Với những khó khăn còn tồn tại trong việc thu thập và tách thông tin, người sử dụng, doanh nghiệp hay tổ chức luôn luôn phải mất rất nhiều tiền bạc, thời gian, công sức cho việc có được đúng những thông tin mình cần từ một kho thông tin khổng lồ là Internet. Sau quá trình nghiên cứu, khảo sát và xây dựng hệ thống, còn là những nghiên cứu tâm huyết nhằm xây dựng một hệ thống thu thập và tách thông tin một cách hiệu quả. Những gì tôi làm được vẫn chỉ là bước đầu và còn có nhiều giới hạn. Tuy nhiên, tôi hy vọng rằng những nghiên cứu và sản phẩm của tôi sẽ được tiếp tục phát triển và thật sự có ích cho những người tiêu dùng tại Việt Nam.
45 trang |
Chia sẻ: Kuang2 | Lượt xem: 1317 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Tìm hiểu về Internet, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
các trang Web là trang chủ của cá nhân này và không phải là trang chủ của cá nhân khác thì chúng ta sẽ có khả năng tiên đoán được một trang Web mới liệu có phải là trang chủ của một ai đó hay không. Tuy vậy, với tính phi-ngữ nghĩa của HTML, chúng ta khó có thể phân loại được các trang Web này.
II.2.4.Phân tích
Phân tích các thông tin sau khi đã thu thập được không phải là một công việc dễ dàng ngay cả đối với người sử dụng chứ chưa nói đến đối với máy tính. Tác vụ này có thể được thực hiện hoàn toàn chỉ sau khi 3 tác vụ phía trước nó cũng đã được thực hiện tốt.
II.3.XML
Với những nhược điểm phi-ngữ nghĩa của ngôn ngữ HTML cộng với nhu cầu thực tế của người sử dụng, XML đã ra đời cùng với khả năng tăng thêm tính linh động, ngữ nghĩa của các văn bản HTML. Văn bản XML được cấu tạo với cấu trúc cũng dựa trên các thẻ như HTML, tuy nhiên các thẻ này không cố định như HTML mà hoàn toàn là do người sử dụng đặt tên. Chính nhờ khả năng ấy mà XML đã vượt trội hơn hẳn HTML về mặt cung cấp ngữ nghĩa của thông tin. Đơn giản như, bây giờ, các search engine sẽ có thể phân biệt được bill (hoá đơn điện thoại) với Bill Clinton (tên người). Tuy vậy, XML ra đời không có nghĩa rằng HTML sẽ không được sử dụng nữa. Có một câu ngạn ngữ được các nước hay sử dụng là “Không việc gì phải sửa chữa những cái gì nó chưa hỏng” và XML cũng không phải sinh ra là để thay thế cho ngôn ngữ HTML mà là một sự bổ sung lý tưởng cho ngôn ngữ HTML, giải quyết cho HTML một số vấn đề sau:
XML được thiết kế để phát triển và mở rộng một ngôn ngữ mark-up mới theo một hệ thống chuẩn. Từ trước tới nay, HTML chưa bao giờ được cung cấp một khả năng mở rộng tuân theo một chuẩn nhất định. Để thay đổi HTML, chúng ta có lẽ phải đối mặt với cả thế giới trong khi việc thay đổi XML cho phù hợp với mục đích người sử dụng lại không có gì khó khăn mà bằng chứng là hiện tại có rất nhiều ngôn ngữ dựa trên XML như ebXML (e-biz XML) hay WML (ngôn ngữ sử dụng cho các máy điện thoại di động).
XML được thiết kế một cách rõ ràng, rành mạch cho phép các công cụ phát triển và trình duyệt có thể dễ dàng (không cần thay đổi) vẫn duyệt được toàn bộ thông tin mà nó mang theo. Sự tối nghĩa trong các thẻ HTML và có quá nhiều các quy tắc ngoại lệ khiến cho đôi khi không chỉ người sử dụng mà các nhà phát triển công cụ cũng phải đau đầu.
HTML là một ngôn ngữ chú trọng hoàn toàn đến hình thức và không nói lên được điều gì về dữ liệu mà nó mang. Do vậy, XML là một ngôn ngữ lý tưởng để giúp HTML làm được điều này.
XML không phải sinh ra để cho những ứng dụng phức tạp mà không phải ai cũng hiểu, XML rất đơn giản và dễ lập trình. Thêm nữa, với XML, chúng ta có thể hiển thị cùng một dữ liệu với nhiều cách khác nhau hay cá nhân hoá dữ liệu, điều mà HTML không làm được.
Với những tính năng như trên, không có gì đáng ngạc nhiên khi XML hiện nay được sử dụng rộng rãi từ việc tạo trang Web tới việc tích hợp dữ liệu và ngay cả là lập trình phân tán. Chúng ta có thể xem xét một vài ví dụ nhỏ về những ứng dụng của XML dưới đây :
Giao dịch thương mại (Biz-to-biz transport) : Dữ liệu thương mại, hóa đơn, yêu cầu mua hàng, thông tin thuế, tỷ giá ... đều có thể được truyền qua đường điện tử giữa các nhà sản xuất khác nhau bằng định dạng XML với những ưu điểm vượt trội hơn hẳn dạng EDI (Electronic Data Interchange).
Lập trình phân tán : XML là một công cụ lý tưởng để xây dựng các ứng dụng từ nhiều platform khác nhau, cho phép tích hợp giữa các server của Windows, Unix, Linux, Sun... với các hệ điều hành khác nhau trên toàn thế giới.
Cấu trúc Web site : Bản thân XML là một ngôn ngữ mang tính cấu trúc chặt chẽ và phân tán. Vì vậy, các nhà phát triển Web site có thể dễ dàng sử dụng XML trong việc tăng tính phân tầng và cấu trúc duyệt (navigations) đối với những trang Web của họ. Hơn nữa, sử dụng XML sẽ giúp cho việc lưu trữ thông tin người sử dụng, trạng thái Web site, điều khiển luồng dữ liệu trong trang Web trở nên dễ dàng hơn bao giờ hết.
XML có thể giúp chúng ta trong việc tương tác với cơ sở dữ liệu, ví dụ như việc nhận dữ liệu từ một câu truy vấn SQL hoặc cập nhật dữ liệu từ một bản ghi XML. Bằng việc mô tả dữ liệu theo định dạng XML, chúng ta không cần phải nhất thiết có một chút khái niệm nào về cấu trúc thật sự của cơ sở dữ liệu khi lưu.
Với nền tảng XML chúng ta có thể dễ dàng bổ sung tính ngữ nghĩa cho các thông tin lấy được từ các trang Web. Hệ thống của tôi còn nhắm tới XML như một ngôn ngữ hữu dụng trong việc chuyển đổi sang bất cứ dạng cơ sở dữ liệu (hay cơ sở dữ liệu tri thức) nào khác. Việc dễ dàng chuyển đổi sang các cơ sở dữ liệu khác nhau một cách dễ dàng sẽ giúp đỡ người sử dụng, các doanh nghiệp tiết kiệm được rất nhiều thời gian, công sức tiền bạc và thích ứng được với môi trường Thương mại điện tử một cách dễ dàng.
CHƯƠNG III
NGHIÊN CỨU
GIẢI PHÁP
Giải pháp sử dụng script để tạo sinh URL tổng quát
Giải pháp sử dụng DLL để tạo sinh URL tổng quát
Bóc tách và gán ngữ nghĩa cho thông tin
Khả năng tương tác visual giữa người và máy
Hiện thực hóa giải pháp
Khả năng ứng dụng và phát triển
Như đã nói ở chương trước, để có được tri thức như mong muốn, chúng ta cần thực hiện qua bốn bước thu thập, bóc tách, tổng quát hóa và phân tích dữ liệu. Các bước này liên quan chặt chẽ đến nhau và có thể dễ dàng nhận thấy rằng, việc thực hiện không tốt một bước bất kỳ trong bốn bước kể trên đều ảnh hưởng lớn tới tri thức đầu ra. Với những nghiên cứu sẽ trình bày dưới đây, tôi xin được đặc biệt chú trọng tới hai bước đầu tiên, thu thập và bóc tách thông tin mà trọng tâm là bóc tách thông tin.
