ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
TRẦN THỊ THANH

ỨNG DỤNG GIẢI THUẬT DI TRUYỀN VÀO PHÂN LOẠI
TÀI LIỆU DẠNG VĂN BẢN LUẬN VĂN THẠC SĨ: KHOA HỌC MÁY TÍNH
Thái Nguyên - 2012



MỤC LỤC
MỤC LỤC i
DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT vi
DANH MỤC CÁC BẢNG vii
DANH MỤC CÁC HÌNH VẼ viii
MỞ ĐẦU 1
CHƢƠNG 1: TÌM HIỂU VỀ KHAI PHÁ DỮ LIỆU 3
1.1 Giớ i thiệ u chung 3
1.1.1. Giới thiệu 3
1.1.2. Khái niệm 3
1.1.3. Đặc điểm của bài toán khai phá dữ liệu 4
1.2. Qu trình khm ph tri thức trong cơ sở dữ liệu 6
1.2.1. Gom dữ liệu 7
1.2.2. Trích lọc dữ liệu 7
1.2.3. Làm sạch, tiền xử lý và chuẩn bị trƣớc dữ liệu 8
1.2.4. Chuyển đổi dữ liệu 9
1.2.5. Khai phá dữ liệu - Phát hiện và trích mẫu dữ liệu 9
1.2.6. Đnh gi kết quả mẫu 10
1.3. Khái quát các kỹ thuật khai phá dữ liệu 10
1.3.1. Kỹ thuật khai phá dữ liệu dự đon 10
1.3.1.1. Phân lớp dữ liệu 10
1.3.1.2. Hồi quy 12
1.3.2. Kỹ thuật khai phá dữ liệu mô tả 13
1.3.2.1 Phân cụm dữ liệu 13
1.3.2.2. Tóm tắt 14
ii

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên


2.3.1.3 Mã hóa giá trị 28
2.3.1.4 Mã hóa theo cây 28
2.3.2. Quá trình lai ghép 29
2.3.2.1. Lai ghép giá trị thực 29
2.3.2.2. Lai ghép giá trị nhị phân 31
2.3.3. Đột biến 32
2.3.3.1. Đột biến các giá trị thực 32
2.3.3.2 Đột biến các giá trị nhị phân 33
2.3.4. Phép chọn lọc 33
2.3.4.1. Phƣơng php chọn lọc dùng bánh xe Roulette 33
2.3.4.2. Phƣơng php chọn lọc Stochastic Universal Sampling 34
2.3.4.3. Phƣơng php chọn lọc địa phƣơng 35
2.3.4.4. Phƣơng php lựa chọn loại bỏ 36
2.4. Các tham số của thuật giải di truyền 36
2.4.1. Kích thƣớc quần thể 36
2.4.2. Xác suất lai giống 37
2.4.3. Xác suất đột biến 37
2.4.4. Số lƣợng thế hệ 38
CHƢƠNG 3: ỨNG DỤNG GIẢI THUẬT DI TRUYỀN VÀO PHÂN LOẠI 39
TÀI LIỆU DẠNG VĂN BẢN 39
3.1. Phân loại văn bản 39
3.1.1. Khái niệm 39
3.1.2. Quá trình phân loại văn bản 39
3.2. Giới thiệu bài toán phân loại văn bản 41
iv

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 3.3. Cc phƣơng php biểu diễn văn bản 41

3.5.2.7. Thống kê từ khóa 66
3.5.3. Sử dụng thuật giải di truyền trích chọn từ khóa 67
3.5.3.1.Giới thiệu 67
3.5.3.2. Độ thích hợp của từ khóa 67
3.5.3.3. Ứng dụng giải thuật di truyền để tối ƣu hóa độ thích nghi của từ khóa
69
3.6. Cài đặt và thử nghiệm chƣơng trình 69
KẾT LUẬN 73
TÀI LIỆU THAM KHẢO 74

vi

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT
Các từ viết tắt
Nghĩa tiếng anh
Nghĩa tiếng việt
KDD
Knowledge Discovery and Data
Mining
Kỹ thuật pht hiện tri thức
và khai ph dữ liệu
VSM
Vector Space Model
Mô hình không gian vector
VC
Vapnik-Chervonenkis
Kích thƣớc VC


