MỤC LỤC
CHƯƠNG I : GIỚI THIỆU SẢM PHẨM…………………………………………1
I.1. MỞ ĐẦU………………………………………………………………………………….1
I.2. MỘT VÀI VÍ DỤ ỨNG DỤNG………………………………………………………2
CHƯƠNG II : LÝ THUYẾT CHUNG……………………………………………...3
II.1. PHÂN LOẠI NGUỒN THÔNG TIN……………………………………………….3
II.1.1. Các trang web thông tin có cấu trúc được cập nhật thường
xuyên……………………………………………………………………………….….4
II.1.2. Các trang Web thông tin có cấu trúc không được cập nhật
thường xuyên……………………………………………………………………….5
II.1.3. Các trang Web thông tin có cấu trúc lỏng lẻo……………………….…6
II.2. WEBMINING……………………………………………………………………………6
II.2.1. Thu thập thông tin (Information Retrieval) …………………..7
II.2.2. Bóc tách thông tin (Information Extraction) ………………….7
II.2.3. Tổng hợp và tổng quát hoá dữ liệu (Generation) …………..8
II.2.4. Phân tích………………………………………………………………….…8
II.3. XLM……………………………………………………………………………………..…8
CHƯƠNG III : NGHIÊN CỨU GIẢI PHÁP…………………………………….10
III.1. THU THẬP THÔNG TIN………………………………………………………….11
III.1.1.Các loại URL……………………………………………………………..11
III.1.2. Giải pháp sử lý………………………………………………………...12
III.2. BÓC TÁCH THÔNG TIN………………………………………………..12
III.2.1. Quy luật dùng để bóc tách thông tin…………………………..20
III.2.2. Phương án kỹ thuật…………………………………………………..24
III.2.3. Kênh tin và kênh tin đa thức………………………………………29
III.3. HIỆN THỰC HOÁ GIẢI PHÁP…………………………………………………..31
III.3.1. Khả năng tương tác người và máy trong quá trình tạo kênh
tin………………………………………………………………………………33
III.3.2. Các chức năng khác của hệ thống………………………………35
III.4. KHẢ NĂNG ỨNG DỤNG VÀ MỞ RỘNG………………..……………………36
CHƯƠNG IV : SO SÁNH VỚI CÁC HỆ THỐNG KHÁC………………………37

III.2.BÓC TÁCH THÔNG TIN......................................................................................21
III.2.1. Quy luật dùng để bóc tách thông tin...............................................................22
III.2.2.Phương án kỹ thuật...........................................................................................26
III.2.3.Kênh tin và kênh tin đa mức ...........................................................................31
III.3.HIỆN THỰC HÓA GIẢI PHÁP.............................................................................33
III.3.2.Khả năng tương tác người - máy trong quá trình tạo kênh tin........................35
III.3.3.Các chức năng khác của hệ thống....................................................................37
III.4.KHẢ NĂNG ỨNG DỤNG VÀ MỞ RỘNG..........................................................38
SO SÁNH vỚi CÁC HỆ THỐNG KHÁC......................................................39
HƯỚNG DẪN SỬ DỤNG CHƯƠNG TRÌNH...............................................40
KẾT LUẬN..............................................................................................46
CHƯƠNG I
GIỚI THIỆU SẢN PHẨM
GIỚI THIỆU SẢN PHẨM

Tên sản phẩm

Ứng dụng của sản phẩm
I.1.MỞ ĐẦU
Bạn đã bao giờ tưởng tượng rằng, nếu một ngày nào đó tất cả mọi người
đều có đầy đủ thông tin, riêng bạn lại không có những thông tin cần thiết thì
cuộc sống sẽ ra sao chưa?
Hơn mọi thứ khác, nhu cầu truyền tải thông tin vượt qua thời gian và
không gian luôn được nhân loại chú ý tới, từ những tiếng trống của thổ dân
Châu Phi cho tới những thông điệp điện tử đang được truyền đi với tốc độ ánh
sáng trên khắp địa cầu. Không cần đến tận nơi, bạn vẫn có thể biết ở cách xa
hàng ngàn dặm đang diễn ra chuyện gì, không cần phải gặp mặt, những người
- 2 -
Chương I : Giới thiệu sản phẩm
bạn ở hai nửa địa cầu vẫn có thể trao đổi thông tin với nhau, ... Internet đã đưa

