Luận văn Kỹ thuật tìm kiếm văn bản trên cơ sở nội dung trong cơ sở dữ liệu đa phương tiện
2
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
NGUYỄN THỊ THU TRANG
KỸ THUẬT TÌM KIẾM VĂN BẢN TRÊN CƠ SỞ NỘI DUNG
TRONG CƠ SỞ DỮ LIỆU ĐA PHƯƠNG TIỆN
LUẬN VĂN THẠC SỸ
Hà Nội - 2010
3
MỤC LỤC
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
DANH MỤC CÁC BẢNG
5
6
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
MỞ ĐẦU
7
8
CHƯƠNG 1- TỔNG QUAN
11
11
11
13
13
14
15
16
17
17
17
18
20
21
25
25
25
26
27
28
29
31
33
36
37
38
39
40
40
42
1.1 Khái quát về cơ sở dữ liệu (CSDL) đa phương tiện [1] [10] [12]
1.1.1 Giới thiệu
1.1.2 Mục tiêu chính
1.1.3 Mô hình dữ liệu đa phương tiện
1.2 Trích chọn đặc trưng, chỉ mục và đo tính tương tự [1]
1.2.1 Trích chọn đặc trưng
1.2.2 Chỉ số hóa cấu trúc
1.2.3 Đo tính tương tự
1.3 Hệ thống truy tìm thông tin (IR-Information retrieval) [1] [3] [4] [9] [13]
1.3.1 Khái quát
1.3.2 Vấn đề truy tìm tài liệu văn bản (Text retrieval)
1.3.3 Phân biệt các hệ thống IR và DBMS (DataBase Manager System)
1.4 xếp hạng tài liệu (Ranking) [1] [8]
CHƯƠNG 2- MỘT SỐ KỸ THUẬT TÌM KIẾM
2.1 Các truy vấn Boolean và chỉ mục tài liệu [1] [5] [11]
2.1.1 Truy vấn Boolean
2.1.2 Cấu trúc tệp
2.1.3 Các từ dừng và từ gốc
2.1.4 Chỉ số hoá và bổ sung
2.1.5 Kỹ thuật nén chỉ số (index compression)
2.1.6 Chỉ mục tự động
2.2 Thước đo hiệu năng [1] [5] [8]
2.3 Mô hình truy tìm không gian vectơ [1] [11]
2.4 Mô hình truy tìm theo xác suất [1] [6]
2.5 Mô hình truy tìm trên cơ sở cụm [1] [6]
2.6 Kỹ thuật phản hồi phù hợp [1] [11]
2.7 Mô hình LSI (Latent semantic indexing) [1] [5] [6] [7] [8] [9]
2.7.1 Ý tưởng cơ bản của LSI
2.7.2 Một số khái niệm cơ bản
4
2.7.3 Kỹ thuật SVD (singular value decomposition)
CHƯƠNG 3- CÀI ĐẶT THỰC NGHIỆM MÔ HÌNH LSI
3.1 Bài toán
43
54
54
55
56
60
61
3.2 Chức năng của chương trình
3.3 Hoạt động cơ bản trong chương trình
KẾT LUẬN
TÀI LIỆU THAM KHẢO
5
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
Ký hiệu viết tắt
Tiếng Anh
Tiếng Việt
CSDL
DBMS
IDF
DataBase
Cơ sở dữ liệu
DataBase Manager System
Inverse Document Frequency
Information retrieval
Hệ quản trị Cơ sở dữ liệu
Tần số xuất hiện tài liệu
Truy tìm thông tin
IR
LSI
Latent Semantic Indexing
Chỉ số hóa ngữ nghĩa ẩn
MIRS
Multimedia Information Retrieval Hệ thống truy tìm thông tin đa
System
phương tiện
SVD
TF
Singular Value Decomposition
Term Frequency
Tách giá trị riêng
Tần số xuất hiện thuật ngữ
6
DANH MỤC CÁC BẢNG
Bảng 1.1 Ma trận tài liệu - thuật ngữ..............................................................................23
Bảng 1.2 Ma trận kết quả tài liệu - thuật ngữ TF-IDF ....................................................24
Bảng 1.3 Kết quả khoảng cách từ truy vấn Q với các tài liệu..........................................24
Bảng 2.1 Kết quả recall và precision ..............................................................................35
Bảng 2.2 Số lần xuất hiện của thuật ngữ trong mỗi tài liệu.............................................44
7
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hinh 1.1 Mô hình dữ liệu đa phương tiện .......................................................................14
Hình 1.2 Hệ thống IR tiêu biểu .......................................................................................19
Hình 1.3 Tiến trình truy vấn tài liệu................................................................................21
Hình 2.1 Sơ đồ duy trì các chỉ số trong tập hợp động .....................................................29
Hình 2.2 Mô tả recall......................................................................................................33
Hình 2.3 Mô tả Precision................................................................................................34
Hình 2.4 Đồ thị so sánh hiệu năng..................................................................................35
Hình 2.5 Sử dụng các khái niệm cho truy vấn .................................................................41
Hình 2.6 Biểu đồ 2-D của 12 thuật ngữ và 9 tài liệu từ tập mẫu......................................45
Hình 2.7 Sơ đồ SVD của một ma trận hình chữ nhật thuật ngữ- tài liệu..........................46
Hình 2.8 Sơ đồ của SVD được giảm lược của một ma trận thuật ngữ-tài liệu .................47
Hình 2.9 Đồ thị Recall – Precision của thuật toán LSI....................................................53
Hình 3.1 Sơ đồ chức năng...............................................................................................55
Hình 3.2 Chức năng thêm tài liệu ...................................................................................56
Hình 3.3 Chức năng xóa tài liệu .....................................................................................56
Hình 3.4 Chức năng phân tích và tìm kiếm tại bước 1.....................................................57
Hình 3.5 Chức năng phân tích và tìm kiếm tại bước 2.....................................................57
Hình 3.6 Chức năng phân tích và tìm kiếm tại bước 3.....................................................58
Hình 3.7 Chức năng phân tích và tìm kiếm ở những bước cuối cùng...............................59
Hình 3.8 Đồ thị biểu diễn các vecto tài liệu và vecto truy vấn.........................................59
8
MỞ ĐẦU
Hàng nghìn năm trước con người đã nhận thức được tầm quan trọng của việc
lưu trữ và tìm kiếm thông tin. Với sự phát triển của máy tính, việc máy tính có khả
năng lưu trữ thông tin với số lượng lớn và tìm kiếm thông tin có ích từ các tập hợp trở
nên cần thiết. Lĩnh vực truy tìm thông tin (Information Retrieval - IR) ra đời vào
những năm 1950 vì nhu cầu thiết yếu này. Hơn 40 năm sau, lĩnh vực đó trưởng thành
đáng kể, nhiều hệ thống IR được sử dụng phổ biến với sự đa dạng trạng thái của người
sử dụng. Sự phát triển của lĩnh vực này trong những năm 1970 đến những năm 1980
dựa trên nền tảng của những năm trước đó, nhiều mô hình thực hiện truy tìm tài liệu
khác nhau được phát triển và tiến bộ theo mọi khía cạnh của quá trình truy tìm. Những
mô hình kỹ thuật mới được chứng minh qua thực nghiệm, có hiệu quả trong những tập
hợp văn bản nhỏ, có thể dùng cho các nhà nghiên cứu ở thời gian đó. Tuy nhiên, vì
không có hiệu quả đối với những tập hợp văn bản lớn, câu hỏi có hay không những mô
hình và những kỹ thuật có thể đáp ứng được với thể lớn hơn vẫn chưa được trả lời. Sự
thay đổi lớn vào năm 1992, với sự khởi đầu bằng cuộc thảo luận về truy tìm văn bản,
sau đó một loạt thảo luận kiểm định đứng đầu bởi nhiều hãng khác nhau của Mỹ dưới
sự bảo hộ của Viện Tiêu chuẩn và Công nghệ quốc gia (NIST), nhằm vào việc khuyến
khích nghiên cứu về hệ thống IR với những tập hợp văn bản lớn. Những thuật toán IR
đã phát triển trong những năm từ năm 1996 đến năm 1998, là những kỹ thuật đầu tiên
được dùng cho việc tìm kiếm trên mạng toàn cầu.
Ngày nay, sự phát triển nhanh chóng của lĩnh vực thông tin và Internet đã tạo ra
một khối lượng thông tin vô cùng lớn với sự phong phú, đa dạng và phức tạp của loại
hình thông tin như: văn bản, hình ảnh, video, siêu văn bản, đa phương tiện… Tương
ứng với khối lượng dữ liệu khổng lồ đó, người ta quan tâm nhiều đến cơ sở dữ liệu đa
phương tiện (Mutimedia Database) trong khoa học công nghệ và trong thực tiễn. Với
hệ thống cơ sở dữ liệu đa phương tiện, bao gồm dữ liệu dạng hình ảnh, video, audio và
văn bản (text) đang có xu thế thâm nhập vào rất nhiều lĩnh vực và đang dần trở thành
hệ cơ sở dữ liệu được quan tâm từ người sử dụng và các chuyên gia trong vấn đề lưu
trữ, xử lý và ứng dụng.
Cho đến nay, vấn đề tìm kiếm thông tin đa phương tiện vẫn được các chuyên
gia nghiên cứu, trong việc truy tìm thông tin phù hợp với yêu cầu của một truy vấn đưa
ra từ người sử dụng. Người sử dụng có xu hướng tìm kiếm chủ yếu trong hệ cơ sở dữ
liệu đa phương tiện, ví dụ như tìm kiếm một loạt hình ảnh cổ vật liên quan đến nền văn
hoá cổ Việt Nam, tìm kiếm dữ liệu âm thanh có bản text kèm theo, tìm kiếm video bài
giảng cho học sinh ôn thi đại học... Để thực hiện được việc tìm kiếm đó trong cơ sở dữ
liệu đa phương tiện thì những người làm khoa học đã nghiên cứu ra các công cụ,
9
phương pháp, kỹ thuật tìm kiếm sao cho thuận tiện, chính xác và nhanh chóng đem lại
được thông tin phù hợp với yêu cầu của người sử dụng.
