Nghiên cứu gán nhãn từ loại cho văn bản tiếng việt bằng phương pháp học máy không có hướng dẫn luận văn ths toán học 60 46 35

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
------



------

Trần Thu Trang

NGHIÊN CỨU GÁN NHÃN TỪ LOẠI CHO VĂN BẢN
TIẾNG VIỆT BẰNG PHƯƠNG PHÁP HỌC MÁY KHÔNG
CÓ HƯỚNG DẪN
Chuyên nghành: Bảo đảm toán học cho máy tính và hệ thống tính toán
Mã số: 60 46 35

TÓM TẮT LUẬN VĂN THẠC SĨ

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. NGUYỄN THỊ MINH HUYỀN

Hà Nội – Năm 2012

1


Mục lục
LỜI NÓI ĐẦU ..................................................................................................

Chƣơng1 - TỔNG QUAN..............

1.1Bài toán gán nhãn từ loại ..

1.2Tổng quan về cách tiếp cận

1.3Bài toán gán nhãn từ loại t

Chƣơng2 - CƠ SỞ TOÁN HỌC ...

2.1Định lý Bayes ...................
2.2Thuật toán cực đại hóa kỳ
2.3 Mô hình Markov ẩn ...........................................................................

2.4Phân cụm ..........................

2


2.5 Phân tích giá trị kỳ dị........................................................................ 27
Chƣơng 3 - MỘT SỐ PHƢƠNG PHÁP TIẾP CẬN KHÔNG CÓ HƢỚNG
DẪN CHO GÁN NHÃN TỪ LOẠI............................................................... 30
3.1 Gán nhãn sử dụng kỹ thuật Cực đại hóa kỳ vọng............................. 30
3.1.1 Huấn luyện mô hình Trigram.....................................................31
3.1.2 Kết quả thử nghiệm với tiếng Anh.............................................34
3.1.3 Các thí nghiệm cơ bản................................................................34
3.2 Gán nhãn từ loại bằng kỹ thuật phân cụm.........................................35
3.2.1 Suy luận gán nhãn......................................................................36
3.2.2 Suy luận dựa trên từ loại............................................................37
3.2.3 Suy luận dựa trên loại từ và ngữ cảnh........................................37
3.2.4 Suy luận dựa trên loại từ và ngữ cảnh, sử dụng các véc tơ ngữ
cảnh trái và phải tổng quát hoá............................................................... 38
3.2.5 Các kết quả.................................................................................39

3.3 Đề xuất phƣơng pháp không hƣớng dẫn cho bài toán gán nhãn từ loại

tiếng Việt..................................................................................................... 40
KẾT LUẬN.....................................................................................................48

3


LỜI CẢM ƠN
Em xin chân thành cảm ơn các thầy cô giáo trong khoa Toán–Cơ–Tin
học đã dạy dỗ và truyền đạt cho em rất nhiều kiến thức trong những năm học
vừa qua.
Đặc biệt em xin gửi lời cảm ơn tới TS. Nguyễn Thị Minh Huyền đã tận
tình chỉ bảo và truyền đạt những kiến thức chuyên ngành trong quá trình em
thực hiện luận văn này.
Cuối cùng em xin gửi những lời chúc tốt đẹp nhất tới các thầy cô giáo
trong khoa, cô Nguyễn Thị Minh Huyền, gia đình và bạn bè những ngƣời đã
ủng hộ em trong thời gian vừa qua.

4


LỜI NÓI ĐẦU
Một trong các vấn đề nền tảng của ngôn ngữ tự nhiên là việc phân loại
các từ thành các lớp từ loại dựa theo thực tiễn hoạt động ngôn ngữ. Mỗi từ
loại tƣơng ứng với một lớp từ giữ một vai trò ngữ pháp nhất định. Nói chung,
mỗi từ trong một ngôn ngữ có thể gắn với nhiều từ loại, và việc tự động
“hiểu” đúng nghĩa một từ phụ thuộc vào việc nó đƣợc xác định đúng từ loại
hay không. Công việc gán nhãn từ loại cho một văn bản là xác định từ loại
của mỗi từ trong phạm vi văn bản đó. Các công cụ gán nhãn (hay chú thích)

từ loại cho các từ trong một văn bản có thể thay đổi tuỳ theo quan niệm về
đơn vị từ vựng và thông tin ngôn ngữ cần khai thác trong các ứng dụng cụ thể.
Xác định từ loại chính xác cho các từ trong văn bản là vấn đề rất quan
trọng trong lĩnh vực xử lý ngôn ngữ tự nhiên. Công cụ gán nhãn từ loại có thể
đƣợc ứng dụng rộng rãi trong các hệ thống tìm kiếm thông tin, trong các ứng
dụng tổng hợp tiếng nói, các hệ thống nhận dạng tiếng nói cũng nhƣ trong các
hệ thống dịch máy. Công cụ này cũng hỗ trợ cho việc phân tích cú pháp các
văn bản, góp phần giải quyết tính đa nghĩa của từ, và trợ giúp các hệ hống rút
trích thông tin hƣớng đến ngữ nghĩa, v.v…
Vấn đề gán nhãn từ loại của nhiều ngôn ngữ đã đƣợc giải quyết tốt bằng
phƣơng pháp học máy có hƣớng dẫn, nghĩa là phải xây dựng một kho ngữ
liệu huấn luyện lớn và/hoặc xây dựng tập luật để nhận diện từ loại. Hiện nay,
bài toán gán nhãn từ loại tiếng Việt cũng đã đƣợc một số nhóm nghiên cứu và
giải giải quyết cũng chủ yếu bằng phƣơng pháp học máy có hƣớng dẫn,
nhƣng việc xây dựng tập huấn luyện còn gặp nhiều khó khăn vì bản thân các
nhà ngôn ngữ học vẫn còn chƣa thống nhất về tập từ loại tiếng Việt nên các
nhóm tự định nghĩa tập nhãn khác nhau, và các nhóm cũng tự xây dựng kho

5


dữ liệu đã gán nhãn và xây dựng tập luật khác nhau. Công việc này mất rất
nhiều thời gian, tiền của và công sức của các nhà nghiên cứu. Một cách tiếp
cận khác cho bài toán gán nhãn từ loại là sử dụng phƣơng pháp học máy
không có hƣớng dẫn để một mặt giải quyết vấn đề xác định bộ nhãn từ loại,
mặt khác tiết kiệm công sức xây dựng tập huấn luyện. Đề tài này nghiên cứu
một số phƣơng pháp gán nhãn từ loại không có hƣớng dẫn, trên cơ sở đó đƣa
ra một quy trình giải quyết bài toán gán nhãn từ loại tiếng Việt bằng cách tiếp
cận này.
Cấu trúc luận văn

Cấu trúc luận văn chia làm 3 chƣơng:
Chƣơng I: Tổng quan
Trong chƣơng này sẽ trình bày tổng quan về bài toán gán nhãn từ loại,
các tiếp cận để giải quyết bài toán gán nhãn từ loại, so sánh các tiếp cận.
Chƣơng này cũng trình bày hiện trạng cùng các phƣơng pháp đã đƣợc dùng
để giải quyết bài toán gán nhãn từ loại cho tiếng Việt, khó khăn chƣa khắc
phục đƣợc.
Chƣơng II: Cơ sở toán học
Chƣơng này sẽ trình bày các kiến thức toán học, các mô hình học máy
đƣợc sử dụng trong luận văn.
Chƣơng III: Cách tiếp cận không có hƣớng dẫn cho bài toán gán
nhãn từ loại
Chƣơng này sẽ trình bày một số phƣơng pháp học máy không có hƣớng
dẫn cho bài toán gán nhãn từ loại, để từ đó có thể xây dựng một quy trình giải
quyết bài toán gán nhãn từ loại tiếng Việt theo cách tiếp cận này.

6


Chƣơng 1 - TỔNG QUAN
1.1 Bài toán gán nhãn từ loại
Gán nhãn từ loại là việc xác định các chức năng ngữ pháp của từ trong
câu hay là quá trình gán từng từ trong đoạn văn bản với các đánh dấu từ loại
hoặc cấu trúc ngữ pháp. Đây là bƣớc cơ bản trƣớc khi phân tích cú pháp hay
các vấn đề xử lý ngôn ngữ phức tạp khác. Thông thƣờng, một từ có thể có
nhiều chức năng ngữ pháp, ví dụ: trong câu “con ngựa đá đá con ngựa đá”,
cùng một từ “đá” nhƣng từ thứ nhất và thứ ba giữ chức năng ngữ pháp là
danh từ, nhƣng từ thứ hai lại là động từ trong câu.
Gán nhãn từ loại là mức thấp nhất của phân tích ngữ nghĩa.
Xác định từ loại hỗ trợ cho việc phân tích cú pháp các văn bản, góp phần

giải quyết tính đa nghĩa của từ, và trợ giúp các hệ thống rút trích thông tin
hƣớng đến ngữ nghĩa, v.v.
Ví dụ1:
John/ NNP saw/ VBD the/ DT saw/NN and/CC decided/VBD to/TO
take/VB it/PRP to/IN the/DT table/N.
Ví dụ 2:
Loan/Np muốn/V đi/V du lịch/V Huế/Np.
Trong đó các nhãn NNP, Np, NN, N: danh từ. VBD, V: động từ. DT: từ
hạn đinh. IN, TO: giới từ.
1.2 Tổng quan về cách tiếp cận giải bài toán
1.2.1 Quá trình gán nhãn từ loại
Gán nhãn từ loại là một quá trình gồm 3 bƣớc xử lý:[2]
-

Bƣớc 1 (tiền xử lí): Phân tách xâu kí tự thành chuỗi các từ. Giai

đoạn này có thể phức tạp hay đơn giản tuỳ theo ngôn ngữ và từng

7


đơn vị từ vựng. Chẳng hạn với tiếng Anh và tiếng Pháp, việc phân
tách từ chủ yếu dựa vào ký tự trắng. Tuy nhiên vẫn có những cụm từ
ghép hay những cụm từ công cụ gây tranh cãi về cách xử lý. Trong
khi đó với tiếng Việt thì dấu trắng không phải là dấu hiệu để xác
định ranh giới các đơn vị từ vựng do tần số xuất hiện từ ghép là rất
cao.
-

Bƣớc 2: Gán nhãn tiên nghiệm, tức là tìm cho mỗi từ tập tất cả

các nhãn từ loại mà nó có thể có. Tập nhãn này có thể thu đƣợc từ
cơ sở dữ liệu từ điển hoặc từ kho văn bản đã gán nhãn bằng tay. Đối
với một từ mới chƣa xuất hiện trong cơ sở dữ liệu thì có thể sử dụng
một nhãn ngầm định hoặc gắn cho nó tập tất cả các nhãn. Trong các
ngôn ngữ biến đổi hình thái ngƣời ta cũng dựa vào hình thái từ để
đoán nhận lớp từ loại của từ đang xét.
-

Bƣớc 3: Quyết định kết quả gán nhãn. Giai đoạn loại bỏ nhập

nhằng, tức là lựa chọn cho mỗi từ một nhãn phù hợp nhất với ngữ
cảnh trong tập nhãn tiên nghiệm.
1.2.2 Ngữ liệu
Để thực hiện gán nhãn từ loại ta phải có kho ngữ liệu[2], chúng có thể là:
-

Từ điển và các văn phạm loại bỏ nhập nhằng.

-

Kho văn bản đã gán nhãn, có thể kèm theo các quy tắc ngữ

pháp xây dựng bằng tay.
-

Kho văn bản chƣa gán nhãn, có kèm theo các thông tin ngôn

ngữ nhƣ là tập từ loại và các thông tin mô tả quan hệ giữa từ loại và
hậu tố.

Kho văn bản chƣa gán nhãn, với tập từ loại cũng đƣợc xây
dựng tự
động nhờ các tính toán thống kê. Trong trƣờng hợp này khó có thể
dự đoán trƣớc về tập từ loại.

8


1.2.3 Các tiếp cận giải bài toán
Chúng ta có hai tiếp cận chính cho gán nhãn từ loại tự động:[19]
-

Tiếp cận có hƣớng dẫn.

-

Tiếp cận không hƣớng dẫn.

Bộ gán nhãn có hƣớng dẫn có đặc thù là dựa trên kho ngữ liệu đã đƣợc
gán nhãn cho việc tạo ra các công cụ đƣợc sử dụng cho quá trình gán nhãn.
Ví dụ nhƣ là Từ điển bộ gán nhãn, các tần suất từ/nhãn, các xác suất chuỗi
nhãn, tập các luật.
Các mô hình không hƣớng dẫn không yêu cầu kho ngữ liệu đã gán nhãn
nhƣng lại sử dụng các thuật toán tính toán phức tạp để tự động xây dựng các
nhóm từ (nghĩa là xây dựng các tập nhãn) và dựa trên các nhóm từ này để tính
toán các thông tin xác suất cần thiết cho các bộ gán nhãn thống kê hoặc để
xây dựng các luật ngữ cảnh cần thiết cho các hệ thống dựa trên luật.
Sự khác nhau giữa hai tiếp cận thể hiện trong bảng sau:
Không hƣớng dẫn
- Lựa chọn tập văn đã gán nhãn/tập

nhãn
- Tạo ra các từ điển sử dụng tập văn
đã gán nhãn
- Tính toán các công cụ khử nhập
nhằng, có thể bao gồm:
+ các tần suất từ
+ Các xác suất chuỗi nhãn.
+ Các thể hiện luật.
Tuy có nhiều sự khách nhau nhƣng chúng cũng có những điểm giống
nhau là:
-

Gán nhãn dữ liệu sử dụng thông tin từ điển đã xây dựng

9


-

Khử nhập nhằng bằng các tiếp cận dựa vào thống kê, dựa trên

luật hoặc lai các tiếp cận trên.
Vì việc khử khử nhập nhằng sử dụng các tiếp cận dựa trên luật hoặc dựa
trên thống kê hoặc lai các tiếp cận vậy tiếp theo ta sẽ tìm hiểu các tiếp cận nêu
trên.
1.2.5 Gán nhãn dựa trên luật
Bộ gán nhãn dựa trên luật sử dụng các luật đƣợc viết bằng tay để phân
biệt sự nhập nhằng nhãn, ràng buộc để loại ra các nhãn không phù hợp.
Gán nhãn dựa trên luật sử dụng từ điển để tìm các từ loại có thể cho các
từ, sử dụng các luật làm thành một nghĩa, ví dụ nhƣ là : det - X - n = X/adj

đặc biệt là hàng trăm ràng buộc có thể đƣợc thiết kế một cách thủ công.
Các tiếp cận gán nhãn dựa trên luật sử dụng thông tin ngữ cảnh để gán
các nhãn cho các từ chƣa biết hoặc các từ nhập nhằng. Các luật này thƣờng
đƣợc biết nhƣ các luật khung ngữ cảnh. Nhƣ một ví dụ, một luật khung ngữ
cảnh có thể nói một vài điều: Nếu một từ chƣa biết hoặc nhập nhằng X đứng
sau một từ hạn định và đứng đằng trƣớc một danh từ, nhãn của nó sẽ là một
tính từ.
Trong việc bổ sung cho thông tin ngữ cảnh, nhiều bộ gán nhãn sử dụng
thông tin hình thái học để thêm vào quy trình khử nhập nhằng. Ví dụ: Nếu
một từ nhập nhằng hoặc chƣa biết kết thúc với đuôi “ing” và đằng trƣớc là
một động từ thì nhãn của từ đó sẽ là một động từ. (phụ thuộc vào lý thuyết
ngữ pháp) V-W (ing) = W/Verb.
Vài hệ thống vƣợt quá việc sử dụng thông tin ngữ cảnh và hình thái bằng
việc xây dựng các luật gắn với các nhân tố nhƣ là sự viết bằng chữ hoa (có
thể xác định nhƣ một danh từ riêng) và hệ thống dấu chấm câu. Thông tin loại
này nhỏ hơn hoặc lớn hơn phụ thuộc vào ngôn ngữ đang đƣợc gán nhãn.

10


Các bộ gán nhãn dựa trên luật hầu hết yêu cầu huấn luyện có hƣớng dẫn,
nhƣng gần đây đã có rất nhiều quan tâm đến việc quy nạp tự động của các
luật. Một tiếp cận để xây dựng luật tự động là để chạy một văn bản chƣa gán
nhãn thông qua một bộ gán nhãn và xem cách nó thực hiện. Tiếp đó một
ngƣời sẽ duyệt lại đầu ra của bƣớc 1 này và sửa tất cả các từ bị gán nhãn sai.
Văn bản đã đƣợc gán nhãn đúng này sẽ đƣợc đƣa vào bộ gán nhãn để bộ gán
nhãn học quy tắc sửa lỗi bằng cách so sánh 2 tập dữ liệu.
1.2.6 Gán nhãn thống kê
Bộ gán nhãn thống kê đơn giản nhất giải quyết nhập nhằng các từ chỉ đặt
cơ sở vào xác suất mà một từ xuất hiện với một nhãn đặc biệt. Nói cách khác,

nhãn đƣợc gặp thƣờng xuyên nhất trong tập huấn luyện là nhãn đƣợc gán cho
một thể hiện không rõ ràng của từ đó. Vấn đề với tiếp cận này là trong khi nó
có thể mang lại một nhãn hợp lệ cho một từ đƣa ra, lại cũng có thể mang lại
chuỗi không hợp lệ các nhãn.
Một lựa chọn thay thế cho tiếp cận tần số từ là để tính toán xác suất của
một chuỗi đã cho của sự xuất hiện các nhãn. Điều này thỉnh thoảng gọi tắt là
tiếp cận N-gram, thể hiện rằng nhãn tốt nhất cho một từ đã cho đƣợc xác định
bởi xác suất mà nó xuất hiện với N nhãn trƣớc. Thuật toán phổ biến nhất thi
hành tiếp cận N-gram là thuật toán Viterbi. Một thuật toán tìm kiếm mà tránh
sự khai triển đa thức của một tìm kiếm theo chiều rộng bằng cách làm gọn cây
tìm kiếm ở mỗi cấp độ sử dụng các ƣớc lƣợng khả năng cực đại N tốt nhất
(Trong đó N là số nhãn của từ theo sau).
Mức độ phức tạp tiếp theo có thể đƣợc xây dựng vào trong một bộ gán
nhãn thống kê kết hợp hai tiếp cận trƣớc sử dụng các xác suất chuỗi nhãn và
các độ đo tần suất từ. Điều này đƣợc biết đến nhƣ là mô hình Markov ẩn. Các
giả thiết cơ bản cho mô hình này nhƣ sau:
Mỗi trạng thái nhãn đem lại một từ trong câu. Mỗi từ là

11


-

Không tƣơng quan với tất cả các từ khác và nhãn của chúng.

-

Xác suất chỉ phụ thuộc vào N nhãn đằng trƣớc.

Các bộ gán nhãn mô hình Markov ẩn và hiện có thể đƣợc thi hành sử

dụng thuật toán Viterbi, và là một trong số các thuật toán hiệu quả nhất. Mô
hình Markov ẩn (HMM) không thể đƣợc sử dụng trong một lƣợc đồ gán nhãn
tự động. Nó tin tƣởng và o các tính toán thống kê trên chuỗi đầu ra. HMM
không đƣợc huấn luyện một cách tự động. Giải pháp cho vấn đề này không có
khả năng đƣợc huấn luyện một cách tự động là sử dụng thuật toán BaumWelch, cũng nhƣ là thuật toán tiến-lùi (Forward –Backward). Thuật toán này
sử dụng từ hơn là thông tin nhãn cho sự lặp lại xây dựng một chuỗi để cải tiến
xác suất của dữ liệu huấn luyện.
Một trong những vấn đề còn lại cuả các tiếp cận là: Các từ chƣa biết nên
đƣợc xử lý nhƣ thế nào?
1.2.7 Các từ chƣa biết
Tất nhiên là các quy tắc trong các bộ gán nhãn dựa trên luật đƣợc trang
bị để giải quyết cho vấn đề này, nhƣng trong các mô hình thống kê là làm thế
nào để có thể tính toán xác suất mà một từ đã cho xuất hiện với một nhãn nếu
từ đó chƣa biết bộ gán nhãn? Có vài giải pháp tiềm năng cho vấn đề này: Một
trong những giải pháp sử dụng thông tin hình thái. Trong trƣờng hợp này, bộ
gán nhãn tính toán xác suất mà một hậu tố trên một từ chƣa biết xuất hiện với
một nhãn đặc biệt. Nếu một mô hình Markov ẩn đang đƣợc sử dụng, xác suất
mà một từ chứa đựng hậu tố mà xuất hiện với một nhãn đặc biệt trong chuỗi
đã cho đƣợc tính toán. Một giải pháp khác là gán một tập các nhãn mặc định
(các lớp mở đặc đặc biệt: Danh từ, tính từ, trạng từ, động từ..) cho các từ chƣa
biết và để giải quyết nhập nhằng sử dụng các xác suất mà các nhãn đó xuất
hiện tại cuối n-gram trong câu hỏi. Một xác suất khác là để tính toán xác suất
mà mỗi nhãn trong tập nhãn xuất hiện tại cuối n-gram và để lựa chọn đƣờng

12


dẫn với xác suất cao nhất. Đây không phải là giải pháp tối ƣu nếu mà làm
việc với một tập nhãn lớn.
1.3 Bài toán gán nhãn từ loại tiếng Việt

Đối với tiếng Anh, bài toán gán nhãn từ loại đã đƣợc giải quyết khá tốt,
còn hiện nay bài toán gán nhãn từ loại tiếng Việt cũng đã có rất nhiều nghiên
cứu, và phƣơng pháp khác nhau để giải quyết. Tuy nhiên với tiếng Việt thì
còn rất nhiều khó khăn, đặc biệt là bản thân việc phân loại từ tiếng Việt còn
rất nhiều tranh cãi, chƣa có một chuẩn mực thống nhất.
Qua khảo sát các nghiên cứu gần đây của tiếng Việt cho bài toán gán
nhãn từ loại [5], có thể thấy có hai dạng tập nhãn từ loại thƣờng đƣợc sử
dụng cho các công cụ gán nhãn từ loại tiếng Việt:
Dạng thứ nhất, xuất phát từ tập gồm 8 nhãn từ loại tiếng Việt thông
dụng đƣợc các nhà nghiên cứu ngôn ngữ học công nhận nhiều nhất (bao gồm:
danh từ, động từ, tính từ, đại từ, phụ từ, kết từ, trợ từ, cảm từ) để xây dựng tập
nhãn “mịn” hơn bằng cách phân nhỏ mỗi từ loại trên thành các tiểu từ loại.
Việc phân nhỏ này dựa trên nền tảng là các tiểu loại từ đƣợc nêu ra trong
cuốn Ngữ pháp tiếng Việt của Ủy ban khoa học xã hội Việt Nam, xuất bản
năm 1983, có bổ sung thêm một số nhãn từ loại để tránh trƣờng hợp một từ
mang cùng một lúc nhiều nhãn từ loại (chẳng hạn động từ ngoại động chỉ cảm
nghĩ hay động từ nội động chỉ cảm nghĩ). Tùy thuộc vào từng loại ứng dụng
xem cần thông tin cú pháp và từ vựng ở mức nào mà việc xây dựng, xác định
tập nhãn từ loại sẽ dừng ở mức thô hay mịn khác nhau.
Hiện nay, ở Việt Nam đã có một số tập nhãn từ loại đƣợc xây dựng, chủ
yếu ở mức thô, tiêu biểu có thể kể đến bộ nhãn VnPOStag của tác giả Trần Thị
Oanh gồm 14 nhãn [4], 01 nhãn không xác định và các nhãn ký hiệu đặc biệt
khác; bộ VietTreeBank gồm 16 nhãn và 01 nhãn cho từ không phân loại đƣợc,
… Bộ nhãn gồm nhiều nhãn nhất hiện nay đƣợc xây dựng bởi nhóm tác

13


giả Nguyễn Thị Minh Huyền sử dụng cho công cụ VnQtag [2] gồm 48 nhãn
và 01 nhãn không xác định.

Dạng thứ hai, tập nhãn tiếng Việt đƣợc xây dựng thông qua việc xây
dựng kho ngữ liệu song ngữ Anh-Việt mà trong đó các câu tiếng Việt đã đƣợc
gán nhãn từ loại chính xác nhờ kết quả liên kết từ Anh-Việt và phép chiếu từ
loại từ Anh sang Việt.
Tiêu biểu cho dạng tập nhãn từ loại này là tập nhãn đƣợc sử dụng trong
nghiên cứu “Gán nhãn từ loại tự động cho Tiếng Việt” [11] của nhóm tác giả
Đinh Điền, tập nhãn này đƣợc xây dựng bằng cách quy chiếu từ tập nhãn
tiếng Anh là Brown Corpus.
Nhƣ vậy, có thể thấy rằng bài toán gán nhãn từ loại cho tiếng Việt đang
ngày càng đƣợc quan tâm nghiên cứu. Tuy nhiên đây vẫn là hƣớng nghiên
cứu đầy tiềm năng và cũng đầy thử thách, cùng với đó là việc các nghiên cứu
đã có hầu hết vẫn còn mang tính cá thể, chƣa có đƣợc sự đối chiếu so sánh
khách quan, và sự thống nhất về bộ nhãn giữa các nhà ngôn ngữ, đồng thời
cũng chƣa xây dựng đƣợc bộ nhãn đủ lớn để bài toán gán nhãn tiếng Việt có
thể đạt độ chính xác rất cao. Luận văn này sẽ tập trung vào việc nghiên cứu
một số phƣơng pháp học máy không có hƣớng dẫn đƣợc sử dụng thành công
cho các ngôn ngữ khác để có thể tìm ra phƣơng pháp giải quyết đƣợc khó
khăn về việc xác định từ loại của bài toán gán nhãn tiếng Việt.
Ở

chƣơng này chúng ta đã tìm hiểu tổng quan về gán nhãn từ loại cùng

hiện trạng khó khăn của bài toán gán nhãn từ loại tiếng Việt. Tiếp theo chúng
ta sẽ tìm hiểu cơ sở toán học để giải quyết bài toán đó bằng phƣơng pháp học
máy không có hƣớng dẫn.

14


Chƣơng 2 - CƠ SỞ TOÁN HỌC

Ở

chƣơng này chúng ta sẽ nhắc lại một số kiến thức cơ sở phục vụ cho

các công cụ giải quyết bài toán gán nhãn từ loại bằng phƣơng pháp học máy
không có hƣớng dẫn. Đây là các kiến thức liên quan đến xác suất (định lý
Bayes), mô hình học máy (mô hình Markov ẩn, mô hình N-gram, thuật toán
cực đại hóa kì vọng tìm nghiệm tối ƣu cho mô hình học máy, bài toán phân
cụm), phƣơng pháp phân tích giá trị kì dị phục vụ việc giảm số chiều dữ liệu
trong tính toán véc tơ.
2.1 Định lý Bayes
Định lý Bayes cho phép tính xác suất xảy ra của một sự kiện ngẫu nhiên
A khi biết sự kiện liên quan B đã xảy ra. Xác suất này đƣợc ký hiệu là P(A|
B), và đọc là "xác suất của A nếu có B". Đại lƣợng này đƣợc gọi xác suất có
điều kiện hay xác suất hậu nghiệm vì nó đƣợc rút ra từ giá trị đƣợc cho của
B hoặc phụ thuộc vào giá trị đó.
Theo định lí Bayes, xác suất xảy ra A khi biết B sẽ phụ thuộc vào 3 yếu tố:


Xác suất xảy ra A của riêng nó, không quan tâm đến B. Kí

hiệu là P(A) và đọc là xác suất của A. Đây đƣợc gọi là xác suất
biên duyên hay xác suất tiên nghiệm, nó là "tiên nghiệm" theo
nghĩa rằng nó không quan tâm đến bất kỳ thông tin nào về B.


Xác suất xảy ra B của riêng nó, không quan tâm đến A. Kí hiệu

là P(B) và đọc là "xác suất của B". Đại lƣợng này còn gọi là hằng
số chuẩn hóa (normalising constant), vì nó luôn giống nhau,

không phụ thuộc vào sự kiện A đang muốn biết.

15


 Xác suất xảy ra B khi biết A xảy ra. Kí hiệu là P(B|A) và đọc là
"xác suất của B nếu có A". Đại lƣợng này gọi là khả năng
(likelihood) xảy ra B khi biết A đã xảy ra. Chú ý không nhầm lẫn
giữa khả năng xảy ra A khi biết B và xác suất xảy ra A khi biết B.

Khi biết ba đại lƣợng này, xác suất của A khi biết B cho bởi công thức:
P(A| B) 

Từ đó dẫn tới
P(A | B)P(B)  P(A  B)  P(B | A)P(A)

2.2 Thuật toán cực đại hóa kỳ vọng (EM)
Thuật toán EM (Expectation Maximization) nhằm tìm ra sự ƣớc lƣợng
về khả năng lớn nhất của các tham số trong mô hình xác suất (các mô hình
phụ thuộc vào các biến ẩn chƣa đƣợc quan sát), nó đƣợc xem nhƣ thuật toán
dựa trên mô hình.
Sau bƣớc khởi tạo, thuật toán đƣợc chia làm hai bƣớc xử lý: Đánh giá
dữ liệu chƣa đƣợc gán nhãn (bƣớc E) và đánh giá các tham số của mô hình,
khả năng lớn nhất có thể xảy ra (bƣớc M)
Bƣớc E:Tính toán các giá trị dự kiến của các biến chƣa biết dựa trên
các ƣớc lƣợng tham số hiện thời.
Pwj | xk , t 

Bƣớc M: Tính toán lại các giá trị tham số nhƣ một ƣớc lƣợng khả năng
cực đại cho trƣớc giá trị của các biến chƣa biết đƣợc tính toán trong bƣớc E.

P w|x,



x

 


k

i

k

t

k

i(t 1)

Pi (t 1)

P w |x ,
 k  i k t 
R

16

Lặp lại bƣớc E và bƣớc M cho đến khi đạt đƣợc kết quả.
2.3 Mô hình Markov ẩn
Mô hình Markov ẩn (tiếng Anh là Hidden Markov Model - HMM) là mô
hình thống kê trong đó hệ thống đƣợc mô hình hóa đƣợc cho là một quá trình
Markov với các tham số không biết trƣớc và nhiệm vụ là xác định các tham
số ẩn từ các tham số quan sát đƣợc, dựa trên sự thừa nhận này. Các tham số
của mô hình đƣợc rút ra sau đó có thể sử dụng để thực hiện các phân tích kế
tiếp, ví dụ cho các ứng dụng nhận dạng mẫu.
Trong một mô hình Markov điển hình, trạng thái đƣợc quan sát trực tiếp
bởi ngƣời quan sát, và vì vậy các xác suất chuyển tiếp trạng thái là các tham
số duy nhất. Mô hình Markov ẩn thêm vào các đầu ra: mỗi trạng thái có xác
suất phân bổ trên các biểu hiện đầu ra có thể. Vì vậy, nhìn vào dãy của các
biểu hiện đƣợc sinh ra bởi HMM không trực tiếp chỉ ra dãy các trạng thái.
Các chuyển tiếp trạng thái trong mô hình markov.

Hình 2.3 Minh họa hoạt động của mô hình Markov ẩn
Trong đó:
xi: 1 trạng thái trong mô hình markov

17


aij = p(xj|xi): xác suất để trạng thái xj xuất hiện sau trạng thái xi
bi(oj) = p(oj|i): xác suất quan sát đƣợc oj tại trạng thái ti
oi: dữ liệu quan sát đƣợc
2.3.1 Ba bài toán cơ bản của HMM
2.3.1.1 Bài toán 1

Cung cấp cho mô hình các tham số, tính xác suất của dãy đầu ra cụ thể.
Giải bằng thuật toán tiến-lùi. Nghĩa là Cho chuỗi quan sát O = {o 1,o2,...,oT}

và mô hình λ = {A, B}, ta phải tính xác suất có điều kiện P(O|λ) của chuỗi
quan sát.
Xác suất P(O/λ) =?
Để tính đƣợc xác suất này ta sử dụng thuật toán tiến hoặc thuật toán lùi
[12].
Xác suất tiến αt(i): Xác suất ở trạng thái si, cho trƣớc sự quan sát một
phần o1,…,ot.




t

(i)  P(o1 ...ot ,qt  si | )





( j)  Nt 1 (i)aij bj (ot )
 i1
t

Thuật toán tiến:

18


- Khởi tạo: 1 (i)  ibi (o1 )1  i  N



- Xây dựng: t ( j)  N t 1 (i)aij bj (ot )2  t  T ,1  j 
N
 i1
N

- Kết thúc: P(O | )  T (i)
i1

Xác suất lùi βt(j): Xác suất ở trạng thái si, cho trƣớc sự quan sát một
phần ot+1,…,oT.
 t (i)  P(ot1...oT | qt  si , )

t

(i) 

N


a b

ij j

 j1

t

(i)



a b (o
ij

j

t 1

)

t 1

- Kết thúc: P(O | )  i 1 (i) .
N
i1

19


2.3.1.2 Bài toán 2

Cung cấp cho mô hình các tham số, tìm dãy các trạng thái (ẩn) có khả
năng lớn nhất mà có thể sinh ra dãy đầu ra đã cung cấp. Nghĩa là cho chuỗi
quan sát O={o1,o2,...,oT} và mô hình λ = {A, B} ta phải tìm chuỗi trạng thái
ẩn Q={q1, q2..,qT} sao cho xác suất có điểu kiện P(O|λ) là cực đại.
Q

 arg max P(Q'| O, )
Q'

Để giải quyết bài toán này ta sử dụng thuật toán viterbi:
Khởi tạo: 1 (i)  i bj (o1 )1  i  N
Xây dựng: t ( j) 

1iN

max 

t 1





(i)aij bj (ot )



 t ( j)  arg max t 1 (i)aij  2  t  T ,1  j  N
1iN

Kết thúc: p*  max 
1iN

Đọc đƣờng dẫn ra: q*   (q* )t  T 1,...,1
t

t 1

t 1

2.3.1.3 Bài toán 3

Cung cấp dãy đầu ra, tìm tập hợp có khả năng nhất của chuyển tiếp trạng
thái và các xác suất đầu ra. Nghĩa là cho chuỗi quan sát O = {o1,o2,...,oT} và
mô hình λ = {A, B}, ta phải đánh giá lại các thông số của mô hình sao cho
xác suất có điểu kiện P(O|λ) là cực đại. tức là tìm '  arg max P(O | )


Để giải quyết bài toán này chúng ta sử dụng thuật toán forwardbackward hoặc Baum-Welch.
Thuật toán tiến-lùi (forward-backward) là trƣờng hợp đặc biệt của
Expectation-Maximization (viết tắt là: thuật toán EM). Thuật toán có thể tính
toán ƣớc lƣợng khả năng cực đại và ƣớc lƣợng mode hậu nghiệm của các
tham số (xác suất đầu ra và xác suất chuyển tiếp) của một HMM khi chỉ cho
trƣớc đầu ra nhƣ dữ liệu huấn luyện.


20


Ý

tƣởng thuật toán tiến-lùi.
1.
Bắt đầu với 1 mô hình λ bất kỳ, tính toán P(O huấn
luyện/ λ).

2.

Đoán ra các chuyển tiếp trạng thái và đầu ra đƣợc sử dụng nhiều

nhất trong tính toán P(O/λ).
3.

Tăng xác suất của chúng, mà sẽ mang lại 1 mô hình mới với 1

xác suất P(O/λ) cao hơn.
4.

Lặp lại cho đến khi 1 giá trị cực đại đạt đƣợc.

Thuật toán:
Ba tham số cần đƣợc ƣớc lƣợng lại:
- Phân phối trạng thái ban đầu: i
- Xác suất chuyển tiếp: ai,j
- Xác suất đầu ra: bi(ot)
Ƣớc lƣợng xác suất chuyển tiếp
Định nghĩa: t (i, j)  P(qt  si ,qt1  s j | O, ) là xác suất chuyển tiếp từ
trạng thái i sang trạng thái j tại thời điểm t cho trƣớc mô hình hiện tại và các
tham số.

t (i, j) 


21


Bằng trực quan ta có công thức ƣớc lƣợng lại xác suất chuyển tiếp là:
Số dự kiến chuyển tiếp

aˆ



i, j

dự kiến chuyển tiếp từ t
T 1

t (i, j)
t 1



aˆ
i,j

T1 N

t (i, j' )
t 1 j '1

Định nghĩa: là xác suất chuyển tiếp từ trạng thái si trong O.

Ta có thể tính đƣợc: aˆ
t 1

Ƣớc lƣợng xác suất trạng thái ban đầu:
Phân phối trạng thái ban đầu

trạng thái bắt đầu.


i

là xác suất mà si là một

- Ta có thể ƣớc lƣợng lại một cách dễ dàng:
Ƣớc lƣợng xác suất đầu ra

ˆ   (i)
i

1

Xác suất đầu ra đƣợc ƣớc lƣợng lại nhƣ sau:
ˆ



Số lần dự kiến trong trạng thái s và ký tự quan sát V / số lần dự

bi (k)

i

k

kiến tại trạng thái si.
T

ˆ

 (ot ,vk ) t (i)

b (k )  t 1
i

T

 t (i)
t

1

Trong đó δ(ot,vk) = 1 nếu ot = vk. và = 0 nễu ngƣợc lại.
Mô hình đã đƣợc cập nhật
ˆ

ˆ

ˆ

Xuất phát từ   ( A, B, ) . Chúng ta tạo đƣợc mô hình '  ( A, B, ) theo
các luật cập nhật sau:


22
T 1

t (i, j)

t 1

 

aˆ

T 1

i,j

 t (i)
t

1

,

ˆ
b

(k ) 

i

t 1

2.2.2 Mô hình n-gram
Mô hình n-gram là một mô hình sử dụng n-1 từ đằng trƣớc đó để dự

đoán từ tiếp theo. Tính toán xác suất của từ tiếp theo sẽ là số lƣợng của các từ
có liên quan chặt chẽ với nhau để tính xác suất của dãy các từ. Mô hình ngram là mô hình Markov bậc n-1.
Mô hình trigram là mô hình Markov bậc 2
P W1N | T1N PT1N  iN1Pwi | ti Pti | ti2 ,ti1 
i1

Chuối nhãn thích hợp nhất t1,....tN đƣợc chọn để cực đại công thức trên.
t0, t-1, và tn+1 là các dấu bắt đầu và kết thúc chuỗi.
Xác suất đƣợc ƣớc lƣợng từ việc đếm tần suất quan hệ (khả năng cực
đại), ví dụ:
Phƣơng pháp ƣớc lƣợng khả năng cực đại cho nhiều xác suất 0 trong
các kết quả trigrams. Để tránh có các xác suất bằng 0 này, ngƣời ta cần sử
dụng thuật toán làm mịn bằng phƣơng pháp nội suy:
Pt3 ,| t1 ,t2  3 Pt3 | t1 ,t2

321

Các hệ số 
2.4 Phân cụm
2.4.1 Khái niệm phân cụm
Phân cụm (clustering) làm việc phân chia các đối tƣợng vào các nhóm,
sao cho các đối tƣợng thuộc cùng một nhóm có độ tƣơng tự cao hơn các đối