Luận văn:Nghiên cứu và phát triển các công cụ xử lý tiếng Việt trên UIMA pptx

ĐẠI HỌC CÔNG NGHỆ
ĐẠI HỌC QUỐC GIA HÀ NỘI





Nguyễn Đức Nam


Nghiên cứu và phát triển các công cụ xử lý
tiếng Việt trên UIMA



KHÓA LUẬN TỐT NGHIỆP HỆ CHÍNH QUY

Ngành: Công Nghệ Thông Tin



Hà Nội – 2010


ĐẠI HỌC CÔNG NGHỆ
ĐẠI HỌC QUỐC GIA HÀ NỘI


Nguyễn Đức Nam

Nghiên cứu và phát triển các công cụ xử lý
tiếng Việt trên UIMA


KHÓA LUẬN TỐT NGHIỆP HỆ CHÍNH QUY


Ngành: Công Nghệ Thông Tin
GV hướng dẫn: TS. Phạm Bảo Sơn




Hà Nội – 2010
Nghiên cứu, phát triển các công cụ xử lý tiếng Việt trên UIMA Nguyễn Đức Nam


i


Lời cảm ơn
Trước tiên, em xin gửi lời cảm ơn sâu sắc nhất đến thầy Phạm Bảo Sơn, người
đã không quản vất vả hướng dẫn em trong suốt thời gian làm khóa luận tốt nghiệp vừa
qua. Em cũng xin chân thành cảm ơn anh Nguyễn Quốc Đại đã luôn chỉ bảo và giải
đáp vướng mắc cho em trong quá trình làm khóa luận.
Em xin bày tỏ lời cảm ơn sâu sắc đến các thầy cô giáo trong Trường Đại Học
Công Nghệ đã tận tình dạy dỗ em suốt bốn năm học qua.

Tôi xin cảm ơn tập thể phòng HMI những người luôn động viên và cho tôi
những lời khuyên có ích trong quá trình làm khóa luận.
Xin cảm ơn những người bạn luôn ở bên cạnh quan tâm, ủng hộ và động viên
tôi.
Con xin cảm ơn bố, mẹ và gia đình đã luôn bên con, cho con động lực để làm
việc tốt hơn.

Hà Nội, ngày 20 tháng 5 năm 2010
Nguyễn Đức Nam
Nghiên cứu, phát triển các công cụ xử lý tiếng Việt trên UIMA Nguyễn Đức Nam


ii


Lời mở đầu
Kiến trúc xử lý thông tin phi cấu trúc (Unstructured Information Management
Architecture - UIMA) giúp phân tích nguồn thông tin không có cấu trúc thành những
thông tin có cấu trúc mang giá trị cao. Kiến trúc này linh hoạt và hiệu quả trong việc
ghép nối giải pháp nhỏ thành một công cụ lớn hơn, hoàn thiện hơn. Chúng tôi tận dụng
những đặc điểm này để xây dựng công cụ phân tích tiếng Việt bằng cách tích hợp các
công cụ xử lý tiếng Việt có sẵn lên UIMA và đưa ra một số phương hướng để phát
triển chúng.
Nghiên cứu, phát triển các công cụ xử lý tiếng Việt trên UIMA Nguyễn Đức Nam


iii


Mục lục

Lời cảm ơn i
Lời mở đầu ii
Mục lục iii
Danh sách hình vẽ v
Danh sách thuật ngữ vi
Chương 1: Giới thiệu 1
Chương 2: Tổng quan kiến trúc xử lý thông tin phi cấu trúc 3
2.1 Giới thiệu UIMA 3
2.2 Nền tảng phân tích 6
2.2.1 Hệ thống kiểu và chú giải 9
2.2.2 Máy phân tích 10
2.2.3 Bộ miêu tả XML 15
2.3 Mô tả đối tượng trong tài liệu 17
2.4 Xây dựng ứng dụng và xử lý tập tài liệu 17
2.4.1 Tương tác giữa ứng dụng và UIMA 18
2.4.2 Giới thiệu máy xử lý tập tài liệu 20
2.4.3 Quản lý xử lý tập tài liệu 21
2.5 Khai thác kết quả phân tích 21
2.5.1 Tìm kiếm ngữ nghĩa 22
2.5.2 Cơ sở dữ liệu 22
2.6 Xử lý đa phương tiện 24
Chương 3: Xây dựng công cụ phân tích tiếng Việt trên UIMA 24
3.1 Cài đặt Plugins cho UIMA 26
3.2 Document Analyzer 28
3.3 Các công cụ phân tích tiếng Việt 29
Nghiên cứu, phát triển các công cụ xử lý tiếng Việt trên UIMA Nguyễn Đức Nam


