng dụng nhƣ sản xuất, tài chính, hoạt động kinh doanh, Nhƣ vậy bên cạnh chức năng khai thác dữ liệu có tính chất tác nghiệp, sự thành công trong công việc không còn là năng suất của các hệ thống thông tin nữa mà là tính linh hoạt và sẵn sàng đáp lại những yêu cầu trong thực tế, CSDL cần đem lại những “tri thức” hơn là chính những dữ liệu trong đó. Các quyết định cần phải có càng nhanh càng tốt và phải chính xác dựa trên những dữ liệu sẵn có trong khi khối lƣợng dữ liệu cứ sau 20 tháng lại tăng gấp đôi làm ảnh hƣởng đến thời gian ra quyết định cũng nhƣ khả năng hiểu hết đƣợc nội dung dữ liệu. Lúc này, các mô hình CSDL truyền thống và ngôn ngữ SQL đã cho thấy không có khả năng thực hiện công việc này. Để lấy thông tin có tính “tri thức” trong khối dữ liệu khổng lồ này, ngƣời ta đã tìm ra 5
6. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm những kỹ thuật có khả năng hợp nhất các dữ liệu từ các hệ thống giao dịch khác nhau, chuyển đổi thành một tập hợp các CSDL ổn định, có chất lƣợng đƣợc sử dụng chỉ cho riêng một vài mục đích nào đó. Các kỹ thuật đó gọi chung là kỹ thuật tạo kho dữ liệu (data warehousing) và môi trƣờng các dữ liệu có đƣợc gọi là các kho dữ liệu (data warehouse). Nhƣng chỉ có kho dữ liệu thôi chƣa đủ để có tri thức. Các kho dữ liệu đƣợc sử dụng theo một số cách nhƣ: Theo cách khai thác truyền thống: tức là kho dữ liệu đƣợc sử dụng để khai thác các thông tin bằng các công cụ truy vấn và báo cáo. Các kho dữ liệu đƣợc sử dụng để hỗ trợ cho phân tích trực tuyến (OLAP- OnLine Analytical Processing): Việc phân tích trực tuyến có khả năng phân tích dữ liệu, xác định xem giả thuyết đúng hay sai. Tuy nhiên, phân tích trực tuyến lại không có khả năng đƣa ra các giả thuyết. Công nghệ khai phá dữ liệu (data mining) ra đời đáp ứng những đòi hỏi trong khoa học cũng nhƣ trong hoạt động thực tiễn. Đây chính là một ứng dụng chính của kho dữ liệu. 2. Tổng quan về kỹ thuật phát hiện tri thức và khai phá dữ liệu (KDD – Knowledge Discovery and Data Mining) 2.1 Phát hiện tri thức và khai phá dữ liệu là gì? Nếu cho rằng các điện tử và các sóng điện tử chính là bản chất của công nghệ điện tử truyền thống thì dữ liệu, thông tin và tri thức hiện đang là tiêu điểm của một lĩnh vực mới trong nghiên cứu và ứng dụng về phát hiện tri thức (Knowledge Discovery) và khai phá dữ liệu (Data Mining). Thông thƣờng chúng ta coi dữ liệu nhƣ một dãy các bit, hoặc các số và các ký hiệu, hoặc các “đối tƣợng” với một ý nghĩa nào đó khi đƣợc gửi cho một chƣơng trình dƣới một dạng nhất định. Chúng ta sử dụng các bit để đo lƣờng các thông tin và xem nó nhƣ là các dữ liệu đã đƣợc lọc bỏ các dƣ thừa, đƣợc rút gọn tới mức tối thiểu để đặc trƣng một cách cơ bản cho dữ liệu. Chúng ta có thể xem tri thức nhƣ là các thông tin tích hợp, bao gồm các sự kiện và các mối quan hệ giữa chúng. Các mối quan hệ này có thể đƣợc hiểu ra, có thể đƣợc phát hiện, hoặc có thể đƣợc học. Nói cách khác, tri thức có thể đƣợc coi là dữ liệu có độ trừu tƣợng và tổ chức cao. Phát hiện tri thức trong các cơ sở dữ liệu là một qui trình nhận biết các mẫu hoặc các mô hình trong dữ liệu với các tính năng: hợp thức, mới, khả ích, và có thể hiểu đƣợc. Còn khai thác dữ liệu là một bƣớc trong qui trình phát hiện tri thức gồm có các thuật toán khai thác dữ liệu chuyên dùng dƣới một số qui định 6
7. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm về hiệu quả tính toán chấp nhận đƣợc để tìm ra các mẫu hoặc các mô hình trong dữ liệu. Nói một cách khác, mục đích của phát hiện tri thức và khai phá dữ liệu chính là tìm ra các mẫu và/hoặc các mô hình đang tồn tại trong các cơ sở dữ liệu nhƣng vẫn còn bị che khuất bởi hàng núi dữ liệu. Định nghĩa: “KDD là quá trình không tầm thƣờng nhận ra những mẫu có giá trị, mới, hữu ích tiềm năng và hiểu đƣợc trong dữ liệu”. Còn các nhà thống kê thì xem Khai phá dữ liệu nhƣ là một qui trình phân tích đƣợc thiết kế để thăm dò một lƣợng cực lớn các dữ liệu nhằm phát hiện ra các mẫu thích hợp và/hoặc các mối quan hệ mang tính hệ thống giữa các biến và sau đó sẽ hợp thức hoá các kết quả tìm đƣọc bằng cách áp dụng các mẫu đã phát hiện đƣợc cho các tập con mới của dữ liệu. Qui trình này bao gồm ba giai đoạn cơ bản: thăm dò, xây dựng mô hình hoặc định nghĩa mẫu, hợp thức/kiểm chứng. 2.2 Quy trình phát hiện tri thức Qui trình phát hiện tri thức đƣợc mô tả tóm tắt trên Hình 1: Hình 1: quá trình phát hiện tri thức Bƣớc thứ nhất: Hình thành, xác định và định nghĩa bài toán. Là tìm hiểu lĩnh vực ứng dụng từ đó hình thành bài toán, xác định các nhiệm vụ cần phải hoàn thành. Bƣớc này sẽ quyết định cho việc rút ra đƣợc các tri thức hữu ích và cho phép chọn các phƣơng pháp khai phá dữ liệu thích hợp với mục đích ứng dụng và bản chất của dữ liệu. Bƣớc thứ hai: Thu thập và tiền xử lý dữ liệu. Là thu thập và xử lý thô, còn đƣợc gọi là tiền xử lý dữ liệu nhằm loại bỏ nhiễu, xử lý việc thiếu dữ liệu, biến đổi dữ liệu và rút gọn dữ liệu nếu cần thiết, bƣớc này thƣờng chiếm nhiều thời gian nhất trong toàn bộ qui trình phát hiện tri thức. 7
8. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Bƣớc thứ ba: Khai phá dữ liệu, rút ra các tri thức. Là khai phá dữ liệu, hay nói cách khác là trích ra các mẫu và/hoặc các mô hình ẩn dƣới các dữ liệu. Giai đoạn này rất quan trọng, bao gồm các công đoạn nhƣ: chức năng, nhiệm vụ và mục đích của khai phá dữ liệu, dùng phƣơng pháp khai phá nào? Bƣớc thứ tƣ: Sử dụng các tri thức phát hiện đƣợc. Là hiểu tri thức đã tìm đƣợc, đặc biệt là làm sáng tỏ các mô tả và dự đoán. Các bƣớc trên có thể lặp đi lặp lại một số lần, kết quả thu đƣợc có thể đƣợc lấy trung bình trên tất cả các lần thực hiện. Tóm lại: KDD là một quá trình chiết xuất ra tri thức từ kho dữ liệu mà trong đó khai phá dữ liệu là công đoạn quan trọng nhất. 2.3 Các phương pháp khai phá dữ liệu KDD bao gồm hai yếu tố quan trọng không thể thiếu đƣợc là Dự đoán (Prediction) và Mô tả (Description) Dự đoán: Đòi hỏi sử dụng một vài biến hoặc trƣờng để dự đoán thông tin tiềm ẩn hoặc một giá trị tƣơng lai của một biến thuộc tính mà ta quan tâm đến. Mô tả: Tập trung là nổi bật lên mô hình kết quả mà con ngƣời có thể hiểu sâu về thông tin dữ liệu. Với hai đích chính đã nêu ở trên, ngƣời ta thƣờng sử dụng các phƣơng pháp sau cho khai phá dữ liệu: - Phân lớp, phân loại (Classification): Là việc học một hàm ánh xạ từ một mẫu dữ liệu vào một trong số các lớp đã đƣợc xác định trƣớc đó. - Hồi qui (Regression): Là việc học một hàm ánh xạ từ một mẫu dữ liệu thành một biến dự đoán có giá trị thực. - Phân nhóm (Clustering): Là việc mô tả chung để tìm ra các tập hay các nhóm, loại mô tả dữ liệu. Các nhóm có thể tách nhau hoặc phân cấp. - Tổng hợp (Summarization): Là công việc lên quan đến các phƣơng pháp tìm kiếm một mô tả tập con dữ liệu, thƣờng áp dụng trong việc phân tích dữ liệu có tính thăm dò và báo cáo tự động. - Mô hình ràng buộc (Dependency modeling): Là việc tìm kiếm một mô hình mô tả sự phụ thuộc giữa các biến, thuộc tính theo hai mức: phụ thuộc cục bộ vào cấu trúc của mô hình, phụ thuộc vào thƣớc đo, ƣớc lƣợng của một định lƣợng nào đó. 8
9. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm - Dò tìm biến đổi và độ lệch (Change and Deviation Dectection): Chú ý vào những thay đổi quan trọng trong dữ liệu từ các giá trị chuẩn hoặc đã đƣợc xác định trƣớc đó. - Biểu diễn mô hình (Model Representation): Là việc dùng một ngôn ngữ L_ Language nào đó để mô tả các mẫu mô hình có thể khai phá đƣợc. Mô tả mô hình rõ ràng thì học máy sẽ tạo ra mẫu có mô hình chính xác cho dữ liệu. Tuy nhiên, nếu mô hình quá lớn thì khả năng dự đoán của học máy sẽ bị hạn chế. Nhƣ thế sẽ làm cho việc tìm kiếm phức tạp hơn cũng nhƣ hiểu đƣợc mô hình là không đơn giản. - Kiểm định mô hình (Model Evaluation): Là việc đánh giá, ƣớc lƣợng các mô hình chi tiết, chuẩn trong quá trình xử lý và phát hiện tri thức với sự ƣớc lƣợng có dự báo chính xác hay không và có thoả mãn cơ sở logic hay không? Ƣớc lƣợng phải đƣợc đánh giá chéo (cross validation) với việc mô tả đặc điểm bao gồm dự báo chính xác, tính mới lạ, tính hữu ích, tính hiểu đƣợc phừ hợp với các mô hình. Hai phƣơng pháp logic và thống kê chuẩn có thể sử dụng trong mô hình kiểm định. - Phƣơng pháp tìm kiếm (Search Method):Gồm có hai thành phần: (1) – Trong bảng tham biến (phạm vi tìm kiếm tham số) thuật toán phải tìm kiếm các tham số tronng phạm vi các chuẩn của mô hình kiểm định rồi tối ƣu hoá và đƣa ra tiêu chí (quan sát) dữ liệu và biểu diễn mô hình đã định. (2) – Mô hình tìm kiếm, xuất hiện nhƣ một đƣờng vòng trên toàn bộ phƣơng pháp tìm kiếm, biểu diễn mô hình phải thay đổi sao cho các hệ mô hình phải thay đổi sao cho các hệ gia phả mô hình phải đƣợc thông qua. 2.4 Các lĩnh vực liên quan đến phát hiện tri thức và khai phá dữ liệu Phát hiện tri thức và khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực: thống kê, trí tuệ nhân tạo, cơ sở dữ liệu, thuật toán học, tính toán song song và tốc độ cao, thu thập tri thức cho các hệ chuyên gia, quan sát dữ liệu Đặc biệt phát hiện tri thức và khai phá dữ liệu rất gần gũi với lĩnh vực thống kê, sử dụng các phƣơng pháp thống kê để mô hình dữ liệu và phát hiện các mẫu, luật Ngân hàng dữ liệu (Data Warehousing) và các công cụ phân tích trực tuyến (OLAP) cũng liên quan rất chặt chẽ với phát hiện tri thức và khai phá dữ liệu. Khai phá dữ liệu có nhiều ứng dụng trong thực tế. Một số ứng dụng điển hình nhƣ: - Bảo hiểm, tài chính và thị trƣờng chứng khoán: Phân tích tình hình tài chính và dự báo giá của các loại cổ phiếu trong thị trƣờng chứng khoán. Danh mục vốn và giá, lãi suất, dữ liệu thẻ tín dụng, phát hiện gian lận, 9
10. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm - Phân tích dữ liệu và hỗ trợ ra quyết định. - Điều trị y học và chăm sóc y tế: Một số thông tin về chuẩn đoán bệnh lƣu trong các hệ thống quản lý bệnh viện. Phân tích mối liên hệ giữa các triệu chứng bệnh, chuẩn đoán và phƣơng pháp điều trị (chế độ dinh dƣỡng, thuốc, ) - Sản xuất và chế biến: Quy trình, phƣơng pháp chế biến và xử lý sự cố. - Text mining và Web mining: Phân lớp văn bản và các trang Web, tóm tắt văn bản, - Lĩnh vực khoa học: Quan sát thiên văn, dữ liệu gene, dữ liệu sinh vật học, tìm kiếm, so sánh các hệ gene và thông tin di truyền, mối liên hệ gene và một số bệnh di truyền, - Mạng viễn thông: Phân tích các cuộc gọi điện thoại và hệ thống giám sát lỗi, sự cố, chất lƣợng dịch vụ, II. Ứng dụng luật kết hợp vào khai phá dữ liệu Việc dự đoán các thông tin có giá trị cao dựa trên số lƣợng dữ liệu lớn về nghiệp vụ càng ngày càng trở lên quan trọng đối với nhiều tổ chức, doanh nghiệp. Chẳng hạn, những vấn đề các nhà quản lý và kinh doanh cần biết là các kiểu mẫu hành vi mua hàng của các khách hàng, xu hƣớng kinh doanh, vv Những thông tin này có thể học đƣợc từ những dữ liệu có sẵn. Một trong những vấn đề khó khăn nhất trong việc khai phá dữ liệu trong CSDL là có một số vô cùng lớn dữ liệu cần đƣợc xử lý. Các tổ chức doanh nghiệp quy mô vừa có thể có từ hàng hàng trăm Megabyte đến vài Gigabyte dữ liệu thu thập đƣợc. Các ứng dụng khai phá dữ liệu thƣờng thực hiện phân tích dữ liệu khá phức tạp, mất nhiều thời gian trong toàn bộ CSDL. Vì vậy, tìm một thuật toán nhanh và hiệu quả để xử lý khối lƣợng dữ liệu lớn là một thách thức lớn. Phần này trình bày cơ sở lý thuyết của luật và luật kết hợp, khai phá dữ liệu dựa vào luật kết hợp, đồng thời trình bày một số thuật toán liên quan đến luật kết hợp. 1. Lý thuyết luật kết hợp Từ khi nó đƣợc giới thiệu từ năm 1993, bài toán khai thác luật kết hợp nhận đƣợc rất nhiều sự quan tâm của nhiều nhà khoa học. Ngày nay việc khai thác các luật nhƣ thế vẫn là một trong những phƣơng pháp khai thác mẫu phổ biến nhất trong việc khám phá tri thức và khai thác dữ liệu (KDD: Knowledge Discovery and Data Mining). 10
11. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Một cách ngắn gọn, một luật kết hợp là một biểu thức có dạng: X Y , trong đó X và Y là tập các trƣờng gọi là item. Ý nghĩa của các luật kết hợp khá dễ nhận thấy: Cho trƣớc một cơ sở dữ liệu D là tập các giao tác - trong đó mỗi giao tác T D là tập các item - khi đó X Y diễn đạt ý nghĩa rằng bất cứ khi nào giao tác T có chứa X thì chắc chắn T có chứa Y. Độ tin cậy của luật (rule confidence) có thể đƣợc hiểu nhƣ xác suất điều kiện p(Y T | X T). Ý tƣởng của việc khai thác các luật kết hợp có nguồn gốc từ việc phân tích dữ liệu mua hàng của khách và nhận ra rằng “Một khách hàng mua mặt hàng x1 và x2 thì sẽ mua mặt hàng y với xác suất là c%”. Ứng dụng trực tiếp của các luật này trong các bài toán kinh doanh cùng với tính dễ hiểu vốn có của chúng – ngay cả đối với những ngƣời không phải là chuyên gia khai thác dữ liệu – làm cho luật kết hợp trở thành một một phƣơng pháp khai thác phổ biến. Hơn nữa, luật kết hợp không chỉ bị giới hạn trong phân tích sự phụ thuộc lẫn nhau trong phạm vi các ứng dụng bán lẻ mà chúng còn đƣợc áp dụng thành công trong rất nhiều bài toán kinh doanh. Việc phát hiện luật kết hợp giữa các mục (item) trên dữ liệu “giỏ” là bài toán rất đặc trƣng của khai phá dữ liệu. Dữ liệu giỏ là dữ liệu bao gồm các mục đƣợc mua bởi khách hàng với các thông tin nhƣ ngày mua hàng, số lƣợng, giá cả, Luật kết hợp chỉ ra tập các mục mà thƣờng đƣợc mua nhất với cùng các tập mục khác. Hiện nay, có nhiều thuật toán dùng cho việc phát hiện luật kết hợp. Tuy nhiên, vấn đề nảy sinh là số lần quét (duyệt) CSDL quá nhiều sẽ ảnh hƣởng rất lớn đến hiệu quả và tính khả thi của thuật toán trên các CSDL lớn. Đối với các CSDL đƣợc lƣu trên đĩa, phép duyệt CSDL sẽ gây ra số lần đọc đĩa rất lớn. Chẳng hạn một CSDL kích thƣớc 1GB sẽ đòi hỏi khoảng 125000 lần đọc khối cho mỗi lần duyệt (với kích thƣớc khối là 8KB). Nếu thuật toán có 10 lần duyệt thì sẽ gây ra1250000 lần đọc khối. Giả thiết thời gian đọc trung bình là 12ms một trang, thời gian cần thiết để thực hiện một thao tác I/O này là1250000*12ms hay sấp sỉ 4 tiếng đồng hồ !!! Trong phần này, chúng ta xem xét một số định nghĩa, tính chất có liên quan đến luật và luật kết hợp. Đồng thời chúng ta tìm hiểu ý nghĩa của luật kết hợp. 1.1 Luật kết hợp a) Ý nghĩa luật kết hợp: Luật kết hợp là một lãnh vực quan trọng trong khai thác dữ liệu. Luật kết hợp giúp chúng ta tìm đƣợc các mối liên hệ giữa các mục dữ liệu (items) của cơ sở dữ liệu. Trong môi trƣờng mạng nhu cầu tìm việc trực tuyến đã trở thành xu hƣớng phát triển các website tuyển dụng ngày càng nhiều thông tin về ngƣời tìm việc và doanh nghiệp tuyển ngƣời ngày 11
12. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm càng nhiều do nhu cầu của xã hội, do đó chúng ta có thể tìm xu hƣớng tuyển dụng và nhu cầu việc làm để các nhà quản lý đƣa ra nhu cầu việc làm của xã hội. Hay nhƣ trong ngành viễn thông, các loại dịch vụ cung cấp cho khách hàng ngày càng nhiều, do đó chúng ta có thể tìm mối liên kết giữa việc sử dụng các loại dịch vụ để phục vụ cho việc quảng cáo, tiếp thị. Ví dụ nhƣ để tìm hiểu thói quen sử dụng các dịch vụ viễn thông của khách hàng, ngƣời ta thƣờng đặt câu hỏi “Những dịch vụ nào khách hàng thƣờng hay sử dụng cùng lúc với nhau khi đăng ký sử dụng tại trung tâm chăm sóc khách hàng ?”. Các kết quả nhận đƣợc có thể dùng cho việc tiếp thị dịch vụ nhƣ liệt kê các dịch vụ khách hàng hay sử dụng cùng lúc nằm gần nhau, hoặc khuyến mãi dịch vụ kèm theo . b) Định nghĩa luật kết hợp: Cho một tập I = {I1, I2, ,Im} là tập gồm m khoản mục (item), còn đƣợc gọi là các thuộc tính (attribute). Các phần tử trong I là phân biệt nhau. X I đƣợc gọi là tập mục (itemset). Nếu lực lƣợng của X bằng k (tức là |X| = k) thì X đƣợc gọi là k-itemset. Một giao dịch (transaction) T đƣợc định nghĩa nhƣ một tập con (subset) của các khoản mục trong I (T I). Tƣơng tự nhƣ khái niệm tập hợp, các giao dịch không đƣợc trùng lặp, nhƣng có thể nới rộng tính chất này của tập hợp và trong các thuật toán sau này, ngƣời ta đều giả thiết rằng các khoản mục trong một giao dịch và trong tất cả các tập mục (item set) khác, có thể coi chúng đã đƣợc sắp xếp theo thứ tự từ điển của các item. Gọi D là CSDL của n giao dịch và mỗi giao dịch đƣợc đánh nhãn với một định danh duy nhất (Unique Transasction IDentifier-TID). Nói rằng, một giao dịch T D hỗ trợ (support) cho một tập X I nếu nó chứa tất cả các item của X, nghĩa là X T, trong một số trƣờng hợp ngƣời ta dùng ký hiệu T(X) để chỉ tập các giao dịch hỗ trợ cho X. Kí hiệu support(X) (hoặc supp(X), s(X)) là tỷ lệ phần trăm của các giao dịch hỗ trợ X trên tổng các giao dịch trong D, nghĩa là: T D X T supp(X) = % D Ví dụ về cơ sở dữ liệu D (dạng giao dịch) : I = {A, B, C, D, E}, T = {1, 2, 3, 4, 5, 6}. Thông tin về các giao dịch cho ở bảng sau : 12
13. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Định danh giao dịch (TID) Tập mục (itemset) 1 A B D E 2 B C E 3 A B D E 4 A B C E 5 A B C D E 6 B C D Bảng 1: Ví dụ về một cơ sở dữ liệu dạng giao dịch – D Ta có: supp( {A }) = 4/6 (%)= 66.67 %; supp({ABDE}) = 3/6 =50%; supp({ABCDE}) = 1/6 = 16.67%; Tập phổ biến (frequent itemset): Support tối thiểu minsup ( 0, 1] (Minimum Support) là một giá trị cho trƣớc bởi ngƣời sử dụng. Nếu tập mục X I có supp(X) minsup thì ta nói X là một tập phổ biến-frequent itemset (hoặc large itemset). Một frequent itemset đƣợc sử dụng nhƣ một tập đáng quan tâm trong các thuật toán, ngƣợc lại, những tập không phải frequent itemset là những tập không đáng quan tâm. Trong các trình bày sau này, ta sẽ sử dụng những cụm từ khác nhƣ “X có support tối thiểu”, hay “X không có support tối thiểu” cũng để nói lên rằng X thỏa mãn hay không thỏa mãn support(X) minsupp. Ví dụ: Với cơ sở dữ liệu D cho ở bảng 3, và giá trị ngƣỡng minsupp = 50% sẽ liệt kê tất cả các tập phổ biến (frequent-itemset) nhƣ sau : 13
14. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Các tập mục phổ biến Độ hỗ trợ (supp) tương ứng B 100% (6/6) E, BE 83% (5/6) A, C, D, AB, AE, BC, BD, ABE 67% (4/6) AD, CE, DE, ABD, ADE, BCE, BDE 50% (3/6) Bảng 2 : Các tập phổ biến trong cơ sở dữ liệu ở bảng 1 với độ hỗ trợ tối thiểu 50% Một số tính chất (TC) liên quan đến các frequent itemset: TC 1. support cho tất cả các subset: nếu A B, A, B là các itemset thì supp(A) supp(B) vì tất cả các giao dịch của D support B thì cũng support A. TC 2. Nếu một item A không có support tối thiểu trên D nghĩa là support(A) minsup. Định nghĩa luật kết hợp: Một luật kết hợp có dạng R: X Y, trong đó X, Y là các itemset, X, Y I và X Y = . X đƣợc gọi là tiên đề và Y đƣợc gọi là hệ quả của luật. Luật X Y tồn tại một độ hỗ trợ support - supp. Supp(X Y) đƣợc định nghĩa là khả năng mà tập giao dịch hỗ trợ cho các thuộc tính có trong cả X lẫn Y, nghĩa là: Support(X Y) = support(X Y). Luật X Y tồn tại một độ tin cậy c (confidence - conf). Conf c đƣợc định nghĩa là khả năng giao dịch T hỗ trợ X thì cũng hỗ trợ Y. Nói cách khác c biểu thị số phần trăm giao dịch có chứa luôn A trong số những giao dịch có chứa X. Ta có công thức tính conf c nhƣ sau: conf(X Y) = p(Y T| X T) = p(Y T X T) sup p(X Y) % p(X T) sup p(X ) Ta nói rằng, luật X Y là thoả trên D nếu với một support tối thiểu minsup và một ngƣỡng cofidence tối thiểu minconf cho trƣớc nào đó mà: Support(X Y) ≥ minsup và confidence(X Y) ≥ minconf 14
15. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Chú ý rằng, nếu luật X Y mà thoả trên D thì cả X và Y đều phải là các Frequent Itemset trên D và khi xét một luật có thoả hay không, thì cả support và confidence của nó đều phải quan tâm, vì một luật có thể có confidence = 100% > minconf nhƣng có thể là nó không đạt support tối thiểu minsup. 1.2 Một số tính chất của luật kết hợp Trƣớc hết ta phải giả sử rằng với luật X Y, X có thể là rỗng, còn Y phải luôn khác rỗng và X Y vì nếu không thì: support(X Y) confidence(X Y) = 1 support(X) Ta có các tính chất sau : 1) Nếu X Z và Y Z là thoả trên D, thì không nhất thiết là X Y Z. Để ý đến trƣờng hợp X Y = và các giao dịch trên D hỗ trợ Z nếu và chỉ nếu chúng hỗ trợ X hoặc hỗ trợ Y. Khi đó, support(X Y) = 0 và cofidence(X Y) = 0. Tƣơng tự ta cũng có : Nếu X Y và X Z không thể suy ra X Y Z. 2) Nếu luật X Y Z là thoả trên D thì X Z và Y Z có thể không thoả trên D. Chẳng hạn, khi Z là có mặt trong một giao dịch chỉ nếu cả X và Y đều có mặt trong giao dịch đó, nghĩa là support(X Y)=support(Z). Nếu support cho X và Y lớn hơn support(X Y), thì 2 luật trên sẽ không có confidence yêu cầu. Tuy nhiên, nếu X Y Z là thoả trên D thì có thể suy ra X Y và X Z cũng thoả trên D Vì support(XY) ≥ support(XYZ) và support(XZ) ≥ support(XYZ). 3) Nếu X Y và Y Z là thoả trên D thì không thể khẳng định rằng X Z cũng giữ đƣợc trên D. Giả sử T(X) T(Y) T(Z) và confidence(X Y) = confidence(Y Z) = minconf. Khi đó ta có confidence(X Z) = minconf2 < minconf vì minconf <1, nghĩa là luật X Z không có cofidence tối thiểu. 4) Nếu luật A (L-A) không có confidence tối thiểu thì cũng không có luật nào trong các luật B (L-B) có confidence tối thiểu trong đó L-A, B là các intemset và B A. Thật vậy, theo tính chất TC1, vì B A. Nên support(B) ≥ support(A) và theo định nghĩa của confidence, ta có : confidence(B (L-B)) = sup port(L) sup port(L) <minconf. sup port(B) sup port(A) 15
16. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Cũng vậy, nếu luật (L-C) C là thoả trên D, thì các luật (L-K) K với K C và K cũng thoả trên D. Bài toán khai phá luật kết hợp: Có thể diễn đạt một bài toán khai phá luật kết hợp nhƣ sau[2][3][8]: Cho một tập các item I, một cơ sở dữ liệu giao dịch D, ngƣỡng support tối thiểu minsup, ngƣỡng confidence tối thiểu minconf, tìm tất cả các luật kết hợp X Y trên D sao cho: support(X Y) minsup và confidence(X Y) minconf. 1.3 Phân loại luật kết hợp Tuỳ theo ngữ cảnh các thuộc tính dữ liệu cũng nhƣ phƣơng pháp trong các thuật toán mà ngƣời ta có thể phân bài toán khai phá luật kết hợp ra nhiều nhóm khác nhau. Chẳng hạn, nếu giá trị của các item chỉ là các giá trị theo kiểu boolean thì ngƣời ta gọi là khai phá luật kết hợp boolean (Mining Boolean Association Rules), còn nếu các thuộc tính có tính đến khoảng giá trị của nó (nhƣ thuộc tính phân loại hay thuộc tính số lƣợng chẳng hạn) thì ngƣời ta gọi nó là khai phá luật kết hợp định lƣợng (Mining Quantitative Association Rules) Ta sẽ xem xét cụ thể các nhóm đó. Lĩnh vực khai thác luật kết hợp cho đến nay đã đƣợc nghiên cứu và phát triển theo nhiều hƣớng khác nhau. Có những đề xuất nhằm cải tiến tốc độ thuật toán, có những đề xuất nhằm tìm kiếm luật có ý nghĩa hơn, v. v. và có một số hƣớng chính sau đây. Luật kết hợp nhị phân (binary association rule hoặc boolean association rule): là hƣớng nghiên cứu đầu tiên của luật kết hợp. Hầu hết các nghiên cứu ở thời kỳ đầu về luật kết hợp đều liên quan đến luật kết hợp nhị phân. Trong dạng luật kết hợp này, các mục (thuộc tính) chỉ đƣợc quan tâm là có hay không xuất hiện trong giao tác của cơ sở dữ liệu chứ không quan tâm về “mức độ“ xuất hiện. Có nghĩa là việc gọi 10 cuộc điện thoại và 1 cuộc đƣợc xem là giống nhau. Thuật toán tiêu biểu nhất khai phá dạng luật này là thuật toán Apriori và các biến thể của nó. Đây là dạng luật đơn giản và các luật khác cũng có thể chuyển về dạng luật này nhờ một số phƣơng pháp nhƣ rời rạc hoá, mờ hoá, v. v. . . Một ví dụ về dạng luật này : “gọi liên tỉnh=‟yes‟ AND gọi di động=”yes” gọi quốc tế=‟yes‟ AND gọi dịch vụ 108 = „yes‟, với độ hỗ trợ 20% và độ tin cậy 80%” Luật kết hợp có thuộc tính số và thuộc tính hạng mục (quantitative and categorial association rule): Các thuộc tính của các cơ sở dữ liệu thực tế có kiểu rất đa dạng (nhị phân – binary, số – quantitative, hạng mục – categorial,. v. v). 16
17. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Để phát hiện luật kết hợp với các thuộc tính này, các nhà nghiên cứu đã đề xuất một số phƣơng pháp rời rạc hoá nhằm chuyển dạng luật này về dạng nhị phân để có thể áp dụng các thuật toán đã có. Một ví dụ về dạng luật này “phƣơng thức gọi = ‟Tự động‟ AND giờ gọi ? „23:00:39 23:00:59‟ AND Thời gian đàm thoại? „200 300‟ gọi liên tỉnh =‟có‟ , với độ hỗ trợ là 23. 53% , và độ tin cậy là 80%”. Luật kết hợp tiếp cận theo hướng tập thô (mining association rules base on rough set): Tìm kiếm luật kết hợp dựa trên lý thuyết tập thô. Luật kết nhiều mức (multi-level association rule): Với cách tiếp cận theo luật này sẽ tìm kiếm thêm những luật có dạng “ mua máy tính PC mua hệ điều hành AND mua phần mềm tiện ích văn phòng, ” thay vì chỉ những luật quá cụ thể nhƣ “ mua máy tính IBM PC mua hệ điều hành Microsoft Windows AND mua phần mềm tiện ích văn phòng Microsoft Office, ”. Nhƣ vậy dạng luật đầu là dạng luật tổng quát hoá của dạng luật sau và tổng quát theo nhiều mức khác nhau. Luật kết hợp mờ (fuzzy association rule): Với những hạn chế còn gặp phải trong quá trình rời rạc hoá các thuộc tính số (quantitave attributes), các nhà nghiên cứu đã đề xuất luật kết hợp mờ nhằm khắc phục các hạn chế trên và chuyển luật kết hợp về một dạng tự nhiên hơn, gần gũi hơn với ngƣời sử dụng một ví dụ của dạng này là : “thuê bao tƣ nhân = „yes‟ AND thời gian đàm thoại lớn AND cƣớc nội tỉnh = „yes‟ cƣớc không hợp lệ = „yes‟, với độ hỗ trợ 4% và độ tin cậy 85%”. Trong luật trên, điều kiện thời gian đàm thoại lớn ở vế trái của luật là một thuộc tính đã đƣợc mờ hoá. Luật kết với thuộc tính được đánh trọng số (association rule with weighted items): Trong thực tế, các thuộc tính trong cơ sở dữ liệu không phải lúc nào cũng có vai trò nhƣ nhau. Có một số thuộc tính đƣợc chú trọng hơn và có mức độ quan trọng cao hơn các thuộc tính khác. Ví dụ khi khảo sát về doanh thu hàng tháng, thông tin về thời gian đàm thoại, vùng cƣớc là quan trọng hơn nhiều so với thông tin về phƣơng thức gọi . Trong quá trình tìm kiếm luật, chúng ta sẽ gán thời gian gọi, vùng cƣớc các trọng số lớn hơn thuộc tính phƣơng thức gọi. Đây là hƣớng nghiên cứu rất thú vị và đã đƣợc một số nhà nghiên cứu đề xuất cách giải quyết bài toán này. Với luật kết hợp có thuộc tính đƣợc đánh trọng số, chúng ta sẽ khai thác đƣợc những luật “hiếm” (tức là có độ hỗ trợ thấp, nhƣng có ý nghĩa đặc biệt hoặc mang rất nhiều ý nghĩa). Khai thác luật kết hợp song song (parallel mining of association rules): Bên cạnh khai thác luật kết hợp tuần tự, các nhà làm tin học cũng tập trung vào nghiên cứu các thuật giải song song cho quá trình phát hiện luật kết hợp. Nhu 17
18. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm cầu song song hoá và xử lý phân tán là cần thiết bởi kích thƣớc dữ liệu ngày càng lớn hơn nên đòi hỏi tốc độ xử lý cũng nhƣ dung lƣợng bộ nhớ của hệ thống phải đƣợc đảm bảo. Có rất nhiều thuật toán song song khác nhau đã đề xuất để có thể không phụ thuộc vào phần cứng. Bên cạnh những nghiên cứu về những biến thể của luật kết hợp, các nhà nghiên cứu còn chú trọng đề xuất những thuật toán nhằm tăng tốc quá trình tìm kiếm tập phổ biến từ cơ sở dữ liệu. Ngoài ra, còn có một số hƣớng nghiên cứu khác về khai thác luật kết hợp nhƣ: Khai thác luật kết hợp trực tuyến, khai thác luật kết hợp đƣợc kết nối trực tuyến đến các kho dữ liệu đa chiều (Multidimensional data, data warehouse) thông qua công nghệ OLAP (Online Analysis Processing), MOLAP (multidimensional OLAP), ROLAP (Relational OLAP), ADO (Active X Data Object) for OLAP v.v. 1.4 Đặc tả bài toán khai phá dữ liệu Với các định nghĩa trên, ta có thể mô tả cấu trúc cơ bản của một thuật toán khai phá luật kết hợp. Mặc dù, trong thực tế, các thuật toán có thể có sự khác nhau về một số vấn đề, nhƣng về cơ bản thì chúng tuân theo một lƣợc đồ chung. Có thể tóm tắt lƣợc đồ qua 2 giai đoạn chính sau: Khai phá tất cả các tập phổ biến-Frequent itemset (Large itemset) Nhƣ đã lƣu ý trƣớc đây, số lƣợng các tập frequent có khả năng tƣơng đƣơng với kích thƣớc mũ của tập các item, trong đó hàm mũ tăng theo số các item. Phƣơng pháp cơ bản trong mỗi thuật toán là tạo một tập các itemset gọi là candidate với hi vọng rằng nó là frequent. Điều mà bất kì thuật toán nào cũng phải quan tâm là làm sao để tập các candidate này càng nhỏ càng tốt vì nó liên quan chi phí bộ nhớ để lƣu trữ các tập candidate này chi phí thời gian cho việc kiểm tra nó là một Frequent itemset hay không. Để tìm ra những candidate itemset là frequent với các support cụ thể của nó là bao nhiêu thì support của mỗi tập candidate phải đƣợc đếm bởi mỗi giai đoạn trên CSDL (tức là thực hiện một phép duyệt trên từng giao dịch của cơ sở dữ liệu để tính giao dịch support cho mỗi candidate itemset). Công việc khai phá các Frequent Itemset đƣợc thực hiện lặp đi lặp lại qua một giai đoạn (pass) nhằm mục đích nhận đƣợc kết quả cuối cùng là mỗi Frequen Itemset biểu thị tốt nhất sự tƣơng quan giữa các item trong cơ sở dữ liệu giao dịch D. Khai phá luật kết hợp (sinh ra các luật kết hợp mạnh từ các tập mục phổ biến) 18
19. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Sau khi xác định đƣợc tập Frequent Itemset cuối cùng, ngƣời ta thực hiện tiếp thuật toán sinh ra các luật dựa trên mỗi frequent itemset này đồng thời xác định luôn confidence của chúng trên cơ sở các số đếm support của mỗi frequent itemset và subset của mỗi frequent itemset. Với mỗi frequent itemset X, mỗi subset riêng biệt của nó là đƣợc chọn nhƣ là tiền đề của luật và các item còn lại thì đƣợc đƣa vào hệ quả của luật, do X chính nó là một frequent, và tất cả các subset của nó cũng là Frequent (theo tính chất TC3 mục 1.1). Mỗi luật đƣợc sinh ra nhƣ trên có đƣợc chấp nhận hay không chấp nhận còn phụ thuộc vào mức confidence tối thiểu (minconf) mà ngƣời sử dụng chỉ ra. Một luật sẽ đƣợc coi là chấp nhận nếu confidence của nó lớn hơn hoặc bằng cofidence tối thiểu này. Theo tính chất TC4, mục 1.2, nếu một luật là không đƣợc chấp nhận thì không có một subset nào của tiền tố của nó là có thể cân nhắc để sinh thêm các luật khác. Nói chung thì tƣ tƣởng sinh ra luật kết hợp có thể mô tả nhƣ sau: Nếu ABCD và AB là các frequent itemset thì ta có thể xác định xem luật AB CD có đƣợc xem là chấp nhận hay không bằng cách tính confidence của nó theo định nghĩa conf = sup port(ABCD) . Nếu conf minconf thì luật đƣợc coi sup port(AB) là chấp nhận đƣợc (để ý rằng luật là thoả mãn yếu tố support vì support (AB CD) = support(ABCD) minsup). 2. Các đặc trưng của luật kết hợp 2.1 Không gian tìm kiếm luật: Nhƣ đã giải thích trên đây, ta phải tìm tất cả các itemset thỏa ngƣỡng minsupp. Với các ứng dụng thực tiễn, việc duyệt tất cả các tập con của I sẽ hoàn toàn thất bại vì không gian tìm kiếm quá lớn. Trên thực tế, sự tăng tuyến tính số lƣợng các item vẫn kéo theo sự tăng theo cấp lũy thừa các itemset cần xem xét. Với trƣờng hợp đặc biệt I ={1,2,3,4}, ta có thể biểu diễn không gian tìm kiếm thành một lƣới nhƣ trong hình 2. Các tập phổ biến nằm trong phần trên của hình trong khi những tập không phổ biến lại nằm trong phần dƣới. Mặc dù không chỉ ra một cách tƣờng minh các giá trị hỗ trợ cho mỗi itemset nhƣng ta giả sử rằng đƣờng biên đậm trong hình phân chia các tập phổ biến và tập không phổ biến. Sự tồn tại của đƣờng biên nhƣ vậy không phụ thuộc vào bất kỳ cơ sở dữ liệu D và minsupp nào. Sự tồn tại của nó chỉ đơn thuần đƣợc đảm bảo bởi tính chặn dƣới của itemset thỏa ngƣỡng minsupp. Nguyên lý cơ bản của các giải thuật thông thƣờng là sử dụng đƣờng biên này để thu hẹp không gian tìm kiếm một cách có hiệu quả. Khi đƣờng biên đƣợc 19
20. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm tìm thấy, chúng ta có thể giới hạn trong việc xác định các giá trị hỗ trợ của các itemset phía trên đƣờng biên và bỏ qua các itemset phía dƣới đƣờng biên. Hình 2: Dàn cho tập I = {1,2,3,4} Cho ánh xạ: I {1, , |I|} là một phép ánh xạ từ các phần tử x I ánh xạ 1-1 vào các số tự nhiên. Bây giờ, các phần tử có thể đƣợc xem là có thứ tự hoàn toàn trên quan hệ “<” giữa các số tự nhiên. Hơn nữa, với X I, cho X.item: {1, ,|X|} I: n X.itemn là một ánh xạ, trong đó X.itemn là phần tử thứ n của các phần tử x X sắp xếp tăng dần trên quan hệ “<”. n-tiền tố của một itemset X với n |X| đƣợc định nghĩa bởi P={X.itemm |1 m n}. Cho các lớp E(P), P I với E(P) = {X I | |X| = |P|+1 và P là một tiền tố của X} là các nút của một cây. Hai nút sẽ đƣợc nối với nhau bằng 1 cạnh nếu tất cả các itemset của lớp E có thể đƣợc phát sinh bằng cách kết 2 itemset của lớp cha E‟, ví dụ nhƣ trong hình 3. 20
21. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Hình 3: Cây cho tập I = {1, 2, 3, 4} Cùng với tính chặn dƣới của itemset thỏa ngƣỡng minsupp, điều này suy ra: Nếu lớp cha E‟ của lớp E không có tối thiểu hai tập phổ biến thì E cũng phải không chứa bất kỳ một tập phổ biến nào. Nếu gặp một lớp E‟ nhƣ vậy trong quá trình duyệt cây từ trên xuống thì ta đã tiến đến đƣờng biên phân chia giữa tập phổ biến và không phổ biến. Ta không cần phải tìm tiếp phần sau đƣờng biên này, tức là ta đã loại bỏ E và các lớp con của E trong không gian tìm kiếm. Thủ tục tiếp theo cho phép ta giới hạn một cách có hiệu quả số lƣợng các itemset cần phải duyệt. Ta chỉ cần xác định các support values của các itemset mà ta đã duyệt qua trong quá trình tìm kiếm đƣờng biên giữa tập phổ biến và tập không phổ biến. Cuối cùng, chiến lƣợc thực sự để tìm đƣờng biên là do lựa chọn của chúng ta. Các hƣớng tiếp cận phổ biến hiện nay sử dụng cả tìm kiếm ƣu tiên bề rộng (BFS) lẫn tìm kiếm ƣu tiên chiều sâu (DFS). Với BFS, giá trị hỗ trợ của tất cả (k-1)-itemset đƣợc xác định trƣớc khi tính giá trị hỗ trợ của k-itemset. Ngƣợc lại, DFS duyệt đệ quy theo cấu trúc cây mô tả ở trên. 2.2 Độ hỗ trợ luật Trong phần này, một itemset có khả năng là phổ biến và ta cần phải xác định độ hỗ trợ của nó trong quá trình duyệt dàn, đƣợc gọi là một itemset ứng viên. Một hƣớng tiếp cận phổ biến để xác định giá trị hỗ trợ của một itemset là đếm các thể hiện của nó trong cơ sở dữ liệu. Với mục đích đó, một biến đếm (counter) đƣợc tạo ra và khởi tạo bằng 0 cho mỗi itemset đang duyệt. Sau đó, quét qua tất cả các giao tác và khi tìm đƣợc một ứng viên là tập con của một giao tác thì tăng biến đếm của nó lên. Thông thƣờng, tập con tạo ra và bảng tìm kiếm ứng cử viên đƣợc tích hợp và cài đặt bằng một hashtree hay một cấu trúc dữ liệu tƣơng tự. Tóm lại, không phải tất cả các tập con của mỗi giao tác đều 21
22. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm đƣợc tạo ra mà chỉ những giao tác có chứa trong các ứng viên hoặc có một tiền tố chung với ít nhất một ứng cử viên mới đƣợc tạo ra. Một cách tiếp cận khác để xác định giá trị hỗ trợ của các ứng viên là sử dụng giao tập hợp (set intersection). Một TID (Transaction IDentifier) là một khóa-biến nhận dạng giao tác duy nhất. Với một phần tử đơn, tidlist là tập hợp của các biến nhận dạng tƣơng ứng với các giao tác có chứa phần tử này. Do đó, các tidlist cũng tồn tại cho mỗi itemset X và đƣợc biểu diễn bởi X.tidlist. Tidlist của một ứng viên C = X Y xác định bởi: C.tidlist=X.tidlist Y.tidlist. Các tidlist đƣợc sắp xếp theo thứ tự tăng dần để các phép giao đƣợc hiệu quả. Lƣu ý rằng bằng cách dùng vùng đệm cho tidlist của các ứng viên phổ biến nhƣ là các kết quả trung gian, ta có thể tăng đáng kể tốc độ phát sinh tidlist cho các ứng viên tiếp theo. Cuối cùng, các độ hỗ trợ thực sự của ứng cử viên chính là |C.tlist|. 3. Một số giải thuật cơ bản khai phá các tập phổ biến Phần này sẽ trình bày và hệ thống hóa một cách ngắn gọn các giải thuật đang đƣợc dùng phổ biến hiện nay để khai phá các tập phổ biến. Chúng sẽ đƣợc thực hiện dựa vào những nguyên tắc cơ bản của phần trƣớc. Mục tiêu của chúng ta là thể hiện đƣợc những sự khác biệt giữa các cách tiếp cận khác nhau. Các giải thuật mà ta xem xét trong bài này đƣợc hệ thống hóa nhƣ hình vẽ 4. Các giải thuật đƣợc phân loại dựa vào việc: a) Duyệt theo không gian tìm kiếm (BFS, DFS) b) Các định giá trị hỗ trợ của tập item (itemset) c) Ngoài ra, một giải thuật có thể dùng một số các tối ƣu khác để tăng tốc thêm. 22
23. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Hình 4: Hệ thống hóa các giải thuật 3.1 Giải thuật BFS( BFS – Breadth first search) Giải thuật phổ biến nhất của loại này là giải thuật Apriori, trong đó có trình bày tính chặn dƣới của itemset thỏa ngƣỡng minsupp. Giải thuật Apriori tạo ra việc sử dụng các tính chất này bằng việc tỉa bớt những ứng viên thuộc tập không phổ biến trƣớc khi tính độ phổ biến của chúng. Cách tối ƣu có thể thực hiện đƣợc vì các giải thuật tìm kiếm ƣu tiên theo chiều rộng (BFS) bảo đảm rằng các giá trị hỗ trợ của các tập của một ứng viên đều đƣợc biết trƣớc. Giải thuật Apriori đếm tất cả các ứng viên có k phần tử trong một lần đọc cơ sở dữ liệu. Phần cốt lõi của bài toán là xác định các ứng viên trong mỗi giao tác. Để thực hiện đƣợc mục đích này phải dựa vào một cấu trúc gọi là hashtree. Các item trong mỗi giao dịch đƣợc dùng để đi lần xuống trong cấu trúc hashtree. Bất cứ khi nào tới đƣợc nút lá của nó, nghĩa là ta đã tìm đƣợc một tập các ứng viên có cùng tiền tố đƣợc chứa trong giao dịch đó. Sau đó các ứng viên này sẽ đƣợc thực hiện tìm kiếm trong giao dịch mà nó đã đƣợc mã hóa trƣớc thành ma trận bit. Trong trƣờng hợp thành công biến đếm các ứng viên trong cây đƣợc tăng lên. Giới thiệu bài toán: Apriori là thuật toán đƣợc Rakesh Agrawal, Tomasz Imielinski, Arun Swami đề xuất lần đầu vào năm 1993. Bài toán đƣợc phát biểu: Tìm t có độ hỗ trợ s thỏa mãn s s0 và độ tin cậy c c0 (s0, c0 là hai ngƣỡng do ngƣời dùng xác định và s0=minsupp, c0 =minconf) . Ký hiệu Lk tập các tập k - mục phổ biến, Ck tập các tập k-mục ứng cử (cả hai tập có: tập mục và độ hỗ trợ). Bài toán đặt ra là: 23
24. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Tìm tất cả các tập mục phổ biến với minsupp nào đó. Sử dụng các tập mục phổ biến để sinh ra các luật kết hợp với độ tin cậy minconf nào đó. Quá trình thực hiện (duyệt): Thực hiện nhiều lần duyệt lặp đi lặp lại, trong đó tập (k-1) - mục đƣợc sử dụng cho việc tìm tập k-mục. Lần thứ nhất tìm tất cả các độ hỗ trợ của các mục, xác định mục phổ biến (mục thoả mãn độ hỗ trợ cực tiểu-minsupp). Giả sử tìm đƣợc L1-mục phổ biến. Các lần duyệt còn lại: Bắt đầu kết quả tìm đƣợc bƣớc trƣớc nó, sử dụng các tập mục mẫu (L1) sinh ra các tập mục phổ biến tiềm năng (ứng cử) (giả sử L2), tìm độ hỗ trợ thực sự. Mỗi lần duyệt ta phải xác định tập mục mẫu cho lần duyệt tiếp theo. Thực hiện lặp để tìm L3, , Lk cho đến khi không tìm thấy tập mục phổ biến nào nữa. Chú ý: Ứng dụng Lk-1 để tìm Lk bao gồm hai bƣớc chính: Bƣớc kết nối: tìm Lk là tập k-mục ứng đƣợc sinh ra bởi việc kết nối Lk-1 với j chính nó cho kết quả là Ck. Giả sử L1, L2 thuộc Lk-1. Ký hiệu Li là mục thứ j trong Li. Điều kiện là các tập mục hay các mục trong giao dịch có thứ tự. Bƣớc kết nối nhƣ sau: Các thành phần Lk-1 kết nối (nếu có chung k-2-mục đầu tiên) tức là:(L1[1]=L2[1]) (L1[2]=L2[2]) (L1[k-2]=L2[k-2]) (L1[k-1]=L2[k- 1]). Bƣớc tỉa: Ck là tập chứa Lk (có thể là tập phổ biến hoặc không) nhƣng tất cả tập k-mục phổ biến đƣợc chứa trong Ck. Bƣớc này, duyệt lần hai CSDL để tính độ hỗ trợ cho mỗi ứng cử trong Ck sẽ nhận đƣợc Lk. Tuy nhiên để khác phục khó khăn, giải thuật Apriori sử dụng các tính chất: 1- Tất cả các tập con khác rỗng của một tập mục phổ biến là phổ biến; 2 - Nếu L là tập mục không phổ biến thì mọi tập chứa nó không phổ biến. 3.1.1 Mô phỏng thuật toán Apriori: Nhƣ trên đã nói, các thuật toán khai phá Frequent Itemset phải thiết lập một số giai đoạn (pass) trên CSDL. Trong giai đoạn đầu tiên, ngƣời ta đếm support cho mỗi tập riêng lẻ và xác định xem tập nào là phổ biến (nghĩa là có support ≥ minsup). Trong mỗi giai đoạn tiếp theo, ngƣời ta bắt đầu với tập các tập phổ biến đã tìm đƣợc trong giai đoạn trƣớc để lại sinh ra tập các tập mục có khả năng là phổ biến mới (gọi là tập các ứng cử viên - candidate itemset) và thực 24
25. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm hiện đếm support cho mỗi tập các ứng cử viên trong tập này bằng một phép duyệt trên CSDL. Tại điểm kết của mỗi giai đoạn, ngƣời ta xác định xem trong các tập ứng viên này, tập nào là phổ biến và lập thành tập các tập phổ biến cho giai đoạn tiếp theo. Tiến trình này sẽ đƣợc tiếp tục cho đến khi không tìm đƣợc một tập phổ biến nào mới hơn nữa. Để tìm hiểu các thuật toán, ta giả sử rằng, các item trong mỗi giao dịch đã đƣợc sắp xếp theo thứ tự từ điển (ngƣời ta sử dụng khái niệm từ điển ở đây để diễn đạt một thứ tự quy ƣớc nào đó trên các item của cơ sở dữ liệu). Mỗi bản ghi - record của cơ sở dữ liệu D có thể coi nhƣ là một cặp trong đó TID là định danh cho giao dịch. Các item trong một itemset cũng đƣợc lƣu theo thứ tự từ điển, nghĩa là nếu kí hiệu k item cử một k-itemset c là c[1],c[2], ,c[k], thì c[1]<c[2]< <c[k]. Nếu c=X.Y và Y là một m-itemset thì Y cũng đƣợc gọi là m-extension (mở rộng) của X. Trong lƣu trữ, mỗi itemset có một trƣờng support-count tƣơng ứng, đây là trƣờng chứa số đếm support cho itemset này. Thuật toán Apriori Các kí hiệu: Lk: Tập các k-mục phổ biến (large k-itemset) (tức tập các itemset có support tối thiểu và có lực lƣợng bằng k). Mỗi phần tử của tập này có 2 trƣờng: itemset và suport-count. Ck: Tập các candidate k-itemset (tập các tập k-mục ứng cử viên). Mỗi phần tử trong tập này cũng có 2 trƣờng itemset và support-count. Nội dung thuật toán Apriori đƣợc trình bày nhƣ sau: Input: Tập các giao dịch D, ngƣỡng support tối thiểu minsup Output: L- tập mục phổ biến trong D Method: L1={large 1-itemset} //tìm tất cả các tập mục phổ biến: nhận đƣợc L1 for (k=2; Lk-1 ; k++) do begin Ck=apriori-gen(Lk-1); //sinh ra tập ứng cử viên từ Lk-1 for (mỗi một giao dịch T D) do 25
26. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm begin CT = subset(Ck, T); //lấy tập con của T là ứng cử viên trong Ck for (mỗi một ứng cử viên c CT) do c.count++; //tăng bộ đếm tần xuất 1 đơn vị end; Lk = {c Ck| c.count minsup} end; return kLk Trong thuật toán này, giai đoạn đầu đơn giản chỉ là việc đếm support cho các item. Để xác định tập 1-mục phổ biến (L1), ngƣời ta chỉ giữ lại các item mà support của nó lớn hơn hoặc bằng minsup. Trong các giai đoạn thứ k sau đó (k>1), mỗi giai đoạn gồm có 2 pha. Trƣớc hết các large(k-1)-itemset trong tập Lk-1đƣợc sử dụng để sinh ra các candidate itemset Ck, bằng cách thực hiện hàm Apriori_gen. Tiếp theo CSDL D sẽ đƣợc quét để tính support cho mỗi ứng viên trong Ck. Để việc đếm đƣợc nhanh, cần phải có một giải pháp hiệu quả để xác định các ứng viên trong Ck là có mặt trong một giao dịch T cho trƣớc. Vấn đề sinh tập candidate của Apriori – Hàm Apriori_gen: Hàm Apriori_gen với đối số là Lk-1(tập các large(k-1)-itemset) sẽ cho lại kết quả là một superset, tập của tất cả các large k – itemset. Sơ đồ sau là thuật toán cho hàm này. Input: tập mục phổ biến Lk-1 có kích thƣớc k-1 Output: tập ứng cử viên Ck Method: function apriori-gen(Lk-1: tập mục phổ biến có kích thƣớc k-1) Begin For (mỗi L1 Lk-1) do 26
27. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm For (mỗi L2 Lk-1) do begin If ((L1[1]=L2[1]) (L1[2]=L2[2]) (L1[k-2]=L2[k-2]) (L1[k-1]=L2[k-1])) then c = L1 L2; // kết nối L1 với L2 sinh ra ứng cử viên c If has_infrequent_subset(c, Lk-1) then remove (c) // bƣớc tỉa (xoá ứng cử viên c) else Ck = Ck {c}; kết tập c vào Ck end; Return Ck; End; Hàm kiểm tra tập con k-1 mục của ứng cử viên k-mục không là tập phổ biến: function has_infrequent_subset(c: ứng cử viên k-mục; Lk-1 tập phổ biến k- 1 mục) Begin //sử dụng tập mục phổ biến trƣớc For (mỗi tập con k-1 mục s của c) do If s Lk-1 then return TRUE; End; Có thể mô tả hàm Apriori_gen trên theo lƣợc đồ sau: 27
28. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Input: tập các large(k-1)- itemset Lk-1 Output: tập candidate k-itemset Ck Method: Hàm Apriori-gen() //bƣớc nối 1. insert into Ck 2. select p.item1, p.item2, , p.itemk-1, q.itemk-1 3. from Lk-1p , Lk-1q 4. where p.item1=q.item1 , , p.itemk-2=q.itemk-2, p.itemk-1<q.itemk-1 //bƣớc cắt tỉa: 5. for (mọi tập mục c Ck) do 6. for (mọi (k-1) tập con s của c( do 7. if (s Lk-1) then 8. delete c khỏi Ck; Với nội dung trên, ta thấy hàm này có 2 bƣớc: - Bƣớc nối (join step): Bƣớc này nối Lk-1 với Lk-1. Trong bƣớc này, cho rằng các item của các itemset đã đƣợc sắp xếp theo thứ tự từ điển. Nếu có k-2 item đầu tiên (gọi là phân tiền tố) của hai(k-1)-itemset i1và i2(i1 i2) nào đó mà giống nhau thì ta khởi tạo một candidate k-itemset cho Ck bằng cách lấy phần tiền tố này hợp với 2 item thứ k-1 của i1 và i2 (có thể phải sắp lại thứ tự cho các item này). Điều kiện p.itemk-1 <q.itemk-1 đơn giản chỉ là việc tránh k-itemset trùng lặp đƣợc đƣa vào Ck. - Bƣớc cắt tỉa (prune step): Đây là bƣớc tiếp theo sau bƣớc join. Trong bƣớc này, ta cần loại bỏ tất cả các k-itemset c Ck mà chúng tồn tại một(k-1)- subset không có mặt trong Lk-1. Giải thích điều này nhƣ sau: giả sử s là một(k- 1)-subset của c mà không có mặt trong Lk-1. Khi đó, support (s)<minsup. Mặt 28
29. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm khác, theo tính chất p1.1, vì c s nên support(s) , , , }. Với minsup = 0.5 (tức tƣơng đƣơng 2 giao dịch). Khi thực hiện thuật toán Apriori trên ta có sơ đồ sau: 29
30. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm C1 D (CSDL) 1 - itemset Count-support TID Các mục {A} 2 - 50% 1 {A, C, D} {B} 3 – 75% 2 {B, C, E} {C} 3 – 75% 3 {A, B, C, E} {D} 1 - 25% 4 {B, E} {E} 3 - 75% Quét toàn bộ D Xóa bỏ mục có C2 support < minsup C2 2 - itemset L 2 - itemset {A, B} 1 1 - itemset Count-support {A, B} {A, C} {A} 2 - 50% {A, C} {A, E} {A, E} {B} 3 – 75% Tỉa {B, C} {C} 3 – 75% {B, C} {B, E} Kết nối {B, E} {E} 3 - 75% {C, E} L1 & L1 {C, E} 30
31. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm C 2 C2 2 - itemset Quét toàn bộ D 2 - itemset Count-support {A, B} {A, B} 1 – 25% {A, C} {A, C} 2 – 50% {A, E} {A, E} 1 – 25% {B, C} {B, C} 2 – 50% {B, E} {B, E} 3 – 75% {C, E} {C, E} 2 – 50% Xóa bỏ mục có support < minsup Tỉa L2 2 - itemset Count-support {A, C} 2 – 50% {B, C} 2 – 50% Quét toàn bộ D Kết nối {B, E} 3 – 75% L & L 2 2 {C, E} 2 – 50% Xóa bỏ mục có support < minsup C3 L3 3 - itemset Count- support 3 - itemset Count- support {B, C, E} 2 - 50% {B, C, E} 2 - 50% Hình 5. Ví dụ thuật toán Apriori 31
32. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm 3.1.2 Một số biến thể của giải thuật Apriori Giải thuật Apriori_TID là phần mở rộng theo hƣớng tiếp cận cơ bản của giải thuật Apriori. Thay vì dựa vào cơ sở dữ liệu thô, giải thuật AprioriTID biểu diễn bên trong mỗi giao tác bởi các ứng viên hiện hành. L1= {Large 1-itemset}; C‟1 = Database D; for (k=2; Lk-1 ; k++) do Begin Ck = apriori_gen(Lk-1); C‟k = ; for tất cả t C‟k-1 do begin // xác định tập ứng viên trong Ck chứa trong giao dịch với định //danh t. Tid (Transaction Code) Ct = c Ck | (c-c[k]) t.Set_of_ItemSets ^ (c-c[k-1] t.Set_of_ItemSets for những ứng viên c Ct do c.count ++; if (Ct ) then C‟k+= end Lk = c Ck | c.count minsup ; End return = kLk; 32
33. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Thuật toán này cũng sử dụng hàm apriori_gen để sinh ra các tập ứng cử viên cho mỗi giai đoạn. Nhƣng thuật toán này không dùng CSDL D để đếm các support với các giai đoạn k > 1 mà sử dụng tập C‟k. Mỗi phần tử của C‟k có dạng , trong đó mỗi Xk là một tập phổ biến k_itemset tiềm năng trong giao dịch Tid. Khi k = 1, C‟k tƣơng ứng với D, trong đó mỗi item i đƣợc coi là một itemset {i}. Với k>1, C‟k đƣợc sinh ra bởi C‟k+= . Phần tử của C‟k tƣơng ứng với giao dịch t là . Nếu một giao dịch không chứa bất kỳ tập ứngviên k_itemset nào thì C‟k sẽ không có một điểm vào nào cho giao dịch này. Do đó, số lƣợng điểm vào trong C‟k có thể nhỏ hơn số giao dịch trong CSDL, đặc biệt với k lớn. Hơn nữa, với các giá trị k khá lớn, mỗi điểm vào có thể nhỏ hơn giao dịch tƣơng ứng vì một số ứng viên đã đƣợc chứa trong giao dịch. Tuy nhiên, với các giá trị k nhỏ, mỗi điểm vào có thể lớn hơn giao dịch tƣơng ứng vì một một điểm vào trong C‟k bao gồm tất cả các ứng viên k_itemset đƣợc chứa trong giao dịch. Giải thuật AprioriHybrid kết hợp cả hai hƣớng tiếp cận trên. Ngoài ra còn có một số các giải thuật tựa Apriori(TID), chúng đƣợc định hƣớng để cài trực tiếp trong SQL. Giải thuật DIC là một biến thể khác nữa của giải thuật Apriori. Giải thuật DIC làm giảm đi khoảng phân biệt nghiêm ngặt giữa việc đếm và việc phát sinh các ứng viên. Bất kỳ ứng viên nào tới đƣợc ngƣỡng minsupp, thì giải thuật DIC bắt đầu phát sinh thêm các ứng viên dựa vào nó. Để thực hiện điều này giải thuật DIC dùng một prefix-tree (cây tiền tố). Ngƣợc với hashtree, mỗi nút (nút lá hoặc nút trong) của prefix-tree đƣợc gán một ứng viên xác định trong tập phổ biến. Cách sử dụng cũng ngƣợc với hashtree, bất cứ khi nào tới đƣợc một nút ta có thể khẳng định rằng tập item đã kết hợp với nút này trong giao tác đó. Hơn nữa, việc xác định độ hỗ trợ và phát sinh ứng viên khớp nhau sẽ làm giảm đi số lần duyệt cơ sở dữ liệu. 3.1.3 Cải tiến thuật toán Apriori: Nhƣ đã trình bày ở trên, quá trình tìm luật kết hợp gồm hai giai đoạn: 1) Tìm các tập phổ biến với ngƣỡng minsupp (0, 1] cho trƣớc; 2) Với các tập phổ biến tìm đƣợc trong bƣớc 1 và với ngƣỡng độ tin cậy minconf (0, 1] cho trƣớc, liệt kê tất cả các luật kết hợp thỏa mãn ngƣỡng minconf. Công việc chiếm hầu hết thời gian của bƣớc 1 là xác định một tập dữ liệu có phải là tập phổ biến hay không. Trong thực tế, ta không cần thiết phải khai phá tất cả các tập mục phổ biến trong bƣớc thứ nhất mà chỉ cần khai phá tập các 33
34. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm mục phổ biến đóng. Phần này trình bày về việc sử dụng ánh xạ đóng để tìm các tập phổ biến đóng. Do tập phổ biến đóng nhỏ hơn rất nhiều so với tập tất cả các tập phổ biến nên thời gian của thuật toán tìm tập phổ biến sẽ giảm đi đáng kể. Định nghĩa 1: Kết nối Galois Cho quan hệ nhị phân R I x X. Cho R I & R T thì các ánh xạ: t: I T, t(X) = {y T/ x X, x R s}, X I. - t(X) là tập hợp tất cả các giao tác của T chứa tất cả các thuộc tính của X. i:T I, i(S) = {x I/ s S, x R s}, S T. - i(S) là tập hợp tất cả các thuộc tính của I xuất hiện ở tất cả các giao tác trong S Ví dụ: Cho CSDL D A B C D E 1 1 1 0 1 1 2 0 1 1 0 1 3 1 1 0 1 1 4 1 1 1 0 1 5 1 1 1 1 1 6 0 1 1 1 0 Ta có: t(AB) = 1345; t(BCD) = 56; t(E) = 12345 i(123) = BE; i(345) = ABE; i(23) = BE Cặp ánh xạ (t, i) đƣợc gọi là kết nối Galois trên T x I. Định nghĩa 2: Ánh xạ hợp Cho X I và S T, ta định nghĩa hai ánh xạ hợp: Cit: I -> I Cit(X) = i(t(X)) Cti: T -> T Cti(S) = t(i(S)) Ví dụ: Cit(AB) = i(t(AB)) = i(1345) = ABE 34
35. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Cti (23) = t(i(23)) = t(BE) = 12345 Định nghĩa 3: Ánh xạ đóng Cho tập U, subset(U) = {X | X U}. Ánh xạ f: subset(U) -> subset(U) đƣợc gọi là đóng trên U nếu mọi tập con X, Y U ta có các tính chất sau: T1) Tính phản xạ: X f(X) T2) Tính đồng biến: Nếu X Y thì f(X) f(Y) T3) Tính lũy đẳng: f(f(X)) = f(X) Nhận thấy Cit và Cti là hai ánh xạ đóng trên các tập mục và các tập giao dịch tƣơng ứng. Định nghĩa 4: Bao đóng của tập mục dữ liệu + Cho X I, bao đóng của X là X = Cit(X) Ví dụ: Xét CSDL D ở trên + A = ABE vì Cit(A) = i(t(A)) = i(1345) = ABE + B = B vì Cit(B) = i(t(B)) = i(123456) = B + AC = ACE vì Cit(ACE) = i(t(AC)) = i(45) = ACE Định nghĩa 5: Tập phổ biến đóng X I là tập phổ biến theo ngƣỡng minsupp. Ta nói X là tập phổ biến đóng + theo ngƣỡng minsupp nếu X = X = Cit(X). Ví dụ, xét CSDL trên, ta có: B, BC là tập phổ biến đóng theo ngƣỡng minsupp = 0,4 vì Cit(B) = B Cit(BC) = BC và supp(B)=1, supp(BC)=0,66. BCD không là tập phổ biến đóng theo ngƣỡng minsupp = 0,4 vì Cit(BCD)=BCD nhƣng supp(BCD)=0,33 < minsupp. Định nghĩa 6: Bao đóng của một tập mục Cho K supset(I) thỏa minsupp, ta định nghĩa K+ = {X+ | X K} là bao đóng của họ K. Thuật toán 1: Tìm bao đóng của tập I Format: Fred_1_Item(T, I, minsupp) Input: CSDL D, minsupp, tập các mục I + + + Output: K = {X | X K, X = Cit(X) và supp(X) minsupp} Method: 35
36. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm K= ; For mỗi X I do If ( supp(X) minsupp) then K:= K {Cit(X)} Endif; Endfor; Return (K); Thuật toán 2: Tìm tập đóng, tìm Fix(Cit) Format: Fix(T, I, minsupp) Input: CSDL D, minsupp, tập các mục I K = Fred_1_Item(T, I, minsupp) Output: K+ {X K | X = X+ và supp(X) minsupp} Method: K+:= ; While (K K+) do K‟ = K+; K1:={X Y | X, Y K}; K2 := ; For mỗi X K1 do + K2:=K2 {X } Endfor + Frequent(K1, K2, minsupp, K ); K:=K‟; Endwhile; Return(K+); Thuật toán 3: Tìm các tập thƣờng xuyên của K + Format: Frequent(K1, K, minsupp, K ) Input: K I, minsupp; 36
37. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm K1 ={X K đã tính ở bƣớc trên và supp(X) minsupp} Output: K+ = {X K | supp(X) minsupp} Method: K2 := ; For mỗi X K do If ( Y K1) and (X Y) then K1 := K1 {X} Else If not(( Y K2) and (X Y)) then If supp(X) minsupp then K1 := K1 {X} Else K2 := K2 {X}; Endif; Endif; Endfor; Return(K1); Ví dụ: Xét CSDL D ở trên, với I = {A, B, C, D, E}=ABCDE; T={1, 2, 3,4, 5,6}=123456; minsupp = 0,4 (tƣơng đƣơng với 3 giao dịch) Áp dụng thuật toán 1 ta đƣợc K = {ABE, B, BC, BD, BE} Áp dụng thuật toán 2 với Input: K = {ABE, B, BC, BD, BE} Ta đƣợc Output: K2 = {ABCE, ABDE, BCD, BCE, BDE} Áp dụng thuật toán 3 với Input: K1 = {ABE, B, BC, BD, BE} Ta đƣợc Output: {ABE, B, BC, BD, BE,ABDE, BCE, BDE} Nhận xét: Trên đây trình bày một cải tiến của việc tìm tập phổ biến bằng cách sử dụng các kết quả lý thuyết về ánh xạ đóng, bao đóng, Thuật toán đƣa ra tránh phải tìm toàn bộ các tập phổ biến, thay vào đó chi phải tìm một só lƣợng nhỏ hơn các tập phổ biến đóng, điều này cải tiến đáng kể tốc độ tính toán trong trƣờng hợp dữ liệu có dung lƣợng lớn. 37
38. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm 3.2 Giải thuật DFS (Depth First Search) Giả sử việc đếm các thể hiện đƣợc thực hiện trên tập các ứng viên có kích thƣớc hợp lý, với mỗi tập các ứng viên đó thì cần một thao tác duyệt cơ sở dữ liệu. Chẳng hạn nhƣ, giải thuật Apriori dựa vào BFS thực hiện duyệt cơ sở dữ liệu mỗi k-kích thước ứng viên một lần. Khi thực hiện tìm kiếm ƣu tiên theo chiều sâu (DFS) tập ứng viên chỉ gồm chỉ gồm một nút của cây từ phần 2.2. Một điều hiển nhiên là nếu phải thực hiện duyệt cơ sở dữ liệu cho mỗi nút thì tổng chi phí kết quả thật khổng lồ. Vì thế việc kết hợp DFS với việc đếm các thể hiện là không thật sự thích hợp. Gần đây có một cách tiếp cận mới đƣợc gọi là FP-growth đã đƣợc trình bày. Trong bƣớc tiền xử lý giải thuật FP-growth dẫn xuất cách biểu diễn rất dày đặc của dữ liệu giao tác, do đó cần một FP-tree. Việc phát sinh ứng viên của FP- tree đƣợc thực hiện thông qua việc đếm các thể hiện và DFS. Ngƣợc với hƣớng tiếp cận của DFS, FP-growth không theo nút của cây từ phần trên, mà đi trực tiếp xuống một số phần của tập item trong không gian tìm kiếm. Trong bƣớc thứ hai, FP-growth dùng FP-tree để dẫn xuất tất cả các giá trị hỗ trợ của tất cả các tập phổ biến. 3.3 Giải thuật DHP (Direct Hashing and Pruning) Thuật giải Direct Hashing and Pruning thực chất là một biến thể của thuật toán Apriori. Các hai thuật toán đều phát sinh ra các ứng viên k+1 phần tử từ một tập k-phần tử (với số lƣợng lớn). Và cũng với số lƣợng lớn các tập k+1 phần tử này đợc xác nhận bằng cách đếm sự xuất hiện của các ứng viên k+1 phần tử này trên database (thực chất là tính lại 2 độ support). Sự khác biệt của thuật toán DHP ở đây là chúng ta sẽ sử dụng kỹ thuật hashing (băm) để loại bỏ ngay các tập không cần thiết cho pha phát sinh các ứng viến kế tiếp. Nhận xét rằng, tập các ứng viên đƣợc phát sinh ban đầu, đặc biệt là tập 2- phần tử là vấn đề mấu chốt để đánh giá mức độ hiệu quả của data mining vì trong mỗi bƣớc, các tập k-phần tử (Lk) đƣợc dùng để tạo các ứng cử viên (k+1)- phần tử (Ck+1) bằng cách ghép Lk với chính một phần tử Lk khác trong bƣớc kế. Nói chung, càng nhiều tập c trong Ck thì chi phí xử lý cho việc xác định Lk+1 L1 càng tăng. Trong giải thuật Apriori, C vì vậy số bƣớc để xác định L2 từ 2 2 C2 bằng cách quét qua toàn bộ cơ sở dữ liệu và kiểm tra trên từng transaction lên tập C2 là quá tốn kém. Bằng cách xây dựng một C2 đã đƣợc giảm thiểu đáng kể, thuật giải DHP thực hiện việc đếm trên tập C2 nhanh hơn nhiều so với Apriori. 38
39. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Trong quá trinh đếm độ support của Ck trong thuật giải DHP bằng cách quét qua cơ sở dữ liệu, thuật giải cũng tích lũy những thông tin cần thiết để hỗ trợ việc tính toán trên các ứng viên (k+1)-phần tử theo ý tƣởng là tất cả các tập con (k+1)-phần tử của mỗi transaction sau vài thao tác cắt xén đƣợc băm vào trong bảng băm. Mỗi mục trong bảng băm chứa một số các tập đã đƣợc băm vào theo hàm băm. Sau đó, bảng băm này đƣơc dùng để xác định Ck+1. Để tìm ra Ck+1, thuật giải phát sinh ra tất cả các tập (k+1)-phần tử từ Lk nhƣ trong trƣờng hợp của Apriori. Ở đây, thuật giải chi đƣa một tập (k+1)-phần tử vào Ck+1 chỉ khi tập (k+1)-phần tử này qua đƣợc bƣớc lọc dựa trên bảng băm. Nhƣ vậy thuật giải đã giảm đƣợc việc phát sinh các phần tử dƣ thừa trong Ck để giảm chi phí kiểm tra khi phát sinh tập Lk. Qua kiểm nghiệm cho thấy, thuật giải DHP đã giảm đáng kể kích thƣớc của Ck+1. Input: Database D Output: Tập phổ biến k-item /* Database = set of transaction; Items = set of items; transaction = ; F1 là tập phổ biến l-item */ F1= ; /* H2 là bảng băm có 2-item */ for each transaction t Database do begin for each item x in t do x.count++; for each 2-itemset y in t do H2.add(y); end for each item i Item do if i.count/|Database| minsupp then F1=F1 i; end H2.prune(minsupp) /* Tìm Fk tập phổ biến k-item, k 2 */ for each (k:=2; Fk-1 ; k++) do begin 39
40. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm // Ck: tập các ứng viên k-item Ck= for each x {Fk-1*Fk-1} do if Hk.hassupport(x) then Ck = Ck x; end for each transaction t Database do begin for each k-itemser x in t do if x Ck then x.count++; for each (k+1)-itemset y in t do if z | z = k –subset of y Hk.hassupport(z) then Hk+1.add(y); end // Fk là tập phổ biến k-item Fk= ; for each x Ck do if x.count/|Database| minsupp then Fk=Fk x; end Hk+1.prune(minsupp) end Answer= k Fk Trong bƣớc khởi tạo, trong khi đếm số lần xuất hiện của các tập 1-phần tử, sự xuất hiện của các giá trị băm cho tập 2-phần tử cũng đƣợc đếm. Khi đó tập các ứng cử viên đƣợc loại khỏi bảng băm nếu giá trị băm tƣơng ứng trong bảng băm nhỏ hơn minSupp. Một tập (k+1)-phần tử trong một transaction đƣợc thêm vào bảng băm Hk+1 nếu giá trị băm của tất cả tập con k-phần tử của ứng viên (k+1)-phần tử thỏa minSupp trong Hk. Giải thuật DHP cũng xét đến việc loại bỏ các transaction không chứa bất kỳ một tập phổ biến nào khỏi cơ sở dữ liệu cũng nhƣ loại bỏ các item không tham gia tập phổ biến sau mỗi bƣớc. 40
41. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Trong trƣờng hợp kích thƣớc của cơ sở dữ liệu tăng thì thuật giải DHP cải thiện đáng kể tốc độ so với giải thuật Apriori. Tuy nhiên, mức độ này còn phụ thuộc nhiều vào kích thƣớc bảng băm 3.4 Giải thuật PHP(Perfect Hashing and Pruning) Trong thuật giải DHP, nếu chúng ta có thể định nghĩa một bảng băm lớn sao cho mỗi tập item có thể đƣợc ánh xạ vào các ô riêng biệt trong bảng băm thì giá trị băm của bảng băm sẽ cho biết số lƣợng xuất hiện thật sự của mỗi tập phần tử. Trong trƣờng hợp này, chúng ta sẽ không cần phải thực hiện lại việc đếm số lần xuất hiện cho các tập item này. Dễ thấy rằng số lƣợng dòng dữ liệu cần quét với một tập gồm nhiều tập item cũng là một vẫn đề ảnh hƣởng xấu đến hiệu quả thực hiện. Việc giảm thiểu số transaction cần phải đọc lại và bỏ bớt các item không cần xét rõ ràng cải thiện chất lƣợng data mining với cơ sở dữ liệu lớn. Giải thuật đƣợc đề nghị PHP sử dụng một bảng băm lý tƣởng (perfect hashing) cho mỗi bƣớc phát sinh bảng băng và đồng thời giảm kích thƣớc cơ sở dữ liệu bằng cách cắt bỏ những transaction không chứa bất kỳ một tập phổ biến nào. Thuật giải đƣợc mô tả nhƣ sau: Trong bƣớc đầu tiên của thuật giải, kích thƣớc của bảng băm bằng với số lƣợng item trong cơ sở dữ liệu. Mỗi item này đƣợc ánh xạ vào một vị trí riêng biệt trong bảng băm, do đó, ta gọi giải thuật này là perfect hashing. Phƣơng thức cộng của bảng băm thêm vào một mục mới nếu mục này chƣa tồn tại trong bảng băm và giá trị đếm đƣợc khởi tạo là 1; ngƣợc lại biến đếm sẽ đƣợc tăng lên 1 đơn vị. Sau bƣớc đầu tiên, bảng băm chứa đúng số lần xuất hiện của mỗi item trong cơ sở dữ liệu. Chỉ cần duyệt một bƣớc qua bảng băm (đƣợc đặt trong bộ nhớ chính), thuật giải dễ dàng phát sinh ra các tập phổ biến 1-phần tử. Sau bƣớc này, phƣơng thức prune của bảng băm sẽ loại bỏ tất cả các mục có độ support nhỏ hơn minSupp. Trong các bƣớc tiếp theo, giải thuật cắt xén bớt cơ sở dữ liệu bằng cách bỏ đi không xét đến các transaction không chứa bất kỳ một tập phổ biến nào cũng nhƣ bỏ tất cả các item không tham gia vào một tập phổ biến nào. Kế đó, thuật giải phát sinh các ứng viên k-phần tử và đếm số lần xuất hiện của các tập k-phần tử. Cuối của bƣớc này, Dk là cở sở dữ liệu đã đƣợc cắt xén, Hk chứa số lần xuất hiện của các tập k-phần tử, Fk là các tập phổ biến k-phần tử. Quá trình này tiếp tục cho đến khi không còn Fk nào đƣợc tìm thêm nữa. 41
42. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Thuật giải này rõ ràng là tốt hơn DHP vì sau khi tạo bảng băm, chúng ta không cần đếm số lần xuất hiện của các ứng viên k-phần tử nhƣ trong trƣờng hợp DHP. Giải thuật này cũng tốt hơn giải thuật Apriori vì tại mỗi vòng lặp, kích thƣớc của cơ sở dữ liệu đƣợc giảm, điều này làm tăng hiệu quả của thuật toán trong trƣờng hợp cơ sở dữ liệu lớn và số lƣợng các tập phổ biến tƣơng đối nhỏ. Input: Database Output: Tập phổ biến k-item /* Database = set of transaction; Items = set of items; transaction = ; F1 là tập phổ biến l-item */ F1= ; /* H1 là bảng băm có 1-itemset */ for each transaction t Database do begin for each item x in t do H1.add(x); end for each itemset y in H1 do if H1.hassupport(y) then F1=F1 y end H1.prune(minsupp) D1=Database /* Tìm Fk tập phổ biến k-item, k 2 */ k=2; repeat Dk= ; Fk= ; for each transaction t Dk-1 do begin // w là k-1 subset của item in t if w| w Fk 1 then skip t; else 42
43. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm items = ; for each k-itemser y in t do if z | z = k –subset of y Hk-1.hassupport(z) then Hk.add(y); items = item y; end Dk=Dk t; end for each itemset y in Hk do if Hk.hassport(y) then Fk=Fk y; end Hk+1.prune(minsupp) k++; until Fk-1= ; Answer= k Fk ; Ngoài ra, sau mỗi vòng lặp thì Dk là cở sở dữ liệu chỉ chứa các transaction có chứa tập phổ biến. Giải thuật tạo tất cả các tập con k-phần tử của mỗi item trong mỗi giao tác và chèn phần tử nào có các tập con k-1 phần tử thỏa độ support trong bảng băm. Vì thuật giải thực hiện việc cắt xén trong quá trình thêm các ứng viên k-phần tử vào Hk nên kích thƣớc của bảng băm không quá lớn và có thể đặt trong bộ nhớ chính. 4. Phát sinh luật từ các tập phổ biến Sau khi có đƣợc các tập phổ biến với độ tin cậy minSupp, chúng ta cần rút ra các luật có độ tin cậy minConf. Để sinh các luật, với mỗi tập phổ biến L, ta tìm các tập con khác rỗng của L. Với mỗi tập con s tìm đƣợc, ta xuất ra luật s (L-s) nếu tỉ số supp(L)/supp(a) tối thiểu là minsconf for mỗi tập phổ biến L tạo tất cả các tập con khác rỗng s of L for mỗi tập con khác rỗng s of L cho ra luật "s (L-s)" nếu support(L)/support(s) min_conf" trong đó min_conf là ngƣỡng độ tin cậy tối thiểu Ví dụ: tập phổ biến l = {abc}, subsets s = {a, b, c, ab, ac, bc) 43
44. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm a b, a c, b c a bc, b ac, c ab ab c, ac b, bc a Vấn đề ở đây là nếu lực lƣợng item trong |L| = n trở nên lớn, số luật có thể phát sinh từ một tập phổ biến L sẽ không nhỏ chút nào Số luật phát sinh từ L = 2n – 2 với |L| = n (nghĩa là nếu |L| = 10, ta cần phải kiểm tra độ tin cậy của 1022 luật đƣợc phát sinh). 4.1 Cải tiến 1 – Giảm số lượng các luật được phát sinh và cần phải kiểm tra Khó khăn đầu tiên mà chúng ta phải giải quyết trong bài toán là khi |L| chỉ hơi tăng thì số luật phát sinh đã tăng theo cấp số mũ dẫn đến phải kiểm tra nhiều luật hơn. Xét một luật r: X => Y có không thỏa minConf thì chắc chắn luật r‟ đƣợc phát sinh bằng cách thêm vào vế trái một item i L cũng không thể thỏa minConf: Nếu r: X => Y có conf(r) Y i (với i L) cũng có conf(r‟)<minConf. Nhƣ vậy, nếu nhƣ ta chỉ xét trên một tập X thì việc phát sinh và kiểm tra các luật r nên bắt đầu với tập Y là tập gồm 1 phần tử, rồi đến các tập 2 phần tử, 3 phần tử Nếu chúng ta nhìn lại bài toán tìm tập phổ biến thì ta sẽ thấy việc tìm tập Y cũng có tính chất gần tƣơng tự với bài toán đi tìm tập phổ biến L. Chúng ta chỉ phát sinh và kiểm tra độ tin cậy của một phần tử y ở mức k nếu mọi tập con của nó đều thỏa minConf (nói một cách khác là mọi tập con của nó phải thuộc Yk). for each X L do if X then begin YS1 = generate_1_itemset_has_confident(X, L\X); k = 2 while YSk-1 do CYk = generate_k_itemset_from(YSk-1, L\X); YSk = DB.check_confident(X, CYk); Endwhile end endfor; 44
45. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Y { 2 } { 5 } { 7 } { 2, 5 } { 2, 7 } { 5, 7 } { 2, 5, 7 } L= { 1, 2, 3, 5, 7 } X = { 1, 3 } Hình 6: ví dụ minh họa Trong ví dụ trên, luật {1, 3} => {7} không thỏa minConf dẫn đến các luật {1, 3} => {2, 7}, {1, 3} => {5, 7}, {1, 3} => {2, 5, 7} cũng không cần xét nữa. Với nhận xét này, chúng ta có thể áp dụng đƣợc một số cải tiến trong những cải tiến đƣợc sử dụng cho bài toán tìm tập phổ biến nhƣng ở đây cần lƣu ý một điều là ở đây lực lƣợng |L| không quá lớn và việc tính supp(X Y) và supp(Y) có thể xem nhƣ đã đƣợc lƣu lại (xem lại thuật giải PHP) nên có thể một số cải tiến trở nên không cần thiết. 4.2 Cải tiến 1.a – tránh phát sinh các luật không có ý nghĩa Một tính chất khác mà chúng ta cũng cần lƣu lý là nếu chúng ta có một luật r: X => Y thỏa conf(r) minConf thì luật đƣợc phát sinh bằng cách thêm vào vế trái một một item i Y cũng thỏa độ tin cậy minConf: Nếu r: X => Y,conf(r) minConf thì r‟: X i => Y cũng có conf(r‟) minConf Ở đây, luật r‟ không đem lại ý nghĩa thực tế nếu ta đã có luật r nên trong phần lớn các ứng dụng tìm luật kết hợp, ta đều có mong muốn bỏ không xét đến nó. Nhƣ vậy thay vì xét tuần từ các X L, ta sẽ xét có thứ tự đầu tiên là tập các X có 1 phần tử, rồi đến tập các X có 2 phần tử, , tập X có |L|-1 phần tử. Việc xét có thứ tự này sẽ giúp cho ta phát hiện sớm và loại bỏ hoàn toàn những luật đƣợc phát sinh r: X => Y không có ý nghĩa bằng cách đánh dấu những luật r này nhƣ là luật không thỏa minConf nếu nhƣ chúng ta phát hiện đã có một luật X‟ => Y thỏa minConf, với X‟ X. Thuật giải đƣợc sửa lại nhƣ sau: 45
46. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm for k=1 to |L|-1 do for each X generate_k_itemset(f) do YS1 = generate_1_itemset_has_confident(X, L\X); YS1. = Cache.FilterOutRedundantRules(X, YS1); k = 2; while YSk-1 do CYk = generate_k_itemset_from(YSk-1, L\X); YSk = DB.check_confident(X, CYk); endwhile endfor; endfor; 4.3 Một số kỹ thuật khác trong việc tối ưu hóa chi phí tính độ Confident Để tránh việc phải quét lại cơ sở dữ liệu để tính độ tin cậy (tốn kém chi phí không kém gì việc quét cơ sở dữ liệu để tính độ support), ta có thể áp dụng một hƣớng tiếp cận nào đó để cache (lƣu lại) độ support của các tập phổ biến. Chi phí lƣu trữ này rõ ràng là quá nhỏ so với chi phí phải bỏ ra để tính lại độ confident cho luật. Ta cũng có thể tận dụng hash tree đƣợc sử dụng trong thuật toán PHP để có thể nhanh chóng tính đƣợc độ support của một tập phổ biến bất kỳ. 5. Đánh giá, nhận xét Phần này chúng ta đã xem xét các giải thuật khai phá tập phổ biến nhƣ: Apriori, AprioriTID, Các giải thuật này đều tỷ lệ tuyến tính với kích thƣớc CSDL. Nghĩa là tất cả các độ phức tạp về thời gian, bộ nhớ, tính toán thuật toán, . . . đều tỉ lệ thuận với độ lớn CSDL D. 46
47. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Chương 2: MÔ HÌNH TÌM KIẾM THÔNG TIN 1. Tìm kiếm thông tin Hãy tƣởng tƣợng việc tìm kiếm một cuốn sách trong thƣ viện mà không có bảng liệt kê mục lục. Thật không phải là một công việc dễ dàng. Cũng nhƣ việc tìm kiếm một thông tin trên Internet. Để bắt đầu ngƣời dùng theo các siêu liên kết đến trang web mới rồi xác định các tài liệu liên quan chứa thông tin mình cần. Mỗi liên kết không rõ ràng có thể đƣa họ đi xa hơn phạm vi tìm kiếm. Trong một hệ thống nhỏ và cố định việc thiết kế một tài liệu hƣớng dẫn việc tìm kiếm không thành vấn đề. Nhƣng trong môi trƣờng world Wide Web là một môi trƣờng thông tin không tập trung, gồm nhiều loại khác nhau, liên tục thay đổi và phát triển nhanh chống thì việc tìm kiếm thông tin có thể nói là một thách thức đòi hỏi khá nhiều thời gian. Hiện nay đã có khá nhiều các công cụ hay những bộ máy tìm kiếm thông tin thông minh cho phép giải quyết vấn đề này. Nó cung cấp một cơ chế tìm kiếm nhanh chóng bằng cách duy trì một hệ thống chỉ mục các trang web. Côn việc của bộ chỉ mục là phân loại các trang web thình các nhóm thông tin và đánh chỉ mục full-text cho tất cả các trang web. Do môi trƣờng web liên tục thay đổi nên việc đánh chỉ mục phải đƣợc thực theo định kì. Ngƣời dùng chỉ việc nhập vào các từ khóa hay chủ đề mình cần, bộ máy tìm kiếm sẽ liệt kê tất cả các tài liệu liên quan theo thứ tự độ chính xác tìm đƣợc. Hiện nay có rất nhiều loại môtơ tìm kiếm. Cơ thế tìm kiếm của nó có thể là tìm kiếm theo một chủ đề hay một loại thông tin nào đó. Ví dụ: tìm kiếm thông tin về phần mềm (www.softseek.com), âm nhạc ( www.mp3search.com), . Hay cũng có thể là các thông tin tổng hợp. Cùng với nhu cầu tìm kiếm thông tin là nhu cầu nắm bắt những thay đổi trên web. những thay đổi bao gồm việc cập nhật những thông tin về các nhu cầu việc làm mới trên internet, hay những tin tức nóng bỏng Nó giúp cho các ƣng viên tìm đƣợc những việc làm phù hợp hay các doanh nghiệp có thể tìm những ứng viên phù hợp với yêu cầu doanh nghiệp, nó cũng giúp cho ngƣời dùng biết đƣợc những gì đã và đang diễn ra xung quanh. Nhƣ đã nói ở trên việc duy trì hệ thống chỉ mục (bao gồm cả chỉ mục về loại thông tin của tài liệu lẫn chỉ mục full-text các tài liệu) cho các trang web quyết định chất lƣợng của các search engine. Để duy trì hệ thống chỉ mục này chúng liên tục duyệt qua các trang web bằng cách đi theo các siêu liên kết, qua đó 47
48. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm quyết định xem những tài liệu nào sẽ đƣợc thêm vào bảng chỉ mục của mình. Đặc điêm quan trọng nhất của world wide web là mô hình thông tin không tập trung. Bất cứ ai cũng có thể thêm vào các server, các thông tin hay các siêu liên kết. trong môi trƣờng thay đổi nhƣ vậy, đối với một search engine cùng với việc thu thập các thông tin liên quan, việc phát hiện các thông tin mới cũng là rất quan trọng. Các search engine nhận biết các thông tin cần thiết của ngƣời dùng thông qua địa chỉ url của chúng. Khi xét một Url, search engine sẽ dựa vào mục đích tìm kiếm quyết định xem nó có nên đƣợc dùng để tìm kiếm tiếp hay không và sẽ lƣu nội dung của nó lại nếu thích hợp, sau khi lƣu một tài liệu, search engine tìm kiếm và đánh dấu tài liệu đã đƣợc xét rồi. và tìm tất cả các liên kết có trong tài liệu và lại tiếp tục nhƣ vậy đối với các liên kết mới này. Tất cả các bƣớc này đều ảnh hƣởng đến việc lƣu thông tin trong cơ sở dữ liệu. 2. Mô hình Search engine Robots Search Engine Internet Query Server Database Một Search engine bao gồm các thành phần - Modul chính Search engine: điều khiển tất cả hoạt động của hệ thống - Modul cập nhật thông tin Robots: chịu trách nhiệm tìm kiếm và tái hiện thông tin về các tài liệu trên internet phù hợp với yêu cầu do modul chính đƣa ra. - Phần cơ sở dữ liệu: lƣu trữ các thông tin về các tài liệu nhƣ: nội dung tài liệu, các siêu liên kết giữa chúng, 2.1 Search engine Một search engine phát hiện các tài liệu mới bằng cách bắt đầu với một tập hợp các tài liệu đã biết, kiểm tra các siêu liên kết xuất hiện trong đó, duyệt theo một trong các liên kết đến tài liệu mới, sau đó lặp lại toàn bộ quá trình này. Tƣởng tƣợng web nhƣ là một đồ thị có hƣớng và việc tìm kiếm đơn giản chỉ là duyệt qua đồ thị sử dụng với một thuật toán duyệt đồ thị nào đó. Search engine 48
49. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm không chỉ chịu trách nhiệm quyết định xem tài liệu nào sẽ duyệt mà còn quyết định xem kiểu tài liệu nào mới đƣợc duyệt. 2.2 Agents Để thực hiện việc thu thập tài liệu từ web, search engine gọi đến các “Agent” hay còn gọi là các Robot. Đầu vào của nó là một địa chỉ Url và nhiệm vụ là tái hiện thông tin về tài liệu tại địa chỉ đó. Kết quả trả về cho modul chính là một đối tƣợng chứ nội dung tài liệu ở địa chỉ đó hoặc một giải thích lý do tại sao tài liệu không đƣợc tái hiện. Các Agent này phải có khả năng truy cập đƣợc các kiểu nội dung khác nhau với các giao thức phổ biến nhƣ HTTP, FTP, Việc chờ đợi sự trả lời từ một server ở xa có thể gây tốn tài nguyên của hệ thống, các Agent thƣờng đƣợc tổ chức thành các tiến trình khác nhau và chạy song song với nhau. Modul chính làm chức năng quản lý tiến trình này, khi phát hiện ra một địa chỉ mới, nó sẽ tìm một Agent đang rỗi và giao nhiệm vụ cho Agent này. Khi thực hiện xong nó trả lại kết quả cho modul chính và thiết đặt trạng thái rỗi. Quá trình cứ tiếp tục nhƣ thế cho đến hết thời gian quy định hay khi không còn có một địa chỉ mới nào nữa. 3. Hoạt động của các Search engine Nhƣ đã nói ở trên Search Engine dùng các robot để xây dựng bảng chỉ mục nội dung các trang Web. Đó là các chƣơng trình tự động đi theo các siêu liên kết trên các trang Web, thu thập các dữ liệu tại các trang Web đó cần thiết cho việc đánh chỉ mục. Chúng đƣợc gọi là các robot bởi vì chúng hoạt động độc lập: chúng tự phân tách các siêu liên kết và đi theo các siêu liên kết này. Một số tên khác cho những chƣơng trình kiểu này: spider, spider, worm, wanderer, gatherer, Việc các rôbốt đi theo các liên kết cũng giống nhƣ một ngƣời duyệt Web xem các trang tài liệu trên browser của mình. Bạn có thể hỏi tại sao các robot lại phải tạo ra bảng chỉ mục các trang Web nhƣ vậy, tại sao không chỉ tìm kiếm khi ngƣời dùng đã nhập vào yêu cầu tìm kiếm. Đó là vì việc tổ chức bảng chỉ mục tập trung sẽ cho phép giảm khối lƣợng dữ liệu vào ra trên server, cho phép tìm kiếm một số lƣợng lớn tài liệu và bởi nhiều ngƣời cùng một lúc. Nó còn cho phép liệt kê kết quả theo thứ tự liên quan của tài liệu đối với yêu cầu tìm kiếm. Dƣới chúng ta sẽ tìm hiểu kĩ hơn xem các robot tập hợp dữ liệu cho việc xây dựng bảng chỉ mục nhƣ thế nào, cách chúng đi theo các liên kết trên Internet, cách chúng đánh chỉ mục tài liệu và cập nhật bảng chỉ mục 49
50. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm 3.1 Hoạt động của các robot Các robot bắt đầu từ một trang cho trƣớc, thƣờng thƣờng là trang chủ của một Web site nào đó, nó đọc nội dung của trang đó giống nhƣ một trình duyệt Web, và theo các siêu liên kết đến các trang khác. Việc quyết định có đi đến trang khác hay không tuỳ thuộc vào cấu hình của hệ thống. Các robot có thể chỉ cho phép duyệt các trang Web trong phạm vi một server hay một tên miền nào đó. Một môtơ tìm kiếm phát hiện các tài liệu mới bằng cách bắt đầu với một tập hợp các tài liệu đã biết, kiểm tra các siêu liên kết xuất hiện trong đó, duyệt theo một trong các liên kết đến tài liệu mới, sau đó lặp lại toàn bộ quá trình này. Tƣởng tƣợng Web nhƣ là một đồ thị có hƣớng và việc tìm kiếm đơn giản chỉ là duyệt qua đồ thị sử dụng với một thuật toán duyệt đồ thị nào đó. Hình dƣới chỉ ra một ví dụ. Giả sử rằng để duyệt qua tài liệu A trên Server1 và tài liệu E trên Server3 và bây giờ môtơ quyết định xem tài liệu mới nào sẽ đƣợc duyệt tiếp. Tài liệu A có các liên kết đến tài liệu B, C, tài liệu E có các liên kết đến tài liệu D và F. Môtơ tìm kiếm sẽ lựa chọn một trong các tài liệu B, C hoặc D để duyệt tiếp dựa trên yêu cầu tìm kiếm đang đƣợc thực hiện. Hình 7: hoạt động của robot 3.2 Duyệt theo chiều rộng Ý tƣởng duyệt theo chiều rộng mục đích là tập hợp đƣợc tất cả các trang xung quanh điểm xuất phát trƣớc khi theo các liên kết đi ra xa điểm bắt đầu. Đây là cách thông thƣờng nhất mà các robot hay làm. Nếu việc thực hiện đánh chỉ mục trên một vài server thì khối lƣợng yêu cầu tới các server đƣợc phần phối đều nhau, vì thế làm tăng hiệu quả tìm kiếm. Chiến lƣợc này cũng giúp cho việc cài đặt cơ chế xử lý song song cho hệ thống. 50
51. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Trong đồ thị dƣới đây, trang bắt đầu ở giữa đƣợc tô màu đậm nhất. Các trang tiếp theo, tô màu đậm vừa sẽ đƣợc đánh chỉ mục đầu tiên, sau đó mới đến các trang đƣợc tô màu nhạt hơn cuối cùng đến các trang màu trắng. Ý tƣởng duyệt theo chiều rộng mục đích là tập hợp đƣợc tất cả các trang xung quanh điểm xuất phát trƣớc khi theo các liên kết đi ra xa điểm bắt đầu. Đây là cách thông thƣờng nhất mà các robot hay làm. Nếu việc thực hiện đánh chỉ mục trên một vài server thì khối lƣợng yêu cầu tới các server đƣợc phần phối đều nhau, vì thế làm tăng hiệu quả tìm kiếm. Chiến lƣợc này cũng giúp cho việc cài đặt cơ chế xử lý song song cho hệ thống. Trong đồ thị dƣới đây, trang bắt đầu ở giữa đƣợc tô màu đậm nhất. Các trang tiếp theo, tô màu đậm vừa sẽ đƣợc đánh chỉ mục đầu tiên, sau đó mới đến các trang đƣợc tô màu nhạt hơn cuối cùng đến các trang màu trắng. Hình 8: mô hình tìm kiếm theo chiều rộng 3.3 Duyệt theo chiều sâu Theo cách duyệt này, các robot đi theo các liên kết từ liên kết thứ nhất trong trang bắt đầu, sau đó đến liên kết thứ nhất trong trang thứ hai và tiếp tục nhƣ thế. Khi nó đánh chỉ mục đƣợc các liên kết đầu tiên của mỗi trang, nó tiếp tục tới các liên kết thứ hai và tiếp theo. Một số robot đơn giản dùng phƣơng pháp này vì nó dễ cài đặt. 51
52. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Hình 9: mô hình tìm kiếm theo chiều sâu 3.4 Độ sâu giới hạn Một vấn đề đối với các robot là độ sâu giới hạn cho phép chúng trong khi duyệt một Web site. Trong ví dụ về duyệt theo độ sâu ở trên, trang bắt đầu có độ sâu 0, và độ xám của các trang chỉ ra 3 mức liên kết với các độ sâu 1, 2, 3. Đối với một số Web site, thông tin quan trọng nhất thƣờng gần với trang chủ và các trang có độ sâu lớn hơn thƣờng ít liên quan đến chủ đề chính. Một số khác ở vài mức đầu tiên chứa chủ yếu là các liên kết còn nội dung chi tiết lại ở các mức sâu hơn. Trong trƣờng hợp này, các robot phải đảm bảo đánh chỉ mục đƣợc các trang chi tiết bởi vì chúng có giá trị đối với những ngƣời muốn tìm kiếm trên Web site đó. Cũng có một số robot chỉ đánh chỉ mục ở một vài mức đầu tiên mục đích để tiết kiệm không gian lƣu trữ. 3.5 Vấn đề tắc nghẽn đường chuyền Các Web robot, giống nhƣ các trình duyệt, có thể dùng nhiều kết nối tới một Web Server để đọc dữ liệu. Tuy nhiên, điều này có thể làm các server quá tải với việc bắt chúng phải trả lời hàng loạt yêu cầu của robot. Khi kiểm tra hoạt động của server hoặc phân tách các thông báo truy vấn từ bên ngoài, ngƣời quản trị mạng có thể phát hiện ra rất nhiều yêu cầu xuất phát từ cùng một địa chỉ IP và có thể ngăn chặn robot không cho nó truy cập thông tin từ đó nữa. Rất nhiều Web robot đã có cơ chế đặt khoảng thời gian trễ đối với các yêu cầu tới cùng một server. Điều này cực kì quan trọng khi robot xuất phát từ một 52
53. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm địa chỉ đơn và server cần đánh chỉ mục có băng thông hẹp hay có rất nhiều truy vấn cùng lúc. Đối với các server quá tải, đặt biệt là các server với những trang Web có kích thƣớc lớn và ít thay đổi, thì việc kiểm tra ngày tháng cập nhật thông tin là rất cần thiết. Với tập lệnh trong giao thức HTTP: HEAD hay CONDITIONAL GET, các robot có thể lấy các thông tin META về trang Web trong đó có thông tin về thời gian trang Web đã bị thay đổi. Điều này có nghĩa là robot chỉ lấy về các trang Web đã thay đổi chứ không phải là tất cả các trang, do đó làm giảm khối lƣợng truy vấn tới server một cách đáng kể. 3.6 Hạn chế của các robot Mỗi khi robot truy nhập một trang Web từ một server nào đó qua giao thức HTTP, giao thức này bao gồm một số thông tin về đặc điểm của phía client và kiểu thông tin yêu cầu trong phần header. Trong đó có trƣờng User-Agent, nó ghi lại tên của client (chƣơng trình gửi yêu cầu), đó hoặc là một trình duyệt hay là một chƣơng trình robot. Ngƣời quản trị mạng qua đó có thể biết đƣợc hoạt động của robot. Cũng do cơ chế bảo mật, ngƣời quản trị mạng có thể chỉ định những thƣ mục có thể cho phép robot truy nhập cũng ngăn không cho robot truy nhập vào một số thƣ mục ví dụ nhƣ: CGI, các thƣ mục tạm, thƣ mục cá nhân. Tất cả những thông tin này đƣợc lƣu trong file robots.txt và đƣợc đặt trong thƣ mục gốc. 3.7 Phân tích các liên kết trong trang web Đối với rất nhiều trang Web việc tìm kiếm các liên kết đến các trang Web khác rất dễ dàng. Các liên kết có dạng URL chuẩn : “ (đối với một file trong cùng một thƣ mục trên cùng một server) hay “ ” (đối với các file trên các server khác nhau). Tuy nhiên một số Web site việc phát hiện ra các liên kết này không đơn giản nhƣ vậy. Tất cả các thẻ JavaScript, Frames, Image Maps và một số thẻ khác có thể làm cho robot không thể phân biệt đƣợc đâu là các liên kết trong đó. 3.8 Nhận dạng mã tiếng việt Tiếng Việt chƣa có một bảng mã thống nhất dùng trong cả nƣớc, mỗi vùng quen dùng một loại mã tiếng Việt riêng nhƣ các tỉnh phía Bắc hay dùng ABC, 53
54. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm VietWare, phía Nam hay dùng VNI, ĐHBK tpHCM. Điều này gây ra khó khăn khi trao đổi thông tin trên máy tính. Khi ta nhận tập tin tiếng Việt từ máy khác không dùng chung bảng mã tiếng Việt với máy của ta thì ta phải thực hiện thao tác chuyển mã. Nếu đã biết mã nguồn thì công việc trở nên đơn giản hơn, viết một chƣơng trình nhỏ với dữ liệu mã nguồn đã biết ta có thể chuyển đổi mã nhanh chóng. Các phần mềm tiếng Việt thƣờng dùng nhƣ VietWare, VNI đều có chức năng chuyển mã biết mã nguồn này. Vấn đề trở nên phức tạp hơn khi mã nguồn không biết, ta phải tự động đoán ra mã nguồn của đoạn văn tiếng Việt gửi đến. Hiện nay với sự bùng nổ của Internet việc trao đổi thông tin trên mạng thành thƣờng xuyên hơn thì nhu cầu nhận dạng tự động mã tiếng Việt là rất lớn. Ta thử tƣởng tƣợng với bất cứ chƣơng trình nào chạy trên Web server có đầu vào là một đoạn tiếng Việt nhận từ các máy client ở các vùng khác nhau sử dụng các bảng mã khác nhau (nhƣ chƣơng trình truy cập thông tin sách báo, chƣơng trình chọn bài nhạc, các chƣơng trình hỏi đáp cơ sở dữ liệu từ xa v.v ) đều cần phải nhận dạng loại mã mà client đã dùng để biết đúng ý nghĩa của xâu gửi đến mà đáp ứng yêu cầu của client. Việc nhận dạng mã tiếng Việt còn giúp ta chuyển đổi tất cả các tài liệu trên mạng về một chuẩn mã thuận tiện cho việc xử lý sau này. 54
55. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Chương 3: ỨNG DỤNG THỬ NGHIỆM KHAI PHÁ DỮ LIỆU TÍCH HỢP TỪ CÁC WEBSITE TUYỂN DỤNG 1. Bài toán: 1.1 Phát biểu bài toán: Hiện nay do nhu cầu của xã hội, việc tuyển dụng trên các website tuyển dụng khá phổ biến các thông tin việc tìm ngƣời và ngƣời tim việc đƣợc cập nhật liên tục. Các thông tin về việc tìm ngƣời bao gồm: Ngành tuyển, doanh nghiệp cần tuyển, công việc, mức lƣơng, độ tuổi, giới tính. Các thông tin về ngƣời tìm việc bao gồm: Ngành tuyển, ngƣời tuyển, độ tuổi, giới tính, công việc. các thông tin tổng hợp này sẽ giúp các nhà quản lý, các trƣờng đại học biết đƣợc xu hƣớng tuyển của doanh nghiệp, xu hƣớng chọn ngành nghề của ngƣời học, dánh giá về mực lƣơng của mỗi ngành qua đó có điều chỉnh cho phù hợp Trong phạm vi của đồ án này, Em sử dụng các kỹ thuật khai phá dữ liệu đối với CSDL Việc tìm ngƣời và Ngƣời tìm việc nhằm xác định xu hƣớng tìm việc của ngƣời tìm việc và xu hƣớng tuyển của doanh nghiệp theo ngành thông qua thuật toán Apriori. 1.2 Một số website tìm việc làm nổi tiểng của việt nam: Người tìm việc Việc tìm người Tóm lược Sơ lược về Công ty Họ tên Sơ lƣợc về công ty Địa chỉ email Quy mô công ty Bằng cấp cao nhất Địa chỉ công ty Cấp bậc hiện tại Chi tiết công việc Tổng số năm Chức danh Kinh nghiệm Mô tả công việc Công việc gần đây nhất yêu cầu chung Công việc mong muốn Nhận hồ sơ bằng ngôn ngữ Vị trí Kỹ năng băt buộc Cấp bậc Loại hình làm việc Loại hình Nơi làm việc Ngành nghề Ngành nghề Nơi làm việc Cấp bậc tối thiểu Mức lƣơng mong muốn Mức lƣơng 55
56. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Người tìm việc Việc tìm người Tóm lược Sơ lược về Công ty Họ tên Công ty Địa chỉ email Mô tả Bằng cấp cao nhất Điện thoại Kĩ năng cá nhân Quy mô Tiêu chí hoạt động Email Website Cấp bậc hiện tại Chi tiết công việc Tổng số năm Chức danh/vị trí Kinh nghiệm Số lƣợng tuyển Công việc gần đây nhất Lĩnh vực ngành nghề Công việc mong muốn Địa điểm làm việc Vị trí Mô tả việc làm Chức danh Kỹ năng tối thiểu Mô tả công việc Trình độ tối thiểu Mức lƣơng hiện tại Kinh nghiệm yêu cầu Mức lƣơng mong muốn Yêu cầu giới tính Loại hình công việc Hình thức làm việc Ngành nghề muốn Mức lƣơng Địa điểm Thời gian thử việc Các chế độ khác Yêu cầu hồ sơ Hạn nộp hồ sơ Người tìm việc Việc tìm người Tóm lược Sơ lược về Công ty Họ tên Tên công ty Địa chỉ email Tóm lƣợc công ty Bằng cấp cao nhất Địa chỉ công ty Cấp bậc hiện tại Chi tiết công việc Tổng số năm Chức danh Kinh nghiệm Ngành nghề Công việc gần đây nhất Địa điểm làm việc Công việc mong muốn Số lƣợng tuyển Vị trí Mô tả công việc Cấp bậc Kinh nghiệm kĩ năng Loại hình Trình độ học vấn 56
57. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Ngành nghề Yêu cầu kinh nghiệm Nơi làm việc Loại hình công việc Mức lƣơng mong muốn Mức lƣơng Người tìm việc Việc tìm người Tóm lược Sơ lược về Công ty Họ tên Sơ lược Tuổi Quy mô Địa chỉ Địa chỉ Chức danh Chi tiết công việc Yêu cầu Chức danh Khả năng Mô tả công việc Yêu cầu Công việc mong muốn Loại hình công việc Loại hình công việc Nơi làm việc Nơi làm việc Ngành nghề Ngành nghề Cấp bậc tối thiểu Mức lƣơng Mức lƣơng Trình độ học vấn Liên hệ Kĩ năng Hạn nộp hồ sơ Người tìm việc Việc tìm người Tóm lược Sơ lược về Công ty Họ tên Công ty Ngày sinh Địa chỉ Giới tính Mô tả Tình trạng hôn nhân Điện thoại Địa chỉ Quy mô Điện thoại Tiêu chí hoạt động Trình độ Website email Chi tiết công việc Chức danh/ vị trí Số lƣợng tuyển Lĩnh vực ngành nghề Công việc mong muốn Địa điểm làm việc Chức danh Kỹ năng tối thiểu Mô tả công việc Trình độ tối thiểu Mức lƣơng Kinh nghiệm yêu cầu 57
58. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Địa điểm Yêu cầu giới tính Trình độ học vấn Hình thức làm việc Kinh nghiệm Mức lƣơng 1.3 Thiết kế cơ sở dữ liệu: Hiện nay do sự bùng nổ của công nghệ thông tin, nhu cần tuyển dụng trực tuyến trở lên phù hợp hơn với các ứng viên và các nhà tuyển dụng so với cách tuyển dụng truyền thống. Với cách tuyển dụng này các ứng viên hay nhà tuyển dụng chỉ cần truy cập vào các website tuyển dụng tìm các công việc, hay các hồ sơ ứng viên phù hợp với khả năng của các ứng hay, nhà tuyển dụng và các ứng viên sẽ hộp hồ sơ trực tiếp qua email cho các nhà tuyển dụng, cho các ứng viên. Với cách tuyển dụng mới này cũng giúp cho các nhà quản lý đỡ mất thời gian trong việc thu thập thông tin về việc làm của các cơ quan quản lý có thể nắm bắt đƣợc nhu cầu việc làm của xã hội và có thể từ các thông tin việc làm trong csdl việc làm có thể rút ra các tri thức hay các xu hƣớng công việc và là nguồn thông tin giúp trƣờng đại học dân lập hải phòng xác định xu hƣớng ngành nghề góp phần định hƣớng đào tạo của trƣờng. Việc thu thập thông tin việc làm từ các trang web một cách tự động làm cho việc thu thập thông tin một cách nhanh chóng và chính xác. Do các web site đƣợc tổ chức dƣới dạng phân cấp, chính vì vậy ta phải lƣu lại các đƣờng dẫn(url) và một số thông tin quan trọng của website. Việc tạo cơ sở dữ liệu để lƣu các thông tin cần thiết phục vụ cho việc lấy dữ liệu một các tự động từ các web site giúp cho công việc lấy thông tin đƣợc nhanh hơn. Thông tin cần lƣu lại để phục vụ việc lấy thông tin một các tự động từ các website bao gồm: tên website, các liên kết có bên trong website, dữ liệu của các liên kết trong website đó Ta có mô hình cơ sở dữ liệu nhƣ sau: Hình 10: mô hình csdl lấy data từ website 58
59. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Qua tìm hiểu hồ sơ của các website tuyển dụng nổi tiếng của việt nam có thể chia thành hai loại thông tin nhƣ sau: Thông tin việc tìm ngƣời và ngƣời tìm việc. Các thông tin về việc tìm ngƣời bao gồm: Ngành tuyển, doanh nghiệp cần tuyển, công việc, mức lƣơng, độ tuổi, giới tính. Các thông tin về ngƣời tìm việc bao gồm: Ngành tuyển, ngƣời tuyển, độ tuổi, giới tính, công việc Bảng mô hình ngƣời tìm việc Bảng Ngành MaNganh Int TenNganh Nvarchar(100) Bảng thông tin tìm việc MaTTTim Int MaNganh Int TenUngVien Nvarchar(50) Dotuoi Int Gioitinh Boolean TenCv Nvarchar(30) Ta có mô hình cơ sở dữ liệu quan hệ: Hình 11: mô hình CSDL tìm việc Ta có cơ sở dữ liệu Việc tìm ngƣời nhƣ sau: Bảng Ngành MaNganh Int TenNganh Nvarchar(100) 59
60. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Bảng thông tin tuyên dụng MaTTTuyen Int MaNganh Int TenDN Nvarchar(50) MucLuong Money Gioitinh Boolean TenCv Nvarchar(30) Dotuoi Int Ta có mô hình cơ sở dữ liệu quan hệ: Hình 12: mô hình CSDL tuyển dụng Từ việc phân tích nhƣ trên, ta có sơ đồ quan hệ để lƣu trữ dữ liệu của bài toán nhƣ sau: 60
61. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm Hình 13: mô hình CSDL của chƣơng trình 1.4 Đặc tả dữ liệu: Một đặc điểm mang tính thực tế là các item không đơn thuần chỉ đƣợc xét là “Có” hay “Không” trong khi đếm Support mà mỗi item đƣợc kèm theo một trọng số mô tả mức quan trọng của item đó. Các item ta vẫn xem xét thƣờng ở dạng Boolean. Chúng mang giá trị là “1” nếu item có mặt trong giao tác và “0” nếu ngƣợc lại. Các bài toán khai phá dữ liệu nhƣ trên ngƣời ta vẫn gọi là khai phá dữ kiểu nhị phân (Mining Boolean Association Rules). Nhƣng trong thực tế, các bảng số liệu thƣờng xuất hiện các thuộc tính không đơn giản nhƣ vậy. Các thuộc tính có thể ở dạng số (quantitative) nhƣ: mức lƣơng, độ tuổi, Các thuộc tính có thể ở dạng Hạng mục (categorical) nhƣ: Tên Ngành, Tên Công Việc, Giới tính, Ta phải rời rạc hóa đƣa về dạng bài toán phai phá kết hợp định lƣợng (Mining Quantitative Association Rules). Cũng nhƣ các bài toán khai phá luật kết hợp trƣớc đây, mục tiêu của bài toán khai phá luật kết hợp định lƣỡng cũng là kết xuất các luật kết hợp trên các ngƣỡng support tối thiểu và các ngƣỡng confidence tối thiểu. Với các thuộc tính hạng mục thì ta phải thực hiện phân đoạn cho các thuộc tính này vì làm nhƣ vậy sẽ dễ dàng ánh xạ các thuộc tính tịnh lƣợng sang các thuộc tính boonlean. Nếu các thuộc tính phân loại hoặc số lƣợng chỉ có vài giá trị riêng biệt( ví dụ: giới tính) thì có thể ảnh xạ nhƣ sau: Mỗi thuộc tính trong bảng dữ 61
62. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm liệu có p giá trị riêng biệt sẽ đƣợc lập thành p thuộc tính Boolean mới. Mỗi thuộc tính Boolean mới này tƣơng ứng với một cặp . Nó có giá trị “1” nếu value có mặt trong dữ liệu gốc và có giá trị “0” nếu ngƣợc lại. Nếu số giá trị riêng biệt của một số thuộc tính khá lớn thì ngƣời ta thực hiện việc phân đoạn thuộc tính thành các khoảng và ánh xạ mỗi cặp thành một thuộc tính. Sau khi ánh xạ, có thể thực hiện khai phá luật kết hợp trên CSDL mới bằng thuật toán khai phá luật kết hợp kiểu Boolean. Tổng quát, ta có thể đƣa ra một số phƣơng pháp rời rạc hoá nhƣ sau: Trường hợp 1 : Nếu A là thuộc tính số rời rạc hoặc là thuộc tính hạng mục có miền giá trị hữu hạng dạng {V1, V2,. . . . , Vk} và k đủ nhỏ ( , , . . . . , . Giá trị của bản ghi tại trƣờng bằng True (hoặc 1) nếu giá trị của bản ghi đó tại thuộc tính A ban đầu nằm trong khoảng [starti. . endi] , ngƣợc lại giá trị của = False (hoặc 0). MaNganh TenUngVien Dotuoi GioiTinh TenCv CNTT Nguyễn Văn dũng 25 1 Lập trình viên CNTT Nguyễn Văn hà 27 1 Lập trình viên CNTT Nguyễn Thị Linh 24 0 Quản trị mạng CNTT Nguyễn Thị Hồng Ngân 23 0 Quản trị mạng CNTT Đinh Mạnh Dũng 23 1 Kĩ thuật Viên CNTT Phạm thị Linh 23 0 Quản trị mạng CNTT Phạm Công Tâm 23 1 Kĩ thuật viên CNTT Phạm thị thu hà 23 0 Quản trị mạng CNTT Trần thanh tùng 23 1 Đồ họa máy tính Kt Đỗ thị hà 22 0 kế toán viên Kt Trần bíc thủy 26 0 kế toán trưởng Kt Trần thị thủy 23 0 kế toán viên Kt Trần thị phượng 23 0 kế toán viên Kt Phạm thanh tùng 25 1 kế toán trưởng Kt Phạm thanh hưng 25 1 kế toán trưởng . . . . . Bảng 5: CSDL về thông tin tìm việc Ví dụ: Với bảng số liệu trên đây ta có thể phân chia nhƣ sau: Thuộc tính Độ tuổi là thuộc tính có nhiều giá trị, ta có thể phân thành các khoảng 26. Khi đó, trong tập dữ liệu mới có các thuộc tính 62
63. Đồ án tốt nghiệp: Khai phá dữ liệu từ website việc làm ( số ngƣời tìm việc có độ tuổi < 20, số ngƣời tìm việc có độ tuổi từ 20 23, số ngƣời tìm việc có độ tuổi từ 23 26 và số ngƣời tìm việc có độ tuổi< 26) tƣơng ứng với thuộc tính độ tuổi. các thuộc tính khác có thể phân chia tƣơng tự nhƣng có thể khoảng phân chia khác nhau. Nhƣ vậy CSDL ánh xạ từ CSDL ban đầu sẽ là: MaNga GioiTi nh TenUngVien Dotuoi nh TenCv Dotuoi< 20<Dotuoi 23<Dotuoi 26<Dot 20 <23 <26 uoi Nguyễn Văn Lập trình CNTT dũng 0 0 1 0 Nam viên Nguyễn Văn Lập trình CNTT hà 0 0 0 1 Nam viên Nguyễn Thị Quản trị CNTT Linh 0 0 1 0 Nữ mạng Nguyễn thị Quản trị CNTT Ngân 0 1 0 0 Nữ mạng Đinh Mạnh CNTT Dũng 1 0 0 0 Nam Kĩ thuật Viên Quản trị CNTT Phạm thị Linh 0 1 0 0 Nữ mạng Phạm Công CNTT Tâm 1 0 0 0 Nam Kĩ thuật viên Phạm thị thu Quản trị CNTT hà 0 1 0 0 Nữ mạng Trần thanh Đồ họa máy CNTT tùng 0 1 0 0 Nam tính Kt Đỗ thị hà 0 0 1 0 Nữ kế toán viên kế toán Kt Trần bíc thủy 0 1 0 0 Nữ trưởng Kt Trần thị thủy 0 1 0 0 Nữ kế toán viên Trần thị Kt phượng 0 0 1 0 Nữ kế toán viên Phạm thanh kế toán Kt tùng 0 0 1 0 Nam trưởng Phạm thanh kế toán Kt hưng 0 0 1 0 Nam trưởng . . . . . . . . Bảng 6: Dữ liệu đã chuyển đổi từ dạng số lƣợng sang dạng boolean Việc ánh xạ nhƣ trên có thể xảy ra vấn đề sau: “minsup”: Nếu số lƣợng khoảng cho thuộc tính số lƣợng( hoặc số các giá trị riêng cho các thuộc tính hạng mục) là lớn thì support cho các khoảng có thể là nhỏ. Do đó, việc chia một thuộc tính ra quá nhiều khoảng có thể làm cho luật chứa nó không đạt đƣợc support tối thiểu. “minconf”: Một số thông tin có thể bị mất dữ liệu do việc chia khoảng. Một số luật có thể có minconf chỉ khi một item trong chúng có giá trị đơn hoặc 63