Bảng 2.1: Biểu diễn cá thể trƣớc và sau đột biến 33
Bảng 2.2: Độ thích nghi và xác suất của cá thể 34
Bảng 3.1: Vector biểu diễn văn bản 1 và văn bản 2 theo tần suất xuất hiện 43
Bảng 3.2: Vector Boolean biểu diễn văn bản 1 44
Bảng 3.3: Các tham số tối ƣu tƣơng ứng với mỗi số lƣợng đặc trƣng. 58
Bảng 3.4: Độ chính xác phân loại trên mỗi lớp và trên toàn bộ 58
Bảng 3.5: Một số từ dừng trong tiếng Việt 66

viii

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên DANH MỤC CÁC HÌNH VẼ
Hình 1.1: Quá trình khám phá tri thức 7
Hình 1.2: Cc đƣờng biên phân loại đối với một láng giềng gần nhất 11
Hình 1.3: Đƣờng biên phân loại học bởi phân loại không tuyến tính 12
Hình 1.4: Một hồi quy tuyến tính đơn giản với tập dữ liệu vay nợ 12
Hình 1.5: Một phép phân cụm đơn giản của tập dữ liệu vào 3 cụm 14
Hình 1.6: Phân cụm cc điểm trong không gian 15
Hình 1.7: Phân cụm các ngôi nhà dựa vào khoảng cách địa lý 16
Hình 2.1: Giải quyết vấn đề bằng giải thuật di truyền. 20
Hình 2.2: Sơ đồ giải thuật di truyền. 22
Hình 2.3: Nguyên tắc thực hiện lai ghép chéo 31
Hình 2.4: Nguyên tắc thực hiện lai ghép đa điểm 32
Hình 2.5: Ảnh hƣởng của qu trình đột biến 32
Hình 2.6: Quá trình chọn lọc cá thể bằng phƣơng php bnh xe Roulette 34
Hình 2.7: Quá trình chọn lọc cá thể bằng phƣơng php Stochastic Universal
Sampling 35

Thế kỷ 21 là thế kỷ của công nghệ thông tin nói chung và của tin học nói riêng. Đó
là một trong những thành tựu vĩ đại nhất mà con ngƣời đã đạt đƣợc trong thiên niên
kỷ này. Tin học giữ vai trò đặc biệt quan trọng trong các hoạt động của toàn nhân
loại. Nhân loại ứng dụng tin học vào phục vụ cho nghiên cứu khoa học, cho công
nghệ sản xuất, phục vụ cho nghành quản lý kinh tế, sản xuất kinh doanh, du lịch, y
tế tạo điều kiện cho nền sản xuất xã hội ngày càng phát triển đồng thời giảm bớt
đng kể sức lao động của con ngƣời, đƣa mức sống con ngƣời ngày càng cao
Kỹ thuật pht hiện tri thức và khai ph dữ liệu (KDD - Knowledge Discovery
and Data Mining) đã và đang đƣợc nghiên cứu, ứng dụng trong nhiều lĩnh vực khc
nhau ở cc nƣớc trên thế giới.
Tại Việt Nam, kỹ thuật này tƣơng đối còn mới mẻ tuy nhiên cũng đang đƣợc nghiên
cứu và dần đƣa vào ứng dụng. Bƣớc quan trọng nhất của qu trình này là Khai ph
dữ liệu, giúp ngƣời sử dụng thu đƣợc những tri thức hữu ích từ những cơ sở dữ liệu
hoặc cc nguồn dữ liệu khổng lồ khc.
Lý do của điều này là sự pht triển của công nghệ thông tin và việc ứng dụng
công nghệ thông tin trong nhiều lĩnh vực của đời sống, kinh tế xã hội trong nhiều
năm qua cũng đồng nghĩa với lƣợng dữ liệu đã đƣợc cc cơ quan thu thập và lƣu trữ
ngày một nhiều. Theo thống kê thì chỉ có một lƣợng nhỏ của những dữ liệu này
(khoảng từ 5% đến 10%) đƣợc phân tích, trong khi số còn lại không đƣợc khai thc
và vẫn tiếp tục thu thập nên rất tốn kém với ý nghĩ lo sợ rằng sẽ có ci gì đó quan
trọng đã bị bỏ qua sau này có lúc cần đến nó. Mặt khc, trong môi trƣờng cạnh
tranh, ngƣời ta ngày càng cần có nhiều thông tin với tốc độ nhanh để trợ giúp việc
ra quyết định và ngày càng có nhiều câu hỏi mang tính chất định tính cần phải trả
lời dựa trên một khối lƣợng dữ liệu khổng lồ đã có. Với những lý do nhƣ vậy, cc
phƣơng php quản trị và khai thc cơ sở dữ liệu truyền thống ngày càng không đp
ứng đƣợc. Yêu cầu thực tế đã làm pht triển một khuynh hƣớng kỹ thuật mới đó là
Kỹ thuật pht hiện tri thức và khai ph dữ liệu nhƣ đã nêu trên.
2

