Phát hiện kế thừa văn bản tiếng Việt dựa trên học máy SVM

1


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ


Nguyễn Thị Dung

PHÁT HIỆN KẾ THỪA VĂN BẢN TIẾNG VIỆT
DỰA TRÊN HỌC MÁY SVM



KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC CHÍNH QUY
Ngành: Công nghệ Thông tin







HÀ NỘI – 2012
2

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ


Nguyễn Thị Dung

PHÁT HIỆN KẾ THỪA VĂN BẢN TIẾNG VIỆT
DỰA TRÊN HỌC MÁY SVM



KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC CHÍNH QUY
Ngành: Công nghệ Thông tin


Cán bộ hướng dẫn: PGS.TS Hà Quang Thụy
Cán bộ đồng hướng dẫn: ThS Phạm Quang Nhật Minh



HÀ NỘI – 2012
3


VIETNAM NATIONAL UNIVERSITY, HANOI
UNIVERSITY OF ENGINEERING AND TECHNOLOGY


Nguyen Thi Dung


RECOGNIZING VIETNAMESE TEXTUAL
ENTAILMENT BASED ON SVM

Major: Information technology

Supervisor: Assoc. Prof. Ha Quang Thuy
Co-Supervisor: Masters. Pham Quang Nhat Minh



HA NOI – 2012
i

Lời cảm ơn

Lời đầu tiên, tôi xin gửi lời cảm ơn và lòng biết ơn sâu sắc nhất tới PGS.TS Hà
Quang Thụy, Ths Phạm Quang Nhật Minh đã tận tình hướng dẫn và chỉ bảo tôi trong
suốt quá trình thực hiện khóa luận tốt nghiệp.
Tôi xin chân thành cảm ơn các thầy, cô trong trường đại học Công Nghệ - đại
học Quốc gia Hà Nội đã tạo mọi điều kiện thuận lợi cho tôi học tập và nghiên cứu.
Tôi cũng xin gửi lời cảm ơn đến các thầy cô, các anh chị, các bạn trong phòng
thí nghiệm KT-Lab đã hỗ trợ tôi rất nhiều về kiến thức chuyên môn trong quá trình
thực hiện khóa luận. Tôi xin cảm ơn các bạn trong lớp K53CLC đã ủng hộ và khuyến
khích tôi trong suốt suốt quá trình học tập tại trường.
Cuối cùng, tôi xin được gửi cám ơn vô hạn tới gia đình và bạn bè, những người
đã luôn bên cạnh, giúp và động viên tôi trong quá trình học tập cũng như trong suốt
quá trình thực hiện khóa luận này.
Tôi xin chân thành cảm ơn!
Hà Nội, ngày 18 tháng 05 năm 2012
Sinh viên

Nguyễn Thị Dung
ii

PHÁT HIỆN KẾ THỪA VĂN BẢN TIẾNG VIỆT
DỰA TRÊN MÔ HÌNH HỌC MÁY SVM
Nguyễn Thị Dung
Khóa QH-2008-I/CQ, ngành công nghệ thông tin.
Tóm tắt khóa luận:
Kế thừa văn bản (Textual Entailment: TE) đề cập tới mối liên quan ngữ nghĩa giữa hai
văn bản khi ngữ nghĩa của một văn bản này có thể được suy luận (kế thừa) từ một văn bản
khác. Trong những năm gần đây, phát hiện kế thừa văn bản (Recognizing TE: RTE) đã thu
hút sự quan tâm đặc biệt của các nhóm nghiên cứu trên thế giới, điển hình là dãy phiên hội
nghị RTE hàng năm của Viện Tiêu chuNn và Công nghệ quốc gia Mỹ (National Institute of
Standards and Technology: NIST) vì phát hiện kế thừa văn bản có nhiều ứng dụng quan trọng
trong dịch máy, tóm tắt văn bản và nhiều bài toán quan trọng trong xử lý ngôn ngữ tự nhiên.
Trên cơ sở tìm hiểu và so sánh các hướng tiếp cận được đề xuất trong dãy hội nghị
RTE của NIST, khóa luận khảo sát các phương pháp giải quyết bài toán kế thừa văn bản và
tập trung vào lớp các mô hình phát hiện kế thừa dựa trên bộ phân lớp SVM theo tập đặc trưng
về từ vựng, ngữ nghĩa. Khóa luận đề nghị mô hình phát hiện kế thừa văn bản kết hợp mô hình
của Julio Javier Castillo [10] với việc sử dụng ba bộ phân lớp SVM để đưa ra phán quyết kế
thừa, trong đó mỗi bộ phân lớp sử dụng một nhóm các đặc trưng.
Đồng thời, khóa luận thi hành mô hình nói trên bằng một hệ thống thử nghiệm và tiến
hành thực nghiệm đánh giá mô hình trên bộ dữ liệu chuNn trong hội nghị RTE đã được dịch ra
tiếng Việt. Kết quả thực nghiệm đạt được là khả quan khi cho thấy việc kết hợp các bộ phân
lớp đã nâng cao được độ chính xác.

Từ khóa: RTE, SVM
iii

RECOGNIZING VIETNAMESE TEXTUAL ENTAILMENT BASED ON SVM
Nguyen Thi Dung
QH-2008-I/CQ course, information technology faculty.
Abtract thesis:
Inference task relates the understanding and processing language in communication
which is an interesting task. Textual Inference plays an important role in Natural Language
Processing. Textual entailment derived from inference (entailment) in logic. Recognizing
Textual Entailment which focuses on detecting semantic inference has attracted a lot of
attention. The main idea behind RTE is concerned with inferring the meaning of the text from
that of another larger text.The concept of RTE explores the relationship between the text and
hypothesis, the text entails the hypothesis if the hypothesis can be inferred from the text.
Based on surveying and comparing some approaches proposed in the PASCAL RTE
challenge, the thesis focus on many Textual Entailment problems such as concept of Textual
Entailment, role of Textual Entailment and some approachs for RTE task. We then propose a
recognizing textual entailment model based on SVM model with lexical features and semantic
features. Our model is based Julio Javier Castillo’s model [10]. However, we use use many
SVM classifiers and combine them together when Julio Javier Castillo only used a SVM
classifier.
Thesis conduct experiments on system with Vietnamese RTE data which based on
English RTE data of the third PASCAL RTE challenge (RTE-3) by manually translating
RTE-3 development set and RTE3 test set to Vietnamese. There are four experiments with
cases: only use a SVM classifier, use many SVM classifiers and combine them together. Test
results are positive and they reveal that combining many classifiers can improve accuracy.

Keywords: RTE, SVM
iv

Lời cam đoan

Tôi xin cam đoan phương pháp phát hiện kế thừa văn bản tiếng Việt dựa trên

học máy SVM và thực nghiệm được trình bày trong khóa luận này là do tôi thực hiện
dưới sự hướng dẫn của PGS.TS Hà Quang Thụy và Ths Phạm Quang Nhật Minh.
Tất cả các tài liệu tham khảo từ các nghiên cứu liên quan đều có nguồn gốc rõ
ràng từ danh mục tài liệu tham khảo trong khóa luận. Trong khóa luận, không có việc
sao chép tài liệu, công trình nghiên cứu của người khác mà không chỉ rõ về tài liệu
tham khảo.

Hà Nội, ngày 18 tháng 05 năm 2012
Sinh viên

Nguyễn Thị Dung

v

MỤC LỤC

Lời cảm ơn i
Tóm tắt khóa luận: ii
Lời cam đoan iv
Mục lục Error! Bookmark not defined.
Danh sách các bảng vii
Danh sách các hình vẽ. viii
Danh sách các từ viết tắt. ix
Lời mở đầu 1
Chương 1. Giới thiệu chung về kế thừa văn bản. 3
1.1. Khái niệm kế thừa văn bản.
4
1.1.1. Kế thừa trong logic.
4
1.1.2. Kế thừa trong văn bản.

5
1.2. Phát biểu bài toán phát hiện kế thừa văn bản.
6
1.3. Bài toán phát hiện kế thừa văn bản trong hội nghị RTE.
6
1.4. Vai trò của phát hiện kế thừa văn bản.
8
1.5. Tóm tắt chương một.
9
Chương 2. Hướng tiếp cận học máy cho bài toán phát hiện kế thừa văn bản và
mô hình học máy SVM. 10
2.1. Giới thiệu chung về hướng tiếp cận sử dụng học máy
10
2.2.1. Các đặc trưng Intra-pair (In-pair features)
11
2.1.2. Các đặc trưng Cross-Pair
12
2.1.3. Các phương pháp học máy
13
2.2. Một số hệ thống phát hiện kế thừa văn bản có sử dụng học máy
13
2.2.1. Đối với văn bản là tiếng nước ngoài
13
2.2.2. Đối với văn bản là tiếng Việt
18
2.2.3. Nhận xét hướng tiếp cận học máy
19
2.3. Học máy SVM
19
2.4. Kết luận

24
vi

Chương 3. Mô hình phát hiện kế thừa văn bản tiếng Việt dựa trên học máy SVM 25
3.1. Mô hình đề xuất.
25
3.1.1. Tiền xử lý.
27
3.1.2. Trích xuất các đặc trưng.
27
3.1.3. Sử dụng học máy SVM cho phán quyết kế thừa.
31
3.2. Tóm tắt chương 3
31
Chương 4. Thực nghiệm và đánh giá 32
4.1. Môi trường thực nghiệm.
32
4.1.1. Cấu hình phần cứng.
32
4.1.2. Công cụ phần mềm.
32
4.2. Dữ liệu thực nghiệm
33
4.3. Thực nghiệm
33
4.4. Đánh giá hệ thống.
34
4.4.1. Kết quả thực nghiệm.
34
4.4.2. Đánh giá hệ thống.

37
Kết luận và định hướng nghiên cứu tiếp theo 38
Tài liệu tham khảo. 39

vii

Danh sách các bảng

Bảng 1: Một số ví dụ về RTE trong hội nghị RTE-3 5
Bảng 2: Các đặc trưng được sử dụng bởi phân lớp cây quyết định [5] 14
Bảng 3: Cấu hình phần cứng. 32
Bảng 4: Công cụ phần mềm. 32
Bảng 5: Ý nghĩa của các giá trị 34
Bảng 6: Giá trị độ đo của các tập dữ liệu khi sử dụng bộ phân lớp SVM
1
35
Bảng 7: Giá trị độ đo của các tập dữ liệu khi sử dụng bộ phân lớp SVM
2
35
Bảng 8: Giá trị độ đo của các tập dữ liệu khi sử dụng bộ phân lớp SVM
3
36
Bảng 9: Giá trị độ đo của các tập dữ liệu khi sử dụng ba bộ phân lớp SVM. 36

viii

Danh sách các hình vẽ.
Hình 1: Biểu đồ Venn của mối quan hệ kế thừa A→ B. 4
Hình 2: Cấu trúc hệ thống hỏi đáp. 8
Hình 3: Mô hình hệ thống phát hiện kế thừa văn bản tiếng Trung [14] 15

Hình 4: Mô hình phát hiện kế thừa văn bản dựa trên học máy SVM của Julio Javier
Castillo[10] 17
Hình 5: Mô hình giải quyết bài toán của Phạm Quang Nhật Minh và cộng sự [10] 19
Hình 6: Mặt siêu phẳng phân chia tập dữ liệu thành hai lớp dương và âm 20
Hình 7: Tập dữ liệu là khả tách tuyến tính 21
Hình 8: Sử dụng hàm nhân để chuyển đổi không gian vector. 23
Hình 9: Mô hình giải quyết bài toán. 26
Hình 10: Dữ liệu thực nghiệm 33
Hình 11: Biểu đồ thể hiện kế quả của bốn thực nghiệm 37



ix

Danh sách các từ viết tắt.

Tên viết tắt Cụm từ tiếng Anh
TE Textual Entailment
RTE Recognizing Textual Entailment
NLP Natural Language Processing
QA Question Answering System
IR Information Retrieval
MT Machine Translation
IE Information Extraction
SVMs Support Vector Machines
DTs Decision Trees

1

Lời mở đầu

Một trong những vấn đề thường gặp trong xử lý ngôn ngữ tự nhiên là sự biến
thể biểu diễn của văn bản, trong đó nghĩa của một văn bản có thể được biểu diễn hoặc
có liên quan đến các văn bản khác. Vấn đề này thuộc vào vấn đề nhập nhằng trong
ngôn ngữ tự nhiên. Các ứng dụng trong xử lý ngôn ngữ tự nhiên như: hệ hỏi đáp
(Question Answering: QA), trích xuất thông tin (Information Extraction: IE), tóm tắt
văn bản (Summarization), và dịch máy (Machine Translation: MT) đòi hỏi một mô
hình phát hiện ra hiện tượng biến thể này nhằm tìm ra một ý nghĩa cụ thể nào đó có thể
được suy luận từ các biến thể khác nhau của văn bản. Bài toán phát hiện kế thừa văn
bản được hình thành để giải quyết vấn đề này: Cho hai đoạn văn bản, bài toán kế thừa
có mục đích xác định xem nghĩa của văn bản này có thể được suy luận (kế thừa) từ
một văn bản còn lại hay không.
Phát hiện kế thừa văn bản là một bài toán mới trong tiếng Việt. Tuy có những
phương pháp phát hiện kế thừa văn bản mang lại kết quả khả quan trong tiếng Anh
nhưng tính hiệu quả của chúng trong tiếng Việt còn cần được kiểm nghiệm. Vì thế, bài
toán phát hiện kế thừa văn bản đối với văn bản tiếng Việt hiện đang là một bài toán
khó.
Khóa luận giới thiệu khái quát về kế thừa văn bản và bài toán phát hiện kế thừa
văn bản trong các hội nghị RTE, đề nghị một mô hình phát hiện quan hệ kế thừa trong
văn bản tiếng Việt, cài đặt mô hình và tiến hành thực nghiệm kiểm định mô hình.
Khóa luận được chia thành bốn chương với các nội dung:
Chương 1: Giới thiệu khái quát về bài toán phát hiện kế thừa văn bản. Khóa
luận giới thiệu khái niệm kế thừa văn bản, phát biểu bài toán phát hiện kế thừa văn
bản, các ứng dụng thực tiễn và quá trình phát triển bài toán phát hiện kế thừa văn bản
trong các hội nghị RTE.
Chương 2: Trình bày hướng tiếp cận giải quyết bài toán phát hiện kế thừa văn
bản. Đầu tiên, khóa luận trình bày phương pháp phát hiện kế thừa văn bản dựa trên
việc sử dụng các mô hình học máy. Sau đó, khóa luận giới thiệu cụ thể một số hệ
thống phát hiện kế thừa văn bản có sử dụng học máy.Ở cuối chương, khóa luận trình
bày về mô hình học máy SVM.

2

Chương 3: Đề xuất ra mô hình phát hiện kế thừa văn bản tiếng Việt dựa trên
mô hình học máy SVM. Đầu tiên, khóa luận đề xuất ra mô hình phát hiện kế thừa văn
bản, sau đó khóa luận sẽ trình bày chi tiết từng bước của mô hình.
Chương 4: Trình bày quá trình thực nghiệm, tiến hành cài đặt và thử nghiệm
trên mô hình đề xuất với dữ liệu thực nghiệm là tập dữ liệu chuNn trong hội nghị RTE-
3 đã được dịch ra tiếng Việt. Đồng thời, khóa luận đưa ra kết quả đạt được và nhận
xét.
Kết luận và định hướng phát triển tiếp theo: Tóm lược kết quả đã đạt được
của khóa luận, chỉ ra những khuyết điểm cần khắc phục và đưa ra định hướng nghiên
cứu tiếp theo.

3

Chương 1. Giới thiệu chung về kế thừa văn bản.

Bài toán phát hiện biến đổi ngữ nghĩa (cùng một thông tin có thể được biểu diễn
bằng các từ và các cấu trúc cú pháp khác nhau) là một bài toán mới nhưng nó đã thu
hút được sự quan tâm của các nhà nghiên cứu trong nhiều năm qua. Đây là một bài
toán điển hình và có ảnh hưởng quan trọng tới hiệu quả của các hệ thống hiểu ngôn
ngữ tự nhiên. Bài toán thể hiện ở các mức độ phức tạp khác nhau và liên quan đến hầu
hết các vấn đề trong ngôn ngữ tự nhiên như: các biến đổi cấu trúc cú pháp, từ vựng,
ngữ nghĩa. Một ví dụ minh họa cụ thể là làm thế nào để một hệ thống hiểu ngôn ngữ
có thể phát hiện ra tất cả các câu cùng thể hiện thông tin về đội bóng Italia vô địch
world cup theo như dưới đây:
Ví dụ 1: Các biến đổi ngôn ngữ
• Biến đổi từ vựng:
o Italia vô địch world cup.
o SquadraAzzura vô địch world cup.

• Biến đổi ngữ nghĩa:
o Italia trờ thành nhà vô địch thế giới lần thứ tư.
Trong câu đầu tiên, từ “Italia” được sử dụng thay cho “đội bóng Italia”. Trong
câu thứ hai thì biệt danh “Squadra Azzura” được sử dụng thay cho “Italia”. Trong câu
thứ ba, một loại suy luận ngữ nghĩa được sử dụng để suy luận rằng: nếu “X trở thành
một nhà vô địch” thì “X chiến thắng trong world cup”.
Vấn đề biến đổi ngôn ngữ được sử dụng rộng rãi trong nhiều khía cạnh của lĩnh
vực xử lý ngôn ngữ tự nhiên bao gồm: mở rộng truy vấn, phân tích ngữ nghĩa tiềm Nn
cho tìm kiếm thông tin; so khớp từ vựng, so khớp cú pháp và suy luận logic cho hệ
thống hỏi đáp; sử dụng độ trùng lặp n – gram cho hệ thống dịch máy; độ trùng lặp về
từ vựng, sự tương đồng về cú pháp, ngữ nghĩa cho kế thừa văn bản. Trong khóa luận
này, chúng tôi tập trung vào một bài toán con về biến đổi ngôn ngữ là bài toán phát
hiện quan hệ kế thừa văn bản.
Phát hiện kế thừa văn bản là bài toán mới trong lĩnh vực xử lý ngôn ngữ tự
nhiên và nhận được sự quan tâm rất lớn của các nhà nghiên cứu. Đặc biệt, từ năm 2005
tới nay, hội thảo RTE được tổ chức thường niên với mục đích là tổng hợp các phương
pháp phát hiện kế thừa văn bản cho kết quả tốt thông qua các cuộc thi và nhận được sự
quan tâm của nhiều nhóm nghiên cứu NLP trên thế giới. Hội thảo RTE được tiến hành
4

trong khuôn khổ các hội nghị thường niên Hiểu tài liệu (DUC: Document
Understanding Conference, 2001-2007) và Phân tích xử lý văn bản (TAC:Text
Analysis Conference, từ năm 2008 tới nay
1
).
1.1. Khái niệm kế thừa văn bản.
Hiện nay có khá nhiều cách tiếp cận về khái niệm kế thừa văn bản, tuy nhiên
chúng tôi sẽ trình bày khái niệm văn bản theo hướng tiếp cận của Kouylekov [12].
Đầu tiên tác giả giới thiệu về kế thừa trong logic, sau đó tác giả giới thiệu về kế thừa
trong văn bản.

1.1.1. Kế thừa trong logic.
Theo Kouylekov [12], kế thừa được sử dụng trong logic mệnh đề và logic vị từ
để mô tả một mối quan hệ giữa hai mệnh đề (biểu thức chính quy). Kế thừa giữa hai
mệnh đề A và B, kí hiệu là A→ B được định nghĩa bằng cách sử dụng các định nghĩa
chính thức của mối quan hệ kế thừa giữa hai mệnh đề, giữa tập các mệnh đề với một
mệnh đề và giữa hai tập các mệnh đề tương ứng.
Định nghĩa: A được gọi là kế thừa B (A→ B) khi và chỉ khi trong mọi tập mẫu,
nếu A đúng thì B cũng đúng và nếu B sai thì A cũng sai.
Định nghĩa: T= { A
1
, A
2
, ….A
n
} là một tập các biểu thức, T → B khi và chỉ
khi mọi mẫu A
1
, A
2
, ….A
n
đều thỏa mãn B (A
1
∧ . . . ∧ A
n
→B)
Định nghĩa: T= { A
1
, A
2

, ….A
n
} và H = {B
1
, B
2
, …, B
n
} là các tập biểu thức
.
T → H nếu mọi mẫu A
1
, A
2
, ….A
n
thỏa mãn ít nhất một B
i
trong H (A
1
∧ . . . ∧ A
n
→
B
1
∨ . . . ∨ B
m
)
Hình 1 chỉ ra mối quan hệ kế thừa bằng biểu đồ Venn (biểu đồ dùng để biểu
diễn mối quan hệ của các tập hợp)

Hình 1: Biểu đồ Venn của mối quan hệ kế thừa A→ B.

1

A
B
5

1.1.2. Kế thừa trong văn bản.
Theo Glickman và Dagan [7], kế thừa văn bản như là một mối quan hệ giữa
một văn bản nhất quán T với một thể hiện ngôn ngữ của nó – giả thuyết H (H là một
hệ quả của T), ký hiệu là T → H nếu như ý nghĩa của H, đặt vào ngữ cảnh của T thì có
thể suy ra ý nghĩa của T.
Một cách chung nhất thì văn bản T được gọi là kế thừa từ giả thuyết H nếu như
sự thật về H có thể suy luận được từ T. Điều này có nghĩa là T bao hàm ý nghĩa của H
khi đọc cả hai. Do vậy, ta có thể nói T kế thừa H khi một số biểu diễn của H có thể
trùng khớp (qua một số bước chuyển đổi bảo toàn ngữ nghĩa) với một số (hoặc một
phần của) các biểu diễn của T, ở một cấp độ chi tiết và trừu tượng nhất định.
Dưới đây là một số ví dụ minh họa để giải thích về khái niệm kế thừa văn bản.
Bảng 1: Một số ví dụ về RTE trong hội nghị RTE-3
Văn bản Giả thuyết Kế thừa
Accardo đã chiến thắng trong cuộc thi
Geneva vào năm 1956 và đạt giải nhất cuộc
thi mang tên Paganini tại Genoa vào năm
1958.
Accardo đã chiến thắng

trong cuộc thi mang tên
Paganini tại Genoa.
Yes
David Golinkin là biên tập viên hay tác giả
của mười tám cuốn sách, và hơn 150 bài hỏi
đáp, bài viết, bài giảng và sách.
Golinkin đã viết mười tám
cuốn sách.
No
Giải bóng chày nhà nghề và các câu lạc bộ
của nó đã mua hơn 260 triệu hàng đôla hàng
hoá và dịch vụ từ các công ty nhỏ và do phụ
nữ sở hữu
Giải bóng chày nhà nghề
và các câu lạc bộ của nó đã
mua các công ty nhỏ và do
phụ nữ sở hữu
Yes
Thạch anh sông Ranh là một viên kim cương
giả được làm từ đá pha lê, thủy tinh hoặc
acrylic
Kim cương được làm cùng
với kính
No
Đảo Scott là một phần của Ross Dependency,
thuộc chủ quyền của New Zealand
Đảo Scott thuộc New
Zealand
No

6

1.2. Phát biểu bài toán phát hiện kế thừa văn bản.
Phát hiện kế thừa văn bản là bài toán phát hiện mối quan hệ kế thừa giữa văn
bản T và giả thuyết H. Bài toán được phát biểu như sau:
• Đầu vào: Tập các cặp văn bản – giả thuyết <T, H>thuộc cùng một chủ đề
• Đầu ra: Tập các cặp văn bản – giả thuyết đã được gán nhãn kế thừa “Yes” /
“No”. Nhãn “Yes” tương ứng với trường hợp văn bản T kế thừa giả thuyết H,
nhãn “No” tương ứng với trường hợp văn bản T không kế thừa giả thuyết H.
1.3. Bài toán phát hiện kế thừa văn bản trong hội nghị RTE.
Hội nghị RTE được tổ chức thường niên với mục đích tổng hợp những phương
pháp cho kết quả tốt cho bài toán phát hiện kế thừa văn bản. Hội nghị RTE lần đầu tiên
được tổ chức vào năm 2005. Trải qua các hội nghị RTE, bài toán phát hiện kế thừa văn
bản đã có những thay đổi và bổ sung mới.
Theo tổng hợp của Dagan và cộng sự, 2005 [8], RTE-1 được tổ chức vào năm
2005 đã đưa ra chuNn đầu tiên cho bài toán phát hiện kế thừa văn bản. Tập dữ liệu
RTE-1 bao gồm tập các đoạn văn bản thông thường: văn bản (T) gồm một hoặc hai
câu và giả thuyết (H) gồm một câu. Các hệ thống tham gia được yêu cầu đưa ra phán
quyết cho mỗi cặp (T, H) về việc có kế thừa hay không. Các cặp đại diện cho sự phán
quyết thành công hay thất bại của suy luận thuộc rất nhiều kiểu ứng dụng khác nhau
như: QA, IE, IR và MT.
RTE-2 (2006) được tổ chức với vấn đề trọng tâm là: làm sao để cung cấp nhiều
hơn các ví dụ thực tế của cặp văn bản – giả thuyết, chủ yếu dựa vào đầu ra của các hệ
thống thực tiễn. Tập dữ liệu của RTE-2 chứa 1600 cặp văn bản – giả thuyết và cũng
được chia làm hai tập: tập phát triển và tập kiểm tra với số lượng mỗi tập là 800 cặp.
Các ví dụ thể hiện các mức độ khác nhau của kết luận kế thừa dựa trên phân tích từ
vựng, cú pháp, hình thái học và tính logic. Quá trình thu thập dữ liệu và xử lý ghi chú
đã có những tiến bộ, bao gồm việc chú thích các ví dụ trên các trang web của các tổ
chức.
RTE-3 (2007) tiếp tục kế thừa RTE-1,2 và phát triển thêm về độ dài của văn

bản đánh giá (nâng lên mức độ đoạn văn) tuy nhiên các ví dụ dùng để xây dựng dữ
liệu đào tạo và kiểm thử hầu hết ở dạng văn bản ngắn (câu). Các cặp dữ liệu được ghi
chú và phân lớp dựa theo các thao tác có liên quan như trích xuất thông tin (IE), thu
thập thông tin (IR), hệ thống hỏi đáp (QA) và tóm tắt (SUM) cũng như các phán quyết
kế thừa tương ứng của chúng (“Có” hoặc “Không” kế thừa).
7

RTE-4 (2008) tiếp tục phát triển từ các cuộc thi trước đó, với mục đích chính là
phân lớp được các phán quyết thành ba kiểu: “Có”, “Không” và “Không xác định” để
tăng tính chính xác trong việc phân biệt thông tin; tính chất kế thừa của một giả thuyết
là không rõ ràng khi thực hiện suy luận dựa trên một văn bản được phân biệt là khác
so với một giả thuyết có thể nhìn thấy rõ ràng là không đúng hoặc trái ngược so với
văn bản nguồn. Tập dữ liệu của RTE-4 gồm có 1000 cặp (300 đối với mỗi IE và IR,
400 đối với SUM, QA).
Bài toán của RTE-5 (2009) cũng giống với RTE-4 nhưng có một số thay đổi:
Độ dài trung bình của các văn bản là dài hơn. Các văn bản được thu thập từ nhiều
nguồn khác nhau và không được chỉnh sửa từ tài liệu nguồn của chúng. Do vậy, hệ
thống sẽ được yêu cầu xử lý văn bản thực sự, có thể bao gồm các lỗi đánh máy và các
câu không đúng ngữ pháp. Phát hiện kế thừa văn bản sẽ chỉ dựa trên ba cài đặt ứng
dụng là: hỏi đáp (QA), trích chọn thông tin (IE) và tìm kiếm thông tin (IR).
Hội nghị RTE-6 (2010) có một số khác biệt đáng kể so với RTE-5, đó là kế
thừa văn bản được thực thi trên toàn bộ tập corpus thực sự. Trong RTE-6, một giai
đoạn lọc tìm kiếm thông tin sơ bộ được thực hiện bằng cách sử dụng Lucene (Lucene
là một thư viện mã nguồn mở cho tìm kiếm toàn văn bản, được phát triển bởi Dough
Cutting, thư viện này cung cấp các hàm cơ bản hỗ trợ cho việc đánh chỉ mục và tìm
kiếm), để chọn cho H một tập các câu kế thừa ứng viên được đánh giá bởi các hệ
thống tham gia. Nhằm tiếp tục các nỗ lực thử nghiệm trong các ứng dụng NLP, tập
hợp cơ sở tri thức (Knowledge Base Population: KBP) được đề xuất. Cơ sở dữ liệu tri
thức sẽ giúp cho việc nâng cao kết quả cho bài toán phát hiện kế thừa văn bản.
Hội nghị RTE-7 (2011) tiếp tục phát triển những vấn đề trong hội nghị RTE-6.

Bài toán đặt ra là tập trung kế thừa dựa vào ngữ cảnh. Trong đó, việc quyết định kế
thừa dựa trên ngữ cảnh rộng hơn. RTE-7 tập trung vào kế thừa văn bản trong hai thiết
lập ứng dụng: tóm tắt và tập hợp cơ sở tri thức (KBP). Bài toán chính trong RTE-7 là
việc đưa ra một tập corpus và một tập các câu ứng viên được lấy ra từ tập corpus từ
Lucence, hệ thống kế thừa văn bản được yêu cầu phải xác định các câu từ tập các câu
ứng viên để mà chúng kế thừa một giả thuyết đưa ra. Dựa trên bài toán chính, bài toán
phụ sẽ tập trung vào việc phát hiện tính mới, có nghĩa là các hệ thống kế thừa văn bản
được yêu cầu phải đánh giá liệu thông tin chứa trong giả thuyết H liệu có mới so với
thông tin chứa trong tập corpus hay không, nếu các câu kế thừa được tìm thấy trong
câu giả thuyết H được đưa ra thì nội dung của H là mới.

8

1.4. Vai trò của phát hiện kế thừa văn bản.
Kế thừa văn bản cung cấp các tính toán với các khả năng suy luận để đạt được
sự hiểu ngôn ngữ tự nhiên tốt hơn. Ngoài ra, phát hiện kế thừa văn bản được ứng dụng
trong rất nhiều lĩnh vực của xử lý ngôn ngữ tự nhiên như: Hệ hỏi đáp, trích xuất và
trích chọn thông tin, tóm tắt văn bản, dịch máy…
Trong hệ thống hỏi đáp (Question Answering System), phát hiện kế thừa văn
bản được sử dụng để xác định những câu trả lời có quan hệ kế thừa và đưa ra gợi ý về
câu trả lời được mong muốn từ câu hỏi của người dùng. Quá trình thực hiện được thể
hiện như hình 2.

Hình 2: Cấu trúc hệ thống hỏi đáp.
Đặc biệt, với tóm tắt văn bản trong xử lý ngôn ngữ tự nhiên, kế thừa văn bản
được sử dụng để xác định hoặc rút gọn lượng thông tin kế thừa trong văn bản cần tóm
tắt, từ đó so sánh với văn bản khác. Điều này được sử dụng để tránh dư thừa thông tin
khi trong một văn bản có những đoạn là kế thừa tri thức của nhau. Áp dụng điều này,
tóm tắt văn bản sử dụng quan hệ kế thừa để bỏ qua những thông tin không cần thiết
giúp rút ngắn độ dài văn bản mà vẫn giữ được những thông tin quan trọng.

Trong lĩnh vực dịch máy (Machine Translation), kế thừa văn bản dùng để đánh
giá sự tương đương về mặt ngữ nghĩa của các bản dịch.


9

1.5. Tóm tắt chương một.
Trong chương một, khóa luận đã trình bày một số nội dung xoay quanh vấn đề kế thừa
văn bàn: khái niệm kế thừa văn bản, phát biểu bài toán phát hiện kế thừa văn bản, sau
đó khóa luận giới thiệu khái quát về bài toán trong các hội nghị RTE. Cuối chương,
khóa luận trình bày về vai trò của phát hiện kế thừa văn bản.

10

Chương 2. Hướng tiếp cận học máy cho bài toán phát hiện kế
thừa văn bản và mô hình học máy SVM.
Từ năm 2005 tới nay, hội nghị khoa học quốc tế thường niên về RTE (nhánh
RTE của hội nghị phân tích văn bản (Text Analysis Conference: TAC)) đã tập hợp
được nhiều công trình nghiên cứu về RTE. Trải qua 7 kỳ hội nghị với hàng trăm bài
báo và nhiều công trình nghiên cứu được công bố, nhìn chung hướng tiếp cận mà các
tác giả sử dụng chủ yếu như: hướng tiếp cận sử dụng học máy với việc lựa chọn các
đặc trưng, hướng tiếp cận dựa trên đại diện ở các mức độ khác nhau của xử lý ngôn
ngữ tự nhiên (cú pháp, ngữ nghĩa), hướng tiếp cận dựa trên suy luận logic. Hầu hết các
hướng tiếp cận trên đều có thể dựa trên các cơ sở tri thức bên ngoài như WordNet
2

(một cơ sở dữ liệu từ vựng cho tiếng Anh. WordNet cung cấp các định nghĩa tổng quát
liên quan đến từ vựng, hữu ích trong việc xử lý ngôn ngữ tự nhiên). Một cơ sở dữ liệu
từ vựng tiếng Anh khác mà các tác giả cũng thường xuyên sử dụng là FrameNet
3

. Nhìn
chung, mỗi hướng tiếp cận đều có những ưu điểm riêng nhưng thông thường chỉ giải
quyết được một khía cạnh của bài toán, khó có thể đưa ra một cách tiếp cận nào rõ
ràng giải quyết được tất cả các vấn đề trong kế thừa văn bản.
Trên cơ sở tìm hiểu các phương pháp tiếp cận, Rui Wang [15] nhận xét rằng
việc áp dụng học máy vào bài toán phát hiện kế thừa văn bản có rất nhiều ưu điểm
như: tránh việc phải xác định ngưỡng kế thừa, có khả năng làm việc với một số lượng
lớn các đặc trưng, cho phép tích hợp các thông tin từ nhiều mức như cú pháp, ngữ
nghĩa hoặc sự kế hợp giữa chúng.
2.1. Giới thiệu chung về hướng tiếp cận sử dụng học máy
Theo Rui Wang [15], có hai bước cần thực hiện khi áp dụng phương pháp học
máy. Bước đầu tiên là tiến hành trích xuất đặc trưng từ cặp văn bản – giả thuyết đầu
vào. Bước tiếp theo là việc sử dụng các bộ phân lớp với các đặc trưng vừa được trích
xuất. Các bộ phân lớp thường được sử dụng bao gồm: bộ phân lớp cây quyết định
(Decision Trees-DTs), máy vector hỗ trợ (Support Vector Machines-SVMs), Entropy
cực đại (Maximum Entropy-ME), Naïve Bayes (NB). Kết quả phân lớp kế thừa không
chỉ phụ thuộc vào bộ phân lớp sử dụng, các đặc trưng được lựa chọn mà nó còn phụ
thuộc vào cả dữ liệu huấn luyện. Việc học dữ liệu huấn luyện có thể chia thành hai
loại: học dựa trên các đặc trưng intra-pair và học dựa trên các đặc trưng cross-pair.

2

3


11

Phát hiện kế thừa văn bản là một bài toán kiểm tra sự tồn tại của mối quan hệ kế thừa
giữa hai đoạn văn bản (văn bản T và giả thuyết H). Hầu hết các đặc trưng được trích
xuất dựa trên mối quan hệ giữa T và H (các đặc trưng intra-pair), tuy nhiên, cũng có

một số đặc trưng khác được tính dựa trên các đặc trưng giữa các cặp T-H với nhau
(đặc trưng cross-pair).
2.2.1. Các đặc trưng Intra-pair (In-pair features)
Các đặc trưng Intra-pair là các đặc trưng được trích xuất từ việc so sánh cặp câu
T và H. Nếu chúng ta coi các câu như một nhóm các token (đơn vị từ vựng) thì sự
trùng lặp từ vựng sẽ là một chỉ số tốt. Ngoài ra, các đặc trưng có thể được trích xuất
dựa từ cấu trúc cú pháp hoặc các đại diện ngữ nghĩa hoặc thậm chí cả các hình thức
logic. Nếu chúng ta coi các câu như các túi từ (bag of words) thì các đặc trưng được
xem xét bao gồm: số lượng các từ trùng lặp giữa T và H hoặc tỉ lệ của số lượng từ
trùng lặp với tổng số các từ trong T hoặc H.
J. Bos và K. Market [9] kết hợp phương pháp dựa trên trùng lặp từ và phương
pháp dựa trên suy luận logic. Một số tác giả sử dụng các đặc trưng phong phú ở các
cấp độ xử lý đa dạng khác nhau.Sự kết hợp giữa các từ trong T và H được phát hiện và
giúp cho việc phân lớp trong giai đoạn tiếp theo.
A. Newman và cộng sự [5] đề xuất ra hai hệ thống, hệ thống đầu tiên sử dụng
một số độ đo tương tự, bao gồm ROUGE (Recall-Oriented Understudy for Gisting
Evaluation: một gói phần mềm với một tập các độ đo được sử dụng cho việc đánh giá
tóm tắt tự động và phần mềm dịch máy trong xử lý ngôn ngữ tự nhiên), độ đo Cosin,
và độ đo tương đồng cho danh từ dựa trên WordNet. Với các đặc trưng dựa trên động
từ, các tác giả sử dụng mạng ngữ nghĩa VerbOcean (một tài nguyên từ vựng cung cấp
những mối quan hệ ngữ nghĩa giữa các động từ). Trên thực tế, hầu hết các nhóm sử
dụng các đặc trưng từ vựng đều áp dụng các độ tương đồng giữa các từ dựa vào từ
điển WordNet hoặc các nguồn tài nguyên từ vựng khác.
Theo Rui Wang [15] thì R. Adam sử dụng khoảng cách chỉnh sửa từ vựng như
là một đặc trưng. Về cơ bản, tác giả đếm số các token không được ánh xạ sau khi so
sánh cặp <T, H> và sau đó mở rộng độ dài của H bằng toán tử chèn từ phép chỉnh sửa.
T kế thừa H nếu có một chuỗi các phép chuyển đổi được áp dụng để biến T thành H
với tổng thể chi phí ở dưới ngưỡng cho phép. Sự khác biệt ở đây là các tác giả tính
toán khoảng cách chỉnh sửa dựa trên cây phụ thuộc, bao gồm các phép toán: chèn, xóa
12

và thay thế. Các chi phí để xóa và thay thế là 0 nếu hai từ đó là tương đồng với nhau
dựa theo từ điển WordNet và là khác 0 trong các trường hợp khác.
Thêm nữa, Rui Wang [15] cũng chỉ ra rằng F. Schilder và B. T. McInnessử
dụng khoảng cách chỉnh sửa cây như là một đặc trưng và áp dụng các độ đo tương tự
cây xấp xỉ khác. Đối với bài toán RTE, văn bản T thường dài hơn giả thuyết H, trong
đó văn bản T thường chứa các thông tin nhiễu mà không liên quan đến việc phát hiện
mối quan hệ kế thừa (đây chính là nguyên nhân vì sao mà phép xóa có chi phí là 0).
Từ trái nghĩa đóng một vài trò quan trọng cho bài toán phát hiện kế thừa trong
văn bản, đó là việc tìm các cặp từ trái nghĩa xuất hiện giữa T và H để làm đặc trưng
phát hiện quan hệ kế thừa. E. Newman và cộng sự [5] cũng sử dụng đặc trưng này từ
Verb-Ocean (một tài nguyên từ vựng cung cấp những mối quan hệ ngữ nghĩa giữa các
động từ).
Tên thực thể (Named-Entity:NE) là một đặc trưng quan trọng. Một số tác giả đã
tiến hành thực nghiệm và kết quả cho thấy rằng hệ thống có sử dụng đặc trưng NE cho
kết quả cao hơn so với hệ thống trước đó. Số (hoặc các biểu thức số) xuất hiện trong T
và H được so sánh trực tiếp hoặc sau khi được thay đổi giá trị.
Một số đặc trưng được trích xuất từ các cấu trúc cú pháp, chức năng ngữ nghĩa,
hoặc hình thức logic. Theo Rui Wang [15], A. Hickl và cộng sự tiến hành tiền xử lý
các văn bản với phân tích từ vựng, phân tích cú pháp, giải quyết vấn đề đồng tham
chiếu và phân tích ngữ nghĩa và sau đó đã trích xuất các đặc trưng dựa trên đầu ra, bao
gồm các đặc trưng phụ thuộc, các đặc trưng diễn giải, các đặc trưng ngữ nghĩa. Bên
cạnh đó, thành phần cơ bản (Basic Element: BE) được tận dụng như một không gian
đặc trưng. BE là một bộ dữ liệu (tuple) đại diện cho các đoạn cú pháp quan trọng.
2.1.2. Các đặc trưng Cross-Pair
Theo như tổng kết, Rui Wang [15] chỉ ra rằng: Trong hội nghị RTE-2, chỉ có
nhóm tác giả Zanzotto và cộng sự trích xuất được các đặc trưng cross-pair. Các tác giả
không tính toán độ tương đồng giữa T và H mà tính độ tương đồng giữa các cặp T-H
khác nhau dựa trên các thông tin về cú pháp và từ vựng. Cụ thể, các tác giả sử dụng
các hàm đánh giá sự tương đồng giữa các từ hoặc biểu thức phức tạp hơn để xác định

các vị trí (anchor). Các vị trí này được sử dụng để kết nối toàn bộ T và H. Sau đó, một
hàm nhân dựa trên đặc trưng cross-pair được áp dụng để tính toán độ tương đồng. Các
tác giả xấp xỉ tổng độ tương đồng giữa hai câu T và hai câu H thành độ tương đồng
giữa hai cặp.
13

2.1.3. Các phương pháp học máy
Sau khi tiến hành trích xuất và lựa chọn đặc trưng thì quá trình chọn phương
pháp học (bộ phân lớp) sẽ được thực hiện. Các phương pháp học máy được các tác giả
sử dụng là rất đa dạng bao gồm: SVM, cực đại hóa Entropy, cây quyết định, … Trong
các loại học máy kể trên thì DT và SVM là hai phương pháp học máy được dùng phổ
biến nhất trong bài toán phát hiện kế thừa văn bản.
SVM là một phương pháp học máy dựa trên hàm nhân, nó biểu diễn tất cả các
đặc trưng thông qua việc chuyển đổi chúng thành một vector đặc trưng. Theo Rui
Wang [15], J. Herrera và cộng sựsử dụng cả hai loại đặc trưng: các mối quan hệ từ
vựng và các đặc trưng dựa vào nhận dạng thực thể để phân lớp và nhấn mạnh tầm
quan trọng của loại đặc trưng thứ hai. Kouyleko và Magnini có những cài đặt khác
nhau cho toán tử chèn của phép tính toán khoảng cách chỉnh sửa cây. Do đó, họ xây
dựng năm hệ thống đường cơ sở và kết hợp chúng lại như là các đặc trưng cho bộ phân
lớp SMO. SMO là thuật toán tối ưu thiểu tuần tự (Sequential Minimal Optimization)
của John Platt để đào tạo bộ phân lớp SVM. Schilder và McInnes [6] có hai hướng tiếp
cận dựa trên từ vựng và hai hướng tiếp cận dựa trên khoảng cách chỉnh sửa cây. Do
đó, các tác giả tiến hành kết hợp các hướng tiếp cận này vào một bộ phân lớp SVM.
Bài toán phát hiện quan hệ kế thừa có thể coi như một bài toán phân lớp nhị
phân. Vì vậy thuật toán cây quyết định được sử dụng rộng rãi bởi các nhóm lựa
chọn các đặc trưng ngôn ngữ. J. Bos và K. Markert [9] sử dụng cả đặc trưng nông
và đặc trưng sâu để xây dựng môt mô hình cây quyết định. Nicholson sử dụng các
mô hình cây quyết định khác nhau như: C4.5, C5 vào hệ thống phát hiện kế thừa
văn bản của mình.
2.2. Một số hệ thống phát hiện kế thừa văn bản có sử dụng học máy

2.2.1. Đối với văn bản là tiếng nước ngoài
Eamonn Newman và cộng sự [5] đề xuất ra hệ thống phát hiện kế thừa văn
bản sử dụng bộ phân lớp cây quyết định. Hệ thống sử dụng phân lớp cây quyết định để
phát hiện một mối quan hệ kế thừa giữa các cặp câu được đại diện bằng cách sử dụng
một lượng lớn các đặc trưng như: từ vựng, ngữ nghĩa và các thuộc tính ngữ pháp của
các danh từ, động từ và tính từ. Các tác giả tạo ra phân lớp từ tập dữ liệu huấn luyện
RTE sử dụng thuật toán học máy C5.0: sử dụng thuật toán C 5.0 vì nó có thể được
dùng để xây dựng một phân lớp cây quyết mà từ đó có thể thực thi trên một nhánh dãy
số trong khi nhiều thuật toán khác chỉ thực hiện trên các giá trị rời rạc.