Luận án Tiến sĩ: Các phương pháp Học máy xác định đặc điểm người dùng trên mạng Internet

1 MỞ ĐẦU Sự phát triển mạnh mẽ của Internet và các dịch vụ trên Internet có những tác động lớn đến nhiều mặt trong xã hội. Chỉ với một thiết bị được kết nối đến mạng Internet, người dùng có thể dễ dàng sử dụng các kênh trao đổi thông tin như website, email, diễn đàn, mạng xã hội, hoặc các dịch vụ khác như tìm kiếm thông tin, thương mại điện tử (TMĐT) v. Một đặc điểm chung của các hệ thống này là không bắt buộc người dùng cung cấp chính xác thông tin cá nhân khi sử dụng. Việc này nhằm khuyến khích và tạo thuận lợi cho người dùng trong quá trình sử dụng, tuy nhiên cũng tạo ra một số vấn đề.

Thứ nhất, người dùng có thể sử dụng các kênh trao đổi thông tin một cách nặc danh hoặc giả mạo, với mục đích xấu. Thứ hai, việc thiếu thông tin cá nhân người dùng làm cho các nhà cung cấp dịch vụ trên Internet gặp khó khăn trong việc cá nhân hóa hệ thống nhằm tăng trải nghiệm cho người dùng, thúc đẩy bán hàng, hoặc thực hiện các hoạt động quảng cáo trực tuyến hiệu quả hơn. Luận án này thực hiện nghiên cứu về vấn đề xác định các đặc điểm của người dùng dựa trên phân tích văn bản do người dùng tạo ra hoặc dựa trên phân tích hành vi người dùng thực hiện trên hệ thống bằng các phương pháp học máy. Các nội dung tiếp theo của phần này bao gồm: Phần 1.1 trình bày lý do lựa chọn đề tài.3 nêu các mục tiêu và đóng góp của luận án.

Nội dung của phần 1.4 là bố cục của toàn bộ luận án. LÝ DO LỰA CHỌN ĐỀ TÀI Xác định đặc điểm người dùng là một trong những mối quan tâm hàng đầu của các nhà cung cấp dịch vụ trên mạng Internet. Đặc biệt, trong bối cảnh xu hướng cá nhân hóa các hệ thống cho phù hợp với từng cá nhân người dùng, việc có được các thông tin về đặc điểm cá nhân của người dùng như giới tính, độ tuổi, nghề nghiệp, v. giúp cho các hệ thống có thể được tối ưu hóa theo các đặc điểm tương ứng hoặc hiển thị các thông tin quảng cáo, tiếp thị, giới thiệu sản phẩm phù hợp với người 2 dùng.

Việc xác định được đặc điểm người dùng còn trợ giúp cho các nhà quản lý trong việc hỗ trợ điều tra tội phạm trực tuyến. Trong các trường hợp tội phạm để lại dấu vết trên hệ thống như các bản tin trực tuyến hoặc các hành vi khác trên hệ thống, việc dựa vào các thông tin này để dự đoán các đặc điểm của tội phạm sẽ giúp khoanh vùng, thu hẹp phạm vi xác định tội phạm, thậm chí trong nhiều trường hợp có thể xác định đích danh tội phạm nếu danh sách nghi phạm là biết trước và có sự phân biệt. Khó khăn lớn nhất của các nhà cung cấp dịch vụ trên mạng Internet cũng như các nhà quản lý là đa phần người dùng không cung cấp hoặc cung cấp không đầy đủ và không chính xác các thông tin cá nhân khi sử dụng các hệ thống trực tuyến. Điều này nhằm bảo vệ tính riêng tư và an toàn thông tin của người dùng trước các tấn công mạng ngày càng phổ biến.