iv

3.3.1 Giới thiệu tách từ tiếng Việt 29
3.3.2 Giới thiệu nhận dạng thực thể tiếng Việt có tên 30
3.4 Ứng dụng công cụ phân tích tiếng Việt trên UIMA 30
3.4.1 Tách từ tiếng Việt trên UIMA 30
3.4.2 Áp dụng nhận dạng thực thể có tên trên GATE vào UIMA 34
3.4.3 Kết hợp nhận dạng các chú giải 37
Chương 4: Tổng kết và hướng phát triển 40
Tài liệu tham khảo A


Nghiên cứu, phát triển các công cụ xử lý tiếng Việt trên UIMA Nguyễn Đức Nam


v


Danh sách hình vẽ

Hình 2.1 – UIMA là cầu nối 2 “thế giới” thông tin có cấu trúc và phi cấu trúc 4
Hình 2.2 – Các chú giải trong hệ thống kiểu 7
Hình 2.3 – Kết hợp các chú giải 8
Hình 2.4 – Máy phân tích tổng hợp 10
Hình 2.5 – Biểu diễn đối tượng trong tài liệu 16
Hình 2.6 – UIMA tương tác với các ứng dụng 17
Hình 2.7 – Luồng làm việc của CPE 19
Hình 2.8 – CPM tương tác với ứng dụng 20
Hình 2.9 – Xử lý audio 22

Hình 3.1 – Cài đặt Plugins cho UIMA 25
Hình 3.2 – Các công cụ trong SDK 26
Hình 3.3 – Document Analyzer 26
Hình 3.4 –Kết quả phân tích sử dụng Token_VN 27
Hình 3.5 – Style Map Editor 28
Hình 3.6 –Kết quả chạy tách từ tiếng Việt 33
Hình 3.7 –Gán nhãn từ loại 34
Hình 3.8 – Kết quả phân tích một số chú giải 36
Hình 3.9 – Kết quả phân tích tổng hợp 39


Nghiên cứu, phát triển các công cụ xử lý tiếng Việt trên UIMA Nguyễn Đức Nam


vi


Danh sách thuật ngữ
AE (Analysis Engine): các máy phân tích dùng trong xử lý
Annotator: các chú giải dùng để phân tích tài liệu
Aggregate AE (Aggregate Analysis Engine): máy phân tích tổng hợp
CAS (Common Analysis Structure): cấu trúc phân tích thường gặp, nó là một cấu trúc
dữ liệu lưu lại các mô tả về đối tượng trong tài liệu
CAS Consumer: tổng hợp các cấu trúc dữ liệu từ các CAS và là thành phần kết nối dữ
liệu tới máy tìm kiếm hay cơ sở dữ liệu
CPE (Collection Processing Engine): máy phân tích dùng để xử lý các tập tài liệu bao
gồm từ khâu lấy tài liệu tới trích xuất kết quả ra cơ sở dữ liệu hay máy tìm kiếm
CPM (Collection Processing Management): bộ quản lý hoạt động của máy xử lý tập tài
liệu
Primitive AE (Primitive Analysis Engine): máy phân tích đơn nó dùng để phân tích tài

liệu mà chỉ dùng một chú giải
Type System: hệ thống kiểu lưu lại các kiểu của hệ thống và các chú giải được đăng ký
vào hệ thống
UIMA (Unstructured Information Management Architecture): kiến trúc xử lý thông tin
phi cấu trúc
UIMA SDK (UIMA Software Development Kit): bộ phần mềm của UIMA bao gồm
thành phần hỗ trợ việc phát triển kiến trúc




Chương 1: Giới thiệu Nguyễn Đức Nam



1


Chương 1

Giới thiệu
Với sự bùng nổ của thông tin trong thời đại ngày nay, kho dữ liệu ngày càng lớn
việc tìm ra những thông tin có ích, mang giá trị cao là điều cấp thiết. Các thông tin
trong các kho dữ liệu thường là những thông tin phi cấu trúc còn những thông tin có
cấu trúc thường là những thông tin có ích, mang giá trị cao, do vậy việc đầu tiên cần
quan tâm là phải có một hệ thống để chuyển những thông tin phi cấu trúc thành những
thông tin có cấu trúc.
Thông tin phi cấu trúc là nguồn thông tin lớn nhất, nhanh nhất và ngày càng tăng
trong nguồn thông tin có sẵn cho các doanh nghiệp và chính phủ hiện nay. Xem xét
các thông tin được lưu trữ trong các doanh nghiệp và phương tiện truyền thông trên

