Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)

78 180 1
Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)Nghiên cứu một số thuật toán phân cụm, phân lớp dữ liệu và ứng dụng (Luận văn thạc sĩ)

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN MINH TÂM NGHI N UM T PHÂN M PHÂN P U N VĂN THẠ THU T TO N I UV NG Ĩ KHOA HỌ M Y TÍNH THÁI NGUYÊN - 2019 NG ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN MINH TÂM NGHI N UM T PHÂN M PHÂN P THU T TO N I UV NG Chuyên ngành: Khoa học máy tính Mã số: 84 80 101 U N VĂN THẠ Ĩ KHOA HỌ M Y TÍNH Người hướng dẫn khoa học: TS NGUYỄN VĂN NÚI THÁI NGUYÊN - 2019 NG LỜI CẢM ƠN Em xin chân thành cảm ơn Trƣờng Đại học Công nghệ Thông tin Truyền thông – Đại học Thái Nguyên tạo điều kiện cho em thực luận văn Em xin gửi lời cảm ơn sâu sắc tới thầy giáo TS Nguyễn Văn Núi, Bộ môn công nghệ phần mềm - Trƣờng Đại học Công nghệ Thông tin Truyền thông - Đại học Thái Nguyên trực tiếp hƣớng dẫn em trình thực luận văn Em xin gửi lời cảm ơn tới thầy, cô có ý kiến đóng góp bổ ích tạo điều kiện tốt cho em suốt thời gian thực luận văn Xin cảm ơn bạn học đồng khóa thƣờng xuyên động viên, giúp đỡ tơi q trình học tập Cuối cùng, em xin gửi lời cảm ơn đến gia đình đồng nghiệp ủng hộ động viên dành cho em suốt trình học tập nhƣ thực luận văn Thái Nguyên, tháng 05 năm 2019 Học viên Nguyễn Minh Tâm LỜI CAM ĐOAN Em xin cam đoan nội dung đồ án tốt nghiệp với tên đề tài “ Nghi cứu t số thu t t h cụ h i u v ứ g dụ g” không chép nội dung từ luận văn khác, hay sản phẩm tƣơng tự mà em làm Sản phẩm luận văn thân em tìm hiểu xây dựng nên Nếu có sai em xin chịu hình thức kỷ luật Trƣờng Đại học Công nghệ Thông tin Truyền thông – Đại học Thái Nguyên Thái Nguyên, tháng 05 năm 2019 Học viên Nguyễn Minh Tâm MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN MỞ ĐẦU CHƢƠNG TỔNG QUAN 1.1 Giới thiệu chung 1.2 Các bƣớc khai phá liệu 10 1.3 Các kỹ thuật áp dụng khai phá liệu 12 1.4 Ứng dụng khai phá liệu 14 1.5 Những thách thức khai phá liệu 15 CHƢƠNG PHÂN CỤM DỮ LIỆU VÀ MỘT SỐ THUẬT TOÁN CƠ BẢN 17 2.1 Định nghĩa phân cụm liệu 17 2.2 Mục tiêu phân cụm liệu 18 2.3 Bài toán phân cụm liệu 20 2.4 Một số kiểu liệu 20 2.5 Một số kỹ thuật phân cụm liệu 23 2.5.1 Phương pháp phân cụm liệu dựa phân cụm phân cấp 23 2.5.2 Phương pháp phân cụm liệu dựa mật độ 25 2.5.3 Phương pháp phân cụm phân hoạch 29 2.6 Kết luận 33 CHƢƠNG PHÂN LỚP DỮ LIỆU VÀ MỘT SỐ THUẬT TOÁN CƠ BẢN 34 3.1 Định nghĩa phân lớp liệu 34 3.2 Các vấn đề quan tâm phân lớp liệu 34 3.2.1 Quá trình phân lớp liệu: 34 3.2.2 So sánh phương pháp phân lớp 36 3.3 Phân lớp định 36 3.3.1 Khái