Văn bản là một trong số các dạng của dữ liệu đa phương tiện, nó được quan tâm
từ hàng nghìn năm trước trong việc tổ chức sắp xếp và lưu trữ, điển hình như bảng nội
dung của một cuốn sách. Ngày nay, sự lớn mạnh của thông tin với phần lớn là dạng
văn bản, hơn nữa nó xuất phát từ nhu cầu thực tế sử dụng của con người. Tài liệu văn
bản chiếm đa số trong mọi cơ quan tổ chức, đặc biệt là trong thư viện và còn được sử
dụng để mô tả các dạng khác của dữ liệu đa phương tiện như video, audio, hình ảnh.
Số lượng tài liệu văn bản ngày càng lớn và có vai trò vô cùng quan trọng, vì thế việc
việc lưu trữ, xử lý và truy tìm thủ công trước đây không thể hoặc khó có thể thực hiện
được. Cùng với sự ra đời và phát triển của máy tính, các công cụ xử lý cũng ngày càng
hoàn thiện dựa trên những kỹ thuật hiện đại phục vụ cho nhu cầu đó.
Các mô hình truy tìm hay được sử dụng trong phạm vi này, đó là: Đối sánh
chính xác, không gian vectơ, xác suất và trên cơ sở cụm. Song, nhược điểm cơ bản của
các mô hình truy tìm thông tin hiện nay là những từ mà người tìm kiếm sử dụng,
thường không giống với những từ đã được đánh chỉ mục trong thông tin tìm kiếm. Vấn
đề này liên quan nhiều đến hai khía cạnh thực tế, đó là tính đồng nghĩa (synonymy)-
cùng một thông tin nhưng được miêu tả bằng các từ khác nhau, phụ thuộc vào ngữ
cảnh hay mức độ cần thiết, ví dụ như: nhìn, xem, trông, thấy có cùng ý nghĩa; và tính
đa nghĩa (polysemy) – cùng một từ có nhiều ý nghĩa khác nhau trong ngữ cành khác
nhau, ví dụ như: đi (có thể là chỉ chuyển động hay chỉ sự mất mát). Kết quả truy tìm có
thể gồm những tài liệu không liên quan, đơn giản vì những thuật ngữ xuất hiện ngẫu
nhiên trong nó giống với thuật ngữ trong truy vấn và mặt khác, những tài liệu liên
quan có thể bị bỏ qua bởi không chứa các thuật ngữ xuất hiện trong truy vấn (do tính
đồng nghĩa). Một ý tưởng thú vị xem liệu việc truy tìm có thể dựa vào các khái niệm
có hiệu quả hơn so với truy tìm trực tiếp trên các thuật ngữ. Mô hình LSI (Latent
Semantic Indexing) ra đời, là một giải pháp hữu hiệu cho vấn đề truy tìm thông tin dựa
trên cơ sở nội dung tài liệu văn bản, tìm kiếm trên cơ sở những khái niệm (không phải
trên các thuật ngữ đơn).
Trước khi truy tìm, các tài liệu được coi như danh sách các từ và chúng phải
được đánh chỉ mục. Có một thực tế là không phải tất cả các từ đều có ý nghĩa, vì vậy
việc loại đi danh sách các từ không có nghĩa vô cùng quan trọng và các từ không có ý
nghĩa sẽ không được đánh chỉ mục. Từ thông tin tóm lược của người sử dụng biểu thị
qua truy vấn, thuật toán truy tìm phải đảm bảo rằng, chiến lược xếp hạng tập các tài
liệu trong câu trả lời luôn ưu tiên cho những thông tin có ích và phù hợp với truy vấn
người sử dụng đưa ra. Hơn thế nữa, một kỹ thuật được đánh giá là tốt phải dựa trên
việc xếp hạng các tài liệu này, tức là những tài liệu phù hợp và được coi là “gần” với
10
câu truy vấn nhất sẽ được xếp lên trên các tài liệu ít phù hợp hơn trong danh sách tài
liệu trả lời. Đánh giá chất lượng IR còn phụ thuộc vào thước đo hiệu năng thực hiện
của kỹ thuật đó dựa vào các tham số chủ yếu là độ chính xác (precison) và số tài liệu
được gọi lại (recall).
Trên cơ sở đó, cấu trúc luận văn gồm phần mở đầu, kết luận, tài liệu tham khảo
và phần nội dung gồm ba chương và được trình bày theo thứ tự sau:
Chương 1. Giới thiệu tổng quan về cơ sở dữ liệu đa phương tiện, xếp hạng tài
liệu và các yếu tố cơ bản phục vụ cho việc tìm kiếm thông tin. Khái quát về một hệ
thống truy tìm thông tin (IR) tiêu biểu và cụ thể là truy tìm tài liệu văn bản.
Chương 2. Đề cập đến vấn đề chỉ mục tài liệu và thước đo hiệu năng. Nghiên
cứu một số mô hình tìm kiếm như: Boolean, không gian vectơ, phân cụm, dựa trên xác
suất, phản hồi phù hợp và LSI.
Chương 3. Cài đặt thực nghiệm mô hình LSI.
Nội dung luận văn đi từ tổng quan về cơ sở dữ liệu đa phương tiện, hệ thống
tìm kiếm đa phương tiện đến kỹ thuật chỉ mục, xử lý tài liệu, trích lọc thông tin đến chi
tiết vấn đề tìm kiếm trên tài liệu văn bản. Đặc biệt, nghiên cứu các mô hình tìm kiếm
và đi sâu nghiên cứu mô hình LSI- tìm kiếm văn bản trên cơ sở nội dung.
11
CHƯƠNG 1 - TỔNG QUAN
1.1 Khái quát về cơ sở dữ liệu (CSDL) đa phương tiện [1] [10] [12]
1.1.1 Giới thiệu
Trên thế giới tồn tại một lượng rất lớn dữ liệu số, các dữ liệu từ tivi, internet,
qua phương tiện truyền thông hay có được từ nhiều phương tiện khác nhau như máy
quay (video) kỹ thuật số... Các dòng dữ liệu số càng ngày càng tăng, các loại dữ liệu
đa phương tiện kết hợp của dữ liệu hình ảnh, âm thanh, văn bản…
Hiện nay, chúng ta đều biết internet đang được phát triển như thế nào, rõ ràng
trong quá trình tương tác và trao đổi thông tin, người sử dụng có xu hướng chủ yếu xử
lý trên kiểu dữ liệu đa phương tiện và chúng ta thấy được sự phát triển của kiểu dữ liệu
này trong cuộc sống hiện đại. Tầm quan trọng của việc sử dụng thông tin sẽ dần dần
thay đổi từ thông tin dạng số và rõ tới thông tin ở dạng đa phương tiện: dữ liệu hình
ảnh, âm thanh và tài liệu văn bản. Vì thế, đa phương tiện là thông điệp cho xã hội
thông tin ngày nay.
Sự tương tác của người sử dụng tự nhiên hơn với thông tin và các thiết bị
truyền thông, trong phạm vi rộng sẽ tạo ra một xã hội có giá trị về mọi mặt. Vì thế, có
thể dự đoán được đa phương tiện sẽ thâm nhập vào tất cả các hệ thống thông tin, từ
công việc hàng ngày tới thương mại, công việc văn phòng chuyên nghiệp, giao tiếp với
khách hàng, giáo dục, khoa học, trong nghệ thuật và được truyền đi rộng rãi qua
internet.
Đa phương tiện có thể trở thành dạng giao tiếp tự nhiên, nhưng nó không hoàn
toàn tự do. Ngữ nghĩa của một thông điệp trong thông tin số và xác thực hơn là dòng
bit của hình ảnh và âm thanh. Trong đó, tín hiệu hình ảnh biểu thị cái gì, ý nghĩa của
văn bản và nói gì về âm thanh là không dễ dàng lập luận với một máy tính. Những
điều thuộc về ngữ nghĩa đó cần được xử lý từ dữ liệu thô bằng việc tổ chức, chuyển
đổi, phân tích và phân lớp.
Khai thác đa phương tiện (multimedia) đầy đủ yêu cầu sử dụng video, tranh
ảnh, âm thanh và ngôn ngữ. Nó bao gồm sự tương tác của máy với dạng đa phương
thức. Thêm vào đó, kiến thức và sự hiểu biết về các dạng đa phương tiện sẽ có được
hiểu biết về bản chất của các dòng thông tin đa phương tiện. Các hệ thống thông tin đa
phương tiện sẽ lưu và cung cấp truy cập đến các dòng dữ liệu, hệ thống ứng dụng
thông tin trên tất cả các dạng. Trong phạm vi vấn đề này, đa phương tiện có thể được
mô tả như mọi ứng dụng của dữ liệu thông tin trên một máy tính qua các dạng như
hình ảnh, ngôn ngữ tự nhiên và âm thanh.
Một số mô hình ứng dụng đa phương tiện như các thiết bị điện tử, hệ thống lưu
trữ các kho chứa đa phương tiện lớn, sử dụng các tài liệu điện tử của đa phương tiện, y
12
tế điện tử và chính phủ điện tử. Ứng dụng đa phương tiện trở thành một phần không
thể thiếu của các công việc trong nhiều cụm kinh tế. Ví dụ: phân tích hệ thống thông
tin đa phương tiện sử dụng để giám sát, thu thập chứng cớ tòa án và an ninh chung…
Việc phát sinh khối kiến thức đa phương tiện và kiến thức kỹ thuật được dùng để lưu
trữ việc tạo hình ảnh, phim và âm thanh có thể được sử dụng trong di sản văn hóa và
nền công nghiệp giải trí...
Có rất nhiều định nghĩa khác nhau về CSDL đa phương tiện: Theo nghiên cứu
EURESCOM thì CSDL đa phương tiện là một CSDL có hiệu năng cao, sức chứa lớn
với khả năng hỗ trợ các kiểu dữ liệu đa phương tiện cũng như các kiểu dữ liệu chữ số
cơ bản khác và nó có thể quản lý một khối lượng rất lớn thông tin đa phương tiện.
Dữ liệu âm thanh (audio data): Tín hiệu âm thanh bao gồm tiếng nói, âm nhạc,
tiếng động và mọi sự kết hợp các âm thanh khác nhau. Việc lưu lại một bài diễn
thuyết, một cuộc đàm thoại, các đoạn audio theo một chủ đề nào đó có ý nghĩa rất lớn
trong thực tế. Ví dụ, qua đài phát thanh chúng ta có thể thu thập được nhiều thông tin
với các chủ đề khác nhau, có thể tìm kiếm các bài hát trên internet, thu thập các đoạn
audio bài giảng trong đào tạo từ xa, học ngoại ngữ qua các đoạn audio...