thế giới bao gồm văn bản, âm thanh, video v.v…Các nội dung có giá trị cao trong các
nguồn thông tin phi cấu trúc thường nằm lẫn lộn trong kho nội dung lớn. Chúng được
giấu trong các nguồn thông tin khác nhau. Tự động tìm ra những thông tin mang giá trị
cao, chuyển chúng thành những thông tin có cấu trúc, lưu trữ vào cơ sở dữ liệu hay sử
dụng những thông tin có cấu trúc này vào các ứng dụng khác là hướng phát triển của
một kiến trúc quản lý thông tin hiện đại. Kiến trúc quản lý thông tin phi cấu trúc
(Unstructure Information Management Architecture - UIMA) [10][11] được xây dựng
để thực hiện nhiệm vụ trên.
Trên thế giới đã có rất nhiều các ứng dụng kiến trúc UIMA để xử lý tiếng Anh,
tiếng Đức v.v… Kho dữ liệu về tiếng Việt ngày càng phát triển và các nhu cầu xử lý
nguồn thông tin này ngày càng tăng. Xây dựng các hệ thống xử lý tiếng Việt trên
UIMA trở nên cấp thiết. Điểm khó khăn trong xử lý trên ngôn ngữ tiếng Việt ở chỗ
tiếng Việt đa dạng, phong phú và có nhiều điểm còn nhập nhằng.
Chương 1: Giới thiệu Nguyễn Đức Nam



2


Các công cụ xử lý tiếng Việt tại thời điểm hiện tại thường tách ra thành những
phần riêng biệt như tách từ, gán nhãn từ loại, nhận dạng tên thực thể v.v…Các công cụ
này cũng hoạt động trên các hệ thống khác nhau.
Trong khóa luận chúng tôi nghiên cứu về UIMA, tích hợp các công cụ xử lý
tiếng Việt như tách từ [1][2] và nhận dạng thực thể tiếng Việt có tên [3] trên kiến trúc
UIMA nhằm tạo ra một hệ thống phân tích tiếng Việt bao gồm nhiều công cụ nhỏ, tận
dụng được các ưu điểm của kiến trúc UIMA và tiết kiệm được thời gian để xây dựng
một hệ thống hoàn toàn mới.
Phần còn lại của khóa luận được chia thành 4 chương:
 Chương 2: Giới thiệu một cách tổng quan nhất về UIMA cũng như các ứng

dụng cơ bản của UIMA.
 Chương 3: Xây dựng công cụ phân tích tiếng Việt từ các công cụ có sẵn như
tách từ và nhận dạng thực thể có tên.
 Chương 4: Tổng kết lại kết quả và đưa ra những hướng phát triển mới cho đề tài
trong tương lai.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



3


Chương 2

Tổng quan kiến trúc xử lý thông tin phi cấu trúc
(UIMA)
Chương 2 trình bày những giới thiệu tổng quan nhất về UIMA, các nền tảng cơ
bản để xây dựng một ứng dụng, cách xây dựng một ứng dụng và khai thác kết quả
phân tích.
2.1 Giới thiệu UIMA
UIMA là một kiến trúc quản lý thông tin phi cấu trúc được phát triển bởi IBM giúp
phân tích các nguồn dữ liệu phi cấu trúc và chuyển chúng thành nguồn dữ liệu có cấu
trúc, mang giá trị cao. UIMA là một kiến trúc dùng để tạo ra, tìm kiếm, khai thác
thông tin; triển khai các phương pháp phân tích và tích hợp những phương pháp này
với kỹ thuật tìm kiếm. Kiến trúc quản lý thông tin phi cấu trúc bao gồm các thành
phần giao diện, mẫu thiết kế, biểu diễn thông tin và đóng vai trò là người phát triển.
Framework UIMA là một mã nguồn mở, nó cung cấp một môi trường để các nhà
phát triển có thể chạy các chương trình của riêng mình, khai phá các ứng dụng của
kiến trúc quản lý thông tin phi cấu trúc. Thành phần của framework viết bằng Java
hoặc C++ cho việc phát triển, khai thác các thành phần và ứng dụng UIMA. Những

Framework này cũng cung cấp cho lập trình viên một môi trường phát triển dựa trên
Eclipse [11] bao gồm các ứng dụng và tiện ích để khai thác kiến trúc quản lý thông tin
phi cấu trúc.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



4


UIMA là một mã nguồn mở, có khả năng mở rộng để tạo ra, khai thác các biện
pháp quản lý thông tin phi cấu trúc từ các văn bản hay các tài liệu đa phương tiện sau
đó ghép nối các kết quả thu được vào các thành phần tìm kiếm.