niệm định 36 3.3.2 Ưu, nhược điểm định 39 3.3.3 Một số thuật toán định 40 3.4 Phân lớp Bayesian 48 3.5 Phân lớp dựa kết hợp 51 3.5.1 Các khái niệm quan trọng luật kết hợp 51 3.5.2 Một số thuật toán luật kết hợp 52 3.6 Độ xác classifier 57 3.7 Kết luận 59 CHƢƠNG MỘT SỐ KẾT QUẢ THỬ NGHIỆM 60 4.1 Giới thiệu công cụ phân cụm, phân lớp liệu Weka 60 4.2 Ứng dụng phân cụm liệu để phân nhóm khách hàng 62 4.3 Ứng dụng phân lớp liệu để phân lớp 68 4.3.1 Phân lớp liệu với thuật toán Apriori 68 4.3.2 Phân lớp liệu với thuật toán Naive Bayes 71 KẾT LUẬN 75 TÀI LIỆU THAM KHẢO 76 Tiếng Việt: 76 Tiếng Anh: 76 DANH MỤC CÁC HÌNH VẼ Hình 1.1 Các bƣớc khai phá liệu 10 Hình 2.1 Mơ vấn đề phân cụm liệu 17 Hinh 2.2 Cụm liệu đƣợc khám phá giải thuật DBSCAN 26 Hinh 2.3 Thứ tự phân cụm đối tƣợng theo OPTICS 29 Hinh Phân cụm dựa phƣơng pháp k-means 31 Hình Giao diện phần mềm 61 Hình 4.2 Thơng tin liệu file bank-k.arff hiển thị Weka 63 Hình 4.3 Lƣu đồ thuật tốn K-Means 64 Hình 4.4 Bảng tham số sử dụng cho thuật tốn K-Means: Hình (a) K=3; Hình (b): K=5 65 Hình 4.5 Kết phân cụm với thuật toán K-Means (K=3) 66 Hình 4.6 Kết phân cụm với thuật toán K-Means (K=5) 67 Hình 4.7 Giao diện Weka chọn thuật tốn Apriori 68 Hình 4.8 Giao diện Weka thiết lập tham số cho thuật toán Apriori 69 Hình 4.9 Kết sinh luật thuật tốn Apriori 70 Hình 4.10 Giao diện Weka lựa chọn thuật toán Naive Bayes 71 Hình 4.11 Kết sinh luật thuật toán Naive Bayes 72 Hình 4.12 Giao diện Weka lựa chọn thuật tốn C4.5 73 Hình 4.13 Kết sinh luật thuật toán C4.5 74 DANH MỤC CÁC TỪ VIẾT TẮT STT Từ viết tắt Viết đầy đủ PLDL Phân lớp liệu CSDL Cơ sở liệu KPDL Khai phá liệu AGNES Agglomerative Nesting BIRCH Blanced Iterative Reducing and Clustering using Hỉeachies CF Clustering Feature Ghi Thuật tốn tích đống lồng Đặc trƣng phân cụm Density Based Spatial Clustering of Application with Noise Ordering Point to Identify the Clustering Structure DBSCAN OPTICS PAM Partitioning Around Medoids 10 ID3 Interative Decision 11 NBC Native Bayes Classification Phân lớp liệu Naive Bayes 12 FP Frequent Pattern Mẫu thƣờng xuyên MỞ ĐẦU Trong thời gian gần đây, phát triển mạnh mẽ công nghệ thông tin, thƣơng mại điện tử vào nhiều lĩnh vực đời sống, kinh tế xã hội sinh lƣợng liệu lƣu trữ khổng lồ Sự bùng nổ dẫn tới nhu cầu cấp thiết cần có kỹ thuật công cụ để tự động chuyển đổi liệu thành tri thức có ích mà phƣơng pháp quản trị khai thác sở liệu truyền thống khơng đáp ứng đƣợc Trong khuynh hƣớng kỹ thuật có kỹ thuật phát tri thức khai phá liệu (KDD – Knowledge Discovery and Data Mining) Nhƣng để khai phá liệu cách hiệu xác, ta cần có mơ hình tốn học, giải thuật đáp ứng đƣợc điều Vì vậy, luận văn có trình bày số vấn đề phân cụm, phân lớp liệu kỹ thuật để khai phá liệu nhƣng lại đƣợc sử dụng rộng rãi đem lại hiệu cao Bố cục lu vă Nội dung luận văn đƣợc chia thành chƣơng nhƣ sau: Chương Tổng quan: Chƣơng giới thiệu cách tổng quát q trình phát tri thức nói chung khai phá liệu nói riêng Đặc biệt, chƣơng trình liệt kê số điểm ứng dụng nhƣ thách thức khai phá liệu phát tri thức Chương Phân cụm liệu số thuật tốn bản: Chƣơng trình bày nội dung liên quan đến phân cụm liệu Một số thuật toán phân cụm liệu đƣợc trình bày chi tiết chƣơng Chương Phân lớp liệu số thuật tốn bản: Chƣơng trình bày nội dung liên quan đến phân lớp liệu ứng dụng Một số thuật toán phân lớp liệu bao gồm: ID3, C.4.5, Naive Bayes, Apriori, … đƣợc trình bày chi tiết chƣơng Chương Một số kết thử nghiệm: Chƣơng trình bày phân tích số kết thử nghiệm thuật toán phân cụm, phân lớp liệu Kết phân tích chủ yếu đƣợc triển khai thực dựa phần mềm Weka (Waikato Environment for Knowledge Analysis) - phần mềm học máy đƣợc trƣờng Đại học Waikato, New Zealand phát triển Java Weka phần mềm tự phát hành theo Giấy phép Công cộng GNU, đƣợc sử dụng rộng rãi cộng đồng ngƣời làm lĩnh vực khai phá liệu phát tri thức 62 4.2 Ứng dụng phân cụm li u để phân nhóm khách hàng Trong khn khổ luận văn, liệu đƣợc lấy từ địa website: https://github.com/bluenex/WekaLearningDataset Dữ liệu dùng để phân cụm ví dụ liệu dùng để phân loại khách hàng ngân hàng (file liệu bank-k.aff), gồm có 11 thuộc tính 600 khách hàng dƣới cấu trúc phân bố liệu bank-k.arff Bảng 4.1 Bảng thông tin cấu trúc file li u bank-k.arff STT Thu c Kiểu tính li u Giá trị Mơ tả age sex Nominal 0_34,35_51,52_max Tuổi khách hàng Nominal FEMALE,MALE Giới tính region Nominal income Nominal married children Nominal NO, YES Tình trạng nhân Nominal 0,1,2,3 Số car Nominal NO, YES Có xe không? save_act Nominal NO, YES Nominal NO, YES 10.mortgage Nominal NO, YES current_a ct INER_CITY,TOWN, RURAL, SUBURBAN 0_24386,24387_43758, 43759_max Khu vực cƣ trú Thu nhập KH có tài khoản tiết kiệm khơng (saving account) Hiện có tài khoản khơng? Có vay chấp khơng? KH có kế hoạch trả nợ 11.pep Nominal NO, YES khơng (Personal Equity Plan) 63 Hình 4.2 Thơng tin li u file bank-k.arff hiển thị Weka Phần triển khai kỹ thuật phân cụm dựa thuật toán Kmeans phần mềm Weka K-means thuật toán đƣợc sử dụng phổ biến kỹ thuật phân cụm, thuật tốn với ý tƣởng tìm cách nhóm đối tƣợng cho vào K cụm (K số cụm đƣợc xác định trƣớc, K nguyên dƣơng), phƣơng thức phân cụm nhóm liệu thực dựa khoảng cách Euclidean nhỏ đối tƣợng đến phần