ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
PHẠM THỊ NGÂN
NGHIÊN CỨU CẢI TIẾN PHÂN LỚP ĐA NHÃN VĂN BẢN
VÀ ỨNG DỤNG
LUẬN ÁN TIẾN SĨ CÔNG NGHÊ THÔNG TIN
Hà Nội – 2017
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
PHẠM THỊ NGÂN
NGHIÊN CỨU CẢI TIẾN PHÂN LỚP ĐA NHÃN VĂN BẢN
VÀ ỨNG DỤNG
Chuyên ngành: Hệ thống thông tin
Mã số: 62.48.01.04
LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN
NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. PGS.TS HÀ QUANG THỤY
2. PGS.TS PHAN XUÂN HIẾU
Hà Nội – 2017
các công trình nghiên cứu và các bạn đồng nghiệp đã giúp đỡ, trao đổi và chia sẻ
những kinh nghiệm về chuyên môn, đóng góp các ý kiến quý báu cho tôi trong quá
trình nghiên cứu.
Tôi xin trân trọng cảm ơn các thầy cô trong hội đồng chuyên môn đã đóng
góp các ý kiến quý báu để tôi hoàn thiện luận án.
Tôi cũng bày tỏ lòng lòng cảm ơn sâu sắc tới Ban giám đốc Học viện Cảnh
sát nhân dân; Tập thể lãnh đạo Bộ môn Toán-Tin học, Học viện Cảnh sát nhân dân
đã tạo kiện thuận lợi cho tôi trong quá trình nghiên cứu; cảm ơn các đồng chí trong
Bộ môn Toán-Tin học đã luôn ủng hộ, quan tâm và động viên tôi.
Tôi luôn biết ơn những người thân trong gia đình, bố mẹ nội, bố mẹ ngoại,
các anh chị em đã luôn chia sẻ khó khăn, động viên và là chỗ dựa tinh thần vững
chắc cho tôi trong suốt thời gian qua.
ii
MỤC LỤC
LỜI CAM ĐOAN ....................................................................................................... i
LỜI CẢM ƠN ............................................................................................................ii
MỤC LỤC ................................................................................................................ iii
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT ...........................................vii
DANH MỤC CÁC BẢNG ....................................................................................... ix
DANH MỤC CÁC HÌNH VẼ................................................................................... x
MỞ ĐẦU .................................................................................................................... 1
Chương 1.
TỪ PHÂN LỚP ĐƠN NHÃN TỚI PHÂN LỚP ĐA NHÃN ...... 10
1.1. Từ phân lớp đơn nhãn đơn thể hiện tới phân lớp đa nhãn đa thể hiện .... 10
1.1.1.
Tóm tắt về các thuật toán được giới thiệu ...................................28
1.2.2.
Dữ liệu đa nhãn ..................................................................................... 29
1.2.2.1.
Các độ đo dữ liệu đa nhãn............................................................29
1.2.2.2.
Phân bố nhãn ................................................................................30
1.2.2.3.
Mối quan hệ giữa các nhãn ..........................................................30
1.2.3.
Đánh giá phân lớp đa nhãn .................................................................... 31
1.2.3.1.
Các độ đo dựa trên mẫu ...............................................................32
1.2.3.2.
Các độ đo dựa trên nhãn ..............................................................34
Mô hình đề xuất ..................................................................................... 46
2.1.2.1. Sử dụng tiêu chuẩn kỳ vọng tổng quát vào mô hình trường nhẫu
nhiên có điều kiện CRFs ..............................................................................48
2.1.2.2.
Xây dựng tập ràng buộc cho tiêu chuẩn kỳ vọng tổng quát ........51
2.1.2.3.
Mô hình đề xuất cho bài toán nhận diện thực thể có tên .............52
2.1.3.
Ứng dụng mô hình ................................................................................. 56
2.2. Một mô hình phân lớp đơn nhãn trong hệ tư vấn xã hội ........................... 59
2.2.1.
Sơ bộ về tư vấn xã hội ........................................................................... 59
2.2.2.
Mô hình đề xuất ..................................................................................... 62
2.2.3.
Ứng dụng mô hình ................................................................................. 66
2.3. Kết luận chương ............................................................................................. 68
3.1.3.1.
