Luận Văn Tìm hiểu về Search Engine và xây dựng ứng dụng minh họa cho Search Engine tiếng Việt

MỞ ĐẦU

Trong thời đại ngày nay, thông tin là nhu cầu thiết yếu đối với mọi người trên mọi lĩnh vực. Mỗi phút trôi qua hàng triệu triệu trang web được đẩy lên nhằm làm giàu nguồn tài nguyên vô tận này. Tuy nhiên tồn tại một nghịch lý là dù được ví như thư viện toàn cầu, internet vẫn không thoả mãn nhu cầu thông tin của con người. Xung quanh vấn đề này có nhiều nguyên nhân nhưng quan trọng nhất là sự thông hiểu giữa con người và công cụ tìm kiếm trên mạng – search engine – chưa đạt đến mức có thể giao tiếp tốt với nhau.
Hơn nữa, mỗi search engine sẽ mang đặc thù của ngôn ngữ mà nó hiển thị như search engine Tiếng Việt phải giải quyết những vấn đề đặc trưng của Tiếng Việt, cụ thể là vấn đề bảng mã, ngữ pháp trong Tiếng Việt.
Nếu ta hiểu cách thức search engine tổ chức thông tin, thực thi một câu truy vấn và đặc trưng của ngôn ngữ mà search engine sẽ tiếp cận thì ta có thể tối ưu hoá cơ hội nhận được các thông tin hữu ích. Đây là mục tiêu chính của luận văn.



Mục lục


Phần 1 : TÌM HIỂU VẤN ĐỀ 2

Chương 1: TỔNG QUAN VỀ HỆ THỐNG SEARCH ENGINE 2

1. Các bộ phận cấu thành hệ thống search engine 2
1.1 Bộ thu thập thông tin – Robot 2
1.2 Bộ lập chỉ mục – Index 2
1.3 Bộ tìm kiếm thông tin – Search Engine 3
2. Nguyên lý hoạt động 3

Chương 2: BỘ THU THẬP THÔNG TIN – ROBOT 5

1. Ứng dụng của Robot 5
1.1 Phân tích, thống kê – Statistical Analysis 5
1.2 Duy trì siêu liên kế - Maintenance 5
1.3 Ánh xạ địa chỉ web - Mirroring 5
1.4 Phát hiện tài nguyên – Resource Discovery 6
1.5 Kết hợp các công dụng trên- Combined uses 6
2. Robot chỉ mục – Robot Indexing 6
3. Các chiến thuật thu thập dữ liệu [II.1] 8
3.1 Chiến thuật tìm kiếm theo chiều sâu 8
3.2 Chiến thuật tìm kiếm theo chiều rộng 9
3.3 Chiến thuật tìm kiếm theo ngẫu nhiên 9
4. Những vấn đề cần lưu ý của web robot 10
4.1 Chi phí và hiểm hoạ 10
4.1.1 Qúa tải mạng và server – Network resource and server load 10
4.1.2 Sự cập nhật quá mức- Updating overhead 11
4.1.3 Những tình huống không mong đợi – Bad implementations 12
4.2 Tiêu chuẩn loại trừ robot 12
4.2.1 File robot.txt 13
4.2.2 Thẻ META dành cho robot – Robot META tag 14
4.2.3 Nhược điểm của file robot.txt 15

Chương 3: BỘ LẬP CHỈ MỤC – INDEX 18

1. Khái quát về hệ thống lập chỉ mục 18
2. Tổng quan về phương pháp lập chỉ mục ([I.1], [I.2], [II.1]) 21
2.1 Xác định mục từ quan trọng cần lập chỉ mục ([I.1]) 21
2.2 Một số hàm tính trọng số mục từ. ([I.1]) 23
2.2.1 Nghịch đảo trọng số tần số tài liệu (The Inverse Document Frequency Weight) 24
2.2.2 Độ nhiễu tín hiệu (Signal Noise): 25
2.2.3 Giá trị độ phân biệt của mục từ : 25
2.2.4 Kết hợp tần số xuất hiện mục từ và nghịch đảo tần số tài liệu 26
2.3 Lập chỉ mục tự động cho tài liệu 28
3. Lập chỉ mục cho tài liệu tiếng Việt ([III.1], [II.1], [II.2], [II.3], [II.4], [IV.11], [IV.12]) 29
3.1 Khó khăn cho việc lập chỉ mục tiếng Việt 29
3.2 Đặc điểm về từ trong tiếng Việt và việc tách từ 31
3.2.1 . Đặc điểm về từ trong tiếng Việt: 31
3.2.2 Tách từ 32
3.3 Giải quyết các vấn đề hiển thị của tiếng Việt (vấn đề chính tả) 34
3.3.1 Vấn đề bảng mã 34
3.3.2 Vấn đề dấu thanh 35
3.3.3 Vấn đề dấu tổ hợp nguyên âm 36
3.4 Giải quyết các vấn đề về từ của tiếng Việt 37
3.4.1 Luật xác định các từ láy 37
3.4.2 Luật xác định các liên từ 37
3.5 Xây dựng từ điển tiếng Việt 37

