Nghiên cứu việc xây dựng chuẩn hóa và khai thác kho ngữ liệu từ nguồn internet cho xử lý tiếng việt (tt)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG
----------------------------------

PHAN THỊ HÀ

NGHIÊN CỨU VIỆC XÂY DỰNG, CHUẨN HÓA VÀ
KHAI THÁC KHO NGỮ LIỆU TỪ NGUỒN INTERNET
CHO XỬ LÝ TIẾNG VIỆT
Chuyên ngành: Hệ thống Thơng tin
Mã số: 62.48.01.04

TĨM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

Hà nội - 2013


Luận án được hồn thành tại:
HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG

Người hướng dẫn khoa học:
1.

PGS. TS. TRẦN HỒNG QUÂN

2.

TS. NGUYỄN THỊ MINH HUYỀN

Phản biện 1: PGS.TS Huỳnh Quyết Thắng
Phản biện 2: PGS.TS Lương Chi Mai
Phản biện 3: PGS. TS Lê Anh Cường

Luận án được bảo vệ trước hội đồng chấm luận án cấp Học viện họp
tại: Học viện Cơng ngệ Bưu chính Viễn thong, 122 Hồng Quốc
Việt, Hà nội.
Vào hồi 9 giờ 00

ngày 14

tháng 12 năm 2013

Có thể tìm hiểu luận án tại thư viện: Học viện Cơng nghệ BCVT và
thư viện Quốc Gia


DANH MỤC CÁC CƠNG TRÌNH
[1] Phan Thị Hà, Nguyễn Thị Minh Huyền, Lê Hồng Phương, Lưu
Văn Tăng, Xây dựng sơ đồ mã hóa và cơng cụ trợ giúp gán nhãn
tiếng Việt, Proceedings of ICT.rda'08. Hanoi Aug. 8-9, 2008.
[2] Lê .H.Phương, Ng.T.M. Huyền, Nguyễn Phương Thái, Phan thị
Hà, Trích rút tự động văn phạm LTAG cho tiếng Việt , Tạp chí
Tin học và Điều khiển học, Tập 26 số 2, 2010.
[3] Phan Thị Hà, Nguyễn Thị Minh Huyền, Rút trích tự động văn
phạm CFG từ VietTreebank cho phân tích câu tiếng Việt, Tạp
chí Khoa học Cơng nghệ các trường đại học, Số 80, 2011.
[4] Phan Thị Hà, Nguyễn Thị Minh Huyền, Lê Hồng Phương, Adam
Kilgarriff, Siva Reddy, Nghiên cứu từ vựng tiếng Việt với hệ
thống Sketch Engine, Tạp chí Tin học Và Điều khiển học, Tập 27
số 3, 2011.
[5] Phan Thị Hà, Trịnh thị Vân Anh, Một số vấn đề trong phân tích
tự động cú pháp tiếng Việt, Hội thảo Khoa học công nghệ, Học

viện CNBCVT, Hà nội. 16-9, 2011.
[6] Phan Thị Hà, Hà Hải Nam, Automatic main text extraction from
web pages, Tạp chí Khoa học và Cơng nghệ, Viện Khoa Học
Việt Nam, Tập 51, Số 1, 2013.



1
PHẦN MỞ ĐẦU
Những năm gần đây, xử lí ngơn ngữ tự nhiên đã trở thành một lĩnh
vực khoa học công nghệ được coi là mũi nhọn, với một loạt ứng
dụng liên quan đến Internet và Web, như tìm kiếm và trích chọn
thơng tin trên Web, khai phá văn bản, v.v. Vấn đề phân tích và hiểu
tự động văn bản là một vấn đề lớn và phức tạp trong việc hiểu ngơn
ngữ tự nhiên, được tích hợp trong hầu hết các ứng dụng xử lí văn bản
tự động. Q trình này thường được chia thành các mức cơ bản: mức
ngữ âm; mức hình thái; mức cú pháp; mức ngữ nghĩa, mức ngữ dụng
và mức diễn ngôn. Để giải quyết các vấn đề trên, nhiều kho ngữ liệu
lớn đã được ra đời phục vụ cho việc huấn luyện các mơ hình xử lý
ngôn ngữ. Hiện nay khi dữ liệu trên Internet rất nhiều thì các mơ
hình thống kê dựa trên dữ liệu đã cho thấy tính vượt trội so với cách
tiếp cận dựa trên luật. Hiện tại, các kho ngữ liệu lớn phục vụ cho
tiếng Việt cịn hiếm. Vì vậy việc xây dựng, chuẩn hóa và khai thác
kho ngữ liệu từ nguồn Internet cho xử lý tiếng Việt là rất cần thiết.
Mục tiêu. Xây dựng, chuẩn hóa và khai thác kho ngữ liệu tiếng Việt:
- Xây dựng kho ngữ liệu thơ có kích thước lớn (hàng GB) từ
Internet.
- Xây dựng chuẩn hóa mơ hình chú giải tiếng Việt.
- Khai thác kho ngữ liệu thô cho nghiên cứu từ vựng.
- Khai thác kho ngữ liệu đã chú giải cú pháp phục vụ bài tốn

phân tích cú pháp tiếng Việt.
Phạm vi nghiên cứu của luận án. Để đạt được mục đích trên, phạm
vi nghiên cứu của luận án tập trung vào mức hình thái và mức cú
pháp, cụ thể là:
- Nghiên cứu về phương pháp và thuật tốn xây dựng kho ngữ
liệu thơ tiếng Việt từ Internet.
- Nghiên cứu xây dựng và triển khai một số chuẩn hóa mơ hình
chú giải được phát triển bởi tiểu ban kỹ thuật ISO/TC 37/SC 4
cho tiếng Việt phục vụ việc phân phối và trao đổi ngữ liệu.
- Khai thác kho ngữ liệu thô và xây dựng bộ quan hệ ngữ pháp cơ


2

- Nghiên cứu và phát triển thuật tốn trích rút tự động các luật văn
phạm từ kho ngữ liệu đã chú giải cú pháp phục vụ cho phân tích
cú pháp sử dụng hệ hình thức văn phạm phi ngữ cảnh kết hợp
xác suất (PCFG) và văn phạm kết nối cây (TAG). Nghiên cứu
xây dựng cơng cụ phân tích cú pháp tự động cho tiếng Việt.
Bố cục của luận án: Luận án được chia thành năm chương: Chương
1. Tổng quan về kho ngữ liệu; Chương 2. Xây dựng kho ngữ liệu thơ
từ Internet; Chương 3. Chuẩn hóa mơ hình chú giải tiếng Việt;
Chương 4. Khai thác kho ngữ liệu thô cho nghiên cứu từ vựng tiếng
Việt; Chương 5. Khai thác kho ngữ liệu có chú giải cho phân tích cú
pháp tiếng Việt; Cuối cùng là phần kết luận của luận án.
CHƯƠNG 1. TỔNG QUAN VỀ KHO NGỮ LIỆU
1.1 Kho ngữ liệu văn bản
Kho ngữ liệu là một tập hợp lớn các văn bản.Thơng tin ngơn ngữ
trong đó là cơ sở tri thức ngơn ngữ học, được sử dụng trong việc
phân tích thống kê và kiểm tra các giả thiết ngôn ngữ, kiểm tra sự

