MỤC LỤC

LỜI NÓI ĐẦU ..4

CHƯƠNG 1: TỔNG QUAN .7

1.1. ĐẶT VẤN ĐỀ ..7

1.2. HỆ THỐNG THÔNG TIN ĐA PHƯƠNG TIỆN: .... 8

1.2.1. Khái niệm về đa phương tiện .8

1.2.2. Media .9

1.2.3. Multimedia .10

1.2.4. CSDL và Hệ quản trị CSDL 10

1.2.5. Truy tìm thông tin tài liệu văn bản.10

1.2.6. Chỉ mục và truy tìm đa phương tiện....11

1.2.7. Trích chọn đặc trưng, Biểu diễn nội dung và Xây dựng chỉ mục .11

1.3. SỰ CẦN THIẾT PHẢI CÓ MIRS 11

1.3.1. Mô tả sơ lược dữ liệu MM và các tính chất của chúng .12

1.3.2. Hệ thống IR và vai trò của chúng trong truy tìm đa phương tiện .13

1.3.3. Tích hợp truy tìm và chỉ số hóa thông tin đa phương tiện .13

1.4. KHÁI QUÁT VỀ MIRS. 14

1.5. KHẢ NĂNG MONG ĐỢI VÀ CÁC ỨNG DỤNG CỦA MIRS ... 15

CHƯƠNG 2: HỆ TÌM KIẾM THÔNG TIN . 18

2.1. KHÁI QUÁT CHUNG VỀ TÌM KIẾM THÔNG TIN . 18

2.1.1. Hệ thống truy tìm thông tin – IR ....20

2.1.2. Các thành phần của một hệ tìm kiếm thông tin ..24

2.1.3. So sánh hệ thống IR với các hệ thống thông tin khác ...25

2.1.4. Các hệ tìm kiếm văn bản được đánh giá cao hiện nay .27

2.2. HỆ TÌM KIẾM THÔNG TIN .. 28

2.2.1. Kiến trúc của hệ tìm kiếm thông tin. ...28

2.2.2. Một số mô hình để xây dựng một hệ tìm kiếm thông tin ...30

2.2.3. Các bước để xây dựng hệ thống truy tìm thông tin – IR ....38

2.3. LẬP CHỈ MỤC TÀI LIỆU . 39

2.3.1. Khái quát về hệ thống lập chỉ mục.40

2.3.2. Cấu trúc tệp mục lục..41

2.3.3. Phương pháp lập chỉ mục ....45

2.3.4. Lập chỉ mục tự động cho tài liệu tiếng Anh ..47

2.3.5. Lập chỉ mục cho tài liệu tiếng Việt 48

2.4. THƯỚC ĐO HIỆU NĂNG . 51

CHƯƠNG 3: KỸ THUẬT PHÂN CỤM DỮ LIỆU VÀ ỨNG DỤNG .... 53

3.1. KHÁI QUÁT VỀ PHÂN CỤM DỮ LIỆU ... 53

3.1.1. Khái niệm:..53

3.1.2. Mục tiêu của phân cụm dữ liệu trong tìm kiếm thông tin ..54

3.1.3. Các yêu cầu của phân cụm...56

3.2. CÁC KIỂU DỮ LIỆU TRONG PHÂN CỤM .... 58

3.2.1. Phân loại kiểu dữ liệu dựa trên kích thước miền 59

3.2.2. Phân loại kiểu dữ liệu dựa trên hệ đo ..59

3.3. CÁC PHÉP ĐO ĐỘ TƯƠNG TỰ VÀ KHOẢNG CÁCH ĐỐI VỚI CÁC

KIỂU DỮ LIỆU....60

3.3.1. Khái niệm tương tự và phi tương tự ....60

3.3.2. Thuộc tính khoảng61

3.3.3. Thuộc tính nhị phân...65

3.3.4. Thuộc tính định danh.66

3.3.5. Thuộc tính có thứ tự ..67

3.3.6. Thuộc tính tỉ lệ 67

3.4. MỘT VÀI KỸ THUẬT TIẾP CẬN TRONG PHÂN CỤM DỮ LIỆU... 68

3.4.1. Phương pháp phân cụm phân hoạch....68

3.4.2. Phương pháp phân cụm phân cấp ..74

3.4.3. Ứng dụng trong tìm kiếm văn bản đa phương tiện ..78

CHƯƠNG 4: CHƯƠNG TRÌNH DEMO .... 81

4.1. MỤC TIÊU CỦA HỆ THỐNG TÌM KIẾM VĂN BẢN:... 81

4.2. CHỨC NĂNG CỦA HỆ THỐNG . 81

4.3. CÀI ĐẶT CHƯƠNG TRÌNH .. 82

4.3.1. Lập chỉ mục82

4.3.2. Tìm kiếm tài liệu ..87

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 88

TÀI LIỆU THAM KHẢO... 90

LỜI NÓI ĐẦU

