Tài liệu Luận văn tốt nghiệp "Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt - Anh - Hoa" docx



LUẬN VĂN TỐT NGHIỆP

HỆ THỐNG TÌM KIẾM THÔNG TIN
XUYÊN NGÔN NGỮ VIỆT – ANH – HOA






Giáo viên hướng dẫn : Ts Hồ Quốc Bảo & Ts Đinh Điền
Sinh viên thực hiện : Nguyễn Thị Hồng Nhung
& Nguyễn Thị Tuyết Mai




Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
MỤC LỤC
MỤC LỤC 1
MỞ ĐẦU 3
Chương 1: TỔNG QUAN 5
1.1 Giới thiệu mô hình tìm kiếm thông tin (Information Retrieval): 5
1.2 Hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR): 9
1.2.1 Khái niệm: 9
1.2.2 Các vấn đề của CLIR: 10
1.3 Các hướng tiếp cận: 11
1.3.1 Dịch máy (Machine Translation for Text Translation): 11

1.3.2 Dựa trên từ điển đa ngữ (Multilingual Thesauri): 14
1.3.3 Dựa trên ngữ liệu (Corpus-based techniques): 22
1.4 Một số công trình nghiên cứu trong và ngoài nước: 30
1.4.1 Ở Việt Nam: 30
1.4.2 Trên thế giới: 31
1.5 Kết luận: 32
Chương 2: CƠ SỞ LÝ THUYẾT 35
2.1 Giới thiệu về MRD (Machine Readable Dictionary) 35
2.1.1 Sơ lược lịch sử phát triển MRD trên thế giới: 35
2.1.2 Vai trò và cấu trúc của MRD: 39
2.1.3 Khai thác tài nguyên từ điển: 41
2.1.4 Xây dựng từ điển tự động: 42
2.1.5 Cấu trúc vĩ mô và vi mô của từ điển MRD: 43
2.1.6 Một số từ điển MRD: 43
2.2 Các phương pháp tách từ: 51
2.2.1 Mô hình WFST: 51
2.2.2 Mô hình MMSEG: 57
2.3 Các phương pháp khử nhập nhằng: 64
2.3.1 Giới thiệu: 64
2.3.2 Khử nhập nhằng: 65
2.4 Kết luận: 70
Chương 3: PHÂN TÍCH và THIẾT KẾ 72
3.1 Tổng quan hệ thống: 72
3.1.1 Phát biểu bài toán: 72
3.1.2 Mô hình hệ thống: 72
3.1.3 Phát sinh quản lý: 73
3.2 Phân tích – thiết kế hệ thống: 76
3.2.1 Mô hình Usecase: 76
3.2.2 Đặc tả usecase: 77
3.2.3 Sơ đồ tuần tự: 78

3.2.4 Thiết kế lớp: 81
3.2.5 Thiết kế giao diện: 94
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
1

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
3.3 Xây dựng hệ thống: 97
3.3.1 Tổ chức các MRD: 97
3.3.2 Phương pháp tìm kiếm dựa trên MRD: 106
3.3.3 Tìm kiếm tài liệu bằng công cụ tìm kiếm: 110
CHƯƠNG 4: CÀI ĐẶT VÀ THỬ NGHIỆM 112
4.1 Cài đặt: 112
4.1.1 Tiền xử lý: 112
4.1.2 Cấu trúc dữ liệu: 112
4.1.3 Dịch từ từ điển: 113
4.1.4 Khử nhập nhằng : 113
4.1.5 Tìm kiếm: 116
4.2 Thử nghiệm: 117
4.2.1 Module dịch và khử nhập nhằng: 117
4.2.2 Chương trình demo trên web: 117
4.3 Đánh giá : 119
4.3.1 Module dịch và khử nhập nhằng: 119
4.3.2 Chương trình tìm kiểm trên Web: 120
Chương 5: KẾT LUẬN và HƯỚNG PHÁT TRIỂN 122
5.1 Kết luận: 122
5.2 Huớng phát triển: 122
5.2.1 Đối với từ điển và ngữ liệu: 122
5.2.2 Đối với IR Engine: 123
5.2.3 Mở rộng ngôn ngữ tìm kiếm cho hệ thống: 124

PHỤ LỤC 125
TÀI LIỆU THAM KHẢO 132

GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
2

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
MỞ ĐẦU
Với sự phát triển nhanh chóng của công nghệ tin học, khối lượng thông tin được lưu
trữ trên máy tính ngày càng nhiều. Vì vậy cần có các hệ thống tìm kiếm thông tin
(Information Retrieval) cho phép người dùng tìm kiếm một cách chính xác và nhanh
nhất các thông tin mà họ cần trên kho tư liệu khổng lồ này. Hơn nữa, trong xu thế toàn
cầu hóa như hiện nay, rất nhiều các tổ chức, các công ty quốc tế hình thành, lại xuất
hiện một nhu cầu mới trong việc tìm kiếm thông tin đó là tìm kiếm thông tin đa ngữ để
người dùng có thể khai thác một cách hiệu quả nhất kho tài liệu đa ngữ mà họ có. Một
ví dụ cụ thể về kho tư liệu đa ngữ là Internet. Các trang Web bằng nhiều ngôn ngữ
khác nhau xuất hiện ngày càng nhiều, trong khi các công cụ tìm kiếm đơn ngữ (search
engine) chỉ có thể trả về các tài liệu được viết cùng ngôn ngữ với ngôn ngữ của câu
truy vấn (query). Do đó vấn đề đặt ra là liệu có thể xây dựng một hệ tìm kiếm thông
tin mà thông tin trả về là tất cả các tài liệu ở các ngôn ngữ khác nhau trong kho tư liệu
có liên quan đến câu truy vấn (không phụ thuộc vào ngôn ngữ của câu truy vấn). Đây
chính là bài toán đặt ra cho việc nghiên cứu các hệ tìm kiếm đa ngữ/ xuyên ngữ
(multilanguage IR/ cross language IR).
Mục tiêu của các hệ thống tìm kiếm xuyên ngữ là cung cấp công cụ cho người dùng để
có thể mô tả nhu cầu tìm kiếm thông tin ở ngôn ng
ữ mà mình diễn đạt giỏi nhất
(thường là tiếng mẹ đẻ), hệ thống sẽ phải trả về tất cả các tài liệu ở tất cả các ngôn ngữ
có trong kho tư liệu đang tìm kiếm có liên quan đến nhu cầu thông tin của người dùng.
Trên đây là nhu cầu chung của hầu hết các ngôn ngữ và tiếng Việt của chúng ta cũng

không phải là ngoại lệ. Khác với các ngôn ngữ khác, tiếng Việt có nhiều đặ
c điểm
riêng biệt và rất khó xử lý bằng máy tính, nên các đề tài nghiên cứu hay các chương
trình ứng dụng liên quan đến các hệ thống tìm kiếm bằng tiếng Việt còn rất ít. Mà nhu
cầu tìm kiếm tài liệu trên kho tàng kiến thức của thế giới của người Việt là rất lớn. Với
mong muốn phát triển nhiều hơn nữa các hệ thống tìm kiếm xuyên ngôn ngữ bằng
tiếng Việt, chúng tôi xây dựng “Hệ thố
ng tìm kiếm thông tin xuyên ngôn ngữ Việt –
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
3