xuất hiện hoặc xác nhận các quy tắc trong mỗi ngơn ngữ. Kho ngữ
liệu có thể chứa các văn bản của một ngôn ngữ (kho ngữ liệu đơn
ngữ) hoặc chứa các văn bản của nhiều ngôn ngữ (kho ngữ liệu đa
ngữ). Các văn bản trong đó có thể cịn ở dạng thơ- chưa được tách từ
và chú giải ngôn ngữ hoặc đã được tách từ, chú giải ngôn ngữ (mức
từ loại, mức cú pháp). Các kho ngữ liệu chú giải ở mức cú pháp còn
được gọi là ngân hàng cây cú pháp (treebank). Kho ngữ liệu có thể
thu thập từ nhiều nguồn tạp chí, sách báo, báo điển tử, sách giáo
khoa, Ineternet thông qua các trang web.
1.2 Xây dựng kho ngữ liệu văn bản
Qua khảo sát một số kho ngữ liệu lớn có chú giải trên thế giới cho
thấy việc xây dựng các kho ngữ liệu được thực hiện thơng qua hai
phương pháp chính:


3
Thứ nhất: Thủ công hoặc bán thủ công, thực hiện qua hai bước
chính: Bước 1.Thu thập kho văn bản thơ: Nguồn gốc thu thập dữ liệu
từ tạp chí, sách báo, báo điển tử, sách giáo khoa... Bước 2. Chú giải
ngôn ngữ: Cơng việc này có thể thực hiện thủ cơng hoặc sử dụng các
công cụ đã tồn tại.
Thứ hai. Xây dựng tự động từ Internet, thực hiện qua 5 bước
chính: Bước 1.Lựa chọn một danh sách các từ hạt giống có tần suất
xuất hiện trung bình. Bước 2.Thu thập dữ liệu từ Web bằng cách sử
dụng các từ hạt giống để tạo ra truy vấn thơng qua các cổng tìm
kiếm như Yahoo và Google và tải các trang kết quả về. Bước 3.Làm
sạch văn bản, loại bỏ các thông tin quảng cáo và các thông tin nhiễu
khác. Bước 4.Loại bỏ các văn bản trùng lặp. Bước 5.Chú giải ngôn
ngữ và chuẩn hóa.
1.3 Chuẩn hố kho ngữ liệu

Vấn đề chuẩn hố mơ hình chú giải kho ngữ liệu là vấn đề quan
trọng, nhằm mở rộng đến mức tối đa phạm vi sử dụng và khai thác
tài nguyên đặc biệt là trên máy tính, đây chính là vấn đề đang được
quan tâm bởi tiểu ban kĩ thuật ISO/TC 37/SC 4. Một số mơ hình chú
giải kho ngữ liệu được phát triển bởi tiểu ban kĩ thuật ISO/TC 37/SC
4 như như mơ hình chú giải hình thái cú pháp (MAF Morphosyntactic Annotation Framework), mơ hình chú giải cú pháp
(SynAF - Syntactic Annotation Framework), mơ hình chú giải ngơn
ngữ (LAF - Linguistic Annotation Framework), mơ hình chú giải ngữ
nghĩa (SemAF – Semantic Annotation Framework).
1.4 Khai thác kho ngữ liệu
Kho ngữ liệu là nguồn tài nguyên quan trọng trong việc nghiên cứu
và xử lý ngôn ngữ tự nhiên. Với kho ngữ liệu văn bản, đã được tách
từ hoặc là kho ngữ liệu đã được chú giải ở các mức cú pháp, có thể
khai thác làm dữ liệu huấn luyện và dữ liệu đánh giá cho cho các mơ
hình và cơng cụ học máy phục vụ cho xử lý ngôn ngữ, khai thác cho
các văn phạm phục vụ cho việc phân tích cú pháp và có thể khai thác
cho việc xây dựng từ điển (đơn ngữ, đa ngữ), dịch tự động..v.v.


4
1.5 Xây dựng, chuẩn hóa và khai thác kho ngữ liệu tiếng Việt
Xây dựng: Nghiên cứu từ vựng đòi hỏi xây dựng kho ngữ liệu có
kích thước càng lớn càng tốt. Ý tưởng chủ đạo của phương pháp xây
dựng kho ngữ liệu là thu thập tự động kho ngữ liệu văn bản từ
Internet thông qua địa chỉ các trang web (URL). Phương pháp sử
dụng ở đây về cơ bản giống như phương pháp đã được sử dụng cho
tiếng Anh và một số ngôn ngữ phổ biến khác, được chi thành 5 bước
chính như trên.
Vấn đề quan trọng cần làm là lập danh sách từ hạt giống cho từng
ngơn ngữ.Trong đó, để phù hợp với trang web tiếng Việt, thuật toán

từng bước đã được phát triển và lựa chọn, đặc biệt thuật tốn trích rút
tự động nội dung văn bản trang web đã được cải tiến nhằm giảm
thiểu những dữ liệu nhiễu khơng phải nội dung văn bản cần lấy.
Chuẩn hố kho ngữ liệu: Hiện nay, các mơ hình chú giải ngôn
ngữ MAF, SynNaf, LAF chưa được nghiên cứu biểu diễn cho tiếng
Việt. Trong luận án đưa ra mơ hình MAF để biểu diễn chú giải hình
thái cú pháp của các từ và mơ hình SynNaf để biểu diễn chú giải cây
cú pháp của các câu cho tiếng Việt.
Khai thác kho ngữ liệu: Trong luận án tác giả đi sâu vào khai thác
kho ngữ liệu cho nghiên cứu từ vựng và phân tích cú pháp tiếng Việt:
- Luận án lựa chọn nghiên cứu hệ thống truy vấn kho ngữ liệu
Sketch Engine phục vụ cho việc nghiên cứu từ vựng, bởi hai lý do;
Thứ nhất: Skech Engine - Hệ thống truy vấn kho ngữ liệu cho phép
người sử dụng xem xét ngữ cảnh theo quan hệ ngữ pháp và cung cấp
thống kê về tần suất xuất hiện các từ theo mỗi quan hệ ngữ pháp, tra
cứu các từ đồng và phản nghĩa, so sánh thông tin của hai từ tương tự
nha v.v. Hệ thống đã được sử dụng cho nhiều ngôn ngữ khác nhau
nhưng chưa được sử dụng cho tiếng Việt. Thứ 2: Đối với tiếng Việt,
các nhà làm từ điển hiện nay thường mới chỉ có cơng cụ để tra cứu
ngữ cảnh của một từ trong kho ngữ liệu, chưa có các thống kê tự
động để so sánh, chọn lọc các ngữ cảnh. Việc sử dụng một bộ công