III.1.THU THẬP THÔNG TIN
Việc thu thập thông tin trong hệ thống phải dựa vào những nguồn thông tin mà người sử dụng đã cung cấp cho hệ thống ấy. Sở dĩ tại sao ở đây tôi không đặt trọng tâm vào việc thu thập thông tin là bởi vì hiện tại, các search engine và các nguồn tin từ Web cung cấp thông tin đã quá nhiều, ngày càng phát triển và cung cấp cho người sử dụng nhiều thông tin hơn nhưng lại trong khoảng thời gian ít hơn trước rất nhiều. Cần phải khẳng định rằng hiện tại chúng ta không hề thiếu dữ liệu, do vậy, trong tác vụ thu thập dữ liệu, tôi không thực hiện công việc đi tìm nguồn tin cho người sử dụng (vì công việc tìm nguồn tin giờ đây đã trở nên quá dễ dàng với các search engine) mà là đi tìm cho người sử dụng một cơ chế tự động thu thập dữ liệu từ các nguồn tin để chuẩn bị cho tác vụ thứ hai, tác vụ bóc tách thông tin.
III.1.1.Các loại URL
Chúng ta cũng cần phải phân biệt rõ các nguồn thông tin. Ở đây, nguồn thông tin của người sử dụng được định danh dưới các dạng URL như sau :
URL tĩnh. Ví dụ khi muốn xem tin Thể thao của tờ báo Z có địa chỉ là www.zzz.info, chúng ta chỉ cần truy nhập tới địa chỉ www.zzz.info/The-Thao/ trong mọi trường hợp thì có thể đọc được tin Thể thao của báo Z.
URL tĩnh được redirect đến một URL khác động tùy thuộc nhiều yếu tố (ngày, tháng, số lần người sử dụng truy cập...). Quay lại ví dụ với tờ báo Z, giả sử muốn xem Tin Thể thao, bây giờ chúng ta lại phải vào www.zzz.info và sau đó ấn vào chuyên mục Thể thao để truy cập đến phần tin Thể thao với địa chỉ www.zzz.info/24-10/The-Thao/ (với 24-10 là ngày hiện tại). Đây là ví dụ đơn giản nhất về việc có tham số trong địa chỉ URL và nếu chúng ta nắm được quy luật đối với tham số này (trong ví dụ trên thì tham số chính là ngày hiện tại - tháng hiện tại), chúng ta cũng có thể truy cập trực tiếp tới trang Web cần thiết.
Từ khóa để sinh ra URL (động). Các ví dụ đơn giản nhất trong trường hợp này là các search engine. Chúng ta đã biết rằng để tìm kiếm thông tin, chúng ta cần phải cung cấp cho các search engine này từ khóa. Các từ khóa ấy được biến đổi và cuối cùng được gửi cho server dưới dạng nằm trong URL. Ngoài ra, cũng còn cần phải xét tới chuyện xử lý sang việc người sử dụng cần lấy từ nguồn tin không phải từ một trang mà là từ nhiều trang Web (ví dụ như mặc dù search engine có thể trả lại cho chúng ta đến hàng triệu kết quả chỉ trong một trang Web, tuy vậy trong thực tế người sử dụng thông thường không muốn xem hết hàng triệu kết quả này cũng như search engine không bao giờ lại trình bày hàng triệu kết quả thu được trong một trang Web duy nhất). Như vậy, thông tin về số trang trong trường hợp này ở trên URL cũng cần phải nghiên cứu. Chúng ta cũng cần phải phân biệt được trường hợp 3 và 2 là giống nhau về mặt bản chất URL đều được mã hóa, nhưng trong trường hợp thứ 3 thông tin mã hóa được nhập từ người sử dụng, còn trong trường hợp thứ 2 thì do máy tính tự sinh ra.
III.1.2. Giải pháp xử lý
Đối với từng loại URL này, tôi đã có những nghiên cứu và đưa ra các giải pháp khả thi để có thể xử lý hết tất cả các trường hợp tạo sinh URL và sau đó quy về một URL tĩnh request đến server chứa nguồn thông tin. Trừ URL tĩnh là dạng URL cơ bản nhất còn các dạng URL còn lại đều có thể được tạo sinh bởi một trong hai cách dưới đây :
Tạo/sinh URL bằng cách viết script. Đây là nhóm các URL được mã hóa đơn giản, có thể nhìn thấy ngay quy luật.
Tạo/sinh URL bằng cách viết DLL. Trong trường hợp các URL sử dụng các phương pháp mã hóa phức tạp hơn, để tiện cho người sử dụng, cách tốt nhất là người sử dụng viết một DLL hoặc sử dụng DLL có sẵn như một plug-ins để cung cấp cho hệ thống của tôi khả năng tạo/sinh URL dựa trên việc gọi các hàm trong DLL (plug-ins) đó.
1.2.1. Tạo sinh URL bằng cách viết script
Trước hết, cần khảo sát qua những yêu cầu để có thể xây dựng nên script. Để khảo sát, chúng ta sẽ lấy các URL của các search engine trong và ngoài nước đối với chuỗi “Trí Tuệ Việt Nam” và một số tờ báo, mỗi trang lấy 3 URL và tổng quát hóa từ các ví dụ này để rút ra quy luật. (Tại báo cáo này, tôi chỉ trình bầy một số ít trong các ví dụ thực tế mà tôi đã khảo sát và nghiên cứu).
Google :
Phần cố định
Keyword sau khi mã hoá
Phần cố định
Phần thay đổi
Phần cố định
%2B%22Tr%C3%AD+Tu%E1%BB%87+Vi%E1%BB%87t+Nam%22&
num=50&hl=vi&lr=&ie=UTF-8&oe=UTF-8&safe=off&start=
50
100
150
sa=N
Alltheweb :
Phần cố định
Keyword sau khi mã hoá
Phần cố định
Phần thay đổi
Phần cố định
%22Tr%C3%AD+Tu%E1%BB%87+Vi%E1%BB%87t+Nam%22&
&c=web&cs=utf-8&o=
10
20
30
&l=any
PanVN :
"Tr%C3%ADTu%E1%BB%87Vi%E1%BB%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=2&dns=&img=0
"Tr%C3%ADTu%E1%BB%87Vi%E1%BB%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=3&dns=&img=0
"Tr%C3%ADTu%E1%BB%87Vi%E1%BB%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=4&dns=&img=0
Phần cố định
Keyword sau khi mã hoá
Phần cố định
Phần thay đổi
Phần cố định
"Tr%C3%ADTu%E1%BB%87Vi%E1%BB%87tNam"
&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=
2
3
4
&dns=&img=0
VinaSeek :
Phần cố định
Keyword sau khi mã hoá
Phần cố định
Phần thay đổi
%22Tr%DD+Tu%D6+Vi%D6t+Nam%22
&start=
21
41
61
Đài Tiếng Nói Việt Nam
Chuyên mục Kinh tế :
Chuyên mục Xã Hội :
Chuyên mục Thể Thao :
Phần cố định
Phần thay đổi
Phần cố định
2004_10_24
/vietnamese/kinhte.htm
2004_10_24
/vietnamese/xahoi.htm
2004_10_24
/vietnamese/thethao.htm
Như vậy, để xử lý được toàn bộ các URL này, script của chúng ta phải đáp ứng được nhưng yêu cầu sau :
Mã hóa được keyword theo dạng chuẩn của Windows
Có các hàm để thay thế chuỗi (ví dụ nếu chú ý thì trong keyword sau khi đã qua xử lý của Google, dấu “ “ đã được thay bằng dấu “+”)
Có một số các hàm xử lý tạo ra ngày, tháng, năm hiện tại và các hàm đơn giản khác (hàm không cần đối số, trả về một giá trị)
Script phải xử lý được ít nhất là một biến. Cũng cần phải có cơ chế cho biết biến đó được chạy từ đâu đến đâu, bước chạy là bao nhiêu (ví dụ đối với search engine, cần biết là trang thứ bao nhiêu, bắt đầu từ kết quả thứ bao nhiêu...)
Do vậy, tôi đã xây dựng một ngôn ngữ script dựa vào những yêu cầu trên. Ngôn ngữ này là đơn giản, phù hợp với yêu cầu và dễ dàng mở rộng khi cần thiết. Dưới đây là các quy tắc của ngôn ngữ :
Các dòng được xử lý tuần tự.
Sau khi thực hiện một dòng, kết quả trả về là một chuỗi (trừ dòng đầu tiên)
Kết quả thực hiện toàn bộ script là một chuỗi được ghép lại bởi các chuỗi kết quả của từng dòng theo thứ tự (bắt đầu từ dòng thứ 2)
Dòng đầu tiên bao gồm chuỗi các số được cách nhau bởi dấu “ “, ít nhất là 1 số và nhiều nhất là 4 số có ý nghĩa sau :
Số đầu tiên chỉ xem URL có phần thay đổi cần sử dụng biến hay không ?