tử trung tâm cụm Thuật toán K-means bao gồm bước sau:  B1: Chọn K tâm (centroid) cho K cụm (cluster), việc chọn giá trị K ngẫu nhiên theo kinh nghiệm  B2: Tính khoảng cách đối tƣợng đến K tâm (dùng khoảng cách Euclidean)  B3: Nhóm đối tƣợng vào nhóm gần  B4: Cập nhật lại tâm cho nhóm 64  B5: Lặp lại bƣớc khơng thay đổi trọng tâm cụm Bắt đầu Số cụm K sai Trọng tâm Khơng có Tính khoảng cách đối Kết thúc đối tƣợng tƣợng đến tâm Nhóm đối tƣợng vào cụm Hình 4.3 Lƣu đồ thu t tốn K-Means Ở em dùng thuật tốn K-means để phân nhóm khách hàng vào K nhóm (trong lần mơ thử K= K=5) dựa vào tƣơng tự (similar) 11 thuộc tính bảng liệu, cách tính khoảng cách dùng khoảng cách Euclidean 65 Hình 4.4 Bảng tham số sử dụng cho thu t tốn K-Means: Hình (a) K=3; Hình (b): K=5 Kết thu đƣợc phân cụm thuật toán K-means nhƣ sau: V i K=3 66 Hình 4.5 Kết phân cụm v i thu t toán K-Means (K=3) Nhƣ hiển thị Hình 4.5, thuật tốn phân liệu khách thành cụm: cụm chứa 287 ghi, tƣơng đƣơng 47,83%; cụm chứa 177 ghi, tƣơng đƣơng 29,50%; cụm chứa 136 ghi, tƣơng đƣơng 22,67% V i K=5 67 Hình 4.6 Kết phân cụm v i thu t toán K-Means (K=5) Giống thuật tốn khác, K-means có hạn chế định: - Số nhóm K ln phải xác định trƣớc - Việc khởi tạo phần tử trung tâm nhóm ban đầu ảnh hƣởng đến phân chia đối tƣợng vào nhóm trƣờng hợp liệu khơng lớn - Điều kiện khởi tạo có ảnh hƣởng lớn đến kết Điều kiện khởi tạo khác cho kết phân vùng nhóm khác - Khơng xác định đƣợc rõ ràng vùng nhóm, đối tƣợng, đƣợc đƣa vào nhóm nhóm khác dung lƣợng liệu thay đổi - Không xác định đƣợc mức độ ảnh hƣởng thuộc tính đến q trình tạo nhóm 68 4.3 Ứng dụng phân l p li u để phân l p Trong lĩnh vực khai phá liệu, mục đích luật kết hợp tìm mối kết hợp hay tƣơng quan đối tƣợng khối lƣợng lớn liệu Ứng dụng luật kết hợp phổ biến nhiều lĩnh vực kinh doanh nhƣ Market Basket Analysis 4.3.1 Phân lớp liệu với thuật toán Apriori Thuật toán Apriori đƣợc dùng để phát luật kết hợp dạng khẳng định (Positive Rule X=Y) nhị phân (Binary Association) phát luật kết hợp dạng phủ định (Negative Association Rule) chẳng hạn nhƣ kết hợp dạng “Khách hàng mua mặt hàng X thƣờng không mua mặt hàng Y” Vẫn sử dụng liệu bank-k.aff sau em sử dụng thuật toán Apriori để phát luật kết hợp phần mềm Weka Chọn tab Association chọn thuật tốn Apriori Hình 4.7 Giao di n Weka chọn thu t toán Apriori Thiết lập tham số (numRules, support, confidence,…) 69 Hình 4.8 Giao di n Weka thiết l p tham số cho thu t tốn Apriori Giải thích tham số thuật tốn Apriori LowerBoundMinSupport: Cận dƣới minimum support MetricType: Có loại metricType Confidence, Lift, Leverage, Conviction Minium