Hình 2.1- UIMA là “cầu nối” giúp liên kết hai thế giới thông tin có cấu trúc và
phi cấu trúc [11].
UIMA giúp xây dựng “cây cầu” giữa hai thế giới thông tin có cấu trúc và phi cấu
trúc (hình 2.1). Thế giới thông tin phi cấu trúc là những thông tin trên các kho dữ liệu
như Web, văn bản, audio, video v.v…Thế giới thông tin có cấu trúc bao gồm các cấu
trúc chức năng, nội dung kết quả phân tích và thường được lưu trong cơ sở dữ liệu.
“Cây cầu” giữa hai thế giới được xây dựng thông qua các thành phần, khung phần
mềm của kiến trúc UIMA và khai thác khả năng phân tích trên chính kiến trúc này.
UIMA hỗ trợ việc tạo ra, khám phá, tận dụng các khả năng phân tích và liên kết chúng
với các dịch vụ thông tin có cấu trúc.
Một ứng dụng quản lý thông tin phi cấu trúc có thể coi như một hệ thống phần
mềm dùng để phân tích một khối lượng lớn thông tin phi cấu trúc (văn bản, âm thanh,
video, hình ảnh . . .) để tìm ra, tổ chức và cung cấp các thông tin có ích liên quan đến
người dùng hoặc đưa ra kết quả được dùng trong các ứng dụng khác. Ví dụ: ứng dụng
trong quá trình xử lý hàng triệu phản ứng thuốc từ đó tìm ra mối liên hệ giữa các loại

Chương 2: Tổng quan UIMA Nguyễn Đức Nam



5


thuốc gây nghiện. Hay là ứng dụng xử lý hàng chục triệu tài liệu để tìm ra bằng chứng
quan trọng cho thấy có thể có mối đe dọa hay tội phạm [11].
Trước hết các dữ liệu phi cấu trúc phải được phân tích để tìm kiếm, xác định và
phát hiện các khái niệm liên quan mà không được chú giải rõ ràng như tên người, tổ
chức, địa danh, sản phẩm v.v…Thách thức khó hơn trong việc phân tích là phát hiện ra
ý kiến, phản hồi hay các sự kiện đặc biệt. Cao hơn nữa là các mối quan hệ giữa các
thực thể ví dụ vị trí, tài chính, hỗ trợ, thanh toán, sửa chữa v.v…Các khái niệm này
trong tài liệu phi cấu trúc phải rộng, đa dạng và thường có miền cụ thể. Những thành
phần dùng cho việc phân tích phải được tương thích dễ dàng và có khả năng kết hợp
để tạo thuận lợi cho sự phát triển các ứng dụng của UIMA [11].
Kết quả phân tích được định dạng vào các cấu trúc để thuận tiện trong việc xử lý
thông tin, kết hợp với sử dụng công cụ tìm kiếm và đưa các kết quả này vào cơ sở dữ
liệu dùng trong phân tích thông tin online hay khai phá dữ liệu. Kết quả phân tích
cung cấp những nội dung mới nhất, hiệu quả nhất cho khách hàng trong các quá trình
phản hồi hay truy vấn.
Trong phân tích nội dung phi cấu trúc, các ứng dụng UIMA sử dụng một loạt các
công nghệ phân tích đa dạng như:
 Thống kê và xử lý ngôn ngữ tự nhiên
 Thông tin phản hồi
 Học máy
 Ontologies
 Trả lời tự động
 Khai phá nguồn kiến thức (CYC, WordNet, Framnet v.v…)

Kỹ thuật phân tích sử dụng các công nghệ này đã được phát triển độc lập bằng
cách sử dụng giao diện hay nền tảng khác nhau.
UIMA cho phép các nhóm phát triển chia nhỏ một project lớn thành các thành
phần nhỏ sau đó xây dựng giải pháp cho từng thành phần và tích hợp lại nhanh chóng
thông qua các kỹ thuật hay giao diện sử dụng khác nhau.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



