LUẬN VĂN: MỘT SỐ THUẬT TOÁN KHAI PHÁ LUẬT DÃY VÀ ỨNG DỤNG THỬ NGHIỆM VÀO HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƯỚC

Chia sẻ: Sunflower Sunflower_1 | Ngày: | Loại File: PDF | Số trang:60

Thêm vào BST

Báo xấu

238
lượt xem 70
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận văn được trình bày gồm có phần mở đầu, ba chương và phần kết luận. Trong chương một, luận văn tập trung chủ yếu vào giới thiệu tổng quan về luật dãy và khái phá luật dãy. Vì luật dãy có những mối liên hệ gần gũi với luật kết hợp và một số thuật toán khai phá luật dãy trong luận văn là mở rộng của thuật toán điển hình Apirori khai phá luật kết hợp, nên phần này sẽ trình bày khái quát về luật kết hợp, một số đối sánh giữa luật dãy và luật kết...

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: LUẬN VĂN: MỘT SỐ THUẬT TOÁN KHAI PHÁ LUẬT DÃY VÀ ỨNG DỤNG THỬ NGHIỆM VÀO HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƯỚC

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐÌNH VĂN MỘT SỐ THUẬT TOÁN KHAI PHÁ LUẬT DÃY VÀ ỨNG DỤNG THỬ NGHIỆM VÀO HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƯỚC LUẬN VĂN THẠC SĨ Hà Nội - 2011
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐÌNH VĂN MỘT SỐ THUẬT TOÁN KHAI PHÁ LUẬT DÃY VÀ ỨNG DỤNG THỬ NGHIỆM VÀO HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƯỚC Ngành: Công Nghệ Thông Tin Chuyên ngành: Hệ Thống Thông Tin Mã số: 60.48.05 LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS. TS. Hà Quang Thụy Hà Nội - 2011
-3- LỜI CAM ĐOAN Tôi xin cam đoan luận văn này với đề tài “Một số thuật toán khai phá dãy và ứng dụng thử nghiệm vào hệ thống quản lý khách hàng và tính hóa đơn nước” là công trình do tôi nghiên cứu và hoàn thành dưới sự hướng dẫn của PGS. TS. Hà Quang Thụy, trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần “Tài liệu tham khảo”. Tác giả luận văn Nguyễn Đình Văn Khai phá luật dãy Nguyễn Đình Văn
-4- MỤC LỤC MỞ ĐẦU .............................................................................................................................. 6 CHƯƠNG 1 – KHÁI QUÁT CHUNG VỀ LUẬT DÃY VÀ KHAI PHÁ LUẬT DÃY ...... 8 1.1 Giới thiệu chung về luật kết hợp ............................................................................ 8 1.1.1 Khái niệm luật kết hợp ................................................................................... 8 1.1.2 Các ứng dụng điển hình của luật kết hợp ........................................................ 9 1.1.3 Thuật toán Apriori ....................................................................................... 10 1.2 Luật dãy .............................................................................................................. 12 1.2.1 Khái niệm luật dãy và ví dụ.......................................................................... 12 1.2.2 Một số ứng dụng .......................................................................................... 14 1.2.3 Luật dãy và luật kết hợp: một số đối sánh..................................................... 16 1.2.4 Sơ bộ về các phương pháp khai phá luật dãy ................................................ 17 CHƯƠNG 2 – CÁC PHƯƠNG PHÁP KHAI PHÁ LUẬT DÃY ........................................ 21 2.1 Khái quát về khai phá luật dãy ............................................................................. 21 2.2 Các thuật toán khởi thủy ...................................................................................... 23 2.2.1 Thuật toán AprioriAll .................................................................................. 23 2.2.2 Thuật toán AprioriSome ............................................................................... 27 2.2.3 Thuật toán GSP (Generalized Sequential Patterns) ....................................... 30 2.3 Hai phương pháp khai phá luật dãy ...................................................................... 36 2.3.1 Khai phá dãy sử dụng kỹ thuật phân vùng (thuật toán Dynamic DISC-all) ... 36 2.3.2 Khai phá luật dãy bằng mã hóa khối cơ bản với thuật toán PRISM............... 38 CHƯƠNG 3 – ĐỀ XUẤT ỨNG DỤNG KHAI PHÁ LUẬT DÃY TRONG HỆ THỐNG QUẢN LÝ KHÁCH HÀNG VÀ TÍNH HÓA ĐƠN NƯỚC ............................................... 43 3.1 Tổng quan về hệ thống quản lý khách hàng và tính hóa đơn nước ........................ 43 3.1.1 Phân hệ quản lý khách hàng ................................................................................. 