Trong những năm gần đây, sự phát triển mạnh mẽ của CNTT và ngành công nghiệp phần cứng đã làm cho khả năng thu thập và lưu trữ thông tin của các hệ thống thông tin tăng nhanh một cách chóng mặt. Bên cạnh đó việc tin học hoá một cách ồ ạt và nhanh chóng các hoạt động sản xuất, kinh doanh cũng như nhiều lĩnh vực hoạt động khác đã tạo ra cho chúng ta một lượng dữ liệu lưu trữ khổng lồ. Với một lượng thông tin như vậy thì vấn đề đặt ra là phải làm sao sử dụng chúng vào đúng mục đích và hiệu quả nhất thì cũng là một vấn đề đặt ra hiện nay. Mặt khác, trong môi trường cạnh tranh , người ta ngày càng cần có nhiều thông tin với tốc độ nhanh để trợ giúp việc ra quyết định và ngày càng có nhiều câu hỏi mang tính chất định tính cần phải trả lời dựa trên một khối lượng dữ liệu khổng lồ đã có. Với những lý do như vậy, cần phải có các công cụ hỗ trợ để giúp cho việc tìm kiếm thông tin được nhanh và hiệu quả. Vì vậy mục tiêu của luận văn này nhằm tìm hiểu và xây dựng một hệ thống tìm kiếm thông tin cụ thể là tìm kiếm tài liệu văn bản trên cơ sở phân cụm dữ liệu. Nhằm đáp ứng nhu cầu cấp thiết của thời đại.

Bố cục của luận văn gồm các phần sau:

+ CHƯƠNG 1 - TỔNG QUAN: Giới thiệu chung về hệ thống thông tin đa phương tiện.

+ CHƯƠNG 2 - HỆ TÌM KIẾM THÔNG TIN: Giới thiệu về hệ thống tìm kiếm thông tin (IR), sự khác nhau giữa hệ thống tìm kiếm thông tin và các hệ thống thông tin khác, các mô hình th ường gặp trong hệ thống tìm kiếm thông tin.

+ CHƯƠNG 3 - KỸ THUẬT PHÂN CỤM DỮ LIỆU VÀ ỨNG DỤNG : Khái quát chung về phân cụm, các kiểu dữ liệu trong phân cụm và ứng dụng kỹ thuật phân cụm dữ liệu trong tìm kiếm thông tin.

+ CHƯƠNG 4 - CHƯƠNG TRÌNH DEMO: Cài đặt một chương trình tìm

kiếm thông tin trên cơ sở lý thuyết đã trình bày.

+ KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN: Trình bày các kết quả đạt đượcvà nêu phương hướng phát triển của đề án trong tương lai.

+ TÀI LIỆU THAM KHẢO

CHƯƠNG 1: TỔNG QUAN

1.1. ĐẶT VẤN ĐỀ

Vài năm trước đây, các nghiên cứu và phát triển thuộc lĩnh vực đa phương tiện (MultiMedia) tập trung vào các vấn đề như: truyền thông, authoring và trình diễn đa phương tiện.

Trải qua nhiều năm đã có khối lượng lớn dữ liệu Multimedia (ảnh, video, âm thanh) được thu thập và lưu trữ dưới dạng số, thí dụ:

 Ảnh X quang,

 Các băng hình dạy học…

 Điều tra cảnh sát về các giọng nói trong điện thoại…

 Tài liệu văn bản, …

Nghiên cứu của những năm gần đây tập trung chủ yếu vào: lưu trữ và tìm kiếm hiệu quả dữ liệu đa phương tiện. Tình hình tương tự như hơn 30 năm trước đây khi nhiều dữ liệu text được lưu trữ dưới khuôn dạng máy tính có thể đọc được. Từ đó dẫn tới việc phát triển các hệ thống quản trị cơ sở dữ liệu (DatabaseManagmentSystem) mà ngày nay đợưc sử dụng trong hầu hết các cơ quan, tổ chức. Tuy nhiên hệ quản trị cơ sở dữ liệu không thể quản lý dữ liệu đa phương tiện một cách hiệu quả bởi vì các tính chất dữ liệu văn bản và dữ liệu đa phương tiện là khác nhau. Do vậy, dẫn tới việc nghiên cứu phát triển các kỹ thuật truy tìm và chỉ mục mới trong hệ thống quản trị cơ sơ dữ liệu và việc phát triển hệ thống truy tìm tài liệu văn bản – một phần của dữ liệu đa phương tiện cũng không nằm ngoài xu thế đó.