Dữ liệu hình ảnh (image data): Dữ liệu ảnh có thể được dùng để lưu trữ dấu
vân tay, nhận dạng khuôn mặt trong điều tra tội phạm; ảnh thẻ trong quản lý nhân sự;
trong những yêu cầu lưu lại hình ảnh như dữ liệu ảnh cổ vật, hiện tượng thiên nhiên,
trái đất… Hơn nữa, trong y học cần có một cơ sở dữ liệu ảnh để có thể truy vấn các
triệu trứng để tìm ra những căn bệnh tương tự không chỉ bằng văn bản mà bằng cả
hình ảnh, ảnh chụp X quang, ảnh chụp cắt lớp... Trong thời gian gần đây, việc sử dụng
CSDL ảnh đã mang lại hiệu quả to lớn trong nhiều lĩnh vực khác nhau của đời sống,
kinh tế và xã hội.
Dữ liệu video (video data): Video giống như một tập các hình ảnh ở các thời
điểm được sắp xếp, biểu diễn theo một chuỗi thời gian nhất định. Trên thực tế chính là
chuyển động của các điểm ảnh từ trạng thái này sang trạng thái khác, hay là sự chuyển
động của mỗi đối tượng riêng lẻ được phân tách từ dữ liệu video. Dữ liệu video được
ứng dụng nhiều trong công nghệ giải trí (phim ảnh, clip âm nhạc..), trong đào tạo từ xa
(qua những video bài giảng)... Nhiều phòng chức năng có nhiệm vụ lưu trữ và thu thập
các video (tư liệu lịch sử, tư liệu khai quật khảo cổ học của địa phương hay quốc gia...)
để nhằm phát triển khả năng trở thành bộ nhớ tiểu sử tự động (autobiographic
memory).
Dữ liệu văn bản (text data): Sự biểu diễn cơ bản của văn bản là cách tiếp cận
với “túi các từ” (bag – of – words). Theo thống kê, đến năm 2005 toàn bộ văn bản trên
mạng có thể đã lên tới hàng chục TB. Các dữ liệu văn bản tiêu biểu như: Các trang
web, tiêu đề bài viết, các bản báo cáo, bài báo được công bố hàn lâm, các ứng dụng hỗ
13
trợ nghiên cứu, các trang tài liệu, bách khoa toàn thư, thư mục, chép sử, thư điện tử,
các bản sao xét xử của toà án, kho thư viện... Điều quan trọng là khối lượng dữ liệu
văn bản ngày càng lớn và được sử dụng lưu trữ tài liệu trong mọi cơ quan tổ chức. Vì
thế, quan tâm đến xử lý văn bản là rất cần thiết. Thực tế, tập văn bản sách trong một
thư viện của một trường đại học nhỏ cũng có thể chứa đến 100GB lưu trữ, hay một nhà
nghiên cứu trong 10 năm có đến 10MB tập văn bản, và cũng nhà nghiên cứu đó trong
10 năm lưu trữ tài liệu thư điện tử có thể chiếm đến 100MB. Ngoài ra còn dùng các
miêu tả bằng văn bản cho hình ảnh hay video, người ta có thể chèn các thuộc tính, các
đoạn thuyết minh, chú thích cho các đối tượng đó.
1.1.2 Mục tiêu chính
Theo cách nhìn trên đây ta nhận thấy CSDL đa phương tiện bao gồm năm mục
tiêu chính như sau:
- Hỗ trợ các kiểu dữ liệu (Type=Structure+Operations) đa phương tiện: các
phương tiện (media) khác nhau và các thao tác thông thường cũng như các thao tác
đặc biệt mà kiểu dữ liệu thông thường không có như tiến, lùi, dừng...
- Có khả năng quản lý số lượng lớn các đối tượng đa phương tiện: đề cập đến
không gian lưu trữ của CSDL.
- Hỗ trợ hiệu năng cao, sức chứa cao và quản trị lưu trữ hiệu quả
- Có các khả năng của hệ CSDL truyền thống
- Có khả năng truy tìm thông tin đa phương tiện.
1.1.3 Mô hình dữ liệu đa phương tiện
Mô hình dữ liệu MIRS (Multimedia Information Retrieval System) hình thành
trên nền tảng nguyên tắc hướng đối tượng và phân cấp đa tầng.
Tầng đối tượng
Đối tượng bao gồm một hay nhiều mục media với các quan hệ không gian và
thời gian xác định, như với một đối tượng đa phương tiện là một trang bao gồm một
vài hình ảnh và âm thanh kèm theo.
Nhiệm vụ mấu chốt là làm thế nào để chỉ ra các quan hệ không gian và thời
gian. Quan hệ không gian được đặc tả bởi kích thước và vị trí cửa sổ hiển thị của mỗi
mục. Phương pháp chung đặc tả thời gian là đặc tả trên cơ sở trục thời gian, trong đó
thời gian bắt đầu và độ dài mỗi mục được xác định trên cơ sở đồng hồ chung. Phương
pháp khác là mô hình điều khiển theo sự kiện.
14
Tầng đối
tượng
Không gian
Thời gian
Tổng hợp
Tầng kiểu
Văn bản
Hình ảnh
Âm thanh
Video
media
Thô
Nén
Tầng
khuôn
mẫu
media
Đa mức
Màu
JPEG
JPIG
DPCM
xám
Hinh 1.1 Mô hình dữ liệu đa phương tiện
Tầng loại media
Tầng này bao gồm các loại media như văn bản, hình ảnh, audio và video. Các
loại này được suy diễn từ lớp media trừu tượng chung.
Tại mức này, các đặc trưng và thuộc tính được đặc tả. Ví dụ loại media ảnh:
kích thước, biểu đồ màu, các đối tượng chính chứa trong nó... được đặc tả. Các đặc
trưng này được sử dụng trực tiếp vào tìm kiếm và tính toán khoảng cách.
Tầng khuôn mẫu media
Tầng này đặc tả khuôn mẫu, trong đó dữ liệu được lưu trữ. Thông thường,
media có nhiều khuôn mẫu, ví dụ ảnh có thể là nén hay ảnh thô. Hơn nữa có rất nhiều
kỹ thuật và chuẩn nén khác nhau. Thông tin chứa trong tầng này được sử dụng để giải
mã, phân tích và trình diễn.
Các nhiệm vụ khác
Chú ý rằng, các ứng dụng khác nhau có thể cần các mô hình dữ liệu khác nhau.
Tuy nhiên nhiều ứng dụng cùng chia sẻ mô hình cơ sở chung, nếu được thiết kế tốt thì
có thể bổ sung các đặc trưng và đối tượng mới để đáp ứng yêu cầu ứng dụng cụ thể.
Đến nay, chưa có chuẩn chung cho các tầng mô hình dữ liệu mô tả trên, các ứng
dụng MIRS hiện nay chủ yếu là đặc thù, chỉ tập trung vào giới hạn số đặc trưng và loại
media. Rất nhiều công việc phải làm khi mô hình hóa dữ liệu đa phương tiện để phát
triển MIRS và MMDBMS (MultiMedia DataBase Manager System) lớn nhất quán.
1.2 Trích chọn đặc trưng, chỉ mục và đo tính tương tự [1]
Các đặc trưng và thuộc tính của dữ liệu (items) trong MIRS được trích chọn,
tham số hóa và lưu trữ chung với chính các dữ liệu. Các đặc trưng và thuộc tính của
15
truy vấn cũng được trích chọn theo cùng cách thức nếu nó không được xác định rõ
ràng trước. Hệ thống tìm kiếm các items trong CSDL với các thuộc tính và đặc trưng
tương tự trên cơ sở thước đo tính tương tự nhất định. Để tìm kiếm hiệu quả, các đặc
trưng và thuộc tính phải được tổ chức thành các cấu trúc có chỉ mục.
1.2.1 Trích chọn đặc trưng
Các mục thông tin đa phương tiện trong CSDL được tiền xử lý để trích chọn
đặc trưng và thuộc tính.
Trong tiến trình tìm kiếm, các đặc trưng và thuộc tính này được so sánh thay
cho chính các mục thông tin. Do vậy, chất lượng của trích chọn đặc trưng xác định
hiệu quả tìm kiếm. Nếu đặc trưng không được tách ra từ item thì không thể tìm thấy
chúng từ CSDL theo đặc trưng đó. Đó là một trong sự khác biệt lớn nhất giữa MIRS
và DBMS. Trong DBMS thì mọi thuộc tính là có sẵn và đầy đủ, trong khi đó các đặc
trưng và thuộc tính phải được trích chọn theo loại truy vấn và thường là không đầy đủ
trong MIRS.
Trích chọn đặc trưng phải thỏa mãn các yêu cầu sau:
Đặc trưng và thuộc tính trích chọn phải đầy đủ nhất có thể để biểu diễn nội
dung của các mục thông tin.
Các đặc trưng phải được trình diễn và lưu trữ một cách chặt chẽ, mạch lạc. Mục
đích của việc trích chọn đặc trưng không phải là các đặc trưng phức tạp và đặc
trưng lớn, quan trọng là nó phải có khả năng tìm kiếm và so sánh nhanh các
mục thông tin với nhau.
Tính toán khoảng cách giữa các đặc trưng phải hiệu quả, nếu không thời gian
đáp ứng của hệ thống rất lớn.
Tổng thể có 4 mức đặc trưng và thuộc tính như sau:
Metadata: bao gồm các thuộc tính của các đối tượng đa phương tiện như tên tác
giả, ngày tạo lập, tiêu đề đối tượng. Không mô tả hay diễn giải nội dung của đối tượng.
Các thuộc tính này được quản lý bằng kỹ thuật DBMS. (Trong một số tài liệu cho rằng
metadata bao gồm toàn bộ các mức đặc trưng và thuộc tính đang mô tả tại đây).