44 3.1.2 Phân hệ lập và in hóa đơn .................................................................................... 46 3.1.3 Phân hệ thanh toán hóa đơn và quản lý nợ ........................................................... 48 3.1.4 Phân hệ báo cáo thống kê..................................................................................... 49 3.2 Phát biểu bài toán ................................................................................................ 50 3.3 Mô hình giái quyết............................................................................................... 52 3.4 Thực nghiệm và đánh giá ..................................................................................... 55 3.4.1 Giới thiệu thực nghiệm ........................................................................................ 55 3.4.2 Kết quả thực nghiệm và nhận xét ......................................................................... 57 KẾT LUẬN ........................................................................................................................ 58 Khai phá luật dãy Nguyễn Đình Văn
-5- CÁC ĐỊNH NGHĨA VÀ CHỮ VIẾT TẮT Chữ viết tắt Diễn giải Candidate Ứng viên CSDL Cơ sở dữ liệu Element Thành phần dãy Frequent item Phần tử thường xuyên Gcd Hàm tính ước số chung lớn nhất Item Phần tử Itemset Tập hợp các phần tử (item) xảy ra cùng lúc Large sequence Dãy phổ biến Maximal sequence Dãy tối đa, dãy phổ biến nhất Projected database CSDL quy chiếu Sequence Dãy Support Độ hỗ trợ Support threshold Ngưỡng hỗ trợ Supsequence Dãy con Threshold Ngưỡng Khai phá luật dãy Nguyễn Đình Văn
-6- MỞ ĐẦU Khai phá luật dãy là một trong những lĩnh vực rất quan trọng trong nghiên cứu khai phá dữ liệu của thập kỷ gần đây và ngày càng được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau. Vì trong thực tế, dữ liệu dãy tồn tại rất phổ biến, như dãy dữ liệu mua sắm của khách hàng, dữ liệu điều trị y tế, các dữ liệu liên quan đến các thảm họa tự nhiên, dữ liệu xử lý khoa học và kỹ thuật, dữ liệu chứng khoán và phân tích thị trường, dữ liệu các cuộc gọi điện thoại, nhật ký truy cập web, dãy ADN biểu thị gen ... Mục đích chính của khai phá luật dãy là tìm kiếm và phát hiện tất cả các dãy con lặp đi lặp lại trong một CSDL theo yếu tố thời gian. Hiện nay, trên thế giới đã có rất nhiều nhóm tác giả nghiên cứu đề xuất các thuật toán với các phương pháp tiếp cận khai phá luật dãy khác nhau [1,2,5-12,14-16] nhằm giải quyết sự đa dạng của các loại bài toán cũng như đưa ra các hướng cải tiến nhằ m giảm thiểu chi phí thời gian và tài nguyên hệ thống. Luận văn này nghiên cứu một số thuật toán khai phá luật dãy, trong đó tập trung chủ yếu vào các thuật toán AprioriAll, AprioriSome [1], vì đây là những thuật toán rất nổi tiếng trong lĩnh vực khai phá luật dãy và phù hợp với việc ứng dụng thử nghiệ m vào Hệ thống Quản lý khách hàng và tính hóa đơn nước. Luận văn tiếp tục khóa luận tốt nghiệp đại học trước đây của tôi (Nguyễn Đình Văn (2003), Phân tích thiết kế hệ thống và ứng dụng vào bài toán quản lý khách hàng và tính hóa đơn nước) trong việc bổ sung những tính năng nâng cao cho hệ thống. Luận văn hy vọng phát hiện được một số luật dãy, chẳng hạn như dãy thời gian tiêu thụ nước nhiều nhất trong năm, dãy dịch chuyển mức tiêu thụ nước theo mục đích sử dụng (sinh hoạt, sản xuất, kinh doanh, công cộng, …), phát hiện những trường hợp bất thường trong sử dụng nước (tỉ lệ đăng ký sử dụng và thực tế sử dụng nước), mức độ thất thoát nước và nguyên nhân thất thoát nước … để lãnh đạo xí nghiệp có thể đưa ra các biện pháp quản lý, các chiến lược sản xuất, kinh doanh phù hợp. Luận văn được trình bày gồm có phần mở đầu, ba chương và phần kết luận. Trong chương một, luận văn tập trung chủ yếu vào giới thiệu tổng quan về luật dãy và khái phá luật dãy. Vì luật dãy có những mối liên hệ gần gũi với luật kết hợp và một số thuật toán khai phá luật dãy trong luận văn là mở rộng của thuật toán điển hình Apirori khai phá luật kết hợp, nên phần này sẽ trình bày khái quát về luật kết hợp, một số đối sánh giữa luật dãy và luật kết hợp. Giới thiệu sơ bộ các phương pháp tiếp cận khai phá luật dãy và các thuật toán điển hình tương ứng. Nội dung của chương này được tổng hợp từ các tài liệu [1,3-4,13]. Trong chương hai, luận văn tập trung giới thiệu các thuật toán khai phá luật dãy như AprioriAll [1], AprioriSome [1], GSP [2] là những thuật toán khởi thủy khai phá luật dãy. Giới thiệu hai phương pháp khai phá luật dãy được công bố thời gian gần đây Khai phá luật dãy Nguyễn Đình Văn
