Tải bản đầy đủ

Luận văn:Link spam với đồ thị web và hạng trang web ppt

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Nguyễn Thu Trang
Link spam với đồ thị web
và hạng trang web
Khoá luận tốt nghiệp đại học hệ chính quy
Ngành: Công Nghệ Thông Tin
Cán bộ hướng dẫn: TS. Hà Quang Thụy
Cán bộ đồng hướng dẫn: CN. Nguyễn Hoài Nam
HÀ NỘI, 2006
Tóm tắt
Bên cạnh sự phát triển của các máy tìm kiếm đặc biệt là các phương pháp tính
hạng trang thì công nghệ spam nhằm đánh lừa máy tìm kiếm để nâng cao hạng
của các trang web cũng phát triển không ngừng. Do vậy một vấn đề đặt ra là phải
nhận diện các trang web là spam, và đưa ra giải pháp tính hạng phù hợp chính
xác hơn có loại bỏ spam.
Khóa luận với đề tài LinkSpam với đồ thị web và hạng trang web tập trung
nghiên cứu các phương pháp nhận diện spam để nâng cao chất lượng hạng trang,
và đề xuất giải pháp tính hạng có xử lý link spam. Khóa luận đã tiến hành thử
nghiệm với máy tìm kiếm NUTCH cho các thuật toán LinkSpam và thu được
những kết quả khả quan ban đầu. Khóa luận cũng giới thiệu các kết quả nghiên