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
CHƢƠNG 1: TÌM HIỂU VỀ KHAI PHÁ DỮ LIỆU
1.1 Giớ i thiệ u chung
1.1.1. Giới thiệu
Trong những năm gần đây, sự phát triển mạnh mẽ của công nghệ thông tin và
ngành công nghiệp phần cứng đã làm cho khả năng thu thập và lƣu trữ thông tin của
các hệ thống thông tin tăng nhanh một cách chóng mặt. Bên cạnh đó việc tin học
hóa nhanh chóng các hoạt động sản xuất, kinh doanh cũng nhƣ nhiều lĩnh vực hoạt
động khc đã tạo ra cho chúng ta một lƣợng dữ liệu lƣu trữ khổng lồ.
Hàng triệu CSDL đã đƣợc sử dụng trong các hoạt động sản xuất, kinh doanh,
quản lý trong đó có nhiều CSDL cực lớn. Sự bùng nổ này dẫn tới một yêu cầu cấp
thiết là cần có những kỹ thuật và công cụ mới để tự động chuyển đổi lƣợng dữ liệu
khổng lồ kia thành tri thức có ích. Từ đó cc kỹ thuật khai phá dữ liệu đã trở thành
một lĩnh vực thời sự của nền công nghệ thông tin thế giới hiện nay.
1.1.2. Khái niệm
Thuật ngữ khai phá dữ liệu ra đời vào những năm cuối của thập kỷ 1980. Theo
Gio sƣ Tom Mitchell “Khai ph dữ liệu là việc sử dụng dữ liệu l ịch sƣ̉ để khá m
ph những quy tắc và cả i thiệ n nhƣ̃ ng quyết đị nh trong tƣơng lai”.
Vớ i cá ch tiế p cậ n ƣ́ ng dụ ng hơn , Tiế n sỹ Fayyad đã phá t biể u : “Khai phá dƣ̃ liệ u ,
thƣờ ng đƣợ c xem là việ c khá m phá tri thƣ́ c trong cá c cơ sở dƣ̃ liệ u , là một qu trình
trích xuất những thông tin ẩn trƣớc đây chƣa biết và có khả năng hữu ích , dƣớ i dạ ng
cc quy luậ t , ràng buộc, quy tắ c trong cơ sở dƣ̃ liệ u” . Tóm lại, khai phá dƣ̃ liệ u là
mộ t quá trì nh họ c tri thƣ́ c mớ i tƣ̀ nhƣ̃ ng dƣ̃ liệ u đã thu thậ p đƣợ c . Ngoài thuật ngữ
khai phá dữ liệu cò n có mộ t số thuậ t ngƣ̃ khá c đƣợ c sƣ̉ dụng với nghĩa tƣơng đƣơng
nhƣ: khai phá tri thƣ́ c cơ s ở dữ liệu (Knowlegde Mining from Databases ), trích lọc
dƣ̃ liệ u (Knowlegde Extraction ), phân tí ch dƣ̃ liệ u / mẫ u (Data/Pattern Analysis ),
khảo cổ dữ liệu (Data Archaeology), nạo vét dữ liệ u (Data Dredging). Thực ra, Khai
ph d ữ liệu là mộ t bƣớ c chính trong quá trì nh Khá m phá tri thƣ́ c trong CSDL
(Knowlegde Discovery in Databases - KDD).