5
cụ như hệ thống Sketch Engine sẽ là rất hữu ích, giúp cải thiện quy
mô và chất lượng từ điển
- Mọi bộ phân tích cú pháp đều cần một bộ luật cú pháp, hay còn
gọi là văn phạm, được biểu diễn bởi một hệ văn phạm hình thức cụ
thể nào đó. Đối với tiếng Việt, với dự án KC01.01/06-10 đã tồn tại
một số kho ngữ liệu tiếng Việt như ngân hàng câu chú giải cú pháp

(VietTreeBank), từ điển điện tử…Trong luận án đã đi sâu vào nghiên
cứu và xây dựng thuật tốn trích rút tự động văn phạm phi ngữ cảnh
(CFG) và văn phạm kết nối cây (TAG) từ VietTreebank và từ điển
cho tiếng Việt bởi lý do sau: Thứ nhất, từ điển và VietTreebank có
một cơ sở ngơn ngữ học vững chắc, nó bao gồm lý thuyết văn phạm
cảm sinh được khởi xướng bởi Chomsky và lý thuyết ngữ pháp chức
năng. Đây là những lý thuyết có ảnh hưởng lớn trong cả nghiên cứu
ngôn ngữ học lẫn ngôn ngữ học tính tốn. Trong tiếng Việt, sự ảnh
hưởng này được thể hiện điển hình qua các nghiên cứu của Vũ Dũng
và Cao Xuân Hạo. Thứ hai, văn phạm CFG là văn phạm tiêu biểu
được sử dụng trong bài toán phân tích cú pháp thành phần lần đầu
tiên đã được đề xuất bởi Chomsky. Đây chính là văn phạm đơn giản,
làm nền tảng đặc trưng cho cú pháp thành phần.Thứ ba, văn phạm
TAG - lớp văn phạm cảm ngữ cảnh yếu, tức là có khả năng sinh
mạnh hơn các văn phạm phi ngữ cảnh, trong khi độ phức tạp thời
gian của bộ phân tích cú pháp TAG vẫn là đa thức (O(n6)). Văn
phạm hình thức LTAG rất phù hợp với các ứng dụng ngôn ngữ học.
Khả năng chuyển đổi một văn phạm LTAG sang các hệ hình thức
văn phạm hợp nhất khác như LFG (Lexical Functional Grammar)
hay HPSG (Head-driven Phrase Structure Grammar) đã được chứng
minh.
1.6 Kết luận
Chương này trình bày tổng quan về kho ngữ liệu, một số kho ngữ
liệu tiêu biểu trên thế giới, nghiên cứu việc xây dựng và khai thác
kho ngữ liệu chuẩn, mơ hình chuẩn hóa kho ngữ liệu theo tiêu chí
của tiểu ban kỹ thuật ISO/TC 37/SC 4. Trên cơ sở đó xác định mục


6
tiêu cho việc xây dựng và khai thác kho ngữ liệu từ Internet cho

tiếng Việt
2. CHƯƠNG 2. XÂY DỰNG KHO NGỮ LIỆU THƠ TỪ
INTERNET
2.1 Giới thiệu
Chương này trình phương pháp xây dựng kho ngữ liệu thô tiếng
Việt từ Internet, phương pháp sử dụng được phát triển từ phương
pháp xây dựng cho tiếng Anh và một số tiếng phổ biến khác.
2.2 Xây dựng kho ngữ liệu thô
Phương pháp thu thập kho ngữ liệu sử dụng ở đây được dựa trên
phương pháp của Aidan Finn và A.Kilgarriff, nhưng thuật toán thu
thập kho ngữ liệu chi tiết từng bước đã được lựa chọn và phát triển
để phù hợp phù hợp với tiếng Việt. Về cơ bản, quá trình thu thập kho
ngữ liệu từ Internet được phát triển trong 5 bước đã giới thiệu ở mục
1.5.
2.2.1 Lựa chọn danh sách từ hạt giống
Từ hạt giống đóng vai trị là từ khóa tìm kiếm trong việc thu thập
kho ngữ liệu văn bản của mỗi ngôn ngữ. Đây phải là các từ đặc trưng
cho mỗi ngôn ngữ, tức là phải có tần suất xuất hiện đáng kể và có
tính phân biệt so với các từ trong ngôn ngữ khác. Đối với tiếng Việt,
danh sách từ hạt giống được thu thập từ việc phân đoạn từ của các
câu trong các trang Wiki tiếng Việt. Thuật toán phân đoạn từ đơn
giản được sử dụng là duyệt theo từng câu từ trái sang phải, chọn ranh
giới từ sao cho từ thu được có nhiều âm tiết nhất có thể so sánh với
danh sách từ đúng là từ tiếng Việt (word list). Cách lựa chọn này rõ
ràng không phải bao giờ cũng chính xác, nhưng sai số là chấp nhận
được cho mục đích lập danh sách tần suất từ; Sau đó lựa chọn từ hạt
giống từ danh sách tần suất; tiêu chí chọn từ hạt giống của mỗi ngơn
ngữ là khác nhau, đối với tiếng Việt tiêu chí được chọn là từ hạt
giống phải có ít nhất 1 kí tự Unicode không thuộc phạm vi ASCII,
các từ khác sẽ không được xét, các chữ số hoặc các mục khơng phải

kí tự cũng sẽ bị loại trừ. Danh sách từ hạt giống, được sắp xếp theo
chiều giảm dần của tần suất, trong đó 1000 từ có tần suất cao nhất


7
được bỏ qua vì chúng thường được coi là các từ dừng (stop word)
đối với các máy tìm kiếm, 5000 từ tiếp theo trong danh sách tần suất
thuộc nhóm từ có tần suất trung bình được sử dụng làm từ hạt giống.
2.2.2 Thu thập địa chỉ URL
Về cơ bản, quá trình thu thập được thực hiện qua 2 bước. Bước1.
Sinh truy vấn: Lựa chọn ngẫu nhiên một số từ trong số các từ hạt
giống để tạo nên một truy vấn. Bước 2.Thu thập URL: Gửi truy vấn
tới một máy tìm kiếm. Tải về tất cả các tài liệu kết quả của máy tìm
kiếm và lưu lại. Quá trình này được lặp đi lặp lại nhiều lần cho đến
khi kho ngữ liệu đủ lớn. Nếu nhiều URL giống nhau thì loại bỏ và
chỉ giữ lại một URL.
2.2.3 Lọc nội dung chính của các trang web (URLs)
Chỉ thu lấy các trang HTML và có dung lượng lớn hơn 5 KB (để
xác suất các tệp này chứa văn bản liên quan là lớn hơn). Các tệp có
dung lượng lớn hơn 2 MB cũng được loại bỏ để tránh bất kì tệp
thuộc miền đặc biệt nào thống trị thành phần của kho ngữ liệu, và
cũng bởi vì các tập tin có độ lớn này là rất thường xuyên đăng nhập
vào các tập tin và văn bản khơng có kết nối khác; Những trang được
tải về bao hàm cả các dấu của HTML, văn bản ‘boilerplate’ các
thanh menu, quảng cáo.... Đó là các phần tài liệu khơng hợp pháp,
tạm gọi là phần đánh dấu.Thuật tốn rút trích phần thân văn bản BTE
(Body Text Extraction) (Thuật toán 2.5) được phát triển từ thuật toán
gốc của Aidan Fin - loại bỏ những phần đánh dấu và chỉ trích rút
những văn bản được kết nối. Độ phức tạp của thuật toán là O (n2).
Sau đây là các bước chính trong thuật tốn:

Bước 0: Mỗi trang web tương ứng với 1 tệp định dạng HTML.
Làm sạch mã HTML bằng cách loại bỏ những thẻ, những đoạn mã
HTML chắc chắn không chứa thông tin liên quan đến nội dung như
các thẻ <input>, <script>, <img>, <marquee>,<!--...-->, <iframe>…
và phần nội dung HTML nằm bên ngoài cặp thẻ <body></body> của
mỗi trang web.
Bước 1: Đối với phần trang web còn lại, xây dựng hai mảng,
binary_tokens[] và tokens[]; Binary_tokens[] gồm các phần tử 1 (thẻ


8
HTML) và -1 (dấu hiệu văn bản);Tokens[] là mảng gồm các phần tử
là các dấu hiệu văn bản/thẻ tương ứng với các phần tử trong
binary_tokens[]; Gộp các phần tử liền nhau có giá trị giống nhau
trong mảng binary_tokens[] lại làm thành một phần tử lưu vào mảng
encode[];
Bước 2: Xác định vị trí hai điểm i, j từ mảng binary.tokens[]vừa
thu được ở bước 1 sao cho số phần tử -1 (tương ứng với dấu hiệu văn
bản) giữa [i,j] là lớn nhất và số phần tử 1 (tương ứng với thẻ) ngoài
khoảng [i,j] là lớn nhất. Tiến hành bóc tách dữ liệu trong đoạn [i,j] và
loại bỏ các thẻ HTML.
Chỉ thu thập nội dung văn bản các trang web có đủ độ lớn và đã
kiểm tra tính kết nối.Các trang web thu về sẽ được kiểm tra xem có
độ lớn thỏa mãn (>5KB và <2MB)?, nếu có thì thuật tốn BTE mới
thực hiện để trích rút lấy nội dung văn bản chính;
Thử nghiệm và đánh giá thuật toán BTE
Bảng 2. 3. So sánh tỷ lệ “Thân văn bản cần lấy/ toàn bộ nội dung văn
bản trích rút được”
Loại trang web
Thuật tốn cải tiến

Thuật tốn của Aidan.Fin
Dantri
VietnamNet
VnExpress

99.02%
99.67%
99.00%

47.12%
65.71%
48.87%

Tỷ lệ về “nội dung chính văn bản cần lấy/ tồn bộ nội dung văn bản
trích rút được” của 3 loại địa chỉ trang web được nhiều người truy
cập và có uy tín nhất ở Việt Nam được chỉ ra ở Bảng 2.3. Phần văn
bản thu được trên cùng một trang web (100 trang) đối với hai thuật
toán cho thấy, với thuật toán BTE cải tiến cho kết quả tốt hơn, đã
loại bỏ được hết các mã HTML trong khi thuật tốn cũ của Aidam
Finn vẫn cịn một số thẻ script nằm giữa đoạn văn bản nào đó.


9

2.2.4 Phát hiện sự trùng lặp gần nhau
Trong luận án, sử dụng modul Text::DeDuper 1 viết bằng Perl để
phát hiện tài liệu gần trùng lặp nhau. Modul này sử dụng độ đo độ
giống nhau như đề xuất của Broder.
2.2.5 Xây dựng công cụ và triển khai thu thập kho ngữ liệu
Công cụ Vncopus được phát triển bằng ngôn ngữ Java kết hợp với

Python, dựa trên các thuật toán thu thập địa chỉ URL, lọc nội dung
chính của các trang web đồng thời tích hợp cơng cụ xác định trùng
lặp gần nhau (trình bày ở phần trên) và gán nhãn từ loại đã có sẵn.
Triển khai thu thập kho ngữ liệu thơ tiếng Việt có kích thước 1.09
GB (khoảng 100 triệu từ).
2.3 Kết luận
Trong chương này luận án đã phát triển thuật toán thu thập dữ liệu
từ web cho phù hợp với tiếng Việt để xây dựng kho ngữ liệu. Xây
dựng công cụ tự động thu thập kho ngữ liệu từ Internet có tên là
Vncopus; Thử nghiệm và đánh giá thuật tốn cải tiến.
3. CHƯƠNG 3.CHUẨN HĨA MƠ HÌNH CHÚ GIẢI TIẾNG
VIỆT
3.1 Mơ hình MAF của ISO/TC 37/SC 4
Phần này trình bày mơ hình chú giải hình thái cú pháp MAF
được phát triển bởi ISO/TC 37/SC 4.
3.2 Mơ hình SynAF của ISO/TC 37/SC 4

Phần này trình bày mơ hình chú giải hình thái cú pháp SynAF
được phát triển bởi ISO/TC 37/SC 4.
3.3 Chuẩn hóa mơ hình chú giải tiếng Việt
3.3.1 Chuẩn hóa theo mơ hình MAF
Thơng tin hình thái cú pháp tiếng Việt chủ yếu dựa vào hình thái
từ, phân loại từ, phân loại cụm, cú pháp (ví dụ từ loại của từ có thể là
danh từ, động từ, tính từ…) mà không phụ thuôc vào giống, số, cách

1

1.01/lib/Text/DeDuper.pm#NAME

10
…như đối với các thứ tiếng khác. Do đó chúng ta có thể lựa chọn
chú giải nhúng cho tiếng Việt để đơn giản và tiện dụng. Ngoài ra,
việc phân chia tài liệu ra thành các từ riêng biệt (word Form), trong
tiếng Việt có đặc điểm khác với tiếng Anh và một số tiếng khác là
không thể dựa vào khoảng trắng (từ ghép), phải xây dựng phần mềm
tách từ riêng dựa vào đặc trưng của tiếng Việt để tách tài liệu ra
thành các thành phần, mỗi thành phần tương ứng với 1 từ tiếng việt.
Về cấu trúc chung của mơ hình hình thái cú pháp cho tiếng Việt
trong luận án xây dựng tương tự như mơ hình chú giải hình thái cú
pháp chuẩn quốc tế MAF do tiểu ban kĩ thuật ISO/TC 37/SC 4 phát
triển, tuy nhiên tại các thành phần cơ sở của mơ hình trong luận án
có ánh xạ tới đặc điểm hình thái cú pháp mục từ trong tiếng Việt, cụ
thể là:
- Xác định đơn vị cơ sở (segment): Âm tiết tiếng Việt hay các
đơn vị token (dấu hiệu) khác.
- Mỗi hình thái từ (Word Form) có thể tham chiếu tới một mục
từ vựng trong từ điển, ví dụ từ điển tiếng Việt trên máy tính.
- Các thơng tin hình thái – cú pháp gắn với mỗi từ: Cấu tạo từ
(đơn, ghép, láy, thành ngữ), từ loại, tiểu từ loại. Ở đây tác giả
xây dựng bảng danh sách các hạng mục dữ liệu để gán nhãn từ
loại cho tiếng Việt tham chiếu tới DCR (ISO 12620) dựa trên
tài liệu “Thiết kế tập nhãn cú pháp và hướng dẫn gán nhãn”.
3.3.2 Chuẩn hóa theo mơ hình SynAF
Lý thuyết văn phạm cảm sinh được khởi xướng bởi Chomsky và lý
thuyết ngữ pháp chức năng là cơ sở ngôn ngữ học vững chắc cho
việc chú giải cú pháp theo mơ hình SynAF cho tiếng Anh, tiếng
Pháp, tiếng Đức, tiếng Ý…Đối với tiếng Việt, sự ảnh hưởng này
cũng được thể hiện qua các nghiên cứu của Vũ Dũng và Cao Xuân
Hạo. Do vậy, mơ hình chú giải cú pháp SynAF của ISO cũng là cơ

sở tốt cho việc xây dựng mơ hình chú giải cú pháp tiếng Việt. Việc
xây dựng mơ hình chú giải cú pháp theo chuẩn hóa quốc tế cũng là
một nhiệm vụ cần thiết trong việc xây dựng và mở rộng treebank cho
tiếng Việt. Về cấu trúc chung của mơ hình cho tiếng Việt


11
(VnSynAF) tương tự như trong mơ hình chú giải cú pháp chuẩn quốc
tế SynAF. Mơ hình VnSynAF là một lược đồ mã hóa dựa trên định
dạng XML có thể sử dụng trong việc định dạng và mã hoá treebank
cho tiếng Việt. Về cấu trúc chung của mơ hình này trong luận án sử
dụng tương tự như trong SynAF:
- Mỗi nút T Node biểu diễn một từ vựng tiếng Việt tương ứng
trong một wordform.
- Nút NT dùng để biểu diễn các thành phần không kết thúc như
từ loại, cụm từ, nhãn quy ước cho các dấu. Sử dụng các hạng
mục nhãn hình thái (từ loại), nhãn cú pháp thành phần, nhãn
phân loại câu để gán nhãn cho các nút NT.
- Các cung (edge) dùng để liên kết giữa các nút, biểu diễn chức
năng của một thành phần cú pháp, cho biết vai trị của nó trong
thành phần cú pháp mức cao hơn, nhờ đó giúp chúng ta biết
được quan hệ ngữ pháp giữa các nút, như là chủ ngữ, vị ngữ,
tân ngữ. Sử dụng hạng mục nhãn chức năng cú pháp để gán
nhãn cho các cung.
Trong phần này tác giả xây dựng bảng danh sách các hạng mục dữ
liệu, nhãn từ loại, nhãn cú pháp thành phần, nhãn phân loại câu, nhãn
chức năng cú pháp cho tiếng Việt tham chiếu tới DCR (ISO 12620)
dựa trên tài liệu “Thiết kế tập nhãn cú pháp và hướng dẫn gán nhãn”
3.4 Kết luận
Xây dựng và triển khai các mơ hình chú giải kho ngữ liệu tiếng

Việt ở mức hình thái-cú pháp (MAF) và mức phân tích cú pháp cho
tiếng Việt có tên là VnSynAF tương thích với mơ hình MAF và
SynAF được phát triển bởi ISO/TC 37/SC 4.
4. CHƯƠNG 4. KHAI THÁC KHO NGỮ LIỆU THÔ CHO
NGHIÊN CỨU TỪ VỰNG TIẾNG VIỆT
4.1 Giới thiệu
Chương này trình bày việc khai thác kho ngữ liệu thơ tiếng Việt có
khối lượng lớn đã được tách từ và gán nhãn từ loại cho hệ thống truy
vấn kho ngữ liệu Sketch Engine, phục vụ việc nghiên cứu từ vựng.


12
Để khai thác được thông tin ngôn ngữ, ngữ cảnh, hành vi của mỗi từ
hệ thống còn đòi hỏi bộ quan hệ ngữ pháp cơ bản tiếng Việt, ở đây
luận án cũng xây dựng các mối quan hệ ngữ pháp cho Sketch Engine
dựa trên đặc điểm ngữ pháp cơ bản tiếng Việt.
4.1.1 Nghiên cứu từ vựng
Mục tiêu mà nghiên cứu từ vựng nhắm tới là để xem xét ngữ cảnh,
nghiên cứu hành vi của mỗi từ, cụ thể là: Tìm kiếm các cụm từ xung
quanh một từ; Khả năng xuất hiện của các từ xung quanh một từ;
Các mẫu ngữ pháp xuất hiện xung quanh một từ; Sắp xếp các từ theo
các tiêu chí khác nhau; Xác định các kho ngữ liệu con cho việc tìm
kiếm; Xác định từ hiếm; So sánh nghĩa của các từ gần giống nhau…
Để khai thác thông tin về từ vựng phục vụ cho các mục tiêu trên
trong luận án sử dụng hệ thống truy vấn kho ngữ liệu Sketch Engine
4.1.2 Sketch Engine
Hệ thống Sketch Engine là một trong những hệ thống truy vấn kho
ngữ liệu phục vụ cho việc nghiên cứu và phân tích ngôn ngữ, đã
được sử dụng cho nhiều ngôn ngữ khác trên thế giới. Trong đó,
Word Sketch, tiền thân của hệ thống Sketch Engine, thay vì chỉ đưa

ra tất cả các ngữ cảnh văn bản xung quanh một từ trong tiếng Anh,
Word Sketch cho phép người sử dụng xem xét ngữ cảnh theo quan
hệ ngữ pháp và cung cấp thống kê về tần suất xuất hiện các từ theo
mỗi quan hệ ngữ pháp. Word Sketch đã được Kilgarriff phát triển
thành hệ thống Sketch Engine - hệ thống có thể nhận đầu vào là kho
ngữ liệu của bất cứ ngôn ngữ nào cùng với bộ mẫu ngữ pháp tương
ứng. Ngoài chức năng của Word Sketch, hệ thống còn cung cấp thêm
các chức năng: Thesaurus. Cho phép tra cứu các từ đồng và phản
nghĩa và Sketch Difference. Cho phép so sánh thông tin của hai từ
tương tự nhau.
Hiện thời, Skech Engine đã trở thành một hệ thống truy vấn kho
ngữ liệu đã được thử nghiệm trên nhiều ngôn ngữ khác nhau (Anh,
Séc, Nhật, Trung, Nga, Xlơven...) và được đánh giá là có hiệu quả tốt
trong việc xây dựng từ điển, việc nghiên cứu và thực hành ngôn ngữ.


13

4.1.3 Ngữ liệu trong Sketch Engine
Sketch Engine đòi hỏi phải xây dựng được ngữ liệu của mỗi ngôn
ngữ cụ thể cho hệ thống, đó là bộ quan hệ ngữ pháp cơ bản của mỗi
ngôn ngữ được biểu diễn thông qua ngôn ngữ truy vấn kho ngữ liệu
bên cạnh kho ngữ liệu lớn của các văn bản đã được chú giải ít nhất ở
mức từ loại. Để xác định quan hệ ngữ pháp giữa các từ, Sketch
Engine cần biết làm thế nào tìm được các từ kết nối với nhau theo
một quan hệ ngữ pháp trong ngôn ngữ đang xét.
4.2 Xây dựng ngữ liệu tiếng Việt cho hệ thống Sketch Engine
Để sử dụng được cho nghiên cứu từ vựng tiếng Việt, Sketch
Engine đòi hỏi phải xây dựng được: Kho ngữ liệu tiếng Việt có kích
thước lớn được tách từ và gán nhãn từ loại. Bộ quan hệ ngữ pháp cơ

bản tiếng Việt được biểu diễn thông qua ngôn ngữ truy vấn kho ngữ
liệu.
4.2.1 Tách từ và gán nhãn từ loại
Đối với tiếng Việt, để thu được kho ngữ liệu chú giải mức từ loại
và hướng tới chuẩn mã hóa XML, trong luận án đã sử dụng phần
mềm gán nhãn từ loại tiếng Việt có tên là vnTagger 2 của nhóm tác
giả Lê Hồng Phương.
4.2.2 Xây dựng bộ quan hệ ngữ pháp cho tiếng Việt
Đối với tiếng Việt, chúng ta chưa có kho ngữ liệu lớn đã phân tích
cú pháp nên phải sử dụng khả năng thứ hai để xây dựng tập các quan
hệ ngữ pháp. Hệ hình thức dùng cho các quan hệ ngữ pháp của
Sketch Engine dựa trên cơ sở các mẫu xâu theo biểu thức chính quy,
do đó phù hợp với các ngơn ngữ có trật tự từ ổn định, như tiếng Anh
chẳng hạn, tiếng Việt cũng là một ngơn ngữ trong đó trật tự từ đóng
vai trị quan trọng. Dựa vào đó, luận án xây dựng bộ quan hệ ngữ
pháp tiếng Việt tương ứng với cấu trúc ngữ pháp cơ bản tiếng Việt,
đó là, cụm danh từ, cụm động từ, cụm phó từ, cụm giới từ, liên hợp
và câu đơn, được biểu diễn thông qua các dạng truy vấn. Trong Luận

2

/>

14
án xây dựng được 37 quan hệ ngữ pháp tương ứng với 37 dạng truy
vấn.

4.2.3 Khai thác kho ngữ liệu cho Sketch Engine
Để có thể sử dụng được hệ thống Sketch Engine cho nghiên cứu từ
vựng tiếng Việt thì yêu cầu phải tích hợp kho ngữ liệu tiếng Việt có

kích thước lớn thu thập từ Internet và bộ quan hệ ngữ pháp tương
ứng vào hệ thống; Hình 4.1, minh họa cho việc khai thác kho ngữ
liệu tiếng Việt phục vụ cho việc thống kê tần suất và tính trội của các
từ lân cận với một từ bất kỳ. Trong đó, tính trội được thống kê theo
tỷ lệ của việc quan sát thực tế với giả thiết đảo (của các từ lân cận
cùng xuất hiện với một từ bất kỳ) thông qua cơng thức T-score hoặc
MI-score; Hình 4.2, minh họa việc liệt kê một số danh sách quan hệ
ngữ pháp xuất hiện xung quanh hai tính từ có nghĩa gần tương tự
nhau ”đẹp” và ”xinh”, trong đó mỗi danh sách thống kê tần suất và
tính trội của các từ lân cận với 2 từ này trong mỗi quan hệ ngữ pháp
(tương ứng tần suất là cột thứ 2,3; tính trội là cột thứ 4,5). Ngồi ra
trong bảng cịn có một số danh sách quan hệ ngữ pháp chỉ xuất hiện
xung quanh duy nhất một từ (”đẹp” only patterns) hoặc (”xinh” only
patterns), trong đó mỗi danh sách liệt kê các từ cùng tần xuất và tính
trội xuất hiện xung quanh chỉ tính từ ”đẹp” hoặc chỉ tính từ ”xinh”.
Các thơng tin này có thể giúp người nghiên cứu từ vựng, xây dựng từ
đưa ra được sự giống nhau, khác nhau khi sử dụng 2 từ này; Hình
4.3, minh họa cho việc khai thác kho ngữ liệu và bộ quan hệ ngữ
pháp- cho phép liệt kê một số danh sách quan hệ ngữ pháp xuất hiện
xung quanh từ khóa (ví dụ tính từ “đẹp”). Trong đó, mỗi danh sách
liệt kê các từ và cùng tần suất và tính trội của các từ trong cùng mối
quan hệ ngữ pháp với từ khóa. Sau đây là liệt kê mộ số danh sách:
Danh sách N_front_modifier_A: Danh sách các danh từ ở phía trước
mà tính từ “đẹp” bổ nghĩa; Danh sách A_after_modifies_A: Danh
sách các tính từ phía sau bổ nghĩa cho tính từ “đẹp”; Danh sách
R_front_modifies_A: Danh sách các phụ từ phía trước bổ nghĩa cho


15
tính từ “đẹp”; Danh sách predicate_of: Danh sách các từ mà tính từ

"đẹp" làm vị ngữ.

Hình 4. 1 Danh sách tần suất và tính trội của các từ lân cận với tính
từ “đẹp”

Hình 4. 2 Phác thảo thơng tin của 2 từ ”đẹp”, ”xinh”


16

Hình 4. 3. Một số bảng danh sách từ có quan hệ ngữ pháp với tính từ “đẹp”

4.2.4 Đánh giá độ tương tích bộ quan hệ ngữ pháp và kho ngữ
liệu tiếng Việt trên hệ thống Sketch Engine
Kết quả cho thấy độ tương thích của bộ quan hệ ngữ pháp và kho
ngữ liệu tiếng Việt trên hệ thống Sketch Engine là 100%, mọi truy
vấn của bộ quan hệ ngữ pháp cơ bản tiếng Việt đã phù hợp với hệ
thống Sketch Engine, các ngữ cảnh trong kho ngữ liệu phù hợp với
mỗi truy vấn. Hệ thống Sketch Engine có thể sử dụng để nghiên cứu
từ vựng cho tiếng Việt, mọi chức năng của hệ thống sử dụng cho
tiếng Việt cũng đáp ứng như đối với các ngôn ngữ khác.
4.3
Kết luận
Trong chương này luận án đã xây dựng bộ quan hệ ngữ pháp bản
tiếng Việt (37 quan hệ ngữ pháp) được biểu diễn thông qua ngôn ngữ
truy vấn kho ngữ liệu phục vụ cho hệ thống nghiên cứu từ vựng
Sketch Engine; Triển khai hệ thống Sketch Engine cho nghiên cứu từ
vựng tiếng Việt dựa trên bộ quan hệ ngữ pháp và kho ngữ liệu có chú
giải tiếng Việt. Đánh giá độ tương thích của bộ quan hệ ngữ pháp và
kho ngữ liệu tiếng Việt trên hệ thống Sketch Engine .

