Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
2.2.2 Độ nhiễu tín hiệu (Signal Noise): 25
2.2.3 Giá trị độ phân biệt của mục từ : 25
2.2.4 Kết hợp tần số xuất hiện mục từ và nghịch đảo tần số tài liệu 26
2.3 Lập chỉ mục tự động cho tài liệu 28
3. Lập chỉ mục cho tài liệu tiếng Việt ([III.1], [II.1], [II.2], [II.3], [II.4], [IV.11],
[IV.12]) 29
3.1 Khó khăn cho việc lập chỉ mục tiếng Việt 29
3.2 Đặc điểm về từ trong tiếng Việt và việc tách từ 31
3.2.1 . Đặc điểm về từ trong tiếng Việt: 31
3.2.2 Tách từ 32
3.3 Giải quyết các vấn đề hiển thị của tiếng Việt (vấn đề chính tả) 34
3.3.1 Vấn đề bảng mã 34
3.3.2 Vấn đề dấu thanh 35
3.3.3 Vấn đề dấu tổ hợp nguyên âm 36
3.4 Giải quyết các vấn đề về từ của tiếng Việt 37
3.4.1 Luật xác định các từ láy 37
3.4.2 Luật xác định các liên từ 37
3.5 Xây dựng từ điển tiếng Việt 38
Chương 4: BỘ TÌM KIẾM THÔNG TIN – SEARCH ENGINE 40
1. Vì sao ta cần một công cụ tìm kiếm (SE) ? 40
2. Các phương thức tìm kiếm 40
2.1 Tìm theo từ khoá – Keyword searching 40
2.2 Những khó khăn khi tìm theo từ khoá 41
2.3 Tìm theo ngữ nghĩa – Concept-based searching 41
3. Các chiến lược tìm kiếm 42
3.1 Tìm thông tin với các thư mục chủ đề 42
3.2 Tìm thông tin với các công cụ tìm kiếm 43
3.3 Tối ưu câu truy vấn 43
3.4 Truy vấn bằng ví dụ 44
Chương 5: MỘT SỐ SEARCH ENGINE THÔNG DỤNG TRÊN THẾ GIỚI
VÀ VIỆT NAM 45
1.1 Thư mục của Yahoo, Google 53
1.2 Alltheweb 54
1.3 AltaVista 54
1.4 Lycos 54
1.5 HotBot 55
2. Một số search engine thông dụng ở Việt Nam 55
2.1 Netnam [IV.12] 55
2.1.1 Phương pháp Netnam SE lập chỉ mục dữ liệu 58
Lê Thuý Ngọc - 0012745 5 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
2.1.2 Cú pháp tìm kiếm 59
2.1.3 Sử dụng từ khoá để lọc các tìm kiếm 61
2.2 Vinaseek ([IV.11]) 64
Phần 2 : THIẾT KẾ VÀ CÀI ĐẶT 66
Chương 1: THIẾT KẾ DỮ LIỆU 66
1. Cơ sở dữ liệu trong SQL 66
2. Hệ thống tập tin 69
Chương 2: THU THẬP THÔNG TIN 71
1. Cấu trúc dữ liệu 71
1.1 Cấu trúc UrlInfo 72
1.2 Cấu trúc StartUrlInfo 73
1.3 Cấu trúc FileRetrieval 73
1.4 Cấu trúc ProjectInfo 74
2. Xử lý của web robot 76
3. Giải quyết các vấn đề của web robot 81
3.1 Tránh sự lặp lại 81
3.2 Tránh làm qúa tải server 81
3.3 Tránh truy xuất đến các dạng tài nguyên không thích hợp 81
3.4 Tránh các lỗ đen(black holes) 82
3.5 Tránh những nơi cấm robot 82
4. Các thuật toán phân tích cấu trúc file HTML 82
4.1 Thuật toán lấy liên kết 82
4.1.1 Thuật toán ứng dụng cũ đã cài đặt 83
4.1.2 Chọn lựa của ứng dụng mới 87
4.2 Thuật toán lấy tiêu đề 87
4.3 Thuật toán lấy nội dung 88
5. Duy trì thông tin cho CSDL 89
6. Resume project 89
6.1 Nguyên tắc resume của ứng dụng cũ 1 90
6.2 Cải tiến của ứng dụng mới 92
Chương 3: LẬP CHỈ MỤC 94
1. Tính trọng số của từ: 94
2. Tập tin nghịch đảo : 95
3. Từ điển chỉ mục 101
4. Quá trình stemming 107
Chương 4: TÌM KIẾM THÔNG TIN 110
Lê Thuý Ngọc - 0012745 6 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