cứu của chúng tôi đã được công bố trong [1, 2, 12].
ii
Lời cảm ơn
Trước tiên, em xin gửi lời cảm ơn sâu sắc nhất đến thầy giáo TS.Hà
Quang Thụy và CN. Nguyễn Hoài Nam, người đã tận tình hướng dẫn
em trong quá trình thực hiện khóa luận tố t nghiệp.
Em chân thành cảm ơn các thầy cô và các cán bộ của trường Công
Nghệ đã tạo cho em những điều kiện thuận lợi để học tập và nghiên
cứu.
Em xin cảm ơn các thầy cô giáo trong bộ môn Các Hệ Thống Thông
Tin, và nhóm xemina Data Mining đã giúp đỡ, hỗ trợ em về kiến thức
chuyên môn.
Cuối cùng, em muốn cảm ơn gia đình và bạn bè, đặc biệt là bố và mẹ,
những người luôn giành cho em tình yêu, niềm tin và động viên giúp
em hoàn thành đề tài.
Sinh Viên
Nguyễn Thu Trang
iii
Mục lục
Tiêu đề i
Tóm tắt ii
Danh sách bảng vi
Danh sách hình vẽ vii
Danh sách các ký hiệu viii
1 Tổng quan về hạng trang và web spam 3
1.1 Giới thiệu hạng trang và spam . . . . . . . . . . . . . . . . . . . . . 3
1.2 Các công nghệ tạo Spam . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Spam văn bản . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Spam liên kết . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Công nghệ giả dạng . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Đồ thị Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Biểu diễn đồ thị Web . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Mô hình Markov . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Tổng kết chương 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Một số phương pháp tính hạng trang cơ bản 13
2.1 Phương pháp PageRank . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 Phương pháp . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2 Tính hạng trang dựa vào tính chất hội tụ . . . . . . . . . . . 15
2.1.3 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Phương pháp HITS . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Thuật toán . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
iv
MỤC LỤC v
2.3 Phương pháp CCP . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Thuật toán . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Các phương pháp xác định LinkSpam 24
3.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2 Phương pháp TrustRank . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.1 Nội dung phương pháp . . . . . . . . . . . . . . . . . . . . . 26
3.2.2 Đánh giá phương pháp . . . . . . . . . . . . . . . . . . . . . 29
3.3 Phương pháp xác định Link Farm . . . . . . . . . . . . . . . . . . . 30
3.3.1 Nội dung phương pháp . . . . . . . . . . . . . . . . . . . . . 30
3.3.2 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4 Đề xuất phương pháp cải tiến . . . . . . . . . . . . . . . . . . . . . 34
4 Thử nghiệm 36
4.1 Giới thiệu hệ thống NUTCH . . . . . . . . . . . . . . . . . . . . . . 36
4.2 Thử nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 Môi trường thử nghiệm . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 Kết quả . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Kết luận 40
Tài liệu tham khảo 41
A Mã chương trình 43
A.1 Phân tích liên kết . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.2 Lọc Spam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Danh sách bảng
4.1 Tập các site nhân của link farm . . . . . . . . . . . . . . . . . . . . 38
vi
Danh sách hình vẽ
1.1 Một cấu trúc liên kết tối ưu nhằm tăng hạng trang . . . . . . . . . 6
1.2 Một dạng spam với trang gốc p
0
. . . . . . . . . . . . . . . . . . . . 8
1.3 Một cấu trúc liên kết giữa nhiều spam farm không theo quy luật . . 8
1.4 Hai spam farm có chia sẻ liên kết với nhau . . . . . . . . . . . . . . 9
1.5 Một cấu trúc gồm 3 spam farm liên kết theo dạng vòng . . . . . . . 9
1.6 Một đồ thị web đơn giản gồm 4 đỉnh, 4 cung . . . . . . . . . . . . . 10
2.1 Tốc độ hội tụ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Mô tả tính chất authority và hub . . . . . . . . . . . . . . . . . . . 18
2.3 Mở rộng tập cơ sở T từ tập nhân S . . . . . . . . . . . . . . . . . . 19
3.1 Phương pháp phân phối giảm dần . . . . . . . . . . . . . . . . . . . 27
3.2 Phương pháp chia đều giá trị trust . . . . . . . . . . . . . . . . . . 28
3.3 Đồ thị gồm 7 trang web đã được đánh dấu trang tốt, xấu . . . . . . 28
3.4 Biểu đồ kết quả thử nghiệm TrustRank [13] . . . . . . . . . . . . . 29
3.5 Đồ thị Web nhỏ gồm 6 trang thuộc 6 domain khác nhau . . . . . . 31
3.6 Biểu đồ kết quả phân phối cá c trang spam [4] . . . . . . . . . . . . 34
vii
Bảng ký hiệu và từ viết tắt
Ký hiệu Ý nghĩa
MAP Modified Adaptive PageRank
HITS Hypertext Induced Topic Search
CCP Connected Component in PageRank