tiêu đề
cùng với phần
tóm
tắt
của các tin tức trên rất nhiều các trang báo điện tử trong và ngoài nước, hay
tên bài viết
và
tác giả
của các chủ đề trên rất nhiều các diễn đàn trao đổi thông
tin, hay đơn thuần chỉ là các
chỉ số chứng khoán
, … không thôi?
Không, tất nhiên không chỉ có vậy, hệ thống của tôi được xây dựng như là
một giải pháp tổng quát để thu thập và tách thông tin từ bất cứ nguồn tin
nào trên Internet. Với sự cố gắng nỗ lực hết mình trong phạm vi giới hạn của
kiến thức, tôi cũng đã cung cấp cho bạn một cơ chế tương tác trực quan giữa
người và máy để xác định thông tin cần bóc tách mà ngay cả những hệ thống có
chức năng tương tự như Novobot, WebFerret hay Copernic cũng rất khó khăn
hay hầu như không thể cung cấp cho bạn được. Tính khả mở của hệ thống đã
được chuyển giao từ những người tạo ra hệ thống vào tay người sử dụng. Hệ
thống của tôi giờ đây đã cung cấp đầy đủ các chức năng để bạn có thể thu thập
và tách các thông tin từ bất cứ nguồn tin nào và việc quyết định cần thu thập
những thông tin gì là tùy vào chính bạn chứ không còn cứng nhắc như các
hệ thống trước đây nữa.
Hãy để công việc thu thập thông tin lại trở nên dễ dàng và tiện dụng cùng
với hệ thống của tôi cho dù trước mắt bạn là một biển thông tin hỗn độn và
khổng lồ như Internet .
I.2.MỘT VÀI VÍ DỤ ỨNG DỤNG
- 3 -
Chương I : Giới thiệu sản phẩm

có thể được ứng dụng vào trong những công việc gì thì điều đó chỉ phụ thuộc
vào khả năng sáng tạo của chính bạn mà thôi.
CHƯƠNG II
LÝ THUYẾT CHUNG
LÝ THUYẾT CHUNG

Các loại nguồn thông tin trên Web

Các tác vụ Web-mining, lý thuyết và thực tế

Ngôn ngữ XML, khả năng và thực tế
- 4 -
Chương I : Giới thiệu sản phẩm

Chúng ta đã thật sự có thông tin mình mong đợi chưa?
II.1.PHÂN LOẠI NGUỒN THÔNG TIN
Trong thập kỷ qua, chúng ta đã được chứng kiến sự phát triển đến chóng
mặt của Internet mà tiêu biểu là các trang thông tin. Sự phát triển này đã có một
ảnh hưởng không nhỏ tới nền kinh tế và xã hội không chỉ của riêng một quốc gia
mà là cả thế giới. Internet được coi là một nguồn cung cấp tin khổng lồ với mọi
chuyên mục, mọi vấn đề mà người sử dụng cần đến. Với sự phát triển này, hiện
nay, lượng thông tin Internet mang đến cho người sử dụng là quá lớn dẫn tới
việc chúng ta cần phải có các ứng dụng Internet thông minh và hiệu quả hơn đối
với người sử dụng. Có nhiều cách để phân loại các nguồn thông tin từ Web, tuy
vậy, chúng ta có thể chia thành 3 loại chính như sau :
• Các trang Web thông tin có cấu trúc được cập nhật thường xuyên
• Các trang Web thông tin có cấu trúc không được cập nhật thường xuyên
• Các trang Web thông tin có cấu trúc lỏng lẻo
Trước khi đi vào phân tích từng loại một, chúng ta cần nhận định rằng các
trang Web hiện nay được xây dựng bằng rất nhiều nguồn khác nhau: text, hình