Mô tả bằng văn bản: Mô tả nội dung đối tượng bằng văn bản. Mô tả dưới hình
thức nhiều từ khóa hay văn bản thông thường. Chỉ mục và tìm kiếm trên cơ sở mô tả
bằng văn bản được quản lý bằng kỹ thuật IR. Mặc dù mô tả bằng văn bản có hạn chế là
còn tính chủ quan và chưa đầy đủ, nhưng đây vẫn là phương pháp hay được sử dụng
và hiệu quả. Nên sử dụng mô tả bằng văn bản kết hợp với các đặc trưng khác trong
ứng dụng đa phương tiện. Hiện tại, mô tả văn bản là tiến trình bằng tay, khá vất vả.
Cần phát triển các công cụ bán tự động để hỗ trợ tiến trình này. Tri thức lĩnh vực và từ
điển liệt kê luôn có ích trong việc đem lại hiệu quả truy vấn.
Đặc trưng nội dung mức thấp: Thu thập các mẫu và thống kê đối tượng đa
16
phương tiện và các quan hệ không gian, thời gian giữa các phần đối tượng. Mỗi media
khác nhau có các đặc trưng nội dung mức thấp khác nhau.
- Với âm thanh, đặc trưng mức thấp bao gồm âm lượng trung bình, phân bổ tần số
và tỷ lệ câm.
- Các đặc trưng mức thấp của ảnh bao gồm phân bổ màu, texture, hình dạng đối
tượng và cấu trúc không gian.
- Đặc trưng mức thấp của video bao gồm cấu trúc thời gian.
Lợi thế chính của việc sử dụng đặc trưng mức thấp là có thể tự động trích chọn
chúng.
Đặc trưng nội dung mức cao: Cố gắng nhận biết và hiểu đối tượng. Ngoài nhận
dạng văn bản và tiếng nói, việc nhận dạng và hiểu đoạn âm thanh hay các đối tượng
nhìn là rất khó khăn. Trong ứng dụng với hữu hạn các đối tượng, việc mô tả và nhận
biết các đặc trưng chung là rất hiệu quả. Ví dụ, dự báo tới 95% các video có mục tiêu
chính là quay người hay nhóm người. Nó hữu ích cho các hệ thống để nhận biết và
diễn giải liên quan đến con người. Hiện tại, tiến trình nhận dạng và diễn giải được thực
hiện bán tự động.
Việc truy vấn trên cơ sở hai loại đặc trưng nội dung mức thấp và mức cao gọi là
truy vấn trên cơ sở nội dung. Một hệ thống cần sử dụng toàn bộ bốn mức đặc trưng sao
cho hỗ trợ được các câu truy vấn mềm dẻo của người sử dụng. Các kỹ thuật này hỗ trợ
nhau để hình thành mô tả đầy đủ về đối tượng. Ví dụ, mô tả văn bản tốt cho việc thu
thập các khái niệm trừu tượng như cảm giác (vui, buồn...) nhưng không có khả năng
mô tả mẫu dữ liệu đầy đủ về các hình dạng không đều hay texture. Mặt khác, các đặc
trưng nội dung mức thấp có thể thu thập các mẫu dữ liệu này nhưng không mô tả được
các khái niệm trừu tượng.
Khi đối tượng đa phương tiện có nhiều kiểu media, các quan hệ và tương tác
giữa các media phải được sử dụng để trích chọn đặc trưng, diễn giải và truy tìm. Có
một vài kiểu media dễ hiểu và dễ diễn giải hơn vài kiểu khác. Việc áp dụng sự hiểu
biết có được về một hay vài kiểu nào đó, giúp ta hiểu và trích chọn đặc trưng cho các
kiểu khác. Ví dụ, nếu đối tượng đa phương tiện bao gồm rãnh hình (video) và rãnh
tiếng, ta có thể áp dụng nhận dạng tiếng nói để lấy ra tri thức về đối tượng và sử dụng
tri thức này để phân đoạn, trích chọn các đặc trưng và đối tượng trên rãnh hình
(video).
1.2.2 Chỉ số hóa cấu trúc
Sau khi trích chọn đặc trưng, chúng ta phải chỉ số hóa cấu trúc để tổ chức các
đặc trưng sao cho truy vấn được hiệu quả. Như đã biết, phải cần rất nhiều đặc trưng và
nhiều tham số để trình diễn. Ví dụ, phân bổ màu thường được biểu diễn bằng biểu đồ
với nhiều bins màu khác nhau.
17
Chỉ số hóa trong MIRS phải là phân cấp và nhiều mức:
Mức cao nhất là phân lớp ứng dụng.
Mức chỉ số hóa thứ hai hình thành trên các mức đặc trưng khác nhau. Các đặc
trưng khác nhau cần chỉ số hóa khác nhau.
Mức thứ ba hình thành trên quan hệ không gian và thời gian giữa các đối tượng.
1.2.3 Đo tính tương tự
Truy vấn đa phương tiện trên cơ sở tính tương tự thay cho đối sánh chính xác
giữa các item truy vấn và các item trong CSDL. Tính tương tự được tính toán trên cơ
sở các đặc trưng, thuộc tính trích chọn và dưới dạng một hay nhiều giá trị. Tuy nhiên,
tương quan của kết quả truy vấn do con người quyết định. Các kiểu đặc trưng được sử
dụng để mô tả các đối tượng đóng vai trò quan trọng để phù hợp với yêu cầu này.
Thước đo tính tương tự rất phức tạp vì quyết định của người sử dụng là chủ quan và
phụ thuộc ngữ cảnh.
1.3 Hệ thống truy tìm thông tin (IR-Information retrieval) [1] [3] [4] [9] [13]
Với sự phát triển mạnh mẽ của CSDL đa phương tiện và mạng máy tính, hệ
thống IR (Information retrieval) ngày càng được quan tâm .
1.3.1 Khái quát
Từ những năm 1940, vấn đề lưu trữ và truy tìm thông tin đã thu hút sự chú ý
của các nhà nghiên cứu. Hệ thống tìm kiếm đang trở nên cần thiết, vấn đề đó là: chúng
ta có lượng thông tin rất lớn, yêu cầu truy tìm thông tin một cách chính xác và nhanh
chóng. Yếu tố được quan tâm là thông tin liên quan có thể bị bỏ qua, quá trình và kết
quả tìm kiếm đó có thể bị lặp lại nhiều lần dẫn đến hiệu quả tìm kiếm thấp. Với sự
xuất hiện của máy tính điện tử, rất nhiều ý tưởng về việc sử dụng chúng để cung cấp
những hệ thống truy tìm thông tin nhanh chóng và thông minh. Ví dụ: trong thư viện
luôn có bài toán về tìm kiếm và lưu trữ thông tin, hay một số nhiệm vụ thông thường
như việc lập danh mục, việc quản lý chung và đã có cách thực hiện đem lại kết quả tốt
bằng việc sử dụng những chiếc máy tính. Tuy nhiên, vấn đề về hiệu quả truy tìm phần
lớn vẫn chưa được giải quyết.
Nói chung, việc lưu trữ và truy tìm thông tin là đơn giản theo một khía cạnh nào
đó. Ví dụ: Có một kho các tài liệu và một người sử dụng, một câu hỏi được đưa ra mà
câu trả lời là một tập các tài liệu thoả mãn thông tin yêu cầu được hiển thị. Người sử
dụng có thể thu được tập kết quả bằng việc đọc tất cả các tài liệu trong kho, giữ lại
những tài liệu có liên quan và vứt bỏ toàn bộ những cái khác. Trong một ý nghĩa nào
đó, việc này tạo nên truy tìm “hoàn hảo”. Song, giải pháp này rõ ràng không thể thực
hiện được. Người sử dụng hoặc không có thời gian hoặc không muốn tiêu phí thời gian
đọc toàn bộ tập hợp tài liệu, trừ khi anh ta không theo quy luật tự nhiên.
18
Khi những chiếc máy tính tốc độ cao sẵn sàng cho công việc không thuộc số
hóa (non-numerical), nhiều người cho rằng một máy tính có thể đọc toàn bộ tập hợp
tài liệu để trích lọc những tài liệu có liên quan. Hiển nhiên rằng, vấn đề về sử dụng
ngôn ngữ tự nhiên trong một tài liệu không chỉ là đầu vào (input) và kho lưu trữ mà
còn vấn đề về tri thức, thuộc đặc trưng nội dung tài liệu chưa được giải quyết. Có thể
hy vọng sự phát triển trong tương lai có thể tạo đầu vào (input) và kho ngôn ngữ tự
nhiên khả thi hơn. Các phần mềm đang cố gắng tự động hóa trong việc “sao” lại quá
trình “đọc” của con người, quả thực đó là một vấn đề hết sức khó khăn. Khó khăn hơn,
việc “đọc” bao gồm việc rút trích thông tin, cú pháp và ngữ nghĩa từ văn bản và sử
dụng nó để quyết định xem là mỗi tài liệu có liên quan hay không đến một yêu cầu cụ
thể. Nghĩa là, khó khăn không chỉ là làm thế nào để rút trích thông tin mà còn làm sao
để sử dụng nó quyết định sự phù hợp.
“Sự phù hợp”, đó là khái niệm trung tâm của truy tìm thông tin. Mục đích của
một chiến lược truy tìm tự động là truy tìm tất cả các tài liệu phù hợp ở cùng thời điểm
truy tìm, có thể bao gồm một vài tài liệu không thỏa mãn. Tìm ra các đặc trưng của tài
liệu để khi tài liệu phù hợp với truy vấn, nó cho phép tài liệu được truy tìm để trả lời
truy vấn. Khi chỉ mục được làm tự động, nó được giả thiết bằng việc đưa tài liệu văn
bản và câu truy vấn vào cùng bộ phân tích tự động, output sẽ là biểu diễn nội dung của
chúng và nếu tài liệu là phù hợp với truy vấn thì một thủ tục tính toán sẽ cho thấy điều
này.