SEOs Search Engine Optimizes
viii
Lời mở đầu
Bài toán tính hạng các đối tượng trên Web (trang Web, tác giả, chủ đề )
nói chung, và bài toán tính hạng trang Web nói riêng, có ý nghĩa quan trọng
trong lĩnh vực khai phá Web. Trong thời gian gần đây, nhiều công trình
nghiên cứu trên thế giới giải quyết bài toán tính hạng trang Web, chẳng hạn
như [3-17], đã được công bố. Lớp thuật toán tính hạng trang điển hình nhất
là lớp thuật toán khai thác mối liên kết giữa các trang Web trong một đồ
thị Web. Một số kết quả nghiên cứu của chúng tôi về tính hạng trang web
trong máy tìm kiếm tập trung vào việc đề xuất các cải tiến nhằm tăng tốc
thuật toán tính hạng trang và thi hành trên một máy tìm kiếm tiếng Việt
đã được công bố trong [1, 2, 12].
Hướng người dùng đã trở thành xu hướng nghiên cứu nổi bật về hạng
trang trong thời gian gần đây. Trong hai năm gần đây nhất, theo xu hướng
đó là một số lượng đáng kể các công trình nghiên cứu liên quan tới khái niệm
spam, điển hình nhất là [3, 4, 5, 8, 13, 14] , đã được công bố. Các công trình
nghiên cứu này được phân thành hai lớp chính. Lớp thứ nhất đề cập tới các
giải pháp nhằm làm tăng giá trị cơ sở của hạng trang khi tăng cường ngữ
nghĩa của các liên kết giữa các trang Web nhằm làm phù hợp hơn với ngữ
cảnh ứng dụng. Lớp thứ hai quan tâm tới các giải pháp tính hạng trang hiển
thị khi trình diễn kết quả phù hợp hơn với ngữ cảnh tìm kiếm của người sử
dụng.
Khóa luận tốt nghiệp với đề tài LinkSpam với đồ thị web và hạng trang
web tiến hành việc khảo sát, phân tích các giải pháp xác định LinkSpam đã
được đề xuất trong hai năm gần đây để từ đó đề xuất các cải tiến giải pháp
vào việc tính hạng trang trong máy tìm kiếm.
Khóa luận này gồm bốn chương nội dung được mô tả sơ bộ như dưới đây.
Chương 1. Tổng quan về hạng trang và spam giới thiệu những nội dung
cơ bản nhất về bài toán tính hạng web và sự xuất hiện của các công
nghệ spam nhằm nâng cao hạng trang. Ngoài ra, chương này cũng giới
thiệu về đồ thị web và cơ sở của thuật toán tính hạng trang.
Chương 2. Một số phương pháp tăng tốc tính hạng trang trình bày hai
phương pháp tính hạng trang cơ bản, được đề xuất sớm nhất, đã trở
thành cơ sở cho các thuật toán tính hạng và xác định WebSpam sau
này. Đồng thời, chương này cũng giới thiệu thuật toán tính h ạng trang
theo khối dựa vào tính chất liên thông, một kết quả nghiên cứu đã
được công bố của chúng tôi.
Chương 3. Các phương pháp xác định LinkSpam khảo sát và phân tích kỹ
lưỡng các phương pháp xác định LinkSpam và đưa ra những đánh giá
về ưu nhược điểm của chúng trong việc xác định các trang web là spam
hay không. Đồng thời, chương này cũng trình bày phương pháp xác
định LinkSpam do tôi đề xuất dựa trên cơ sở các phân tích đánh giá
nói trên.
Chương 4. Thử nghiệm trên hệ thống NUTCH phân tích hệ thống NUTCH
(một máy tìm kiếm mã nguồn mở) và một số cài đặt cải tiến của chúng
tôi, đặc biệt đối với thành phần tính hạng trang Web. Kết quả thử
nghiệm đánh giá phương pháp cho thấy tính khả dụng của nói. . . .
Phần kết luận tổng kết và tóm lược nội dung chính của khóa luận.
Chương 1
Tổng quan về hạng trang và web
spam
1.1 Giới thiệu hạng trang và spam
Ngày nay, sự phát triển nhanh chóng của mạng Internet đã tạo ra một khối lượng
khổng lồ các tài liệu web chứa đựng thông tin đa dạng và thường xuyên được thay
đổi từng ngày từng giờ. Tuy nhiên chỉ một phần nhỏ những thông tin đó là hữu
ích với mỗi người dùng, do vậy một nhu cầu được đặt ra là cần phải xây dựng công
cụ tìm kiếm có chức năng cung cấ p các trang web có nội dung đáp ứng yêu cầu
tìm kiếm của người dùng với thời gian cho phép.
Công cụ tìm kiếm trên Internet, mà cụ thể là các máy tìm kiếm, cho phép tìm
kiếm từ một tập rất lớn các tài liệu web các trang web liên quan tới câu hỏi của
người dùng. Câu hỏi thường là từ khóa hoặc tập các từ khóa. Thông thường, kết
quả tìm kiếm các trang Web liên quan đến từ khoá có thể lên tới hàng vạn trang,
trong khi người dùng chỉ quan tâm đến một số trong đó. Do vậy cần tìm ra các
trang đáp ứng tốt nhất đối với yêu cầu người dùng để đưa lên trước. Việc làm như
vậy được gọi là tính hạng trang Web của máy tìm kiếm. Phương án nguyên thủy
nhất tính hạng trang Web là tính độ quan trọng của nó. Độ quan trọng hay còn gọi
hạng trang (PageRank) là đại lượng cơ sở để xếp hạng các trang web. Các phương
pháp tính hạng trang đều thừa nhận một giả thiết là nếu một trang web mà được
nhiều trang khác trỏ (link) tới thì trang web đó là quan trọng. Do vậy giá trị cơ sở
của hạng trang được tính toán dựa trên mối liên kết giữa các trang web. Phương