-7- là “Khai phá luật dãy sử dụng kỹ thuật phân vùng” [10] và “Khai phá luật dãy bằng mã hóa khối cơ bản” [16]. Trong chương ba, luận văn giới thiệu tổng quan về Hệ thống Quản lý khách hàng và tính hóa đơn nước, đồng thời đề xuất ứng dụng khai phá luật dãy với thuật toán AprioriAll. Trong đó, đưa ra yêu cầu đầu bài và mô hình cụ thể giải quyết bài toán. Luận văn sử dụng dữ liệu mô phỏng của Xí nghiệp kinh doanh nước sạch Hoàn Kiếm làm dữ liệu thử nghiệm để thực thi chương trình, đánh giá kết quả thực nghiệm. Luận văn được hỗ trợ một phần từ Đề tài QG.10-38. Luận văn được thực hiện dưới sự hướng dẫn của PGS. TS. Hà Quang Thụy – trường Đại học Công Nghệ. Em xin bày tỏ lòng biết ơn sâu sắc tới Thầy đã hướng dẫn và có ý kiến chỉ dẫn quý báu trong quá trình em thực hiện luận văn. Xin chân thành cảm ơn Thạc sĩ Đặng Tiểu Hùng – Công ty CSE đã đóng góp nhiều ý kiến bổ ích để bản luận văn được hoàn thiện hơn. Cuối cùng xin bày tỏ lòng biết ơn tới những người thân trong gia đình, bạn bè đã động viên và giúp đỡ để tác giả hoàn thành bản luận văn này. Khai phá luật dãy Nguyễn Đình Văn
-8- CHƯƠNG 1 – KHÁI QUÁT CHUNG VỀ LUẬT DÃY VÀ KHAI PHÁ LUẬT DÃY Khai phá luật dãy là một chủ đề thiết thực và quan trọng trong khai phá dữ liệu với nhiều ứng dụng như là trong phân tích giao dịch mua hàng của khách hàng, khai thác weblogs, khai thác các dãy ADN, nghiên cứu dữ liệu trong các bài toán khí tượng - thủy văn như dự báo thời tiết, các thảm họa tự nhiên như động đất, sóng thần... Các thuật toán khai phá luật dãy kế thừa nhiều từ các thuật toán khai phá luật kết hợp, và nhiều thuật toán trong số đó là mở rộng của các thuật toán khởi thủy, ở đó sự khác biệt chính là trong khai phá luật dãy đưa ra các phân tích liên giao dịch (inter- transaction), trong khi đó khai phá luật kết hợp là tìm luật về mối liên quan giữa các phần tử trong cùng một giao dịch (intra- transaction). Trước tiên, ta cần tìm hiểu một số vấn đề của luật kết hợp. 1.1 Giới thiệu chung về luật kết hợp 1.1.1 Khái niệm luật kết hợp Mục đích của luật kết hợp (Association Rule) là tìm ra các mối liên hệ giữa các đối tượng trong khối lượng lớn dữ liệu [4]. Nội dung của luật kết hợp được phát biểu như sau: Cho tập các phần tử I = {i1, i2, …, im}. Cho CSDL D là tập các giao dịch, trong đó mỗi giao dịch T là một tập các phần tử, tức là T  I. Mỗi giao dịch được gắn với một định danh gọi là TID. Cho A là tập các phần tử. Giao dịch T được gọi là chứa A nếu và chỉ nếu A  T. Một luật kết hợp có dạng A  B, trong đó A  I, B  I và A  B = Ø. Độ hỗ trợ (support) và độ tin cây (confidence) là 2 tham số dùng để đo lường luật kết hợp. Luật A  B trong tập giao dịch D với độ hỗ trợ (support) s, kí hiệu là support(A  B), trong đó s là tỉ lệ phần trăm của các giao dịch trong D mà có chứa A  B. Hay là xác suất P(A  B ). Công thức để tính độ hỗ trợ của luật A  B như sau: n( A  B ) support(A  B) = P(A  B ) = N Trong đó: N là tổng số giao dịch; n(A  B ) là số giao dịch có chứa (A  B ) Khai phá luật dãy Nguyễn Đình Văn
-9- Luật A  B có độ tin cậy (confidence) c trong tập giao dịch D, kí hiệu là confidence(A  B), trong đó c là tỉ lệ phần trăm của các giao dịch trong D có chứa A và cũng chứa B. Hay là xác suất P(B | A). Công thức để tính độ tin cậy của luật A  B là xác suất có điều kiện B khi đã biết A, như sau: n( A  B ) confidence(A  B) = P(B | A ) = n( A) Trong đó: n(A) là số giao dịch chứa A; n(A  B ) là số giao dịch có chứa (A  B ) Các luật đáp ứng được (lớn hơn hoặc bằng) cả ngưỡng hỗ trợ tối thiểu (min_sup) và ngưỡng tin cậy tối thiểu (min_conf) được gọi là các luật mạnh (strong rules). Thông thường, ta viết độ hỗ trợ và độ tin cậy là các giá trị giữa khoảng 0% và 100% thay vì từ 0 đến 1.0. min_sup và min_conf gọi là các giá trị ngưỡng (threshold) và phải xác định trước khi sinh các luật kết hợp. 1.1.2 Các ứng dụng điển hình của luật kết hợp Một số ứng dụng điển hình như: phân tích giỏ hàng (market basket analysis), đưa ra chiến lược tiếp thị, thiết kế bài trí gian hàng, chiến lược bán hàng khuyến mại, các bài toán phân lớp, phân cụm, ... Market basket analysis: Chẳng hạn, một người quản lý một chi nhánh bán hàng, họ muốn biết thêm về thói quen mua sắm của khách hàng. Cụ thể như họ muốn biết rằng “Trong mỗi lần mua sắm, khách hàng thường mua các nhóm mặt hàng nào cùng nhau?”