Chương 4: BỘ TÌM KIẾM THÔNG TIN – SEARCH ENGINE 40

1. Vì sao ta cần một công cụ tìm kiếm (SE) ? 40
2. Các phương thức tìm kiếm 40
2.1 Tìm theo từ khoá – Keyword searching 40
2.2 Những khó khăn khi tìm theo từ khoá 41
2.3 Tìm theo ngữ nghĩa – Concept-based searching 41
3. Các chiến lược tìm kiếm 42
3.1 Tìm thông tin với các thư mục chủ đề 42
3.2 Tìm thông tin với các công cụ tìm kiếm 43
3.3 Tối ưu câu truy vấn 43
3.4 Truy vấn bằng ví dụ 44

Chương 5: MỘT SỐ SEARCH ENGINE THÔNG DỤNG TRÊN THẾ GIỚI VÀ VIỆT NAM 45

1.1 Thư mục của Yahoo, Google 54
1.2 Alltheweb 55
1.3 AltaVista 55
1.4 Lycos 55
1.5 HotBot 55
2. Một số search engine thông dụng ở Việt Nam 56
2.1 Netnam [IV.12] 56
2.1.1 Phương pháp Netnam SE lập chỉ mục dữ liệu 58
2.1.2 Cú pháp tìm kiếm 59
2.1.3 Sử dụng từ khoá để lọc các tìm kiếm 61
2.2 Vinaseek ([IV.11]) 65

Phần 2 : THIẾT KẾ VÀ CÀI ĐẶT 67

Chương 6: THIẾT KẾ DỮ LIỆU 67
1. Cơ sở dữ liệu trong SQL 67
2. Hệ thống tập tin 71
Chương 7: THU THẬP THÔNG TIN 72

1. Cấu trúc dữ liệu 72
1.1 Cấu trúc UrlInfo 73
1.2 Cấu trúc StartUrlInfo 74
1.3 Cấu trúc FileRetrieval 75
1.4 Cấu trúc ProjectInfo 75
2. Xử lý của web robot 78
3. Giải quyết các vấn đề của web robot 83
3.1 Tránh sự lặp lại 83
3.2 Tránh làm qúa tải server 83
3.3 Tránh truy xuất đến các dạng tài nguyên không thích hợp 83
3.4 Tránh các lỗ đen(black holes) 84
3.5 Tránh những nơi cấm robot 84
4. Các thuật toán phân tích cấu trúc file HTML 84
4.1 Thuật toán lấy liên kết 84
4.1.1 Thuật toán ứng dụng cũ đã cài đặt 85
4.1.2 Chọn lựa của ứng dụng mới 89
4.2 Thuật toán lấy tiêu đề 89
4.3 Thuật toán lấy nội dung 90
5. Duy trì thông tin cho CSDL 91
6. Resume project 91
6.1 Nguyên tắc resume của ứng dụng cũ1 92
6.2 Cải tiến của ứng dụng mới 94
Chương 8: LẬP CHỈ MỤC 97
1. Tính trọng số của từ: 97
2. Tập tin nghịch đảo : 98
3. Từ điển chỉ mục 105
4. Quá trình stemming 110

Chương 9: TÌM KIẾM THÔNG TIN 113

Chương 10: CÁC MODULE ,PACKAGE, LỚP CHÍNH CỦA CHƯƠNG TRÌNH 115

1. Các module, package của chương trình 115
2. Các lớp đối tượng chính trong từng module 116
2.1 Module DBController 116
2.2 Module ProcessDoc 117
2.3 Module Query 118
2.4 Module SE 119
2.5 Module Webcopy 119
2.6 Module WebcopyGUI 120

Phần 3 : KẾT QUẢ, ĐÁNH GIÁ VÀ HƯỚNG PHÁT TRIỂN 122

1. Kết quả thử nghiệm 122
2. Hoạt động của chương trình 124
2.1 Giao diện quản trị 124
2.1.1 Giao diện chính của quản trị 124
2.1.2 Tạo mới project 125
2.1.3 Tạo mới một StartUrl : 128
2.1.4 Xem từ điển chỉ mục 131
2.1.5 Quản l‎ý mục từ 132
2.2 Giao diện tìm kiếm 134
3. Đánh giá 136
3.1 Ưu điểm 136
3.2 Khuyết điểm 137
4. Hướng phát triển 137
4.1 Đối với từng module : 137
4.2 Đối với toàn luận văn: 138
DANH SÁCH CÁC BẢNG 139
DANH SÁCH CÁC HÌNH VẼ 140
TÀI LIỆU THAM KHẢO 141
I. Sách, ebook: 141
II. Luận văn, luận án 141
III. Bài báo 142
IV. Website 142