trợ của công cụ tin học nhƣng trong bất cứ giai đoạn nào của quá trình khai phá, con
ngƣời vẫn luôn đóng vai trò quan trọng. Hệ thống không thể làm việc một cách
hoàn toàn tự động mà không có sự trợ giúp của con ngƣời.
5

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Thật vậy, để quá trình khai phá cho ra kết quả tốt, cần phải có sự phối hợp trợ
giúp thƣờng xuyên của các chuyên gia cả về lĩnh vực tin học lẫn lĩnh vực ứng
dụng.Sở dĩ có yêu cầu này là vì dữ liệu đầu vào và yêu cầu của bài toán khai phá
thay đổi vô chừng.Các chuyên gia về lĩnh vực ứng dụng sẽ giúp các chuyên gia về
tin học hiểu đƣợc điều họ mong muốn là gì.Sau đó, trch nhiệm của các chuyên gia
tin học là biên dịch lại những yêu cầu đó để hệ thống khai phá hiểu và tìm ra đƣợc
điều mà họ mong muốn.
Cc thông tin đầu vào cho hệ thống khai phá là rất quan trọng. Thông tin có
đầy đủ, chính xc, đúng đắn và phù hợp với yêu cầu thì kết quả khai phá mới có thể
giúp ích cho ngƣời dùng đƣợc. Các thông tin này chỉ có thể đƣợc cung cấp bởi các
chuyên gia về lĩnh vực ứng dụng.Đó có thể là tập dữ liệu còn cần thiết, các tiêu
chuẩn dùng trong quá trình tìm kiếm tri thức, cả những kinh nghiệm đƣợc biểu diễn
bằng một ngôn ngữ nào đó mà hệ thống có thể hiểu đƣợc. Có thể khẳng định một
điều rằng, nếu quá trình khai phá tri thức không có sự phối hợp tích cực của các
chuyên gia tin học và các chuyên gia về lĩnh vực ứng dụng thì sẽ không đạt đƣợc
kết quả gì cả.
* Khai phá dữ liệu là quá trình tìm kiếm tri thức chỉ từ dữ liệu.
Lý luận và thực tiễn thực hiện các quá trình phát hiện tri thức mà ta xét ở đây
là sự tiếp thu, sử dụng và phát triển nhiều thành tựu và công cụ của cc lĩnh vực đã
phát triển trƣớc đó nhƣ: lý thuyết nhận dạng, hệ chuyên gia, trí tuệ nhân tạo… Dù
vậy, đặc điểm cơ bản giúp phân biệt việc phát hiện tri thức với cc ngành đã có từ
trƣớc là phát hiện tri thức là quá trình tìm kiếm tri thức trực tiếp từ dữ liệu. Ví dụ:

một cch đúng đắn, sẽ bƣớc vào quá trình khám phá tri thức trong cơ sở dữ liệu nhƣ
hình 1.1.
7

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 1.1: Quá trình khám phá tri thức
Bƣớc 1: Tích hợp dữ liệu, làm sạch dữ liệu, và chọn dữ liệu tạo nên 1 kho dữ liệu
Bƣớc 2: Biến đổi dữ liệu thích hợp với bộ máy khai phá
Bƣớc 3: Xc định nhiệm vụ khai phá dữ liệu và lựa chọn kĩ thuật khai phá, kết quả
cho ta nguồn tri thức thô
Bƣớc 4: Đnh gi cc mẫu, dựa trên 1 số tiêu trí để tiến hành kiểm tra và lọc nguồn
tri thức thu đƣợc.
1.2.1. Gom dữ liệu
Tập hợp dữ liệu là bƣớc đầu tiên trong qu trình khai ph dữ liệu.Đây là bƣớc
đƣợc khai thc trong một cơ sở dữ liệu, một kho dữ liệu và thậm chí cc dữ liệu từ
cc nguồn ứng dụng Web.
1.2.2. Trích lọc dữ liệu
Tập hợp dữ liệu từ nhiều nguồn khác nhau vào trong một cơ sở dữ liệu.
+Chỉ chọn những dữ liệu cần thiết cho tiến trình khai phá dữ liệu.
8