Xây dựng tập dữ liệu thực nghiệm ..............................................84
3.1.3.2.
Thực nghiệm ................................................................................85
3.1.3.3.
Kết quả thực nghiệm ....................................................................86
3.2. Phân lớp đa nhãn văn bản dựa trên biểu diễn dữ liệu theo đồ thị khoảng
cách các chủ đề ẩn .......................................................................................... 87
3.2.1.
Mô hình biểu diễn văn bản theo đồ thị khoảng cách ............................. 89
3.2.1.1.
Biểu diễn dữ liệu theo đồ thị khoảng cách...................................89
3.2.1.2.
Mô hình đồ thị khoảng cách và mô hình n-gram .........................92
3.2.2.
Mô hình phân lớp đa nhãn văn bản dựa trên biểu diễn dữ liệu theo đồ
thị khoảng cách chủ đề ẩn ..................................................................... 93
Phát biểu bài toán phân lớp đa nhãn bán giám sát .............................. 105
4.2.2.
Thuật toán phân lớp đa nhãn dựa trên kỹ thuật phân cụm bán giám sát106
4.2.2.1.
Thuật toán TESC và LIFT .........................................................107
4.2.2.2.
Thuật toán phân lớp đa nhãn bán giám sát ................................109
4.2.3.
Mô hình phân lớp đa nhãn bán giám sát đề xuất ................................. 116
4.3. Một mô hình ứng dụng phân lớp đa nhãn văn bản bán giám sát ............ 117
4.3.1.
Mô hình đề xuất ................................................................................... 117
v
4.3.1.1.
Pha 1. Huấn luyện mô hình ........................................................118
ECC
EPCC
EPS
FE
FS
IBLR
IG
kNN
LC
LP
LDA
LIFT
LP
LSA
MI
MIML
MLC
ML-DT
ML-kNN
MLL
MLNB
MMAC
MMP
Tiếng Anh
Artificial neural network
Backpropagation for Multilabel
Learning
Binary Relevance
Classifier Chains
Lựa chọn đặc trưng
Instance-Based Learning by
Học dựa trên thực thể bằng hồi
Logistic Regresion
quy logic
Information Gain
Độ lợi thông tin
k Nearest Neighbour
k láng giềng gần nhất
Label Combination
Kết hợp nhãn
Label Powerset
Tập lũy thừa nhãn
Latent Dirichlet Allocation
Mô hình chủ đề ẩn
Multi-Label Learning with Label Học đa nhãn với đặc trưng nhãn
specIfic FeaTures
riêng biệt
Label Power set
Tập lũy thừa nhãn
Latent Semantic Analysis
Phân tích ngữ nghĩa ẩn
Mutual Information
Thông tin tương hỗ
Multi-Instance Multi-Label
Đa nhãn đa thể hiện
Multi-Label Classiffication
Phân lớp đa nhãn
Multi-Label Decision Tree
Cây quyết định đa nhãn
PMM1
PMM2
POS
PS
PW
RPC
RSL
SVM
TESC
TFIDF
Thuật toán tối ưu đàn kiến đa
nhãn
Nhận dạng thực thể có tên
Phân tích thành phần chính
Chuỗi bộ phân lớp xác suất
Thuật toán cây phân cụm dự
đoán
Parametric Mixture Models
Mô hình hòa trộn tham số
Part Of Speech
Pruned Sets
Pairwise Methods
Ranking by Pairwise
Comparision
Ranking via Single-label
Bảng 2.5 Kết quả thực nghiệm ..................................................................................67
Bảng 3.1 Ví dụ về kết quả của mô hình chủ đề ẩn cho tài liệu .................................81
Bảng 3.2 Ví dụ về dữ liệu đa nhãn ............................................................................82
Bảng 3.3 Tập dữ liệu thực nghiệm ............................................................................84
Bảng 3.4 Tập dữ liệu huấn luyện ..............................................................................84
Bảng 3.5 Tập dữ liệu cho mô hình chủ đề ẩn............................................................85
Bảng 3.6 Kết quả phân lớp ........................................................................................86
Bảng 3.7 Bảng phân phối tập từ trên mỗi chủ đề ẩn .................................................96
Bảng 3.8 Kết quả thực nghiệm của mô hình phân lớp đa nhãn dựa trên mô hình chủ
đề ẩn và đồ thị khoảng cách ....................................................................................100