pháp tính hạng PageRank và HITS [6, 9] là những thuật toán tính hạng cơ bản,
1.1. GIỚI THIỆU HẠNG TRANG VÀ SPAM 4
nền tảng và đã được áp dụng hiệu quả vào các máy tìm kiếm như Google,Yahoo!.
Chúng tôi [1, 2, 12] đã đề xuất một số cả i tiến tính hạng trang Web trong [9] và áp
dụng thử nghiệm cho máy tìm kiếm Vinahoo, một máy tìm kiếm tiếng Việt được
phát triển từ phần mềm nguồn mở máy tìm kiếm ASPseek.
Người dùng thường chỉ tập trung vào trang kết quả trả về đầu tiên của máy
tìm kiếm, tức là trang chứa địa chỉ của 10 trang web đầu tiên tương ứng với truy
vấn của người dùng. Điều đó có nghĩa là chỉ một phần nhỏ các trang kết quả được
người dùng duyệt, xem nội dung. Trong khi tạo ra các trang web, đặc biệt là các
trang thương mại điện tử và quảng cáo, người tạo ra chúng mong muốn và chú
trọng tới việc tăng số lượng truy cập vào trang đó. Hướng tới mục tiêu như vậy,
người tạo trang web cố gắng đưa ra các công nghệ để cải thiện thứ hạng của trang
trong máy tìm kiếm. Vì vậy đã xuất hiện khái niệm spam đối với máy tìm kiếm
hay web spam
1
, được Monika Henzinger, Rajeev Motwani và Craig Silverstein đưa
ra trong [7], và trang web sử dụng các kỹ thuật spam đó được gọi là web spam.
Đồng thời, các dịch vụ tối ưu hạng trang web và tương ứng, một ngành mới đã ra
đời - đó là tối ưu máy tìm kiếm (SEOs
2
).
Vấn đề web spam còn phải nói đến các trang web với thông tin không đúng,
mang những nội dung sai trái. . Tuy nhiên, khóa luận này chỉ đề cập đến vấn đề
spam đối với máy tìm kiếm. Trong giới hạn ngữ cảnh như vậy, công nghệ spam là
các kỹ thuật nhằm mục đích nâng cao hạng của các trang web.
Ngày nay, spam đã trở thành phổ biến và được thương mại hóa nên một trong
những vấn đề đặt ra cho máy tìm kiếm là đưa ra độ đo để xác định, loại bỏ spam,
nhằm đảm bảo sự chính xác và phù hợp của hạng trang.
Các máy tìm kiếm trên mạng đã phát triển và cải tiến công nghệ để nhận diện
và loại bỏ spam. Nhưng khi công nghệ tìm kiếm được phát triển thì các kỹ thuật
spam mới cũng được tạo ra tương ứng. Do vậy các công nghệ chống spam ở các
máy tìm kiếm thực tế thường không công khai để hạn chế thông tin nhằm ngăn
chặn sự phá hoại của những người tạo spam. Tuy nhiên, các công nghệ spam đang
và sẽ vẫn tiếp tục được phát triển. Vì vậy nghiên cứu vấn đề nhận diện spam và
phát triển các thuật toán tính hạng trang có loại trừ ảnh hưởng của spam là rất
cần thiết và có ý nghĩa. Nắm bắt được cách thức tạo spam là tiền đề cần thiết
để nhận diện spam và phát triển các thuật toán tính hạng trang có loại trừ ảnh
1
Trong tài liệu gọi đơn giản là spam
2
Search Engines Optimizers
1.2. C ÁC CÔNG NGHỆ TẠO SPAM 5
hưởng của nó. Phần dưới đây trình bày các cách thức như vậy.
1.2 Các công nghệ tạo Spam
Theo Monika Henzinger, Rajeev Motwani, và Craig Silverstein [7], công nghệ spam
có thể được chia thành 3 loại chính: spam văn bản (text spam), spam liên kết (link
spam) và giả dạng (cloaking).
1.2.1 Spam văn bản
Tất cả các máy tìm kiếm đều dựa vào nội dung văn bản để quyết định độ phù hợp
của từng trang theo câu truy vấn (độ đo TFIDF). Từ đó, công nghệ spam văn bản
hướng vào việc thay đổi nội dung văn bản nhằm nâng cao hạng trang theo một số
cách sau đây:
1. Dựa vào các đặc điểm của máy tìm kiếm, tập trung vào một tập nhỏ các từ
khóa và cố gắng nâng cao chất lượng của tập từ khóa đó trong văn bản:
• Lặp các từ khóa ở cuối trang để không ảnh hưởng nhiều tới người dùng
nhưng lại có ý nghĩa đối với máy tìm kiếm. Để không ảnh hưởng nhiều
tới người dùng, phần văn bản được lặp đó có thể được tạo với phông
chữ nhỏ, hay được ẩn đi bằng cách sử dụng màu chữ cùng màu nền
• Đưa từ khóa vào phần tiêu đề của trang hay các mục lớn của trang web.
Vì các máy tìm kiếm thường đánh giá cao các từ khóa ở tiêu đề.
• Thêm các từ khóa vào phần nội dung thẻ META
3
, nội dung trong đó
được máy tìm kiếm đánh giá cao do ngầm định ở đó chứa các thông tin
quan trọng của trang web. Do vậy những người tạo spam có thể lạm
dụng thẻ này. Ví dụ:
<meta name=“keywords” content=“ máy ảnh, máy quay, máy in, Sony,
Canon, Epson, Xerox”>
• Ngoài ra có thể thêm từ khóa vào nội dung của các liên kết (anchor
text). Một ví dụ đơn giản:
<a href=“target.html”>máy tính, máy in, PC, Laptop, ổ cứng, HDD,
thiết bị, giá rẻ, miễn phí, bảo hành, tiết kiệm </a>
3
Một thẻ hay tag của ngôn ngữ HTML
1.2. C ÁC CÔNG NGHỆ TẠO SPAM 6
Hình 1.1: Một cấu trúc liên kết tối ưu nhằm tăng hạng trang
2. Cố gắng tă ng số lượng từ khóa của văn bản được đánh giá:
• Cách đơn giản nhất là thêm một tập lớn từ (có thể là cả từ điển) ở cuối
trang web để tăng khả năng được hiển thị cho nhiều truy vấn khác nhau