6


Framework UIMA cung cấp một môi trường thời gian chạy trong đó người dùng
chạy bất cứ plugin nào của UIMA để xây dựng, triển khai các ứng dụng UIM.
UIMA Software Development Kit (SDK) bao gồm UIMA framework, các công
cụ và tiện ích cho việc sử dụng UIMA.
2.2 Nền tảng phân tích
Các nền tảng cơ bản của kiến trúc quản lý thông tin phi cấu trúc bao gồm: hệ thống
kiểu, chú giải, bộ miêu tả XML, máy phân tích, kết quả phân tích, mô tả kết quả phân
tích.
2.2.1 Hệ thống kiểu và chú giải
UIMA hoạt động dựa trên việc sử dụng các chú giải để phân tích nguồn dữ liệu phi
cấu trúc. Bước đầu tiên để phát triển các chú giải là định nghĩa kiểu cấu trúc chức năng
mà nó tạo ra trong hệ thống kiểu. UIMA định nghĩa một số kiểu đơn như Boolean,
Integer, Long, Float, String, Double và mảng của những kiểu này. Ngoài ra UIMA còn
xây dựng kiểu Top là nền tảng của các kiểu khác, FSArray định nghĩa mảng của một
cấu trúc chức năng và các chú giải. Các chú giải có thể được xây dựng bởi người dùng
sau đó đăng ký vào hệ thống kiểu của UIMA. Một chú giải thường chứa 3 trường (đặc
trưng): begin, end lưu trữ các vị trí của ký tự xác định chú giải trong tài liệu và sofa
(subject of annotator) xác định tài liệu chứa chú giải (được bỏ qua trong các chú giải

đơn giản). Ngoài ra còn có các đặc trưng của chú giải do người phát triển kiến trúc
UIMA tạo ra [11].
UIMA có một công cụ chạy trên Eclipse giúp người dùng định dạng các chú
giải và tìm hiểu thông tin về hệ thống kiểu là Component Descriptor Editor. Trong
hình 2.2 là các chú giải được chúng tôi tạo ra và đăng ký vào trong hệ thống kiểu. Ví
dụ: kiểu Location_VN là chú giải về các tên địa phương trong tiếng Việt. Chúng được
kế thừa từ lớp uima.tcas.annotator, đặc trưng posTag hay componentId kế thừa từ
các lớp uima.cas.String. Các đặc trưng mặc định như begin, end không được thể hiện
ra trong hình vẽ nhưng chúng vẫn là các đặc trưng của Person_VN.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



7



Hình 2.2 – Các chú giải trong hệ thống kiểu
Các chú giải thực chất là các lớp được sử dụng trong máy phân tích để xử lý tài
liệu. Mục tiếp theo trình bày về máy phân tích, chức năng, phương thức hoạt động
cũng như cách xây dựng chúng trên UIMA. Một lớp chú giải chứa 3 phương thức:
initialize(), process() và destroy().
Initialize() được gọi bởi framework một lần khi khởi tạo lớp chú giải.
Process() được gọi mỗi khi có một tài liệu được xử lý.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



8

Destroy() có thể được gọi khi ứng dụng sử dụng xong các chú giải.
Chú giải được dùng để nhận dạng các thực thể tìm thấy trong tài liệu. Các thực
thể có thể là các tên người, tên tổ chức, tên quốc gia v.v…Các miêu tả về chú giải
được xây dựng bằng bộ miêu tả XML xác định tên của chú giải, dùng lớp nào để định
nghĩa và đầu ra tương ứng.
Các chú giải như tên người, tên tổ chức, tên quốc gia v.v… đều được xây dựng
để nhận dạng một loại thực thể có trong tài liệu. Chúng đều được sử dụng trong máy
phân tích đơn (2.2.2).
Mỗi một chú giải thường được dùng để nhận ra một loại thực thể do vậy tồn tại
yêu cầu ghép nối các chú giải này với nhau để tạo ra một chú giải mới nhận dạng
nhiều loại thực thể một lúc.
Một đặc điểm cần quan tâm khi ghép nối các chú giải với nhau đó là khi các
chú giải có thể cùng nhận dạng một đối tượng khác nhau nhưng đưa vào cả 2 chú giải.
Do đó khi thực hiện kết hợp các chú giải cần xử lý tốt việc tranh chấp giữa các chú
giải và thực hiện nhận dạng thực thể một cách chính xác. Ví dụ: một chú giải về nhận
dạng các từ trong văn bản kết hợp với chú giải nhận dạng các dấu ngắt câu thành một
chú giải mới có khả năng nhận dạng cả về từ và các dấu ngắt câu trong tài liệu.








