TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
KHOA CÔNG NGHỆ THÔNG TIN
──────── * ───────
ĐỒ ÁN
TỐT NGHIỆP ĐẠI HỌC
NGÀNH CÔNG NGHỆ THÔNG TIN
ĐỀ TÀI:
XÂY DỰNG ỨNG DỤNG PHÂN TÍCH NGỮ NGHĨA
TRONG TÌM KIẾM TÀI LIỆU TRỰC TUYẾN
Sinh viên thực hiện: Nguyễn Công Chính .
Lớp: HTTTA-K48 .
Giáo viên hướng dẫn: TS. Lê Thanh Hương .
Hà nội, tháng 6 năm 2008
1
LỜI CÁM ƠN
Lời đầu tiên, em muốn gửi lời cám ơn chân thành tới cô TS. Lê Thanh
Hương, là người trực tiếp hướng dẫn em hoàn thành đồ án này.
Em cũng muốn gửi lời cám ơn tới các thầy cô trong bộ môn Hệ thống
Thông Tin, trong khoa Công nghệ thông tin và các thầy cô trong trường đã tận
tình dạy dỗ trong suốt những năm học vừa qua.
Tôi cũng xin gửi lời cám ơn đặc biệt đến bạn Kiều Văn Cường, người
cùng chung đồ án với tôi, đã giúp tôi rất nhiều trong những lúc nghiên cứu, xây
dựng chương trình. Tôi cũng xin cám ơn các bạn cùng lớp Tin 3 và HTTT A đã
cung cấp các tài liệu, gợi ý các giải thuật để hoàn thành đồ án.
Con cũng xin cảm ơn Bố, Mẹ, những người thân đã luôn bên cạnh động
viên khích lệ về mặt tinh thần và cả vật chất để giúp con hoàn thành tốt những
năm học đại học và đồ án này.
Hà Nội Tháng 5 năm 2008
Sinh viên
Nguyễn Công Chính
2

……………………………………………………………………...
……………………………………………………………………...
……………………………………………………………………...
……………………………………………………………………...
……………………………………………………………………...
Ngày tháng 05 năm 2008
Ký tên
4
MỤC LỤC
PHẦN 0: LỜI NÓI ĐẦU ............................................................................................... 10
PHẦN I: VẤN ĐỀ VÀ THỰC TRẠNG ...................................................................... 18
PHẦN II: CƠ SỞ LÝ THUYẾT .................................................................................. 36
PHẦN III: GIẢI PHÁP KỸ THUẬT .......................................................................... 52
PHẦN IV: XÂY DỰNG CHƯƠNG TRÌNH, CÀI ĐẶT CHẠY DEMO ................. 57
5
DANH MỤC HÌNH VÀ BẢNG
DANH MỤC HÌNH VÀ BẢNG......................................................................................6
Hình 1: Hình minh họa tập tách văn bản..................................................................14
Hình 2: Cấu trúc giải thuật LSA.................................................................................15
5.3 Mô hình tư vấn dựa trên lịch sử phiên truy cập của người dùng......................16
Hình 3: Quy trình truy vấn.........................................................................................17
Hình 4: Giao diện chính trang chủ chương trình.....................................................17
Hình 5: Tìm kiếm thông tin – So sánh gợi ý của người và máy..............................19
Hình 6: Mô hình sơ đồ hệ thống gợi ý cho người dùng............................................21
Hình 7: Sơ đồ tổng quát hệ thống...............................................................................22
Hình 8: Giao diện tìm kiếm của Amazone.com.........................................................24
Hình 9: Giao diện kết quả trả lại................................................................................25
Hình 10: Giao diện kết quả tìm kiếm của Amazone.com.........................................26
Hình 11: Sơ đồ cấu trúc từ của Nguyễn Tài Cẩn......................................................29
Hình 12: Giao diện tìm kiếm của Google...................................................................36