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Anh – Hoa” cho phép người dùng nhập câu truy vấn bằng tiếng Việt và trả về các tài
liệu có liên quan bằng tiếng Việt, tiếng Anh và tiếng Hoa. Trong luận văn này chúng
tôi lựa chọn tiếng Anh và tiếng Hoa là hai đại diện tiêu biểu cho hai loại hình ngôn
ngữ biến hình và đơn lập. Từ đó cho thấy rằng hệ thống tìm kiếm thông tin xuyên ngữ
có thể thực thi trên hai loại hình ngôn ngữ khác nhau.
Bố cục của luận văn gồm các chương sau:
•
Chương 1 – TỔNG QUAN : giới thiệu tổng quan về hệ thống tìm kiếm
(IR), hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR), các hướng tiếp cận
và các vấn đề cần giải quyết của hệ thống.
• Chương 2 – CƠ SỞ LÝ THUYẾT: trình bày cơ sở lý thuyết và các
phương pháp đã nghiên cứu trong luận văn.
• Chương 3 – PHÂN TÍCH VÀ THIẾT KẾ: phân tích và thiết kế hệ
thống.
• Ch
ương 4 – CÀI ĐẶT VÀ KIỂM TRA: cài đặt, kiểm thử chương trình.
• Chương 5 – KẾT LUẬN và HƯỚNG PHÁT TRIỂN: trình bày các kết

quả đạt được, các đánh giá về hệ thống và hướng phát triển trong tương lai.
• Phần TÀI LIỆU THAM KHẢO và PHỤ LỤC: trình bày các thông tin có
liên quan được sử dụng trong luận văn.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
4

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Chương 1: TỔNG QUAN
Trong chương này, chúng tôi sẽ trình bày khái quát về các hệ thống tìm kiếm
(Information Retrieval), hệ thống tìm kiếm thông tin xuyên ngôn ngữ (Cross-Language
Information Retrieval) và một số khảo sát về tình hình nghiên cứu trong và ngoài
nước. Cuối chương chúng tôi sẽ rút ra kết luận chung và lựa chọn hướng tiếp cận cho
hệ thống của mình. Nội dung trình bày bao gồm:
9 Giới thiệu mô hình tìm kiếm thông tin.
9 Hệ thống tìm kiếm thông tin xuyên ngôn ngữ.
9 Một số công trình nghiên cứu trong và ngoài nước.
9 K
ết luận.
1.1 Giới thiệu mô hình tìm kiếm thông tin (Information
Retrieval):
Hệ thống tìm kiếm thông tin xuyên ngữ (Cross Language Information Retrieval -
CLIR) có liên hệ rất mật thiết với hệ thống tìm kiếm thông tin (Information Retrieval -
IR) và cũng có rất nhiều đặc trưng của hệ thống này (IR). Qui trình của hệ thống tìm
kiếm thông tin như sau:
• Người dùng muốn xem những tài liệu liên quan đến một chủ đề nào đó.
• Người dùng cung cấp một mô tả về chủ đề đó dưới dạng câu truy vấn.
•
Từ câu truy vấn này hệ thống sẽ lọc ra những cụm từ chỉ mục.
• Những cụm từ chỉ mục này sẽ được so khớp với những cụm từ chỉ mục

của các tài liệu đã được xử lý trước đó.
• Những tài liệu nào có mức độ liên quan cao nhất sẽ được trả về cho
người dùng.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
5

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Mục đích của IR là hiển thị cho người dùng một tập các thông tin thỏa mãn nhu cầu
của họ. Chúng ta định nghĩa chính xác cho thông tin cần thiết là “câu truy vấn”(query),
và các thông tin được chọn là “tài liệu” (documents). Mỗi cách tiếp cận trong IR bao
gồm 2 thành phần chính: một là các kỹ thuật để biểu diễn thông tin (câu truy vấn, tài
liệu), và hai là phương pháp so sánh các cách biểu diễn này. Mục đích là để tự động
qui trình kiểm tra các tài liệu bằng cách tính toán độ tương quan giữa các câu truy vấn
và tài liệu. Qui trình tự động này thành công khi nó trả về các kết quả giống với các
kết quả được con người tạo ra khi so sánh câu truy vấn với các tài liệu.
Có một vấn đề thường xảy ra đối với hệ thống tìm kiếm là những từ mà người dùng
đưa ra trong câu truy vấn thường khác xa những từ trong tập tài liệu chứa thông tin mà
họ tìm kiếm. Trường hợp như thế gọi là “paraphrase problem” (vấn đề về di
ễn giải).
Để giải quyết vấn đề này hệ thống đã tạo ra các hàm biểu diễn xử lý các câu truy vấn
và các tài liệu một cách khác nhau để đạt đến một độ tương thích nào đó.

d
Hàm biểu diễn
câu truy vấn
Không gian
biểu diễn
R
[0,1]
Xử lý của con người
j
Hàm biểu
diễn tài liệu
Câu truy vấn
Biểu diễn 2
Tài liệu
c
Hàm so sánh
q
Biểu diễn 1
[0,1]
Không gian
tài liệu
D
Không gian câu
truy vấn
Q
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
6

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Hình 1.1: Mô hình hệ thống tìm kiếm thông tin
Gọi miền xác định của hàm biểu diễn câu truy vấn q là Q, tập hợp các câu truy vấn có
thể có; và miền giá trị của nó là R, không gian thống nhất biểu diễn thông tin. Gọi
miền xác định của hàm biểu diễn tài liệu d là D, tập hợp các tài liệu; và miền giá trị
của nó là R
2
. Miền xác định của hàm so sánh c là R x R và miền giá trị của nó là
[0,1], tập các số thực từ 0 đến 1. Trong một hệ thống tìm kiếm lí tưởng:
c(q(query), d(doc)) = j(query, doc) , ∀query∈ Q, ∀doc ∈ D,
khi j: Q x D > [0,1] biểu diễn việc xử lý của người dùng giữa các mối quan hệ của 2
thông tin, được tính dựa trên một tiêu chuẩn nào đó (ví dụ: sự
giống nhau về nội dung
hay sự giống nhau về kiểu …). Hình 1.1 minh họa mối quan hệ này.
Có hai kiểu hệ thống tìm kiếm: tìm kiếm dựa trên so khớp chính xác và dựa trên sắp
xếp. Mô hình trên đây có thể mô tả cả 2 cách tiếp cận. Trong hệ thống tìm kiếm dựa
trên so khớp chính xác, miền giá trị của c được giới hạn từ 0 đến 1, và nó được chuyển
sang nhị phân để quyết định liệu 1 tài liệ
u có thỏa biểu thức bool được xác định bởi
câu truy vấn hay không? Các IR dựa trên so khớp chính xác thường cung cấp các tài
liệu không sắp xếp thỏa câu truy vấn của người dùng, hầu hết các hệ thống tìm kiếm
hiện nay đều dùng cách này. Cách hoạt động chi tiết của hệ thống sẽ được mô tả ở
phần sau.
Đối với hệ thống IR dựa trên sắp xếp, thì các tài liệu sẽ được sắp xếp theo th
ứ tự giảm
dần về mức độ liên quan. Có 3 loại hệ thống tìm kiếm dựa trên sắp xếp: “ranked
Boolean”, “probabilistic” và “similarity based”. Trong 3 cách trên miền giá trị của c là
[0,1], tuy nhiên chúng khác nhau ở cách tính “giá trị trạng thái tìm kiếm” (“retrieval
status value”):
• Trong hệ thống dựa trên “ranked Boolean” giá trị này là mức độ mà