Chương 5: CÁC MODULE ,PACKAGE, LỚP CHÍNH CỦA CHƯƠNG
TRÌNH 112
1. Các module, package của chương trình 112
2. Các lớp đối tượng chính trong từng module 113
2.1 Module DBController 113
2.2 Module ProcessDoc 113
2.3 Module Query 115
2.4 Module SE 115
2.5 Module Webcopy 116
2.6 Module WebcopyGUI 117
Phần 3 : KẾT QUẢ, ĐÁNH GIÁ VÀ HƯỚNG PHÁT TRIỂN 118
1. Kết quả thử nghiệm 118
2. Hoạt động của chương trình 120
2.1 Giao diện quản trị 120
2.1.1 Giao diện chính của quản trị 120
2.1.2 Tạo mới project 121
2.1.3 Tạo mới một StartUrl : 124
2.1.4 Xem từ điển chỉ mục 127
2.1.5 Quản lý mục từ 128
2.2 Giao diện tìm kiếm 130
3. Đánh giá 132
3.1 Ưu điểm 132
3.2 Khuyết điểm 133
4. Hướng phát triển 133
4.1 Đối với từng module : 133
4.2 Đối với toàn luận văn: 134
DANH SÁCH CÁC BẢNG 136
DANH SÁCH CÁC HÌNH VẼ 138
TÀI LIỆU THAM KHẢO 140
I. Sách, ebook: 140
II. Luận văn, luận án 140
III. Bài báo 141
IV. Website 141
Lê Thuý Ngọc - 0012745 7 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
MỞ ĐẦU
Trong thời đại ngày nay, thông tin là nhu cầu thiết yếu đối với mọi người trên
mọi lĩnh vực. Mỗi phút trôi qua hàng triệu triệu trang web được đẩy lên nhằm làm giàu
nguồn tài nguyên vô tận này. Tuy nhiên tồn tại một nghịch lý là dù được ví như thư viện
toàn cầu, internet vẫn không thoả mãn nhu cầu thông tin của con người. Xung quanh vấn
đề này có nhiều nguyên nhân nhưng quan trọng nhất là sự thông hiểu giữa con người và
công cụ tìm kiếm trên mạng – search engine – chưa đạt đến mức có thể giao tiếp tốt với
nhau.
Hơn nữa, mỗi search engine sẽ mang đặc thù của ngôn ngữ mà nó hiển thị như
search engine Tiếng Việt phải giải quyết những vấn đề đặc trưng của Tiếng Việt, cụ thể
là vấn đề bảng mã, ngữ pháp trong Tiếng Việt.
Nếu ta hiểu cách thức search engine tổ chức thông tin, thực thi một câu truy vấn
và đặc trưng của ngôn ngữ mà search engine sẽ tiếp cận thì ta có thể tối ưu hoá cơ hội
nhận được các thông tin hữu ích. Đây là mục tiêu chính của luận văn.
Lê Thuý Ngọc - 0012745 1 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
Phần 1 : TÌM HIỂU VẤN ĐỀ
Chương 1: TỔNG QUAN VỀ HỆ THỐNG SEARCH ENGINE
1. Các bộ phận cấu thành hệ thống search engine
1.1 Bộ thu thập thông tin – Robot
Robot là một chương trình tự động duyệt qua các cấu trúc siêu liên kết để thu
thập tài liệu & một cách đệ quy nó nhận về tất cả tài liệu có liên kết với tài liệu này.
Robot được biết đến dưới nhiều tên gọi khác nhau : spider, web wanderer hoặc
web worm,… Những tên gọi này đôi khi gây nhầm lẫn, như từ ‘spider’, ‘wanderer’ làm
người ta nghĩ rằng robot tự nó di chuyển và từ ‘worm’ làm người ta liên tưởng đến virus.
Về bản chất robot chỉ là một chương trình duyệt và thu thập thông tin từ các site theo
đúng giao thức web. Những trình duyệt thông thường không được xem là robot do thiếu
tính chủ động, chúng chỉ duyệt web khi có sự tác động của con người.