Truy tìm dựa trên cơ sở nội dung (Content- based retrieval): Người sử dụng có
thể chỉ rõ các điều kiện lựa chọn dựa trên những nội dung của các đối tượng đa
phương tiện. Ví dụ, người sử dụng tìm kiếm ảnh, sử dụng truy vấn như: “Tìm tất cả
các ảnh giống với ảnh này” và “Tìm tất cả các ảnh chứa ít nhất 3 máy bay”. Các hình
ảnh được thêm vào cơ sở dữ liệu, DBMS (DataBase Manager System) phải phân tích
chúng và tự động trích chọn các đặc điểm (extract features) để đưa ra câu trả lời giống
với các truy vấn. Thông tin này có thể được sử dụng để tìm kiếm các hình ảnh thoả
mãn với một truy vấn đưa ra. Một cách tiếp cận khác, người sử dụng muốn tìm các tài
liệu mà mình quan tâm có thể sử dụng các kỹ thuật truy tìm thông tin và tìm kiếm từ
khoá. Nó vẫn không thực sự rõ ràng là làm thế nào để truy tìm các miền cụ thể đó và
các kỹ thuật tìm kiếm có thể được kết hợp hiệu quả với các truy vấn DBMS truyền
thống.
1.3.2 Vấn đề truy tìm tài liệu văn bản (Text retrieval)
Kỹ thuật truy vấn tài liệu văn bản được gọi chung là kỹ thuật truy tìm thông tin
(IR). Các hệ thống IR cổ điển chủ yếu là làm việc trên văn bản (text) và kỹ thuật IR
trong hệ thống đa phương tiện rất quan trọng vì hai lý do chính sau đây:
19
- Đang tồn tại số lượng lớn tài liệu văn bản trong các thư viện. Văn bản là tài
nguyên rất quan trọng đối với các cơ quan, tổ chức. Điều đó cho thấy, cần có một hệ
thống IR đủ tốt để có thể truy xuất có hiệu quả các thông tin lưu trữ trong các tài liệu.
- Văn bản còn được sử dụng để mô tả các phương tiện khác như video, audio,
hình ảnh.
Mục đích của người sử dụng hệ truy tìm:
- Độ chính xác: Truy tìm đúng thông tin mà người sử dụng mong muốn, đúng
với truy vấn. Có thể có một vài tài liệu trong câu trả lời là không chính xác song tất cả
các câu trả lời phù hợp đều được truy vấn.
- Tốc độ truy tìm: Việc truy tìm phải được thực hiện nhanh chóng
Nhiệm vụ chính của thiết kế hệ thống IR là để nhằm giải quyết hai vấn đề:
- Biểu diễn và truy vấn tài liệu như thế nào.
- So sánh tính tương đồng giữa các tài liệu và biểu diễn truy vấn ra sao.
Các mô hình truy vấn sẽ xác định hai khía cạnh này. Để nâng cao hiệu năng
truy vấn, việc xử lý ngôn ngữ tự nhiên và các kỹ thuật trí tuệ nhân tạo được áp dụng.
Vì tính nhập nhằng và tồn tại nhiều biến thể của ngôn ngữ tự nhiên, hầu như không thể
truy vấn mọi tài liệu liên quan hay loại đi mọi tài liệu không liên quan. Do vậy, thước
đo hiệu năng IR là rất quan trọng.
Một hệ thống truy tìm thông tin tiêu biểu
Một hệ thống IR tiêu biểu được minh hoạ bằng phương pháp hộp đen. Gồm ba
thành phần: input, bộ xử lý và output.
Bắt đầu với đầu vào (input), vấn đề chính ở đây là có được biểu diễn của tài liệu
và truy vấn thích hợp qua máy tính. Có thể nói, các hệ thống truy tìm hầu hết dựa trên
máy tính với việc chỉ lưu trữ biểu diễn đặc trưng của tài liệu (hoặc truy vấn), có nghĩa
là một tài liệu văn bản không được sử dụng nữa khi nó đã được xử lý để đưa ra các đặc
trưng. Ví dụ, một biểu diễn đặc trưng tài liệu có thể là một danh sách các từ được xem
là quan trọng được trích ra.
Hình 1.2 Hệ thống IR tiêu biểu
Khi một hệ thống truy tìm trực tuyến (on-line), người sử dụng có khả năng thay
đổi yêu cầu trong một phiên tìm kiếm ở trạng thái truy tìm mẫu, do đó hy vọng cải
20
thiện được quá trình truy tìm xảy ra sau. Một thủ tục như vậy thông thường cho phép
phản hồi (Feedback).
Hơn nữa, bộ xử lý, một phần của hệ thống truy tìm có liên quan tới quá trình
truy tìm. Bộ xử lý có thể bao gồm cấu trúc thông tin theo cách thích hợp nào đó, giống
như phân loại. Trên thực tế, nó cũng bao gồm cả việc biểu diễn chức năng truy tìm, đó
là thực hiện chiến lược tìm kiếm câu trả lời cho một truy vấn. Trong biểu đồ, các tài
liệu được đặt vào một ô riêng biệt để nhấn mạnh thực tế là không có đầu vào (input) rõ
ràng nhưng có thể sử dụng trong suốt quá trình truy tìm.
Cuối cùng, chúng ta xét đến đầu ra (output) thường là một tập trích dẫn hoặc
các tài liệu. Trong một hệ thống hoạt động, đây là phần còn lại. Tuy nhiên, một hệ
thống thực nghiệm có thể cho phép thực hiện việc đánh giá.
1.3.3 Phân biệt các hệ thống IR và DBMS (DataBase Manager System)
Phân biệt được sự khác nhau giữa hai hệ thống truy tìm văn bản (IR) và DBMS
giúp ta hiểu rõ các kỹ thuật truy tìm văn bản.
- DBMS: Chứa các bản ghi có cấu trúc đồng nhất. Mỗi bản ghi được đặc trưng
bởi tập các thuộc tính. Các giá trị thuộc tính được gán cho bản ghi để mô tả bản ghi
này một cách rõ ràng và đầy đủ.
Truy vấn ở đây dựa trên cơ sở đối sánh chính xác giữa câu truy vấn và các giá
trị thuộc tính trong bản ghi. Mỗi bản ghi truy vấn chứa các giá trị thuộc tính chính xác
được đặc tả trong câu truy vấn (có thể cả giá trị thuộc tính không được đề cập đến
trong câu truy vấn).
- Hệ thống IR: Các bản ghi không có cấu trúc. Chúng không chứa các thuộc tính
cố định, chỉ đơn thuần là tài liệu văn bản. Các tài liệu này có thể chỉ mục bằng các từ
khóa, bộ mô tả tài liệu, hay các thuật ngữ (term) chỉ mục. Mỗi thuật ngữ chỉ mục được
sử dụng để mô tả nội dung văn bản chỉ theo một khía cạnh nào đó, không đầy đủ và
không rõ ràng cho toàn bộ nội dung văn bản. Nhiều thuật ngữ chỉ mục được gắn theo
tài liệu hay văn bản cụ thể. Bởi vì các thao tác truy vấn văn bản phụ thuộc trực tiếp
vào nội dung đại diện, sử dụng để mô tả các bản ghi lưu trữ, do vậy cần phải có nhiều
cố gắng để tập trung vào phân tích nội dung của các tài liệu lưu trữ và vấn đề sinh từ
khóa, chỉ mục.
Ở đây, sẽ không thực tế nếu coi trọng truy vấn trên cơ sở đối sánh chính xác
giữa câu truy vấn và các thuật ngữ tài liệu để tìm ra tài liệu kết quả. Thay vì, truy vấn
các mục liên quan với đủ mức độ tương đồng giữa tập thuật ngữ gắn theo câu truy vấn
và tài liệu, được sinh ra bởi phương pháp xấp xỉ hay đối sánh từng phần. Hơn nữa
cùng thuật ngữ có thể có nhiều ý nghĩa khác nhau.
Tóm lại, các tài liệu kết quả truy vấn trong DBMS là hoàn toàn liên quan đến
câu truy vấn và hầu như có ích với người sử dụng. Nhưng trong hệ thống IR, các tài
21
liệu được xem là liên quan đến câu truy vấn nhưng có thể không liên quan và không có
ích với người sử dụng
Câu truy vấn
Tài liệu văn bản
Xử lý
Xử lý
Đại diện câu
truy vấn
Đại diện tài
liệu
Đối sánh
(tính toán độ
tương đồng)
Kết quả truy vấn
Đánh giá mức
độ thích hợp
Hình 1.3 Tiến trình truy vấn tài liệu
Bên phải hình 1.3 chỉ ra các tài liệu được xử lý off-line để có đại diện (mô tả).
Các đại diện này được lưu trữ cùng với các tài liệu.
Bên trái hình 1.3 chỉ ra quá trình truy vấn. Người sử dụng đưa ra câu truy vấn
và được xử lý on-line để có đại diện của câu truy vấn. Sau đó đối sánh đại diện truy
vấn với đại diện tài liệu, các tài liệu được xem như tương đồng sẽ được trình diễn cho
người sử dụng. Sau đó, họ đánh giá tài liệu cho lại và quyết định tài liệu nào thực sự
tương đồng và có ích. Một hệ thống IR tốt cho phép người sử dụng cung cấp phản hồi
về sự thích hợp của tập tài liệu kết quả cho hệ thống. Hệ thống sử dụng thông tin này
để điều chỉnh truy vấn, đại diện truy vấn, đại diện tài liệu. Phiên tìm kiếm khác tiếp
theo được thực hiện trên cơ sở câu truy vấn đại diện tài liệu đã được hiệu chỉnh. Nếu
cần, tiến trình phản hồi truy tìm được thực hiện lặp vài lần. Chú ý rằng, không phải tất
cả các hệ thống IR đều có tiến trình phản hồi thích hợp.
1.4 xếp hạng tài liệu (Ranking) [1] [8]
Một máy tìm kiếm có thể cho lại tới hàng vài nghìn tài liệu phù hợp, nhưng một
người sử dụng thông thường sẽ chỉ có thể xem xét được một số lượng nhỏ các tài liệu
tìm được đó. Vì thế, xếp hạng các tài liệu phù hợp theo mức độ tương thích với người
dùng là một vấn đề quan trọng, cũng là tiêu điểm trong việc đánh giá một phương
pháp truy tìm.
