Nghiên cứu nhận dạng thực thể có tên và thực thể biểu hiện trong văn bản và ứng dụng

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

TRẦN MAI VŨ

NGHIÊN CỨU NHẬN DẠNG THỰC THỂ CÓ TÊN
VÀ THỰC THỂ BIỂU HIỆN TRONG VĂN BẢN VÀ ỨNG DỤNG

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

Hà Nội – 2018


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

TRẦN MAI VŨ

NGHIÊN CỨU NHẬN DẠNG THỰC THỂ CÓ TÊN
VÀ THỰC THỂ BIỂU HIỆN TRONG VĂN BẢN VÀ ỨNG DỤNG

Chuyên ngành: Hệ thống thông tin
Mã số: 62.48.05.01
LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. PGS.TS. Hà Quang Thụy
2. PGS.TS. Nguyễn Lê Minh

Hà Nội – 2018

LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các kết quả được
viết chung với các tác giả khác đều được sự đồng ý của các đồng tác giả trước khi đưa
vào luận án. Các kết quả nêu trong luận án là trung thực và chưa từng được công bố
trong các công trình nào khác.
Tác giả

Trần Mai Vũ

1


LỜI CẢM ƠN
Luận án được thực hiện tại Bộ môn Hệ thống thông tin - Khoa Công nghệ thông
tin - Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội, dưới sự hướng dẫn khoa
học của PGS.TS. Hà Quang Thụy và PGS.TS. Nguyễn Lê Minh.
Trước tiên tôi xin bày tỏ lòng biết ơn sâu sắc tới thầy PGS.TS. Hà Quang Thụy
và PGS.TS. Nguyễn Lê Minh, những người đã đưa tôi đến với lĩnh vực nghiên cứu
này. Các thầy đã tận tình giảng dạy, hướng dẫn giúp tôi tiếp cận và đạt được thành
công trong công việc nghiên cứu của mình. Các thầy đã luôn tận tâm động viên,
khuyến khích và chỉ dẫn giúp tôi hoàn thành được bản luận án này.
Tôi xin bày tỏ lòng biết ơn tới các Thầy Cô thuộc Khoa Công nghệ thông tin và
cán bộ Phòng Đào tạo - Trường Đại học Công nghệ, đã tạo mọi điều kiện thuận lợi
giúp đỡ tôi trong quá trình học tập và nghiên cứu tại trường.
Tôi xin cảm ơn PGS. TS. Nigel Collier và cộng sự đã đóng góp ý kiến quý báu
giúp tôi hoàn thiện bản luận án.
Sự động viên, cổ vũ của bạn bè là nguồn động lực quan trọng để tôi hoàn thành
luận án. Tôi xin bày tỏ lòng biết ơn sâu sắc tới gia đình, vợ và các con tôi đã tạo điểm
tựa vững chắc cho tôi có được thành công như ngày hôm nay.

Tác giả

Trần Mai Vũ

2


MỤC LỤC
LỜI CAM ĐOAN
LỜI CẢM ƠN

1
2

MỤC LỤC

3

DANH MỤC CÁC KÍ HIỆU VÀ CHỮ VIẾT TẮT

7

DANH MỤC CÁC BẢNG

8

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

10

MỞ ĐẦU

11

Lý do chọn đề tài

11

Mục tiêu cụ thể và phạm vi nghiên cứu của luận án

12

Cấu trúc của luận án

15

Chương 1 - KHÁI QUÁT VỀ NHẬN DẠNG THỰC THỂ
1.1.

Một số khái niệm cơ bản

17
17

1.1.1. Định nghĩa bài toán nhận dạng thực thể

17

1.1.2. Thách thức

19

1.1.3. Độ đo đánh giá

19

1.1.4. Ứng dụng của nhận dạng thực thể

21

1.2. Sơ lược về lịch sử nghiên cứu và một số hướng giải quyết bài toán

22

1.3. Nhận dạng thực thể trong dữ liệu văn bản tiếng Việt và một số nghiên cứu
liên quan

24

1.3.1. Những thách thức đối với xử lý dữ liệu tiếng Việt

24

1.3.2. Động cơ nghiên cứu

26

1.3.3. Các nghiên cứu liên quan

26

1.4. Nhận dạng thực thể trong dữ liệu văn bản y sinh tiếng Anh và một số
nghiên cứu liên quan

29

1.4.1. Những thách thức đối với xử lý dữ liệu y sinh

29

1.4.2. Động cơ nghiên cứu

30

1.4.3. Các nghiên cứu liên quan

31
3


1.5. Tổng kết chương
Chương 2 – NHẬN DẠNG THỰC THỂ TÊN NGƯỜI KẾT HỢP VỚI NHẬN

34

DẠNG THUỘC TÍNH THỰC THỂ CÓ TÊN TRONG VĂN BẢN
TIẾNG VIỆT

36

2.1. Giới thiệu

36

2.2. Các nghiên cứu liên quan

38

2.2.1. Các nghiên cứu liên quan trên thế giới

38

2.2.2. Các nghiên cứu liên quan ở Việt Nam

39

2.3. Một mô hình giải quyết bài toán nhận dạng thực thể tên người kết hợp với
nhận dạng thuộc tính thực thể

40

2.3.1. Mô hình Entropy cực đại giải mã bằng tìm kiếm chùm (MEM+BS)

40

2.3.2. Phương pháp trường ngẫu nhiên có điều kiện (CRF)

41

2.3.3. Mô hình đề xuất

42

2.3.4. Tập đặc trưng

46

2.4. Thực nghiệm, kết quả và đánh giá

47

2.4.1. Công cụ và dữ liệu đánh giá

47

2.4.2. Kết quả thực nghiệm đánh giá trên toàn hệ thống

49

2.4.3. Kết quả thực nghiệm đánh giá trên từng nhãn

50

2.5. Mô hình áp dụng vào hệ thống hỏi đáp tên người tiếng Việt

52

2.5.1. Khái quát bài toán

52

2.5.2. Đặc trưng câu hỏi liên quan đến thực thể tên người trong tiếng Việt

53

2.5.3. Mô hình đề xuất

55

2.5.4. Phương pháp và dữ liệu đánh giá mô hình hỏi đáp tự động

61

2.5.6. Thực nghiệm và đánh giá

61

2.6. Tổng kết chương

64

Chương 3 – NHẬN DẠNG THỰC THỂ BIỂU HIỆN TRONG VĂN BẢN Y SINH
TIẾNG ANH

66

3.1. Giới thiệu

66

3.1.1. Động cơ và khái quát bài toán nhận dạng thực thể biểu hiện
4

66


3.1.2. Một số khái niệm cơ bản liên quan đến thực thể biểu hiện và một số
thực thể liên quan
3.1.3. Vấn đề về thích nghi miền trong nhận dạng thực thể y sinh

69
74

3.2. Mô hình nhận dạng thực thể biểu hiện và một số thực thể liên quan

75

3.2.1. Cơ sở lý thuyết

76

3.2.2. Dữ liệu đánh giá và tài nguyên hỗ trợ

77

3.2.3. Mô hình đề xuất

82

3.2.4. Tập đặc trưng và đánh giá đặc trưng

84

3.2.5. Phương pháp đánh giá

88

3.3. Thực nghiệm

89

3.3.1. Thực nghiệm 1: đánh giá hiệu quả của mô hình đề xuất với các kỹ
thuật học máy khác nhau

89

3.3.2. Thực nghiệm 2: so sánh kết quả của mô hình đề xuất với một số
nghiên cứu liên quan

90

3.3.3. Thực nghiệm 3: đánh giá đóng góp của từng tài nguyên đối với kết
quả nhận diện thực thể

94

3.3.4. Thực nghiệm 4: ứng dụng mô hình đề xuất để nhận dạng thực thể y
sinh trong cuộc thi BioCreAtIvE V CDR Task
3.4. Thích nghi miền dữ liệu trong nhận dạng thực thể y sinh

95
97

3.4.1. Thực nghiệm

98

3.4.2. Kết quả và đánh giá

99

3.5. Tổng kết chương

101

Chương 4 – MỘT MÔ HÌNH NÂNG CẤP HIỆU QUẢ NHẬN DẠNG THỰC THỂ
Y SINH DỰA TRÊN KỸ THUẬT LAI GHÉP VÀ HỌC XẾP HẠNG

103

4.1. Mô hình nâng cấp nhận dạng thực thể biểu hiện và các thực thể liên quan 103
4.2. Các phương pháp lai ghép được đề xuất

105

4.2.1 Phương pháp lai ghép sử dụng luật

105

4.2.2 Phương pháp lai ghép sử dụng học máy gán nhãn chuỗi

108

4.2.3 Phương pháp lai ghép sử dụng học xếp hạng

109

5


4.3. Thực nghiệm và đánh giá kết quả
4.3.1. Phương pháp đánh giá

111
111

4.3.2 Thực nghiệm đánh giá hiệu quả của từng phương pháp lai ghép

112

4.3.3 Thực nghiệm kiểm thử tin cậy trong quá trình đánh giá hiệu quả của
các tài nguyên

114

4.3.4 Thảo luận và phân tích lỗi

115

4.4. Kết luận chương

118

KẾT LUẬN

120

DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ CÓ LIÊN QUAN ĐẾN
LUẬN ÁN

122

TÀI LIỆU THAM KHẢO

123

6


DANH MỤC CÁC KÍ HIỆU VÀ CHỮ VIẾT TẮT
Kí hiệu

Tiếng Anh

Tiếng Việt

NER

Named Entity Recognition

Nhận dạng thực thể định
danh

NLP

Natural Language Processing

Xử lý ngôn ngữ tự nhiên

BioNLP

Biomedical Natural Language
Processing

Xử lý ngôn ngữ tự nhiên cho
dữ liệu y sinh

IE

Information Extraction

Trích xuất thông tin

CRF

Conditional Random Fields

Trường ngẫu nhiên có điều
kiện

SVM

Support Vector Machine

Máy véctơ hỗ trợ

SVM-LTR

SVM-Learn to rank

Học xếp hạng máy véctơ hỗ
trợ

ME
Model, Maximum Entropy Model
Maxent Model

Mô hình Entropy cực đại

MEM+BS

Mô hình Entropy cực đại với
giải mã tìm kiếm chùm

Maximum Entropy Model
with Beam Search

7

DANH MỤC CÁC BẢNG
Bảng 2.1. Một ví dụ về trích chọn thực thể tên người và các thuộc tính liên quan
Bảng 2.2. Các nhãn được sử dụng trong mô hình

37
43

Bảng 2.3. Tập đặc trưng được sử dụng

46

Bảng 2.4. Thống kê thực thể trong tập dữ liệu được gán nhãn

48

Bảng 2.5. Kết quả đánh giá toàn hệ thống trên hai mô hình với hai phương pháp
MEM+BS và CRF
Bảng 2.6. Kết quả thực nghiệm đối với từng nhãn

49
51

Bảng 2.7. Ví dụ về một số thành phần câu hỏi

56

Bảng 2.8. Các thành phần xuất hiện trong câu hỏi về thực thể tên người

57

Bảng 2.9. Ví dụ gán nhãn tổng quát cho câu hỏi về thực thể tên người tiếng Việt

58

Bảng 2.10. Thống kê trên tập dữ liệu câu hỏi đánh giá

61

Bảng 2.11. Kết quả đánh giá thành phần phân tích câu hỏi

62

Bảng 2.12. Kết quả đánh giá của hệ thống trả lời tự động

63

Bảng 3.1. Danh sách các bệnh tự miễn dịch được sử dụng để xây dựng dữ liệu
Phenominer A

78

Bảng 3.2. Các đặc điểm của dữ liệu Phenominer A về bệnh tự miễn dịch và
Phenominer B về bệnh tim mạch
Bảng 3.3. Các đặc trưng sử dụng trong thực nghiệm

80
84

Bảng 3.4. Thực nghiệm so sánh các phương pháp học máy khác nhau

90

Bảng 3.5. Thực nghiệm so sánh mô hình đề xuất và các hệ thống khác

92

Bảng 3.6. Kết quả đánh giá tài nguyên của mô hình nhận dạng thực thể

94

Bảng 3.7. Thống kê trên ba tập dữ liệu của nhiệm vụ CDR [WPL15]

96

Bảng 3.8. Kết quả mô hình nhận dạng trên tập dữ liệu kiểm thử

96

Bảng 3.9. Kết quả F1 của hệ thống NER sử dụng phương pháp thực nghiệm 1-6.

99

Bảng 4.1. Các đặc trưng được MEM + BS sử dụng để quyết định kết quả

109

Bảng 4.2. Kết quả của mô hình trên tập dữ liệu Phenominer A khi sử dụng các
phương pháp khác nhau để lai ghép kết quả
8

112


Bảng 4.3. Kiểm thử độ tin cậy dựa trên thống kê về sự khác biệt hiệu năng sử dụng
xấp xỉ ngẫu nhiên đối với các thực nghiệm loại bỏ lần lượt từng tài
nguyên.

113

Bảng 4.4. Kiểm thử độ tin cậy dựa trên thống kê về sự khác biệt hiệu năng sử dụng
xấp xỉ ngẫu nhiên đối với các thực nghiệm

114

Bảng 4.5. Các lỗi của mô đun quyết định kết quả sử dụng danh sách ưu tiên (PL) và
học xếp hạng sử dụng SVM (LTR)

9

116


DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 0.1. Thống kê các công trình nghiên cứu liên quan đến cụm từ “named entity
recognition” trên Springer từ 2002 - tháng 11/2017

11

Hình 0.2. Biểu đồ phân bố các công trình đã công bố của nghiên cứu sinh tương ứng
với các chương của luận án

Hình 1.1. Mô tả các độ đo độ chính xác, độ hồi tưởng và độ đo F1

16
20

Hình 1.2. Các nhiệm vụ về xử lý ngôn ngữ tự nhiên cho văn bản y sinh trong giai
đoạn 2002-2014 [HL15]
Hình 2.1. Đồ thị vô hướng mô tả CRF

31
41

Hình 2.2. Một ví dụ về câu được gán nhãn

44

Hình 2.3. Mô hình tích hợp NER và trích chọn thuộc tính của thực thể tên người

45

Hình 3.1. Biểu diễn của biểu hiện trong văn bản tường thuật và các thuật ngữ trước
và sau biên soạn.
Hình 3.2. Ví dụ chứa các thực thể biểu hiện, gen, bệnh và mối quan hệ giữa chúng

67
68

Hình 3.3. Lược đồ ngữ nghĩa của các loại thực thể nhận dạng trong luận án

73

Hình 3.4. Mô hình nhận dạng thực thể biểu hiện của Khordad và cộng sự [KMR11] 76
Hình 3.5. Mô hình nhận dạng thực thể biểu hiện và các thực thể liên quan
Hình 4.1. Kiến trúc tổng quan của hệ thống NER y sinh

82
104

Hình 4.2. Một ví dụ gán nhãn các đặc trưng dựa trên tài nguyên trong câu

105

Hình 4.3. Mô hình hệ thống sử dụng danh sách ưu tiên để quyết định kết quả

107

Hình 4.4. Nhập nhằng và không nhập nhằng

107

Hình 4.5. Mô hình hệ thống sử dụng MEM + BS để quyết định kết quả

108

Hình 4.6. Mô hình hệ thống sử dụng SVM-LTR để quyết định kết quả

110

10

MỞ ĐẦU
Lý do chọn đề tài
Nhận dạng thực thể có tên (Named entity recognition: NER; còn được gọi là
“nhận dạng thực thể định danh”) là một bài toán chính thuộc lĩnh vực xử lý ngôn ngữ
tự nhiên (NLP). Đây là một bài toán tiền đề cho các hệ thống về hiểu ngôn ngữ hay
khai phá dữ liệu văn bản như trích xuất sự kiện, hỏi đáp tự động hay tìm kiếm ngữ
nghĩa. Chính vì vậy, cùng với sự phát triển của dữ liệu văn bản trên Internet, bài toán
này cũng nhận được sự quan tâm của cộng đồng nghiên cứu trong khoảng 20 năm trở
lại đây.

Named Entity Recognition
Số công trình xuất
bản

450
400

382
340

350
300
136

150

100

0

356

357

268

250
200

50

382

160

145

182

187

217

243

61

24

30

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 Năm

Hình 0.1. Thống kê các công trình nghiên cứu liên quan đến cụm từ “named entity
recognition” trên Springer từ 2002 - tháng 11/2017
Kết quả trả lời của trang web tìm kiếm của Springer với truy vấn “Named entity
recognition” theo cách chính xác cụm từ (“with the exact phrase”) 1 cho thấy từ năm
2002 đến nay có trên 3500 công trình liên quan, với trên 1800 công trình công bố
trong 5 năm gần đây từ 2013 đến 2017 (khoảng 350 công trình/năm) như chỉ ra ở
Hình 0.1. Không chỉ nhiều về số lượng, các nghiên cứu về NER cũng xuất
1

tefacet-mode=between&facet-start-year=1998&showAll=true#

11


hiện thường xuyên tại các hội nghị thường niên hàng đầu về NLP như ACL, EMNLP,
NAACL,… hay các tạp chí danh tiếng có chỉ số IF (impact factor) cao như PLOS
ONE, Bioinformatics, TKDE, TACL,…
Mặc dù đã có khá nhiều công trình nghiên cứu cho một số loại thực thể thông
thường trong văn bản tiếng Anh tuy nhiên những nghiên cứu liên quan đến các thực
thể trong ngôn ngữ khác như tiếng Việt hay các miền dữ liệu đặc biệt như miền dữ
liệu y sinh vẫn còn rất nhiều hạn chế và thách thức. Có thể kể đến là sự khuyết thiếu
các tập dữ liệu gán nhãn chuẩn, tài nguyên ngôn ngữ về tri thức miền hay các định
nghĩa hình thức về kiểu thực thể cần nhận dạng… Luận án này tiếp nối những nghiên
cứu trước đó nhằm giải quyết một phần những hạn chế được nêu ra ở trên. Mục tiêu
cụ thể và phạm vi nghiên cứu của luận án sẽ được mô tả kỹ hơn ở phần tiếp theo.

Mục tiêu cụ thể và phạm vi nghiên cứu của luận án
Như đã nêu trong lý do chọn đề tài, luận án tập trung vào bài toán nhận dạng
thực thể với hai loại dữ liệu thuộc hai ngôn ngữ khác nhau là các thực thể thuộc dữ
liệu văn bản tiếng Việt và các thực thể thuộc dữ liệu văn bản y sinh.
Mục tiêu cụ thể của luận án là phát triển vấn đề, đề xuất giải pháp và xây dựng
thực nghiệm cho việc nhận dạng các loại thực thể thuộc hai miền dữ liệu trên.
Nhìn chung, bài toán nhận dạng thực thể đã được quan tâm nghiên cứu và đạt
được một số kết quả nhất định, tuy nhiên các kết quả này hầu hết chỉ xử lý cho các
thực thể thông thường trong văn bản tiếng Anh. Trong khi đấy, nhận dạng thực thể
với miền dữ liệu văn bản thông thường tiếng Việt và văn bản y sinh vẫn còn nhiều
vấn đề lớn đặt ra như không có một tập dữ liệu chuẩn cùng những mô tả rõ ràng về
khái niệm liên quan đến các thực thể hay các tài nguyên công cụ phục vụ cho việc
nhận dang. Nhìn nhận được các hạn chế này, luận án tập trung vào giải quyết hai bài
toán nói trên trong phạm vi dữ liệu có tính chất đặc thù hơn, cụ thể là:
Giải quyết bài toán nhận dạng thực thể cho dữ liệu văn bản tiếng Việt.
Nghiên cứu sinh đi sâu vào việc tìm hiểu những thành quả nghiên cứu tiên tiến
về nhận dạng thực thể với mong muốn áp dụng và đề xuất các cải tiến mới
nhằm áp dụng và cải thiện hiệu quả cho quá trình nhận dạng thực thể trong văn
bản tiếng Việt. Bên cạnh đấy, luận án tìm hiểu một trong những

12


hướng ứng dụng điển hình của các mô hình nhận dạng thực thể tiếng Việt, cụ
thể ở đây là bài toán hỏi đáp tự động cho tiếng Việt.
Giải quyết bài toán nhận dạng thực thể cho dữ liệu y sinh (tiếng Anh). Số
lượng dữ liệu y sinh dưới dạng điện tử đang tăng với tốc độ cao tạo nên tiềm
năng lớn phục vụ cho một loạt các ứng dụng xã hội, đặc biệt là y tế cộng đồng.
Với tiềm năng nói trên và tính chất phức tạp từ đặc thù chuyên ngành, khai
phá dữ liệu y sinh đang là một thách thức lớn đối với các nhà khoa học trên

toàn thế giới. Nắm bắt được xu hướng nghiên cứu này, luận án khảo sát và đề
xuất phương án giải quyết bài toán nhận dạng thực thể trong văn bản y sinh kết
hợp nhiều nguồn tài nguyên tri thức cũng như các kỹ thuật học máy thống kê.
Luận án tập trung vào bài toán nhận dạng thực thể biểu hiện (phenotype) và
các thực thể liên quan như: gene, bệnh, bộ phận cơ
thể,….
Trên cơ sở phân tích công phu các giải pháp tiên tiến trên thế giới, luận án được
định hướng vào việc nghiên cứu phát triển các giải pháp hiệu quả tương thích với
miền dữ liệu có nhiều đặc trưng đặc biệt và xây dựng thực nghiệm đánh giá. Cụ thể,
luận án giải đáp các vấn đề nghiên cứu sau đây:
Khảo sát và đưa ra các phương án xử lý các đặc điểm riêng biệt của với dữ
liệu tiếng Việt và dữ liệu y sinh tiếng Anh.
Đề xuất phương án tiếp cận mới tận dụng được các nghiên cứu tiên tiến trước
đó và tiếp cận giải quyết được những đặc điểm riêng biệt của miền dữ liệu
đang xem xét.
Xây dựng bộ dữ liệu phục vụ cho thực nghiệm.
Xây dựng các thực nghiệm để đánh giá các mô hình giải quyết bài toán đã đề
xuất.
Xây dựng hệ thống chạy thực tế đối với các mô hình đạt kết quả khả quan.
Định hướng phát triển nâng cấp nghiên cứu.
Ở Việt Nam, đã có một số luận án tiến sĩ nghiên cứu về các bài toán nhận dạng
thực thể trong tiếng Việt. Luận án tiến sĩ của Sam Chanrathany (2013) [SC13] làm về
trích xuất thực thể và một số mối quan hệ hai ngôi giữa các thực thể trong tiếng
13


Việt sử dụng phương pháp học bán giám sát. Luận án tiến sĩ của Nguyễn Thanh Hiên
(2011) [NTH11] giải quyết vấn đề phân biệt nhập nhằng giữa các thực thể dựa trên
nguồn tri thức từ các ontology miền đóng và miền mở. Cả hai luận án này đã đưa ra
được một số cách giải quyết nhận dạng thực thể cùng xử lý nhập nhằng thông qua các

thuộc tính có quan hệ đến thực thể. Tuy nhiên tập dữ liệu đánh giá là tương đối nhỏ
(1200 câu) chưa thể hiện rõ được hiệu quả mà các phương pháp đem lại.
Luận án khảo sát một số luận án Tiến sỹ trên thế giới liên quan đến chủ đề nhận
dạng thực thể gene và thực thể biểu hiện, điển hình là [VA10, KM14]. Vlachos (2010)
[VA10] tập trung giải quyết hai bài toán là nhận dạng thực thể các thực thể gene và
trích xuất sự kiện tại hội thảo BioNLP, các phương pháp được áp dụng hầu hết dựa
trên kỹ thuật nhận dạng bằng luật và một ít kỹ thuật học máy nên các mô hình chưa
cho kết quả cao. Khordad (2014) [KM14] đi sâu vào bài toán nhận dạng thực thể biểu
hiện và thực thể gene, sau đó dựa vào kết quả nhận dạng để phát hiện các mỗi quan
hệ giữa biểu hiện – gene. Luận án này mặc dù đã đề cập đến thực thể biểu hiện tuy
nhiên chưa nêu được một định nghĩa rõ ràng về thực thể biểu hiện nên bỏ sót khả
nhiều kết quả trong quá trình nhận dạng, bên cạnh đấy, luận án này cũng chỉ quan tâm
đến mối quan hệ giữa biểu hiện – gene mà chưa quan tâm đến mối quan hệ giữa biểu
hiện và các loại thực thể khác như bệnh, hóa chất, bộ phận cơ thể v.v..
Đối sánh nội dung các công trình nghiên cứu trong và ngoài nước, trong đó có
luận án Tiến sỹ, luận án của nghiên cứu sinh có những điểm khác biệt về khía cạnh
phương pháp tiếp cận cũng như về khía cạnh dữ liệu. Cụ thể là:
-

Đối với bài toán nhận dạng thực thể trong văn bản tiếng Việt, luận án tập
trung vào hai vấn đề đó là kết hợp cùng lúc cả nhận dạng thực thể và nhận
dạng thuộc tính thực thể trong cùng một mô hình và kiểm chứng trên tập dữ
liệu đủ tin cậy (10.000 câu gán nhãn). Hơn nữa, nghiên cứu sinh cũng áp
dụng mô hình đề xuất vào bài toán hỏi đáp tự động để kiểm định hiệu quả
thực tế của mô hình.

-

Đối với bài toán nhận dạng thực thể y sinh trong văn bản tiếng Anh, luận án
đưa ra những định nghĩa cụ thể hơn về các khái niệm liên quan đến các thực

thể biểu hiện, xây dựng hai tập dữ liệu đánh giá tin cậy (900 câu gán

14


nhãn mỗi tập) cũng như các thử nghiệm khách quan với các độ đo chuẩn cho
nhận dạng thực thể y sinh.
Luận án là kết quả của việc kết hợp nghiên cứu lý thuyết với nghiên cứu thực
nghiệm, thông qua một quá trình lô-gic từ khảo sát bài toán, nghiên cứu lý thuyết nền
tảng, tiến tới đề xuất giải pháp đối với bài toán, xây dựng thực nghiệm đánh giá giải
pháp được đề xuất, rút ra kết luận và công bố kết quả nghiên cứu.
Về nghiên cứu lý thuyết, luận án tập trung đề xuất một số giải pháp nhận dạng
thực thể cho dữ liệu văn bản tiếng Việt và dữ liệu văn bản y sinh tiếng Anh. Các giải
pháp tập trung vào vấn đề kết hợp các mô hình học máy cũng như các tri thức nguồn
liên quan đến miền dữ liệu nhằm nâng cao hiệu quả đầu ra đối với các bài toán. Kết
quả của các mô hình đạt hiệu quả khả quan có thể áp dụng được trong các hệ thống
chạy thực tế.
Luận án trình bày một cách hệ thống các vấn đề liên quan đến bài toán nhận
diện thực thể biểu hiện và các thực thể liên quan như: định nghĩa cụ thể về khái niệm
thực thể biểu hiện, cách thức gán nhãn dữ liệu, phương pháp đánh giá và kiểm thử
hiệu quả hay vấn đề thích nghi miền (domain adaptation) trong miền dữ liệu thực thể
biểu hiện. Hơn nữa, luận án cũng đưa ra được một số khung làm việc (framework)
cho việc trích xuất sự kiện cho tiếng Việt cũng như sự kiện trong văn bản y sinh tiếng
Anh.
Các kết quả nghiên cứu lý thuyết của luận án được công bố trong các ấn phẩm
khoa học chuyên ngành có uy tín [CTLA1, CTLA2, CTLA4 - CTLA7] là minh
chứng cho ý nghĩa khoa học của luận án.
Về triển khai ứng dụng, luận án đã đề xuất thực thi mô hình hỏi đáp tự động
tiếng Việt dựa trên nhận dạng thực thể [CTLA5]. Xây dựng hệ thống tra cứu và tham
khảo các mối quan hệ giữa thực thể biểu hiện – bệnh PhenoMiner (tại địa chỉ

/>Kết quả triển khai ứng dụng thông qua các hệ thống thử nghiệm và tra cứu nói
trên cho thấy luận án có ý nghĩa thực tiễn.

Cấu trúc của luận án
Tiếp nối phần mở đầu này, nội dung chính của luận án được bố cục thành bốn
chương và phần kết luận. Chương 1 của luận án trình bày hệ thống các lý thuyết cơ

15


bản về nhận dạng thực thể cũng như khảo sát lịch sử nghiên cứu và điểm lại một số
nghiên cứu tiêu biểu. Các chương tiếp theo đi sâu vào những bài toán con được luận
án tập trung giải quyết. Chương 2 trình bày về bài toán nhận dạng thực thể và ứng
dụng nhận dạng thực thể vào bài toán hỏi đáp tự động trong văn bản tiếng Việt. Tiếp
theo đó, chương 3 trình bày một mô hình nhận dạng thực thể biểu hiện và các thực
thể liên quan cũng như vấn đề thích nghi miền giữa các tập dữ liệu y sinh. Chương 4,
luận án giới thiệu một kỹ thuật nâng cấp hiệu quả của mô hình đề xuất trong chương
3 bằng kỹ thuật lai ghép các mô hình (ensemble models) dựa trên tri thức và dựa trên
học máy để nhận dạng thực thể trong văn bản y sinh tiếng Anh. Phần kết luận tổng
hợp các kết quả đạt được cũng như nêu lên một số hạn chế của luận án và trình bày
một số định hướng nghiên cứu trong tương lai.
Dưới đây là danh sách các công trình đã công bố của nghiên cứu sinh liên quan
được sử dụng trong các chương của luận án.

Hình 0.2. Biểu đồ phân bố các công trình đã công bố của nghiên cứu sinh tương ứng
với các chương của luận án

16

Chương 1 - KHÁI QUÁT VỀ NHẬN DẠNG THỰC THỂ
Chương 1 của luận án hệ thống hóa các lý thuyết cơ bản về nhận dạng thực thể.
Chương này được cấu trúc thành bốn phần nội dung chính. Phần 1 trình bày và phân
tích các khái niệm cơ bản và các thuật ngữ cần quan tâm trong lĩnh vực nghiên cứu,
ngoài các định nghĩa, phần này cũng khái quát hóa các độ đo thường được sử dụng
trong nhận dạng thực thể. Phần 2 nêu ra một số hướng tiếp cận giải quyết chính cũng
như một số hướng tiếp cận mới trong nghiên cứu về nhận dạng thực thể. Các hướng
tiếp cận này sẽ được nêu ra trong hai phần, tương ứng với từng loại dữ liệu là dữ liệu
văn bản tiếng Anh và dữ liệu văn bản tiếng Việt. Phần 3 trình bày cụ thể một số kỹ
thuật học máy tiêu biểu thường được sử dụng trong nhận dạng thực thể cũng như
trong các nghiên cứu của luận án. Cuối cùng, phần 4 nêu ra tiềm năng nghiên cứu và
điểm qua một vài ứng dụng nổi bật của nhận dạng thực thể.

1.1.

Một số khái niệm cơ bản

1.1.1. Định nghĩa bài toán nhận dạng thực thể
Bài toán nhận dạng thực thể (hay còn gọi là bài toán nhận dạng thực thể định
danh; Named Entity Recognition; NER) là bài toán xác định (phát hiện) các biểu diễn
trong văn bản và phân lớp chúng vào các kiểu thực thể định danh được định nghĩa
trước như Người, Địa danh, Thời gian, Số, tiền tệ, v.v.. Bài toán này có thể bao gồm
cả việc nhận dạng các thông tin hay thuộc tính mô tả về thực thể. Ví dụ, trong trường
hợp của thực thể tên người, hệ thống NER có thể trích xuất cả các thông tin về Chức
danh, Quốc tịch, Địa chỉ, Giới tính, v.v..
Một thực thể định danh là một chuỗi các từ chỉ đến một thực thể trong thế giới
thực, ví dụ như "California", “Hà Nội”, “Võ Nguyên Giáp”, "Steve Jobs" và
"Apple". Một thực thể định danh có thể được xếp vào một loại thực thể nào đó, như
Người, Địa điểm, Tổ chức, Thời gian, v.v.. Như vậy, các thực thể chính là những đối
tượng cơ bản nhất trong một văn bản dù ở bất kì ngôn ngữ nào.

17


Luận án sử dụng định nghĩa bài toán nhận dạng thực thể do Aggarwal và Zhai
phát biểu [AZ12]:
“Bài toán nhận dạng thực thể (Named entity recognition, NER) là
bài toán xác định thực thể định danh từ các văn bản dưới dạng tự do và
phân lớp chúng vào một tập các kiểu được định nghĩa trước như người,
tổ chức và địa điểm.”
Các kiểu thực thể định danh không chỉ bao gồm một số kiểu thông dụng như tên
người, địa danh, tên tổ chức mà còn có rất nhiều kiểu khác phụ thuộc vào đặc trưng
của loại dữ liệu, miền dữ liệu hay mục đích của hệ thống ứng dụng nhận dạng thực
thể. Có thể kể đến một số kiểu thực thể được nêu ra tại các nhiệm vụ xử lý ngôn ngữ
tự nhiên (task/shared task) như sau:
- Những kiểu thực thể định danh thông dụng nhất được tập trung nghiên cứu là
người, tổ chức và địa điểm, chúng được định nghĩa lần đầu tại Message
Understanding Conference-6 (MUC-6). Những kiểu thực thể này là phổ biến đủ để có
thể trở nên hữu ích trong nhiều miền ứng dụng. Việc trích xuất các biểu diễn ngày
tháng, giờ, tiền tệ và tỷ lệ phần trăm, cũng được MUC-6 giới thiệu, thường cũng được
xử lý trong NER, mặc dù nói đúng ra thì các biểu diễn này không phải là thực thể
định danh.
- Nhiệm vụ tại chương trình Automatic Content Extraction (ACE) đưa ra thêm
nhiều loại thực thể mới, các loại thực thể được tổ chức dưới dạng cây phân cấp, chi
tiết hơn MUC6. Ví dụ như kiểu thực thể tên tổ chức (organisation) có các loại con
như tên tổ chức chính phủ, tổ chức giáo dục hay tổ chức thương mại [DMP04].
- Bên cạnh các kiểu thực thể thông thường trong văn bản tin tức, các loại thực
thể liên quan đến y sinh cũng nhận được nhiều sự quan tâm. Hội thảo
BioNLP/JNLPBA 2004 có nhiệm vụ yêu cầu nhận diện thực thể y sinh gene và
protein [KOT04] hay nhiệm vụ Track3-CDR tại hội thảo BioCreative V (2015) yêu

cầu phát hiện thực thể bệnh và thuốc [WPL15].

18


1.1.2. Thách thức
Tuy là một bài toán cơ bản, nhưng nhận dạng thực thể cũng gặp phải không ít
thách thức cần giải quyết do độ phong phú và sự nhập nhằng của ngôn ngữ. Thông
thường thì bài toán này không thể được thực hiện một cách đơn giản nếu chỉ sử dụng
đối sánh chuỗi với các từ điển đã được xây dựng trước vì các thực thể định danh của
một kiểu thực thể thường không phải là một một tập đóng, do đó bất kỳ từ điển nào
cũng sẽ là không đầy đủ. Một lý do khác là loại thực thể định danh có thể phụ thuộc
vào ngữ cảnh. Ví dụ, "JFK" có thể chỉ tới người "John F. Kennedy”, địa điểm "sân
bay quốc tế JFK", hoặc bất kỳ loại nào khác có cùng dạng viết tắt đó. Tương tự
“Sông Lam Nghệ An” có thể là địa điểm chỉ tên một con sông tại tỉnh Nghệ An hay
tên một đội bóng “Sông Lam Nghệ An”. Để xác định loại cho thực thể "JFK"
hay“Sông Lam Nghệ An” xuất hiện trong một tài liệu cụ thể, cần phải xem xét đến
ngữ cảnh chứa nó.
Bên cạnh yếu tố về ngữ nghĩa, các yếu tố liên quan đến đặc trưng ngôn ngữ
cũng góp phần làm bài toán nhận dạng thực thể trở nên khó khăn. Một số ngôn ngữ
như tiếng Việt ngoài việc thiếu các tài nguyên xử lý ngôn ngữ tự nhiên còn phải thực
hiện một số bài toán con như tách từ trước khi nhận dạng thực thể, tỷ lệ lỗi của các
bài toán con sẽ ảnh hưởng đến kết quả của bài toán nhận dạng thực thể. Ngoài ra,
từng loại thực thể cũng có những thách thức riêng khác nhau ảnh hưởng đến hiệu quả
của mô hình nhận dạng. Ví dụ thực thể tên tổ chức “Ủy ban nhân dân Thành phố Hà
Nội” có chứa thực thể tên địa danh “Thành phố Hà Nội”.
1.1.3. Độ đo đánh giá
Để đánh giá các mô hình nhận dạng thực thể cần phải tạo ra tập các tài liệu
được gán nhãn bằng tay. Đối với việc đánh giá trên từng miền cụ thể, các tài liệu
được lựa chọn gán nhãn phải liên quan đến dữ liệu miền mục tiêu. Ví dụ, để đánh giá

việc trích xuất các thực thể gen và protein, ta phải sử dụng các tài liệu y sinh như các
tóm tắt từ kho dữ liệu PubMed. Nhưng nếu mục đích là để đánh giá so sánh giữa các
kỹ thuật nhận diện thực thể nói chung, cần phải sử dụng một tập dữ liệu

19


tiêu chuẩn đã được cộng đồng nghiên cứu chấp nhận [AZ12]. Các tập dữ liệu thường
được dùng để đánh giá chung cho các loại thực thể định danh thông thường có thể kể
đến là tập dữ liệu của hội nghị MUC, CoNLL-2003 và ACE 2004, còn để đánh giá
cho các loại thực thể trong y sinh có thể sử dụng tập dữ liệu GENIA [KOT03],
CHEMDNER [KLR15].
Các số đo đánh giá điển hình được sử dụng cho nhận dạng thực thể là độ chính
xác (precision - P), độ hồi tưởng (recall - R) và độ đo F1 (F1-measure). Độ chính xác
được tính bằng phần trăm các kết quả đúng trong tổng số kết quả nhãn dương của hệ
thống. Độ hồi tưởng là phần trăm các trường hợp được gán nhãn đúng trong tất cả các
mẫu dương có trong dữ liệu. Độ đo F1 là trung bình điều hòa của độ chính xác và độ
hồi tưởng. Hình 1.1. mô tả một cách trực quan các độ đo này.

Hình 1.1. Mô tả các độ đo độ chính xác, độ hồi tưởng và độ đo F1
Trong nhận dạng thực thể, nói một cách chính xác thì một thực thể định danh
được nhận dạng cần phải thỏa mãn hai tiêu chí: Một là xác định đúng biên thực thể và
hai là xác định đúng kiểu thực thể. Hầu hết các đánh giá đòi hỏi việc ánh xạ chính
xác biên thực thể. Tuy nhiên, đôi khi trong một số trường hợp thì việc ánh xạ một
phần cũng được chấp nhận, ví dụ khi mục tiêu chỉ là xác định liệu thực thể nào đó có
được nhắc đến trong văn bản hay câu hay không [TWC06].

20

1.1.4. Ứng dụng của nhận dạng thực thể
Nhận dạng thực thể là một bài toán quan trọng, thường được sử dụng như là một
bước tiền xử lý trong các hệ thống trích xuất thông hay trích chọn thông tin phức tạp.
Có thể kể đến nhận dạng thực thể xuất hiện trong một số các ứng dụng sau:
Trích xuất quan hệ là bài toán nhận diện các mối quan hệ ngữ nghĩa giữa hai
thực thể hay giữa một thực thể và một khái niệm [GLR06], ví dụ như mối
quan hệ người-nơi làm việc (Ronaldo, Real Madrid) hay quan hệ nơi sinh (Hồ
Chí Minh, Nghệ An). Trong bài toán này, bài toán nhận diện thực thể là vấn đề
đầu tiên cần được giải quyết trước khi trích xuất quan hệ.
Trích xuất sự kiện là bài toán phức tạp hơn trích xuất quan hệ khi sự kiện là
một tổ hợp của nhiều yếu tố thể hiện các thông tin biểu diễn về ai/cái gì đã làm
gì, với ai/cái gì, bao giờ, ở đâu, bằng cách nào và tại sao. Các sự kiện có thể là
một sự kiện trong thế giới thực như sự kiện khủng bố, sự kiện tài chính,… hay
cũng có thể là một sự kiện xảy ra của một quá trình tự nhiên như các sự kiện y
sinh liên quan đến biến đổi gene hay gene gây bệnh. Tương tự như trích xuất
quan hệ, trong trích xuất sự kiện vấn đề nhận dạng thực thể cũng đặt lên hàng
đầu khi yêu cầu phải nhận ra đủ và chính xác các thành phần cấu thành nên sự
kiện. Nhiều hệ thống về trích xuất sự kiện đã áp dụng thành công NER trong
các thành phần xử lý như hệ thống BioCaster.
Hệ thống hỏi đáp tự động đang là một lĩnh vực nhận được sự quan tâm lớn
trong thời điểm lượng thông tin và tri thức bùng nổ. Khá nhiều các hệ thống
hỏi đáp tự động dựa trên khai phá văn bản cần đến nhận dạng thực thể như là
một yếu tố làm tăng khả năng phân tích, hiểu câu hỏi và dữ liệu trả lời trong hệ
thống [HWY05]. Có thể kể đến một số nghiên cứu sử dụng nhận dạng thực thể
cho hệ thống hỏi đáp như nghiên cứu của Yao và Van Durme (2014) [YD14]
sử dụng NER trong pha phân tích câu hỏi để xác định chủ đề hỏi hay hệ hỏi
đáp của West và cộng sự (2014) [WGM14] áp dụng NER cho việc

21

phát hiện các mối quan hệ có trong log được trả về từ máy tìm kiếm hỗ trợ
cho thành phần trả lời câu hỏi.

1.2. Sơ lược về lịch sử nghiên cứu và một số hướng giải quyết bài toán
Bài toán nhận dạng thực thể đã xuất hiện từ đầu những năm 1990 [RA91],
nhưng chỉ được chính thức giới thiệu vào năm 1995 tại hội nghị MUC-6 với tư cách
là một bài toán con của trích xuất thông tin. Kể từ đó, NER đã thu hút nhiều sự chú
ý của cộng đồng nghiên cứu. Đã có khá nhiều hệ thống và chương trình được xây
2

dựng thực thi bài toán này, có thể kể đến Automatic Content Extraction , các công bố
trong nhiệm vụ cộng đồng thuộc hội nghị Conference on Natural Language Learning
(CoNLL) năm 2002 và 2003, và chuỗi nhiệm vụ nhận dạng thực thể y sinh tại hội
thảo BioCreative

3

(Critical Assessment of Information Extraction Systems in

Biology).
Các giải pháp ban đầu cho nhận dạng thực thể dựa vào các mẫu được tạo một
cách thủ công [AHB93]. Sau đó các nghiên cứu đầu nhưng năm 2000 về nhận dạng
thực thể đã đạt được rất nhiều kết quả khả quan bằng việc sử dụng các phương pháp
học máy thống kê. Một loạt các mô hình học máy khác nhau đã được đề xuất để giải
quyết bài toán nhận dạng thực thể như mô hình Entropy cực đại (Maximum Entropy
Model, MaxEnt Model) [BPP96], mô hình trường ngẫu nhiên điều kiện (Conditional
Random Field; CRF) [LMP01]. Bên cạnh sử dụng từng phương pháp riêng biệt để
giải quyết bài toán, các phương pháp kết hợp hoặc lai ghép các mô hình học máy
(ensemble models method) để đưa ra kết quả tốt hơn cũng là một hướng đi đạt được

hiệu quả cao, điển hình là nghiên cứu của Florian và cộng sự (2003) đã đạt được hiệu
quả tốt nhất (88,76) tại nhiệm vụ CONLL-2003 [FIJ03].

2Automatic content extraction (ACE) evaluation. />3 />
22


Sau khi các phương pháp học máy đạt được nhiều hiệu quả khả quan đối với
nhận dạng thực thể trong văn bản tiếng Anh thông thường, các nghiên cứu gần đây đi
theo hai hướng chính [AZ12]:
Hướng tiếp tục nâng cấp hiệu quả của phương pháp nhận dạng thực thể bằng
cách đưa thêm các thông tin được sinh ra từ một lượng lớn dữ liệu không có
nhãn, điển hình của hướng đi này là việc áp dụng các kỹ thuật học máy bán
giám sát (semi-supervised) và học máy sâu (deep learning). Ando và Zhang áp
dụng học máy bán giám sát sử dụng 27 triệu từ chưa gán nhãn để nâng cấp
chất lượng nhận dạng [AZ05], Ratinov và Roth cũng sử dụng bán giám sát với
dữ liệu từ Wikipedia kết hợp với các cụm từ vựng (word clusters) được sinh ra
bằng phương pháp gom cụm Brown [RR09]. Kết quả của hai nhóm đều đạt
cao hơn mô hình của Florian và cộng sự (2003) với các độ đo F1 tương ứng là
90,8 và 89,31. Collobert và cộng sự (2011) đưa ra một cách giải quyết khác
bằng việc sử dụng kỹ thuật học sâu với việc áp dụng mạng nơron nhiều tầng
để huấn luyện mô hình nhận dạng thực thể kết hợp với các thông tin hỗ trợ từ
852 triệu từ chưa được gán nhãn, kết quả trên độ đo F1 đạt được là 89,59 cũng
cao hơn mô hình cơ sở của Florian và cộng sự. Mặc dù kết quả tăng chưa cao
so với mô hình chuẩn tuy nhiên các nghiên cứu này tạo được sự quan tâm lớn
của cộng đồng nghiên cứu khi đưa ra một hướng đi mới cho việc tăng cường
ngữ nghĩa thông qua lượng dữ liệu lớn chưa có nhãn.
Một hướng đi khác của cộng đồng nghiên cứu là áp dụng các kỹ thuật học máy
đã có vào các dạng thực thể khó hơn trong các miền dữ liệu khác như dữ liệu y
sinh, địa lý, mạng xã hội,… hay một loại ngôn ngữ khác không nhiều tài

nguyên như tiếng Anh. Bên cạnh đấy việc nghiên cứu các kỹ thuật thích nghi
miền (domain adaptation) cũng được đặt ra khi các nhà nghiên cứu cố gắng áp
dụng những mô hình nhận dạng thực thể đã tốt cho một miền dữ liệu mới chưa
có dữ liệu gán nhãn. Một số nghiên cứu có thể kể đến như nghiên cứu của
Daume (2007) đánh giá việc thích nghi miền giữa một số tập

23