Nếu bằng 1 là Có
Nếu bằng 0 là Không có
Ba tham số tiếp theo có các ý nghĩa lần lượt như sau :
Khởi đầu
Bước tăng
Số lần lặp (bằng 0 là vô hạn)
Hàm được bắt đầu bằng dấu “$” và phải viết tên hàm bằng chữ hoa
Có hai hàm mã hoá keyword(tham số mặc định là keyword, không cần truyền biến nữa) là :
$UTF8 : mã hoá dạng UTF8
$TCVN : mã hoá dạng TCVN
Vị trí của phần thay đổi cần biến sẽ được thể hiện bằng dòng chỉ chứa dấu “#”
Trong toàn bộ script biến “#” chỉ được sử dụng một lần
Các dòng không có dấu “#” và “$” đứng đầu không cần phải xử lý gì mà coi luôn giá trị đó là giá trị đầu ra của dòng
Các hàm có thể sử dụng được trong script :
$UTF8 : mã hóa keyword sang dạng UTF8
$TCVN : mã hóa keyword sang dạng TCVN
$REPLACE ts1 ts2 : thay chuỗi ts1 bằng chuỗi ts2 trong keyword đã mã hóa
$YEAR : năm hiện tại
$MONTH : tháng hiện tại
$DATE : ngày hiện tại
Dưới đây tôi sẽ áp dụng quy tắc này để biểu diễn lại các ví dụ trên ra dạng script :
Google :
Phần cố định
Keyword mã hoá
Phần cố định
Phần thay đổi
Phần cố định
%2B%22Tr%C3%AD+Tu%E1%BB%87+Vi%E1%BB%87t+Nam%22&
num=50&hl=vi&lr=&ie=UTF-8&oe=UTF-8&safe=off&start=
50
100
150
sa=N
1 50 50 3
$UTF8
REPLACE %20 +
num=50&hl=vi&lr=&ie=UTF-8&oe=UTF-8&safe=off&start=
#
sa=N
Alltheweb :
Phần cố định
Keyword mã hoá
Phần cố định
Phần thay đổi
Phần cố định
%22Tr%C3%AD+Tu%E1%BB%87+Vi%E1%BB%87t+Nam%22&
&c=web&cs=utf-8&o=
10
20
30
&l=any
1 10 10 3
$UTF8
REPLACE %20 +
&c=web&cs=utf-8&o=
#
&l=any
PanVN :
Phần cố định
Keyword mã hoá
Phần cố định
Phần thay đổi
Phần cố định
"Tr%C3%ADTu%E1%BB%87Vi%E1%BB%87tNam"
&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=
2
3
4
&dns=&img=0
1 2 1 3
$UTF8
$REPLACE %22 “
&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=
#
&dns=&img=0
VinaSeek :
Phần cố định
Keyword mã hoá
Phần cố định
Phần thay đổi
%22Tr%DD+Tu%D6+Vi%D6t+Nam%22
&start=
21
41
61
1 21 20 3
$TCVN
$REPLACE %20 +
&start=
#
Đài Tiếng nói Việt Nam :
Phần cố định
Phần thay đổi
Phần cố định
2004_10_24
/vietnamese/kinhte.htm
2004_10_24
/vietnamese/xahoi.htm
2004_10_24
/vietnamese/thethao.htm
0
$YEAR
-
$MONTH
-
$DATE
/vietnamese/kinhte.htm (có thể thay bằng các chuyên mục khác)
Trong ví dụ này, chúng ta chú ý rằng, do không cần lặp lại nên dòng đầu tiên chỉ có 1 tham số là 0, mang ý nghĩa là không có biến. Các dòng nếu không bắt đầu bằng dấu “$” hoặc “#” thì đều được coi là chuỗi hằng và không cần phải biến đổi thêm.
Script được tạo ra sẽ được hệ thống xử lý theo sơ đồ sau :
Cũng cần phải nhắc lại rằng ngôn ngữ script dùng để tạo/sinh URL tổng quát này còn hết sức đơn giản(cũng do việc tạo/sinh URL không đòi hỏi quá phức tạp). Tuỳ theo độ phức tạp của URL về sau, tôi có thể dễ dàng tạo ra các hàm bổ sung. Tuy vậy, nếu tạo ra quá nhiều hàm bổ sung sẽ dẫn tới việc khó sử dụng và khó hiểu đối với người sử dụng. Do vậy, tôi đưa ra giải pháp dùng DLL như một plug-ins để tạo/sinh URL tổng quát.
III.1.2.2.Tạo sinh URL bằng việc sử dụng DLL
Như ở trên đã trình bày, việc sử dụng phương pháp dùng script để tạo/sinh URL tuy đơn giản nhưng đã bao trùm được khá nhiều trường hợp. Tuy nhiên tôi cũng lường trước được sự phức tạp đối với việc sử dụng script khi các URL này được mã hóa một cách phức tạp hơn hoặc không có quy luật nhất định có thể nhìn thấy ngay. Ví dụ như một tờ báo có tham số sử dụng trên URL là số báo (ví dụ số 130 năm 2004, số 131 năm 2004) nhưng các số báo này thay đổi không theo quy luật nào (theo ngày...). Để biết được ngày hôm nay báo ra số bao nhiêu thì chỉ có một cách là phải phân tích trang chủ của tờ báo đó để lấy được số báo. Quá trình phức tạp kể trên nên được xử lý một cách “trong suốt” đối với người sử dụng bằng cách sử dụng các DLL thay thế. Các DLL này sẽ được tôi và bất cứ ai yêu thích công việc lập trình viết ra và phải có ít nhất hai hàm theo đúng tên và tham số đầu ra cũng như đầu vào được liệt kê dưới đây :
LPSTR GetFirstURL(LPSTR lpURL);
Chức năng : Lấy URL khởi đầu
Đầu vào : 1 chuỗi ký tự (ví dụ như keyword cho search engine)
Đầu ra : URL hoặc danh sách URL đầu tiên
LPSTR GetNextURL(LPSTR lpURL);
Chức năng : Lấy URL tiếp theo
Đầu vào : 1 chuỗi ký tự(thường là danh sách URL đầu ra của lần gọi GetFirstURL hoặc GetNextURL trước đó)
Đầu ra : URL hoặc danh sách URL tiếp theo. Nếu kết quả trả lại là rỗng thì có nghĩa là không còn URL nào nữa.
Các hàm chuẩn này sẽ được gọi theo sơ đồ như sau :
III.2.BÓC TÁCH THÔNG TIN
Như đã nói ở trên, để bóc tách thông tin thu được từ tác vụ thứ nhất, chúng ta sẽ xây dựng một “wrapper”. Wrapper có thể được hiểu là những hàm để tách thông tin từ các tài nguyên Web. Các hàm này viết dựa trên các luật (quy luật) đã được đúc rút ra sau khi khảo sát các trang Web chứa thông tin cần lấy. Như vậy, đối với tác vụ này, tôi sẽ phải cung cấp cho người sử dụng một công cụ tạo ra các luật (quy luật) để bóc tách thông tin.
Trước khi tiếp tục, tôi cũng xin nhắc lại một chút về mục đích của hệ thống. Hệ thống được xây dựng tập trung vào hai tác vụ đầu của bốn tác vụ webmining, cung cấp cho người sử dụng khả năng thu thập và bóc tách thông tin. Tuy vậy, những thông tin này là những thông tin gì ? Người sử dụng muốn gì và hệ thống của tôi đáp ứng được đến đâu ?
III.2.1. Quy luật dùng để bóc tách thông tin
Những thông tin được tách ra sau khi sử dụng hệ thống là những thông tin có cấu trúc về mặt ngữ nghĩa. Để bóc tách được những thông tin này, tôi dựa trên một quy luật đơn giản nhưng vô cùng hiệu quả sau :
Trong hầu hết các trang Web cung cấp thông tin, các thông tin có ý nghĩa giống nhau sẽ thường được trình bày giống nhau.
Ở đây, tôi xin được giả định rằng chiều ngược lại của quy luật này cũng đúng, có nghĩa là, các thông tin được trình bày giống nhau sẽ thường có ngữ nghĩa giống nhau. Sự giải định này rõ ràng là không đúng hẳn trong một số trường hợp. Tuy vậy, cho đến nay với sự nghiên cứu của tôi, cả hai giả định theo chiều thuận và nghịch là hầu như hoàn toàn đúng (vì có một chiều hướng rõ ràng rất cần phải nhấn mạnh là nếu như các thông tin có ý nghĩa giống nhau chưa được trình bày giống nhau, các website thông tin sẽ cố gắng định dạng các thông tin này lại cho giống nhau để người sử dụng khi duyệt Web của họ dễ dàng phân biệt thông tin).