Chỉ qua một phần thông tin của người sử dụng được trích lọc biểu thị qua truy
vấn, hệ thống sẽ tìm kiếm và trả lời bằng một tập các tài liệu phù hợp. Yêu cầu đó
22
không có thuật toán cụ thể, nhưng được đảm bảo chiến lược xếp hạng luôn ưu tiên cho
những tài liệu hữu ích, tài liệu được coi là “gần” với truy vấn hơn sẽ được xếp lên trên
tài liệu khác trong danh sách tài liệu trả lời. Trên thực tế, thuật toán xếp hạng trong hệ
thống IR phần lớn dựa trên mô hình không gian vectơ - một cách tiếp cận cổ điển để
so sánh truy vấn với các tài liệu:
- Biểu diễn các truy vấn như các vectơ thuật ngữ, thành phần vectơ nhận giá trị 1
nếu thuật ngữ xuất hiện trong truy vấn và 0 trong trường hợp ngược lại.
- Biểu diễn vectơ thuật ngữ với các tài liệu sử dụng trọng số TF-IDF cho các
thành phần trong vectơ
- Sử dụng thước đo khoảng cách cosin để xếp hạng các tài liệu theo khoảng cách
thuật ngữ với truy vấn.
Mô hình trọng số TF-IDF được chứng minh rất hữu ích trong thực tế. Trong đó,
TF (Term Frequency) là tần số xuất hiện thuật ngữ, nghĩa là mỗi thành phần trong một
vectơ thuật ngữ được tính bởi số lần thuật ngữ đó xuất hiện trong tài liệu; IDF (Inverse
Document Frequency) được tính bằng công thức IDF = log(N/ni), với N là toàn bộ tài
liệu trong tập hợp và ni là số các tài liệu chứa thuật ngữ i. Với chỉ TF, nếu một thuật
ngữ xuất hiện thường xuyên trong các tài liệu thì nó chưa chắc đã là lựa chọn tốt làm
thuật ngữ chỉ mục, vì nó không giúp phân biệt các tài liệu người sử dụng quan tâm với
các tài liệu khác, tức là số lượng tài liệu được truy tìm lớn nhưng độ chính xác không
cao. IDF giúp cải thiện vấn đề này, trọng số của thuật ngữ sẽ rất cao nếu nó xuất hiện
thường xuyên chỉ trong một vài tài liệu, tức là giúp tăng cường sự phân biệt.
Cho Di = (di1, di2, …, diM) là tập hợp các tài liệu, với truy vấn Q biểu diễn như
một tài liệu. Trong đó, dij là trọng số thuật ngữ j trong tài liệu i, Q(j) biểu thị trọng số
của thuật ngữ j trong truy vấn Q (i =1, 2.., N; j = 1, 2, .., M). Các trọng số dij và Q(j) có
thể là 1 (nếu chứa thuật ngữ) hay 0 (nếu không chứa thuật ngữ) trong đại số quan hệ;
hoặc tính bằng TF-IDF hoặc có thể bằng nhiều cách khác. Tài liệu Di được đánh giá là
“gần” với truy vấn Q dựa vào thước đo sau:
1. Khoảng cách thuật ngữ (term distance):
M
(Q( j) d )2
ij
j1
2. Khoảng cách cosin (cosin distance): Thước đo này được sử dụng khá phổ biến
trong các mô hình thực tế và được mô tả như sau:
M
((Q( j)d )
ij
j1
M
M
2
Q( j)2
d
ij
j1
j1
23
Trong trường hợp xấu nhất, cần đến O(N) phép so sánh, mỗi so sánh cho một
tài liệu và mỗi so sánh cần O(M) thời gian cho từng thuật ngữ. Vậy, sẽ cần O(M×N)
thời gian để tìm giải pháp tốt nhất. Kỹ thuật chỉ số ngữ nghĩa tiềm tàng (LSI) sẽ làm
giảm đáng kể thời gian nói trên.
Xét ví dụ, với 10 tài liệu (ký hiệu: d1, d2,.., d10); và 6 thuật ngữ (ký hiệu: t1, t2,
.., t6). Trong đó:
t1 = database
t2 = SQL
t3 = index
t6 = linear
t4 = regression
t5 = likelihood
Ta sẽ lập được một ma trận tần số tài liệu - thuật ngữ M (106), trong đó mỗi
phần tử ij (hàng i, cột j) chứa số lần xuất hiện của thuật ngữ j trong tài liệu i.
t1
24
32
12
6
t2
21
10
16
7
t3
9
t4
0
t5
0
t6
3
d1
d2
5
0
3
0
5
0
0
0
d3
2
0
0
0
d4
43
2
31
0
20
0
0
3
0
d5
18
32
22
34
17
7
16
0
d6
0
0
1
12
4
d7
3
0
0
2
d8
1
0
0
27
4
25
23
d9
6
0
0
D10
Bảng 1.1 Ma trận tài liệu - thuật ngữ
Giả sử, với một câu truy vấn Q chứa các thuật ngữ database và index, ta có thể
biểu diễn truy vấn dưới dạng vectơ Q = (1, 0, 1, 0, 0, 0), tức là thuật ngữ t1 và t3 xuất
hiện trong truy vấn nên có giá trị là 1, còn lại nhận giá trị là 0.
Dựa vào ma trận tài liệu - thuật ngữ (bảng 1.1), ta tính được ma trận thuật ngữ -
tài liệu với các thành phần trọng số TF-IDF, được biểu diễn trong bảng sau. Giả sử
trong ví dụ này, thuật ngữ database có trọng số thấp hơn các thuật ngữ khác và ít có ý
nghĩa vì nó xuất hiện trong hầu hết các tài liệu.
2.53
3.37
1.26
0.63
4.53
0.63
0.21
14.56
6.93
11.09
4.85
21.48
0
4.60
2.55
2.55
1.02
10.21
0
0
0
2.07
0
0
1.07
0
0
0
0
0
0
0
0
1.07
1.42
4.28
11.78
22.18
15.94
0
0
0
24
0.31
0.10
0
0
0
0
15.24
23.56
1.42
9.63
1.38
17.33
Bảng 1.2 Ma trận kết quả tài liệu - thuật ngữ TF-IDF
Sử dụng đơn vị đo khoảng cách cosin, tính độ tương đồng hay “gần” giữa truy
vấn với các tài liệu. Không giống với kết quả truy tìm trong đại số quan hệ, đây là đại
lượng đo khoảng cách mang lại sự xếp hạng cho mọi tài liệu, gồm ít nhất có một thuật
ngữ phù hợp. Dựa vào bảng 1.1 và 1.2 tính khoảng cách tương ứng theo TF và TF-
IDF.
khoảng cách
TF
Khoảng cách
TF-IDF
0.32
Document
d1
d2
d3
d4
d5
d6
d7
d8
d9
d10
0.70
0.77
0.58
0.60
0.79
0.14
0.06
0.02
0.09
0.01
0.51
0.24
0.23
0.43
0.02
0.01
0.02
0.01
0.00
Bảng 1.3 Kết quả khoảng cách từ truy vấn Q với các tài liệu
Kết quả tính được xếp hạng các tài liệu theo mức độ phù hợp. Kết quả trên cho
thấy, sử dụng ma trận TF tài liệu d5 là “gần” nhất, còn với ma trận TF-IDF thì d2 được
xem là “gần” nhất.
25
CHƯƠNG 2. MỘT SỐ KỸ THUẬT TÌM KIẾM
Tất cả các chiến lược tìm kiếm được dựa vào việc so sánh giữa truy vấn với các
tài liệu được lưu trữ. Đôi khi, việc so sánh này chỉ là gián tiếp khi truy vấn được so
sánh với các cụm (hoặc chính xác hơn với những đặc điểm đại diện cho các cụm).
Tạo sự phân biệt giữa các kiểu chiến lược tìm kiếm khác nhau đôi khi có thể
được hiểu qua việc xét ngôn ngữ truy vấn, đó là ngôn ngữ để biểu diễn thông tin. Tính
tự nhiên của ngôn ngữ truy vấn thường yêu cầu tính tự nhiên trong chiến lược tìm
kiếm. Ví dụ, một ngôn ngữ truy vấn được biểu diễn bằng việc kết hợp theo logic các từ
khóa cho phép tìm kiếm, thông thường được yêu cầu kiểu tìm kiếm Boolean. Đây là
mô hình tìm kiếm mà kết quả mang lại là kiểu logic qua việc so sánh truy vấn với các
tài liệu. Tuy nhiên, ở đây ta không kiểm tra các ngôn ngữ truy vấn nhưng thay vào đó
nhận biết được sự khác nhau qua việc đưa vào các máy tìm kiếm.
2.1 Các truy vấn Boolean và chỉ mục tài liệu [1] [5] [11]
2.1.1 Truy vấn Boolean
Loại đơn giản nhất của truy vấn yêu cầu gồm mối quan hệ giữa các thuật ngữ
và các tài liệu, các truy vấn giống như:
1. Những tài liệu chứa từ “Java”
2. Những tài liệu chứa từ “Java” nhưng không chứa từ “coffee”
3. Các tài liệu chứa cụm “Java beans” hoặc thuật ngữ “API”
4. Các tài liệu mà “Java” và “Island” xuất hiện trong cùng một câu.
Hai truy vấn đầu được gọi là những truy vấn “gần” (proximity queries) bởi
chúng bao gồm khoảng cách từ vựng giữa các dấu hiệu. Các câu hỏi này có thể được
trả lời sử dụng chỉ số ngược. Phần sau sẽ mô tả việc các chỉ số được xây dựng từ một
tập hợp các tài liệu ngược như thế nào.
Các câu truy vấn được biểu diễn bởi tập từ khóa kết nối với tập phép toán Bool.
Ba loại toán tử hay được sử dụng là OR, AND và NOT. Quy tắc truy tìm kiếm như
sau:
- Toán tử OR: Xem xét hai thuật ngữ đồng nghĩa. Ví dụ, cho trước câu truy vấn
(term1 OR term2) thì hiện diện của một trong hai thuật ngữ trong bản ghi (hay trong
tài liệu) đủ để đáp ứng truy tìm bản ghi này.
- Toán tử AND: Tổ hợp các thuật ngữ (hay từ khóa) vào một câu thuật ngữ.
Vậy, truy vấn (term1 AND term2) chỉ ra cả hai thuật ngữ phải đồng thời hiện diện
trong tài liệu để đem lại kết quả.
- Toán tử NOT: Là hạn chế hay thuật ngữ hẹp, thông thường nó được sử dụng
với toán tử AND. Câu truy vấn (term1 AND NOT term2) dẫn tới truy tìm bản ghi có
26
term1 nhưng không có term2.