thông tin thỏa mãn biểu thức bool được chỉ ra bởi các thông tin còn lại.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
7

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
• Trong hệ thống dựa trên “probabilistic” , khái niệm này hơi khác một
chút, giá trị này là xác suất mà thông tin có liên quan đến một câu truy vấn. Rất
nhiều hệ thống tìm kiếm dựa trên xác suất được thiết kế để chấp nhận câu truy
vấn được diễn tả bằng ngôn ngữ tự nhiên hơn là một biểu thức bool.
• Trong hệ thống tìm kiếm dựa trên sự giống nhau, giá trị trạng thái tìm
kiếm được tính bằ
ng cách tính mức độ giống nhau của nội dung thông tin.
Trong các hệ thống tìm kiếm dựa trên so khớp chính xác, việc đánh giá hệ thống chủ
yếu dựa trên việc đánh giá mức độ liên quan. Giả sử j là giá trị nhị phân và được cho
trước. Nói cách khác, ta giả sử rằng các tài liệu hoặc có hoặc không có liên quan đến
câu truy vấn, và độ liên quan giữa tài liệu và câu truy vấn do con người xác định là
chính xác. Theo giả định này, tính hiệu quả của các hệ
thống tìm kiếm dựa trên so
khớp chính xác được đánh giá dựa trên 2 đại lượng thống kê là “độ chính xác”
(precision) và “độ bao phủ” (recall). Độ chính xác là tỉ lệ các tài liệu được chọn, các
tài liệu thực sự liên quan đến các thông tin mà người dùng cần, độ bao phủ là tỉ lệ tài
liệu có liên quan được sắp xếp chính xác theo độ liên quan bởi hệ thống tìm kiếm. Nói
cách khác, độ chính xác bằng 1 trừ đi tỉ lệ cảnh báo sai, trong khi đó độ bao phủ
đo
mức độ hoàn chỉnh của việc tìm kiếm. Bảng 1.1 minh họa cho các mối quan hệ này.
Actually is
Selected as
Relevant Not relevant
Relevant Found False alarm

Not Relevant Missed




alarmFalseFound
Found
ecision
+
=Pr

MissedFound
Found
call
+
=Re

GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
8

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Bảng 1.1: Tính độ hiệu quả của hệ thống tìm kiếm thông tin
Việc đánh giá tính hiệu quả của hệ thống tìm kiếm dựa trên sắp xếp thì phức tạp hơn.
Một cách tính độ hiệu quả phổ biến cho các hệ thống này là “độ chính xác trung bình”.
Nó được tính bằng cách chọn một tập lớn hơn các tài liệu ở đầu danh sách có giá trị
bao phủ giữa 0 và 1. Phương pháp thường được sử d
ụng là phương pháp tính dựa trên
5, 7, 11 điểm theo độ bao phủ. Độ chính xác sau đó sẽ được tính cho từng tập một. Qui
trình sẽ được lặp lại cho từng câu truy vấn, và tương ứng mỗi độ chính xác trung bình

sẽ cho một độ bao phủ. Mỗi giá trị trung bình của những số này sau đó sẽ được tính
toán và ghi nhận như là một đặc trưng của hệ thống. Độ chính xác trung bình càng lớn
thì càng tốt, và việc so sánh chỉ thực sự có ý nghĩa khi chúng ta sử dụng cùng một tập
tài liệu và câu truy vấn. Tuy nhiên độ chính xác trung bình cũng làm giảm đi mức độ
thay đổi của các câu truy vấn có các đặc tính khác nhau (ví dụ như số lượng tài liệu có
liên quan khác nhau). Hơn thế nữa, các tài liệu có liên quan thường tập trung ở đầu
danh sách sắp xếp nên thông thường độ chính xác sẽ giảm mỗi khi tập tài liệu được mở
rộng để tăng độ
bao phủ.
1.2 Hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR):
1.2.1 Khái niệm:
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR) là hệ thống tìm kiếm (IR) cho
phép người dùng nhập câu truy vấn bằng một ngôn ngữ để tìm kiếm các tài liệu trong
một ngôn ngữ khác. Đối tượng sử dụng hệ thống tìm kiếm thông tin xuyên ngữ (CLIR)
là:
• Những người có khả năng đọc các tài liệu tiếng nước ngoài, nhưng gặp
khó khăn khi tạo câu truy vấn bằng ngôn ngữ đó.
• Những người gặp khó kh
ăn khi đọc/ tìm kiếm các tài liệu tiếng nước
ngoài nhưng lại cần một số lượng giới hạn các tài liệu được tìm kiếm bằng
CLIR để sử dụng trong các hệ thống dịch máy (MT), thay vì phải dịch toàn bộ
tập hợp các tài liệu.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
9

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
• Những người biết các từ khóa hoặc cụm từ tiếng nước ngoài, và muốn
đọc các tài liệu có liên quan với những từ khóa hoặc cụm từ đó bằng ngôn ngữ
bản xứ.