1.2 Bộ lập chỉ mục – Index
Hệ thống lập chỉ mục hay còn gọi là hệ thống phân tích và xử lý dữ liệu, thực
hiện việc phân tích, trích chọn những thông tin cần thiết (thường là các từ đơn , từ
ghép , cụm từ quan trọng) từ những dữ liệu mà robot thu thập được và tổ chức thành cơ
sở dữ liệu riêng để có thể tìm kiếm trên đó một cách nhanh chóng, hiệu quả. Hệ thống
chỉ mục là danh sách các từ khoá, chỉ rõ các từ khoá nào xuất hiện ở trang nào, địa chỉ
nào.
Lê Thuý Ngọc - 0012745 2 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
1.3 Bộ tìm kiếm thông tin – Search Engine
Search engine là cụm từ dùng chỉ toàn bộ hệ thống bao gồm bộ thu thập thông
tin, bộ lập chỉ mục & bộ tìm kiếm thông tin. Các bộ này hoạt động liên tục từ lúc khởi
động hệ thống, chúng phụ thuộc lẫn nhau về mặt dữ liệu nhưng độc lập với nhau về mặt
hoạt động.
Search engine tương tác với user thông qua giao diện web, có nhiệm vụ tiếp nhận
& trả về những tài liệu thoả yêu cầu của user.
Nói nôm na, tìm kiếm từ là tìm kiếm các trang mà những từ trong câu truy vấn
(query) xuất hiện nhiều nhất, ngoại trừ stopword (các từ quá thông dụng như mạo từ a,
an, the,…). Một từ càng xuất hiện nhiều trong một trang thì trang đó càng được chọn để
trả về cho người dùng. Và một trang chứa tất cả các từ trong câu truy vấn thì tốt hơn là
một trang không chứa một hoặc một số từ. Ngày nay, hầu hết các search engine đều hỗ
trợ chức năng tìm cơ bản và nâng cao, tìm từ đơn, từ ghép, cụm từ, danh từ riêng, hay
giới hạn phạm vi tìm kiếm như trên đề mục, tiêu đề, đoạn văn bản giới thiệu về trang
web,…
Ngoài chiến lược tìm chính xác theo từ khoá, các search engine còn cố gắng ‘
hiểu ‘ ý nghĩa thực sự của câu hỏi thông qua những câu chữ do người dùng cung cấp.
Điều này được thể hiện qua chức năng sửa lỗi chính tả, tìm cả những hình thức biến đổi
khác nhau của một từ. Ví dụ : search engine sẽ tìm những từ như speaker, speaking,
spoke khi người dùng nhập vào từ speak.
Lê Thuý Ngọc - 0012745 3 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
2. Nguyên lý hoạt động
Search engine điều khiển robot đi thu thập thông tin trên mạng thông qua các siêu
liên kết ( hyperlink ). Khi robot phát hiện ra một site mới, nó gởi tài liệu (web page) về
cho server chính để tạo cơ sở dữ liệu chỉ mục phục vụ cho nhu cầu tìm kiếm thông tin.
Bởi vì thông tin trên mạng luôn thay đổi nên robot phải liên tục cập nhật các site
cũ. Mật độ cập nhật phụ thuộc vào từng hệ thống search engine. Khi search engine nhận
câu truy vấn từ user, nó sẽ tiến hành phân tích, tìm trong cơ sở dữ liệu chỉ mục & trả về
những tài liệu thoả yêu cầu.
Lê Thuý Ngọc - 0012745 4 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
Chương 2: BỘ THU THẬP THÔNG TIN – ROBOT
1. Ứng dụng của Robot
Robot thường được sử dụng cho những mục đích sau :
1.1 Phân tích, thống kê – Statistical Analysis
Robot đầu tiên được dùng để đếm số lượng web server, số tài liệu trung bình của
một server, tỉ lệ các dạng file khác nhau, kích thước trung bình của một trang web, độ
kết dính, …
1.2 Duy trì siêu liên kế - Maintenance
Một trong những khó khăn của việc duy trì một siêu liên kết là nó liên kết với
những trang bị hỏng (dead links) khi những trang này bị thay đổi hoặc thậm chí bị xóa.