Bảng 4.1 Kết quả thực nghiệm 1 và thực nghiệm 2 ................................................121
Bảng 4.2 Kết quả thực nghiệm 3, thực nghiệm 4 và thực nghiệm 5 .......................122
ix
DANH MỤC CÁC HÌNH VẼ
Hình 0.1 Phân bố bài báo và lượng trích dẫn về học máy đa nhãn trong ISI (trái) và
Scopus (phải) tới năm 2013 [22] .................................................................................3
Hình 0.2 Phân bố các chủ đề trong các chương của luận án .......................................7
Hình 1.1 Phân lớp đơn nhãn truyền thống [128].......................................................10
Hình 1.2 Học đơn nhãn đa thể hiện [128] .................................................................11
Hình 1.3 Học đa nhãn [128] ......................................................................................13
Hình 1.4 Học đa nhãn đa thể hiện [128] ...................................................................14
Hình 1.5 Hai tiếp cận học đa nhãn [21] ....................................................................15
Hình 1.6 Các bộ phân lớp nhị phân tương ứng với 4 nhãn .......................................17
Hình 1.7 Thuật toán phân lớp BR [89] .....................................................................18
Hình 1.8 Thuật toán phân lớp CC [64] .....................................................................20
Hình 1.9 Thuật toán phân lớp CLR [84] ...................................................................21
Hình 1.10 Thuật toán phân lớp RakEL [43], [84] .....................................................22
Hình 4.2 Mô hình ứng dụng phân lớp đa nhãn bán giám sát cho văn bản tiếng Việt
.................................................................................................................................119
xi
MỞ ĐẦU
Tính cấp thiết của luận án
Cùng với sự bùng nổ dữ liệu cả về dung lượng lẫn về chủng loại, phân lớp dữ
liệu tự động là rất cần thiết và là một trong những chủ đề chính trong khai phá dữ
liệu. Trong mười thuật toán khai phá dữ liệu điển hình nhất có tới bảy thuật toán
liên quan tới bài toán phân lớp là thuật toán C4.5 và cải biên, thuật toán máy vectơ
hỗ trợ SVM (Support Vector Machine, còn được gọi là máy vectơ tựa), thuật toán
EM (Expectation–Maximization), thuật toán Adaboost, thuật toán k-láng giềng gần
nhất k-NN, thuật toán Bayes “ngây thơ” (Naïve Bayes), thuật toán CART
(Classification and Regression Trees) [121]. Bản chất của bài toán phân lớp dữ liệu
là xây dựng một hàm (hoặc ánh xạ) toàn phần từ tập dữ liệu (gồm các dữ liệu đã tồn
tại hoặc sẽ xuất hiện) thuộc một miền ứng dụng tới một tập hữu hạn nhãn cho trước
dựa trên thông tin đã biết về hàm này trên một tập con các dữ liệu đã được gán nhãn
(được gọi là tập ví dụ mẫu). Hàm kết quả được gọi là mô hình (bộ) phân lớp
(classification model/classifier) hay mô hình dự báo (prediction model) lớp. Do bài
toán phân lớp đòi hỏi cho trước một tập ví dụ mẫu cho nên nó cũng được gọi là bài
toán học có giám sát.
Một thuật toán phân lớp điển hình thường trải qua hai bước thực hiện. Bước
thứ nhất, được gọi là bước học mô hình (learning step), thực hiện việc phân tích dữ
liệu thuộc một tập con ví dụ mẫu, được gọi là tập dữ liệu huấn luyện (training
dataset), để xây dựng một mô hình phân lớp phù hợp với tập dữ liệu huấn luyện. Về
bản chất, ở bước học, thuật toán phân lớp “học” một hàm có khả năng gán nhãn cho
mọi dữ liệu miền ứng dụng. Hàm phân lớp kết quả từ bước học được sử dụng để dự
báo nhãn cho các dữ liệu mới. Tuy nhiên, trước khi đem mô hình phân lớp vào ứng
Luận án “Nghiên cứu cải tiến phân lớp đa nhãn văn bản và ứng dụng” tập
trung vào bài toán phân lớp đa nhãn. Phân lớp đa nhãn (Multi-Label Classiffication:
MLC) hay học đa nhãn (Multi-Label Learning: MLL) là một khung học máy
(learning framwork) giám sát mới nổi trong thời gian gần đây [22], [40], [42], [84].