1.2.2 Các vấn đề của CLIR:
Vì câu truy vấn do người dùng nhập vào và các tài liệu được tìm kiếm ở hai ngôn ngữ
khác nhau nên CLIR cần phải có qui trình chuyển ngữ cùng với qui trình tìm kiếm
theo cách tìm kiếm truyền thống của các hệ đơn ngữ. Các hệ tìm kiếm đơn ngữ hiện
nay thực hiện rất tốt qui trình tìm kiếm đơn ngữ. Và vấn đề chính chúng ta cần quan
tâm ở đây làm thế nào để qui trình chuyển ngữ có thể được thực hiện tốt nhất.
Chính qui trình chuyển ngữ này đã làm phát sinh rất nhiều vấn đề trong CLIR. Vấn đề
đầu tiên là làm sao biết được một từ trong ngôn ngữ này được viết như thế nào trong
ngôn ngữ khác? Vấn đề thứ hai là làm sao quyết định được cách dịch nào sẽ được giữ
lại? Vấn đề thứ ba là làm sao xác định được tầm quan trọng khác nhau giữa các bản
dịch khi có nhiều bản dịch được giữ lại.
Hai vấn
đề đầu tiên, làm sao để dịch và làm sao để loại bỏ bớt bản dịch, là hai vấn đề
của các hệ thống dịch máy . Hệ thống CLIR có thể loại bỏ một vài cách dịch và giữ lại
một số khác bằng cách khử nhập nhằng. Tuy nhiên, việc giữ lại một số cách dịch nhập
nhằng giúp cho hệ thống tìm kiếm gia tăng độ bao phủ của nó.
Vấn đề thứ
ba của CLIR có liên quan đến cách xử lý các bản dịch tương đương, là điều
giúp chúng ta phân biệt CLIR với dịch máy và tìm kiếm thông tin đơn ngữ. Giả sử
rằng câu truy vấn ban đầu có hai từ phân biệt. Nếu từ đầu tiên có thể được dịch sang
nhiều cách khác nhau, và nếu từ thứ hai chỉ có thể được dịch sang một cách duy nhất,
thì hệ thống tìm kiếm sẽ không tăng trọng số cho từ đầu tiên, bởi vì nó có nhi
ều lựa
chọn khi dịch. Điều này minh họa cho vấn đề tính trọng số của các cách dịch, đặc biệt
là đối với hệ thống CLIR. Một tài liệu chứa một cách dịch của mỗi từ trong câu truy
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
10

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa

vấn có thể sẽ có độ liên quan nhiều hơn một tài liệu chứa nhiều cách dịch khác nhau
của từ đầu tiên trong câu truy vấn nhưng không chứa cách dịch nào của từ thứ hai.
1.3 Các hướng tiếp cận:
Việc phân loại các hướng tiếp cận của CLIR dựa trên phương pháp được sử dụng
trong quá trình chuyển ngữ.
1.3.1 Dịch máy (Machine Translation for Text Translation):
Giữa tìm kiếm xuyên ngữ và dịch máy hoàn toàn tự động có mối quan hệ gần gũi.
Hình 1.2 minh họa cách dịch tự động hoàn toàn và hỗ trợ dịch máy có thể được tích
hợp trong hệ thống tìm kiếm xuyên ngữ. Với một hệ thống như thế, các câu truy vấn
có thể được dịch sang bất cứ ngôn ngữ nào mà người dùng thấy cần thiết, và các tài
liệu sẽ được trả về bất cứ ngôn ng
ữ nào. Nếu cần, việc dịch máy hoàn toàn tự động có
thể được dùng để tạo ra các bản dịch được hiển thị trên màn hình cho phép người dùng
chọn tài liệu. Khi cần một bản dịch tốt hơn thì các tài liệu được chọn có thể được
chuyển cho dịch máy dưới sự hỗ trợ của con người.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
11

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa

Hình 1.2 Tích hợp tìm kiếm xuyên ngữ với dịch máy.
Có lẽ hầu hết các hướng tiếp cận trực tiếp đến tìm kiếm xuyên ngôn ngữ là việc thực
thi q hoặc d bằng cách sử dụng hệ thống dịch hoàn toàn tự động để mang câu truy vấn
và tài liệu vào không gian biểu diễn R dựa trên một ngôn ngữ nhất định. Một điểm yếu
của hệ thống dị
ch tự động là nó chỉ có thể cung cấp việc dịch hiệu quả trong một vùng
giới hạn nào đó.
Các hệ thống tìm kiếm văn bản thường bỏ qua các lỗi dịch cú pháp hơn là các lỗi về
ngữ nghĩa, nhưng độ chính xác về ngữ nghĩa sẽ giảm sút khi các thông tin không được

mã hóa vào hệ thống dịch một cách đầy đủ. Vì việc mã hóa đầy đủ thông tin có thể sẽ
mất chi phí khá cao nên tính hiệ
u quả của hệ thống tìm kiếm xuyên ngữ dựa trên dịch
máy sẽ bị giới hạn, đặc biệt là khi dịch các câu truy vấn ngắn. Khuyết điểm này có thể
được giảm bớt nếu chúng ta dịch các tài liệu thay vì dịch câu truy vấn. Bởi vì các tài
liệu thường dài hơn các câu truy vấn, nên một hệ thống dịch máy được nhúng vào hàm
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
12

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
biểu diễn tài liệu d có thể có nhiều thông tin về ngữ cảnh để chọn lựa ngữ nghĩa hơn là
một hệ thống được nhúng vào hàm biểu diễn câu truy vấn q.
Tuy nhiên, độ hiệu quả sẵn có của dịch máy đã trở thành vấn đề tranh luận khi một hệ
thống dịch được nhúng vào d, bởi vì thông thường d cần phải được cung cấp cho một
s
ố lượng rất lớn các tài liệu. Hơn nữa, một vài công việc do hệ thống dịch máy thực
hiện không mang lại sự cải tiến nào cho tính hiệu quả của việc tìm kiếm văn bản.
Chẳng hạn như, việc dịch văn bản đòi hỏi phải lựa chọn thứ tự của các từ và thêm vào
các từ có quan hệ gần
1
trong ngôn ngữ đích. Nhưng cả hai đặc tính này thường bị bỏ đi
bởi q và d.
Thật vậy, một vài công việc do hệ thống dịch máy làm thật sự làm giảm tính hiệu quả
của việc tìm kiếm văn bản. Vì trong các ngôn ngữ khác nhau nghĩa của từ sẽ không
được nhóm theo cùng một cách, nên các hệ thống dịch máy luôn cố gắng đạt được
nghĩa dịch tốt nhất cho từ khi t
ừ có nhiều nghĩa. Theo phân tích này thì một nghĩa đơn
sẽ được chọn cho mỗi từ đa nghĩa. Tuy nhiên, trong một hệ thống tìm kiếm, q và d có
thể được thiết kế để ngăn chặn những thông tin không chắc chắn và c có thể được thiết

kế để tận dụng những thông tin đó trong việc cải thiện tính hiệu quả.
Những nghiên cứu này cho thấy rằng khi thiế
t kế các hàm q và d cho hệ thống tìm
kiếm xuyên ngữ thì kiểu và độ sâu của qui trình có thể được quyết định bởi khả năng
biểu diễn của không gian R để biểu diễn các kết quả của các qui trình và khả năng sử
dụng các thông tin đó của hàm so sánh c. Chúng ta cũng có thể hoặc giới hạn qui trình
của chúng ta bằng khả năng của các kĩ thuật hiện có để sử
dụng thông tin kết quả, hoặc
chúng ta có thể thiết kế các hàm biểu diễn và so sánh mới để tận dụng thông tin mà kĩ
thuật dịch máy có thể cung cấp.

Ưu điểm: các câu truy vấn có thể được dịch sang bất cứ ngôn ngữ nào mà người
dùng thấy cần thiết, và các tài liệu sẽ được trả về bất cứ ngôn ngữ nào.