này thông thường luôn tuôn theo một quy luật về ý nghĩa của các thông tin.
Thông tin mà các trang Web này mang lại cho người sử dụng được cập
nhật một cách liên tục và phong phú. Tuy vậy, trái ngược với sự liên tục và
phong phú, các trang Web này lại chỉ ngày càng nâng cao tính trình bày hình
thức của mình chứ không thể nâng cao được tính ngữ nghĩa của mình (do sự
hạn chế của ngôn ngữ HTML). Những câu hỏi được người sử dụng đặt ra để lấy
thông tin ví dụ như
“Tôi muốn đọc các bài có tiêu đề nói về Trí Tuệ Việt
Nam 2004“
hay như
“Có công ty chứng khoán nào niêm yết giá khoảng
dưới 20000 VND không nhỉ?”
, có vẻ đơn giản nhưng dường như lại khá khó
khăn trong việc thực hiện. Câu trả lời nếu sử dụng các phương pháp thông
thường như là sử dụng search engine của trang thông tin đó hay các search
engine khác sẽ mang lại cho người sử dụng quá nhiều thông tin không cần thiết
do các search engine này cũng chỉ tìm kiếm thông tin chứ không để ý đến ngữ
nghĩa của thông tin.
II.1.2.Các trang Web thông tin có cấu trúc không
được cập nhật thường xuyên
Tần số cập nhật được nêu ra ở đây chỉ mang tính tương đối, vì một trang
Web được cập nhật thường xuyên (ví dụ như chỉ số chứng khoán) lại cũng có
thể vì một lý do nào đó không cập nhật thường xuyên nữa (ví dụ đóng cửa thị
trường chứng khoán vào ngày nghỉ). Tuy nhiên, có thể thấy rằng, cũng có rất
nhiều trang Web mà tần số cập nhật là ít. Ví dụ như trang Web giới thiệu tên các
quốc gia (đương nhiên không phải ngày, tháng, năm nào cũng có một quốc gia
xuất hiện, đổi tên hay biến mất nên thông tin trong trang Web này dường như
không thay đổi), hay như trang Web chứa thông tin về Ban Giám Khảo cuộc thi
Trí Tuệ Việt Nam (thay đổi theo hàng năm). Do các trang Web này cũng được tổ
- 6 -

nhân, tổ chức, cơ quan .v.v… Những trang Web này thường rất khó phân tích
cấu trúc một cách tổng quát do thông tin được trình bày không theo một quy
luật nhất định nào.
II.2.WEBMINING
Do những nhu cầu bức xúc đặt ra đã được nói ở trên, chúng ta cần phải
phát triển phương pháp thu thập và xử lý thông tin thông minh hơn để mang lại
- 7 -
Chương I : Giới thiệu sản phẩm
những ích lợi thiết thực hơn cho người sử dụng. Hiện tại, trên thế giới đã có rất
nhiều nghiên cứu về WebMining, phương pháp và công nghệ để xử lý thông tin
thu thập từ các nguồn thông tin trên Internet một cách thông minh. WebMining
có thể được chia thành bốn tác vụ chính như hình dưới đây
D÷ liÖu
Web
T¸c vô
Thu thËp
th«ng tin
T¸c vô
Bãc t¸ch
th«ng tin
T¸c vô
Tæng qu¸t
ho¸ th«ng
tin
T¸c vô
Ph©n tÝch
th«ng tin
Tri thøc
Chúng ta sẽ điểm sơ qua từng tác vụ một và những nghiên cứu đã đạt
được đối với từng tác vụ này.