. Để trả lời câu hỏi này, việc phân tích giỏ khách hàng sẽ được thực hiện trên dữ liệu mua bán lẻ của khách hàng đã được lưu trữ. Sau đó có thể sử dụng kết quả đó để lên kế hoạch tiếp thị, chiến lược quảng cáo hoặc dự định bổ sung các danh mục hàng hóa mới. Việc phân tích giỏ hàng có thể giúp bạn thiết kế gian hàng với các cách bài trí hàng hóa khác nhau. Các mặt hàng thường xuyên được mua với nhau có thể được đặt ở gần nhau để thúc đẩy việc bán hàng. Nếu khách hàng mua máy tính cũng có xu hướng mua phần mềm diệt virus cùng lúc, cũng thế, đặt màn hình gần với các phần mềm hiển thị có thể giúp tăng doanh số bán hàng của cả hai. Trong một chiến lược khác, bố trí phần cứng và phần mềm ở hai đầu của cửa hàng có thể lôi kéo khách hàng mua những mặt hàng khác trên đường di chuyển giữa hai vị trí. Ví dụ, sau khi quyết định mua một máy tính đắt tiền, trong khi đến mua phần mềm diệt virus, khách hàng quan sát thấy hệ thống an ninh gia đình được trưng bày và có thể quyết định mua. Việc phân tích giỏ hàng cũng có thể giúp các nhà bán lẻ đưa ra các kế hoạch bán hàng giảm giá. Thông thường, khách hàng có xu hướng mua máy tính và máy in với nhau, khi đó có thể bán giảm giá máy in nếu khách hàng mua máy tính. Khai phá luật dãy Nguyễn Đình Văn
- 10 - Trong gian hàng, mỗi mặt hàng gắn với một biến Boolean biểu thị sự có mặt hay vắng mặt của mặt hàng đó. Tiếp đến, mỗi giỏ hàng có thể được thể hiện bởi một vector Boolean các giá trị được gán cho các biến đó. Các vector Boolean biểu thị các mẫu mua hàng mà ở đó các mặt hàng được kết hợp một cách thường xuyên hoặc được mua với nhau. Các mẫu này có thể được biểu thị ở dạng các luật kết hợp. Ví dụ, khách hàng mua máy tính cũng có xu hướng mua phần mềm diệt virus cùng lúc, có thể được biểu diễn với luật kết hợp như sau: computer  antivirus_software [support = 2%, confidence = 60%] support = 2% nghĩa là có 2% trong tất cả các giao dịch được phân tích cho thấy máy tính và phần mềm diệt virus được mua cùng lúc. confidence = 60% nghĩa là có 60% số lượng khách hàng đã mua máy tính thì cũng mua phần mềm. Thông thường, các luật kết hợp được quan tâm nếu chúng đáp ứng được cả ngưỡng hỗ trợ tối thiểu và ngưỡng tin cậy tối thiểu. Các ngưỡng này có thể được thiết lập bởi người dùng. Một số thuật toán thường được sử dụng cho khai phá luật kết hợp như: Apriori, Eclat, Frequent-Pattern tree, … .Dưới đây sẽ trình bày chi tiết thuật toán Apriori vì thuật toán này được mở rộng để sử dụng cho khai phá luật dãy. 1.1.3 Thuật toán Apriori Tư tưởng của thuật toán Apriori là: - Tìm tất cả các tập thường xuyên (frequent itemsets): k-itemset (itemsets gồm k items) được dùng để tìm (k+1)-itemset. - Đầu tiên tìm 1-itemset (ký hiệu L1); L1 được dùng để tìm L2 (2-itemsets); L2 được dùng để tìm L3 (3-itemset) và tiếp tục cho đến khi không có k-itemset được tìm thấy. - Từ các tập thường xuyên (frequent itemsets) sinh ra các luật kết hợp mạnh (các luật kết hợp thỏa mãn 2 tham số min_sup và min_conf)  Thuật toán Apriori [4] Join Step: Ck is generated by joining Lk-1with itself. Prune Step: Any (k-1)-itemset that is not frequent cannot be a subset of a frequent k-itemset. Pseudo-code: Ck: Candidate itemset of size k Lk: frequent itemset of size k L1 = {frequent items}; for (k = 1; Lk !=Ø; k++) do Ck+1 = candidates generated from Lk for each transaction t in database do increment the count of all candidates in Ck+1 that are contained in t Lk+1 = candidates in Ck+1 with min_support end Khai phá luật dãy Nguyễn Đình Văn
- 11 - return kLk Cụ thể, thực hiện theo các bước sau: Bước 1: Duyệt toàn bộ CSDL để có được độ hỗ trợ s của 1-itemset, so sánh s với min_sup, để có được 1-itemset (L1) Bước 2: Thực hiện phép nối (join) Lk-1 với Lk-1 để sinh ra tập ứng viên k-itemset. Loại bỏ các tập không phải là tập thường xuyên ta thu được k-itemset Bước 3: Duyệt CSDL để có được độ hỗ trợ s của mỗi tập ứng viên k-itemset, so sánh s với min_sup để loại bỏ các tập không phải là tập thường xuyên (có s < min_sup), thu được tập thường xuyên k–itemset (Lk) Bước 4: Lặp lại từ bước 2 cho đến khi tập ứng viên là rỗng (không tìm thấy tập thường xuyên). Bước 5: Với mỗi tập thường xuyên I, sinh tất cả các tập con s không rỗng của I Bước 6: Với mỗi tập con s không rỗng của I, sinh ra các luật s => (I-s) nếu độ tin cậy (confidence) của nó > = min_conf Chẳn hạn với I= {A1,A2,A5},các tập con của I: {A1}, {A2}, {A5}, {A1,A2},{A1,A5},{A2,A5} sẽ có các luật sau {A1} => {A2,A5},{A2} =>{A1,A5},{A5} =>{A1,A2} {A1,A2} =>{A5},{A1,A5} =>{A2},{A2,A5} => {A1}  Ví dụ: Giả sử ta có có sở dữ liệu giao dịch như sau : Thuật toán Apriori khai phá luật kết hợp được mô tả qua các bước sau Khai phá luật dãy Nguyễn Đình Văn
