Xây dựng Hệ thống dịch tự động Việt- Khmer trơ giúp dự báo thời tiết tại các Đài Phát thanh Truyền hình

Header Page 1 of 126.

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG

KIM PI SÍCH

XÂY DỰNG HỆ THỐNG DỊCH TỰ ĐỘNG VIỆT - KHMER
TRỢ GIÚP DỰ BÁO THỜI TIẾT TẠI
CÁC ĐÀI PHÁT THANH TRUYỀN HÌNH

Chuyên ngành: KHOA HỌC MÁY TÍNH
Mã số: 60.48.01

LUẬN VĂN THẠC SĨ KỸ THUẬT

Người hướng dẫn khoa học: PGS.TS. Phan Huy Khánh

Đà Nẵng - Năm 2014

Footer Page 1 of 126.


Header Page 2 of 126.

i

LỜI CAM ĐOAN

Tôi xin cam đoan:
1 Những nội dung trong luận văn này là do tôi thực hiện dưới

sự hướng dẫn trực tiếp của PGS.TS. Phan Huy Khánh.
2 Mọi tham khảo dùng trong luận văn đều được trích dẫn rõ
ràng tên tác giả, tên công trình, thời gian, địa điểm công bố.
3 Mọi sao chép không hợp lệ, vi phạm quy chế đào tạo, hay
gian trá, tôi xin chịu hoàn toàn trách nhiệm.

Tác giả

Kim Pi Sích

Footer Page 2 of 126.


Header Page 3 of 126.

ii

MỤC LỤC

LỜI CAM ĐOAN ............................................................................................. i
MỤC LỤC ........................................................................................................ ii
DANH MỤC CÁC TỪ VIẾT TẮT ............................................................... vi
DANH MỤC BẢNG ...................................................................................... vii
DANH MỤC HÌNH ....................................................................................... vii
MỞ ĐẦU .......................................................................................................... 1
CHƯƠNG 1 CƠ SỞ LÝ THUYẾT................................................................ 6
1.1. TỔNG QUAN VỀ BÀI TOÁN DỊCH TỰ ĐỘNG ......................... 6
1.1.1. Lịch sử dịch máy .................................................................. 7
1.1.2. Vấn đề dịch tự động trong tiếng Việt ................................... 9
1.1.3. Một số phương pháp dịch máy............................................. 9

1.1.4. Một số dịch vụ dịch máy đã có .......................................... 12
1.2. XỬ LÝ CÂU TIẾNG VIỆT .......................................................... 13
1.2.1. Tách câu ............................................................................. 13
1.2.2.Tách từ................................................................................. 15
1.3. TÌM HIỂU TIẾNG KHMER ......................................................... 21
1.3.1. Giới thiệu dân tộc Khmer ................................................... 21
1.3.2. Lịch sử hình thành tiếng Khmer......................................... 23

Footer Page 3 of 126.


Header Page 4 of 126.

iii

1.3.3. Chữ viết Khmer .................................................................. 24
1.3.4. Đặc điểm ngữ âm tiếng Khmer .......................................... 28
1.3.5. Đặc điểm từ vựng tiếng Khmer .......................................... 30
1.3.6. Đặc điểm ngữ pháp tiếng Khmer ....................................... 31
1.4. NHẬN XÉT HAI NGÔN NGỮ VIỆT VÀ KHMER .................... 31
1.4.1. Những đặc điểm tương đồng .............................................. 31
1.4.2. Những nét dị biệt ................................................................ 32
1.4.3. Khả năng xây dựng một hệ thống dịch tự động ................. 34
1.5. HIỆN TRẠNG ỨNG DỤNG TIN HỌC HIỆN NAY ................... 34
1.5.1. Hiện trạng ........................................................................... 34
1.5.2. Một số kết quả hiện có ....................................................... 35
1.5.3. Nhu cầu xử lý ngôn ngữ tiếng Khmer................................ 36
1.6. NGỮ LIỆU SONG NGỮ............................................................... 37
1.6.1. Khái niệm ........................................................................... 37
1.6.2. Vấn đề thu thập dữ liệu song ngữ ...................................... 37

1.6.3. Công cụ xây dựng kho ngữ liệu song ngữ ......................... 38
1.6.4. Một số dữ liệu song ngữ Việt – Khmer ............................. 38
CHƯƠNG 2 GIẢI PHÁP XÂY DỰNG HỆ THỐNG DỊCH TỰ ĐỘNG
VIỆT KHMER............................................................................................... 40
2.1. PHÂN TÍCH BẢN TIN DỰ BÁO THỜI TIẾT ............................ 40
2.1.1. Phân loại các bản tin dự báo thời tiết ................................. 40
2.1.2. Phân tích các bản tin dự báo thời tiết ................................. 41

Footer Page 4 of 126.


Header Page 5 of 126.

iv

2.1.3. Phân tích các mẫu câu dự báo thời tiết .............................. 52
2.2. MÔ HÌNH KIẾN TRÚC HỆ THỐNG DỊCH VIỆT – KHMER ... 53
2.2.1. Mô hình kiến trúc hệ thống ................................................ 53
2.2.2. Phương pháp dịch............................................................... 54
2.2.3. Phương tách từ ................................................................... 55
2.2.4. Dịch bản tin ........................................................................ 57
2.2.5. Dịch số và dấu câu ............................................................. 58
2.2.6. Dịch giờ, ngày tháng .......................................................... 60
2.3. XÂY DỰNG CẤU TRÚC KHO NGỮ LIỆU SONG NGỮ ......... 63
2.3.1. Tổng quan về quá trình xây dựng kho ngữ liệu ................. 63
2.2. 2. Cấu trúc kho ngữ liệu ........................................................ 64
2.2.3. Kỹ thuật chuyển đổi dữ liệu ............................................... 66
CHƯƠNG 3 TRIỂN KHAI THỬ NGHIỆM HỆ THỐNG DỊCH VIỆT –
KHMER ......................................................................................................... 68
3.1. CHỌN MÔI TRƯỜNG, CÔNG CỤ XÂY DỰNG HỆ THỐNG . 68

3.2. THU THẬP DỮ LIỆU VÀ CẬP NHẬT KHO NGỮ LIỆU SONG
NGỮ ...................................................................................................... 68
3.2.1. Chọn nguồn dữ liệu ............................................................ 68
3.2.2. Thu thập dữ liệu ................................................................. 69
3.2.3. Cập nhật dữ liệu cho kho ngữ liệu song ngữ ..................... 69
3.3. THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ ................................ 87
3.3.1. Giao diện hệ thống ............................................................. 87

Footer Page 5 of 126.


Header Page 6 of 126.

v

3.3.2. Kịch bản sử dụng hệ thống và thử nghiệm ........................ 88
3.3.3. Phương pháp đánh giá chất lượng hệ dịch ......................... 89
3.3.4. So sánh bản dịch thủ công và đánh giá kết quả ................. 92
KẾT LUẬN .................................................................................................... 97
TÀI LIỆU THAM KHẢO ............................................................................ 98
PHỤ LỤC

Footer Page 6 of 126.


Header Page 7 of 126.

vi

DANH MỤC CÁC TỪ VIẾT TẮT

XLNNTN

Xử lý ngôn ngữ tự nhiên.

CSDL

Cơ sở dữ liệu

CN

Chủ Ngữ

VN

Vị Ngữ

BN

Bổ Ngữ

DN
ĐN

Danh Ngữ
Động Ngữ

TT

Tính Từ

DT

Danh Từ

TN
ĐT

Trạng Từ
Động Từ

ALPAC

Automatic Language Processing Advisory Committee

EBMT

Example-Based Machine Translation

SMT

Statistical-Based Machine Translation

CBMT

Corpus-Based Machine Translation

BLEU

Bilingual Evaluation Understudy

NIST

National Institute of Standards and Technology

UNL

Universal Networking Language

MM

Maximum Matching

FMM

Forward Maximum Matching

BMM

Backward Maximum Matching

WFST

Weighted Finit State Transducer

TBL

Transformation based Learning

XML

Extensible Markup Language

HTTP

Hypertext Transfer Protocol

HTML

HyperText Markup Language

Footer Page 7 of 126.


Header Page 8 of 126.

vii

DANH MỤC CÁC BẢNG

Bảng 1.1 Bảng con chữ Phụ âm giọng O........................................................ 24
Bảng 1.2 Bảng chân Phụ âm giọng O ............................................................. 24
Bảng 1.3 Bảng con chữ Phụ âm giọng Ô ....................................................... 25
Bảng 1.4 Bảng chân Phụ âm giọng Ô.............................................................. 25
Bảng 1.5 Bảng phụ âm bổ sung biến đổi giọng Ô thành giọng O .................. 25
Bảng 1.6 Bảng Nguyên âm thường ráp với Phụ âm giọng O .......................... 26
Bảng 1.7 Bảng Nguyên âm thường ráp với Phụ âm giọng Ô .......................... 26
Bảng 1.8 Bảng Nguyên âm độc lập ................................................................ 26
Bảng 1.9 Bảng số và cách đếm trong tiếng Khmer ...................................... 28
Bảng 2.1 Bản tin dự báo thời tiết hằng ngày Việt – Khmer. .......................... 41
Bảng 2.2 Bản tin dự báo thời tiết về bão Việt – Khmer. ................................ 43

Bảng 2.3 Bản tin dự báo thời tiết về lũ Việt – Khmer. ................................... 45
Bảng 3.1 Các tháng trong tiếng Khmer........................................................... 63

Footer Page 8 of 126.


Header Page 9 of 126.

viii

DANH MỤC HÌNH
Hình 1.1 Giao diện dịch máy Google Translate ............................................. 12
Hình 1.2 Giao diện dịch máy Systran ............................................................. 13
Hình 1.3 Cách gõ chữ Khmer trong bộ gõ Khmer Unicode của NiDA .......... 36
Hình 2.1 Mô hình kiến trúc hệ thống .............................................................. 54
Hình 2.2 Mô hình tổng quát xây dựng kho ngữ liệu ....................................... 64
Hình 2.3 Sơ đồ chuyển đổi kho ngữ liệu Word thành kho ngữ liệu XML ..... 66
Hình 2.4 Kho ngữ liệu VietKhmer.xls ............................................................ 67
Hình 2.5 Kho ngữ liệu VietKhmer.xml .......................................................... 67
Hình 3.1 Giao diện hệ thống dịch Việt - Khmer ........................................... 87
Hình 3.2 Kịch bản sử dụng hệ thống dịch...................................................... 88

Footer Page 9 of 126.


Header Page 10 of 126.

1

MỞ ĐẦU

1. Lý do chọn đề tài.
Việt Nam là một quốc gia của 54 dân tộc cùng chung sống hòa thuận,
mỗi dân tộc điều có một nền văn hóa mang đặc sắc riêng gắn liền với truyền
thống và phong tục riêng của dân tộc đó, các nền văn hóa tương đối thống
nhất và hài hòa với nhau tạo nên sự phong phú, đa dạng trong thể thống nhất
của nền văn hóa các dân tộc Việt Nam.
Dân tộc Khmer có dân số khoảng 1382 ngàn người (năm 2009) tập trung
ở các tỉnh, thành phố thuộc Đồng bằng Sông Cửu Long và một số ở thành phố
Hồ Chí Minh và miền Đông Nam bộ[12], là dân tộc thiểu số có số dân đông
nhất trong cộng đồng dân tộc thuộc nhóm ngữ hệ Môn - Khmer ở Việt Nam.
Đa phần đời sống kinh tế của đồng bào dân tộc Khmer phụ thuộc chủ yếu vào
nông nghiệp, cuộc sống đồng bào còn gặp rất nhiều khó khăn, các biến động
của thời tiết như sương mù, sương muối, lũ lụt, mưa bão, triều cường nếu
không phát hiện sớm và có các biện pháp để phòng tránh, ứng phó kịp thời,
các biến động thời tiết này sẽ gây ảnh hưởng rất lớn đến đời sống sinh hoạt
của người dân, hoa màu, cây trồng bị phá hoại, năng suất, chất lượng sản
phẩm nông sản sẽ bị giảm làm cho cuộc sống đồng bào khó khăn nay còn khó
khăn hơn.
Chủ trương của Đảng và Nhà nước là tăng cường đẩy mạnh thực hiện
tuyên truyền sâu rộng hơn nữa về công tác văn hóa – thông tin [25], để đưa
thông tin hữu ích về khoa học kỹ thuật, dự báo thời tiết, chăm sóc sức khoẻ,
bảo tồn và phát huy các giá trị văn hoá đặc sắc của các dân tộc, tuyên truyền
đường lối, chủ trương, chính sách của Đảng và Nhà nước nhằm giúp đồng bào
nâng cao tay nghề, ứng dụng tiến bộ khoa học - kỹ thuật vào sản xuất, thích
ứng với cơ chế thị trường, giữ vững an ninh trật tự xã hội...

Footer Page 10 of 126.


Header Page 11 of 126.

2

Một số địa phương đã có các ấn phẩm báo, tạp chí, sản xuất và phát sóng
các chương trình phát thanh, truyền hình dành cho đồng bào dân tộc Khmer.
Tuy nhiên, phần lớn các đài phát thanh truyền hình phát sóng bằng tiếng
Khmer chưa có chương trình thông tin về thời tiết đến với người dân. Vì vậy,
cần có chương trình thông tin dự báo thời tiết bằng tiếng Khmer, việc này sẽ
bổ sung thêm kênh thông tin, giúp thông tin về thời tiết chính xác, kịp thời
đến đồng bào. Hiện nay, để sản xuất một chương trình phát thanh, truyền hình
về dự báo thời tiết bằng tiếng Khmer cần nhiều thời gian và công sức.
Xuất phát từ thực tế trên, một giải pháp đưa thông tin dự báo thời tiết kịp
thời và chính xác đến với đồng bào là vấn đề cần thiết, giúp đồng bào có cách
ứng phó kịp thời với diễn biến phức tạp của thời tiết, để làm giảm tối đa sự
thiệt hại do thời tiết gây ra.
Từ các thực tế đó, tôi đề xuất đề tài: “Xây dựng hệ thống dịch tự
động Việt – Khmer trợ giúp dự báo thời tiết tại các đài phát thanh truyền
hình”
2. Mục tiêu của đề tài
Mục tiêu chính mà đề tài hướng đến là nghiên cứu các vấn đề về xử lý
ngôn ngữ tiếng Việt như phương pháp dịch máy, kỹ thuật tách từ tiếng Việt,
kho ngữ liệu song ngữ,..
Xây dựng kho ngữ liệu song ngữ Việt - Khmer có cấu trúc mở và dễ kế
thừa để phục vụ cho các chương trình XLNNTN Việt – Khmer khác.
Khai thác kho ngữ liệu, xây dựng hệ thống dịch tự động Việt - Khmer
trong lĩnh vực dự báo thời tiết, nhằm trợ giúp cho các ban biên tập báo, phát
thanh truyền hình trong việc biên tập các tin dự báo thời tiết bằng tiếng
Khmer được dễ dàng, chính xác và nhanh chóng hơn.
3. Đối tượng và phạm vi nghiên cứu
Footer Page 11 of 126.

Header Page 12 of 126.

3

Để đáp ứng mục tiêu đã nêu, đề tài cần giải quyết những vấn đề chính
sau:
Tìm hiểu lý thuyết
Tìm hiểu các đặc trưng, bản chất ngôn ngữ, chủ yếu ngôn ngữ viết của
tiếng Khmer trong sự so sánh qua lại với tiếng Việt.
Nghiên cứu lý thuyết và tìm hiểu các ứng dụng XLNNTN, các phương
pháp dịch máy, chủ yếu phương pháp dịch máy thống kê, xây dựng kho ngữ
liệu song ngữ
Phân tích cấu trúc câu về dự báo thời tiết
Tài liệu Việt - Khmer thu thập được từ các chuyên gia và từ Internet
Sách, giáo trình, từ điển song ngữ Việt-Khmer
Tập hợp các bản tin dự báo thời tiết Việt, Khmer của đài phát thanh,
truyền hình.
Các CSDL song ngữ Việt - Khmer thu thập được liên quan đến bài toán
dự báo thời tiết
Phân tích mẫu câu trong bản tin và đưa ra cấu trúc câu Việt - Khmer
tương ứng cho các mẫu tin.
Cập nhật kho ngữ liệu song ngữ Việt - Khmer
Thu thập dữ liệu từ các mẫu câu, trích rút từ vựng từ những bản tin dự
báo thời tiết để xây dựng kho ngữ liệu Việt - Khmer phục vụ cho hệ thống
dịch.
Xây dựng ứng dụng
Xây dựng hệ thống dịch Việt – Khmer phục vụ dịch bản tin về dự báo
thời tiết hỗ trợ cho các ban biên tập đài phát thanh, truyền hình trong việc

biên tập chương trình dự báo thời tiết bằng tiếng Khmer.
Phương pháp nghiên cứu
Footer Page 12 of4.126.


Header Page 13 of 126.

4

Thu thập dữ liệu từ các bản tin dự báo thời tiết.
Phân tích từ vựng và mẫu câu Việt - Khmer tương ứng.
Xây dựng kho ngữ liệu dễ dàng truy xuất, mở rộng, chuyển đổi các định
dạng dữ liệu.
Tìm hiểu các công cụ phù hợp để phục vụ cho công việc lập trình.
Khai thác kho ngữ liệu để xây dựng ứng dụng dịch tương tác.
Kiểm thử chương trình, nhận xét và đánh giá kết quả.
5. Ý nghĩa khoa học và thực tiễn của đề tài:
Ý nghĩa khoa học: Nắm bắt được các vấn đề cơ bản trong xử lý tiếng
Việt. Đây là tiền đề, nền tảng phát triển các ứng dụng XLNNTN cho tiếng
Khmer (như dịch, từ điển, phần mềm học tập, website đa ngữ…).
Ý nghĩa thực tiễn: Trợ giúp cho công tác truyền thông của các đài phát
thanh truyền hình, nhằm thông tin dự báo thời tiết chính xác và kịp thời cho
đồng bào dân tộc Khmer, giúp đồng bào giảm tối đa những thiệt hại do thời
tiết gây ra.
6. Bố cục của luận văn
Báo cáo của luận văn được tổ chức thành 3 chương.
Chương 1. Cơ sở lý thuyết
Tìm hiểu về các bài toán dịch tự động, các vấn đề trong quá trình xây
dựng kho ngữ liệu song ngữ, tìm hiểu tiếng Khmer, phân biệt giống nhau và
khác nhau giữa hai ngôn ngữ tiếng Việt, tiếng Khmer, hiện trạng ứng dụng tin

học trong tiếng Khmer hiện nay.
Chương 2. Giải pháp xây dựng hệ thống dịch tự động Việt - Khmer
Chương này phân tích các bản tin dự báo thời tiết tiếng Việt, tiếng
Khmer, đưa giải pháp xây dựng hệ thống dịch tự động Việt - Khmer.
Footer Page 13 of 126.


Header Page 14 of 126.

5

Chương 3. Triển khai thử nghiệm hệ thống dịch Việt - Khmer
Chọn môi trường công cụ xây dựng hệ thống, thu thập dữ liệu và cập
nhật kho ngữ liệu song. Xây dựng, cài đặt, thử nghiệm chương trình và đánh
giá kết quả.

Footer Page 14 of 126.


Header Page 15 of 126.

6

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT
1.1. TỔNG QUAN VỀ BÀI TOÁN DỊCH TỰ ĐỘNG
Dịch tự động hay còn gọi là dịch máy (Machine Translation) là một
nhánh của xử lý ngôn ngữ tự nhiên thuộc phân ngành trí tuệ nhân tạo, nó là sự
kết hợp giữa ngôn ngữ, dịch thuật và khoa học máy tính. Như tên gọi, dịch tự
động thực hiện dịch một ngôn ngữ này (gọi là ngôn ngữ nguồn) sang một
hoặc nhiều ngôn ngữ khác (gọi là ngôn ngữ đích) một cách tự động, không có

sự can thiệp của con người trong quá trình dịch.
Khó khăn của việc thiết kế chương trình dịch tự động là làm sao khử
nhập nhằng hiệu quả. Nói về tính nhập nhằng, đây là khái niệm chỉ tính không
rõ ràng của ngôn ngữ. Trong tiếng Việt có các hiện tượng nhập nhằng như
nhập nhằng đồng âm (hoặc đồng tự), nhập nhằng từ loại, nhập nhằng từ đa
nghĩa. Khi dịch tự động tiếng việt, khó khăn đầu tiên là xác định ranh giới từ,
không giống như tiếng Anh (và nhiều ngôn ngữ khác) mỗi từ mang trọn vẹn
một nghĩa và được xác định ranh giới qua khoảng trắng, tiếng Việt là ngôn
ngữ đơn lập do vậy có rất nhiều từ ghép, nếu không xác định đúng sẽ xuất
hiện kiểu dịch từng từ rồi ghép lại với nhau. Còn về từ đa nghĩa tiếng Anh
cũng như tiếng Việt và hầu như tất cả các ngôn ngữ khác đều rất phức tạp,
muốn xác định nghĩa chính xác phải thực hiện phân tích văn cảnh.
Sau khi xác định nghĩa phù hợp của từ, công việc tiếp theo là sắp xếp để
tạo thành câu hoàn chỉnh. Nếu hai ngôn ngữ có cấu trúc càng khác nhau bao
nhiêu công việc này càng phức tạp bấy nhiêu, với những ngôn ngữ gần nhau
như tiếng Anh và tiếng Pháp công việc tương đối đơn giản, nhưng giữa tiếng
Pháp và tiếng Trung thì rất khó khăn. Để sắp xếp người ta đưa vào các cấu
trúc ngữ pháp hết sức phức tạp, áp dụng nhiều kiến thức toán học nhưng thực
tế cho thấy hiệu quả của chúng vẫn không được tốt.[16]
Một cách tiếp cận khác là dự vào tư liệu đã dịch sẵn của con người, điển
hình
là Google Translate, nó nạp hàng triệu trang tư liệu sau đó thực hiện các
Footer Page 15
of 126.


Header Page 16 of 126.

7

thao tác mà nó gọi là thống kê kiến thức để phân tích cho các lần dịch tự động
sau này, kiểu dịch rất gần với thao tác tìm kiếm – lĩnh vực đặc biệt mạnh của
Google.[5]
1.1.1. Lịch sử dịch máy
Lịch sử của dịch tự động bắt đầu từ thế kỷ 17, khi hai nhà triết học
Leibniz và Descartes đưa ra những ý tưởng đầu tiên về các mã thực hiện mối
liên hệ giữa nhiều ngôn ngữ, nhưng tất cả những đề xuất này chỉ dừng lại ở
mức lý thuyết mà không có một ứng dụng thực tế nào.
Sáng chế đầu tiên cho một "chương trình dịch tự động" được thực hiện
vào khoảng giữa thập niên 1930. Vào thời điểm này Georges Artsruni đã tạo
ra một bộ từ điển song ngữ với chức năng tra từ tự động bằng các băng giấy,
tiếp theo một người Nga là Pyotr Troyanskii tiếp tục phát triển với nhiều chi
tiết hơn. Nó không chỉ có một bộ từ điển song ngữ mà còn bao gồm các quy
tắc ngữ pháp cơ bản dựa trên quốc tế ngữ (Esperanto).
Lịch sử của dịch tự động được chính thức ghi nhận từ thập niên 1950
mặc dù như trên trình bày trước đó một số công việc ở dạng manh nha đã
được thực hiện. Vào năm 1954, thực nghiệm Georgetown-IBM đã thực hiện
thành công thí nghiệm dịch tự động hoàn toàn hơn 60 câu tiếng Nga sang
tiếng Anh. Thành công bước đầu này đã tạo điều kiện để lập ra những quỹ
đầu tư có giá trị cho các nghiên cứu. Các tác giả (tại thời điểm đó) tuyên bố
rằng chỉ trong vòng từ 3 đến 5 năm nữa vấn đề dịch máy sẽ được giải quyết.
Nhưng thực tế kết quả chậm hơn nhiều, báo cáo ALPAC vào năm 1966
cho thấy sau hơn 10 năm nghiên cứu lĩnh vực này vẫn không có những tiến bộ
đáng kể và hệ quả là số tiền chi cho nghiên cứu giảm mạnh. Vào cuối thập
niên 1980, khi máy vi tính có tốc độ xử lý cao hơn đồng thời lại rẻ hơn thì
người ta mới bắt đầu quan tâm hơn đến mô hình thống kê vốn đòi hỏi khả
năng xử lý dữ liệu cực lớn mà trước đó không thể thực hiện được vì các
nguyên nhân kỹ thuật cũng như kinh tế.

Footer Page 16 of 126.

Header Page 17 of 126.

8

Lĩnh vực dịch tự động trong vài năm qua đã có những thay đổi lớn, có
rất nhiều nghiên cứu dựa trên các nền tảng thống kê và ví dụ mẫu. Hiện nay
có một số công ty xây dựng chương trình dựa trên thống kê như Language
Weaver (chuyên cung cấp các sản phẩm và dịch vụ thương mại liên quan đến
dịch thuật), Google và Microsoft cũng có các sản phẩm tương tự do chính họ
giữ bản quyền. Một hướng tiếp cận mới là kết hợp (lai ghép) các phương pháp
với nhau, như những nghiên cứu phối hợp giữa các nguyên tắc cú pháp và
hình thái học vào trong các hệ thống thống kê.
Với tiếng Việt, từ năm 1960 vấn đề dịch tự động cho tiếng Việt đã bắt
đầu được nghiên cứu, hầu hết đều do các nguyên nhân chính trị và quân sự.
Các tài liệu nước ngoài cho thấy, được sự bảo trợ của Không lực Hoa Kỳ,
Bernard E. Scott thành lập công ty Logos vào năm 1969 với mục đích tiếp tục
nghiên cứu việc tổ chức hệ thống dịch tự động từ tiếng Anh ra tiếng Việt.
Scott bắt đầu chuẩn bị cho việc tổ chức hệ thống dịch tự động này vào mùa
xuân năm 1965 tại Viện công nghệ máy tính tại New York, Mỹ. Vào khoảng
tháng 6 năm 1970 hệ thống dịch tự động có tên Logos I ra đời với từ điển tự
động hóa hỗ trợ chỉ có hơn 1.000 từ tiếng Việt, tác giả của hệ thống này là
Byrne, Charles E.; Scott, Bernard E.; Binh, Truong N. Nhưng hệ thống này
không tồn tại được lâu, việc nghiên cứu của Scott chấm dứt vào năm 1973.
Cũng trong khoảng thời gian này, một dự án khác về xây dựng hệ thống
dịch tự động từ tiếng Anh ra tiếng Việt đã được tiến hành vào đầu thập niên
1970 tại Tập đoàn viễn thông Xyzyx, California. Hệ thống này đầu tiên được
xây dựng để dịch văn bản Anh - Pháp về vũ trụ học trên máy IBM 360 theo
nguyên tắc hoạt động tương tự như của hệ thống Logos. Tuy nhiên, hệ dịch

máy Anh-Việt được sử dụng rộng rãi tại Việt nam đầu tiên là EVTRAN 1997. Và sau đó EVTRAN 2.0, 1999 với hơn 200.000 từ và cụm từ. Từ năm
2006, bản EVTRAN 3.0 (được gọi là Ev-Shuttle) biên dịch văn bản hai chiều
Anh-Việt và Việt-Anh (với hơn 500.000 mục từ vựng).[7]
Footer Page 17 of 126.


Header Page 18 of 126.

9

1.1.2. Vấn đề dịch tự động trong tiếng Việt
Mặc dù dịch tự động ở Việt Nam đã được nghiên cứu và phát triển hơn
20 năm qua, song vẫn tồn tại rất nhiều vấn đề để nghiên cứu. Các công trình
nghiên cứu hiện nay đang tập trung chủ yếu vào xử lý giữa tiếng Việt và ngôn
ngữ của các nước khác như tiếng Anh, Pháp, Nhật, Hoa,.. Tuy nhiên chưa có
sản phẩm dịch máy nào được hoàn thiện, chất lượng dịch còn nhiều hạn chế.
Do chất lượng chưa thật tốt nên hầu hết các sản phẩm dịch tự động đều
chỉ mang tính tham khảo, các bản dịch chỉ cho biết đại ý và nó hoàn toàn có
thể dịch sai một phần hoặc toàn bộ nội dung cốt lõi của văn bản. Trong quá
trình dịch thuật nếu lạm dụng dịch tự động sẽ làm ảnh hưởng nghiêm trọng
đến văn phong, bởi vì người dịch giữ nguyên cách hành văn của bản dịch
nhưng cách hành văn này thường không chính xác, máy móc và thiếu "chất
người". So sánh giữa các thể loại văn bản khác nhau cho thấy dịch tự động
dịch tài liệu chuyên ngành có chất lượng tốt nhất, nguyên nhân là vì các tài
liệu này từ vựng có nghĩa rõ ràng (đơn nghĩa), cấu trúc ngữ pháp mạch lạc,
đơn giản, ngược lại thể loại văn học là khó dịch nhất vì từ thường đa nghĩa,
nhiều khẩu ngữ, cấu trúc ngữ pháp phức tạp, hay sử dụng nghĩa bóng. [2]
1.1.3. Một số phương pháp dịch máy
1.1.3.1. Dịch máy dựa trên ví dụ (EBMT: Example-based MT)
Phương pháp dịch máy dựa trên ví dụ (EBMT: Example-Based Machine

Translation) sử dụng các mẫu câu hay còn gọi là các câu ví dụ. Các câu này
được lưu trữ trên cơ sở dữ liệu với đầy đủ các thông tin như cây chú giải, các
liên kết giữa các thành phần của hai câu thuộc hai ngôn ngữ.
Phương pháp dịch máy dựa trên ví dụ dựa trên ngân hàng mẫu câu ví dụ,
không đòi hỏi phải có sự phân tích ngôn ngữ học, cú pháp, ngữ nghĩa vì mọi
câu dịch đều dựa vào việc “so khớp” mẫu. Câu nguồn chỉ cần so khớp từng
phần với mẫu câu ví dụ bằng các giải thuật phù hợp. Nó gần như kiểu dịch
trực
tiếp bằng cách thay thế theo kiểu 1-1 mà không cần hiểu biết gì nhiều về
Footer Page 18
of 126.


Header Page 19 of 126.

10

ngôn ngữ. Độ chính xác của phương pháp này phụ thuộc vào số mẫu được lưu
trong kho ngữ liệu song ngữ. Một khi kho dữ liệu càng lớn thì chi phi tìm
kiếm, xử lý thông tin để so trùng mẫu cũng rất lớn.
Như vậy, theo phương pháp này ta cần xây dựng một kho ngữ liệu song
ngữ rất lớn thì chất lượng của bản dịch sẽ được nâng cao. Trong thực tế thật
khó để chúng ta có thể lưu trữ tất cả các mẫu câu của ngôn ngữ tự nhiên mà
chúng ta có thể gặp trên cơ sở dữ liệu. Tuy nhiên, với sự phát triển của công
nghệ máy tính với bộ lưu trữ ngày càng được gia tăng về dung lượng và tốc
độ truy xuất cũng có thể cho phép chúng ta lưu trữ một kho dữ liệu khổng lồ
cho hệ dịch.
Phương pháp dịch dựa trên cơ sở ví dụ này đơn giản về mặt mô hình lý
thuyết và trong một số trường hợp (như dịch các văn bản gần giống nhau và
hay lặp đi lặp lại) thì lại cho ra kết quả cao bất ngờ.[2]

1.1.3.2. Dịch máy dựa trên thống kê (SMT: Statistical-based MT)
Dịch máy dựa trên thống kê SMT: Statistical-Based Machine
Translation) là cách tiếp cận dịch máy dựa trên thống kê để xây dựng từ điển
và các quy luật dịch một cách tự động, thay vì xây dựng các từ điển, các quy
luật dịch bằng tay như trong hệ dịch RBMT. Để thực hiện được điều này, cần
có một kho dữ liệu song ngữ rất lớn. hệ thống sẽ thống kê và đưa ra các xác
suất dịch tương ứng về từ/ngữ, cấu trúc hay xác suất chuyển dịch vị trí giữa
hai ngôn ngữ và xác suất xuất hiện các từ/ngữ trong một ngữ cảnh nhất định
nào đó.
Cách tiếp cận SMT này không đòi hỏi sự phân tích sâu về ngôn ngữ,
chúng hoàn toàn tự động thực hiện các quá trình phân tích, chuyển đổi, tạo
câu bằng cách dựa trên kết quả thống kê được từ kho ngữ liệu song ngữ huấn
luyện. Ngày nay, với sự phát triển về bộ nhớ và tốc độ tính toán đã cho phép
cách dịch ngày nay ngày càng hiệu quả. Mặt khác, tính vận động và biến đổi
của ngôn ngữ nên các từ vựng, văn phạm của ngôn ngữ sẽ biến đổi theo.

Footer Page 19 of 126.


Header Page 20 of 126.

11

Chính vì vậy cách tiếp cận này có lợi thế hơn so với cách tiếp cận dựa vào từ
vựng hay dựa vào luật ngôn ngữ, ngày nay nó là phương pháp dịch được
nghiên cứu nhiều nhất. [5]
1.1.3.3. Dịch máy dựa trên ngữ liệu (CBMT: Corpus-based MT)
Dịch máy dựa trên ngữ liệu (CBMT: Corpus-Based Machine
Translation) đang được áp dụng vào nhiều hệ thống dịch tự động trong những
năm gần đây, việc lấy đúng được cặp ánh xạ đích và nguồn một cách tự động

là một yêu cầu thiết yếu cho các phương pháp dịch dựa trên ngữ liệu.
Ở đây, việc phân thành loại tiếp cận có tên là “dựa trên ngữ liệu” có vẻ
không được rõ ràng lắm, vì thật ra, các cách tiếp cận dựa trên thống kê hay
dựa trên ví dụ nói trên đều dựa trên ngữ liệu. Những điểm đặc biệt của cách
tiếp cận này là dựa trên cơ sở ngôn ngữ học và dùng công nghệ máy học để
các quy luật của ngôn ngữ từ ngữ liệu. Hệ thống học dựa trên cấu trúc của
ngôn ngữ chứ không phải học trên bề mặt của ngôn ngữ như trong SMT.
Để thực hiện được điều này, máy cần có ngữ liệu rất lớn (corpus), dạng
đơn ngữ (monolingual) hay song ngữ (bilingual) và máy sẽ khai thác trên các
kho ngữ liệu này. Đặc điểm của cách tiếp cận này là khả năng tự rút ra các
quy luật của ngôn ngữ. Nó có những ưu điểm của cách tiếp cận dựa trên luật
(vì cuối cùng nó cũng dựa trên luật được rút ra) nhưng khắc phục được khuyết
điểm của việc xây dựng luật thủ công bởi các chuyên gia. Các luật được rút ra
lại được thử nghiệm tại chỗ để đánh giá độ chính xác và hiệu quả của luật
(dựa trên ngữ liệu huấn luyện), chính vì vậy, các luật rút ra được đảm bảo là
chính xác, bao quát, không mâu thuẫn và không thừa.
Cách tiếp cận dựa trên ngữ liệu là cách tiếp cận tiên tiến gần đây, khi mà
kho ngữ liệu đơn ngữ hay đa ngữ dạng điện tử ngày càng có nhiều. Cách tiếp
cận này dựa trên công nghệ máy học để rút ra các quy luật ngôn ngữ một cách
tự động. Ngoài ra, với sự biến đổi của ngôn ngữ hay chuyển đổi lĩnh vực dịch,
thì cách tiếp cận này tỏ ra hiệu quả trong việc cập nhật bộ luật của nó. [6]

Footer Page 20 of 126.


Header Page 21 of 126.

12

1.1.4. Một số dịch vụ dịch máy đã có

1.1.4.1. Google
Google Dịch (lúc đầu gọi là Google Thông dịch, tên tiếng Anh là
Google Translate) là một công cụ dịch trực tuyến được Google cung cấp. Nó
dùng để dịch tự động một đoạn ngắn, hoặc nguyên một trang web sang ngôn
ngữ khác, đối với tài liệu có kích thước lớn người dùng cần tải lên cả tài liệu
để dịch. Người dùng sau khi xem bản dịch có thể hỗ trợ Google cách dịch
khác khi thấy kết quả không được tốt, hỗ trợ này có thể được sử dụng trong
các lần dịch sau.
Google Dịch dựa trên nền tảng gọi là dịch máy theo nguyên tắc dịch
máy thống kê. Người đứng đầu chương trình dịch máy của Google là FranzJosef Och - từng đoạt giải nhất cuộc thi DARPA (viết tắt của từ Defense
Advanced Research Projects Agency, một cơ quan của chính phủ Mỹ có trách
nhiệm phát triển công nghệ mới phục vụ cho quân đội) về tốc độ dịch tự động
vào năm 2003.

Hình 1.1 Giao diện dịch máy Google Translate
Không giống như các công cụ khác như Babel Fish, AOL và Yahoo sử
dụng SYSTRAN, Google Dịch sử dụng phần mềm của riêng họ, chương trình
này không đi quá sâu vào các quy luật phức tạp về ngữ pháp mà sử dụng
phương pháp được họ gọi là thống kê kiến thức, có nghĩa là chương trình sẽ
được nạp vào hàng tỉ văn bản đã được dịch sẵn của con người sau đó thực
hiện các thao tác phân tích nhằm tìm ra sự tương đồng với các yêu cầu của
người dùng rồi trả về kết quả. Chất lượng dịch được tăng lên theo thời gian
Footer Page 21 of 126.


Header Page 22 of 126.

13

khi mà các văn bản ngày càng được nạp vào nhiều hơn với cấu trúc và ngữ

cảnh ngày càng đa dạng. [7]
1.1.4.2. Systran
Systran là một hệ thống dịch tự động rất nổi tiếng và chất lượng dịch khá
tốt. Systran có thể sử dụng được trên môi trường Internet, máy đơn hoặc trên
các hệ thống mạng cục bộ. Phiên bản mới nhất hiện này của Systran là phiên
bản 7. Systran hỗ trợ dịch tự động nhiều thứ tiếng như Đức, Tây Ban Nha,
Thuỵ Điển, Anh, Pháp, Ý, Hàn Quốc, Nhật, Hà Lan, Ba Lan, Bồ Đào Nha,
Nga, Trung Quốc, Ả Rập và Hy Lạp. Phần mềm này có thể dùng độc lập và
có sự tích hợp với Microsoft Office để thuận lợi hơn cho quá trình sử dụng.
Tuy nhiên Systran chưa thấy hỗ trợ ngôn ngữ tiếng Việt. Các nhà khai thác
ngôn ngữ sử dụng nguồn dữ liệu Anh – Việt bắt cầu để khai thác các nguồn
dữ liệu khác từ Systran bằng các cặp song ngữ như Anh – Nhật, Anh- Pháp,...
để được nguồn dữ liệu Nhật – Anh – Việt, Pháp – Anh – Việt,... [2]

Hình 1.2 Giao diện dịch máy Systran
1.2. XỬ LÝ CÂU TIẾNG VIỆT
1.2.1. Tách câu
1.2.1.1. Xử lý đầu vào
Xóa các khoảng trắng thừa như hai hay nhiều khoảng trắng cùng một vị
trí “ ” hoặc khoảng trắng trước dấu “,” ; dấu “.”,... Thực hiện các công việc
chuẩn hóa dữ liệu nhập vào. Thay thế các ký tự tương tự.
Footer Page 22 of 126.


Header Page 23 of 126.

14

1.2.1.2. Tách câu
Trong văn bản tiếng tiếng Việt hay một số ngôn ngữ khác người ta cũng

dùng các dấu như dấu chấm (.), chấm than (!), chấm hỏi (?) và một số dấu
chấm câu khác để nhận biết kết thúc câu. Những dấu này thường được gọi là
dấu chấm câu. Tuy nhiên do tính nhập nhằng của các dấu báo hiệu kết thúc
câu, vẫn có những câu tiếng Việt mà các dấu hiệu kết thúc câu đó vẫn chưa
kết thúc câu, nên việc phân định ranh giới câu không đơn giản.
Ví dụ:
Dấu chấm “.”: là dấu có nhiều trường hợp mơ hồ nhất. Nó có thể biểu thị
như một dấu chấm kết thúc câu, dấu chấm thập phân trong chữ số (8,220.78),
dấu chấm trong chữ viết tắt (GS., PGS., TS., TP.,...), dấu chấm trong các
trường hợp khác như địa chỉ email, website (,
www.udn.vn).
Dấu chấm hỏi, dấu chấm than có thể xuất hiện ở cuối câu hay trong dấu
ngoặc đơn, ngoặc kép...
Để nhận diện dấu chấm câu, người ta có thể dùng các heuristics hoặc các
mô hình học phức tạp hơn, như : mạng neural, TBL, Maximum Entropy.
Sau khi nhận đoạn văn bản đã được lọc các ký tự dư thừa, bộ phận tách
câu bắt đầu phân tích dựa trên cách chấm câu và ngữ nghĩa một số từ để tách
ra các câu riêng biệt. [2]
a. Xử lý dấu chấm
Để có thể phân biệt được các trường hợp trên, dựa vào một số đặc trưng
riêng trong cách trình bày của từng trường hợp:
Trường hợp là dấu chấm kết thúc câu thì dấu hiệu nhận biết kết thúc câu
sẽ là: Luôn luôn có ít nhất một khoảng trắng sau dấu chấm và ký tự tiếp theo
sẽ là chữ cái viết hoa.
Footer Page 23 of 126.


Header Page 24 of 126.

15

Trường hợp là dấu chấm thập phân thì có thể nhận biết bằng cách đọc
toàn bộ phần liền trước và liền sau dấu chấm để phát hiện số có dấu chấm
thập phân.
Trường hợp là dấu chấm sau từ viết tắt thì có thể nhận biết bằng cách
xây dựng một danh sách các từ viết tắt để tra cứu khi cần.
Trường hợp dấu chấm trong các địa chỉ email, website thì dấu chấm luôn
nằm giữa hai ký tự nào đó mà không có khoảng trắng nằm sau, dấu chấm
trong trường hợp này không bao giờ nằm ở cuối từ nên cũng có thể dễ nhận
biết được.
Trong văn bản về dự báo thời tiết thì chủ yếu là dấu chấm là dấu kết thúc
câu, dấu thập phân trong cách chữ số là dấu chấm hoặc dấu phẩy và trường
hợp dấu chấm sau từ viết tắt.
b. Xử lý dấu chấm trong ngoặc
Khi bộ tách câu gặp dấu mở ngoặc đơn, hoặc ngoặc kép, thì nó sẽ quét
trong đoạn văn đang xét để tìm dấu đóng tương ứng. Nếu tìm thấy, toàn bộ
phần trong ngoặc sẽ được giữ nguyên và tìm dấu kết thúc câu tiếp theo ngoài
dấu ngoặc. Nếu không tìm thấy dấu đóng tương ứng, dấu mở sẽ bị bỏ qua và
xử lý tiếp ký tự sau dấu mở như bình thường.
1.2.2.Tách từ
1.2.2.1. Các vấn đề trong bài toán tách từ
a. Xử lý nhập nhằng
Nhập nhằng trong tách từ được phân thành 2 loại: Nhập nhằng chồng
(Overlapping Ambiguity) và nhập nhằng hợp (Combination Ambiguity).
Ta gọi V là tập hợp các từ Tiếng Việt (từ điển tiếng Việt). Các trường
hợp nhập nhằng trên được mô tả hình thức như sau:
Chuỗi abc được gọi là nhập nhằng chồng nếu {ab, bc}  V.
Footer Page 24 of 126.

Header Page 25 of 126.

16

Ví dụ: thuộc địa & địa bàn
quan tài & tài giỏi
Chuỗi ab được gọi là nhập nhằng hợp nếu { a,b, ab}  V.
Ví dụ: “học”, “sinh” là từ đơn có nghĩa, nhưng “học sinh” cũng là một
từ ghép.
Trong thực tế, loại nhập nhằng chồng xảy ra thường xuyên hơn loại nhập
nhằng hợp, bởi vì hầu hết các tiếng của tiếng Việt đề có thể đóng vai trò là
một từ đơn độc lập. Do đó, hầu hết các từ ghép đề có thể bị nhập nhằng hợp.
Tuy nhiên, hầu như mọi trường hợp này đề được giải quyết tốt bằng giải thuật
Maximum Matching. Vì thế, mọi hệ thống nhận diện nhập nhằng hiện tại đều
chỉ chú ý đến việc giải quyết loại nhập nhằng đầu tiên là nhập nhằng chồng.
[7]
b. Nhận diện từ chưa biết
Trong văn bản không chỉ có sự tồn tại của từ thuần túy có trong từ điển,
mà còn có các đơn vị thông tin khác nữa. Do không nắm được các thông tin
này, nên việc tách từ sẽ bị ảnh hưởng.
Từ chưa biết bao gồm các từ tên riêng tiếng Việt hoặc tiếng nước ngoài
và các factoids (theo định nghĩa của wordNet thì factoids là một đối tượng
biểu diễn những thông tin đặc biệt như: ngày tháng, thời gian, phần trăm, địa
chỉ email, tiền tệ, số, độ đo, số điện thoại, địa chỉ web). [7]
1.2.2.2. Các hướng tiếp cận chính cho bài toán tách từ
a. Hướng tiếp cận dựa trên thống kê
Dựa trên các thông tin như tần số xuất hiện của từ trong tập huấn luyện
ban đầu. Hướng tiếp cận này đặc biệt dựa trên tập ngữ liệu huấn luyện, nhờ
vậy nên hướng tiếp cận này tỏ ra linh hoạt và hữu dụng trong nhiều lĩnh vực
khác nhau.[2]

Footer Page 25 of 126.