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên +Loại bỏ dữ liệu dƣ thừa và trùng lặp.
+Phát hiện và giải quyết các mâu thuẫn trong dữ liệu.
*Dữ liệu dư thừa, trùng lặp:
+Một thuộc tính là thừa nếu nó có thể suy ra từ các thuộc tính khác.

c. Giảm nhiễu: Nhiễu và cc đối tƣợng tách rời khỏi phân bố chung sẽ bị loại
đi khỏi dữ liệu.
d. Chuẩn hóa: miền giá trị của dữ liệu sẽ đƣợc chuẩn hoá.
e. Rời rạc hóa: các dữ liệu số sẽ đƣợc biến đổi ra các giá trị rời rạc.
f. Rút trích và xây dựng đặc trƣng mới từ các thuộc tính đã có.
g. Giảm chiều: các thuộc tính chứa ít thông tin sẽ đƣợc loại bớt.
h. Kiểm tra tính toàn vẹn của dữ liệu
1.2.4. Chuyển đổi dữ liệu
Tiếp theo là giai đoạn chuyển đổi dữ liệu, dữ liệu đƣa ra có thể sử dụng và
điều khiển đƣợc bởi việc tổ chức lại nó tức là dữ liệu sẽ đƣợc chuyển đổi về dạng
phù hợp cho việc khai ph bằng cch thực hiện cc thao tc nhóm hoặc tập hợp.
Thông thƣờng ngƣời ta đƣa dữ liệu về dạng chuẩn, đó là dạng nhị phân.Việc
chuyển dữ liệu về dạng nhị phân không làm thay đổi thông tin của dữ liệu đầu vào.
Đây có thể xem nhƣ là một cch thể hiện khc của dữ liệu ban đầu.
Thực tế, có hai cch để thể hiện lại dữ liệu (dạng nhị phân và dạng số) trƣớc
khi dùng nhƣ là đầu vào của thuật ton. Cch chuyển dữ liệu về dạng nhị phân nói
trên sẽ làm tăng số chiều dữ liệu nhƣng bù lại thuật ton dùng để khai ph trở nên
đơn giản hơn. Cch còn lại không chuyển dữ liệu về dạng nhị phân mà chuyển về
dạng số, không làm thay đổi số chiều của dữ liệu nhƣng thuật ton khai ph phải xử
lý dữ liệu phức tạp hơn.
1.2.5. Khai phá dữ liệu- Phát hiện và trích mẫu dữ liệu
Đây là bƣớc quan trọng nhất của qu trình khm ph tri thức.Ở giai đoạn này
nhiều thuật ton khc nhau đã đƣợc sử dụng để trích ra cc mẫu từ dữ liệu. Thuật
10

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên ton thƣờng dùng là nguyên tắc phân loại, nguyên tắc kết hợp hoặc cc mô hình dữ
liệu tuần tự,.v.v.
phân dữ liệu mới vào một trong những lớp đã đƣợc xc định trƣớc. Phân lớp cũng là
tiên đon loại lớp của nhãn.Bên cạnh kĩ thuật phân lớp có một hình thức tƣơng tự là
kĩ thuật tiên đon, kĩ thuật tiên đon khc với phân lớp ở chỗ phân lớp chỉ liên quan
đến tiên đon loại lớp của nhãn còn kĩ thuật tiên đon mô hình những hàm đnh gi
liên tục.
Quá trình phân lớp dữ liệu thƣờng gồm 2 bƣớc: Xây dựng mô hình và sử dụng
mô hình để phân lớp dữ liệu .
* Bước 1: Xây dựng mô hình
Một mô hình sẽ đƣợc xây dựng dựa trên việc phân tích các mẫu dữ liệu sẵn
có.Mỗi mẫu tƣơng ứng với một lớp, đƣợc quyết định bởi một thuộc tính gọi là thuộc
tính lớp.Các mẫu dữ liệu này còn đƣợc gọi là tập dữ liệu huấn luyện.Mô hình đƣợc
biểu diễn là những luật phân lớp, cây quyết định và những công thức toán học.Các
nhãn lớp của tập dữ liệu huấn luyện đều phải đƣợc xc định trƣớc khi xây dựng mô
hình, vì vậy phƣơng php này còn đƣợc gọi là học có thầy khác với phân cụm dữ
liệu là học không có thầy.
*Bước 2: Sử dụng mô hình để phân lớp dữ liệu
Trƣớc hết chúng ta phải tính độ chính xác của mô hình, trong đó nhãn đƣợc
biết của mẫu kiểm tra đƣợc so sánh với kết quả phân lớp của mô hình, độ chính xác
là phần trăm của tập mẫu kiểm tra mà phân loại đúng bởi mô hình, tập kiểm tra là
độc lập với huấn luyện. Nếu độ chính xác là chấp nhận đƣợc, mô hình sẽ đƣợc sử
dụng để dự đon nhãn lớp cho các mẫu dữ liệu khc trong tƣơng lai.
Hình 1.2: Các đường biên phân loại đối với một láng giềng gần nhất Income
Debt
12