Luận văn tập trung nghiên cứu cách tìm kiếm văn bản trên cơ sở phân cụm dữ

liệu. Mục tiêu chính của phương pháp phân cụm dữ liệu là nhóm các đối tượng tươngtự nhau trong tập dữ liệu vào các cụm sao cho các đối tượng thuộc cùng một lớp là tương đồng còn các đối tượng thuộc các cụm khác nhau sẽ không tương đồng.

1.2. HỆ THỐNG THÔNG TIN ĐA PHƯƠNG TIỆN:

Đa phương tiện là gì? Đa phương tiện là tích hợp của văn bản, âm thanh, hình ảnh của tất cả các loại và phần mềm có điều khiển trong một môi trường thông tin số.

Dữ liệu đa phương tiện gồm dữ liệu về :

 Văn bản;

 Hình ảnh;

 Âm thanh;

 Hình động.

1.2.1. Khái niệm về đa phương tiện

Con người có nhu cầu diễn tả các trạng thái củ a mình; và họ có nhiều loại hình thể hiện. Con người có nhu cầu truyền thông, do đó cách thể hiện trên đườ ng truyền rất quan trọng. Trên Internet thông dụng với mọi người, cái đẹp của trang Web phải được thể hiện cả ở nội dung và hình thức.

Đa phương tiện có nhiều loại, những phương tiện công cộng về đa phương

tiện: Radio, vô tuyến, quảng cáo, phim, ảnh...

Nhu cầu về tương tác người - máy luôn đặt ra trong hệ thống thông tin. Vấn đề chính về tương tác người - máy không là quan hệ giữa con người với máy tính mà là con người với con người. Con người có vai trò quan trọng trong hệ thống

thông tin.

Môi trường

Xử lý thông tin

Thông tin ra

Hình 1.1: Hệ thống thông tin

Định nghĩa

Định nghĩa đa phương tiện (theo nghĩa rộng) là bao gồm các phương tiện:

văn bản, hình vẽ tĩnh (vẽ, chụp), hoạt hình (hình ảnh động), âm thanh.

Hay có thể định nghĩa đa phương tiện; đa phương tiện là kỹ thuật mô phỏng và sử dụng đồng thời nhiều dạng phương tiện chuyển hoá thông tin và các tác phẩm từ các kỹ thuật đó.

1.2.2. Media

Media (tiếng Latin: medius, tiếng Anh: means, intermediary) là đề cập đến các loại thông tin hay loại trình diễn thông tin như dữ liệu văn bản, ảnh, âm thanh và video.

Phân loại media : Có nhiều cách phân loại, nhưng cách chung nhất là phân loại trên cơ sở khuôn mẫu (format) vật lý hay các quan hệ media với thời gian. Qui định này dẫn tới hai lớp media: tĩnh (static) và động (dynamic).

 Static media: Không có chiều thời gian, nôi dung và ý nghĩa của chúng không phụ thuộc vào thời gian trình diễn. Media tĩnh bao gồm dữ liệu văn bản, đồ họa.

 Dynamic media: Có chiều thời gian, ý nghĩa và độ chính xác của chúng phụ thuộc vào tốc độ trình diễn. Dynamic media bao gồm annimation, video, audio. Media động phụ thuộc chặt chẽ vào tốc độ trình diễn. Thí dụ để cảm nhận chuyển động trơn tru, video phải được trình chiếu với tốc độ 25 frame/sec (hay 30 frame/sec phụ thuộc vào loại hệ thống video). Tương tự, khi ta trình diễn (play) tiếng nói, âm nhạc, chúng chỉ được cảm nhận tự nhiên khi đạt được tốc độ nhất định, nếu không chúng làm giảm chất lượng và ý nghĩa của âm thanh. Vì các media này phải

được trình diễn liên tục và ở tốc độ cố định cho nên chúng còn được gọi là media liêntục. Hay còn gọi chúng là media đẳng thời (isochronous media) vì quan hệ giữa các đơn vị media và thời gian là cố định.