- 12 - Ta có tập thường xuyên I ={B,C,E}, với min_conf = 80% ta có 2 luật kết hợp là {B,C} => {E} và {C,E} => {B} 1.2 Luật dãy 1.2.1 Khái niệm luật dãy và ví dụ Ta giới thiệu vấn đề dựa trên quá trình mua bán hàng và một CSDL lưu trữ thông tin giao dịch mua bán hàng bao gồm các thông tin về mã khách hàng (customer-id), thời gian giao dịch (transaction-time) và các mặt hàng trong giao dịch.  Các khái niệm Một itemset là một tập không rỗng các phần tử (item). Một dãy (sequence) là một danh sách có thứ tự các itemset. Không mất tính tổng quát, chúng ta giả sử rằng một tập các phần tử được ánh xạ tới một tập các số nguyên liền kề. Ta biểu thị itemset i bởi (i1i2...im), trong đó ij là một phần tử. Ta biểu thị dãy s bởi (s1s2...sn), trong đó sj là một itemset. Khai phá luật dãy Nguyễn Đình Văn
- 13 - Dãy (a1a2...an) được chứa trong dãy (b1b2...bn) nếu ở đó tồn tại các số nguyên i1 < i2 < ... < in sao cho a1  bi1 , a2  bi2 , ..., an  bin. Ta sử dụng ký hiệu  để biểu thị quan hệ “được chứa trong”. Ví dụ, dãy  , vì ((3)  (3 8), (4 5)  (4 5 6) và (8)  (8). Tuy nhiên, dãy không được chứa trong và ngược lại. Phần tử 3 và 5 trong dãy mô tả chúng không nằ m trong cùng một lần giao dịch, trong khi phần tử 3 và 5 trong dãy mô tả chúng nằm trong một lần giao dịch. Trong một tập các dãy, một dãy s là lớn nhất hay tối đa (maximal) nếu s không được chứa trong bất kỳ dãy nào khác. Tất cả các giao dịch của cùng một khách hàng có thể được xem như là một dãy. Trong đó, mỗi giao dịch được xem như một tập các phần tử, và danh sách các giao dịch theo thứ tự tăng dần về thời gian giao dịch tương ứng với một dãy. Chúng ta gọi đó là một dãy khách hàng (customer-sequence). Ta biểu thị các giao dịch của một khách hàng được sắp xếp thứ tự tăng dần theo thời gian là (T1, T2, ..., Tn). Tập các phần tử (item) trong Ti được biểu thị bởi itemset(Ti). Dãy customer-sequence của một khách hàng là một dãy . Một khách hàng hỗ trợ một dãy s nếu s được chứa trong dãy customer-sequence đối với khách hàng đó. Độ hỗ trợ của một dãy được định nghĩa là số khách hàng hỗ trợ dãy đó. Các dãy tối đa trong số tất cả các dãy phổ biến đáp ứng mức hỗ trợ tối thiểu cụ thể nào đó được gọi là luật dãy hay mẫu dãy (sequential patterns). [1] Ta gọi dãy đáp ứng độ hỗ trợ tối thiểu là dãy phổ biến (large sequence)  Ví dụ Cho CSDL mua bán hàng thể hiện trong hình 1.1. Transaction Time Customer Id Items Bought June 10 '93 2 10, 20 June 12 '93 5 90 June 15 '93 2 30 June 20 '93 2 40, 60, 70 June 25 '93 4 30 June 25 '93 3 30, 50, 70 June 25 '93 1 30 June 30 '93 1 90 June 30 '93 4 40, 70 July 25 '93 4 90 Hình 1.1: CSDL gốc CSDL trong hình 1.2 đã được sắp xếp theo mã khách hàng (customer-id) và thời gian giao dịch. Customer Id Transaction Time Items Bought 1 June 25 '93 30 Khai phá luật dãy Nguyễn Đình Văn
- 14 - 1 June 30 '93 90 2 June 10 '93 10, 20 2 June 15 '93 30 2 June 20 '93 40, 60, 70 3 June 25 '93 30, 50, 70 4 June 25 '93 30 4 June 30 '93 40, 70 4 July 25 '93 90 5 June 12 '93 90 Hình 1.2: CSDL được sắp xếp theo Khách hàng ID và thời gian giao dịch CSDL hình 1.3 thể hiện như là một tập các dãy khách hàng (customer-sequence). Customer Id Customer Sequence 1 2 3 4 5 Hình 1.3: CSDL theo dãy khách hàng (customer-sequence) Với mức hỗ trợ tối thiểu là 25%, tức là xuất hiện tối thiểu 2 trong tổng số 5 khách hàng, hai dãy và là lớn nhất trong số các dãy đáp ứng điều kiện giàng buộc hỗ trợ, và là các mẫu dãy mong muốn. Mẫu dãy xuất hiện trong các giao dịch của khách hàng 1 và 4. Mẫu dãy xuất hiện trong giao dịch của khách hàng 2 và 4.(Vì (40 70) là tập con của (40 60 70) nên cũng được tính cho khách hàng 2). Ví dụ về một dãy mà không có hỗ trợ tối thiểu là dãy , dãy này chỉ xuất hiện trong giao dịch của khách hàng 2. Các dãy , , , , , , mặc dù thỏa mãn hỗ trợ tối thiểu, nhưng chúng không phải dãy tối đa nên không phải là kết quả cần tìm. Sequential Patterns with support > 25% Hình 1.4: Tập kết quả 1.2.2 Một số ứng dụng  Khai phá dãy cho các mẫu hành vi người dùng trong lĩnh vực thương mại điện thoại di động [7] Sự phát triển của máy tính và các công nghệ truyền thông gần đây giúp cho các hệ thống liên lạc cá nhân (Personal Communication Systems - PCSs) ngày càng trở nên phổ biến, đặt ra vấn đề về quản lý thông tin di động. Khai phá luật dãy Nguyễn Đình Văn