1
các từ có quan hệ gần là những từ ít mang nội dung và thường bị loại bỏ bởi danh sách các stopword trong một
hệ thống truy xuất.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
13

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
 Khuyết điểm: Hiệu quả dịch còn giới hạn.
1.3.2 Dựa trên từ điển đa ngữ (Multilingual Thesauri):
Ở đây chúng ta định nghĩa một từ điển đồng nghĩa như là một công cụ để mã hóa
thông tin tri thức cho một ứng dụng. Vì thế một từ điển đồng nghĩa là một bản thể mà
đặc trưng là các thuật ngữ đã được tổ chức. Một từ điển đồng nghĩa đa ngữ là một từ
điển tổ chức các thu
ật ngữ từ một hoặc nhiều thứ tiếng. Từ điển song ngữ, thường định
nghĩa các cụm với chi tiết cho các cụm khác, cũng được gộp vào định nghĩa này. Từ

vựng trong ngôn ngữ học máy tính, được mã hóa thông tin cú pháp và ngữ nghĩa, cũng
nằm trong định nghĩa này. Các từ điển đồng nghĩa phức tạp, được sử dụng như là một
danh mục cơ
sở trong hệ thống tìm kiếm tự động, cũng nằm trong phạm vi của định
nghĩa từ điển đồng nghĩa trên. Thậm chí một danh sách song ngữ đơn giản gồm các
thuật ngữ kĩ thuật mà trong đó mỗi thuật ngữ được gán một cách dịch duy nhất cũng là
một từ điển đồng nghĩa theo định nghĩa trên. Chúng ta nhận ra rằng đây là một đị
nh
nghĩa mở rộng không bình thường cho từ “từ điển đồng nghĩa”. Nhưng vì không có
một thuật ngữ chuẩn ngắn gọn nào có thể đáp ứng khái niệm chúng ta mô tả nên chúng
ta chọn cụm từ có quan hệ gấn nhất với hệ thống tìm kiếm xuyên ngữ hiện tại. Bảng
1.2 cho thấy một vài kiểu từ điển đồng nghĩa phổ biến được sử d
ụng trong các hệ
thống tìm kiếm xuyên ngữ. Các thông tin chi tiết hơn về từ điển xuyên ngữ sẽ được
trình bày ở phần sau.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
14

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa

Kiểu từ điển Đặc trưng
Từ điển đồng nghĩa theo
đề tài
Có mối quan hệ kế thừa và kết hợp.
Một cụm duy nhất được gán cho 1 nút.
Danh sách khái niệm Không gian của các cụm từ được chia
thành các lớp khái niệm.
Danh sách các cụm từ Danh sách các từ đồng nghĩa xuyên ngôn
ngữ.

Từ vựng Các cú pháp hoặc ngữ nghĩa mà máy có
thể đọc được (Machine Readable)
Bảng 1.2 Các kiểu từ điển đa ngữ
Kĩ thuật dựa trên từ điển có một số ưu điểm và khuyết điểm nhất định. Vì từ điển có
thể biểu diễn các mối quan hệ giữa các cụm từ và các khái niệm theo cách mà con
người có thể hiểu được, nên việc tìm kiếm thông tin dựa trên từ điển cho phép người
dùng khai thác lợi ích bên trong trong suốt quá trình tìm ki
ếm để hình thành một câu
truy vấn tốt hơn. Hơn thế nữa, vì có một lượng các thông tin quan trọng được mã hóa
trong từ điển, nên ở khía cạnh của một người dùng có kĩ năng, một hệ thống tìm kiếm
dựa trên từ điển có thể là một công cụ rất mạnh. Mặt khác, việc sử dụng từ điển sẽ áp
đặt mức độ giới hạn
lên cả từ vựng mà người dùng sử dụng cũng như phạm vi mà hệ
thống tìm kiếm có thể cung cấp. Các kỹ thuật hiện nay cho việc xây dựng và duy trì từ
điển tập trung mạnh mẽ vào nguồn tài nguyên, và việc huấn luyện; và nỗ lực để sử
dụng hiệu quả các mối quan hệ về khái niệm chứa đựng bên trong một từ điển phức
tạp là r
ất trọng yếu.
Một vài khía cạnh về tri thức có thể được mã hóa trong một từ điển. Đặc tính quan
trọng của một từ điển xuyên ngữ là một đặc tả của đồng nghĩa xuyên ngữ
2
. Các mối

2
Đặc tả của đồng nghĩa xuyên ngữ có thể không hoàn toàn vì có một số cụm từ có thể không có bản dịch trực
tiếp trong một ngôn ngữ khác.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
15

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
quan hệ kế thừa về khái niệm (cụm từ rộng hơn, hay hẹp hơn) và mối quan hệ kết hợp
(cụm từ có liên quan hoặc đồng nghĩa) thường được thêm vào một từ điển phức tạp.
Từ điển có thể được dùng tự động hoặc thủ công. Trong một hệ thống gọi là “vốn từ
được quản lý” (“controlled vocabulary”), mỗi khái niệm được gán nhãn bằng m
ột cụm
từ có tính mô tả để người dùng có thể chỉ rõ những khái niệm thích hợp nhất cho câu
truy vấn của họ. Khi các mối quan hệ về khái niệm được mã hóa trong một từ điển
được sử dụng một cách tự động, thì kĩ thuật đó được gọi là “tìm kiếm theo khái niệm”
(concept retrieval). Trong một hệ thống tìm kiếm theo khái niệm đơn giản, một danh
sách các khái niệm được sử dụ
ng để thay thế mỗi cụm từ bằng lớp khái niệm của nó để
tăng độ bao phủ (dựa trên độ quyết định). Có một hướng tiếp cận phức tạp hơn, gọi là
“mở rộng câu truy vấn” (query expansion) đã sử dụng mối quan hệ giữa các khái niệm
được mã hóa để lựa chọn cụm từ có thể đáp ứng cả độ chính xác và độ bao phủ.
Cả
việc thay thế khái niệm lẫn việc mở rộng câu truy vấn đều thể hiện nỗ lực làm tăng
độ bao phủ bằng cách làm giảm ảnh hưởng của vấn đề diễn giải. Độ chính xác có thể
được tăng bằng cách thêm vào các thông tin về cú pháp và ngữ nghĩa trong từ điển để
làm giảm nhẹ ảnh hưởng của từ đa nghĩa
3
.Ví dụ, trong một hệ thống thông tin có vốn
từ được quản lý thường được cung cấp một từ điển để người dùng có thể chọn ra cụm
từ chính xác một cách thủ công. Một hệ thống tìm kiếm khái niệm có thể sử dụng ý
tưởng này bằng cách đánh thẻ các từ dựa trên từ loại của chúng và sau đó chọn cách
dịch nào có cùng từ loại.
1.3.2.1 Hệ thống vốn từ được quản lí:
Trước năm 1973 người ta cho rằng cả hệ thống vốn từ được quản lý và hệ thống tìm
kiếm khái niệm bằng từ điển đa ngữ đều có thể thực thi xuyên ngữ giống như là việc
thực thi bên trong một ngôn ngữ với cùng kỹ thuật. Trước năm 1977 đã có 4 hệ thống

tìm kiếm xuyên ngữ được thực thi ở châu Âu. Từ các hệ thống này, nổi lên 6 tiêu chí