Hình 35: User-Case quản lý NXBLớp biên:..............................................................64
Hình 36: Biểu đồ tiến trình thêm mới NXB...............................................................65
Hình 38: Biểu đồ tiến trình xóa thông tin NXB.........................................................66
Hình 39: Biểu đồ công tác quản lý NXB...................................................................66
Hình 40: Biểu đồ usercase quản lý thành viên..........................................................67
Lớp biên:.........................................................................................................................67
Chức năng chỉnh sửa thông tin:...................................................................................68
Hình 42: Biểu đồ tiến trình chỉnh sửa user...............................................................68
Hình 43: Biểu đồ tiến trình xóa user..........................................................................69
Hình 44: Biểu đồ cộng tác quản lý user......................................................................69
Hình 45: Biểu đồ cộng tác quản lý user......................................................................70
.Table 5: Bảng các thực thể chính...............................................................................71
Table 6: Bảng quan hệ các thực thể...........................................................................72
Table 7: Danh sách các bảng chính.............................................................................75
Mô tả chi tiết bảng.........................................................................................................76
7
Table 8: Mô tả bảng tài liệu A01..................................................................................76
Table 9: Mô tả bảng Catalogue A02............................................................................77
Table 10: Mô tả bảng tác giả A04................................................................................77
Table 11: Mô tả bảng NXB A05...................................................................................78
Table 12: Mô tả bảng User A06...................................................................................78
Table 13: Mô tả bảng subCatalogue A07...................................................................79
Table 14: Mô tả bảng Child A08..................................................................................79
Table 15: Mô tả bảng A11.............................................................................................80
Table 16: Mô tả bảng A12.............................................................................................80
8

9
PHẦN 0: LỜI NÓI ĐẦU
1 1. MỤC TIÊU VÀ Ý NGHĨA CỦA ĐỀ TÀI

phiên giao dịch của họ. Phiên giao dịch của người dùng được bắt đầu từ khi người dùng
đánh từ khóa và có tín hiệu search. Kết thúc phiên làm việc với một từ khóa mới được
nhập. Phương pháp lọc cộng tác ước lượng hàm đánh giá R(u,i) của item i với user u dựa
trên cơ sở đánh giá R(u’,i) của user u’ cho cùng item i mà trong đó u và u’ là tương tự
nhau.
Phương pháp lọc cộng tác có các vấn đề như:
5 Sự thưa thớt: thực tế thì vấn đề của người dùng quan tâm (từ khóa) nó chiếm phần rất
nhỏ và sự đánh giá sự tương đồng cho tài liệu là rất nhỏ so với rất nhiều tài liệu của hệ
10
thống. Với hệ thống gợi ý trong luận văn này, các đánh giá, các nhận định sẽ được lưu
lại dần dần, loại bỏ dần những kết quả không chính xác.
6 Vấn đề tài nguyên mới: Hệ thống không ngừng cập nhật các tài liệu mới cho kho dữ
liệu của mình. Mỗi lần thêm một tài liệu mới, hệ thống sẽ tính lại (off-line) là phân tích
độ tương đồng về ngữ nghĩa giữa các văn bản (kỹ thuật LSA) để tìm ra tập các láng
giềng gần của một cuốn sách.
7 Vấn đề người dùng mới: Như đã đề cập, hệ thống sẽ phân tích và lưu trữ lại lịch sử
của tất cả các phiên làm việc, kết hợp phân tích nội dung trong hệ thống để lọc ra sự
tương đồng, liên quan chính xác nhất của các tài liệu. Nên hệ thống hoàn toàn có thể gợi
ý tư vấn cho một người dùng mới. Khi người dùng cung cấp cho hệ thống các sở thích,
hệ thống sẽ lọc tiếp theo sở thích đó, để cung cấp kết quả chính xác hơn.
Phương pháp lọc dựa trên nội dung: là một giải thuật hướng về nghiên cứu lọc
thông tin, phương pháp lọc dựa trên nội dung ước lượng hàm đánh giá R(u,i) của item i
với user u được thiết lập dựa trên cơ sở đánh giá R(u,i’) của cùng user u cho item i’ mà
trong đó i và i’ là tương tự nhau về mặt nội dung.
Nhược điểm chính của phương pháp này là nó giả định các thuật ngữ là độc lập
nhau. Trong thực tế, các thuật ngữ thường có liên quan với nhau và hiểu được điều này
có thể dẫn đến việc tính độ liên quan tốt hơn.
Tính đồng nghĩa: có nhiều cách để chỉ đến một đối tượng, ví dụ: car và automobile
8 • Các sản phẩm tương tự được đối xử theo cách khác nhau
9 • Tăng sự thưa thớt, làm mất tính chất bắc cầu giữa các từ khóa

tài liệu làm hàng, các cell của ma trận được khởi tạo là tần suất xuất hiện của từ khóa-
thuật ngữ đó trong tài liệu. LSA dùng kỹ thuật phân tích giá trị riêng (SVD-singular
value decomposition) để giảm bớt để giảm bớt kích thước ma trận thuật ngữ-tài liệu,
không gian N-chiều sẽ được giảm bớt xuống một không gian K chiều, K<<N, không
gian mới này được gọi là không gian khái niệm.
5 Sử dụng kết quả bước này, ta thu được tập các tài liệu có sự tương đồng về ngữ
nghĩa nhất định với tài liệu xét. Là nguồn quan trọng trong việc đưa ra gợi ý những tài
liệu tương tự với tài liệu người dùng đang đọc.
3.3 Phân tích lịch sử truy cập của người dùng
6
Một phiên làm việc của người dùng được đánh dấu bằng việc nhập một từ khóa và
nhấn nút search. Các kết quả gợi ý được đưa ra, khi người dùng quyết định chọn một tài
liệu (A), hệ thống gợi thống gợi ý các tài liệu có liên quan (dựa vào phân tích LSA trước
và phân tích lịch sử phiên làm việc). Khi người dùng chọn một tài liệu (B) tiếp theo
trong phần của hệ thống gợi ý để đọc, hệ thống ghi nhận tài liệu B có liên quan nhất
trong phiên làm việc đó với tài liệu A. Và cứ thế, hệ thống sẽ cập nhật và đánh giá lại sự
liên quan nhất định của các tài liệu qua các phiên làm việc của người dùng.
Hệ thống còn đưa ra kỹ thuật khảo sát (survey) để thu thập ý kiến chính xác hơn của
người dùng về sự tương đồng của các tài liệu.
Hạn chế của phương pháp này, là khi có một tài liệu mới được cập nhật, chỉ số lịch
sử truy cập của nó là 0, hoặc một giá trị âm nào đó. Có thể về cơ bản thì nó rất tương
đồng với văn bản A trên chẳng hạn, nhưng phải qua nhiều lần, nhiều phiên làm việc thì
nó mới đứng đầu trong các văn bản liên quan của A.
12
4. CÁC ĐÓNG GÓP CHÍNH CỦA LUẬN VĂN
 Cung cấp bộ phân tách văn bản thành các từ khóa với văn bản tiếng Việt
và văn bản tiếng Anh. Sử dụng bộ đọc văn bản đầu vào Ifilter để xử lý, kết hợp các file
từ điển, file từ stopword để tách dữ liệu được đọc vào thành các từ khóa, đặc trưng cho
tài liệu đó.
 Kỹ thuật LSA, đánh giá độ tương đồng về mặt ngữ nghĩa giữa các tài liệu

14
Tập văn bản nguồn Tập văn bản đã được phân tách
Xử lý LSA
(ma trận và
giải thuật
SVD)
Cập nhật CSDL
(dữ liệu tài liệu
liên quan )
5.2 Mô hình tìm tư vấn dựa trên phân tích ngữ nghĩa tiềm ẩn
Sau khi tách thành tập các từ khóa, modul này sẽ thực hiện việc cập nhật tiếp các tài
liệu liên quan, có độ tương đồng nhất định về nội dung. Mỗi tài liệu sẽ được xác định
cùng với nó một tập các tài liệu khác có tương đồng về mặt nội dung.
Hình 2: Cấu trúc giải thuật LSA
15
Tập tài liệu
(từ khóa)
Xử lý LSA
(ma trận và
giải thuật
SVD)
Tập các tài liệu liên
quan tới 1 tài liệu
Cập nhật CSDL
(dữ liệu tài liệu
liên quan )
5.3 Mô hình tư vấn dựa trên lịch sử phiên truy cập của người dùng
Kế thừa từ các hệ thống học thông minh, từ các phiên làm việc của người dùng, hệ
thống sẽ tự động cập nhật để chính xác hơn những thông tin có trong cơ sở dữ liệu để
phục vụ cho những lần tư vấn sau đó. Có rất nhiều mô hình khai thác trên lĩnh vực người