1.2.3. Multimedia

Khái niệm multimedia (tiếng Latin: multus- tiếng Anh: numerous) đề cập đến tập hợp các kiểu media được sử dụng chung, trong đó ít nấht có một kiểu media không phải là văn bản (nói cách khác là ít nhất có một media trong đó là ảnh, audio hay video). Khái niệm multimedia hiểu theo nghĩa tính từ: thông tin đa phương tiện, dữ liệu đa phương tiện, hệ thống đa phương tiện, truyền thông đa phương tiện, ứng dụng đa phương tiện... Khái niệm dữ liệu đa phương tiện đề cập đến sự biểu diễn các kiểu media khác nhau mà máy tính có thể đọc được. Thông tin đa phương tiện đề cập đến thông tin được truyền đạt bởi các kiểu media. Đôi khi khái niệm dữ liệu đa phương tiện và thông tin đa phương tiện được sử dụng thay thế cho nhau.

1.2.4. CSDL và Hệ quản trị CSDL

Trong nhiều tài liệu thì hai khái niệm CSDL và hệ quản trị CSDL hay được

sử dụng thay cho nhau. Ở đây ta sử dụng hai thuật ngữ này như sau:

 Cơ sở dữ liệu - Database: Tập hợp bản ghi data hay các mục media.

 Hệ quản trị cơ sở dữ liệu - DBMS: Toàn bộ hệ thống quản trị Database

1.2.5. Truy tìm thông tin tài liệu văn bản

Các hệ thống tự động truy tìm thông tin (IR - Information Retrieval) đã được phát triển để quản lý khối lượng lớn tài liệu khoa học từ những năm 40 của thế kỷ XX. Chức năng chính của hệ thống IR là lưu trữ và quản trị khối lượng văn bản lớn theo cách sao cho dễ dàng truy vấn ( query) tài liệu mà người sử dụng quan tâ m. Chú ý rằng đồng nghĩa với IR là text IR dù rằng ý nghĩa đầy đủ của khái niệm IR làđề cập đến truy tìm bất kỳ loại thông tin nào.

1.2.6. Chỉ mục và truy tìm đa phương tiện

DBMS truy tìm thông tin trên ơc sở dữ liệu có cấu trúc nhờ đối sánh chínhxác (exact matching). IR còn được gọi là truy tìm trên cơ sở văn bản.

Truy tìm theo nội dung: Đề cập đến truy tìm trên cơ sở các đặc trưng media như màu, hình dạng thay cho mô tả văn bản các media item. Thông thường truy tìm này dựa trên tính tương tự thay cho đố i sánh chính xác gữia truy vấn và tập các items trong CSDL.

MIRS: Đề cập đến hệ thống cơ sở, cung cấp khả năng truy tìm thông tin đa phương tiện nhờ tổ hợp các kỹ thuật DBMS, IR và truy tìm trên cơ sở nội dung. Trong MIRS một số nhiệm vụ như versioning và security control không được cài đặt đầy đủ.

Một hệ thống MIRS đầy đủ được gọi là Hệ quản trị CSDL đa phương tiện

(MMDBMS – Multimedia DBMS).

1.2.7. Trích chọn đặc trưng, Biểu diễn nội dung và Xây dựng chỉ mục

Một trong những nhiệm vụ quan trọng của MIRS là trích chọn đặc trưng hay biểu diễn nội dung. Trích chọn đặc trưng là tiến trình tự động hay bán tự động. Trong một số tài liệu còn gọi tiến trình trích chọn đặc trưng là làm chỉ mục (chỉ số hóa).

Ta qui định sử dụng thuật ngữ “index” (chỉ mục) là danh từ, đề cập đến cấu trúc dữ liệu hay đề cập đến tổ chức các đặc trưng đã trích chọn để tìm kiếm hiệu quả.

1.3. SỰ CẦN THIẾT PHẢI CÓ MIRS

Ngày càng nhiều dữ liệu đa phương tiện được thu thập và lưu trữ, đòi hỏi hệthống truy tìm và chỉ số hóa đủ tốt để sử dụng dữ liệu hiệu quả.

Dữ liệu đa phương tiện có tính chất và yêu cầu đặc biệt, khác xa với loại dữliệu chữ và số. CSDL truyền thống không phù hợp trong việc quản lý dữ liệu đaphương tiện.

Các kỹ thuật truy tìm thông tin có thể giúp truy tìm các đối tượng đa phươngtiện nhưng chúng chưa có khả năng quản lý hiệu quả dữ liệu đa phương tiện.