Chúng ta có thể xét các ví dụ sau đây :
III.2.1.1.Ví dụ 1 : Diễn đàn www.diendantinhoc.org
Nhìn ví dụ này, chúng ta cũng có thể thấy rõ rằng tên của các box được định dạng theo một kiểu (chữ đậm, màu xanh), tên người viết (chữ nhỏ, màu xanh), ngày viết (chữ nhỏ, màu đỏ)
Trang Web này sẽ được cấu trúc về mặt ngữ nghĩa như sau :
Tên khu vực (Tin tức-Kinh nghiệm-Hỏi đáp/Tin học chuyên ngành/)
Tên box (Phần cứng/Phần mềm/)
Giới thiệu box
Tên Điều hành viên
Số bài trong box (3105/3967/)
Số bài mới (2/5/)
Bài viết mới nhất
Tên người viết bài mới nhất
Ngày viết của bài mới nhất
III.2.1.2. Ví dụ 2 : Báo điện tử VnExpress(
Trong ví dụ này, chúng ta có thể thấy tên của chuyên mục đã được định dạng màu đỏ và chữ to đậm, tên của bài viết được định dạng chữ đậm và phần mô tả được định dạng theo kiểu chữ thông thường. Cũng có thể chú ý một chút tới phần tỷ giá, các thông tin về tên đơn vị tiền tệ và trị giá đơn vị tiền tệ cũng được định dạng để sao cho dễ dàng phân biệt được với các thông tin khác.
Trang Web này sẽ được cấu trúc về mặt ngữ nghĩa như sau :
Tên mục chính
Tên bài mới cập nhật
Ảnh bài mới cập nhật
Mô tả bài mời cập nhật
III.2.1.3.Ví dụ 3 : Search engine www.panvn.com (với từ khoá “Trí Tuệ Việt Nam”)
Lại một lần nữa chúng ta thấy rất rõ tiêu đề của kết quả được search engine định dạng chữ đậm, màu xanh và cỡ chữ to để phân biệt với phần mô tả tiêu đề cỡ chữ nhỏ và màu đen. Qua 3 ví dụ này và các ví dụ mà người sử dụng có thể dễ dàng nhận ra khi duyệt các trang Web thông tin, nhất là các trang Web thông tin có cấu trúc, các thông tin có ngữ nghĩa giống nhau thường được định dạng giống nhau và ngược lại.
Trang Web này sẽ được cấu trúc về mặt ngữ nghĩa như sau :
Số thứ tự
Tiêu đề trang Web được tìm thấy
Trích đoạn có từ khóa cần tìm kiếm trong trang Web được tìm thấy
URL
...
III.2.2.Phương án kỹ thuật
Quy luật trên chính là mấu chốt để có thể chuyển đổi thông tin từ dạng ngôn ngữ HTML sang ngôn ngữ XML, từ việc thông tin chỉ được định dạng mà không biết ý nghĩa tới việc thông tin đã được gắn ngữ nghĩa. Từ các thông tin có ngữ nghĩa này, chúng ta có thể trả lời cho các câu hỏi như “Hôm nay giá cổ phiếu công ty nào là tăng cao nhất ?“ hay “Chuyên mục Thể Thao của báo VnExpress có bài nào nói về Đội tuyển Bóng đá Việt Nam hay không ?”. Để có thể hiện thực hóa được quy luật này, cần có một cơ chế để phân biệt các thông tin được trình bày giống nhau và sau đó là cơ chế phân tích các thông tin này nhanh và tiện dụng do người sử dụng.
III.2.2.1. Làm thế nào để biết các thông tin đươc đinh dang giống nhau ?
Để phân biệt được các thông tin được định dạng giống nhau, chúng ta sẽ phân tích qua một ví dụ cụ thể dưới đây. Đây là một phần của trang chuyên mục Thể Thao, báo điện tử VnExpress, Chủ nhật, ngày 27-10-2004.
Chúng ta chú ý đến các thông tin giống nhau dễ nhận thấy nhất là tiêu đề bài viết. Các tiêu đề này ứng với các nút A trên cây HTML đã được phân tích. Chúng ta có thể có một vài nhận xét về các nút này như sau :
Các nút A là nút lá trên cây HTML (không là cha của bất cứ nút nào trên cây)
Nếu đi từ nút gốc (HTML) tới nút con này, vết ghi lại (đi qua một nút thì ghi lại tên) là giống nhau (HTML->TABLE->TBODY->TR->TD->TABLE->TBODY->TR->TD->A)
Khi xét các trang chuyên mục Thể thao đối với các ngày khác, thậm chí là khi xét đối với bất kỳ một trang chuyên mục nào khác của báo điện tử VnExpress, vết ghi lại đối với phần tiêu đề là không thay đổi.
Dường như với quy luật nhận xét trong phần III.2.2.1 cùng với những nhận xét này, chúng ta có thể thấy rằng việc bóc tách thông tin đã nằm trong tầm tay (phân tích cây HTML, sau đó duyệt cây HTML để lấy ra những thông tin theo vết ghi lại có sẵn) . Tuy vậy, sau khi nghiên cứu kỹ, tôi nhận thấy việc bóc tách thông tin vẫn còn rất nhiều những khó khăn. Chúng ta sẽ tiếp tục nghiên cứu tiếp ví dụ này cùng với các ví dụ và kỹ thuật khác để lần lượt giải quyết các khó khăn này.
III.2.2.2.Phân tích trang HTML
Như đã phân tích và nhận xét trong phần trên, việc phân tích cây HTML là rất quan trọng. Dựa trên các cơ chế lập trình tương đương với cơ chế phân tích cây HTML của trình duyệt Internet Explorer, tôi đã có thể thực hiện được công việc phân tích cây này. Quá trình thực hiện phân tích cây HTML từ một trang Web không phải là đơn giản, do việc tạo ra các trang Web từ ngôn ngữ HTML có thể không cần phải well-formed (bất cứ khi nào có một thẻ mở cũng phải có thẻ đóng tương ứng) như ngôn ngữ XML.
III.2.2.3.Các thuộc tính thông tin quan trọng
Sau khi đọc những kết luận thu được từ phần III.2.2.1, chắc hẳn chúng ta sẽ phải đặt ra câu hỏi, phải chăng mọi chuyện đều đơn giản quá như thế ? Phải chăng chỉ cần phân tích trang Web ra dạng cây và ghi lại các vết duyệt từ nút gốc tới nút lá cần bóc tách là xong ?
Chúng ta có thể giả sử rằng vẫn trong trang chuyên mục Thể thao của báo VnExpress, các tiêu đề của phần Tin đã đưa cũng có vết giống hệt như phần Tiêu đề tin thì sao ? Trong lúc đó, xét về mặt ngữ nghĩa, phần Tin đã đưa rõ ràng có ý nghĩa khác hẳn so với phần Tiêu đề tin mới và chúng ta không thể trả về kết quả không rõ ràng như vậy cho người sử dụng (chung cả hai phần Tiêu đề tin mới và Tin đã đưa). Do vậy, chúng ta sẽ phải tiếp tục nghiên cứu kỹ hơn về từng thẻ ngôn ngữ HTML riêng để có thể phân biệt được các thông tin một cách chi tiết hơn(vì đơn giản theo đúng quy luật mà chúng ta đã nghiên cứu, những người soạn báo điện tử cũng sẽ cố gắng không bao giờ trình bày phần Tiêu đề tin mới và phần Tin đã đưa giống hệt nhau để tránh nhầm lẫn).
Như chúng ta đã biết, mỗi thẻ của ngôn ngữ HTML đều có những thuộc tính khác nhau. Chúng ta sẽ phải quan tâm nhất đến các thuộc tính có ảnh hưởng tới việc trình bày ra ngoài màn hình (hoặc các thiết bị khác). Tôi đã tổng kết ra đây một số các thuộc tính không thuộc CSS có thể ảnh hưởng tới việc trình bày một thẻ trong khi duyệt trang Web (chứ không phải tất cả các thuộc tính đều ảnh hưởng tới việc trình bày). Các thuộc tính thuộc CSS được trình duyệt thực hiện qua classname nên không cần xét tới.