Hình 3: Quy trình truy vấn
6.GIAO DIỆN TRANG CHỦ CHƯƠNG TRÌNH
Hình 4: Giao diện chính trang chủ chương trình
17
PHẦN I: VẤN ĐỀ VÀ THỰC TRẠNG
1. ĐẶT BÀI TOÁN
Hiện nay, khoa học kỹ thuật ngày càng phát triển. Máy vi tính được phát triển từ
năm 1980 đã ngày càng được sử dụng rộng rãi với các ứng dụng tiên tiến của nó. Theo
đó, các hệ thống lưu trữ tài liệu dần chuyển sang lưu trữ số trên máy tính. Các hệ thống
thư viện điện tử, thư viện trực tuyến ngày càng được sử dụng rộng rãi. Theo đó, là các
vấn đề liên quan đến tìm kiếm, chia theo danh mục và gợi ý nội dung đọc Ebook cho
người dùng.
Trên internet, chúng ta đã có rất nhiều các công cụ tìm kiếm và gợi ý các tài liệu cần
đọc và những tài liệu liên quan. Thí dụ như công cụ tìm kiếm của Google, ngoài những
tài liệu có chứa từ khóa, nó còn gợi ý những tài liệu có độ tương đồng nhất định với nội
dung người dùng tra cứu, thể hiện ở các liên kết cuối mỗi trang. Với amazon.co.uk, hệ
thống recommender chỉ với những thành viên đăng ký tài khoản với hệ thống. Khi đăng
ký tài khoản, user đăng ký luôn các sở thích và các lĩnh vực họ quan tâm. Với hệ thống
mubu.com, họ gợi ý trong lĩnh vực âm nhạc. Người dùng cũng phải cung cấp thông tin
về sở thích như ca sỹ, nhạc sĩ, thể loại nhạc quan tâm. Từ đó, hệ thống gợi ý cho người
dùng không cần keyword…
18
Hình 5: Tìm kiếm thông tin – So sánh gợi ý của người và máy
19
Rất nhiều người không có thời gian để lọc ra trong một tệp các cuốn sách được
thông tin mình mong muốn. Thậm chí trong một cuốn sách dầy tới nghìn trang. Mục lục
ở mỗi cuốn sách cũng là các tóm tắt ý, các chủ đề viết về cho cuốn sách. Người dùng có
thể tìm trong các mục lục đó, cũng có thể tìm theo từ khóa (ứng với mỗi tài liệu, chúng
được tìm theo từ khóa dựa vào chương trình đọc tài liệu đó). Như hình trên, vấn đề là,
tìm được một cuốn sách chứa chủ đề của mình và có đủ lượng thông tin cần thiết cho

liên quan (LSA + phân
tích lịch sử làm việc)
Items Databases
Phân tích phiên làm việc
2. CÁC VẤN ĐỀ VÀ CÁC GIẢI PHÁP HIỆN TẠI
2.1 Các hệ thống gợi ý (recommender systems - RS)
2.1.1 Các khái niệm về Recommender System
Recommender Systems (RS) là một hế thống lọc thông tin đặc biệt, hệ thống cho phép
lọc thông tin dựa trên sự quan tâm của người dùng và nội dung của văn bản. Điển hình,
một hệ thống RS sẽ so sánh những thông tin người dùng với những đặc trưng liên quan.
Những đặc trưng này có thể thu thập từ nội dung thông tin (Cách tiếp cận theo nội dung:
Content - based approach) hoặc từ môi trường mạng xã hội của người sử dụng (Cách
tiếp cận theo hướng lọc cộng tác: Collaborative filtering approach). <Theo wikipedia>
Như vậy dựa vào khái niệm trên chúng ta có thể thấy hiện có hai kỹ thuật chính
được sử dụng để xây dựng một hệ thống RS hiện nay. Một là kỹ thuật hướng nội dung
– Content based approach, kỹ thuật này cho phép hệ thống đưa ra những gợi ý phù
hợp nhất với những tiêu chuẩn đã được xác định. Hệ thống phải nắm được tất cả những
đặc điểm chính được thể hiện trong đối tượng được quan tâm (Theo từ khoá của người
dùng) và sắp xếp chúng theo những tiêu chuẩn tương ứng.
Mặt khác , tiếp cận theo hướng lọc cộng tác – Collborative filtering CF lại làm
việc dựa trên cơ chế tìm kiếm những sự đồng nhất của một cá nhân với cộng đồng mà họ
tham gia để xác định gợi ý hơn là dựa trên việc xác thực nội dung của sự quan tâm. Tức
là CF dựa trên sự công tác giữa một nhóm cá thể có chung một quan điểm hay một sự
lựa chọn nào đó để đưa ra nhưng gợi ý cho người tìm kiếm.
Hình 7: Sơ đồ tổng quát hệ thống
22
Trong môt số hệ thống cũng thường áp dụng cả hai kỹ thuật này cách này gọi là hệ
thống lai (Hybrid).
Về căn bản mô hình bài toán được xây dựng như sau:
- Gọi C là số thành viên của hệ thống: ci là tường người dùng cụ thể.