2.1.2 Cấu trúc tệp
Một trong các vấn đề cơ bản trong thiết kế hệ thống IR là quyết định sử dụng
loại cấu trúc tệp nào để lưu trữ CSDL tài liệu. Cấu trúc tệp sử dụng trong các hệ thống
IR bao gồm các tệp phẳng, tệp mục lục (inverted), tệp chữ ký và các tệp khác như cây
và đồ thị.
Với quan điểm tệp phẳng, một hay nhiều tài liệu lưu trữ trong tệp, thông thường
trong mã ASCII hay EBCDIC, không chỉ mục tài liệu. Tìm kiếm tệp phẳng thông qua
tìm kiếm mẫu. Trong UNIX, khi lưu trữ tập hợp các tài liệu người ta lưu trữ mỗi tài
liệu trong một tệp, trong danh mục. Các tệp này có thể tìm kiếm nhờ các công cụ tìm
kiếm theo mẫu như “grep”, “awk”. Tiệm cận này không hiệu quả vì mỗi lần truy vấn
thì toàn bộ tập hợp tài liệu phải được duyệt để tìm ra mẫu văn bản.
Các tệp chữ ký (signature files): chứa các chữ ký (mẫu bit) đại diện cho tài liệu.
Có nhiều cách để sinh chữ ký tài liệu. Câu truy vấn được đại diện bởi chữ ký mà nó sẽ
được so sánh với chữ ký tài liệu trong khi truy tìm.
Cách sử dụng chung nhất là tệp mục lục (inverted). Đó là loại tệp chỉ mục.
Các tệp mục lục (Inverted Files)
Trong tệp mục lục, chỉ mục được xây dựng cho mỗi thuật ngữ để lưu trữ chỉ số
định danh (ID) bản ghi cho toàn bộ bản ghi chứa thuật ngữ này. Một đầu vào tệp mục
lục thông thường chứa từ khóa (thuật ngữ) và một số ID tài liệu. Mỗi từ khóa và các
ID tài liệu (mà nó chứa từ khóa) được tổ chức thành một hàng. Ví dụ tệp mục lục như
sau:
Term1: Record1, Record3
Term2: Record1, Record2
Term3: Record2, Record3, Record4
Term4: Record1, Record2, Record3, Record4
trong đó, Termi (i = 1,2,3,4) là số ID của thuật ngữ chỉ mục i, Recordi (i = 1, 2, 3, 4)
là số ID của bản ghi (record) i hay tài liệu i.
Dòng 1 có nghĩa rằng Record1 và Record3 chứa Term1. Các dòng khác có ý
nghĩa tương tự. Việc tìm kiếm sẽ được thực hiện nhanh chóng trong các tệp mục lục.
Chỉ các hàng chứa thuật ngữ tìm kiếm mới được truy tìm. Không cần tìm mọi bản ghi
trong CSDL.
Quy tắc tìm kiếm bằng mô hình Bool trên cơ sở các tệp mục lục như sau:
Truy vấn AND: Ví dụ (Termi AND Termj), cho danh sách trộn hàng i với hàng j
trong tệp mục lục và mọi bản ghi đều chứa Termi và Termj sẽ là kết quả truy
tìm ở đầu ra. Ví dụ: (Term1 AND Term2) cho kết quả là Record1.
Truy vấn OR: Ví dụ (Termi OR Term j), cho danh sách trộn cho hàng i và j, mọi
27
mục trong danh sách trộn là đầu ra kết quả. Ví dụ truy vấn (Term1 OR Term2)
sẽ cho kết quả là Record1, Record2 và Record3.
Truy vấn NOT: Ví dụ (Termi AND NOT Termj) sẽ cho kết quả là các mục xuất
hiện trong hàng i nhưng không trong hàng j. Truy vấn (Term4 AND NOT
Term1) cho kết quả là Record2, Record4. Truy vấn (Term1 AND NOT Term4)
sẽ cho đầu ra là rỗng.
Mở rộng thao tác tệp mục lục
Cho đến thời điểm hiện tại ta đã bỏ qua hai yếu tố quan trọng khi chỉ mục và
truy tìm tài liệu, đó là vị trí của các thuật ngữ và ý nghĩa các thuật ngữ (tần số thuật
ngữ) trong tài liệu. Trong các truy vấn AND, mọi bản ghi chứa cả hai thuật ngữ được
tìm thấy, không quan tâm đến vị trí của chúng trong tài liệu. Các thuật ngữ có tầm
quan trọng như nhau, không quan tâm đến tần số xuất hiện trong tài liệu. Để nâng cao
hiệu quả truy vấn, hai yếu tố này cần được xem xét.
Các quan hệ đặc tả giữa hai hay nhiều thuật ngữ được tăng cường bằng cách bổ
sung các tham số “tính gần kề” vào đặc tả truy vấn. Khi tham số gần kề được bổ sung,
chủ điểm được xác định cụ thể hơn, tính phù hợp của mục truy vấn được sẽ cao hơn.
Hai tham số thuộc nhóm này có thể là đặc tả “within sentence” và “adjacency”:
(Termi within sentence Termj) có nghĩa rằng thuật ngữ i và thuật ngữ j cùng
xuất hiện trong câu của bản ghi vừa tìm ra.
(Termi adjacency Termj) có nghĩa các thuật ngữ i và j xuất hiện liền kề trong
các tài liệu tìm ra.
Để hỗ trợ loại truy vấn này, thông tin vị trí thuật ngữ phải gộp vào tệp mục lục.
Cấu trúc tổng quát của file này sẽ như sau:
Termi: Record no., Paragraph no., Sentence no., Word no.
Ví dụ, nếu tệp mục lục có các đầu vào sau:
information: R99, 10, 8, 3; R15, 15, 3, 6; R166, 2, 3, 1
retrieval: R77, 9, 7, 2; R99, 10, 8, 4; R166, 10, 2, 5
thì kết quả truy vấn (information within sentence retrieval) là R99.
Trong ví dụ trên, các thuật ngữ “information” và “retrieval” xuất hiện trong
cùng câu R99 của tài liệu. Mặt khác, dù R166 đều chứa cả hai thuật ngữ này nhưng lại
ở vị trí khác nhau của tài liệu, do vậy truy vấn không cho lại kết quả (không phải là
“information retrieval”). Có thể hai thuật ngữ này được sử dụng trong các ngữ cảnh
khác nhau.
2.1.3 Các từ dừng và từ gốc
Đa số ngôn ngữ tự nhiên có những từ chức năng, những liên từ, giới từ xuất
hiện với số lượng lớn trong các tài liệu và điển hình là ít được sử dụng trong việc xác
28
định các tài liệu thoả mãn thông tin tìm kiếm. Các từ như vậy (ví dụ a, an, the, on
trong tiếng Anh) được gọi là từ dừng (stopword).
Các kỹ thuật tìm kiếm thông thường không chỉ số hoá các từ dừng, nhưng có ý
tưởng thay thế chúng với một đối tượng thay thế để ghi nhớ sự xuất hiện của các từ
dừng. Điều này cho phép tìm kiếm những cụm từ chứa các từ dừng, ví dụ như “gone
with the wind”. Việc giảm bớt không gian chỉ số và cải thiện thực hiện là những lý do
quan trọng để loại trừ các từ dừng. Tuy nhiên, như vậy một số câu truy vấn như “to be
or not to be” có thể không còn được hỏi. Một điều nữa là từ nhiều nghĩa (một từ có
nhiều nghĩa phụ thuộc vào văn cảnh hoặc cách nói): “can” là một động từ thì không có
ích cho các truy vấn từ khoá, nhưng “can” là một danh từ có thể là trung tâm đối với
một câu truy vấn, vì vậy nó không nằm trong danh sách từ dừng.
Stemming (từ gốc) hay conflating là phương thức hỗ trợ sự phù hợp của một
thuật ngữ truy vấn với biến đổi hình thái trong kho dữ liệu. Trong tiếng Anh, cũng như
trong một số ngôn ngữ khác, các phần của văn nói, thời và số lượng được chuyển từ
những biến tố của từ. Có thể muốn một truy vấn chứa từ “gaining” phù hợp với một tài
liệu chứa từ “gains”, hay tài liệu chứa đựng từ “went” dùng để trả lời cho một truy vấn
chứa từ “goes”. Các phương pháp stemming nhìn chung sử dụng sự kết hợp việc phân
tích hình thái (chẳng hạn, thuật toán của Porter và tra cứu từ điển như WordNet).
Stemming có thể làm tăng số lượng các tài liệu trả lời, nhưng có thể bao gồm cả các tài
liệu không thích hợp. Chẳng hạn, giải thuật của Porter không chấp nhận “university”
và “universal” cùng là “univers”. Conflating, xác định các thuật ngữ liên quan qua việc
sử dụng từ điển, trong đó liệt kê các thuật ngữ đồng nghĩa và đôi khi liệt kê cả quan hệ
giữa chúng. Ví dụ, các từ “study”, “learning”, “schoolwork”, “reading” có ý nghĩa
tương tự nhau. Thay vì sử dụng 4 thuật ngữ chỉ mục, có thể chỉ sử dụng một thuật ngữ
“study” tổng quát để đại diện bốn thuật ngữ này.
2.1.4 Chỉ số hoá và bổ sung
Các tài liệu được duyệt và phân loại để được mệnh đề (d, t), gồm tài liệu d với
thuật ngữ t. Thao tác cơ bản của việc chỉ mục “ngược” (inverting) bao gồm việc đổi
chỗ thứ tự sắp xếp theo (t, d) như biểu diễn sau.
Chúng ta dễ dàng tạo tập (t, d) trong cấu trúc dữ liệu. Với một tập hợp động có
các tài liệu được thêm vào, sửa đổi hay xoá đi, một sự thay đổi tài liệu ở mức đơn giản
cần cập nhật hàng trăm tới hàng nghìn các bản ghi.
Hình 2.1 đưa ra một giải pháp đơn giản hơn. Đầu tiên, một chỉ số chuẩn tĩnh
được tạo ngoài (t, d) được phân loại. Đây là chỉ mục chính được dùng để trả lời các
câu truy vấn. Trong đó, các tài liệu được thêm vào hay xoá đi được gọi là “documents
in flux” (ở đây, chúng ta có thể mô tả sự thay đổi dữ liệu với việc xoá thực hiện sau
việc chèn cho đơn giản). Các tài liệu thay đổi liên tục (flux) được biểu diễn bởi một
29
bản ghi được kí hiệu (d, t) biểu diễn bằng (d, t, s), trong đó s là một bit cho biết tài liệu
đã được xoá hay được chèn.
