Cùng với sựgia tăng nhanh chóng vềsốlượng các trang Web thì nhu cầu vềkhai
phá dữliệu Web ngày càng nhận được sựquan tâm của các nhà khoa học và các nhóm
nghiên cứu. Trong lĩnh vực khai phá Web thì phân cụm Web là một trong những bài
toán cơbản và quan trọng. Đây cũng là thành phần chịu nhiều ảnh hưởng của các đặc
trưng ngôn ngữ.
Khóa luận này tập trung nghiên cứu vềbài toán phân cụm Web sửdụng phương
pháp xếp hạng. Trên cơsởlý thuyết phân cụm Web và lựa chọn các đặc trưng của
tiếng Việt, khóa luận đã sửdụng phương pháp xếp hạng các cụm từquan trọng vào
phân cụm các tài liệu Web tiếng Việt và tiến hành thực nghiệm. Kết quảthực nghiệm
đánh giá theo các đặc trưng TFDF, độdài (LEN), tương tựnội tại (ICS), entropy nội
tại cụm văn bản (CE) cho thấy đặc trưng TFIDF và LEN có ảnh hưởng lớn hơn so với
các đặc trưng khác.