Thật không may vẫn chưa có cơ chế nào cảnh báo các bộ duy trì về sự thay đổi này.
Trên thực tế khi các tác giả nhận ra tài liệu của mình chứa những liên kết hỏng, họ sẽ
thông báo cho nhau, hoặc thỉnh thoảng độc giả thông báo cho họ bằng email.
Một số robot, chẳng hạn MOMspider có thể trợ giúp tác giả phát hiện các liên kết
hỏng cũng như duy trì các cấu trúc siêu liên kết cùng nội dung của một trang web. Chức
năng này lặp lại liên tục mỗi khi một tài liệu được cập nhật, nhờ đó mọi vấn đề xảy ra sẽ
được giải quyết nhanh chóng.
Lê Thuý Ngọc - 0012745 5 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
1.3 Ánh xạ địa chỉ web - Mirroring
Mirroring là một kỹ thuật phổ biến trong việc duy trì các kho dữ liệu của FPT.
Một ánh xạ (mirror) sẽ sao chép toàn bộ cấu trúc cây thư mục và thường xuyên cập nhật
những file bị thay đổi. Điều này cho phép nhiều người cùng truy xuất một nguồn dữ liệu,
giảm số liên kết bị thất bại, nhanh hơn và ít chi phí hơn so với truy cập trực tiếp vào site
thực sự chứa các dữ liệu này.
1.4 Phát hiện tài nguyên – Resource Discovery
Có lẽ ứng dụng thú vị nhất của robot là dùng nó để phát hiện tài nguyên. Con
người không thể kiểm soát nổi một khối lượng thông tin khổng lồ trong môi trường
mạng. Robot sẽ giúp thu thập tài liệu, tạo và duy trì cơ sở dữ liệu, phát hiện và xoá bỏ
các liên kết hỏng nếu có, kết hợp với công cụ tìm kiếm cung cấp thông tin cần thiết cho
con người.
1.5 Kết hợp các công dụng trên- Combined uses
Một robot có thể đảm nhận nhiều chức năng. Ví dụ RBSE Spider [4] vừa thống
kê số lượng tài liệu thu được vừa tạo cơ sở dữ liệu. Tuy nhiên những ứng dụng như thế
còn khá ít ỏi.
2. Robot chỉ mục – Robot Indexing
Trong quá trình thu thập thông tin phục vụ cho bộ lập chỉ mục, ta cần giải quyết
những vấn đề sau :
Một là : Trong môi trường mạng, robot lấy thông tin từ các site. Vậy robot sẽ bắt
đầu từ site nào ? Điều này hoàn toàn phụ thuộc vào robot. Mỗi robot khác nhau sẽ có
Lê Thuý Ngọc - 0012745 6 Đỗ Mỹ Nhung - 0012624
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
những chiến lược khác nhau. Thường thì robot sẽ viếng thăm các site phổ biến hoặc
những site có nhiều liên kết dẫn đến nó.
Hai là : Ai sẽ cung cấp địa chỉ của các site này cho robot ?
Có 2 nguồn :
Robot nhận các URL ban đầu từ user.
Robot phân tích các trang web để lấy các URL mới, đến lượt các URL này trở
thành địa chỉ đầu vào cho robot. Quá trình này được lặp lại liên tục.
Ba là : Chọn dữ liệu nào trong tài liệu để lập chỉ mục ?
Quyết định chọn dữ liệu nào trong tài liệu cũng hoàn toàn phụ thuộc vào robot,
thường thì những từ được liệt kê như sau được xem là quan trọng :
Ở góc cao của tài liệu.
Trong các đề mục
Được in đậm (inktomi)
Trong URL.
Trong tiêu đề (quan trọng)
Trong phần miêu tả trang web (description) .
Trong các thẻ dành cho hình ảnh (ALT graphisc).
Trong các thẻ chứa từ khóa.
Trong các text liên kết.
Một số robot lập chỉ mục trên tiêu đề, hoặc một số đoạn văn bản đầu tiên hoặc
toàn bộ tài liệu (full text). Một số khác lại lập chỉ mục trên các thẻ META(META tags)
Lê Thuý Ngọc - 0012745 7 Đỗ Mỹ Nhung - 0012624
Không có nhận xét nào:
Đăng nhận xét