1.3.1. Mô tả sơ lược dữ liệu MM và các tính chất của chúng

Chúng ta đang đối mặt với sự bùng nổ thông tin đa phương tiện. Thí dụ tồn tại một số lượng lớn ảnh và video trên Internet. Rất nhiều tranh vẽ, ảnh chụp đang được chuyển sang dạng số để dễ xử lý và phân tán hay bảo quản. Các bức ảnh từ bản tin TV và trên báo c ũng đang được chuyển sang dạng số để dễ dàng quản lý. Lượng lớn ảnh y tế, ảnh vệ tinh đang được thu thập hàng ngày. Xu thế này đã thúc đẩy phát triển công nghệ số lưu trữ và trình diễn. Không thể sử dụng nhanh và hiệu quả các thông tin đa phương ti ện này nếu chúng không được tổ chức tốt để có khả năng truy tìm nhanh.

Không chỉ khối lượng dữ liệu đa phương tiện lưu trữ tăng nhanh mà các kiểu dữ liệu và đặc tính của chúng khác xa dữ liệu chữ và số. Sau đây là một vài tính chất chính của dữ liệu đa phương tiện:

 Khối lượng khổng lồ (đặc biệt với dữ liệu audio và video). Thí dụ 10 phút video không nén có dung lượng 1,5 GB.

 Audio và video có thêm chiều thời gian.

 Dữ liệu ảnh, audio và video được thể hiện bởi dãy các giá trị mẫu, không có

cấu trúc nhất định để máy tính tự động nhận biết.

 Rất nhiều ứng dụng đa phương tiện đòi hỏi trình diễn đồng thời các loại

media khác nhau. Thí dụ, phim bao gồm các ảnh đồng bộ với âm thanh.

 Ý nghĩa của dữ liệu đa phương tiện đôi khi rất mờ.

 Dữ liệu đa phương tiện rất giàu thông tin. Đòi hỏi nhiều tham số để biểu diễn

nội dung của chúng.

1.3.2. Hệ thống IR và vai trò của chúng trong truy tìm đa phương tiện

Bổ sung vào DBMS còn có kiểu hệ thống quản trị thông tin khác mà nó tậptrung vào truy tìm tài ệluivăn bản. Kiểu hệ thống thông tin này được gọi là hệthống truy tìm thông tin. Kỹ thuật IR rất quan trọng trong hệ thống quản trị thông tin đa phương tiện vì hai lý do chính sau. Thứ nhất, khối lượng văn bản rất lớn đang có sẵn trong các cơ quan như thư viện. Văn bản là nguồn thông tin quan trọng của mọi tổ chức. Để sử dụng hiệu quả thông tin trong các tài liệu này cần có hệ thống IR hiệu quả. Thứ hai, văn bản còn được sử dụng để mô tả các loại media khác như audio, ảnh và video. Các kỹ thuật IR quen thuộc có thể được sử dụng để truy tìm thông tin đa phương tiện. Tuy nhiên việc sử dụng IR để quản lý dữ liệu đa phương tiện có các hạn chế sau:

 Mô tả thường là tiến trình thủ công và tốn kém thời gian.

 Mô tả bằng văn bản không đầy đủ và chủ quan.

 Kỹ thuật IR không áp dụng được cho truy vấn các loại dữ liệu khác văn bản.

 Một vài đặc trưng như kết cấu ảnh (image texture) và hình dạng ảnh rất

khó mô tả bằng văn bản.

1.3.3. Tích hợp truy tìm và chỉ số hóa thông tin đa phương tiện

DBMS và IR đề cập trên đây không đáp ứng đầy đủ yêu cầu truy tìm và chỉ số hóa đa phương tiện, do vậy, đòi hỏi kỹ thuật mới để quản lý các tính chất đặc biệt của dữ liệu đa phương tiện. Tuy nhiên ta nhận ra rằng DBMS và IR có thể đóng vai trò quan trọng trong MMDBMS.

Nhiều phần dữ liệu đa phương tiện như ngày tạo lập, tác giả, v.v.. là có cấu trúc. Chúng có thể được quản lý bằng các kỹ thuật DBMS. Mô tả (annotation) bằng văn bản vẫ n còn là phương pháp hiệu quả để thu thập nội dung dữ liệu đa phương tiện, do vậy các kỹ thuật IR vẫn đóng vai trò quan trọng.

Tóm lại, cần phải tích hợp DBMS, IR và các kỹ thuật đặc biệt khác quản lýdữ liệu đa phương tiện để phát triển MIRS phù hợp và hiệu quả.