- 15 - Mô hình hóa một cách hiệu quả các mẫu hành vi của người sử dụng trong các hệ thống điện thoại di động đem lại lợi ích không chỉ cho người sử dụng trong những truy cập thông minh, mà còn đem lại lợi nhuận tài chính cho các nhà cung cấp dịch vụ di động như quảng cáo. Trong môi trường web, người sử dụng di động có thể yêu cầu các loại hình dịch vụ khác nhau và ứng dụng của điện thoại di động, PDA hay máy tính xách tay từ bất cứ đâu tại bất kỳ thời gian nào thông qua GSM, GPRS hoặc mạng không dây. Rõ ràng là những hành vi của người sử dụng điện thoại di động (trong đó vị trí và dịch vụ vốn đã cùng tồn tại) trở nên phức tạp hơn so với các hệ thống web truyền thống. Để giúp người sử dụng thu nhận được thông tin mong muốn trong một thời gian ngắn là một trong những ứng dụng nhiều hứa hẹn, đặc biệt khi mà người dùng không có nhiều thời gian để lướt nhiều trang web. Hệ thống quản lý thông tin di động lưu trữ và cập nhật các thông tin vị trí của người sử dụng điện thoại di động, những người được phục vụ bởi hệ thống. Một chủ đề nóng trong lĩnh vực nghiên cứu quản lý thông tin di động là dự đoán di động. Dự đoán di động có thể được định nghĩa là dự đoán vị trí di chuyển tiếp theo của người sử dụng di động giữa các vùng trong hệ thống liên lạc cá nhân PCS hoặc mạng GSM. Dự đoán đó có thể được sử dụng để tăng hiệu quả của PCSs. Sử dụng dự đoán di chuyển, hệ thống có thể phân bổ nguồn tài nguyên một cách hiệu quả khả năng di chuyển đến các vùng thay vì phân bổ nguồn tài nguyên một cách không có định hướng trong các vùng lân cận của người sử dụng điện thoại di động. Hiệu quả phân bổ nguồn tài nguyên cho người dùng di động sẽ cải thiện việc sử dụng tài nguyên và giảm độ trễ trong việc tiếp cận các nguồn tài nguyên. Dự báo chính xác thông tin vị trí cũng rất quan trọng trong xử lý các truy vấn phụ thuộc vào vị trí của người dùng di động. Khi người dùng đưa ra một truy vấn liên quan đến vị trí, câu trả lời cho truy vấn sẽ phụ thuộc vào vị trí hiện tại của người dùng. Nhiều phạm vi ứng dụng bao gồm cả lĩnh vực chăm sóc sức khỏe, khoa học sinh học, quản lý khách sạn, và lợi ích quân sự từ hiệu quả xử lý các truy vấn phụ thuộc vào vị trí. Với hiệu quả dự đoán về vị trí, có thể thể trả lời các truy vấn liên quan đến vị trí di chuyển tiếp theo của người sử dụng. So với số lượng công việc thực hiện cho việc cập nhật vị trí, một số ít đã được thực hiện trong lĩnh vực dự báo di chuyển. Những công việc này có một số hạn chế, được giải thích như sau:  Một số trong đó là sự không nỗ lực tìm kiếm các mẫu thông tin di động. Thay vào đó, các mẫu này được giả định là có sẵn. Những mẫu này sau đó được sử dụng để dự báo di chuyển.  Việc dự đoán được dựa trên khả năng phân bố của tốc độ và hướng của người sử dụng điện thoại di động. Để thu thập những thông tin như vậy, cần thiết phải có những công cụ rất tinh vi và tốn kém như hệ thống định vị toàn cầu (Global Positioning System - GPS). Khai phá luật dãy Nguyễn Đình Văn
- 16 - Nhằm khắc phục những hạn chế trên, người ta đã phát triển một thuật toán dự đoán di động hiệu quả. Những qui luật này được gọi là các mẫu di động. Sau đó, các luật di động này được trích xuất ra từ các mẫu di động. Các quy tắc di động được gắn với quỹ đạo hiện tại của một người sử dụng điện thoại di động, và được sử dụng cho các dự đoán hướng di chuyển tiếp theo của người dùng. Thuật toán dự đoán này là khai phá các mẫu di động của người dùng và sinh ra các luật di động, được thực hiện offline bởi hệ thống. Tuy nhiên, dự báo di chuyển được thực hiện online. Điều đó có nghĩa là bất cứ khi nào người dùng có ý định thực hiện một di chuyển trong một khu vực nhất định, một yêu cầu dự đoán sẽ được gửi đến hệ thống và dự đoán được thực hiện bởi hệ thống bằng cách sử dụng các luật di động dựa trên thuật toán dự đoán. Hình 1.5: Kiến trúc tổng thể của hệ thống quản lý thông tin di động 1.2.3 Luật dãy và luật kết hợp: một số đối sánh Vấn đề của luật kết hợp là tìm kiếm các mẫu thường xuyên, các liên kết, các mối tương quan, hoặc các cấu trúc có quan hệ nhân quả giữa tập các phần tử hoặc các đối tượng trong các CSDL giao dịch, CSDL quan hệ, các kho thông tin khác. Lĩnh vực khai phá luật kết hợp được phát triển với nhiều mục đích như thực hiện phân tích thói quen mua bán hàng, trong đó cần tìm những mặt hàng được mua với nhau nhiều nhất. Như trong khai phá web, khai phá luật kết hợp tìm các trang web liên quan được truy cập theo đợt, điều đó sẽ cung cấp những ước tính nhất định về xác suất truy cập web. Ví dụ như “Nếu một người truy cập trang CNN thì có đến 60% khả năng họ sẽ truy cập trang ABC News trong tháng đó”. Trong khi đó, vấn đề của luật dãy là tìm kiếm các mẫu có liên quan đến yếu tố thời gian trên một CSDL dãy (các phần tử được sắp thứ tự), ví dụ như CSDL nhật ký duyệt web. Khai phá luật dãy được xem là mở rộng của khai phá luật kết hợp, vì luật kết hợp chỉ khảo sát các mẫu không có liên quan đến yếu tố thời gian. Khai phá luật dãy có vai trò rất quan trọng trong nhiều ứng dụng thực tế, ví dụ như việc phát hiện tri Khai phá luật dãy Nguyễn Đình Văn
- 17 - thức trong dữ liệu nhật ký web, do nhật ký web được sắp xếp theo thời gian. Khi đó, khai phá luật dãy có thể cho kết quả như “Nếu người dùng truy cập trang X, sau đó truy cập trang Y, thì c% khả năng sẽ truy cập trang Z”. 1.2.4 Sơ bộ về các phương pháp khai phá luật dãy  Phương pháp dựa trên Apriori (Apriori-based method) Thuật toán GSP dựa trên nguyên tắc duyệt dữ liệu theo chiều rộng (breadth-first), mở rộng của mô hình A-priori. Thuật toán GSP sử dụng phương pháp “Tạo – Tỉa” (“Generating-Pruning”) được định nghĩa trong (Agrawal và cộng sự, 1993.) và thực hiện theo cách sau đây. Dãy ứng viên có độ dài (k +1) được tạo ra sử dụng phép nối hai dãy phổ biến, s1 và s2, có độ dài k, nếu dãy con thu được bằng cách lược bỏ phần tử đầu tiên của s1 trùng với dãy con thu được bằng cách lược bỏ phần tử cuối cùng của s2. Với ví dụ trong Hình 1.6, và k = 2, ta có s1 là và s2 là , khi đó dãy ứng viên sẽ là bởi dãy con được nói đến ở trên là (chung của s1 và s2). Một phương pháp khác sử dụng nguyên lý "Generating-Pruning" là PSP (Masseglia et al., 1998). Sự khác biệt chính với GSP là các ứng viên cũng như các dãy phổ biến được quản lý trong một cấu trúc hiệu quả hơn. Các phương pháp trình bày cho đến nay được thiết kế để phụ thuộc ít nhất có thể vào bộ nhớ chính. Vì chúng cần phải tải toàn bộ CSDL (hoặc một ánh xạ của CSDL) trong bộ nhớ chính. Phương pháp này đạt hiệu quả cao khi CSDL có thể phù hợp với bộ nhớ. Cust June 04, 2004 June 05, 2004 June 06, 2004 June 07, 2004 C1 Camcorder, MiniDV Digital Camera MemCard USB Key C2 Camcorder, MiniDV DVD Rec, DVD-R Video Soft C3 DVD Rec, DVD-R MemCard Video Soft USB Key C4 Camcorder, MiniDV Laptop DVD Rec, DVD-R Hình 1.6: Các dãy dữ liệu của 4 khách hàng mua trong 4 ngày  Phương pháp dựa trên định dạng dọc (Vertical format-based method) Trong (Zaki, 2001), tác giả đề xuất thuật toán SPADE (Sequential PAttern Discovery using Equivalent Class – Khai phá mẫu dãy sử dụng lớp tương đương). Ý tưởng chính của phương pháp này là một phân cụm các dãy phổ biến dựa trên các tiền tố phổ biến của chúng và tính các dãy ứng viên nhờ một ánh xạ của CSDL (nạp trong bộ nhớ chính). SPADE chỉ cần quét CSDL ba lần để trích xuất các mẫu dãy. Lần quét đầu tiên nhằm tìm kiếm các phần tử thường xuyên, lần thứ hai để tìm kiếm các dãy phổ biến có độ dài 2 (length 2) và lần cuối cùng để kết hợp các dãy phổ biến có độ dài 2, một bảng chứa định danh tương ứng của các dãy và tập các phần tử trong CSDL (ví dụ như dữ liệu dãy có chứa các dãy phổ biến và mốc thời gian tương ứng). Dựa trên những biểu diễn này trong bộ nhớ chính, độ hỗ trợ của các dãy ứng viên có độ dài k là kết quả của phép nối (join) trên các bảng liên quan đến các dãy phổ biến có độ dài (k - 1) có thể sinh ra ứng viên này (như vậy, mọi thao tác sau khi khai phá các dãy phổ Khai phá luật dãy Nguyễn Đình Văn
- 18 - biến có chiều dài 2 được thực hiện trong bộ nhớ). SPAM (Ayres et al., 2002) là một phương pháp khác mà cần phải ánh xạ CSDL trong bộ nhớ chính. Các tác giả đã đề xuất ánh xạ CSDL theo không gian điểm ảnh định dạng dọc (vertical bitmap) cho việc thể hiện các ứng viên và tính độ hỗ trợ.  Các phương pháp dựa trên việc phát triển mẫu (Pattern growth based methods) Một cách tiếp cận khởi đầu cho khai thác mẫu dãy thực hiện phép chiếu đệ quy các dữ liệu dãy thành các CSDL nhỏ hơn. Đề xuất trong (Han et al., 2000), FreeSpan là thuật toán đầu tiên xem xét phương pháp quy chiếu mẫu (pattern-projection) trong khai phá mẫu dãy. Công trình được tiếp tục với PrefixSpan, (Pei et al., 2001), dựa trên nghiên cứu về số lượng các ứng viên được đề xuất bởi phương pháp Generating- Pruning. Bắt đầu từ các phần tử thường xuyên của CSDL, PrefixSpan sinh ra CSDL quy chiếu với phần dữ liệu dãy còn lại. Các CSDL quy chiếu như vậy chứa các hậu tố của dữ liệu dãy từ CSDL gốc, được nhóm theo các tiền tố. Quá trình này được lặp đi lặp lại một cách đệ quy cho đến khi không có phần tử thường xuyên nào được tìm thấy trong các CSDL quy chiếu. Ở mức này, mẫu dãy phổ biến là đường đi của các phần tử thường xuyên đến CSDL quy chiếu đó.  