Tên thuộc tính
Ý nghĩa của thuộc tính
Xuất hiện trong các thẻ
align
Kiểu căn lề (Trái, phải, giữa)
APPLET,EMBED, FIELDSET,IMG...
allowtransparency
Đặt chế độ trong suốt
FRAME,IFRAME...
alinkColor
Mầu của các link active
Document
background
Ảnh nền của object
BODY,TABLE,TD,TH
bgcolor
Màu nền của object
BODY,MARQUEE,TABLE,COL,COLGROUP...
bordercolor
Màu viền của object
FRAME,FRAMESET...
bordercolordark
Màu viền đậm của object
TABLE,TD,TH,TR
bordercolorlight
Màu viền nhạt của object
TABLE,TD,TH,TR
cellindex
Số hiệu cell
TD,TH
color
Màu của Text
A,ADDRESS,B,BIG,TABLE,XMP...
classname
Class của object
A,ADDRESS,B,BIG,TABLE,XMP...
clear
Vị trí Object...
BR
clip
Phần Object ẩn
A,ADDRESS,B,BIG,TABLE,XMP...
dir
Thứ tự của Object
A,ADDRESS,B,BIG,TABLE,XMP...
face
Font Face
BASEFONT,FONT
fgColor
Màu chữ của Object
Document
frameborder
Có vẽ viền Object không ?
FRAME,FRAMESET,IFRAME
framespacing
Khoảng cách giữa FRAME
FRAMESET
nowrap
Wordwrap
BODY,DD,DIV,DT,TD,TD,TH
size
Kích cỡ
BASEFONT,FONT,HR,INPUT...
vAlign
Kiểu canh lề
CAPTION,COL,TBODY,TFOOT
Do vậy, bây giờ chúng ta không những phải xét xem vết khi duyệt cây có giống nhau không, mà còn phải xét xem từng thuộc tính ở các nút cùng mức(có khoảng cách tới nút gốc là bằng nhau trên cây) có giống nhau không. Ví dụ như với phần Tiêu đề của báo VnExpress kể trên, kết hợp cả tên nút và thuộc tính của từng nút trong vết, chúng ta sẽ có một mẫu so sánh như sau :
III.2.2.4.Tăng tính khả mở của các mẫu so sánh
Chúng ta đã có hai kết luận quan trọng trong khi khảo sát trang chuyên mục Báo điện tử VnExpress về các thông tin có ngữ nghĩa giống nhau như sau :
Các vết ghi lại khi duyệt từ nút gốc tới nút chứa các thông tin giống nhau về mặt ngữ nghĩa trên cây HTML là không đổi
Từng nút có cùng độ sâu khi duyệt thì cũng có các thuộc tính liên quan tới việc trình bày trên trang Web là giống nhau
Hai kết luận này là đã đủ để bóc tách thông tin từ rất nhiều các Website có cấu trúc như báo điện tử, diễn đàn, forum Tuy vậy, cũng có thể thấy rằng kết luận 1 là không hoàn toàn chính xác và bao quát được hết tất cả các trường hợp vì vẫn có những trường hợp các thông tin có cùng ngữ nghĩa do vô tình/cố ý không có các vết ghi lại khi duyệt là không đổi. Để ví dụ cho trường hợp này, chúng ta hãy xét một ví dụ tiêu biểu khác.
Dưới đây là trang chuyên mục Thể Thao, báo Lao động điện tử ngày 27-10-2004. Chúng ta có thể dễ dàng thấy rằng, vết ghi lại sau khi duyệt từ nút gốc HTML tới nút chứa tiêu đề của bài báo không còn giống nhau.
Với tiêu đề “Hãy tin tưởng đội khách”, chúng ta có vết khi duyệt cây như sau :
HTLM->BODY->TABLE->TBODY->TR->TD->TABLE->TBODY->TR->TD->TABLE->TBODY->TR->TD->FONT
Với tiêu đề “Chim non đã lớn” và “Vui lạ”, chúng ta có vết khi duyệt cây như sau :
HTLM->BODY->TABLE->TBODY->TR->TD->TABLE->TBODY->TR->TD->TABLE->TBODY->TR->TD->A->FONT
Để có thể giải quyết vấn đề này, tôi đã đưa ra được một phương thức tổng quát hóa sau khi có các vết khác nhau và áp dụng thành công đối với không chỉ riêng báo Lao động mà còn nhiều các trang Web thông tin khác. Ở đây, chúng ta chỉ cần chú ý rằng kể từ mức thứ nhất là nút gốc HTML tới nút số 14, vết ghi lại khi duyệt là giống nhau, tuy vậy trong nút thứ 15, chúng ta sẽ có hai trường hợp :
Nếu gặp nút FONT sẽ đưa ra kết quả và không duyệt tiếp nữa
Nếu gặp nút A sẽ tiếp tục duyệt, nếu gặp nút FONT là con của nút A thì đưa ra kết quả
Cuối cùng, để kết thúc phần này, chúng ta có thể đưa ra được hai kết luận dựa trên quy luật nhận xét ở phần III.2.2.1 như sau :
Các vết ghi lại khi duyệt từ nút gốc tới nút chứa các thông tin giống nhau về mặt ngữ nghĩa trên cây HTML là có thể tổng quát hóa về một mẫu duy nhất đại diện cho thông tin đó.
Từng nút có cùng độ sâu khi duyệt thì cũng có các thuộc tính liên quan tới việc trình bày trên trang Web là giống nhau.
III.2.3.Kênh tin và kênh tin đa mức
Để tiện cho công việc hiện thực hóa giải pháp, chúng ta cần định nghĩa một số khái niệm, bắt đầu là kênh tin.
Kênh tin là một tập hợp các luật dùng để bóc tách thông tin từ một trang Web. Một luật sẽ đại diện cho một nhóm thông tin có chung ngữ nghĩa trong trang Web này. Ngoài ra kênh tin cũng ghi lại một số dữ liệu phụ có liên quan khác như người tạo kênh, ý nghĩa kênh, biểu tượng kênh
Với định nghĩa trên, các luật chính là các vết ghi lại khi duyệt từ nút gốc HTML tới nút chứa các thông tin có chung ngữ nghĩa hoặc các vết đã được tổng quát hóa. Khi kết hợp một kênh tin với một nguồn tin mà cụ thể là một hoặc nhiều trang Web chúng ta sẽ thu được tri thức đầu ra là các thông tin có chung ngữ nghĩa cần thu thập và bóc tách từ các trang Web đó.
Kênh tin đa mức là một kênh tin được tổng hợp từ nhiều các kênh tin khác. Mỗi kênh tin con trong kênh tin đa mức tương ứng với một mức khi thực hiện kênh tin này. Đầu ra của một mức trung gian sẽ là đầu vào cho mức trung gian tiếp theo. Đầu vào của kênh tin đa mức là URL hoặc nhóm URL, đầu ra là tri thức đã được thu thập và bóc tách như trong sơ đồ dưới đây.
Ví dụ, giả sử chúng ta cần lấy tất cả lời các bài hát cùng với tên bài hát từ một trang lyric được cấu trúc như sau :
Trang chủ chứa các vần A, B, C, Y, Z và các thông tin khác. Các vần này là chữ cái bắt đầu của tên bài hát. Ở trang này, chúng ta tạo ra kênh thứ nhất với các thông tin cần lấy là các vần và URL đến trang tiếp theo tương ứng với vần đó.
Khi ấn vào một vần, trang thứ hai sẽ chứa tên các bài hát bắt đầu bằng vần đó và các thông tin khác. Ở trang này, chúng ta tạo ra kênh thứ hai với các thông tin cần lấy là tên các bài hát và URL đến trang tiếp theo tương ứng với bài hát đó.
Khi ấn vào một bài hát, trang thứ ba sẽ chứa tên bài hát, lời bài hát, tác giả, năm sáng tác, Ở trang này chúng ta tạo ra kênh thứ ba với các thông tin cần lấy là tên bài hát và lời bài hát.