metric score: Chỉ quan tâm đến luật có metric score cao giá trị NumRuler: Số luật muốn tìm (Các luật xếp theo thứ tự giảm dần metric score) 70 Hình 4.9 Kết sinh lu t thu t toán Apriori Nhƣ thể Hình 4.9, 10 luật tốt đƣợc sinh thuật toán Apriori liệu nhƣ Thơng qua thuật tốn, ta dự đoán biết đƣợc độ tin cậy khách hàng tham gia vào hệ thống ngân hàng Ví dụ: Luật số cho biết thu nhập (income) lớn 43759 khách hàng có tài khoản tiết kiệm (save_act = YES) với độ tin cậy Luật số cho biết tuổi (age) lớn 52 thu nhập lớn 43759 khách hàng có tài khoản tiết kiệm với độ tin cậy Hạn chế thuật toán Apriori - Số lƣợng lớn tập phổ biến đƣợc tạo làm gia tăng phức tạp không gian - Để xác định độ Support tập ứng viên, thuật tốn ln ln phải qt lại tồn sở liệu Do tiêu tốn nhiều thời gian số k-iteams tăng 71 - Khi số lần duyệt sở liệu nhiều làm gia tăng phức tạp thời gian sở liệu gia tăng Do hạn chế đó, điều cần thiết phải đƣa số thay đổi thuật toán Apriori 4.3.2 Phân lớp liệu với thuật toán Naive Bayes Tiếp tục sử dụng liệu bank-k.aff, sau em sử dụng thuật toán Naive Bayes để phân lớp dự đoán khả trả nợ khách hàng (pep=Yes: Có kế hoạch trả nợ; pep=NO: Chƣa có kế hoạch trả nợ) Đầu tiên, tiến hành chọn thuật toán phân lớp liệu Naive Bayes theo nhƣ hình bên dƣới: Hình 4.10 Giao di n Weka lựa chọn thu t toán Naive Bayes 72 Tiếp theo, tiến hành xây dựng mơ hình phân lớp đánh giá chéo 10fold với thuật toán Naive Bayes để dự đoán, ta thu đƣợc kết nhƣ hình dƣới: Hình 4.11 Kết sinh lu t thu t toán Naive Bayes Nhƣ kết thể Hình 4.11 mơ hình đạt độ xác 70,3% Thơng qua mơ hình này, ta xây dựng đƣợc mơ hình phân lớp liệu khách hàng để dự đốn cho một/hoặc nhóm đối tƣợng khách hàng tình trạng/kế hoạch trả nợ, với tỷ lệ xác 70,3% Đây đƣợc coi sở quan trọng, có độ tin cậy chấp nhận đƣợc để giúp cho ngân hàng xây dựng kế hoạch triển khai cung cấp/giải dịch vụ ngân hàng khách hàng 73 4.3.3 Phân lớp liệu với thuật toán C4.5 Vẫn sử dụng liệu bank-k.arff, sau em sử dụng thuật toán C4.5 để phân lớp dự đoán khả trả nợ khách hàng (pep=Yes: Có kế hoạch trả nợ; pep=NO: Chƣa có kế hoạch trả nợ), thuật tốn C4.5 đƣợc gọi thuật toán j48 WEKA C4.5 thuật toán đƣợc sử dụng để tạo định đƣợc phát triển Ross Quinlan C4.5 phần mở rộng thuật tốn ID3 trƣớc Quinlan Các định đƣợc tạo C4.5 đƣợc sử dụng để phân loại lý này, C4.5 thƣờng đƣợc gọi phân loại thống kê Nó trở nên phổ biến sau xếp hạng 10 thuật toán hàng đầu khai thác liệu Đầu tiên, tiến hành chọn thuật toán phân lớp liệu C4.5 theo nhƣ hình bên dƣới: Hình 4.12 Giao di n Weka lựa chọn thu t toán C4.5 Tiếp theo, tiến hành xây dựng mơ hình phân lớp