khả năng trang web đặc biệt với các câu truy vấn không rõ nghĩa.
• Thậm chí có thể lặp nội dung của cả văn bản, và đồng thời lặp các từ
khóa ở nhiều vị trí trong văn bản . .
1.2.2 Spam liên kết
Giả thiết được thừa nhận là độ quan trọng của trang phụ thuộc vào số lượng liên
kết trỏ tới trang đó là nền tảng của các phương pháp tính hạng trang dựa vào liên
kết. Đối với các phương pháp tính hạng trang như vậy, máy tìm kiếm có khả năng
xác định hạng của trang web độc lập với yêu cầu của người dùng vì chỉ căn cứ vào
liên kết trong đồ thị Web. Tuy nhiên, điều đó cũng được những người tạo spam lợi
dụng để nâng cao hạng trang theo cách thay đổi cấu trúc đồ thị web. Đó là công
nghệ link spam
4
hay spam liên kết. Mục đích nhằm vào các hệ thống dùng phương
pháp tính hạng thô dựa trên số liên kết vào để quyết định độ quan trọng của trang
web như các thuật toán PageRank, HITS (sẽ được trình bày chi tiết ở chương 2).
Chúng ta xem xét mô hình cấu trúc liên kết nhằm nâng cao hạng trang được tính
theo PageRank hình 1.1, theo Z. Gyongyi và H. Garcia-Molina [14]. Trong mô hình
có:
4
LinkSpam và link spam là cùng nghĩa
1.2. C ÁC CÔNG NGHỆ TẠO SPAM 7
- Các trang "inaccessible" là các trang mà người tạo spam không có quyền
thay đổi, thêm nội dung mới.
- Các trang own là các trang do người tạo spam làm chủ, có toàn quyền sửa
đổi, tạo mới.
- Các trang accessible là các trang không phải own nhưng cho phép viết thêm
nội dung (như viết bài trong các blog)
Mục tiêu của người tạo spam là tạo các liên kết có lợi để tăng hạng của một
hay nhiều trang trong nhóm own, nhóm các trang own đó được gọi là spam farm.
Như trong mô hình trên là cấu trúc liên kết nhằm nâng cao độ quan trọng của
trang t.
Z. Gyongyi và H. Garcia-Molina [14] đã đưa ra một số kỹ thuật tạo link spam
nhằm tăng số liên kết đến và liên kết ra của các trang spam:
1. Những người tạo spam có thể dễ dàng thêm các liên kết ra từ các trang web
của họ tới các trang tốt, với hi vọng tăng trọng số hub
5
của trang. Trên các
site dmoz.org, Yahoo!. có danh sách địa chỉ các web site được phân theo
các chủ đề từ lớn đến nhỏ đề rất cụ thể. Do vậy những người tạo spam dễ
dàng lấy thông tin đó đưa vào trang web của mình, từ đó tạo ra một cấu
trúc liên kết ngoài rất lớn.
2. Việc tăng số liên kết đến của một trang web không đơn như việc thêm các
liên kết ra, những người tạo spam có thể dựa và o một số kỹ thuật:
• Tạo một nhóm các trang web cung cấp các thông tin hữu ích (như các
tài liệu hướng dẫn lập trình Java bằng Tiếng Việt) gọi là trang gốc
6
,
và từ các trang đó tạo các liên kết đến các trang spam. Ví dụ hình 1.2
với p
0
là trang gốc, p
1
là trang spam. Các trang gốc chứa thông tin hữu
ích nên có khả năng sẽ được nhiều trang khác trỏ tới và sẽ có hạng cao.
Những trang gốc này không nhất thiết trùng chủ đề với các trang spam
do mục tiêu nhằm có được các trang có hạng cao và phân chia hạng đó
cho các trang spam qua các liên kết ra.
5
Một độ đo tính theo thuật toán HITS
6
Chỉ dùng trong tài liệu này
1.2. C ÁC CÔNG NGHỆ TẠO SPAM 8
Hình 1.2: Một dạng spam với trang gốc p
0
Hình 1.3: Một cấu trúc liên kết giữa nhiều spam farm không theo quy luật
• Tạo các bài viết chứa các liên kết tới trang muốn spam tại các trang
cho phép viết bài như các trang blog, wiki Để tránh việc kiểm soát
của những người quản lý, những người tạo spam có thể sử dụng các kỹ
thuật để che dấu các liên kết đó với người xem nhưng vẫn được xử lý
bởi các máy tìm kiếm (như việc sử dụng linh hoạt màu sắc).
• Mua các tên miền đã hết hạn và tận dụng các liên kết sẵn có tới các
trang web trong đó.
• Một kỹ thuật quan trọng đó là việc tạo spam farm (nhóm các trang web
spam có liên kết với nhau). Những người tạo spam có thể nắm giữ một
số lượng lớn các site vì vậy họ dễ dàng tạo cấu trúc liên kết tùy ý giữa
các trang trong các site của họ nhằm nâng cao hạ ng của các trang đó.
Ví dụ: hình 1.3 với các nút màu xám là các trang spam.
• Một nhóm những người tạo spam liên kết lại với nhau và tạo các liên
1.2. C ÁC CÔNG NGHỆ TẠO SPAM 9
Hình 1.4: Hai spam farm có chia sẻ liên kết với nhau
Hình 1.5: Một cấu trúc gồm 3 spam farm liên kết theo dạng vòng
kết tới các site của nhau. Hình 1.4 là ví dụ với các trang p, q thuộc là
hai spam farm.
Một phương pháp cơ bản tạo link spam là người tạo spam đặt link farm, một
tập hợp các liên kết trỏ tới tất cả các trang trong cùng site nào đó mà họ muốn,
ở cuối mọi trang web. Đây là trường hợp đơn giản của spam farm, do vậy dễ dàng
được máy tìm kiếm nhận ra, nhưng còn có những kỹ thuật khác tinh vi hơn, như
việc tạo các web vòng (web-ring) như hình 1.5 với các trang spam r
0
, p
0
, q
0

liên kết tạo vòng, hay tạo nhóm các trang web có mật độ liên kết lớn.
1.2.3 Công nghệ giả dạng
Bên cạnh hai kỹ thuật tạo spam trên, giả dạng (cloaking) là kỹ thuật tạo ra nội
dung hoàn toàn khác giữa những gì máy tìm kiếm crawl về với những gì sẽ được
1.3. ĐỒ THỊ WEB 10
hiển thị cho người dùng. Hơn nữa, kỹ thuật này cũng hướng tới sự khác nhau giữa
các lần crawl khác nhau của máy tìm kiếm. Việc kết hợp với các kỹ thuật spam
văn bản và spam liên kết cũng được áp dụng cho các trang web trả về cho máy
tìm kiếm để nâng cao hạng trang. Vì vậy máy tìm kiếm bị đánh lừa về nội dung
của trang web và đưa ra đánh giá hạng trang không chính xác.
1.3 Đồ thị Web
1.3.1 Biểu diễn đồ thị Web
Web có thể được mô hình như là một đồ thị có hướng G = (V, E) với tập các đỉnh
V là các trang web (V có n trang, được đánh chỉ số từ 1 tới n) , và tập các cung E là
tập các cạnh mà mỗi cạnh ứng với một siêu liên kết giữa hai trang web: E={(i, j)
|nếu có liên kết từ i trỏ đến j}.
Hình 1.6: Một đồ thị web đơn giản gồm 4 đỉnh, 4 cung
Trong thực tế từ một trang web p có thể có nhiều liên kết hướng tới một trang
q khác. Nhưng khi biểu diễn mối liên kết ta chỉ biểu diễn bởi một cung (p, q) ∈ E,
đồng thời cũng bỏ qua các liên kết trong cùng một trang tức là tự liên kết. Hình 1.6
biểu diễn một đồ thị đơn giản với 4 trang web và có 5 liên kết.(Tuy nhiên có thể
mô hình đồ thị Web với các đỉnh là các site thay vì các trang web, và các liên kết
giữa các trang khi đó sẽ thay bởi các liên kết giữa các site).
Mỗi trang có các liên kết vào và các liên kết ra, gọi N(p) là số liên kết vào của
trang p và B(p) là số liên kết ra từ trang p. Ví dụ trong hình 1.6 số liên kết vào
của trang 3 là 1 và số liên kết ra là 2.
Trên World Wide Web có nhiều trang không có liên đến đến hoặc không có liên
kết ra, những trang không có liên kết đến gọi là các trang không được tham chiếu,
những trang không có liên kết ra gọi là các trang không tham chiếu và trong đồ
thị Web nó trở thành các dangling node
7
.
7
Node có bậc bằng 0, không có cung đi ra
1.3. ĐỒ THỊ WEB 11
Có nhiều cách để biểu diễn một đồ thị có hướng G, ở đây tôi xin giới thiệu hai
cách biểu diễn đơn giản được sử dụng trong các thuật toán sẽ trình bày ở chương
sau.
Biểu diễn đồ thị Web bởi ma trận kề A:
A = (a
ij
)
n×n
Trong đó:
a
ij
=