Kết hợp cả ba kênh này, lấy đầu ra của kênh thứ nhất là đầu vào của kênh thứ hai (URL đến các vần), đầu ra của kênh thứ hai là đầu vào của kênh thứ ba (URL đến các bài hát), chỉ với đầu vào duy nhất là tên site chứa lyric, chúng ta đã có toàn bộ thông tin cần lấy là các bài hát. Phương pháp sử dụng kênh đa mức này nhìn qua có vẻ giống như việc sử dụng các chương trình download cả site như Teleport, hay WebZip nhưng thực ra các chương trình này chỉ đem lại cho chúng ta là các trang Web chứa lời bài hát còn kênh đa mức mang lại cho chúng ta là một cơ sở dữ liệu phân biệt rõ ràng tên bài hát và lời bài hát. Ngoài ra cơ sở dữ liệu thu được khi sử dụng kênh đa mức cũng chỉ có các thông tin cần lấy mà không có các thông tin thừa như tác giả, năm sáng tác,
III.3.HIỆN THỰC HÓA GIẢI PHÁP
Sau khi nghiên cứu và rút ra kết luận, tôi đã thực hiện xây dựng một hệ thống thu thập và bóc tách thông tin. Tất nhiên, những nghiên cứu của tôi có thể chưa được đầy đủ về mặt lý thuyết nhưng khi đưa hệ thống này vào thử nghiệm trong thực tế nó đã hoạt động khá tốt. Hệ thống thu thập và tách thông tin (ICPS - Information Collecting and Parsing System) bao gồm hai module chính sau :
Module Tạo kênh tin
Tên : Channel Generator
Chức năng : Tạo các Kênh tin (các luật tách thông tin từ một hoặc nhiều trang Web)
Đầu vào : Trang Web và thông tin do người dùng xác định trực quan
Đầu ra : Kênh tin
Module Lấy tin
Tên : REN
Chức năng : Thu thập và bóc tách thông tin
Đầu vào : Kênh tin (được tạo ra từ Module Tạo Kênh Tin)
Đầu ra : Tri thức được bóc tách
III.3.1.Sơ đồ hoạt động
Nhìn vào sơ đồ hoạt động hệ thống trên, chúng ta có thể mô tả các chức năng chính của hệ thống như sau (các thành phần được nêu ra ở dưới đây là tương ứng với các vị trí trong sơ đồ) :
Người sử dụng tương tác với máy tính để tạo ra kênh tin từ các nguồn tin do người sử dụng cung cấp (vị trí 1). Với khả năng cho phép người sử dụng nhấn chuột trực tiếp lên trang Web để chọn thông tin mình cần lấy, khả năng tương tác và tạo kênh tin đã trở nên dễ dàng hơn bao giờ hết. Đây là một tính năng kỹ thuật nổi trội so với các hệ thống khác như Novobot hay Copernic.
Người sử dụng cũng có thể sử dụng các kênh tin đã có trong máy tính để tạo ra kênh tin đa mức (vị trí 2).
Người sử dụng chọn kênh tin cần lấy (trong kênh tin đã ghi lại địa chỉ/cách tạo ra địa chỉ URL của nguồn tin). Hệ thống dựa trên các kênh tin (vị trí 3) + nguồn tin (vị trí 4) để đưa ra tri thức phù hợp cho người sử dụng dưới các dạng khác nhau.
Tri thức thu được sau khi đã thực hiện các tác vụ thu thập và bóc tách thông tin được trả lại trực tiếp cho người sử dụng một cách trực quan (vị trí 5).
Tri thức đầu ra có thể được lưu lại dưới nhiều dạng khác nhau (HTML, XML, WML, ) để người sử dụng có thể tiếp tục sử dụng các tri thức này vào mục đích khác hoặc làm đầu vào cho tác vụ web-mining tiếp theo (vị trí 6).
Người sử dụng có thể xem các trang Web mình lưu lại đã được phân chia theo các mục (do người sử dụng phân chia) rất dễ dàng cho việc tìm kiếm thông tin (vị trí 7).
III.3.2.Khả năng tương tác người - máy trong quá trình tạo kênh tin
Như đã trình bày trong sơ đồ tại phần III.3.1, hệ thống của tôi cho phép người dùng có thể tương tác trực quan với máy tính để tạo ra các kênh tin một cách dễ dàng. Đây có thể coi là một trong những chức năng sáng tạo và ưu việt nhất của hệ thống, giải quyết được bài toán khó khăn là giúp cho người sử dụng có thể tự mình tạo ra các kênh tin. Chức năng này cũng đồng thời giúp cho hệ thống có một tính khả mở tương đối cao, vì cơ sở dữ liệu kênh tin đã có thể được thêm, bớt và sửa chữa một các rất dễ dàng.
Cơ chế tách thông tin của các chương trình khác (Novobot, Copernic, WebFerret, ...) chưa có được tính năng này, hầu hết chủ yếu là tách các thông tin dựa trên việc cố định hai chuỗi bắt đầu và kết thúc của thông tin đó. (chẳng hạn dựa vào đặc điểm URL thông thường được bắt đầu bằng chuỗi [Ví dụ ]. ) Với cơ chế này, khó có thể cung cấp cho người sử dụng một phương thức tương tác trực quan để tạo ra được chuỗi đầu và chuỗi cuối, thêm nữa người sử dụng không phải ai cũng có hiểu biết về máy tính để làm việc với các chuỗi này thành thạo.
Do việc phân tích được trang Web ra dạng cây, hệ thống của tôi cho phép người sử dụng có thể tương tác với máy tính như sau :
Bước 1 : Người sử dụng cung cấp URL(nguồn tin) cần bóc tách
Giả sử là chuyên mục Lý luận và thực tiễn xây dựng chủ nghĩa xã hội có URL như sau :
Người sử dụng nhập URL này vào hệ thống qua giao diện GUI như sau :
Bước 2 : Sau khi người sử dụng nhập vào URL như hình trên, hệ thống sẽ tự động duyệt trang Web và phân tích các thông tin cần thiết để chuẩn bị. Sau bước này, chúng ta sẽ có trang Web đã được chuẩn bị sẵn sàng (quá trình này thực hiện chỉ chậm hơn việc duyệt bằng các trình duyệt thông thường từ 3-10 giây).
Bước 3 : Người sử dụng chọn các thông tin cần tách bằng cách ấn trực tiếp lên trang Web. Giả sử, người sử dụng cần tách thông tin Tiêu đề các bài báo (trên hình bên là các thông tin “Trần Quang Nhiếp : Tạp chí Cộng sản...” và “Đặng Hữu Toàn : Học thuyết Mác-Lênin với công cuộc đổi mới ở Việt Nam”). Sau khi ấn trực tiếp lên thông tin cần bóc tách, thông tin đó sẽ được hệ thống đổi màu để ghi nhận rằng hệ thống đã biết được thông tin mà người sử dụng muốn như ở hình dưới đây :
Như trên hình chúng ta đã thấy, các Tiêu đề đã được hệ thống ghi nhận và đổi màu để người sử dụng nhận biết. Sau khi đã cung cấp cho hệ thống thông tin mình muốn tách (chỉ với một vài cú nhấp chuột), người sử dụng tiếp tục cung cấp ngữ nghĩa của thông tin này (Tiêu đề bài báo) bằng cách sử dụng chức năng Đặt tên dữ liệu (xem rõ ở phụ lục A và bản demo để biết thêm chi tiết). Với việc Đặt tên dữ liệu, người sử dụng có toàn quyền thiết lập ngữ nghĩa của thông tin theo ý của mình.
Như vậy, có thể thấy rõ, người sử dụng đã có một giao diện để có thể tương tác dễ dàng với máy tính, các thao tác kỹ thuật phức tạp đã được làm “trong suốt”. Chỉ với một vài cú nhấp chuột, người sử dụng đã có thể có một kênh tin theo đúng ý của mình.
III.3.3.Các chức năng khác của hệ thống
Cùng chức năng nổi bật của hệ thống là cho phép người sử dụng tương tác visual với máy tính đã được giới thiệu trong phần trên, hệ thống của tôi còn có nhiều các chức năng khác, với mục đích giúp cho người sử dụng đi đến đích nhanh nhất trong việc thu thập và tách thông tin của riêng mình. Với các vị tri tương ứng trong sơ đồ III.3.1 hệ thống của tôi còn có các chức năng sau :
Sửa chữa kênh tin đã được tạo ra với tương tác visual như quá trình tạo kênh.
Sắp xếp thông tin thu được theo ý muốn của mình (không nhất thiết thông tin người sử dụng thu được phải đúng chính xác vị trí như nguồn tin cung cấp) trong quá trình tạo kênh tin.
Nhập và chạy thử script (trong trường hợp phải tạo/sinh URL bằng script) trong khi tạo kênh tin.
Nhập thông số và chạy thử DLL (trong trường hợp phải tạo sinh URL bằng DLL) trong khi tạo kênh tin.
Kết hợp các kênh tin đơn mức để tạo ra kênh tin đa mức.