Khung học máy này đã thể hiện sự phù hợp với thực tế và tính ứng dụng rộng rãi
trong các bài toán phân lớp, điển hình là trong phân lớp văn bản, phân tích dữ liệu
đa phương tiện, sinh học, khai phá mạng xã hội, học điện tử và nhiều miền ứng
2
dụng khác [21], [40]. Tuy nhiên, học đa nhãn đòi hỏi những tiến hóa mới đối với
các phương pháp học máy cho giải pháp thích hợp với dữ liệu đa nhãn như vấn đề
về mối quan hệ giữa các nhãn, chi phí tính toán của thuật toán, vấn đề mất cân bằng
nhãn, vấn đề đa chiều của dữ liệu... Đây là các vấn đề cần tiếp tục nghiên cứu, cải
tiến và phát triển để nâng cao hiệu quả phân lớp đa nhãn.
Hình 0.1 Phân bố bài báo và lượng trích dẫn về học máy đa nhãn trong ISI (trái) và Scopus
(phải) tới năm 2013 [22]
Chính vì lý do đó, học đa nhãn cuốn hút một cộng đồng nhiên cứu rộng rãi trên
thế giới. Bằng các truy vấn phù hợp vào cơ sở dữ liệu ISI và Scopus [22], E. Gibaja và
S. Ventura nhận được thông tin về số lượng hàng năm các công bố khoa học về học đa
nhãn và trích dẫn tới các công bố đó trong các cơ sở dữ liệu ISI và Scopus. Kết quả số
liệu thống kê của các tác giả được chỉ dẫn tại Hình 0.1. Các biểu đồ trong Hình 0.1
chứng tỏ rằng học đa nhãn là chủ đề nhận được sự quan tâm ngày càng tăng trong cộng
đồng nghiên cứu. Tính tới năm 2013, theo các tác giả thì hội nghị ECML/PKDD 2009
và hai hội nghị MLD 2009 và MLD 2010 chứa một lượng đáng kể các công trình
nghiên cứu về học đa nhãn. Các nhóm nghiên cứu của Zhi-Hua Zhou, Min-Ling Zhang
và cộng sự1, Ioannis P. Vlahavas, Grigorios Tsoumakas và cộng sự2, Sebastián Ventura
Theo M. L. Zhang và Z. H. Zhou [84], các công trình nghiên cứu sớm nhất về
học đa nhãn là tập trung vào miền ứng dụng phân lớp văn bản [6], [106]. Theo thời
gian, học đa nhãn được ứng dụng vào nhiều miền ứng dụng đa dạng (đặc biệt là miền
ứng dụng phân lớp dữ liệu ảnh) và nhiều phương pháp học đa nhãn đã được đề xuất
[1], [7], [23], [25], [42], [44], [63], [66], [73], [74], [76], [114], [117], [118], [127]. Các
phương pháp ban đầu thường đi theo cách tiếp cận là cố gắng chia bài toán học đa nhãn
thành nhiều bài toán phân lớp hai nhãn hoặc chuyển nó thành phương pháp học máy
xếp hạng nhãn trong phân lớp đa nhãn [23], [42], [73], [74], những tiếp cận gần đây
chú trọng hơn đến việc khai thác mối quan hệ giữa các nhãn [7], [76], [117], [118], tiếp
4
cận khai thác mối quan hệ đa nhãn và dự đoán chuỗi tuần tự [65].
Trong học đa nhãn, các giải pháp biểu diễn dữ liệu và lựa chọn đặc trưng dữ
liệu tốt cho phép nâng cao tính hiệu quả của các giải pháp học đa nhãn [24], [82],
[83], [87], [93], [94], [127] và nhiều giải pháp đã được đề xuất. M.L. Zhang và cộng
sự sử dụng chiến thuật lựa chọn đặc trưng dựa trên phân tích thành phần chính PCA
và các thuật toán di truyền để loại bỏ các đặc trưng dư thừa, không liên quan và chọn
ra tập đặc trưng phù hợp nhất cho bài toán phân lớp [82] hoặc khai thác các đặc trưng
cụ thể cho từng nhãn để sử dụng cho quá trình huấn luyện và kiểm thử [83], [87].