Vì vậy, phương pháp khả dĩ nhất để có được thông tin cá cá nhân người dùng là dự đoán từ các “dấu vết” người dùng để lại trên hệ thống như các bản tin được tạo ra, hay các hành vi người dùng thực hiện trên hệ thống. Kỹ thuật phân tích tác giả văn bản đã được nghiên cứu từ cách đây hàng thập kỷ, khởi đầu là trên các loại văn bản chính thống và có độ dài lớn như sách, tạp chí, bài báo, v. và tập trung vào vấn đề xác minh đích danh tác giả văn bản trong một danh sách tác giả đã được xác định trước (kỹ thuật này còn gọi là xác định tác giả văn bản, authorship attribution, sẽ được trình bày kỹ hơn ở chương sau). Gần đây, do sự phổ biến của các loại văn bản trực tuyến, vấn đề phân tích tác giả văn bản được thực hiện nhiều hơn trên loại văn bản này và tập trung vào xác định các đặc điểm của tác giả (author profiling) do các văn bản trực tuyến thường có độ mở cao nên thường không có thông tin về tác giả của văn bản.

Nhiều nghiên cứu đã được thực hiện trên các loại văn bản trực tuyến khác nhau (email, blog, bài viết mạng xã hội) và trên các ngôn ngữ khác nhau (tiếng Anh, tiếng Hà Lan, tiếng Trung Quốc, tiếng Hy Lạp v. Các nghiên cứu về xác định đặc điểm người dùng dựa trên phân tích hành vi ra đời muộn hơn và trở nên phổ biến trong những năm gần đây do xu hướng quảng cáo trực tuyến hướng đối tượng tăng mạnh trên các hệ thống như 3 website, máy tìm kiếm, thương mại điện tử v. Ưu điểm của kỹ thuật này là không cần thu thập các bản tin do người dùng tạo ra, nhưng việc thu thập các hành vi của người dùng trên hệ thống cũng không hề dễ dàng do chỉ các máy chủ mới có thể làm công việc này. Các nghiên cứu phổ biến trong lĩnh vực này được thực hiện trên các hệ thống như website thông tin, hệ thống mạng di động, v.

Luận án này thực hiện các nghiên cứu trên cả hai lĩnh vực: xác định đặc điểm tác giả văn bản và xác định đặc điểm người dùng dựa trên hành vi. Các nghiên cứu về xác định đặc điểm tác giả văn bản được thực hiện trên các văn bản tiếng Việt là loại ngôn ngữ chưa được nghiên cứu nhiều. Các nghiên cứu về xác định đặc điểm người dùng dựa trên hành vi được thực hiện trên dữ liệu của hệ thống thương mại điện tử. Đây là hệ thống có khả năng áp dụng cao kết quả nghiên cứu do đặc thù bán hàng trực tuyến và theo khảo sát của chúng tôi thì chưa có nghiên cứu nào trước đây về xác định đặc điểm người dùng được thực hiện trên loại hệ thống này.

MỤC TIÊU CỦA LUẬN ÁN Dựa trên nhu cầu thực tiễn và các kết quả nghiên cứu trước đây ở trong nước và quốc tế, luận án đặt ra các mục tiêu chính như sau: - Nghiên cứu vấn đề xác định đặc điểm tác giả văn bản trên loại văn bản mới, chưa được nghiên cứu trước đây. Cụ thể là trên các bài viết diễn đàn tiếng Việt. Thực nghiệm các loại đặc trưng và các phương pháp phân loại để chọn ra các đặc trưng và phương pháp phân loại phù hợp. - Nghiên cứu các phương pháp trích chọn đặc trưng mới cho vấn đề xác định đặc điểm tác giả văn bản, nhằm tăng độ chính xác hoặc tính độc lập trong quá trình nhận diện.

Các phương pháp trích chọn mới có thể tận dụng các đặc điểm đặc thù của ngôn ngữ tiếng Việt để áp dụng trên các văn bản đồng ngôn ngữ. Tuy nhiên, cũng có khả năng áp dụng sang các loại ngôn ngữ khác. - Nghiên cứu vấn đề xác định đặc điểm người dùng dựa trên hành vi trong các hệ thống có nhu cầu cá nhân hóa cao như hệ thống TMĐT. Nghiên 4 cứu, đề xuất các phương pháp trích chọn đặc trưng hiệu quả và các phương pháp phân loại phù hợp.

- Xây dựng ứng dụng thử nghiệm kết quả nghiên cứu của luận án. PHẠM VI NGHIÊN CỨU Xác định đặc điểm người dùng là một lĩnh vực rộng, trên cả khía cạnh loại người dùng và đặc điểm người dùng. Luận án xác định các đối tượng người dùng trong các nghiên cứu là người dùng trên mạng Internet (là người dùng của các hệ thống phổ biến trên Internet như website, email, diễn đàn, hệ thống TMĐT. Do tính mở của mạng Internet và để bảo đảm tính riêng tư, người dùng thường ít tiết lộ đặc điểm cá nhân khi sử dụng và việc xác định đặc điểm người dùng có ý nghĩa quan trọng như đã trình bày ở trên.

Đối với nghiên cứu xác định đặc điểm người dùng dựa trên phân tích văn bản, hiện có nhiều loại văn bản trên nhiều ngôn ngữ đã được các nhà khoa học trên thế giới nghiên cứu, trong đó, các nghiên cứu mới nhất tập trung vào các loại văn bản trực tuyến như thư điện tử (email), nhật ký trực tuyến (blog), bài viết mạng xã hội (social network). Luận án này thực hiện các nghiên cứu về xác định đặc điểm tác giả bài viết diễn đàn tiếng Việt. Đây là một loại văn bản chưa được nghiên cứu nhiều, đặc biệt trong ngôn ngữ tiếng Việt. Các đặc điểm nhận diện bao gồm giới tính, độ tuổi, nghề nghiệp, và vùng miền.

Xác định đặc điểm người dùng dựa trên phân tích hành vi cũng là một lĩnh vực nghiên cứu được quan tâm những năm gần đây. Tuy nhiên, do có sự hạn chế trong vấn đề thu thập dữ liệu mẫu (dữ liệu về hành vi người dùng thường lưu trữ trên máy chủ của các hệ thống và không thể tự động thu thập được các dữ liệu này nếu không có sự cho phép của đơn vị quản lý hệ thống), luận án này chỉ thực hiện nghiên cứu về dự đoán đặc điểm giới tính của khách hàng dựa trên dữ liệu truy cập hệ thống TMĐT. CÁC ĐÓNG GÓP CỦA LUẬN ÁN Để thực hiện các mục tiêu trên, các nghiên cứu về mặt lý thuyết, đồng thời các 5 thực nghiệm thực tế đã được thực hiện để ra các kết quả định lượng. Các đóng góp chính của luận án bao gồm: Đóng góp trong lĩnh vực xác định đặc điểm tác giả văn bản: - Nghiên cứu việc ứng dụng các loại đặc trưng và phương pháp nhận diện khác nhau, trong đó tập trung phân tích sâu về các đặc trưng dựa trên nội dung, cho vấn đề xác định đặc điểm tác giải bài viễn diễn đàn tiếng Việt.

Trước đây, đã có một số công trình nghiên cứu việc sử dụng các từ nội dung cho việc xác định đặc điểm tác giả văn bản, nhưng chưa có các phân tích sâu. Đặc biệt, chưa có nghiên cứu nào thực hiện trên ngôn ngữ tiếng Việt. - Đề xuất một loại đặc trưng mới cho việc xác định đặc điểm tác giả bài viết diễn đàn tiếng Việt. Các đặc trưng mới giúp cho việc nhận diện có độ chính xác cao hơn các đặc trưng cơ bản (dựa trên phong cách), có tính độc lập hơn so với các đặc trưng nội dung, và khi kết hợp với các đặc trưng phong cách hoặc nội dung thì cho kết quả cao hơn.

Đây là các đặc trưng dựa trên đặc thù tiếng Việt như vần và âm tiết, tuy nhiên cũng có thể mở rộng áp dụng sang các ngôn ngữ khác và các loại văn bản khác.