17
5. CHƯƠNG 5. KHAI THÁC KHO NGỮ LIỆU CHO PHÂN
TÍCH CÚ PHÁP TIẾNG VIỆT
5.1 Giới thiệu
Chương này đi sâu vào nghiên cứu và xây dựng thuật tốn trích
rút tự động văn phạm CFG, LTAG từ VietTreebank và từ điển điện
tử phục vụ cho phân tích cú pháp tiếng Việt, cài đặt thử nghiệm và
đánh giá.
5.2

Văn phạm hình thức

Phần này trình bày định nghĩa văn phạm hình thức; Phân loại văn
phạm của Chomsky; Văn phạm phi ngữ cảnh (CFG) và văn phạm kết
nối cây (LTAG) trong xử lý ngôn ngữ tự nhiên.
5.3 Trích rút tự động văn phạm CFG cho tiếng Việt
5.3.1 Thuật tốn trích rút từ VietTreebank
Phương pháp trính rút văn phạm phi ngữ cảnh kết hợp xác suất từ
VietTreebank sử dụng được tương tự như phương pháp của Roberto
Valenti và D.Jurafsky and Martin, về cơ bản q trình trích rút được
thực hiện qua 3 bước chính: Trích rút các luật cho văn phạm CFG từ
Treebnk; Chuyển CFG thành phi ngữ cảnh kết hợp xác suất (PCFG);
Chuyển PCFG thu được thành văn phạm PCFG theo chuẩn
Chomsky. Tuy nhiên trong Bước 1 có một thay đổi về cài đặt: Sử
dụng Stack sẽ để lưu trữ tạm thời các luật trích rút từ mỗi cây phân
tích, độ phức tạp là O(n+m). Nếu đỉnh của Stack là 1 luật đầy đủ thì
lấy luật ra khỏi stack, nếu là luật đơn sinh ra từ kết thúc thì lấy ra
khỏi stack và tự động hủy ln, ngược lại nếu khơng phải luật đơn

thì luật thu được đưa vào một mảng lưu trữ. Nếu luật không đầy đủ
thì tiếp tục bổ sung thêm vế phải. Xử lý bằng Stack dễ hiểu và đơn
giản hơn sử dụng đệ quy theo cách tiếp cận của Roberto Valenti và
D.Jurafsky and Martin.
5.3.2 Phân tích cú pháp tiếng Việt với văn phạm PCFG
Dựa theo phương pháp của Martin phần mềm phân tích cú pháp
cho tiếng Việt được phát triển thơng qua 2 giai đoạn: Giai đoạn 1.
Thay cho việc tách từ thì gán ln nhãn từ loại (đồng thời tách từ)


18
bằng cách sử dụng bộ công cụ gán nhãn từ loại đã có sẵn. Giai đoạn
2. Phân tích cú pháp của câu đã được tách từ và gán nhãn từ loại, bộ
phân tích cú pháp sẽ phân tích câu thành các cây cú pháp có thể và
cây có xác suất cao nhất sẽ được ưu tiên lựa chọn. Thuật toán tương
tự như thuật toán PCYK của D.Jurafsky and Martin, tuy nhiên ở
bước đầu trong thuật tốn khơng cần phải tính tốn xác suất từ loại
của mỗi từ, thay vào đó xác suất từ loại của mỗi từ được gán luôn là
1, vì theo cách tiếp cận này thì xác suất từ loại đối với mỗi từ là cố
định, không phụ thuộc vào việc tìm cây có xác suất cao nhất.
5.3.3 Thử nghiệm và đánh giá
Phần mềm phân tích cú pháp dựa trên văn phạm PCFG được cài
đặt với cả hai phương pháp, đó là phương pháp của Jurafsky và
Martin và phương pháp cải tiến mới của tác giả. Trong đó có 2 chức
năng chính, chức năng 1, trích rút tự động các luật của văn phạm
PCFG VietTreebank, chức năng 2, phân tích cú pháp cho câu đầu
vào bất kỳ dựa trên bộ luật của văn phạm PCFG. Kết quả cho thấy
khi chạy thử 30 câu tiếng Việt trên 200 câu dữ liệu huấn luyện,
phương pháp cải tiến trình bày trong luận án kết quả phân tích cú
pháp (67.7%) tốt hơn phương pháp của Jurafsky và Martin (62.2%).

Bảng 5.2 cho kết quả trích rút luật và đánh giá bộ phân tích cú pháp
của phương pháp cải tiến trong luận án. Độ chính xác của bộ phân
tích cú pháp được dựa vào cặp ngoặc (i, j, nhãn thành phần) của cây
phân tích đầu ra dưới dạng đặt ngoặc, trong đó: Recall = (Số cặp
ngoặc đúng của cây sinh ra)/(số cặp ngoặc đúng của cây chuẩn);
Precision=(Số cặp ngoặc đúng của cây sinh ra)/(Số cặp ngoặc của
cây sinh ra).
Bảng 5. 1. Số các luật CFG thu được và đánh giá bộ phân tích cú pháp
Số câu

Số luật CFG

Recall

Precision

200

1632

0.6695

0.6856

4112

5728

0.7843

0.6891

8184

8849

0.7975

0.6961

9965

10136

0.8175

0.71505


19
Kết quả chạy chương trình cho thấy, trong VietTreebak vẫn còn một
số câu mắc lỗi định dạng, số lượng luật CFG tăng dần theo kích
thước của VietTreebank chứng tỏ VietTreebank vẫn chưa đủ độ lớn.
5.4 Trích rút tự động văn phạm LTAG cho tiếng Việt
Phần này trình bày thuật tốn rút trích tự động văn phạm LTAG từ
Treebank, đồng thời cũng trình bày kết quả chạy chương trình trích
rút tự động một văn phạm LTAG cho tiếng Việt từ VietTreebank và
từ điển điện tử tiếng Việt
5.4.1 Thuật tốn trích rút từ VietTreebank
Về cơ bản, q trình trích rút tự động văn phạm LTAG từ treebank