tách thông tin từ các tài nguyên Web. Các hàm này được viết dựa trên các luật
(quy luật) đã được đúc rút ra sau khi khảo sát các trang Web chứa thông tin cần
lấy. Các Wrapper có thể xây dựng dựa trên rất nhiều quy luật khác nhau và tuỳ
thuộc vào mục đích của người sử dụng.
Có lẽ giới hạn lớn nhất của tác vụ bóc tách thông tin này là mỗi một
wrapper lại chỉ được sử dụng cho một mục đích nhất định và không liên quan
đến nhau. Do vậy, tính khả mở của các wrapper này quả thật không được tốt
cho lắm. Chúng ta có thể kể đến những chương trình chỉ viết riêng về một vấn
đề như: xem chỉ số chứng khoán, xem thời tiết, xem báo (ví dụ như Novobot)
hay những chương trình mang tính chất tổng hợp hơn như chương trình bóc tách
các thông tin thu được từ nhiều search engine cùng một lúc (ví dụ như
Corpecnic hay WebFerret). Hơn nữa, cần phải kể thêm là các chương trình
này luôn tạo ra những khó khăn cho người sử dụng trong việc cập nhật lại nguồn
tin (ví dụ cập nhật thêm một tờ báo hay thêm một search engine). Để cập nhật,
người sử dụng hầu như khó có thể tự mình thực hiện được mà phải chờ đợi cũng
như download phần cập nhật từ các nhà sản xuất mà không biết phần cập nhật
này có thật sự đúng với ý muốn của mình hay không (có phải đúng tờ báo mình
muốn đọc hay đúng search engine ưa thích của mình không).
II.2.3.Tổng hợp và tổng quát hoá dữ liệu
(Generation)
Trong tác vụ này, các kỹ thuật nhận diện theo mẫu (pattern recognition)
và học máy (machine learning) thường được sử dụng đối với các thông tin đã
được bóc tách. Hầu hết các hệ thống học máy hiện tại trên Web đều học về ý
thích của người sử dụng (tổng quát hơn là thông tin về người sử dụng) nhiều
hơn là học về chính trang Web mà các hệ thống này được cài đặt trên đó. Vấn
đề này cũng xuất phát từ nguyên nhân dữ liệu hiện nay đang rất dư thừa trên
Web nhưng lại không được (không có cơ chế) phân loại theo mặt ngữ nghĩa một
cách tự động. Ví dụ, nếu chúng ta có một cơ chế nào đó để xác định được hai
tập hợp các trang Web là trang chủ của cá nhân này và không phải là trang chủ
của cá nhân khác thì chúng ta sẽ có khả năng tiên đoán được một trang Web

• XML được thiết kế một cách rõ ràng, rành mạch cho phép các công cụ
phát triển và trình duyệt có thể dễ dàng (không cần thay đổi) vẫn duyệt
được toàn bộ thông tin mà nó mang theo. Sự tối nghĩa trong các thẻ
HTML và có quá nhiều các quy tắc ngoại lệ khiến cho đôi khi không chỉ
người sử dụng mà các nhà phát triển công cụ cũng phải đau đầu.
• HTML là một ngôn ngữ chú trọng hoàn toàn đến hình thức và không nói
lên được điều gì về dữ liệu mà nó mang. Do vậy, XML là một ngôn ngữ lý
tưởng để giúp HTML làm được điều này.
- 10 -
Chương I : Giới thiệu sản phẩm
• XML không phải sinh ra để cho những ứng dụng phức tạp mà không phải
ai cũng hiểu, XML rất đơn giản và dễ lập trình. Thêm nữa, với XML, chúng
ta có thể hiển thị cùng một dữ liệu với nhiều cách khác nhau hay cá nhân
hoá dữ liệu, điều mà HTML không làm được.
Với những tính năng như trên, không có gì đáng ngạc nhiên khi XML hiện
nay được sử dụng rộng rãi từ việc tạo trang Web tới việc tích hợp dữ liệu và
ngay cả là lập trình phân tán. Chúng ta có thể xem xét một vài ví dụ nhỏ về
những ứng dụng của XML dưới đây :
• Giao dịch thương mại (Biz-to-biz transport) : Dữ liệu thương mại, hóa
đơn, yêu cầu mua hàng, thông tin thuế, tỷ giá ... đều có thể được truyền
qua đường điện tử giữa các nhà sản xuất khác nhau bằng định dạng XML
với những ưu điểm vượt trội hơn hẳn dạng EDI (Electronic Data
Interchange).
• Lập trình phân tán : XML là một công cụ lý tưởng để xây dựng các ứng
dụng từ nhiều platform khác nhau, cho phép tích hợp giữa các server của
Windows, Unix, Linux, Sun... với các hệ điều hành khác nhau trên toàn
thế giới.
• Cấu trúc Web site : Bản thân XML là một ngôn ngữ mang tính cấu trúc
chặt chẽ và phân tán. Vì vậy, các nhà phát triển Web site có thể dễ dàng
sử dụng XML trong việc tăng tính phân tầng và cấu trúc duyệt