Các mẫu dãy đóng (Closed Sequential Patterns) Mẫu dãy đóng là mẫu dãy mà không được chứa trong mẫu dãy khác có cùng mức hỗ trợ. Xét CSDL minh họa trong hình 1.6, mẫu dãy phổ biến không phải là mẫu dãy đóng vì nó được chứa trong mẫu dãy s2 và có cùng độ hỗ trợ (50%). Mặt khác, mẫu dãy là mẫu dãy đóng vì nó được chứa trong mẫu dãy s1 nhưng có độ hỗ trợ là 75%, khác với độ hỗ trợ của s1 là 50%. Thuật toán đầu tiên cho việc trích xuất các mẫu dãy đóng là CloSpan (Yan et al., 2003) với việc phát hiện các mẫu tuần tự không đóng, tránh được một số lượng lớn các lần gọi đệ quy. Thuật toán CloSpan dựa trên việc phát hiện các mẫu tuần tự có độ dài 2, ví dụ như “A luôn xảy ra trước hoặc sau B”. Xét CSDL trong hình 1.6, chúng ta biết rằng là một mẫu thường xuyên. Các tác giả của thuật toán CloSpan đề xuất các phương pháp liên quan để chứng minh rằng luôn luôn xảy ra trước . Dựa vào quan sát này, CloSpan có thể chỉ ra rằng là mẫu thường xuyên mà không cần bất kỳ lần quét CSDL nào nữa. Thuật toán BIDE (Wang và Han, 2004) là mở rộng của thuật toán CloSpan như sau. Đầu tiên, thông qua một phần mở rộng dãy mới, được gọi là BI-Directional Extension, thuật toán sử dụng cả hai phương pháp là mẫu tiền tố và kiểm tra thuộc tính đóng để phát triển. Thứ hai, để lược bớt không gian tìm kiếm sâu hơn so với phương pháp tiếp cận trước, thuật toán đề nghị một phương pháp lược bớt gọi là BackScan. Ý tưởng chính của phương pháp này là để tránh mở rộng dãy bằng cách phát hiện trước phần mở rộng đã được chứa trong một dãy rồi. Khai phá luật dãy Nguyễn Đình Văn
- 19 -  Khai phá mẫu dãy tăng dần (Incremental Mining of Sequential Patterns) Khi CSDL phát triển, vấn đề duy trì các mẫu dãy trong một thời gian dài trở nên rất cần thiết vì một số lượng lớn các bản ghi mới có thể được thêm vào CSDL. Để phản ánh hiện trạng của CSDL, ở đó các mẫu dãy trước đó sẽ trở nên không thích hợp và các mẫu dãy mới có thể xuất hiện, các cách tiếp cận hiệu quả mới đã được đề xuất. (Masseglia et al, 2003.) đề xuất một giải thuật hiệu quả, được gọi là ISE, để tính toán các dãy phổ biến trong CSDL cập nhật. Giải thuật ISE giảm thiểu chi phí tính toán bằng cách tái sử dụng các thông tin tối thiểu từ các dãy phổ biến cũ, tức là độ hỗ trợ của các dãy phổ biến. Các tính năng chính mới của ISE là tập các dãy ứng viên cần kiểm tra được giảm đáng kể. Các thuật toán SPADE đã được mở rộng trong thuật toán ISM (Parthasarathy et al, 1999.). Để cập nhật mức hỗ trợ và liệt kê các dãy phổ biến, ISM duy trì “các dãy phổ biến tối đa” (“maximally frequent sequences”) và “các dãy không thường xuyên tối thiểu” (“minimally infrequent sequences”). KISP (Lin và Lee, 2003) cũng đề xuất để tận dụng những kiến thức đã được tính toán trước và tạo ra một nền tảng kiến thức cho các truy vấn bổ sung về mẫu dãy và các giá trị hỗ trợ khác nhau.  Mở rộng vấn đề dựa trên việc trích xuất các mẫu dãy (Extended Problems Based on the Sequential Pattern Extraction) Được thúc đẩy bởi các ứng dụng tiềm năng cho khai phá mẫu dãy, nhiều mở rộng của định nghĩa ban đầu đã được đề xuất có thể liên quan đến việc bổ sung các ràng buộc hoặc định dạng của các mẫu. Trong (Pei et al., 2002) tác giả đã liệt kê một số những ràng buộc hữu ích nhất cho việc trích xuất các mẫu dãy. Những ràng buộc này có thể được xem như là những bộ lọc được áp dụng cho việc trích xuất các mẫu, nhưng hầu hết các phương pháp thông thường dùng chúng cho việc liệt kê trong suốt quá trình xử lý. Các bộ lọc này có thể liên quan tới các phần tử (“trích xuất các mẫu chỉ chứa các phần tử Camcorder”) hoặc theo độ dài của mẫu. Định nghĩa mẫu dãy cũng đã được điều chỉnh bởi một số nghiên cứu. Ví dụ (Kum et al., 2003) đã đề xuất ApproxMap để khai phá các mẫu dãy gần đúng. ApproxMap đầu tiên đề xuất phân cụm dữ liệu dãy dựa trên các phần tử của chúng. Sau đó, mỗi cụm ApproxMap cho phép trích xuất các mẫu dãy gần đúng liên quan tới các cụm này. Ta xét các CSDL trong hình 1.6 như một cluster. Bước đầu tiên của quá trình trích xuất là cung cấp các dữ liệu dãy của cluster với một sự liên kết tương tự như của tin sinh học. Camcorder, DigiCam MemCard USB Key MiniDV Camcorder, DVD Rec, Video Soft MiniDV DVD-R DVD Rec, MemCard Video Soft USB Key DVD-R Camcorder, Laptop DVD Rec, MiniDV DVD-R Khai phá luật dãy Nguyễn Đình Văn
- 20 - Camcorder: 3 DigiCam: 1 DVD Rec: 3 MemCard: 2 Video Soft: 2 USB Key: 2 MiniDV: 3 Laptop: 1 DVD-R: 3 Hình 1.7: Các liên được đề xuất đối với dữ liệu dãy của Hình 1.6 Dãy cuối cùng trong Hình 1.7 thể hiện dãy trọng số thu được bởi ApproxMap trên dãy Hình 1.6. Với độ hỗ trợ 50%, dãy trọng số cho các mẫu gần đúng được đưa ra như sau: . Khai phá luật dãy Nguyễn Đình Văn