Hình 2.3 - Kết hợp các chú giải
TokenizerVN
Vietnamese Tokenizer
Vietnamese

SplitVN
Splits
Aggregate Annotators
TokenizerVN
SplitVN
Annotators
TokenizerVN
Splits . . .
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



9


Trong hình 2.3, các TokenizerVN là các chú giải được xác định bởi các lớp chú
giải Tokenizer Vietnamese. Các chú giải TokenizerVN là các chú giải về các từ vựng
trong tiếng Việt, nhiệm vụ của chú giải là tách ra được các từ tiếng Việt chuẩn xác.
SplitVN là chú giải về các phân tách trong câu (bao gồm . | ! | ?), nhiệm vụ của chú
giải này là tách được chính xác các dấu phân tách trên trong văn bản. Ngoài ra còn có
nhiều chú giải khác về thực thể như tên người, tên địa phương, dân tộc v.v… Các chú
giải này sẽ được đưa vào cùng một chú giải để xử lý trong máy phân tích tổng hợp.
Các chú giải lấy ra từ các chú giải đơn sẽ được ghép lại với nhau để sử dụng
trong một máy phân tích tổng hợp. Máy phân tích này sẽ thực hiện phân tích tất cả chú
giải và xử lý trong tài liệu như các máy phân tích đơn.
2.2.2 Máy phân tích
Một trong những khối cơ bản quan trọng nhất của UIMA là máy phân tích (Analysis
Engine). Chúng được tạo ra để phân tích một tài liệu, suy luận sau đó lưu lại các mô tả
thuộc tính về một phần tài liệu hay toàn bộ tài liệu. Các mô tả này được gọi chung là
kết quả phân tích. Kết quả phân tích thường đại diện cho nội dung của tài liệu. Kết quả

phân tích có thể ghi lại những câu khác nhau về nội dung của cùng một tài liệu. Máy
phân tích sẽ xử lý tài liệu và ghi lại siêu dữ liệu về nội dung tài liệu.
Ví dụ: trong tài liệu về trường đại học Công Nghệ, kết quả phân tích có thể ghi
lại các câu sau:
(1) Chủ đề của tài liệu là về trường đại học Công Nghệ.


(2) Các ký tự từ 10 đến 30 là về một tổ chức.
Trong câu (1), (2) ở trên có hai cụm đặc biệt là “chủ đề” và tổ chức. Chúng
chính là những kiểu được nhận ra trong tài liệu.
UIMA có thể sử dụng máy phân tích để tạo ra đối tượng, nhận dạng chúng
trong tài liệu và quản lý kết phân tích về đối tượng đó. Lõi của các máy phân tích này
là các thuật toán làm tất cả mọi việc từ xử lý tài liệu đến lưu lại các kết quả tìm được.
Kiểu
(annotator)

Chương 2: Tổng quan UIMA Nguyễn Đức Nam



10


UIMA cung cấp một thành phần cơ bản hướng tới việc các thuật toán phân tích chạy
bên trong máy phân tích. Thành phần đó chính là các chú giải (2.2.1). Các thuật toán
của nhóm phát triển chủ yếu quan tâm đến việc nghiên cứu và phát triển các chú giải.
Trong UIMA, người lập trình thuật toán giữ vai trò của nhà nghiên cứu và phát triển
chú giải.
Có hai loại máy phân tích là máy phân tích đơn (Primitive AE) và máy phân
tích tổng hợp (Aggregate AE).

Hình 2.4 - Máy phân tích tổng hợp
Một máy phân tích đơn có thể xử lý một hoặc một vài chú giải. Các công cụ phân
tích phức tạp hơn được gọi là máy phân tích tổng hợp. Các chú giải có xu hướng thể
hiện các chức năng một cách ngang bằng. Ví dụ: phát hiện ngôn ngữ, tách từ, gán nhãn
từ loại v.v… Các chức năng này thường chỉ là một phần trong số các nhiệm vụ của
công cụ phân tích tổng hợp. Một quy trình làm việc của động cơ thành phần có thể
đem ra để thực hiện các nhiệm vụ phức tạp hơn.
Hình 2.4 miêu tả một AE phát hiện thực thể có tên có luồng làm việc như sau: bắt
đầu với phát hiện ngôn ngữ sau đó là tách từ, xác định nhãn từ loại, tiếp theo là phân
tích sâu về ngữ pháp và cuối cùng là xác định thực thể. Kết quả mỗi bước trong luồng
làm việc là yêu cầu đầu vào của các bước tiếp theo. Nhận dạng thực thể chỉ có thể thực
hiện khi phân tích sâu về ngữ pháp đã được ghi trong CAS.
UIMA cung cấp các phương pháp cần thiết cho việc tạo ra chú giải và máy
phân tích, đó là các bộ miêu tả XML.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