Hiện thực hóa giải pháp

Khả năng ứng dụng và phát triển
Như đã nói ở chương trước, để có được tri thức như mong muốn, chúng
ta cần thực hiện qua bốn bước
thu thập
,
bóc tách
,
tổng quát hóa
và
phân
tích dữ liệu
. Các bước này liên quan chặt chẽ đến nhau và có thể dễ dàng nhận
thấy rằng, việc thực hiện không tốt một bước bất kỳ trong bốn bước kể trên đều
ảnh hưởng lớn tới tri thức đầu ra. Với những nghiên cứu sẽ trình bày dưới đây,
tôi xin được đặc biệt chú trọng tới hai bước đầu tiên,
thu thập
và
bóc tách
thông tin
mà trọng tâm là bóc tách thông tin.
III.1.THU THẬP THÔNG TIN
Việc thu thập thông tin trong hệ thống phải dựa vào những nguồn thông
tin mà người sử dụng đã cung cấp cho hệ thống ấy. Sở dĩ tại sao ở đây tôi không
đặt trọng tâm vào việc thu thập thông tin là bởi vì hiện tại, các search engine và
các nguồn tin từ Web cung cấp thông tin đã quá nhiều, ngày càng phát triển và
cung cấp cho người sử dụng nhiều thông tin hơn nhưng lại trong khoảng thời
gian ít hơn trước rất nhiều. Cần phải khẳng định rằng hiện tại chúng ta không hề

chúng ta cần phải cung cấp cho các search engine này từ khóa. Các từ
khóa ấy được biến đổi và cuối cùng được gửi cho server dưới dạng nằm
trong URL. Ngoài ra, cũng còn cần phải xét tới chuyện xử lý sang việc
người sử dụng cần lấy từ nguồn tin không phải từ một trang mà là từ
nhiều trang Web (ví dụ như mặc dù search engine có thể trả lại cho chúng
ta đến hàng triệu kết quả chỉ trong một trang Web, tuy vậy trong thực tế
người sử dụng thông thường không muốn xem hết hàng triệu kết quả này
cũng như search engine không bao giờ lại trình bày hàng triệu kết quả thu
được trong một trang Web duy nhất). Như vậy, thông tin về số trang
trong trường hợp này ở trên URL cũng cần phải nghiên cứu. Chúng ta
cũng cần phải phân biệt được trường hợp 3 và 2 là giống nhau về mặt
bản chất URL đều được mã hóa, nhưng trong trường hợp thứ 3 thông tin
mã hóa được nhập từ người sử dụng, còn trong trường hợp thứ 2 thì do
máy tính tự sinh ra.
III.1.2. Giải pháp xử lý
Đối với từng loại URL này, tôi đã có những nghiên cứu và đưa ra các giải
pháp khả thi để có thể xử lý hết tất cả các trường hợp tạo sinh URL và sau đó
quy về một URL tĩnh request đến server chứa nguồn thông tin. Trừ URL tĩnh là
dạng URL cơ bản nhất còn các dạng URL còn lại đều có thể được tạo sinh bởi
một trong hai cách dưới đây :
• Tạo/sinh URL bằng cách viết script. Đây là nhóm các URL được mã hóa
đơn giản, có thể nhìn thấy ngay quy luật.
• Tạo/sinh URL bằng cách viết DLL. Trong trường hợp các URL sử dụng các
phương pháp mã hóa phức tạp hơn, để tiện cho người sử dụng, cách tốt
- 13 -
Chương I : Giới thiệu sản phẩm
nhất là người sử dụng viết một DLL hoặc sử dụng DLL có sẵn như một
plug-ins để cung cấp cho hệ thống của tôi khả năng tạo/sinh URL dựa
trên việc gọi các hàm trong DLL (plug-ins) đó.
1.2.1. Tạo sinh URL bằng cách viết script

/>%87t+Nam%22&c=web&cs=utf-8&o=10&l=any
/>%87t+Nam%22&c=web&cs=utf-8&o=20&l=any
/>%87t+Nam%22&c=web&cs=utf-8&o=30&l=any
Phần cố định Keyword sau khi mã
hoá
Phần cố định Phần
thay đổi
Phần
cố định
t
heweb.com/sea
rch?q=
%22Tr%C3%AD+Tu
%E1%BB%87+Vi
%E1%BB%87t+Nam
%22&
&c=web&cs=utf-8&o= 10
20
30
&l=any
PanVN :
/>%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=2&dns=&img=0
- 14 -
Chương I : Giới thiệu sản phẩm
/>%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=3&dns=&img=0
/>%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=4&dns=&img=0
Phần cố định Keyword sau khi mã
hoá
Phần cố định Phần
thay đổi