Quản lý kênh tin đã tạo ra dễ dàng. Các kênh tin được phân chủ đề tùy theo ý thích của người sử dụng. Hệ thống cũng đã cài đặt sẵn trên dưới 1000 kênh tin với rất nhiều chủ đề khác nhau.
Dễ dàng chọn các kênh tin cần lấy tin. Quá trình này có thể chỉ cần thực hiện một lần, hệ thống sẽ tự động ghi nhớ lại danh sách các kênh tin này và sử dụng trong lần lấy tin sau
Thực hiện việc lấy tin đa luồng, đồng thời có sử dụng chức năng cache dữ liệu của trình duyệt, ... cho phép người sử dụng có được thông tin một cách nhanh nhất.
Hiển thị thông tin thu được dưới các dạng khác nhau (ngắn gọn, đầy đủ,...) giúp cho người sử dụng có khả năng lướt qua và có một cái nhìn tổng quan về thông tin thu được.
Lọc các thông tin đã được lấy về, tập trung vào một chủ đề người dùng cần.
Xuất thông tin thu được ra nhiều dạng lưu trữ (HTML, XML, WML, ...). Định dạng XML được dùng để chuyển đổi sang bất cứ dạng dữ liệu nào, còn dạng file WML thì thích hợp cho những người cần lấy thông tin từ các thiết bị mobile.
Người sử dụng có thể lưu lại các trang Web, sắp xếp theo thứ tự và chỉnh sửa nội dung trang Web với các chức năng Lưu, Xem tin đã lưu, và Chế bản. Công cụ này cho phép người sử dụng không bị quá tải khi thông tin lưu lại từ Web là quá nhiều.
Hộ trợ hầu hết các bộ mã tiếng Việt thông dụng : TCVN, VNI, Unicode, VIQR, ...
III.4.KHẢ NĂNG ỨNG DỤNG VÀ MỞ RỘNG
Với lượng thông tin khổng lồ như hiện nay, việc có một giải pháp để thu thập và bóc tách các thông tin là rất cần thiết. Với những nghiên cứu kể trên, hệ thống của tôi qua thử nghiệm cũng đã đáp ứng được một phần không nhỏ trong nhu cầu thu nhận thông tin của người sử dụng. Việc sử dụng hệ thống sẽ giúp cho người sử dụng tiết kiệm được rất nhiều thời gian, tiền bạc và công sức trong việc thu thập bóc tách để tiến tới tổng hợp được những thông tin có ích cho mình. Có thể kể ra một số nhóm người sử dụng chính sẽ được lợi khi sử dụng hệ thống của tôi :
Người sử dụng đơn lẻ muốn thu thập và bóc tách thông tin.
Doanh nghiệp muốn thu thập và tổng hợp thông tin.
Dịch vụ cung cấp thông tin tổng hợp từ Internet cho các thiết bị cố định.
Dịch vụ cung cấp thông tin tổng hợp từ Internet cho các thiết bị di động.
Hệ thống của tôi hiện tại còn có thể mở rộng theo rất nhiều hướng, phụ thuộc vào nhu cầu của từng cá nhân hay tập thể, tuy vậy trong thời gian tới, tôi sẽ mở rộng theo một số hướng chính sau :
Nâng cấp để trở thành một Agent tự động tìm kiếm nguồn tin trong tác vụ thu thập thông tin.
Nghiên cứu sâu hơn nữa để có khả năng tổng quát hóa được các kênh tin một cách tối đa để nâng tính tiện ích của hệ thống đối với người sử dụng.
Xây dựng hệ thống các câu truy vấn để giúp người sử dụng tăng tính thông minh và tương tác của hệ thống qua các câu truy vấn này.
Nghiên cứu để tạo ra một hệ thống thu thập bóc tách thông tin chạy trực tuyến, cung cấp các thông tin dưới dạng headline cho bất cứ khách hàng thuộc môi trường nào (cố định - di động, đọc qua Web - qua mail,)
CHƯƠNG IV
SO SÁNH VỚI CÁC HỆ THỐNG KHÁC
Ý tưởng mới và ý tưởng đã có
Phương thức mới và phương thức đã có
Hệ thống mới và hệ thống đã có
Các hệ thống được liệt kê dưới đây là các hệ thống đã được đưa ra giới thiệu và bán trên thị trường. Vì hệ thống của tôi xây dựng tập trung chú trọng vào hai tác vụ đầu trong bốn tác vụ Webmining nên chỉ xin được so sánh với các hệ thống khác có chức năng tương tự. Trong các hệ thống này, Novobot là tiêu biểu cho các hệ thống bóc tách thông tin (được www.agentland.com đánh giá điểm 4/5), Copernic là tiêu biểu cho các hệ thống tìm kiếm và tổng hợp thông tin. My TinhVan là hệ thống trong nước (www.tinhvan.com) được thực hiện như một ứng dụng web-based.
Sau khi so sánh tôi đã đưa ra bảng kết luận sau :
Tên hệ thống
Khả năng lấy tin thông thường
Khả năng tìm kiếm
Khả năng tạo mới kênh
Khả năng tổng hợp thông tin
News Watch
Trung bình
Không có
Không có
Không có
Novobot 2.0
Tốt
Chưa có
Khó sử dụng
Không có
Watznew
Trung bình
Không có
Đơn giản
Không có
WebFerret
Không có
Tốt
Không có
Khá
Copernic
Không có
Tốt
Khó sử dụng
Tốt
My TinhVan
Trung bình
Không có
Không có
Không có
NewzCrawler
Khá
Trung bình
Khó sử dụng
Trung bình
ICPS
Tốt
Khá
Khá
Không có
Có thể thấy rằng, ICPS kết hợp được cả hai khả năng thu thập bóc tách các thông tin từ các nguồn tin thông thường và khả năng tìm kiếm dựa trên các search engine (do việc xây dựng được một cơ chế tạo/sinh URL tổng quát tương đối tốt và coi các search engine cũng như các nguồn tin thông thường). Khả năng tạo kênh tin mới của ICPS là vượt trội so với các hệ thống khác do việc sử dụng kỹ thuật trên nền MSHTML giúp người sử dụng có thể tạo kênh tin bằng cách trỏ thẳng vào các thông tin cần lấy trên trang Web. Đối với Copernic, người sử dụng cập nhật bằng cách update từ trên website của hãng sản xuất, bị bó buộc và không chủ động tạo nguồn tin của riêng mình được. Novobot và NewzCrawler cũng cho phép người dùng tự tạo kênh tin mới, tuy vậy do cơ chế lấy thông tin của hai chương trình này là dựa trên các chuỗi phía trước và phía sau của thông tin để tách ra thông tin dẫn tới hai chương trình này không thể cung cấp cho người sử dụng một công cụ tạo kênh tin visual được như ICPS. Ngoài ra, ICPS cũng có một ưu điểm vượt trội là khả năng tổng quát hóa các vết ghi lại khi duyệt cây để tạo ra luật tách thông tin tối ưu.
Với việc sử dụng kỹ thuật đa luồng khi xử lý thông tin, ICPS có tốc độ lấy tin nhanh hơn hẳn so với khi người sử dụng duyệt Web thông thường bằng các trình duyệt.
Điểm yếu của ICPS là không có khả năng tổng hợp thông tin. Điểm yếu này là do mục đích xây dựng ICPS chỉ tập trung vào hai tác vụ đầu chứ chưa xét tới tác vụ thứ ba. Tuy vậy, đầu ra của ICPS đã đưa được cho người sử dụng một cơ sở dữ liệu tri thức tương đối hoàn chỉnh và có ngữ nghĩa để sãn sàng cho việc thực hiện tiếp tác vụ tổng hợp thông tin này.
CHƯƠNG IV
HƯỚNG DẪN SỬ DỤNG CHƯƠNG TRÌNH
V.1. YÊU CẦU HỆ THỐNG
Cấu hình để chương trình có thể chạy được là tương đốI thấp, chỉ cần thoả mãn các yêu cầu sau :
Pentium MMX 166MHz hoặc tương đương
16Mb RAM
Một dường truyền Internet cá nhân tốc độ trung bình.
MS Windows 98
Tuy nhiên, để chương trình có thể hiển thị đầy đủ và chính xác thông tin của các bài bào tiếng Việt, chúng tôi khuyến cáo bạn nên sử dụng Internet Explorer 5 và cài đặt bộ font tiếng Việt theo chuẩn TCVN, VNI và Unicode.
V.2. CHỌN KÊNH TIN
Bạn có thể sử dụng menu Kênh tin à Chọn kênh tin, hoặc nhấn vào biểu tượng nút trên thanh Toolbar để kích hoạt cửa sổ chọn kênh tin.