A.Elisseeff và J.Weston sử dụng các đặc trưng nhãn được sắp xếp để khai thác mối
quan hệ giữa các nhãn trong bài toán phân lớp đa nhãn [1]. O.G.R. Pupo và cộng sự
đánh trọng số đặc trưng dựa trên bộ lọc nhằm cải tiến các thuật toán lười (lazy
algorithm) phân lớp đa nhãn [93] hoặc cải tiến thuật toán ReliefF đánh trọng số và
lựa chọn đặc trưng cho phân lớp đa nhãn bao gồm việc sử dụng phương pháp chuyển
đổi bài toán đa nhãn về bài toán phân lớp đơn nhãn và thích nghi thuật toán ReliefF
trực tiếp giải quyết bài toán phân lớp đa nhãn [94]. Phân tích các đặc trưng dữ liệu
cho phân lớp đa nhãn cũng là một trong các hướng nghiên cứu được quan tâm gần
đây [44].
mục tiêu thứ ba của luận án. Cuối cùng, luận án xây dựng một số phần mềm thử
nghiệm thực thi các giải pháp biểu diễn dữ liệu và thuật toán phân lớp đa nhãn được
luận án đề xuất để kiểm chứng tính hiệu quả của các đề xuất đó.
Đối tượng nghiên cứu của luận án là phương pháp biểu diễn dữ liệu, lựa
chọn đặc trưng và thuật toán phân lớp đa nhãn trong miền dữ liệu văn bản tiếng Việt.
Phạm vi nghiên cứu của luận án được giới hạn ở phương pháp biểu diễn dữ
liệu, lựa chọn đặc trưng và thuật toán phân lớp đa nhãn văn bản tiếng Việt, tập trung
vào miền ứng dụng phân tích nhận xét đánh giá tiếng Việt.
Phương pháp nghiên cứu của luận án là nghiên cứu lý thuyết đề xuất mô
hình biểu diễn dữ liệu và thuật toán phân lớp đa nhãn cũng như nghiên cứu thực
nghiệm để kiểm chứng đánh giá các đề xuất của luận án.
Luận án tham gia vào dòng nghiên cứu về phân lớp đa nhãn trên thế giới và
đạt được một số đóng góp được ghi nhận, tập trung vào các nghiên cứu về phân lớp
đa nhãn văn bản tiếng Việt.
Thứ nhất, luận án đề xuất hai mô hình biểu diễn dữ liệu cho phân lớp đa nhãn
là mô hình biểu diễn dữ liệu chủ đề ẩn [PTNgan3] và mô hình biểu diễn dữ liệu theo
đồ thị khoảng cách các chủ đề [PTNgan4].
Thứ hai, trên cơ sở phát triển thuật toán phân cụm bán giám sát đơn nhãn
TESC [120], luận án đề xuất một thuật toán phân lớp đa nhãn bán giám sát (Thuật
6
toán MULTICS [PTNgan5], [PTNgan6]) sử dụng chiến thuật “tham lam” khai thác
các đặc trưng riêng biệt của các nhãn.
Thứ ba, luận án tham gia đóng góp vào dòng nghiên cứu về học phân lớp đơn
nhãn văn bản tiếng Việt tương ứng với hai ứng dụng thực tiễn là đề xuất mô hình
gán nhãn thực thể có tên [PTNgan1] và mô hình hệ tư vấn xã hội [PTNgan2].
Đồng thời, nhằm minh chứng cho tiềm năng ứng dụng thực tiễn của các mô
hình đề xuất, luận án thực thi các thực nghiệm để kiểm chứng tính hữu dụng của các
về biểu diễn dữ liệu nhằm cung cấp các đặc trưng mới nâng cao hiệu quả mô hình.