11


2.2.3 Bộ miêu tả XML
Kiến trúc UIMA miêu tả các thông tin về chú giải, máy phân tích trong bộ miêu tả
XML và cung cấp các lớp chú giải đi kèm theo nó giúp cho UIMA hoạt động. Bộ miêu
tả có thành phần chính là một file XML dùng để xác định các thành phần và cách thức
hoạt động của máy phân tích. Thành phần các file XML bao gồm :
 Tên, miêu tả về chú giải, phiên bản và tác giả.
 Đầu vào và đầu ra của những chú giải định nghĩa các kiểu trong hệ thống kiểu.
Định nghĩa các tham số cấu hình cho các chú giải.

Định dạng chi tiết cho file XML của máy phân tích đơn:
2.2.3.1 Cấu trúc cơ bản

File XML bắt đầu bằng định dạng mặc định của phần đầu mục XML thông thường.
Thẻ <analysisEngineDescription> định nghĩa nguồn nào đang được sử dụng,
nó bắt buộc là uima.apache.org nếu không các bộ miêu tả XML bị lỗi khi cập nhật.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



12


Thẻ <framworkImplementation> chỉ có 2 giá trị org.apache.uima.java hoặc
org.apache.uima.cpp bởi các thực thi của framework trong thời điểm hiện tại mới
được viết bằng java hay C++.
Thẻ <primitive> chứa giá trị boolean mang giá trị true khi bộ miêu tả này miêu
tả về máy phân tích đơn.
Thẻ <annotatorImplementationName> xác định xem máy phân tích sẽ sử dụng
lớp chú giải nào.
Thẻ <analysisEngineMetaData> chứa thông tin miêu tả máy phân tích và
nhiệm vụ của nó là gì (mục 2.2.3.2).
2.2.3.2 AnalysisEngineMetaData
Thẻ <analysisEngineMetaData> chứa 4 trường : name, descriptor, version và vendor.
Trong đó chỉ có trường name yều phải điền đầy đủ.
Chỉ có thẻ <capabilities> yêu cầu bắt buộc phải khai báo còn các thẻ khác đều
là tùy vào việc xây dựng máy phân tích của người dùng (mục 2.2.3.3).
Thẻ <typeSystemDescription> định nghĩa một hệ thống kiểu dùng trong một
máy phân tích. Muốn sử dụng thẻ này chỉ việc đưa đường dẫn file miêu tả XML về hệ
thống kiểu được sử dụng vào trong thẻ <import>, các kiểu được định nghĩa trong file

XML trên sẽ được máy phân tích sử dụng tự động.

Chương 2: Tổng quan UIMA Nguyễn Đức Nam



13


2.2.3.3 capabilities
Thẻ capabilities chứa các thẻ con <inputs>, <outputs>, <languagesSupported>,
<inputSofas> và <outputSofas>. Thẻ <Inputs> và <Outputs> có thể được để trống
còn các thẻ còn lại có thể không cần bắt buộc khai báo.

Thẻ <Inputs> xác định các kiểu được sử dụng trong máy phân tích gồm những
kiểu gì. Nó thường bắt khai báo đặc trưng tên của kiểu.
Thẻ <Outputs> xác định kiểu đầu ra mong muốn, nó sẽ là các lớp chú giải định
nghĩa đặc trưng của chú giải được sử dụng.
Thẻ <InputSofas> và <outputSofas> xác định tên các sofa được sử dụng bởi
thành phần này, tất cả tên sofa phải được đặt khác nhau và có phần định dạng riêng về
mỗi sofa này.
Thẻ <languagesSupported> chứa mã ngôn ngữ ISO, ví dụ: en cho tiếng Anh
hoặc en-US cho tiếng Anh Mỹ.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



14

2.2.3.4 Cấu trúc file XML miêu tả máy phân tích tổng hợp
Cấu trúc của file XML của máy phân tích tổng hợp có một vài điểm khác biệt so với
cấu trúc file XML của máy phân tích đơn.
 Thẻ <primitive> chứa giá trị false thay vì true.
 File miêu tả này sẽ không chứa thẻ <annotatorImplementationName> thay vào
đó là <delegateAnalysisEngineSpecifiers> dùng để phân biệt giữa việc dùng
một máy phân tích tổng hợp thay vì một máy phân tích đơn. Các thẻ này sẽ đưa
vào các máy phân tích nào sẽ được sử dụng và đường dẫn đến các file XML
miêu tả máy phân tích tương ứng.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



15



 Thẻ <flowConstraints> sẽ giúp định hướng xem thứ tự xử lý các chú giải như
thế nào trong việc phân tích. Các chú giải sẽ được xử lý lần lượt, mỗi một chú giải
sẽ thông qua các máy phân tích chạy ra kết quả và lưu lại các kết quả đó trong
CAS.