đánh giá chéo 10fold với thuật toán C4.5 để dự đốn, ta thu đƣợc kết nhƣ hình dƣới: 74 Hình 4.13 Kết sinh lu t thu t tốn C4.5 Nhƣ thể Hình 4.13, mơ hình đạt độ xác 85% Có thể thấy thấy liệu bank-k.arff thuật toán C4.5 cho hiệu tốt so với thuật toán Naive Bayes 75 KẾT LUẬN Sau thời gian làm việc, nghiên cứu dƣới hƣớng dẫn tận tình thầy giáo TS Nguyễn Văn Núi, đạt đƣợc kết sau đây: Trình bày đầy đủ chi tiết vấn đề liên quan đến khai phá liệu phát tri thức; thuật toán phân cụm, phân lớp liệu ứng dụng Giới thiệu trình bày cơng cụ phần mềm Weka (Waikato Environment for Knowledge Analysis) - phần mềm học máy đƣợc Đại học Waikato, New Zealand phát triển Java, ứng dụng phân lớp, phân cụm liệu Cài đặt, cấu hình phần mềm Weka tiến hành phân cụm, phân lớp liệu thực phân cụm, phân lớp liệu khách hàng bank-k.arff Hƣ g h t triể u vă : Trong thời gian tới, tiếp tục nghiên cứu sâu vấn đề phân cụm, phân lớp liệu, đặc biệt nghiên cứu tìm hiểu sâu việc ứng dụng phần mềm Weka để tiến hành phân tích liệu ứng dụng lĩnh vực cụ thể nhƣ phân lớp, dự đoán liệu khách hàng Tiến hành nghiên cứu thu thập liệu thực tế với số lƣợng lớn hơn, tiến hành cài đặt module mã lệnh để tự động hóa q trình khai phá liệu, phát tri thức 76 TÀI LIỆU THAM KHẢO Tiếng Vi t: [1] Lê Văn Phùng, Quách Xuân Trƣởng (2012), Khai phá liệu, NXB Thông tin truyền thông Tiếng Anh: [2] Anil K Jain, Richard C Dubes (1988), “Algorithms for clustering data”, Published by Prentice Hall, Lebanon, Indiana, U.S.A [3] Leonard Kaufman, Peter J Rousseeuw (1990), “Finding Groups in Data An Introduction to Cluster Analysis”, Publisher by Wiley-Interscience [4] J.Ross Quinlan (1993), “Programs for machine learning”, Morgan Kaufmann Publishers Inc San Francisco, CA, USA [5] Rakesh Agrawal (1993),“Mining Association Rules Between Sets of Items in Large Databases”, Publishers IBM Almaden Research Center 650 Harry Road, San Jose ... 4.2 Ứng dụng phân cụm liệu để phân nhóm khách hàng 62 4.3 Ứng dụng phân lớp liệu để phân lớp 68 4.3.1 Phân lớp liệu với thuật toán Apriori 68 4.3.2 Phân lớp liệu với thuật toán. .. cụm liệu Một số thuật toán phân cụm liệu đƣợc trình bày chi tiết chƣơng Chương Phân lớp liệu số thuật tốn bản: Chƣơng trình bày nội dung liên quan đến phân lớp liệu ứng dụng Một số thuật toán phân. .. phá liệu 10 1.3 Các kỹ thuật áp dụng khai phá liệu 12 1.4 Ứng dụng khai phá liệu 14 1.5 Những thách thức khai phá liệu 15 CHƢƠNG PHÂN CỤM DỮ LIỆU VÀ MỘT SỐ THUẬT TOÁN

Ngày đăng: 06/10/2019, 15:41

Từ khóa liên quan

Mục lục

  • bìa luan van DH CNTT

  • LUAN VAN

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan