Nghiên cứu và phát triển phương pháp rút gọn câu tiếng việt dựa trên phương pháp học không giám sát

1

ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN
THÔNG

NGUYỄN CẢNH TOÀN

NGHIÊN CỨU VÀ PHÁT TRIỂN
PHƯƠNG PHÁP RÚT GỌN CÂU TIẾNG VIỆT DỰA TRÊN
PHƯƠNG PHÁP HỌC KHÔNG GIÁM SÁT
Chuyên ngành: Khoa học máy tính
Mã số: 60.48.01.01

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Người hướng dẫn khoa học: TS. Nguyễn Thị Thu Hà

THÁI NGUYÊN - 2013


i
LỜI CẢM ƠN
Để hoàn tất một luận văn thạc sĩ yêu cầu sự tập trung, sự cố gắng và
độc lập nghiên cứu. Bản thân tôi sau những năm tháng học tập vất vả và
nghiên cứu cũng đã cố gắng để hoàn thành được luận văn này. Tôi luôn ghi
nhận những sự đóng góp giúp đỡ nhiệt tình của những người bên cạnh mình,
sự ủng hộ, sự hỗ trợ của bố mẹ bạn bè giúp tôi có thêm động lực để hoàn
thành khóa luận tốt nghiệp, nhân đây tôi muốn gửi lời cảm ơn nhất tới họ.
Lời cảm ơn trân trọng đầu tiên tôi muốn dành tới TS Nguyễn Thị Thu
Hà, đã hướng dẫn tôi trong suốt quá trình làm luận văn, nhờ sự định hướng

của cô giúp tôi tự tin nghiên cứu những vấn đề mới và giải quyết bài toán một
cách khoa học.
Tôi xin trân trọng cảm ơn Ban giám hiệu trường đại học công nghệ
thông tin, Đại học Thái nguyên, khoa CNTT đã tạo các điều kiện cho chúng
tôi được học tập và làm khóa luận một cách thuận lợi.
Lời cảm ơn sâu sắc muốn được gửi tới các thầy cô giáo đã dạy dỗ và
mở ra cho chúng tôi thấy chân trời tri thức mới, hướng dẫn chúng tôi cách
khám phá và làm chủ công nghệ mới.
Tôi muốn gửi lời cảm ơn chân thành đến tập thể lớp CHK10D-KHMT
đã cùng tôi đi qua những tháng ngày miệt mài học tập, cùng chia sẻ những
niềm vui nỗi buồn, động viên tôi đi qua những khó khăn, để tôi vững bước
vượt qua những vất vả, quyết tâm hoàn thành luận văn này.
Tôi xin trân trọng cảm ơn bố mẹ, người đã mang tới tất cả niềm tin,
định hướng và theo dõi tôi suốt chặng đường đời. Nâng đỡ tôi và đến bên tôi
những giây phút khó khăn nhất của cuộc sống.
Tuy nhiên do thời gian có hạn, mặc dù đã nỗ lực cố gắng hết mình
nhưng chắc rằng luận văn khó tránh khỏi những thiếu sót. Rất mong được sự
chỉ bảo, góp ý tận tình của Quý thầy cô và các bạn.


ii

MỤC LỤC
............................................................................................................................... 2


iii

DANH MỤC TỪ VIẾT TẮT
NLP

Natural Language Processing

Xử lý ngôn ngữ tự nhiên


iv

DANH MỤC HÌNH VẼ
............................................................................................................................... 2
Hình 1.2. Hệ thống tóm tắt ngoại tuyến..........................................................................................................4
Bảng 2.1. Mô tả tần suất từ.................................................................................................................................21
Bảng 2.1. Mô tả tần suất từ.................................................................................................................................21
Bảng 2.2. Câu tương ứng.....................................................................................................................................21
Bảng 2.2. Câu tương ứng.....................................................................................................................................21
Bảng 2.3. Xác suất điều kiện...............................................................................................................................21
Bảng 2.3. Xác suất điều kiện...............................................................................................................................21


v

DANH MỤC BẢNG BIỂU

............................................................................................................................... 2
Bảng 2.1. Mô tả tần suất từ.................................................................................................................................21
Bảng 2.2. Câu tương ứng.....................................................................................................................................21
Bảng 2.3. Xác suất điều kiện...............................................................................................................................21


1

MỞ ĐẦU
Thông tin đã đóng vai trò cực kỳ quan trọng trong xã hội hiện đại.
Lượng lớn thông tin được tạo ra và đưa lên Internet hàng này mang lại cho
con người những tiện ích tra cứu thông tin. Các hệ thống tìm kiếm, tra cứu
được nghiên cứu, đề xuất và xây dựng thỏa mãn phần nào yêu cầu của người
dùng đặt ra trong hiện tại. Tuy nhiên, do số lượng thông tin quá nhiều, kết quả
thường trả về hàng triệu tới hàng trăm triệu bản ghi tương đương với câu truy
vấn mà người dùng nhập vào.
Tóm tắt văn bản là kỹ thuật cho phép máy tính tự động tạo ra văn bản
tóm tắt từ một hoặc nhiều văn bản gốc khác nhau. Nhờ tính năng tóm tắt nội
dung chính và tổng hợp nội dung quan trọng từ các văn bản gốc mà tóm tắt
văn bản là một trong những lĩnh vực được các nhà nghiên cứu quan tâm từ
những năm 60 của thế kỷ 20 và vẫn là chủ đề nóng của các diễn đàn, hội thảo
trên thế giới.
Các phương pháp tóm tắt văn bản truyền thống thường dựa trên cách
tiếp cận trích rút câu. Có nghĩa, văn bản tóm tắt được tạo thành từ những câu
đã được lựa chọn từ trong văn bản gốc. Do đó, về mặt ngữ nghĩa và nội dung
của văn bản tóm tắt thường rời rạc, dẫn đến văn bản thiếu độ liền mạch
(coherence) và súc tích (concise).
Một số các phương pháp tóm tắt hiện đại thường đề cập tới vấn đề xử
lý ngôn ngữ tự nhiên để văn bản tóm tắt có độ ngôn ngữ (linguistic score) tốt,
đồng thời phản ánh liền mạch nội dung của văn bản gốc. Một trong những kỹ
thuật đó là kỹ thuật rút gọn câu. Với kỹ thuật rút gọn câu hiện nay, có sử dụng
cả hai kỹ thuật học giám sát và không giám sát. Trong cách học giám sát, các
tác giả thường đề cập tới mô hình học thống kê và yêu cầu xây dựng kho dữ
liệu dùng cho huấn luyện tương đối tỉ mỉ theo cách thủ công. Để xây dựng
được kho dữ liệu này, cần nhiều thời gian và công sức theo cách thủ công.
Bên cạnh đó, các thuật toán trong các phương pháp rút gọn câu chủ yếu là tìm

2
kiếm những câu rút gọn tương đương trong kho dữ liệu có sẵn, dẫn tới độ
phức tạp thuật toán cao.
Trong khuôn khổ đề tài luận văn, tôi sử dụng cách tiếp cận rút gọn câu
dựa trên phương pháp học không giám sát để:
- Tiết kiệm tối đa chi phí khi xây dựng kho ngữ liệu thủ công.
- Giảm độ phức tạp tính toán về mặt thời gian.
Luận văn được chia thành 3 chương với các nội dung sau:
Chương 1: Tổng quan về tóm tắt văn bản dựa trên cách tiếp cận
rút gọn câu
Chương 2: Phương pháp rút gọn câu dựa trên phương pháp học
không giám sát
Chương 3: Xây dựng ứng dụng rút gọn câu dựa trên phương pháp
học không giám sát


3
Chương 1:
TỔNG QUAN VỀ TÓM TẮT VĂN BẢN
DỰA TRÊN CÁCH TIẾP CẬN RÚT GỌN CÂU
Trong chương này, tôi trình bày các khái niệm, định nghĩa cơ bản về
tóm tắt văn bản, tổng quan về các phương pháp tóm tắt văn bản. Các cách tiếp
cận và phương pháp đánh giá của tóm tắt.
1.1. Tổng quan bài toán tóm tắt văn bản
1.1.1. Tổng quan
1.1.1.1. Khái niệm
Sự gia tăng nhanh chóng của dữ liệu trên Internet đã mang lại cho
người dùng những tiện ích to lớn. Tra cứu, tìm kiếm thông tin, các ứng dụng
về bán hàng, giao dịch trao đổi thông tin qua Internet.
Tóm tắt văn bản thuộc lĩnh vực xử lý ngôn ngữ tự nhiên. Trải qua hơn

nửa thế kỷ phát triển tới ngày nay, tóm tắt văn bản vẫn được coi là một trong
những chủ đề quan trọng của các hội thảo, hội nghị được nhiều các học giả,
chuyên gia, nhà nghiên cứu quan tâm.
Các hội thảo chủ đề xử lý ngôn ngữ tự nhiên thường niên cũng bao
gồm các chủ đề (track) liên quan đến tóm tắt văn bản như động (WAS
2000, 2001, 2002), nhiều chủ đề đặc biệt trong các hội thảo ACL,
COLING, SIGIR đã được tổ chức. Chính phủ của nhiều nước trên thế giới
như Nhật, Mỹ, Anh, Trung Quốc,... đã đầu tư rất nhiều kinh phí cho việc
phát triển các hệ thống tóm tắt văn bản tự động trực tuyến (online) và
ngoại tuyến (offline).


4

Hình 1.1. Hệ thống tóm tắt trực tuyến Text compactor
Hình 1.1 là hình ảnh của hệ thống tóm tắt trực tuyến Text Compactor
thao tác bằng cách nhập một văn bản và lựa chọn tỉ lệ tóm tắt sẽ có được văn
bản tóm tắt có chiều dài tương ứng với tỉ lệ. Tỉ lệ tóm tắt này được tính bởi
công thức (1-1) dưới đây:
R= (chiều dài văn bản tóm tắt/chiều dài văn bản gốc)*100%.

(1-1)

Hình 1.2 dưới đây là hình ảnh của hệ thống tóm tắt ngoại tuyến Gnome.
Văn bản tóm tắt là các câu được lựa chọn có màu vàng.

Hình 1.2. Hệ thống tóm tắt ngoại tuyến


5

Radev và các cộng sự đã định nghĩa tóm tắt là một sản phẩm tổng hợp
từ một hoặc nhiều văn bản lưu giữ các thông tin quan trọng, có ích từ văn bản
gốc và không dài quá nửa văn bản gốc. Như vậy có ba vấn đề chính khi tóm
tắt văn bản cần phải đạt được:
- Tóm tắt từ một hoặc nhiều văn bản.
- Tóm tắt giữ lại các thông tin quan trọng.
- Tóm tắt phải ngắn gọn
Định nghĩa 1.1 [Tóm tắt văn bản (Text summarization)]: Tóm tắt
văn bản là quá trình rút ra những thông tin quan trọng từ một văn bản để
tạo thành một văn bản ngắn gọn hơn theo nhiệm vụ cụ thể và yêu cầu của
người sử dụng [5].
Những nghiên cứu sớm nhất về tóm tắt văn bản được đề xuất bởi Luhn
vào năm 1958, tại Viện nghiên cứu của IBM, trong phương pháp của mình, Luhn
đã co tần suất là đặc trưng chính trong một văn bản và cũng là độ đo quan trọng
có ý nghĩa. Ý tưởng này đã mở đầu cho các công trình liên quan sau này. Luhn đã
biên dịch từ một danh sách các từ chứa nội dung (content words) được sắp xếp
theo tần xuất giảm dần và đánh chỉ số độ đo quan trọng của chúng. Ở mức một
câu, nhân tố quan trọng (significance factor) được dựa trên độ đo quan trọng của
các từ có mặt trong câu đó và khoảng cách giữa chúng với các từ có độ đo quan
trọng thấp. Tất cả các câu được sắp xếp theo thứ tự của nhân tố quan trọng và các
câu có vị trí cao nhất sẽ được lựa chọn trong hệ thống tóm tắt tự động [36].
Một nghiên cứu liên quan khác của Baxendale cũng được đề xuất vào
năm 1958 tại viện nghiên cứu IBM và công bố trong cùng một tạp chí, cung cấp
một góc nhìn khác khi tập trung vào tìm kiếm các thành phần ngữ nghĩa ngầm
của các văn bản: Vị trí câu. Theo mục đích này, tác giả đã thu tập 200 đoạn để
tìm ra tới 85% trong các đoạn đó, các câu chủ đề nằm ở vị trí đầu đoạn và 7%
nằm ở vị trí cuối đoan. Do đó, đơn giản nhất sẽ chọn câu đứng ở đầu đoạn hoặc
cuối đoạn để tạo ra tóm tắt. Đặc trưng về vị trí câu cũng là một trong những đặc
trưng tổ hợp trong các hệ thống tóm tắt dựa trên máy học sau này [37].

6
Nghiên cứu cơ bản của Edmundson năm 1969, mô tả một hệ thống sinh ra
văn bản tóm tắt dựa trên cách tiếp cận trích rút câu. Đầu tiên tác giả phát trieernn
một giao thức để tạo trích rút thủ công ứng dụng cho một tập gồm 400 văn bản
kỹ thuật. Tiếp theo, các đặc trưng tần suất từ và vị trí quan trọng được sử dụng
lại từ các nghiên cứu trước và bổ sung thêm 2 đặc trưng nữa. Trọng số câu được
tính toán giựa trên các đặc trưng này. Khi đánh giá, độ chính xác của phương
pháp tương đương với 44% so với trích rút thủ công [38].
1.1.1.2. Phân loại tóm tắt
Tuỳ theo yêu cầu và mục đích sử dụng, tóm tắt văn bản được phân
thành các kiểu khác nhau:
- Tóm tắt trình bày (indicative summary),
- Tóm tắt thông tin (informative summary),
- Tóm tắt hướng truy vấn (queries –oriented summary),
- Tóm tắt khái lược (generic summary),
- Tóm tắt dựa trên trích rút câu (extraction summary)
- Tóm tắt dựa trên trừu tượng (abstraction summary).
Trong các kiểu tóm tắt văn bản này, tóm tắt trình bày quan tâm tới diễn
giải văn bản mà bỏ qua ngữ cảnh, tóm tắt thông tin đưa ra tóm tắt nội dung ở
dạng ngắn nhất. Tóm tắt hướng truy vấn chỉ đưa ra nội dung mà người đọc
quan tâm. Tóm tắt khái lược đưa ra tổng quan văn bản, tóm tắt dựa trên trích
rút trích chọn ra những phần quan trọng trong văn bản như câu, mệnh đề,
thuật ngữ,... Tóm tắt dựa trên trừu tượng (rút gọn câu) tạo ra một văn bản tóm
tắt đảm bảo về mặt cú pháp, ngữ nghĩa, câu được xử lý một cách tinh vi. Văn
bản tóm tắt dựa trên rút gọn câu mang lại hiệu quả cao về mặt ngôn ngữ.
Các phương pháp tóm tắt văn bản được đề xuất thường sử dụng tiếp
cận tóm tắt theo dựa trên trích rút câu. Lý do là cách tiếp cận tóm tắt dựa trên
trích rút câu dễ dàng thực hiện hơn so với cách tiếp cận tóm tắt dựa trên rút
gọn câu. Tuy nhiên, sử dụng cách tiếp cận tóm tắt văn bản dựa trên trích rút

7
câu thường cho kết quả là những văn bản tóm tắt với thông tin ít liền mạch
hơn theo cách tiếp cận tóm tắt dựa trên rút gọn câu. Chính vì điều này, hướng
nghiên cứu tóm tắt dựa trên rút gọn câu ngày càng thu hút nhiều sự quan tâm
của giới chuyên môn.
1.1.2. Một số phương pháp tóm tắt văn bản
1.1.2.1. Một số phương pháp tóm tắt văn bản điển hình
- Phương pháp tóm tắt văn bản bằng Naïve Bayes:
Kupiec (1995) đã mô tả một phương pháp bắt nguồn từ Edmundson
(1969) đó là học từ dữ liệu. Sử dụng hàm phân loại mỗi câu về các lớp khác
nhau. Giả sử s là 1 câu, S là tập các câu tạo nên văn bản tóm tắt, và F1…Fk là
các đặc trưng. Những đặc trưng dựa trên phương pháp Edmundson (1969) và
được bổ sung thêm một số các đặc trưng khác : chiều dài câu và sự xuất hiện
của từ viết hoa. Mỗi câu sau khi tính toán sẽ có một giá trị nhất định, và được
sắp xếp theo thứ tự giảm dần, chỉ có n câu đứng đầu được trích rút. Để đánh
giá hệ thống Kupiec đã sử dụng một kho dữ liệu văn bản bao gồm các tài liệu
kỹ thuật cùng với các văn bản tóm tắt đã được tóm tắt bởi con người.
Aoen và các cộng sự (1999) cũng sử dụng phương pháp phân loại của
naïve- Bayes, nhưng thêm vào đó 1 số đặc trưng. Họ xây dựng 1 hệ thống gọi
là DimSum được dựa trên các đặc trưng: như tần suất từ (tf) và tần suất
nghịch đảo văn bản (idf) để thu được các từ quan trọng. idf được tính từ trong
tập dữ liệu lớn các văn bản trọng tâm cùng chủ đề. Họ cũng thực hiện một số
phân tích bề mặt như tồn tại độ tương tự nhau giữa các câu trong văn bản, duy
trì súc tích. Các thống kê tên viết tắt trong văn bản tựa như U.S thành United
States hoặc IBM là International Business Machines. Từ đồng nghĩa và hình
thái từ cũng được sử dụng trong khi xem xét thuật ngữ từ vựng, nhận dạng sử
dụng Wordnet ( Miler, 1995 ). Kho dữ liệu sử dụng trong thực nghiệm được
lấy từ các trang tin, và đánh giá dựa vào TREC.

8
- Phương pháp tóm tắt văn bản bằng cây quyết định
Lin và Hovy (1997) đã nghiên cứu 1 đặc trưng rất quan trọng, vị trí của
câu. Độ quan trọng của câu bằng chính vị trí của nó trong văn bản, tác giả đã gọi
là “position method”, nảy sinh từ ý tưởng rằng các văn bản sinh ra một cấu trúc
diễn ngôn, và một câu gần chủ đề hơn khuynh hướng tập trung xuất hiện trong vị
trí có thể định được ( ví dụ tiêu đề, abstract …). Do đó, cấu trúc diễn ngôn quan
trọng thay đổi theo lĩnh vực, đặc trưng vị trí câu không thể được định nghĩa đơn
giản như ( Baxendale, 1958). Nghiên cứu này đã có một đóng góp quan trọng
bằng kỹ thuật xác định vị trí tối ưu và cách đánh giá thế nào cho hiệu quả. Một
kho dữ liệu tin tức lớn được sử dụng, kho được sưu tập bởi Zif-Davis từ chương
trình TIPSTER, nó bao gồm văn bản về máy tính (computer) và liên quan tới
phần cứng, thêm vào là tập các từ khóa chủ đề và abstract nhỏ khoảng 6 câu. Có
2 cách đánh giá được sử dụng là precision và recall.
Trong nghiên cứu tiếp theo của Lin (1999) đã bác bỏ giả thiết rằng các
đặc trưng là độc lập lẫn nhau và đã đưa ra mô hình trích rút câu sử dụng cây
quyết định thay thế cho phân loại naïve – bayes. Lin đã khảo sát rất nhiều đặc
trưng và hiệu ứng của chúng trong trích rút câu. Dữ liệu được sử dụng trong
công việc này được sử dụng tập dữ liệu văn bản chuẩn, đã được phân loại
theo các chủ đề khác nhau, cung cấp bởi hệ thống đánh giá TIPSTERSUMMAC. Các thực nghiệm mô tả là hệ thống SUMMARIST được phát
triển tại Trường đại học Southern California.
- Phương pháp tóm tắt văn bản bằng mạng nơ ron
Svore và các cộng sự ( 2007 ) đưa ra 1 thuật toán dựa trên mạng neural
và sử dụng tập dữ liệu đưa ra để giải quyết vấn để tóm tắt trích rút, tốt hơn
tiêu chuẩn thống kê các đặc trưng quan trọng.
Các tác giả đã sử dụng tập dữ liệu bao gồm 1365 tài liệu thu thập được
từ CNN.com, mỗi tài liệu bao gồm tiêu đề, timestamp, các đoạn quan trọng do
con người tạo ra và văn bản. Con người tạo ra đoạn quan trọng không đúng

9
theo nguyên văn trích rút từ trong bài báo. Svore đã huấn luyện 1 mô hình từ
các nhãn và các đặc trưng cho mỗi câu trong bài báo, có thể suy luận ra sắp
xếp của các câu trong văn bản kiểm tra. Sắp xếp được hoàn thành sử dụng
RankNet ( Burges et al.,2005), một cặp dựa trên thuật toán mạng neural thiết
kế để sắp xếp 1 tập đầu vào sử dụng phương pháp giảm gradient trong huấn
luyện. Với tập huấn luyện họ sử dụng ROUGE-1 ( Lin, 2004 ) để tính độ
tương tự của các câu trong văn bản và đoạn được viết bởi con người. Những
độ tương tự này được sử dụng như 1 nhãn mềm trong suốt quá trình huấn
luyện, khác với những đề cập khác các câu là các nhãn cứng.
- Phương pháp phân tích ngôn ngữ tự nhiên mức sâu
Đây là kỹ thuật phân tích bao gồm phân tích ngôn ngữ tự nhiên. Phần
lớn những kỹ thuật này cố gắng tạo ra 1 mô hình văn bản súc tích liền mạch.
Barzilay và Elhadad (1997) đã mô tả 1 công việc sử dụng việc xem xét
phân tích ngôn ngữ để nâng cao hiệu năng tóm tắt. Trong đó chuỗi từ vựng
(lexical chains) được sử dụng rất nhiều : nó là một chuỗi các từ liên quan
trong văn bản , các từ kề nhau hoặc các câu hoặc chiều dài khoảng cách ( toàn
bộ văn bản ). Phương pháp này được thực hiện với các bước sau: tách văn
bản, nhận dạng chuỗi từ vựng và sử dụng các chuỗi từ vựng để nhận dạng các
câu thích hợp để trích rút. Họ cố gắng sử dụng kết hợp cả phương pháp phân
tích thống kê và cả cấu trúc ngữ nghĩa của văn bản.
Các tác giả mô tả khái niệm súc tích trong văn bản có nghĩa móc nối
các thành phần khác nhau của văn bản. Ví dụ trong câu
John bought a Jag. He loves the car.
Ở đây, từ car xem xét tới từ Jag trong câu trước và ví dụ minh họa súc
tích từ vựng. Hiện tượng súc tích xảy ra không chỉ ở mức từ nhưng cũng
không chỉ ở mức các chuỗi từ, kết quả trong các chuỗi từ vựng, các tác giả đã
sử dụng một nguồn biểu diễn tóm tắt. Các từ liên quan và chuỗi các từ liên

quan ngữ nghĩa được nhận dạng trong văn bản, và một vài chuỗi được trích


10
rút để biểu diễn văn bản. Để tìm ra các chuỗi từ vựng, các tác giả sử dụng
Wordnet (Miller, 1995 ) ứng dụng 3 bước sau đây:
1. Chọn tập các từ ứng cử.
2. Đối với mỗi từ ứng cử, tìm ra chuỗi tương ứng dựa vào một tiêu
chuẩn liên quan giữa các thành viên của các chuỗi.
3. Nếu tìm thấy, chèn từ trong chuỗi và cập nhật nó.
Sự tương thích được đo dựa vào Wordnet. Các danh từ đơn và danh từ
ghép được sử dụng như một điểm bắt đầu tới tập ứng cử. Trong bước cuối
cùng, các chuỗi từ vựng tốt sẽ được sử dụng để tạo ra các tóm tắt. Các chuỗi
từ vựng được tính trọng số bằng chiều dài. Sau đó, tác giả chọn ra các câu
quan trọng.
Trong bài báo khác, Ono và các cộng sự ( 1994) tiến tới một mô hình
tính toán đoạn diễn thuyết cho bài văn tiếng Nhật, trong đó họ thực nghiệm
một cách cẩn thận các thủ tục trích rút cấu trúc tu từ trong diễn thuyết, một
cây nhị phân biểu diễn quan hệ giữa các câu ( cây cấu trúc tu từ được sử
dụng trong Marcu,1998). Cấu trúc này đã trích rút sử dụng chuỗi các bước
xử lý ngôn ngữ tự nhiên: phân tích câu, trích rút quan hệ tu từ, tách, sinh ra
các ứng cử viên và ưu tiên lời phê bình. Đánh giá đã dựa trên độ quan trọng
tương đối của các quan hệ tu từ. Trong bước tiếp theo, các nút của cây cấu
trúc tu từ được tỉa để rút gọn câu, giữ lại những thành phần quan trọng. Thực
hiện tương tự cho các đoạn cuối cùng được tóm tắt. Đánh giá đã thực hiện
trên các câu tinh và 30 bài báo biên dịch của bản tin tiếng Nhật đã được sử
dụng như tập dữ liệu.
Marcu (1998) đã mô tả một tiếp cận tóm tắt không giống các phương
pháp cũ, không giả thiết giả thiết rằng các câu trong một tài liệu tạo thành 1
chuỗi. Bài báo này sử dụng diễn thuyết dựa trên khám phá các đặc trưng

truyền thống đã được sử dụng trong tóm tắt bài luận. Diễn thuyết được sử
dụng trong bài báo này là Thuyết cấu trúc tu từ


11
Marcu (1998) mô tả chi tiết thủ tục phân tích tu từ thành cây tu từ. Hình
1.3 minh họa 1 ví dụ cây diễn thuyết trong văn bản.

Hình 1.3. Cây cấu trúc tu từ
Các số trong các nút cho thấy số câu trong văn bản ví dụ. Văn bản phía
dưới của số trong các nút được lựa chọn là các quan hệ tu từ. Các nút có dấu
chấm là thứ yếu và các nút thường là trung tâm.
- Phương pháp tóm tắt ngắn
Wibrock và Mittal (1999) khẳng định rằng tóm tắt trích rút không thực
sự tốt trong đó, các trích rút không đủ súc tích khi văn bản tóm tắt là ngắn.
Chúng biểu diễn một hệ thống tóm tắt như dạng sinh ra các tiêu đề. Kho dữ liệu
sử dụng trong nghiên cứu này là các bài báo tin tức từ Reuters và Associate
Press, sẵn có tại LDC. Hệ thống học theo mô hình thống kê các quan hệ giữa
các khối văn bản nguồn và khối tiêu đề. Cố gắng để mô hình cả hai loại và khả
năng xuất hiện của các tokens trong các tài liệu đích. Cả hai mô hình, một cho
trích chọn nội dung và một mô hình khác cho thực hiện bề mặt.
Mô hình trích chọn nội dung là mô hình học từ văn bản và tóm tắt
(Brown, 1993 ). Mô hình này là mô hình đơn giản nhất thông qua việc ánh xạ
giữa một từ trong văn bản và một vài từ khả năng xuất hiện trong văn bản tóm
tắt. Để đơn giản mô hình này, tác giả đã giả thiết xác suất xuất hiện của một
từ trong văn bản tóm tắt phụ thuộc vào cấu trúc của nó.


12
Mô hình thực hiện bề mặt là mô hình bigram. Viterbi tìm kiếm được sử

dụng hiệu quả để tối ưu tóm tắt. Giả thiết Markov ảnh hưởng bằng cách sử
dụng backtracking tại mọi trạng thái để tạo đường dẫn liên tục tốt nhất. Để
đánh giá hệ thống, tác giả so sánh đầu ra của nó với tiêu đề thực tế trong tập
các văn bản đầu vào.

1.1.2.2. Một số dự án nghiên cứu về tóm tắt văn bản
Các trung tâm, viện nghiên cứu cũng đề xuất và theo đuổi những dự án
tóm tắt văn bản, một số dự án cơ bản dưới đây
- Dự án Summ_It applet:
Được Đại học Surrey nghiên cứu, hệ thống này làm việc dựa trên cách
tiếp cận trích rút câu có sử dụng độ súc tích về mặt từ vựng.
- Dự án SweSum:
Viện nghiên cứu công nghệ Hoàng Gia (Royal Institute of Technology)
của Thụy Điển đã nghiên cứu dự án SweSum sử dụng cách tiếp cận trích rút
câu. Văn bản tóm tắt được tạo ra từ văn bản tiếng Thụy Điển hoặc bằng Tiếng
Anh trong lĩnh vực tin tức hoặc học thuật. Các câu được trích rút thông qua
việc lựa chọn các câu đã được sắp xếp theo thứ tự trọng số đã được huấn
luyện và đánh dấu trong kho dữ liệu.
- Dự án Tóm tắt văn bản:
Được trường Đại học Ottawa nghiên cứu sử dụng kỹ thuật máy học để
nhận dạng ra các từ khóa. Việc nhận dạng các từ khóa có thể dùng để lựa
chọn các câu trích rút. Họ sử dụng các đặc trưng bề mặt mức phân tích tần
suất và đặc trưng ngôn ngữ bề mặt như vị trí câu
- Dự án FociSum:
Hệ thống FociSum được trường đại học Columbia nghiên cứu và phát
triển dựa trên hệ thống hỏi đáp (Q&A). Các câu trong văn bản tóm tắt chính
là câu trả lời của câu hỏi của người dùng.


13

- Dự án ISI Summarist:
Summarist là sản phẩm tóm tắt các văn bản trên web được trường Đại
học Nam California nghiên cứu và phát triển. Nó được dùng như công cụ lưu
giữ các tin tức mới của bất kỳ ngôn ngữ nào. Summarist đầu tiên nhận dạng
các chủ đề của văn bản sử dụng kỹ thuật thống kê dựa vào các đặc trưng như
vị trí và đếm các từ. Hiện nay dự án này sử dụng cụm từ và cấu trúc tu từ.
Cách tiếp cận tóm tắt sử dụng trích rút câu.
- Dự án TRESTLE:
Đại học Seffield phát triển sản phẩm này dùng để tóm tắt các văn bản
tin tức. Hệ thống sử dụng MUC để trích rút văn bản và sinh ra tóm tắt, sử
dụng can thiệp ngôn ngữ tự nhiên ở mức sâu.
- Dự án SUMMONS:
Summons là hệ thống tóm tắt đa văn bản trong lĩnh vực tin tức. Hệ
thống này cũng bắt đầu từ kết quả của hệ thống MUC.
- Dự án MultiGen:
Dự án MultiGen được phát triển bởi Đại học Columbia xây dựng tóm
tắt đa văn bản trong lĩnh vực tin tức. Hệ thống này trích rút các câu mà các
phân mảnh trong câu (fragments) có thông tin nằm trong tập các văn bản liên
quan. Cách tiếp cận sử dụng máy học để nhóm các đoạn văn bản thành các
nhóm chủ đề. Các câu trong các cụm này được phân tích thành các cây kết
quả và hợp lại theo mẫu.
1.2. Tóm tắt văn bản dựa trên cách tiếp cận rút gọn câu
1.2.1. Khái niệm rút gọn câu
Tóm tắt văn bản dựa trên cách tiếp cận rút gọn câu được coi là một
trong những hướng nghiên cứu quan trọng trong lĩnh vực xử lý ngôn ngữ tự
nhiên. Với cách tiếp cận trích rút câu thông thường, văn bản tóm tắt thường
là văn bản có độ rời rạc cao do được tổng hợp từ các câu trong văn bản
gốc, thì cách tiếp cận rút gọn câu mở ra một góc nhìn mới khi văn bản tóm

14
tắt vẫn liền mạch, súc tích chỉ có các câu được rút gọn sao cho nội dung
câu vẫn đảm bảo giữ lại các nội dung chính từ câu gốc, và tính ngữ pháp
của câu vẫn ổn định. Có một số khác biệt với hai cách tiếp cận thể hiện ở
một vài đặc điểm khi rút gọn câu:
- Thứ nhất, phức tạp về độ tính toán và ngữ nghĩa câu: nếu coi việc xác
định các câu quan trọng là ở mức câu (sentence level), thì xác định các từ
quan trọng để lưu giữ lại trong quá trình xử lý rút gọn là ở mức từ (word
level). Do đó, độ phức tạp về mặt tính toán cũng như về nội dung và ngữ
nghĩa của câu cũng cao hơn so với cách tiếp cận trích rút câu.
- Đặc điểm thứ hai của rút câu là khó khăn trong nhận xét, đánh giá hệ
thống. Bởi các hệ thống đánh giá hiện tại mới chỉ sử dụng ở mức đánh giá bề
mặt (surface) mà chưa đánh giá ngôn ngữ ở mức sâu (deep language).
Vấn đề rút gọn câu được mô tả là có một câu gốc x gồm các từ x = x1,
x2,...,xn và câu rút gọn là y đã được loại bỏ tập con các từ trong x.
Định nghĩa 1.2 [Rút gọn câu]:
Rút gọn câu là việc loại bỏ các đoạn, mệnh đề các từ không liên quan
tới thông tin của câu ra khỏi câu. Câu sau khi rút gọn vẫn giữ nguyên ý chính
của câu gốc, có độ dài ngắn hơn và đảm bảo về mặt ngữ pháp.
Ví dụ 1.1
Câu gốc: Sau khi có bàn thắng khai hỏa trong mùa giải mới cùng Real,
chân sút 28 tuổi tiếp tục thể hiện phong độ ấn tượng trong màu áo tuyển quốc
gia ở vòng loại World Cup 2014.
Câu rút gọn: Sau khi có bàn thắng trong mùa giải cùng Real, chân sút tiếp
tục thể hiện phong độ trong màu áo quốc gia ở vòng loại World Cup 2014.
Ở ví dụ 1.1 trên đây, câu rút gọn đã được loại bỏ đi một số từ không
liên quan trong câu gốc mà không ảnh hưởng tới nội dung của câu gốc, chiều
dài của câu rút gọn cùng giảm hơn so với chiều dài câu gốc là 80%. Các từ đã
loại bỏ bao gồm: khai hỏa, mới, 28 tuổi, ấn tượng tuyển.

15
1.2.2. Một số phương pháp rút gọn câu
Các hệ thống tóm tắt cũ dựa chủ yếu vào trích rút câu, trong khi đó tóm
tắt dựa trên rút gọn câu chỉ mới được nghiên cứu từ những năm 2000. Rút gọn
câu được ứng dụng trong nhiều lĩnh vực khác nhau như: phục vụ hiển thị văn
bản trên nền màn hình PDA , sinh tiêu đề tự động…
Nghiên cứu về rút gọn câu của Knight và Marcu
Trong nghiên cứu của Knight và Marcu, họ đã xây dựng một kho dữ
liệu tiêu chuẩn và đề xuất phương pháp đánh giá cho rút gọn câu. Họ sử dụng
kho dữ liệu của Ziff – Davis với hơn 4000 tài liệu kỹ thuật và trích rút được
1,067 cặp câu gốc- rút gọn. Nhiệm vụ được xác định là cho một câu dài l, nén
theo phiên bản c và giữ lại nghĩa của câu, ngữ pháp tốt. Họ cũng đề xuất hai
kỹ thuật học khác nhau để sinh ra câu rút gọn, một phương pháp sử dụng kênh
nhiễu (noisy chanel), phương pháp còn lại sử dụng cây quyết định.
Nghiên cứu rút gọn câu, sử dụng mô hình Markov ẩn
Trong công bố của Le Nguyen và Ho năm 2004, có hai thuật toán rút
gọn câu được đề xuất. Một phương pháp dựa trên học mẫu dịch – thừa kế từ kỹ
thuật dịch máy, phương pháp còn lại học các luật biến đổi từ vựng bằng cách
xây dựng tập gồm 1,500 cặp (câu, câu rút gọn). Họ sử dụng mô hình Markov
ẩn để tìm ra các luật phù hợp nhất ứng với từng trường hợp. Ngoài ra, còn có
nghiên cứu liên quan tới mô hình Markov ẩn của Jing trong rút gọn câu.
Phương pháp rút gọn câu dựa trên cây cú pháp
Phương pháp rút gọn câu dựa trên cây cú pháp được đề xuất bởi Knight
và Marcu, Unno và cộng sự. Trevor Cohn và Mirella Lapata đã sử dụng
phương pháp đồng bộ phi ngữ cảnh để đánh giá tốt hơn các qui tắc xác suất
để áp dụng tốt trong rút gọn câu dựa vào phân tích cây cú pháp.
Phương pháp rút gọn câu dựa trên học không giám sát
Một số các công bố về rút gọn câu dựa trên học không giám sát. Trong
công bố của Turner và Charniak đã sử dụng mô hình học không giám sát,

trong đó dữ liệu huấn luyện được trích rút tự động từ kho ngữ liệu
PennTreebank.


16
1.3. Đánh giá tóm tắt
1.3.1. Đánh giá theo cách thủ công
Hội thảo DUC (Document Understanding Conferrence) đã đưa ra đánh
giá về các hệ thống tóm tắt trên tập dữ liệu dùng chung kể từ năm 2001.
Nhiều chuyên gia phát triển những phương pháp đánh giá khác nhau. Đánh
giá của hội thảo DUC dựa trên chuyên gia con người. Do đó, chỉ dùng chú
thích của một người tạo các mô hình với tập dữ liệu kiểm tra khác nhau.
1.3.2. Phương pháp đánh giá BLEU
Độ đo BLEU (Bilingual Evaluation Under Study) do Papineni và cộng
sự đề xuất năm 2001. Trong độ đo này họ sử dụng trọng số xuất hiện n-gram.
BLEU gắn với NIST (National Institute of Standards and Technology). Một
phương pháp liên quan đến đánh giá tóm tắt tự động và được gọi là độ đo
NIST. NIST là phương pháp dựa trên BLEU.
Ý tưởng chính của BLEU là đánh giá độ tương tự giữa một văn bản
ứng cử (candidate) và tập các bản tham khảo dưới dạng trung bình có trọng số
của các n-gram trong văn bản cho bởi hệ thống và trong tập các văn bản tham
khảo được cho bởi con người theo công thức (1-1) như sau:
pn =

∑
∑
{

∑ Count (n − gram)
∑ Count (n − gram)

C∈{ Candidates } n − gram∈C

clip

(1-1)

C∈ Candidates } n − gram∈C

Trong đó Countclip(n-gram) là số n-gram xuất hiện lớn nhất trong văn
bản cho bởi hệ thống và văn bản tham khảo và Count(ngram) là số n-gram
trong văn bản cho bởi hệ thống. Khi sử dụng phương pháp đánh giá BLEU để
đánh giá chất lượng tóm tắt, ta coi văn bản tóm tắt là văn bản ứng viên, văn
bản gốc là văn bản nguồn. Trong một số trường hợp người ta sử dụng phương
pháp BLEU trong đánh giá chất lượng tóm tắt thủ công.


17
1.3.3. Phương pháp đánh giá ROUGE
Các phương pháp đánh giá tóm tắt truyền thống thường gắn với đánh giá
thủ công do chuyên gia con người thực hiện thông qua một số độ đo khác nhau,
chẳng hạn: mức độ súc tích, mức độ liền mạch, ngữ pháp, mức độ dễ đọc và nội
dung. Tuy nhiên, phương pháp đánh giá kết quả tóm tắt thủ công được báo cáo
tại hội thảo DUC 2003 đòi hỏi hơn 3000 giờ. Chi phí này quá cao. Vì thế, đánh
giá tóm tắt tự động là một yêu cầu cấp thiết. Lin và Hovy đề xuất một phương
pháp đánh giá mới gọi là ROUGE (Recall-Oriented Understudy for Gisting
Evaluation). Hiện nay phương pháp đo này được sử dụng như một phương pháp
chuẩn đánh giá kết quả tóm tắt tự động cho văn bản tiếng Anh.
Một cách hình thức, ROUGE-N là một độ đo đối với các n-gram trong
văn bản tóm tắt ứng viên và trong tập các văn bản tóm tắt tham khảo, được

tính theo công thức (1-2) ở dưới đây.
ROUGE − N =

∑
∑

∑ Count ( gram )
Count ( gram )
∑
}

S∈{ Re ferenceSummaries } gramn∈S

match

S∈{ Re ferenceSummaries gramn∈S

n

(1-2)

n

Trong công thức (1-2), n biểu thị cho chiều dài của n-gram, gram n và
Countmatch(gramn) là số chuỗi n-gram lớn nhất xuất hiện trong văn bản tóm tắt
ứng viên và tập các văn bản tóm tắt tham khảo.
1.4. Kết luận chương 1
Trong chương này, tôi đã trình bày các khái niệm cơ bản về tóm tắt văn
bản, các nghiên cứu ban đầu về tóm tắt và những nghiên cứu liên quan theo
suốt thời gian từ những năm 50 của thế kỷ 20. Một số phương pháp điển hình

của tóm tắt văn bản đồng thời phân loại cách tiếp cận tóm tắt khác nhau trong
tóm tắt văn bản.
Rút gọn câu được coi như một giải pháp mới nhằm thay thế các hệ thống
cũ có chất lượng tóm tắt kém. Chương 1 của luận văn cũng đề cập tới một số các
kỹ thuật rút gọn câu cơ bản và đưa ra một số lý thuyết về đánh giá tóm tắt.


18
Chương 2:
PHƯƠNG PHÁP RÚT GỌN CÂU TIẾNG VIỆT
DỰA TRÊN KỸ THUẬT HỌC KHÔNG GIÁM SÁT
Trong chương này, tôi trình bày khái niệm về máy học, một số đặc
điểm của ngôn ngữ tiếng Việt và đề xuất phương pháp rút gọn câu tiếng Việt
dựa trên kỹ thuật học không giám sát. Tôi sử dụng mô hình đồ thị lưới (Grid
Model) để sinh câu rút gọn, đồng thời sử dụng quy hoạch động để tính xác
suất n-grams tìm ra câu rút gọn tốt nhất. Đánh giá của phương pháp dựa trên
đánh giá của con người.
2.1. Máy học và mô hình n-grams
2.1.1. Khái niệm máy học
Từ những năm 90, khi máy học được đưa vào ứng dụng, các nghiên
cứu ra đời kết hợp với trào lưu của máy học, có thể khẳng định rằng máy học
đã mang lại những hiệu quả to lớn so với các phương pháp trước. Đặc biệt
trong những vấn đề trích rút ra tri thức từ dữ liệu.
Định nghĩa 2.1 [Máy học (Machine Learning)]
Máy học là một chương trình máy tính cho phép tối ưu hiệu năng công
việc thông qua sử dụng dữ liệu mẫu hoặc các kinh nghiệm từ quá khứ [29].
Học được sử dụng khi thiếu chuyên gia con người, hay con người gặp
khó khăn khi giải thích một vấn đề nào đó, hoặc để giải quyết các vấn đề thay
đổi theo thời gian hay cần thiết phải giải quyết được thích ứng với những
trường hợp đặc biệt. Máy học được ứng dụng trong nhiều ngành khoa học

khác nhau, đặc biệt những lĩnh vực cần phân tích dữ liệu lớn như xử lý ngôn
ngữ tự nhiên (Natural Language Processing), Nhận dạng mặt người (Face
Recognition), chẩn đoán bệnh, công nghiệp người máy,...
Học có thể coi như là quá trình tìm một hàm ánh xạ từ X sang Y, trong
đó X là đầu vào và Y là đầu ra mong muốn. Học được chia thành ba kỹ thuật


19
chính: Học có giám sát (supervised learning), không giám sát (unsupervised
learning) và học tăng cường (reinforcement learning):
- Học có giám sát: Giả sử có một tập mẫu huấn luyện dưới dạng các
cặp (đặc trưng, nhãn) {(x1, y1), . . . , (xn, yn)}. Vấn đề của học giám sát là xác
định nhãn y của một đầu vào đặc trưng x bất kỳ. Các mô hình học giám sát
điển hình: cây quyết định, mạng noron, mô hình Markov ẩn, mạng Bayes,
SVM (Support Vector Machines),…Học giám sát được ứng dụng nhiều trong
các bài toán phân loại, nhận dạng mẫu,…
- Học không giám sát: Trong học không giám sát, chỉ có một tập các
đặc trưng đầu vào {x1, x2 . . . , xn} nhưng không có nhãn đầu ra tương ứng.
Vấn đề đặt ra là đưa ra một cách thức, cơ chế tổ chức các đặc trưng đầu vào.
Điển hình của học không giám sát là phân cụm. Ưu điểm của học không giám
sát là kho dữ liệu huấn luyện không cần quá lớn. Học không giám sát được
ứng dụng trong các bài toán phân cụm, dự báo,...
- Học tăng cường: Hệ thống học quan sát môi trường x, thực hiện hành
động a và nhận được giá trị r. Mục đích là chọn hành động để nhận được giá
trị r tốt nhất trong tương lai.
2.1.2. Mô hình n-grams
Mô hình n-grams được sử dụng khi dùng dự đoán một từ tiếp theo khi
biết từ ( chuỗi từ) hiện tại hoặc để xây dựng một mô hình ngôn ngữ (language
model). Lý thuyết cơ bản được mô hình n-grams sử dụng là lý thuyết xác
suất. Lý thuyết này dùng tính toán từ đứng tiếp theo trong chuỗi gồm n từ khi

ta mới chỉ biết n-1 từ [14].
Ví dụ 2.1: Tính toán xác suất của từ w với một lịch sử h đã cho hay còn
gọi là P(w|h). Giả thiết rằng lịch sử h là “its water is so transparent that”” và
ta muốn biết xác suất của từ tiếp theo là the:
P(the|its water is so transparent that).