%22Tr%DD+Tu
%D6+Vi%D6t+Nam
%22
&start= 21
41
61
Đài Tiếng Nói Việt Nam
Chuyên mục Kinh tế : />Chuyên mục Xã Hội : />Chuyên mục Thể Thao : />Phần cố định Phần thay đổi Phần cố định
2004_10_24 /vietnamese/kinhte.htm
2004_10_24 /vietnamese/xahoi.htm
2004_10_24 /vietnamese/thethao.htm
Như vậy, để xử lý được toàn bộ các URL này, script của chúng ta phải đáp
ứng được nhưng yêu cầu sau :
• Mã hóa được keyword theo dạng chuẩn của Windows
• Có các hàm để thay thế chuỗi (ví dụ nếu chú ý thì trong keyword sau khi
đã qua xử lý của Google, dấu “ “ đã được thay bằng dấu “+”)
- 15 -
Chương I : Giới thiệu sản phẩm
• Có một số các hàm xử lý tạo ra ngày, tháng, năm hiện tại và các hàm đơn
giản khác (hàm không cần đối số, trả về một giá trị)
• Script phải xử lý được ít nhất là một biến. Cũng cần phải có cơ chế cho
biết biến đó được chạy từ đâu đến đâu, bước chạy là bao nhiêu (ví dụ đối
với search engine, cần biết là trang thứ bao nhiêu, bắt đầu từ kết quả thứ
bao nhiêu...)
Do vậy, tôi đã xây dựng một ngôn ngữ script dựa vào những yêu cầu
trên. Ngôn ngữ này là đơn giản, phù hợp với yêu cầu và dễ dàng mở rộng khi
cần thiết. Dưới đây là các quy tắc của ngôn ngữ :
1. Các dòng được xử lý tuần tự.
2. Sau khi thực hiện một dòng, kết quả trả về là một chuỗi (trừ dòng đầu
tiên)

Chương I : Giới thiệu sản phẩm
c.
$REPLACE
ts1 ts2 : thay chuỗi ts1 bằng chuỗi ts2 trong keyword
đã mã hóa
d.
$YEAR
: năm hiện tại
e.
$MONTH
: tháng hiện tại
f.
$DATE
: ngày hiện tại
Dưới đây tôi sẽ áp dụng quy tắc này để biểu diễn lại các ví dụ trên ra
dạng script :
Google :
Phần cố định Keyword mã hoá Phần cố định Phần
thay đổi
Phần
cố định
gl
e.com/search?q=
%2B%22Tr
%C3%AD+Tu
%E1%BB%87+Vi
%E1%BB%87t+Nam
%22&
num=50&hl=vi&lr=&ie
=UTF-8&oe=UTF-

&c=web&cs=utf-8&o=
#
&l=any
PanVN :
Phần cố định Keyword mã hoá Phần cố định Phần
thay đổi
Phần
cố định
v
n.com/index.asp?
progid=4004&q=
"Tr%C3%ADTu
%E1%BB%87Vi
%E1%BB%87tNam"
&fcid=2&any=&ww=&
occ=&d=&cmdSearch
=Search&advs=&pn=
2
3
4
&dns=&
img=0
- 17 -
Chương I : Giới thiệu sản phẩm
1 2 1 3
/>$UTF8
$REPLACE %22 “
&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=
#
&dns=&img=0

Trong ví dụ này, chúng ta chú ý rằng, do không cần lặp lại nên dòng đầu
tiên chỉ có 1 tham số là 0, mang ý nghĩa là không có biến. Các dòng nếu không
bắt đầu bằng dấu “$” hoặc “#” thì đều được coi là chuỗi hằng và không cần phải
biến đổi thêm.
Script được tạo ra sẽ được hệ thống xử lý theo sơ đồ sau :
- 18 -