Cửa sổ chọn kênh tin sẽ hiện ra dướI dạng tương tự hình sau :
Mục chọn kênh tin bao gồm 3 phần chính sau :
Chuyên mục tin : Mục chứa các kênh thông tin có liên quan tới một chủ đề nào đó.
Kênh thông tin : Các bài báo viết về một chủ đề nhất định của một tờ báo điện tử, bạn nhấn đúp vào đó để chọn kênh tin.
Các kênh tin bạn đã chọn : Bạn nhấp chuột vào đây để định vị kênh tin nằm trong chuyên mục nào đó, cũng có thể dùng phím Del để huỷ thao tác chọn kênh tin đó.
V.3. LẤY THÔNG TIN
Sau khi đã chọn các kênh tin, bạn sử dụng menu Chức năng à Lấy tin hoặc nhấn vào biểu tượng trên thanh Toolbar để lấy thông tin về các bài báo.
Thông tin về các bài báo sẽ hiện ra như sau :
Tiêu đề tin : Tiêu đề của bài báo mà bạn đã load về.
Mô tả tin : Phần mô tả ngắn gọn của bài bào, bạn có thể kích chuột vào đó để xem chi tiết.
Kênh tin : Thanh kênh tin cho phép bạn biết được minh đang xem báo trên các kênh thông tin nào. Các thông tin của các kênh lấy về sẽ được hiện tất cả lên màn hình. Để xem thông tin duy nhất của một kênh tin, bạn click vào biểu tượng của kênh tin tương ứng. Còn nếu bạn muốn xem tất cả các kênh tin, bạn click vào biểu tượng tất cả các kênh như trong hình trên
Tin đã (hoặc chưa) xem : Biểu tượng này cho phép bạn biết được tin này đã xem hay chưa. Để hiển thị một tronh 2 loạI tin này, bạn sử dụng menu
+ Sử lý tin à Tin đã xem
+ Sử lý tin à Tin chưa xem
Biểu tượng kênh tin : Biểu tượng này giúp các bạn phân biệt tin đang xem là của báo điện tử nào.
V.4. XEM BÁO TRỰC TUYẾN
Trong danh sách các bài báo hiện ra sau khi lấy tin về, bạn chỉ cần click vào phần mô tả tin có gạch chân là bài báo sẽ được tải về và hiện ra trong một cửa sổ khác như sau :
Chú ý : Trong cùng một thờI điểm bạn có thể xem số lượng bài báo không giớI hạn, điều này có nghĩa là bạn có thể click vào nhiều phần mô tả tin cùng một lúc.
Thanh Toolbar của phần xem tin này bao gồm các chức năng lần lượt như sau :
Lưu tin : Khi muốn lưu tin này bạn chỉ cần click vào biểu tượng hình cái đĩa mềm, chương trình sẽ tự động lưu lại tin.
Xem tin trước : Nếu click vào biểu tượng hình ß, bạn sẽ xem được tin trước tin hiện tại.
Dừng lấy tin : Dừng việc lấy tin.
Làm tươi : Nạp lại nội dung bài báo đang xem.
Xem tin sau : Nếu click vào biểu tượng hình à, bạn sẽ xem được tin sau tin hiện tại.
In bài báo : In nội dung bài báo đang xem.
V.5. XEM TIN ĐÃ LƯU
Đây có thể được coi là một thế mạnh của chương trình. Với việc xem tin off-line, bạn có thể ung dung ngồi xem lạI các bài báo mà mình đã lưu mà không sợ tốn tiền internet. Một bài báo hay, một phóng sự, một bản tin nóng, không đáng để chúng ta lưu lại hay sao ?
Để xem tin đã lưu bạn click vào biểu tượng đĩa mềm trên thanh toolbar hoặc sử dụng menu Tools à Xem tin đã lưu.
Các thông tin đã lưu sẽ hiện lên màn hình như sau :
Ngoài ra, chương trình còn cho phép bạn tạo ra các chủ đề để lưu trữ, hiển thị, sắp xếp các bài báo một cách có hệ thống.
Chỉ cần một cú click chuột vào phần mô tả là bạn đã có thể ung dung ngồi đọc lại những bài báo hay đã được lưu lại trước đó. Đây là một lợi thế rất lớn so vớ việc đọc và tìm kiếm lạI thông tin trong các tờ báo viết cũ.
V.6. CHỈNH SỬA VÀ THÊM CHÚ THÍCH VÀO BÀI BÁO
Một số chức năng khá thú vị mà chương trình cung cấp cho bạn là khả năng chỉnh sửa nội dung các bài báo đã được download về. Chỉ cần vài thao tác đơn gian, bạn có thể chỉnh sửa, thêm bớt nộI dung, di chuyển hình ảnh hay tô mầu (highlight) một đoạn văn bản trong bài báo mà bạn quan tâm.
Để thực hiện được điều này, bạn mở một bài báo đã được lưu lạI trước đó ra rồi nhấn vào biểu tượng để chuyển từ chế đọ View Mode sang chế đọ Design Mode. Sau đó bạn có thể chỉnh sửa câu văn bằng cách gõ trực tiếp từ bàn phím, hoặc chọn một đoạn quan trọng trong bài báo rồi tô màu đánh dấu bằng cách nhấn vào biểu tượng chọn màu và đánh dấu.
Sau khi hoàn thành công việc, bạn chuyển về chế độ View Mode để thưởng thức “tác phẩm” của mình.
Hình sau mô tả một bài báo sau khi đã được đánh dấu một số đoạn văn bản bởi các màu khác nhau.
V.7. TÌM KIẾM BÀI BÁO
Giờ đây, những ai đã và đang sử dụng Internet đều biết rằng Internet là một kho thông tin khổng lồ gần như đáp ứng đầy đủ tất cả các yêu cầu tìm hiểu thông tin của mỗI người. Với một từ khoá bất kỳ, việc tìm ra được hàng nghìn, hàng vạn trang Web liên quan không còn là điều xa lạ vớI chúng ta. Để giúp ngườI sử dụng internet thực hiện quá trình data-mining được tốt hơn, đồng thờI phù hợp vớI tiêu chí phổ biến báo điện tử, tôi chỉ giớI hạn việc tìm kiếm thông tin là tìm kiếm các bài báo có chứa từ khoá cần tìm.
Để tìm kiếm thông tin, bạn sử dụng menu :
Công cụ à Tìm kiếm à Tiếng Anh
Công cụ à Tìm kiếm à Tiếng Việt
Sau đó nhập rừ khoá để bắt đầu thực hiện quá trình tìm kiếm. Nếu bạn thấy trong số các kết quả trả về đã có đủ thông tin cần thiết mà chương trình vẫn tiếp tục thực hiện việc tìm kiếm, thì bạn có thể sử dụng nút Stop để dùng lại.
V.8. CẬP NHẬT CÁC KÊNH THÔNG TIN MỚI
Một trong số những chức năng quan trọng của chương trình là khả năng cho phép cập nhật sự thay đổi, bổ sung của các kênh tin mà không phải cài đặt lại chương trình. Khi xuất hiện một chuyên mục hay một bài báo điện tử mớI, các thông tin của nó sẽ được cập nhật và upload lên mạng. Bạn chỉ cần chọn chức năng Cập nhật trong menu Kênh tin là chương trình sẽ tự động tải về file dữ liệu mới nhấ, đảm bảo cho chương trình của bạn luôn luôn theo kip vớI sự phát triển ngày càng gia tăng của báo điện tử.
CHƯƠNG VI
KẾT LUẬN
Với những khó khăn còn tồn tại trong việc thu thập và tách thông tin, người sử dụng, doanh nghiệp hay tổ chức luôn luôn phải mất rất nhiều tiền bạc, thời gian, công sức cho việc có được đúng những thông tin mình cần từ một kho thông tin khổng lồ là Internet. Sau quá trình nghiên cứu, khảo sát và xây dựng hệ thống, còn là những nghiên cứu tâm huyết nhằm xây dựng một hệ thống thu thập và tách thông tin một cách hiệu quả. Những gì tôi làm được vẫn chỉ là bước đầu và còn có nhiều giới hạn. Tuy nhiên, tôi hy vọng rằng những nghiên cứu và sản phẩm của tôi sẽ được tiếp tục phát triển và thật sự có ích cho những người tiêu dùng tại Việt Nam.
Các file đính kèm theo tài liệu này:
- 8100.doc