Mô hình rút trích cụm từ đặc trưng ngữ nghĩa trong tiếng việt 02

Mô hình rút trích cm t c trng ng ngha trong ting Vit

11



















Chng 1




GII THIU

1.1 Mc tiêu và phm vi

Internet là mt ni lu tr ngun thông tin ca nhân loi. Ngun thông tin này
c chia s, phát trin và m rng không ngng cùng vi s phát trin nhanh
chóng ca World Wide Wed (Web). Vn  t ra là làm th nào  khai thác và
s dng ngun tài nguyên thông tin này mt cách hiu qu nht.

Mô hình rút trích cm t c trng ng ngha trong ting Vit

12

Thông tin trên Web hu ht u th hin di dng ngôn ng t nhiên, thông qua
các trang Web, các h thng truy hi thông tin (Information Retrieval) c phát
trin và thành công nht hin nay là Google
1
, Yahoo
2
, v.v... Tuy nhiên, các mô
hình này u s dng t khóa  x lý và truy hi tài liu. Hiu sut truy hi ca
chúng có nhng gii hn nht nh vì ng ngha ca tài liu b mt i nhiu khi
vn bn c biu din di dng mt tp các t khóa. Tng t, yêu cu cung
cp thông tin t phía ngi s dng c ng c biu din bi các t khóa. S biu
din này rõ ràng không có kh nng th hin c tr!n v"n nhu cu thông tin nh
mong mun ca ngi s dng. Do ó, khi truy hi thông tin trên các h thng
hin nay, ngi s dng u nhn c thêm các tài liu không liên quan ti
thông tin cn tìm.
# ci tin các mô hình truy hi thông tin theo t khóa, nhiu công trình
nghiên c$u i khai thác tim nng ca cm t c trng trong các h thng nh
truy hi thông tin (Hulth, 2004), tóm lc vn bn (Text Summarization) (Paice và
Black, 2003), và rút trích thông tin (Information Extraction) (Medelyan và Witten,
2006; Thuy Dung Nguyen, 2007), ...Trong các h thng này, khái nim cm t c
trng c nh ngha nh sau:
nh ngha 1.1: Trong các th vin và khoa h!c thông tin cm t c trng
(cm t khóa – key phrase) c nh ngha là “cm t mô t ngn gn và chính
xác ch  hay khía cnh ca ch  mà nó c tho lun trong vn bn”

(Feather và P., 1996, 240).

Theo quan im ca Cao Xuân Ho (1998): “câu n c bn ca li nói,
ca ngôn t, ca vn bn. Nó là n v nh nht có th s dng vào vic giao t.
Nói cách khác, câu là ngôn bn (vn bn) ngn nht”.
Nh vy, vi quan im câu là vn bn ng%n nht và  nhn mnh trng hp
cm t c trng din t ch  ca vn bn ng%n nht (câu) và phm vi nghiên
c$u là câu n, lun án nh ngha cm t c trng ng ngha nh trong nh
ngha 2.1 (Chng 2, trang 22).
Cm t c trng ng ngha – c vit t%t là CT#TNN – có kh nng mô t
ch  trong câu (hay vn bn). Nói cách khác, CT#TNN mang thông tin v ni

1
www.google.com/
Mô hình rút trích cm t c trng ng ngha trong ting Vit

13

dung nng ct ca mt câu. CT#TNN rt hu dng trong nhiu $ng dng. Trong
lnh vc truy hi thông tin, các CT#TNN không ch& h' tr trong vic xác nh ni
dung ca mt vn bn có thích hp vi yêu cu thông tin ca ngi s dng hay
không, mà còn biu th ni dung nng ct ca câu truy vn thông tin trong ng c
tìm kim (search engine) trên Web th h th$ ba và h thng hi-áp (question-
answering) (Qiao, 2010).
Do các CT#TNN phn ánh c ni dung nng ct (ch ) ca câu trong vn
bn, nên chúng c s dng  phân loi vn bn (text classification) (Jones và
Mahoui, 2000), tóm lc vn bn (text summarization) (Barker và Cornacchia,
2000). Mc dù các CT#TNN c dùng rng rãi trong các h thng $ng dng
khác nhau, nhng tht s vic rút trích các CT#TNN tng $ng cho tng câu hay
tng vn bn b(ng phng pháp th công tn rt nhiu thi gian và công s$c.
Nhu cu này là ng lc thúc )y các nghiên c$u rút trích t ng các
CT#TNN. Có th phân các nghiên c$u v CT#TNN thành ba hng chính:

1. H ng tip cn s dng t in (Dictionary approach): s dng mt t in
c xây dng b(ng phng pháp th công dùng  rút trích các CT#TNN trong
câu (hay vn bn). Quá trình rút trích các CT#TNN c thc hin b(ng các
phng pháp so trùng các CT#TNN trong t in vi các cm t trong tài liu.
Thun li chính ca hng tip cn là nhanh và thc hin n gin. Hin nay
nhiu h thng v*n ang s dng phng pháp này (Bian và Chen, 1998; Li và
Xing, 1998; ...). Tuy nhiên, phng pháp này còn b hn ch khi tài liu có nhng
t mi không có trong t in. #ây là mt vn  cn c nghiên c$u và gii
quyt. Các nghiên c$u theo hng tip cn s dng t in ã có nhiu chin lc
 ci thin quá trình so trùng nh: so trùng c!c i (maximum-matching), so
trùng c!c tiu (minimum-matching), so trùng t i (forward-matching), so trùng lùi
(backward-matching), so trùng theo c hai h ng (bi-directional- matching) và
các phng pháp gii quyt vn  b(ng ánh giá kinh nghim (heuristics). Tuy
nhiên, hiu sut ca hng tip cn này li phù thuc vào  ln ca t in. Nó
tht s không hiu qu khi gii quyt bài toán nhn din danh t riêng nh tên, v
trí, hay các thut ng mi trong nhng phm vi chuyên bit.

2
www. yahoo.com/
Mô hình rút trích cm t c trng ng ngha trong ting Vit

14

2. H ng tip cn ngôn ng hc (Linguistic approach), hng này dùng c s tri
th$c ng ngha t vng (nh WordNet
3
, Wikipedia
4
,…), dùng phng pháp ánh
giá theo kinh nghim, hay phng pháp lut  rút trích các cm t (Wu và Tseng,

1995). Các nghiên c$u v x lý ngôn ng ting Anh ã ch$ng t+ hng tip cn
này có th t  chính xác cao. Tuy nhiên  chính xác ca phng pháp còn ph
thuc vào vic thit k tng h thng c th (Brill, 1995; Church, 1988;
Voutilainen, 1997). Mc dù nhiu kt qu nghiên c$u ã ch$ng t+ hng tip cn
này có nhiu tim nng, tuy nhiên v*n cha có mt công trình nghiên c$u nào theo
hng tip cn này cho ngôn ng ting Vit, và hin thc theo hng tip cn này
còn gp nhiu khó khn. Khó khn chính là vic xây dng mt c s tri th$c ng
ngha t vng ting Vit cho nhng min (domain) chuyên bit, có phm vi ln.
Vic này òi h+i rt nhiu thi gian và công s$c.
Vi mc tiêu gii quyt cho bài toán rút trích CT#TNN cho câu n ca ting
Vit, lun án tp trung xây dng mô hình ViKEa (Vietnamese Key phrase
Extraction for assignment approach) theo hng tip cn ngôn ng h!c da trên
Ontology và khai thác các tri th$c ngôn ng ting Vit  nâng cao hiu qu ca
mô hình. Vic lun án nghiên c$u và khai thác Vi.Wikipedia nh kho tri th$c
ting Vit ã gii quyt khó khn v tài nguyên tri th$c t vng ting Vit khi xây
dng mô hình theo hng tip cn này.
3. H ng tip cn b"ng phng pháp th#ng kê (Statistical approach), thc cht
là quá trình h!c các giá tr ã c thng kê t mt kho ng liu ln  rút trích
các cm t (Su và CS, 1996). Hng tip cn này t+ ra hiu qu cho vic rút trích
cm t c trng ng ngha (Yang và CS, 1998; Chien, 1997; Chien, 1998; Chen
và CS, 1997), và nó liên quan mt thit vi hng tip cn n-gram vi n có giá tr
2,3, hay 4. Tuy nhiên, khi Chien (1997) dùng PAT-Tree (PATricia Tree)  rút
trích các CT#TNN trong vn bn ca ting Trung Quc, tác gi ã không gii hn
giá tr ca n. Mc dù có gia tng v mt tính toán, k, thut này không nhng
không òi h+i nhiu công s$c  to t in hay c s tri th$c mà còn có kh nng
ly c các thut ng có tr!ng s cao trong kho ng liu. Tuy nhiên, mt hn ch