Thành phần cuối cùng là thẻ <capabilities> có cấu trúc giống với cấu trúc của
thẻ <capabilities> của file XML (mục 2.2.3.3).
2.2.4 Mô tả đối tượng trong tài liệu
UIMA định nghĩa một cấu trúc phân tích chung (Common Analysis Structure) để thực
hiện hai nhiệm vụ: đại diện các chú giải và chia sẻ kết quả phân tích cho các thành
phần trong kiến trúc.

CAS là một cấu trúc dữ liệu dựa trên đối tượng cho phép đại diện giá trị bao
gồm đặc trưng và giá trị. Theo logic, cấu trúc này bao gồm tài liệu sắp được đưa vào
phân tích. UIMA bao gồm lớp thực thi và giao diện cho kiến trúc này.
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



16


Trong hình 2.5 là ví dụ biểu diễn đối tượng trong CAS về câu: “Nam là sinh viên
trường đại học Công Nghệ. Cuối năm nay cậu ấy sẽ ra trường”. CAS sẽ chứa đối
tượng của kiểu Người và đối tượng về kiểu Tổ chức. Đối với mỗi kiểu Người, Tổ chức
tìm thấy trong tài liệu, máy phân tích sẽ tạo ra một đối tượng Người, Tổ chức trong
CAS và liên kết nó với các chuỗi ký tự tương ứng trong tài liệu.








Nam là sinh viên trường Đại học Công Nghệ. Cuối năm nay cậu ấy sẽ ra trường.
Hình 2.5 - Biểu diễn đối tượng trong tài liệu
Trong khi CAS là một cấu trúc dữ liệu thì UIMA định nghĩa một số kiểu cơ bản
và hỗ trợ nhà phát triển hoàn thiện hệ thống kiểu của riêng mình. Có thể coi nó như là
một lược đồ đối tượng cho CAS. Các kiểu tạo ra nhằm xác định một vài loại đối tượng
được phát hiện trong tài liệu thông qua máy phân tích rồi ghi lại vào hệ thống kiểu.
Như vậy Người có thể định nghĩa là một kiểu. Các kiểu có đặc trưng và giá trị.

Ví dụ tuổi và nghề nghiệp có thể định nghĩa là các đặc trưng của Người. Các kiểu khác
có thể là tổ chức, công ty, ngân hàng, cơ sở… Không có giới hạn cho các kiểu khác
nhau mà có thể định nghĩa trong cùng một hệ thống kiểu. Hệ thống kiểu có thể là miền
hay ứng dụng cụ thể. Các kiểu trong hệ thống của UIMA có thể được tổ chức thành
một phân loại. Ví dụ công ty có thể định nghĩa là một phân nhóm của tổ chức,
nounpharse có thể là phân nhóm của một parsenode.
Nam
(thực thể)

Đại học
Công Nghệ
(thực thể)
Người(P1)
(chú giải)
Tổ chức
(chú giải)
Người(P2)
(chú giải)
Chương 2: Tổng quan UIMA Nguyễn Đức Nam



17


UIMA cũng cung cấp phân tích giả lập về nhiều khung nhìn của một tài liệu. Nó
được dùng để hỗ trợ xử lý nhiều dạng tài liệu như là audio . . . Máy phân tích xử lý
một hay nhiều khung nhìn của tài liệu. Mỗi khung nhìn chứa một chủ đề của việc phân
tích cụ thể và đánh chỉ mục dữ liệu trong khung nhìn đó. CAS sẽ giữ một hoặc nhiều
khung nhìn thêm vào đó là các miêu tả về đối tượng và thể hiện kết quả phân tích

được trong mỗi khung nhìn đó. Một ví dụ cho việc sử dụng khung nhìn CAS là cho
việc dịch các tài liệu. Mỗi một bản dịch sẽ đại diện cho một khung nhìn CAS khác
nhau [11].
2.4 Xây dựng ứng dụng và xử lý tập tài liệu
Trong mục 2.4 chúng tôi trình bày về cách thức tương tác giữa ứng dụng với UIMA và
máy xử lý tập tài liệu.
2.4.1 Tương tác giữa ứng dụng và UIMA

Hình 2.6 - UIMA tương tác với các ứng dụng