gồm ba bước. Thứ nhất, chuyển các cây cú pháp của treebank thành
các cây phân tích của hệ hình thức LTAG. Thứ hai, phân rã các cây
phân tích thu được ở bước một thành các cây cơ bản tương ứng với
ba mẫu cây được xác định trước. Cuối cùng là sử dụng tri thức ngôn
ngữ để lọc bỏ các cây cơ bản không hip lệ. Cách tiếp cận trích rút
văn phạm LTAG mà trình bày ở đây tương đối giống với phương
pháp trích rút văn phạm được đề xuất bởi Xia. Tuy nhiên, có một số
điểm khác nhau về phương pháp thiết kế và cài đặt thuật toán giữa
hai cách tiếp cận:
Thứ nhất, trong bước xây dựng cây phân tích, trước tiên xử lí tồn
bộ các cụm liên từ đẳng lập của cây cú pháp trước khi phân biệt các
thành phần đối và phụ trợ, thay vì xử lí đồng thời cả ba dạng cấu
trúc. Việc xử lí tuần tự này dễ hiểu và dễ cài đặt hơn vì các cụm đẳng
lập có cấu trúc khác với các cấu trúc đối và phụ trợ. Thứ hai, trong
bước trích rút cây cơ bản, khơng tách mỗi nút của cây thành hai
thành phần trên và dưới như trong cách tiếp cận của Xia. Các nút của
cây phân tích được sao chép trực tiếp sang các cây cơ bản. Việc sao
chép trực tiếp mà không tách nút làm tăng tính hiệu quả thời gian và
khơng gian của các thuật tốn. Thứ ba, q trình trích rút cây được
phân rã thành các thủ tục con, gọi tương hỗ qua lại để lặp lại q
trình trích rút trên từng cây con có nút gốc chưa được xử lí. Các
hàmđệ quy tương hỗ được thiết kế kỹ lưỡng đảm bảo khơng có lời
gọi thừa, mỗi một nút của cây phân tích chỉ được xử lí một lần. Tính


20
hiệu quả và dễ tối ưu hoá của phương pháp “chia để trị” đã được
chứng minh và cài đặt thuật toán giữa hai cách tiếp cận.
Kết quả thử nghiệm: Văn phạm LTAG thu được đã phủ hoàn toàn
các cấu trúc cú pháp của treebank, số mẫu cây của văn phạm hội tụ

rất chậm cho thấy có nhiều cấu trúc cú pháp chưa được mã hố trong
VietTreebank, nói cách khác là VietTreebank chưa đủ lớn hoặc chưa
đủ điển hình để phủ hết các mẫu cú pháp của tiếng Việt. Hình 5.12
minh hoạ số mẫu cây tăng dần theo kích thước của treebank được sử
dụng. Việc hội tụ rất chậm của số mẫu cây cho thấy kích thước hiện
tại của VietTreebank là chưa đủ lớn để phủ hết các mẫu cú pháp của
tiếng Việt. Nhóm nghiên cứu đã phát triển một chương trình phần
mềm có tên LExtractor cài đặt các thuật tốn trích rút văn phạm ở
trên

Hình 5.12 trục x biểu diễn phần trăm kho văn bản được sử dụng để trích rút văn
phạm, trục y biểu diễn số lượng mẫu cây tổng thể( Δ ), mẫu cây khởi tạo (о) và mẫu
cây phụ trợ (

) thu được

5.4.2 Xây dựng cây cơ bản LTAG từ từ điển tiếng Việt
Quan sát về cấu trúc từ điển tiếng Việt cho thấy, hiện tại, cú pháp
mỗi mục từ trong từ điển ở một trong hai dạng: Nếu là các từ khơng
phải là động từ thì chỉ tồn tại thông tin hạng mục từ loại và tiểu từ
loại của từ đó (danh từ, tính từ..);
Dựa vào đặc điểm của từ điển chúng ta có thể xây dựng các cây cơ
sở (cây khởi tạo) cho văn phạm LTAG tiếng Việt thông qua thông tin


21
hình thái, cú pháp của mỗi mục từ (một từ vựng có thể có nhiều mục
từ, mỗi mục từ tương ứng với một nghĩa, từ loại riêng).
Phần tiếp theo sẽ trình bày thuật tốn trích rút cây cơ sở (ứng với
quan hệ vị từ-đối) của LTAG từ từ điển tiếng Việt.

Thuật tốn trích rút cây cơ sở: Dựa vào thơng tin của mỗi mục từ
Entry, kiểm tra xem trong thẻ cú pháp (<Syntactic>) có tồn tại thành
phần vị từ-đối (Subcategorization Frame) khơng? Nếu tồn tại thì xây
dựng 3 dạng cây cơ sở: 1.cây cơ sở là cụm từ cùng với từ loại, từ
vựng (ví dụ: “(VP (V đi))”), 2. các cây cơ sở là cụm từ tương ứng
cùng từ loại, từ vựng và các đối phía sau của từ loại đó (Ví dụ: “(VP
(V đi) (+PP))”, 3. cây cơ sở là một câu đơn (cú pháp thành phần) (ví
dụ: “(S (+NP) (VP (V đi) (+PP)))”). Nếu khơng tồn tại thì chỉ xây
dựng cây là cụm từ cùng với từ loại và từ vựng (ví dụ: “(AP (A đế
quốc))” hoặc “(AP (Ap đế quốc))”)
5.4.3 So sánh, đánh giá tập cây khởi tạo trích rút từ
VietTreebank và từ điển
Để so sánh và đánh giá tập cây khởi tạo, NCS xây dựng phần mềm
với hai chức năng chính, chức năng thứ nhất là trích rút tự động các
cây cơ sở từ từ điển dựa vào thuật toán đã xây dựng; Chức năng thứ
hai là so sánh đưa ra các cây giao nhau, lệch nhau được sinh ra từ
cùng một số động từ trong các cây cơ sở của từ điển và
VietTreebank. Kết quả được cho ở ở Bảng 5.8. Trong đó cột (1) là
Bước thử nghiệm; cột (2) là các từ giao nhau; cột (3) là số cây cơ sở
của từ điển có neo là từ giao nhau; Cột (4) là số cây cơ sở của
VietTreebank có neo là từ giao nhau; Cột (5) là số cây cơ sở giao
nhau ; Cột 6 là tỷ lệ cây cơ sở trùng nhau so với các cây cơ sở của
VNTreebank. Cột (7) là tỷ lệ cây cơ sở trùng nhau so với các cây cơ
sở của từ điển; Cột (8) là trung bình số từ trên 1 cây cơ sở giao nhau
Bảng 5.7 cho thấy độ chênh lệch khá cao về các cây cơ sở giao
giữa từ điển và VietTreebank khi cùng bắt nguồn từ 1469 từ neo là
động từ, có thể kể đến một số nguyên nhân như: Trong VietTreebank
khi chú giải từ loại chưa nhất quán sử dụng từ loại chung hay tiểu từ
loại cho một từ vựng=> Trong VietTreebank nhãn từ loại của các từ