3
www.wordnet.com/
4

www.wikipedia.org/
Mô hình rút trích cm t c trng ng ngha trong ting Vit

15

ca hng tip cn là có mt s trng hp không th rút trích các cm t hp lý
mà có tn sut thp.
Mc dù hng tip cn b(ng thng kê có  chính xác (Precision) không tt,
nhng có  $y  (Recall) cao so vi hng tip cn ngôn ng h!c. Vì vy, vi
mc tiêu là ci thin ti a hiu qu ca h thng ViKEa theo hng tip cn ngôn
ng h!c khi vic khai thác ngôn ng v*n còn gii hn, lun án s- xây dng mô
hình rút trích các CT#TNN b(ng phng pháp máy h!c có giám sát. Các
CT#TNN c gán nhãn t loi ban u làm tp hun luyn  xây dng mô hình
rút trích. #ây là c s cho mô hình xác nh úng các CT#TNN trong các cm t
d tuyn. Mô hình rút trích dùng mt tp các tính cht c trng  phân loi các
cm t. Vn  t ra là phi xác nh c các tính cht c trng ca các cm
t, nh(m xác nh mt cách chính xác các CT#TNN trong các cm t d tuyn.
Nh vy, mc tiêu ca lun án là xây dng mt mô hình lai cho bài toán rút
trích CT#TNN trong câu n ting Vit. Mô hình này là s phi hp ca hai mô
hình theo hng tip cn ngôn ng h!c và phng pháp xác sut thng kê. #ó
chính là s phi hp ca hai mô hình theo hng tip cn rút trích và xác nh
CT#TNN (c trình bày trong Chng 3). Trong hng tip cn ngôn ng h!c,
lun án s dng phng pháp so trùng m*u da trên Ontology c to lp t
Wikipedia ting Vit. Mô hình này là c s  lun án  xut bn tính cht c
trng cho phng pháp xác nh cm t c trng ng ngha dùng phng pháp
máy hc vect h% tr (Support Vector Machines-SVMs) nh(m n%m b%t c v trí
lô-gích và c tính hình thái ca CT#TNN, là: (1) v trí t trong câu, (2) nhãn t
loi, (3) cu trúc cm t, (4) các t quan h gia các cm t.
T ây, các bài toán chính cn c gii quyt trong phm vi lun án bao gm:
Bài toán 1 - Xây dng mô hình ViKEa.

Lun án nghiên c$u và khai thác ngun tài nguyên ca Vi.wikipedia  xây
dng mt Ontology ting Vit ViO (Vietnamese Ontology) nh(m phc v yêu cu
ca bài toán.
Lun án  xut mô hình xác nh CT#TNN, c g!i là ViKEa, da trên các
tri th$c ngôn ng t nhiên (nh h thng lut và ViO) và các bài toán tin x lý
(nh phân on t và gán nhãn t loi).