1.3.2. Kỹ thuật khai phá dữ liệu mô tả
Kỹ thuật này có nhiệm vụ mô tả về các tính chất hoặc cc đặc tính chung của
dữ liệu trong CSDL hiện có. Kỹ thuật này bao gồm: Phân cụm (clustering), tóm tắt
(summerization), trực quan hóa (visualiztion), phân tích sự phát triển và độ lệch
(Evolution and deviation analyst), phân tích luật kết hợp (association rules)…
1.3.2.1 Phân cụm dữ liệu
Các kỹ thuật phân cụm dữ liệu sẽ nhóm cc đối tƣợng dữ liệu có tính chất
giống nhau vào cùng một nhóm.Cc đối tƣợng đƣợc gom cụm sao cho mức độ
tƣơng tự giữa cc đối tƣợng trong cùng một cụm là cực đại và mức độ tƣơng tự giữa
cc đối tƣợng nằm trong các cụm khác nhau là cực tiểu. Các cụm đƣợc đặc trƣng
bằng các tính chất chung của tất cả cc đối tƣợng trong cụm.
Phân cụm dữ liệu là một ví dụ của phƣơng php học không có thầy.Không
giống nhƣ phân lớp dữ liệu, phân cụm dữ liệu không đòi hỏi phải định nghĩa trƣớc
các mẫu dữ liệu huấn luyện. Vì thế có thể coi phân cụm dữ liệu là một cách học
bằng quan sát, trong khi phân lớp dữ liệu là học bằng ví dụ. Trong phƣơng php này
bạn sẽ không biết kết quả của các cụm thu đƣợc sẽ nhƣ thế nào khi bắt đầu quá
trình. Vì vậy, thông thƣờng cần có một chuyên gia về lĩnh vực đó để đnh gi cc
cụm thu đƣợc. Phân cụm dữ liệu đƣợc sử dụng nhiều trong các ứng dụng về phân
loại thị trƣờng, phân đoạn khách hàng, nhận dạng mẫu, phân loại trang Web…
Khảo sát các cụm sẽ giúp khái quát, tổng kết nhanh chóng nội dung của khối dữ liệu
lớn, do đó phân cụm dữ liệu còn có thể đƣợc sử dụng nhƣ một bƣớc tiền xử lý cho
các thuật toán khai phá dữ liệu khác. Income
Debt
Cluster 1
Cluster 2

hợp sẽ trở nên rõ ràng hơn. Điều này sẽ đƣợc dùng để điều chỉnh việc bố trí, sắp xếp
tài liệu cho hợp lý.Hay trong việc phân cụm các khách hàng có thể đƣợc dùng để
điều chỉnh chiến lƣợc marketing và quảng cáo tới từng cụm khách hàng cụ thể.
Có rất nhiều giải thuật khc nhau đƣợc dùng để phân cụm nhƣng tất cả chúng
đều tham gia, chia sẻ, đặc tính lặp ấn định các bản ghi tới một cụm, tính toán một độ
đo (thƣờng là tƣơng đồng hoặc sự khác biệt), các bản ghi ấn định lại vào các cụm

Trích đoạn Phép chọn lọc Cáctham số của thuật giải di truyền Quá trình phânloại vănbản Mô hình không gian vector (Vector Space Model VSM) Mô hình đồ thị

---