1 nếu (i, j) ∈ E
0 nếu (i, j) /∈ E
Biểu diễn đồ thị Web bởi ma trận chuyển P:
P = (p
ij
)
n×n
Trong đó:
p
ij
=

1/B(i) nếu (i, j) ∈ E
0 nếu (i, j) /∈ E
Đặc điểm của ma trận P: các dòng tương ứng với các nút có liên kết ra luôn
có tổng bằng 1, còn các dòng tương ứng với các dangling nút sẽ toàn 0.
Với ví dụ hình 1.6 có:
A =






0 1 0 0
0 0 1 0
0 1 0 1
0 0 0 0






và P =






0 1 0 0
0 0 1 0
0
1
2
0
1
2
0 0 0 0






1.3.2 Mô hình Markov
Giả sử tại thời điểm k, người dùng u đang duyệt trang web p thì tại bước tiếp
theo, thời điểm (k + 1), người dùng đó có thể chọn một trong các liên kết ra từ
p: out = {q|(p, q) ∈ E} để xem tiếp một cách ngẫu nhiên. Tức là tại thời điểm
(k + 1), xác suất để người dùng u tới trang q ∈ out là 1/B(p).
1.4. T ỔNG KẾT CHƯƠNG 1 12
Giả thiết chuỗi Markov được tạo ra bởi các bước duyệt ngẫu nhiên liên tiếp
trên đồ thị Web G. Khi đó mô hình Markov được biểu diễn bởi ma trận xác suất
chuyển P, là ma trận vuông cấp n (với n là số node trong đồ thị G) với thành
phần p
ij
là xác suất chuyển từ trạng thái i (trang i) tới trạng thái j (trang j ) chỉ
với một bước chuyển.
Từ đó, ma trận xác suất chuyển P của mô hình Markov tương đương ma trận
chuyển P trong biểu diễn đồ thị Web (xem mục 1.3.1).
Với p
k
ij
là xác suất chuyển từ trạng thái i đến j sau k bước chuyển. Theo tính
chất ergodic của xích Markov suy ra có: nếu min
i,j
p
k
ij
> 0 thì tồn tại phân phối
dừng (hay bất biến) của xích Markov với ma trận xác suất chuyển P.
Với giả thiết đồ thị web là liên thông, khi đó tính chất trên được thỏa mãn.
Tức xác suất được duyệt tới của các trang trong đồ thị web là ổn định, và giá trị
đó được coi là hạng trang theo phương pháp PageRank[9].
1.4 Tổng kết chương 1
Xác định và loại bỏ ảnh hưởng của web spam đối với bài toán tính hạng trang là
một vấn đề quan trọng trong máy tìm kiếm. Chương này đã giới thiệu về các công
nghệ tạo spam chính hiện nay, trong đó link spam là kỹ thuật đáng quan tâm vì
có ảnh hưởng lớn, trực tiếp đến kết quả tính hạng trang của máy tìm kiếm. Các
chương tiếp theo sẽ trình bày các thuật toán tính hạng trang cơ bản và các phương
pháp cải tiến nhằm nâng cao chất lượng tính hạng trang với việc nhận diện và xử
lý link spam.
Chương 2
Một số phương pháp tính hạng
trang cơ bản
Để đánh giá độ quan trọng của các trang web, máy tìm kiếm có thể sử dụng các
thuật toán tính hạng độc lập yêu cầu người dùng tức là chỉ dựa vào số lượng các
liên kết giữa các trang web. Nhiều thuật toán tính hạng trang đang được sử dụng
đều tính toán dựa trên liên kết giữa các trang web với nhau, trong đó các thuật
toán điển hình là PageRank, HITS [6, 9]. Kết quả nghiên cứu của chúng tôi nhằm
tăng tốc tính hạng trang và cài đặt vào máy tìm kiếm cũng được trình bày [2, 12].
2.1 Phương pháp PageRank
2.1.1 Phương pháp
Đây là một trong các phương pháp tính hạng đầu tiên dựa vào mối liên kết giữa
các trang. Page và các đồng tác giả [9] đã đưa ra ý tưởng: độ quang trọng của một
trang chịu ảnh hưởng của độ quan trọng từ các trang liên kết đến nó. Và công thức
tính PageRank cho một trang u, gọi là π
u
được tính như sau:
π
u
=

i∈B
I
(i)
π
i
N
i
(2.1)
Với B
I
(i) là tập hợp các trang có liên kết đến trang i.
2.1. P HƯ ƠNG PHÁP PAGERANK 14
Biểu diễn đồ thị Web bởi ma trận chuyển P, khi đó phương trình (2.1) được
viết lại dưới dạng ma trận:
π = πP (2.2)
Trong đó: π = (π
1
, π
2
, . . . π
n
) là véctơ hạng các trang web, với thành phần π
i
là hạng của trang i.
Từ (2.2) cho thấy véctơ hạng trang π chính là véctơ riêng của ma trận chuyển
P tương ứng với giá trị riêng λ = 1.
Do tính chất của chuỗi Markov, để tính véctơ riêng của P thuật toán giả thiết
rằng đồ thị trang Web là liên thông, tức với cặp hai trang Web i, j bất kì luôn có
đường đi từ i tới j và ngược lại. Tuy nhiên thực tế trên World Wide Web (WWW)
vẫn tồn tại không ít các trang web không có liên kết đến hoặc liên kết ra nên việc
giả thiết đồ thị Web liên thông là không hợp lý. Và trong ma trận P vẫn tồn tại
hàng chỉ toàn số 0, nên không tồn tại một phân phối xác suất dừng ổn định của
P hay chính là véctơ hạng trang. Vậy cần phải biến đổi ma trận P thành P

cho
phù hợp.
Định nghĩa véctơ v, được chuẩn hóa  v = 1, xác định xác suất phân phối với
v
i
là xác suất trang web i được gọi đến ở lần duyệt web đầu tiên. Véctơ v có vai trò
trong việc hướng kết quả PageRank theo chủ đề, lĩnh vực mong muốn. Khi không
xét đến ngữ cảnh đó có thể chọn v
i
=
1
n
với ∀i = 1, 2 n .
Gọi d là véctơ n × 1 xác định các dangling nút:
d
i
=

1 nếuN(i) = 0
0 ngược lại
Ma trận P

được xác định:
P

= P + dv (2.3)
Khi thay đổi ma trận P như vậy tức thêm các liên kết ảo từ các dangling nút
tới tất cả các nút khác trong đồ thị Web theo phân phối xác suất v. Điều đó giúp
tránh việc khi duyệt các trang không có liên kết ra sẽ không duyệt tiếp được.
Để đảm bảo phân phối dừng ổn định (duy nhất), chuỗi Markov tương ứng với
quá trình duyệt Web của người dùng cần có tính chất ergodic, tức từ một trang
2.1. P HƯ ƠNG PHÁP PAGERANK 15
web người dùng có thể chuyển tới một trang bất kì khác. Do vậy ma trận Markov

P được xác định như sau:

P = αP

+
(1 − α)
J
(2.4)
Với: J = [1]
n×1
v
α: là hệ số hãm
Qua thực nghiệm, α thường được chọn giá trị 0.85. Với ý nghĩa, tại mỗi bước
duyệt Web người dùng có thể chuyển tới một trang trong các liên kết ra từ trang
hiện tại với xác suất α và chuyển tới các trang khác trong đồ thị Web với xác suất
(1 − α) theo phân phối v.
Khi đó, thay vì tính vector riêng của ma trận P ta tính vector riêng π của ma
trận

P :
π = π

P (2.5)
Theo tính chất của chuỗi Markov, tổng các thành phần của véctơ π bằng 1:
n

i=1
π
i
= 1
Véctơ hạng trang được tính toán dựa theo liên kết, hạng của mộ t trang web
phụ thuộc giá trị hạng của các trang liên kết đến, nên việc tính hạng có thể dẫn
tới vòng lặp vô hạn. Tuy nhiên với công thức 2.5, véctơ hạng trang có thể được
tính một cách đơn giản đó là tính véctơ riêng của ma trận

P .
Có nhiều phương pháp tính véctơ riêng của ma trận nhưng với ma trận rất lớn
của đồ thị các trang web thì không phải phương pháp nào cũng phù hợp. Phần
sau sẽ giới thiệu phương pháp lặp tính véctơ riêng của ma trận, tính hạng
2.1.2 Tính hạng trang dựa vào tính chất hội tụ
Page và Brin [9] đã sử dụng phương pháp lặp để tính hạng trang và qua thực
nghiệm họ đưa ra đồ thị hình 2.1 biểu diễn mối quan hệ giữa bước lặp và độ sai
lệch giữa hai vòng lặp liên tiếp.
Từ đồ thị, các tác giả thấy độ sai khác giá trị hạng trang giữa hai vòng lặp liên
tiếp giảm tuyến tính theo hàm log n, và tốc độ hội tụ khá nhanh sau khoảng 50
vòng lặp. Phương pháp tính hạng bằng cách thực hiện các vòng lặp, và từ tính hội
2.1. P HƯ ƠNG PHÁP PAGERANK 16
Hình 2.1: Tốc độ hội tụ
Thuật toán 1 Tính PageRank theo phương pháp lặp
1: i ← 0
2: π
[0]
← v
3: repeat
4: i ← i + 1
5: π
[i]
← αP
T
π
[i−1]
+ (1 − α)v
6: until  π
[i]
− π
[i−1]
< 
7: π = π
[i]
2.1. P HƯ ƠNG PHÁP PAGERANK 17
tụ xác định ngưỡng , là sai số chấp nhật được của giá trị hạng trang, làm điều
kiện dừng (xem thuật toán 1).
Phương pháp PageRank khá tốt, được áp dụng trong rất nhiều máy tìm kiếm
trên Internet. Nhưng do dựa trên vòng lặp, trong khi đồ thị Web có kích thước rất
lớn (khoảng 11,5 tỉ trang web)
1
nên thời gian tính toán có thể lên tới nhiều ngày.
Điều này ảnh hưởng đến chất lượng của máy tìm kiếm. Do vậy, Sepandar Kamvar
và các đồng tác giả [?] đã đưa ra ý tưởng cải tiến để tăng tốc độ tính toán, gọi
là phương pháp Modified Adaptive PageRank hay MAP. Và chúng tôi [1] đã tiến
hành thử nghiệm, đưa ra những đánh giá khá tốt về phương pháp này.
Qua thực nghiệm tính hạ ng, các tác giả nhận thấy tốc độ hội tụ của các trang
là không giống nhau. Do đó có thể giảm bớt tính toán, tận dụng những trang hội
tụ trước bằng cách không tính lại hạng cho các trang đó ở các vòng lặp tiếp sau.
Giả sử tại vòng lặp thứ k, có các tập hợp C các trang có hạng hội tụ theo  và N
là tập các trang có hạ ng chưa hội tụ. Sắp xếp lại ma trận P và véc tơ π ta có:
π
[k]
= (π
[k]
N
π
[k]
C
)và P =

P
NN
P
NC
P
CN
P
CC

Trong đó:
P
NN
: là ma trận kề của các trang chưa hội tụ có liên kết đến các trang
chưa hội tụ.
P
NC
: là ma trận kề của các trang chưa hội tụ có liên kết đến các trang
đã hội tụ.
P
CN
: là ma trận kề của các trang đã hội tụ có liên kết đến các trang
chưa hội tụ.
P
CC
: là ma trận kề của các trang đã hội tụ có liên kết đến các trang
đã hội tụ.
Vì π
C
đã hội tụ nên ở vòng lặp thứ k không cần tính lại, ta chỉ tính thành phần
chưa hội tụ: π
(k+1)
N
= P
NN
π
(k)
N
+ P
CN
π
(k)
C
Với việc biến đổi ma trận với độ hội tụ của các trang như vậy, quá trình tính
toán đã thực sự cải thiện đáng kể.
1
Đánh giá của Google

Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Tải bản đầy đủ ngay

×

×