3
Giải pháp cho từ đa nghĩa thường được gọi là khử nhập nhằng nghĩa của từ.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
16

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
căn bản của các nghiên cứu dựa trên từ điển xuyên ngữ : những tiêu chuẩn về thiết kế,
các công cụ phát triển và duy trì, phần cứng chuyên dụng, các cặp và các lĩnh vực của
ngôn ngữ mới, giao diện người dùng, và việc đánh giá nhu cầu của người dùng.
Trong năm 1970, người ta thấy rõ ràng rằng việc tiêu chuẩn hóa sự phát triển các từ
điển để ngăn chặn “việc tạo ra nh
ững đề tài lệch hướng và không phù hợp” là cần
thiết, và năm 1971 UNESCO đã đề ra các tiêu chuẩn cho việc phát triển từ điển đa
ngữ. Trong năm 1973 ISO đã xem xét vấn đề này, và trước năm 1976 bản thảo cho vấn
đề này đã được phổ biến một cách rộng rãi. Được thông qua vào năm 1978 như là
chuẩn ISO 5964 và được chỉnh sửa gần đây nhất vào năm 1985, tiêu chuẩn này đã mô
tả phạm vi tri thức có thể được nội suy bên trong các từ điển đa ngữ như thế nào, và
nhận diện những kỹ thuật khác nhau cho việc phát triển từ điển đa ngữ.
Từ điển EUROVOC của quốc hội châu Âu là một ví dụ của một từ điển đa ngữ hiện
đại theo chuẩn ISO 5964. Được thiết lập lần đầu vào năm 1984, EUROVOC hiện nay
bao gồ
m 9 ngôn ngữ
4
chính thức của cộng đồng châu Âu, và một phần của nó đã được
dịch sang nhiều ngôn ngữ khác. Việc thiết kế từ điển đòi hỏi chi phí cao, và điều này
đã làm giới hạn lĩnh vực mà hệ thống tìm kiếm dựa trên vốn từ được quản lí có thể
cung cấp. Nhưng EUROVOC chứng minh rằng một khi các mối liên hệ cơ bản về khái

niệm được đị
nh nghĩa trong một pham vi nào đó thì việc mở rộng chuẩn từ điển đa
ngữ ISO 5964 cho các ngôn ngữ khác là hoàn toàn thiết thực.
Khi các từ điển đa ngữ gia tăng một cách nhanh chóng, thì các công cụ thiết kế và duy
trì cũng trở nên quan trọng hơn. Trong những năm 1970, có rất nhiều các thủ tục cũng
như các thuật toán đã được nghiên cứu để dùng cho việc trộn các từ điển đơn ng
ữ
thành một từ điển đa ngữ.
Ngày nay các hệ thống tìm kiếm văn bản xuyên ngữ đã được sử dụng một cách rộng
rãi, nhưng hầu hết các hệ thống thương mại đều sử dụng hướng tiếp cận tìm kiếm dựa
trên so khớp chính xác. Các từ điển đa ngữ phức tạp đã và đang được phát triển trong

4
9 ngôn ngữ là: Đan Mạch, Hà Lan, Anh, Pháp, Đức, Hy Lạp, Ý, Bồ Đào Nha và Tây Ban Nha.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
17

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
nhiều ngôn ngữ và lĩnh vực, và các thủ tục dùng để thêm lĩnh vực và ngôn ngữ cũng
được hiểu rõ. Có 3 nhân tố quan trọng khi xây dựng từ điển là : chi phí, những tiện lợi
cho người dùng chưa được huấn luyện, và độ hiệu quả.
Việc xây dựng từ điển là một việc tốn nhiều chi phí. Nhưng việc sử dụng từ điển có
thể tốn nhiề
u chi phí hơn bởi vì trong một hệ thống có vốn từ được quản lí thì mỗi tài
liệu phải được gán các cụm từ phản ánh các khái niệm chứa trong nó. Mặc dù các công
cụ tự động có thể hỗ trợ giúp tăng năng suất của con người nhưng vì các hoạt động
mang tính trí tuệ của con người đòi hỏi việc tái tổ chức và tổ chức thông tin nên chi
phí sẽ vẫn rất cao.
Một giớ

i hạn quan trọng khác của hệ thống tìm kiếm văn bản dựa trên vốn từ được
quản lý, và giới hạn này cũng xuất hiện trong kỹ thuật tìm kiếm văn bản dựa trên so
khớp chính xác, là những người dùng không được huấn luyện dường như sẽ gặp khó
khăn khi khai thác khả năng của từ điển. Những khác nhau quan trọng giữa người
dùng có kĩ năng và người dùng không
được huấn luyện đã được nghiên cứu dựa trên
sự chọn lựa các cụm từ của họ, việc họ sử dụng những mối quan hệ của cụm từ được
mã hóa trong một từ điển, và việc sử dụng các toán tử AND, OR hoặc NOT trong việc
xây dựng câu truy vấn. Trong nhiều trường hợp người ta chứng minh rằng việc cung
cấp những người trung gian được huấ
n luyện có lợi hơn việc cung cấp những huấn
luyện đầy đủ cho mỗi người dùng. Kỹ thuật tìm kiếm dựa trên sắp xếp được mô tả ở
phần trước cũng giới thiệu một hướng tiếp cận khác để giải quyết vấn đề này. Các hệ
thống tìm kiếm dựa trên sắp xếp thường chấp nhận các câu truy vấn bằng ngôn ngữ tự
nhiên và cho phép s
ự lựa chọn không ràng buộc các cụm từ. Nói chung, mục đích của
việc tìm kiếm dựa trên sắp xếp không phải để thay thế kĩ thuật so khớp chính xác mà
để làm mạnh thêm các hệ thống bằng những kỹ thuật cải thiện một cách hiệu quả việc
tìm kiếm của những người dùng không được huấn luyện.
1.3.2.2 Tìm kiếm khái niệm:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
18