Trong mô hình đầu tiên [PTNgan3], biểu diễn dữ liệu theo chủ đề ẩn nhằm khai
thác thông tin ngữ nghĩa ẩn trong văn bản giúp làm giàu thêm các đặc trưng của dữ
liệu và lựa chọn các đặc trưng tiêu biểu, quan trọng hoặc mang tính quyết định (loại
bỏ những đặc trưng không có hoặc ít quan trọng) dựa trên thông tin tương hỗ
(Mutual Information). Một mô hình ứng dụng cho bài toán đánh giá danh tiếng cho
1000 khách sạn Việt Nam đã được xây dựng. Mô hình thứ hai [PTNgan4] đề nghị
một phương pháp biểu diễn dữ liệu theo đồ thị khoảng cách các chủ đề ẩn. Kết quả
áp dụng mô hình vào bài toán đánh giá danh tiếng cho 1000 khách sạn ở Việt Nam
đã minh chứng được tính hiệu quả khi sử dụng biểu diễn đồ thị khoảng cách.
Xây dựng được ví dụ mẫu trong phân lớp đa nhãn là một công việc rất tốn
kém và mất nhiều thời gian do sự tồn tại các mối liên quan giữa các nhãn trong cùng
một thể hiện, vì vậy, phân lớp đa nhãn bán giám sát là một giải pháp hiệu quả. Luận
án đề xuất một thuật toán phân lớp đa nhãn bán giám sát MULTICS [PTNgan5,
PTNgan6] trên cơ sở mở rộng thuật toán phân lớp văn bản đơn nhãn bán giám sát
8
TESC [120]. Luận án xây dựng một mô hình phân lớp đa nhãn bán giám sát trên nền
thuật toán MULTICS áp dụng vào bài toán xây dựng hệ thống đánh giá danh tiếng
cho 1000 khách sạn ở Việt Nam. Kết quả thực nghiệm cho thấy tính hiệu quả của
thuật toán MULTICS. Thuật toán MULTICS và các nội dung liên quan được trình
bày trong Chương 4 của luận án.
9
Chương 1. TỪ PHÂN LỚP ĐƠN NHÃN TỚI PHÂN LỚP
)
là một nhãn đã biết của
(
là tập các nhãn.
)+ trong đó
là một
. Nhiệm vụ đặt ra là cần học một hàm
ánh xạ từ không gian thể hiện vào tập các nhãn.
Hình 1.1 Phân lớp đơn nhãn truyền thống [128]
Trong phân lớp đơn nhãn văn bản, các đối tượng phân lớp là tập các văn bản.
Xây dựng một tập các đặc trưng (ví dụ như tập tất cả các từ xuất hiện trong tập văn
10
bản), mỗi văn bản được biểu diễn bởi tập đặc trưng vừa xây dựng (đơn thể hiện).
Mô hình phân lớp đơn nhãn nhị phân truyền thống đánh giá và kiểm tra mỗi tài liệu
trong tập dữ liệu phân lớp có thuộc vào lớp đang xét hay không.
Tồn tại một số biến thể của bài toán phân lớp đơn nhãn. Khác với phân lớp
đơn nhãn nguyên thủy yêu cầu mỗi đối tượng được gán duy nhất một nhãn, một số
biến thể phân lớp đơn nhãn cho phép mỗi đối tượng được gán tới một tập nhãn với
mỗi nhãn trong tập tương ứng với một giá trị xác suất hoặc một giá trị hạng [11].
là
{
một tập các thể hiện
số thể hiện trong
và
}
là nhãn của
(
) trong đó,
là
. Khung học máy này học một hàm
ánh xạ từ không gian thể hiện vào tập nhãn.
Trong phân lớp đơn nhãn đa thể hiện trên miền dữ liệu văn bản, các đối tượng
phân lớp là tập các văn bản. Xây dựng các tập các đặc trưng khác nhau (ví dụ như mỗi
tập đặc trưng biểu diễn cho một đoạn văn bản [107], hay mỗi tập đặc trưng biểu diễn
cho một câu trong văn bản [119]), một văn bản được biểu diễn bởi các tập đặc trưng
vừa xây dựng (đa thể hiện). Mô hình phân lớp đơn nhãn đa thể hiện đánh giá và kiểm
tra mỗi tài liệu trong tập dữ liệu phân lớp có thuộc vào lớp đang xét hay không.
Hầu hết các tiếp cận phân lớp đơn nhãn đa thể hiện được tiến hành theo
Copyright: Tài liệu đại học ©