Hình 2.1 Sơ đồ duy trì các chỉ số trong tập hợp động
Các bản ghi (d, t, s) được đánh chỉ mục để tạo một chỉ mục phụ. Truy vấn của
người sử dụng được gửi cho cả chỉ mục chính và chỉ mục phụ. Mục đích chỉ mục
chính là trả lại một tập tài liệu D0. Chỉ mục phụ trả lại hai tập tài liệu: một là D+, là tập
các tài liệu vẫn chưa được đánh chỉ mục trong D0 mà được đối sánh với truy vấn và tập
khác là D-, là tập đối sánh các tài liệu với truy vấn đã được loại bỏ khỏi tập hợp từ khi
D0 được xây dựng. Câu trả lời cuối cùng cho truy vấn là D0 D+ \ D-
Chỉ số phụ được tạo nhanh chóng, bởi vậy có thể không được xây dựng cẩn
thận và chuẩn như chỉ số chính. Khi chỉ số phụ trở nên quá lớn, kí hiệu các bản ghi (d,
t, s) được phân loại trong (t, d, s) và trộn-lọc (merge – purged) trong các bản ghi (t, d)
chính. Kết quả được sử dụng để xây dựng lại chỉ mục chính và khi đó chỉ số phụ có
thể được làm rỗng. Thông thường, điều này bao gồm việc phân tích các log truy vấn
cho những từ khoá thường xuyên và ưu tiên các bản ghi ngược.
2.1.5 Kỹ thuật nén chỉ số (index compression)
Trường hợp các modul thiếu từ dừng và dấu chấm câu, một chỉ số ngược với
thông tin vị trí có thể được sử dụng để xây dựng lại các tài liệu trong một tập hợp. Bởi
vậy, kích thước của chỉ mục thực tế so sánh được với kích thước của kho dữ liệu. Mặc
30
dù, việc lưu trữ đem lại một số lợi ích nhưng chỉ số chương trình điều khiển lớn sẽ dẫn
tới một số lượng lớn I/O ngẫu nhiên. Bởi vậy, cài đặt IR lớn, hiệu năng cao thì việc
nén chỉ số càng nhiều càng tốt là thực sự quan trọng và nó có thể được lưu giữ trong
bộ nhớ.
Một phần chính của không gian chỉ mục bị chiếm bởi các ID tài liệu. Một ID tài
liệu cần một tập hợp lớn hơn, số lượng các bit lớn hơn để biểu diễn. Trên Internet,
phần lớn cần ít nhất 32 bit để biểu diễn các ID tài liệu trong một hệ thống truy xuất
trên 2 tỉ trang.
Cách dễ hơn trong việc lưu trữ các ID tài liệu là sắp xếp chúng tăng dần và lưu
trữ đầy đủ ID đầu tiên, rồi sau đó chỉ lưu sự khác nhau với ID trước mà chúng ta gọi là
gap. Điều này được gọi là mã hoá delta (delta encoding).
Chẳng hạn, nếu từ bottle xuất hiện trong các tài liệu được đánh số 5, 30 và 47,
bản ghi cho bottle là vectơ (5, 25, 17).
Với ví dụ này có thể không giống như việc lưu trữ tài liệu với số lượng lớn,
nhưng đã cho thấy các thuật ngữ thường xuyên thì ID gap trung bình sẽ nhỏ hơn và
những thuật ngữ hiếm xuất hiện dù sao cũng không chiếm quá nhiều không gian, vì
vậy cả hai trường hợp đó đều có lợi.
Vấn đề tiếp theo là mã hoá những gap này với số lượng các bit hay biến đổi, vì
vậy một gap nhỏ yêu cầu số các bit ít hơn nhiều so với một ID tài liệu. Mã hoá nhị
phân chuẩn gán cùng chiều dài cho tất cả các ký hiệu hay những giá trị sẽ được mã
hoá, là tối ưu (nếu số các bit trong mã hoá giá trị x là L(x), yêu cầu của mã này là
Pr(x)L(x) số các bit yêu cầu để truyền một kí hiệu. Một mã tối ưu giảm đến mức
x
tối thiểu giá trị này) khi tất cả các giá trị có thể tương đương, trừ các gap. Cách khác
với mã đơn nguyên (một gap x được biểu diễn bởi x-1 những dấu hiệu theo sau), ưu
tiên những gap ngắn khá mạnh (nó là tối ưu nếu gap theo sau được đưa ra bởi Pr(X
=x)=2-x, xác suất của việc làm mất các gap lớn).
Có nhiều phương pháp cũng sử dụng các kỹ thuật giảm bớt chi phí thời gian.
Cách tiếp cận đơn giản là tập hợp các tài liệu trong các kho (buckets). Giả sử chúng ta
có một triệu tài liệu, mỗi tài liệu với ID 20-bit. Chúng ta có thể tập hợp chúng vào một
nghìn bucket với một nghìn tài liệu trong mỗi bucket. Các ID bucket sẽ yêu cầu chi phí
chỉ 10 bit.
Cách khác đơn giản hơn, một chỉ mục ngược được thiết lập từ các thuật ngữ
đến các ID bucket, tiết kiệm được rất nhiều không gian vì các ID tài liệu rút ngắn lại
đến một nửa kích thước. Khi một bucket trả lời một truy vấn, tất cả các tài liệu trong
bucket đó cần được duyệt, tốn nhiều thời gian hơn. Tránh điều đó, cách tiếp cận thứ
hai của ý tưởng là chỉ mục các tài liệu trong mỗi bucket riêng rẽ. Ý tưởng sơ bộ sử
dụng các kỹ thuật như vậy để giới hạn không gian thực hiện.
31
Thông thường, một chỉ mục bị nén tới giới hạn thì việc nâng cấp rất hỗn độn
khi thêm, xoá hoặc sửa đổi các tài liệu. Ví dụ, nếu có các tài liệu mới thì phải thêm vào
chỉ mục ngược, các bản ghi của một vài thuật ngữ sẽ tăng kích thước. Điều đó chỉ có
thể được giải quyết với nhiều I/O ngẫu nhiên tạo ra những việc cập nhật thay đổi lớn.
2.1.6 Chỉ mục tự động
Trong tiến trình chỉ mục, tài liệu được coi như danh sách các từ, trong đó các từ
dừng đã được loại khỏi danh sách. Các thuật ngữ hay từ còn lại được xử lý tiếp để
nâng cao hiệu quả chỉ mục và truy tìm. Các thao tác chung nhất thực hiện trên các
thuật ngữ này là tìm từ gốc (stemming), tìm từ đồng nghĩa và xác định trọng số.
Với stemming, tệp chỉ mục sẽ đầy đủ hơn và việc truy tìm thông tin sẽ hiệu quả
hơn. Recall thông tin sẽ được nâng cao bởi vì gốc từ (root) tổng quát hơn và nhiều tài
liệu liên quan sẽ được tìm ra để đáp ứng câu truy vấn. Nhưng precision có thể giảm vì
thuật ngữ gốc từ ít tính cụ thể.
Các thuật ngữ chỉ mục khác nhau có các tần số xuất hiện và tầm quan trọng
khác nhau trong tài liệu. Chú ý rằng, tần số xuất hiện của các thuật ngữ sau khi thực
hiện stemming và thực hiện thesaurus sẽ là tổng tần số của mọi biến đổi (variantions).
Ví dụ, tần số khái niệm “retriev” sẽ là tổng tần số xuất hiện của các thuật ngữ
“retrieve”, “retrieval”, “retrieving” và “retrieved”. Việc đề xuất các trọng số “thuật
ngữ quan trọng” cho thuật ngữ tài liệu và thuật ngữ câu truy vấn có thể giúp phân biệt
mức độ quan trọng của các thuật ngữ trong kết quả tìm kiếm. Khi bổ sung trọng số cho
các thuật ngữ trong tệp mục lục, các tài liệu khác nhau với tính tương đồng khác nhau
có thể xếp hạng theo dãy thứ tự độ tương đồng giảm dần, vào thời điểm truy vấn.
Ví dụ một tệp mục lục với trọng số thuật ngữ như sau:
Term1: R1, 0.3; R3, 0.5; R6, 0.8; R7, 0.2; R11, 1
Term2: R2, 0.7; R3, 0.6; R7, 0.5; R9, 0.5
Term3: R1, 0.8; R2, 0.4; R9, 0.7
Dòng đầu tiên có nghĩa rằng trọng số của thuật ngữ 1 (Term1) là 0.3 trong bản
ghi 1 (R1), 0.5 trong bản ghi 3 (R3), 0.8 trong bản ghi 6 (R6), 0.2 trong bản ghi 7 (R7)
và 1 trong bản ghi 11 (R11). Tương tự trong các dòng khác.
Các thao tác Bool với trọng số thuật ngữ có thể thực hiện như sau:
- Truy vấn OR: Trọng số cao hơn giữa các bản ghi chứa các thuật ngữ truy vấn
được sử dụng làm độ tương đồng giữa câu truy vấn và tài liệu. Danh sách kết quả xếp
theo thứ tự độ tương đồng giảm dần. Ví dụ, truy vấn (Term2 OR Term3) có thứ tự đầu
ra là R1 (0.8), R2 (0.7), R9 (0.7), R3 (0.6) và R7 (0.5).
- Truy vấn AND: Trọng số thấp hơn giữa các bản ghi chung, phù hợp thuật ngữ
truy vấn được sử dụng làm độ tương đồng giữa câu truy vấn và tài liệu. Ví dụ, truy vấn
(Term2 AND Term3) có thứ tự đầu ra là R9 và R2.
Tải về để xem bản đầy đủ
60 trang
25/05/2025
190
Bạn đang xem 30 trang mẫu của tài liệu "Luận văn Kỹ thuật tìm kiếm văn bản trên cơ sở nội dung trong cơ sở dữ liệu đa phương tiện", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.
File đính kèm:
- luan_van_ky_thuat_tim_kiem_van_ban_tren_co_so_noi_dung_trong.pdf