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Một cách khác để biểu diễn các khái niệm trong R là biểu diễn các cụm từ bằng cách
sử dụng từ điển đa ngữ dẫn dắt cho qui trình chọn lựa cụm từ. Đây là một biến thể của
mở rộng câu truy vấn, một kỹ thuật đã được nghiên cứu rất kỹ trong tìm kiếm đơn ngữ
5
. Ý tưởng cơ bản của mở rộng câu truy vấn là cung cấp các biến thể sử dụng của cụm

từ bằng cách gia tăng các cụm từ có liên quan trong câu truy vấn.
Gần đây, trong [
1] L.Ballesteros đã dùng phương pháp “phản hồi cục bộ ” (local
feedback) để mở rộng câu truy vấn. Phương pháp này là sự kết hợp giữa hai phương
pháp: sửa đổi câu truy vấn trước khi dịch (pre-translation query modification) và sửa
đổi câu truy vấn sau khi dịch (post-translation query modification). Trong nghiên cứu
của mình, ông giới hạn trong hai ngôn ngữ là tiếng Anh và tiếng Tây Ban Nha. Các
câu truy vấn tiếng Anh được lấy từ hệ thống TREC với chiều dài trung bình là 10.6 từ.
Các câu truy vấn tiếng Tây Ban Nha cũng được rút trích từ h
ệ thống này với chiều dài
trung bình là 4.3 từ. Việc đánh giá tính hiệu quả dựa trên các tài liệu tiếng Anh nằm
trong tập Tipster (vol. 2) có độ lớn 2GB và tập 208M các bài báo tiếng Tây Ban Nha
của báo “El Norte”. Ngữ liệu huấn luyện dùng cho việc phản hồi trước khi dịch là tập
các bài báo này và tập 301 MB cơ sở dữ liệu tin tức của San Jose Mercury từ tập hợp
Tipster. Toàn bộ câu truy vấn sẽ được thực hiện trên hệ thống INQUIRY. Qua thực
nghiệm L.Ballesteros nhận thấy rằng việc sửa đổi câu truy vấn trước khi dịch tạo ra
một cơ sở quan trọng cho việc dịch và nâng cao độ chính xác; việc sửa đổi câu truy
vấn sau khi dịch dựa trên từ điển máy đọc sẽ nâng cao độ bao phủ của tìm kiếm. Và kỹ
thuật này sẽ hiệu quả hơn đối với các câu truy vấn dài vì các câu truy vấn dài sẽ có
nhiều ngữ cảnh hơn giúp giảm tính nhập nhằng. Kết hợp hai qui trình này giúp tăng độ
chính xác trung bình lên 50%. Điều này cho thấy việc mở rộng câu truy vấn sẽ giúp
gia tăng đáng kể độ hiệu quả của hệ tìm kiếm xuyên ngữ.
1.3.2.3 Mã hóa thông tin ngữ nghĩa:

5
Đặc trưng duy nhất của mở rộng câu truy vấn trong truy xuất xuyên ngữ là các cụm từ ban đầu sẽ bị loại ra khỏi
câu truy vấn mở rộng nếu nó không mang cùng một nghĩa trong cả 2 ngôn ngữ
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
19

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Một khía cạnh khác của dự án EMIR[2] là việc ứng dụng việc phân rã nhanh nhưng
không sâu để tận dụng thông tin ngữ nghĩa được mã hóa trong từ điển. Số lượng các
cụm từ tiếng Anh được giảm bằng cách gán nhãn từng cụm từ tiếng Anh với từ loại
tương ứng của nó, và sau đó chỉ chọn những từ tiếng Anh có cách sử dụng cú pháp
tương tự các cụm từ tiếng Pháp. Từ điển EMIR là m
ột danh sách song ngữ các cụm từ
trong đó thông tin ngữ nghĩa được mã hóa như là các từ ghép, được sử dụng để thay
thế các mối quan hệ về khái niệm. Trong EMIR, các cụm từ bao gồm các từ, các ngữ
và từ ghép. Bởi vì các từ ghép nối các từ khóa với nhau dựa trên nền tảng là mối quan
hệ về ngữ nghĩa thay vì hình thức bề ngoài của chúng, do đó việc đưa ra các công thức
cho từ ghép sẽ tốt h
ơn việc rút trích các ngữ đơn giản. Bởi vì trật tự của các từ trong từ
ghép thường thay đổi trong ngôn ngữ đích, nên các mục từ của cụm từ ghép đã được
thiết lập để giải thích cho việc chuyển đổi khi cần.
Phiên bản EMIR của SPIRIT đã được đánh giá trên tập 1398 các khái niệm về hàng
không của Cranfield bằng cách sử dụng 225 câu truy vấn đã được Trung tâm tư liệu
quân độ
i Pháp dịch sang tiếng Pháp. Các tài liệu tiếng Anh được tìm kiếm đáp ứng các
câu truy vấn tiếng Pháp. Để so sánh, các câu truy vấn tiếng Pháp sau đó được dịch trở
lại sang tiếng Anh bằng cách sử dụng hệ thống dịch tự động SYSTRAN và các tài liệu
được chọn bằng cách sử dụng phiên bản đơn ngữ của hệ thống tìm kiếm SPIRIT. Cụ
thể như sau:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
20

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
0

0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
10 20 30 40 50 60 70 80 90
Độ bao phủ
Độ chính xác
EMIR
SYSTRAN
SPIRIT Anglais

Hình 1.3 So sánh tìm kiếm đơn ngữ của SPIRIT, tìm kiếm song ngữ của EMIR và dịch
câu truy vấn của SYSTRAN
1.3.2.4 Đánh giá ưu khuyết điểm:
 Ưu điểm :
Tài nguyên từ điển thì phổ biến và sẵn có hơn ngữ liệu song song do đó hướng tiếp cận
dựa trên từ điển có thể được xem là lựa chọn tốt hơn các hướng tiếp cận còn lại. Mặc
dù chiều sâu của từ điển là hạn chế nhưng phạm vi của nó thì đủ rộng để chúng ta có
thể dịch các câu truy vấn thuộ
c nhiều đề tài khác nhau. Mặt khác, hiện nay các từ điển
điện tử là khá phong phú, chúng ta có thể tận dụng nguồn tài nguyên này để cấu trúc
hóa và rút trích các thông tin cần thiết cho từ điển máy đọc dùng trong các hệ xuyên
ngữ.
 Khuyết điểm:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229

21

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Việc dịch tự động dựa trên từ điển chỉ đạt 50% hiệu quả do các bản dịch nhập nhằng.
Một trong hai nguyên nhân chính là việc chuyển đổi từ vựng dẫn đến việc thêm rất
nhiều từ khác. Theo nguyên cứu của L. Ballesteros, điều này dẫn đến việc mất 12-29%
thể hiện của câu truy vấn trong khi dịch và gây nên vấn đề khi dịch các câu truy vấn
dài. Nguyên nhân thứ hai là việc mất các ng
ữ khi dịch word by word, dẩn đến việc mất
20 – 25% . Thêm vào đó, các câu truy vấn thường chứa các thuật ngữ, mà các thuật
ngữ này thường không có trong từ điển tổng quát. Nếu chúng ta không có từ điển
chuyên ngành hoặc từ điển thuật ngữ thì hiệu quả của hệ thống sẽ càng thấp. Tuy
nhiên, những khuyết điểm trên đây sẽ là động lực thúc đẩy chúng ta tiếp tục nghiên
cứu và tìm hi
ểu các phương pháp nhằm nâng cao tính hiệu quả của hướng tiếp cận
này.
1.3.3 Dựa trên ngữ liệu (Corpus-based techniques):
Ngoài cách sử dụng từ điển, chúng ta có thể khai thác trực tiếp thông tin thống kê về
cách dùng thông thường của các cụm từ từ ngữ liệu song song. Cách tiếp cận trực tiếp
này rất thích hợp để tích hợp với các kỹ thuật tìm kiếm dựa trên việc thống kê cách
dùng thông thường của các cụm từ. Kỹ thuật tìm kiếm thống kê thường tận dụng hai
nhận xét quan trọng về cách dùng thông thường của c
ụm từ. Nhận xét đầu tiên là
những tài liệu mà người dùng đánh giá là cùng loại thì nhìn chung thường sử dụng các
cụm từ tương tự nhau. Quay trở lại mô hình 1.1, q và d được thiết kế một cách đặc
trưng để trích ra các thông tin về tần số của cụm từ và c được thiết kế để tận dụng điều
này. Nhận xét thứ hai là các cụm từ hiếm và ít phổ biến thì s
ẽ giúp ích rất nhiều cho
việc phân biệt giữa các tài liệu . Các cụm từ phổ biến mang ít nội dung thường bị loại
bỏ bởi một danh sách stoplist, và các cụm từ còn lại thường được tính trọng số bằng

cách sử dụng “tần số tài liệu đảo ” thường được tính như sau:
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
=
itermwithdocumentsofNumber
documentsofNumber
idf
i 2
log

GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
22

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Kết hợp hai kết quả ta gọi là “tfidf” (term frequency and inverse document frequency -
tần số của từ và tần số tài liệu đảo )
tfidf
ij
= tf
ij
* idf
i
tf

ij
là số lần từ i xuất hiện trong tài liệu j.
Một vài kỹ thuật có thể được sử dụng để xây dựng hàm so sánh c cho một thể hiện
tfidf. Có thể kỹ thuật đơn giản nhất là kỹ thuật dùng không gian vector, trong đó các
vector của trọng số tfidf được thiết lập bởi q và d và kết quả được chuẩn hoá bên trong
của 2 vector được tính nhờ vào c. Kết quả này cho ra m
ột giá trị mong muốn, là một
hàm tăng nghiêm ngặt đối với bất cứ việc giảm nào của sự khác nhau của 2 giá trị tfidf
giống nhau. Nói một cách khác, mang 2 vector lại gần nhau theo bất cứ chiều nào sẽ
làm tăng tính tương đồng của chúng. Bởi vì kết quả chuẩn hóa bên trong của 2 vector
là cosin của góc giữa 2 vector trong không gian vector, nên kết quả này được biết đến
như là phép đo độ tương đồng dùng hàm số cosin. Hệ thống SMART, được Salton
phát triển, là một ví dụ về hệ thống tìm kiếm sử dụng không gian vector.
Kỹ thuật tìm kiếm dựa trên xác suất thường thực thi một hàm c phức tạp hơn. Thường
dựa trên một giả định đơn giản là j (hoặc r ) là giá trị nhị phân (nghĩa là mọi tài liệu có
hoặc có liên quan hoặc không có liên quan ), kỹ thuật tìm kiếm dựa trên xác suất thực
hiệ
n việc tìm kiếm để ước lượng xác suất mà một tài liệu cho trước có liên quan dựa
trên độ tương quan hoặc tfidf. Hệ thống INQUIRY được Croft và các cộng sự phát
triển là một ví dụ cho hệ thống tìm kiếm dựa trên xác suất.
1.3.3.1 Xây dựng từ điển tự động:
Về ý nghĩa, các kỹ thuật dựa trên ngữ liệu có thể được xem như là một loại của kỹ
thuật xây dựng từ điển tự động, trong đó thông tin về mối quan hệ giữa các từ được tạo
ra từ các con số thống kê cách sử dụng thông thường của từ. Sự khác nhau là ở chỗ từ
điển này không cần con người xây dựng. Giống như các kỹ thu
ật tìm kiếm xuyên ngôn
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
23

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
ngữ khác, kỹ thuật xây dựng từ điển tự động là một nghiên cứu quan trọng kế thừa từ
ngữ cảnh của tìm kiếm đơn ngữ. Một số lượng đáng kể các nghiên cứu về đề tài này đã
xuất hiện và được công bố trong tài liệu về dịch máy. Ở đây chúng tôi trình bày hai kỹ
thuật để xây dựng từ điển đa ngữ từ khía cạnh tìm kiếm.
Kỹ thuật đầu tiên, người ta đã thực nghiệm trên 1.100 ngữ danh từ lấy từ ngữ liệu song
song của khoảng 1.000 cặp câu dài tiếng Hà Lan và tiếng Anh trong một tài liệu kỹ
thuật
6
. Các ngữ danh từ trong mỗi cặp câu được nhận diện bằng cách sử dụng một thẻ
từ loại thống kê và một bộ parser đơn giản. Các ứng viên dịch cho mỗi ngữ danh từ
tiếng Hà Lan được tạo ra bằng cách so sánh tần số của mỗi cụm tiếng Anh xuất hiện
trong một cặp câu tiếng Anh chứa ngữ danh từ, với tần số mà mỗi từ tiếng Anh xuấ
t
hiện trong toàn tập tài liệu. Một đặc tính khác được thêm vào giúp cho việc ngăn chặn
các chọn lựa ngữ danh từ xuất hiện ở những vị trí liên quan khác nhau trong các cặp
câu.
Các tham số được tìm thấy cho các kết quả trong việc nhận diện các bản dịch đơn
chính xác đến 45%, và nhiều lựa chọn khác mà các lựa chọn này tạo ra một danh sách
các ứng viên của các bản dịch trong đó chứa 66% các bản dịch đơn chính xác. Vi
ệc
dóng câu, đánh tag từ loại và phân rã lỗi chiếm 85% các lỗi, và các nghiên cứu cho
thấy rằng việc chọn lựa chặn trên cho việc biểu diễn kỹ thuật của mình sẽ nâng tỉ lệ
các bản dịch đơn chính xác lên 69% hoặc thêm khoảng 95% các bản dịch chính xác
vào một danh sách. Bởi vì ngữ liệu song song có kích thước nhỏ nên không thể quyết
định việc thực thi của kỹ thuật khi có nhiều hơn một bản dị
ch của cùng một từ xuất
hiện trong ngữ liệu
7
. Kết quả của từ vựng song ngữ không được sử dụng cho việc tìm

kiếm văn bản, vì thế chúng ta không thể quyết định điều gì làm ảnh hưởng đến các lỗi
dịch sẽ có hiệu quả cho việc tìm kiếm. Hơn nữa, chúng ta không thể đưa ra các hướng
dẫn về việc liệu việc giảm độ chính xác, kết quả của việc tăng số lượng ứ
ng viên có

6
Chiều dài trung bình của câu là hơn 24 từ. Các câu được gióng hàng bằng cách sử dụng kỹ thuật thống kê, và
7% các cặp câu sau đó được phát hiện là bị gióng hàng sai
7
71% các ngữ danh từ bằng tiếng Hà Lan xuất hiện chỉ 1 lần trong toàn bộ tập tài liệu
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
24