Khóa luận Phân tích câu hỏi trong hệ thống hỏi đáp tiếng Việt
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Nguyễn Đức Vinh
PHÂN TÍCH CÂU HỎI TRONG HỆ THỐNG
HỎI ĐÁP TIẾNG VIỆT
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công nghệ thông tin
HÀ NỘI - 2009
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Nguyễn Đức Vinh
PHÂN TÍCH CÂU HỎI TRONG HỆ THỐNG
HỎI ĐÁP TIẾNG VIỆT
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công nghệ thông tin
Cán bộ hướng dẫn: ThS. Trần Thị Oanh
Cán bộ đồng hướng dẫn: ThS. Nguyễn Cẩm Tú
HÀ NỘI - 2009
Lời cảm ơn
Trước tiên, tôi xin gửi lời cảm ơn và lòng biết ơn sâu sắc nhất tới Phó Giáo sư Tiến
sĩ Hà Quang Thụy, Thạc sĩ Trần Thị Oanh, Thạc sĩ Nguyễn Cẩm Tú và Cử nhân Trần Mai
Vũ – những người đã tận tình chỉ bảo và hướng dẫn tôi trong quá trình thực hiện khoá
luận tốt nghiệp.
Tôi chân thành cảm ơn các thầy, cô và cán bộ của trường Đại Học Công Nghệ đã tạo
cho tôi những điều kiện thuận lợi để học tập và nghiên cứu.
Tôi xin gửi lời cảm ơn chân thành tới cử nhân Nguyễn Minh Tuấn đã tận tình hỗ trợ
về kiến thức chuyên môn, giúp đỡ tôi hoàn thành khóa luận.
Tôi cũng xin gửi lời cảm ơn tới các anh chị và các bạn sinh viên trong phòng thí
nghiệm Sislab đã giúp tôi rất nhiều trong việc thu thập và xử lý dữ liệu.
Cuối cùng, tôi muốn gửi lời cảm ơn tới gia đình và bạn bè, những người thân yêu
luôn bên cạnh, động viên tôi trong suốt quá trình thực hiện khóa luận tốt nghiệp.
Tôi xin chân thành cảm ơn !
Sinh viên
Nguyễn Đức Vinh
i
Tóm tắt
Trong mười năm gần đây, hệ thống hỏi đáp tự động đã nhận được sự quan tâm đặc
biệt của các nhà nghiên cứu, các công ty (Yahoo, Google, Microsoft, IBM…), các hội
nghị lớn về trích chọn thông tin, xử lý ngôn ngữ tự nhiên (TREC, CLEF, ACL,..) và đã
đạt được những kết quả nhất định. Tuy nhiên các nghiên cứu về hệ thống hỏi đáp cho
tiếng Việt vẫn còn rất nhiều hạn chế.
Khóa luận Phân tích câu hỏi trong hệ thống hỏi đáp tiếng Việt tập trung vào khảo
sát các phương pháp được áp dụng cho xây dựng hệ thống hỏi đáp trên thế giới, đặc biệt
tập trung nghiên cứu pha phân tích câu hỏi – pha đầu tiên trong hệ thống hỏi đáp, có ý
nghĩa đặc biệt quan trọng với hoạt động của cả hệ thống. Trên cơ sở các nghiên cứu đó và
điều kiện thực tế của các công cụ xử lý ngôn ngữ tiếng Việt, khóa luận tiến hành thực
nghiệm việc phân tích câu hỏi tiếng Việt sử dụng phương pháp học máy thống kê và trích
rút mẫu quan hệ. Các kết quả ban đầu đạt được khá khả quan. Bộ phân lớp câu hỏi cho hệ
thống hỏi đáp miền mở đạt độ chính xác 81.49% khi sử dụng thuật toán SVM, 81.14 %
với mô hình Entropy cực đại. Module phân tích câu hỏi sử dụng mẫu quan hệ cho hệ
thống hỏi đáp trên miền du lịch đạt độ chính xác 89.7 %.
ii
Mục lục
Tóm tắt..................................................................................................................................i
Mục lục .............................................................................................................................. iii
Danh sách các bảng ............................................................................................................v
Danh sách các hình............................................................................................................vi
Lời mở đầu ..........................................................................................................................1
Chương 1. Giới thiệu về hệ thống hỏi đáp tự động .........................................................3
1.1. Hệ thống hỏi đáp tự động ..........................................................................................3
1.2. Phân loại hệ thống hỏi đáp tự động ...........................................................................5
1.2.1. Phân loại theo miền ứng dụng (domain).............................................................5
1.2.2. Phân loại theo khả năng trả lời câu hỏi...............................................................6
1.2.3. Phân loại theo hướng tiếp cận:............................................................................7
1.3. Các bước chung của hệ thống hỏi đáp tự động..........................................................7
Chương 2. Phân tích câu hỏi ...........................................................................................10
2.1. Nội dung của phân tích câu hỏi ...............................................................................10
2.2. Khó khăn của phân tích câu hỏi...............................................................................10
2.3. Một số nội dung của xử lý ngôn ngữ tự nhiên trong phân tích câu hỏi...................11
2.4. Taxonomy câu hỏi ...................................................................................................14
2.4.1. Khái niệm về taxonomy....................................................................................14
2.4.2. Taxonomy câu hỏi.............................................................................................15
2.5. Khảo sát các phương pháp phân tích câu hỏi cho các loại câu hỏi khác nhau ........19
2.5.1. Câu hỏi đơn giản (factual-base)........................................................................19
2.5.2. Câu hỏi định nghĩa (definition question) ..........................................................21
2.5.3. Câu hỏi phức tạp, có ràng buộc về thời gian.....................................................22
iii
Chương 3. Các phương pháp xác định loại câu hỏi ......................................................24
3.1. Phương pháp phân lớp sử dụng học máy thống kê..................................................24
3.1.2. Các thuật toán học máy thống kê cho việc phân lớp ........................................28
3.1.3. Xây dựng bộ phân lớp câu hỏi theo học máy thống kê.....................................37
3.2. Phương pháp xác định loại câu hỏi sử dụng kĩ thuật xử lý ngôn ngữ tự nhiên.......42
3.3. Phương pháp xác định loại câu hỏi sử dụng mẫu quan hệ ......................................45
Chương 4. Thực nghiệm phân tích câu hỏi tiếng Việt ..................................................47
4.1. Thực nghiệm với phân lớp câu hỏi sử dụng học máy thống kê...............................47
4.1.1. Dữ liệu và công cụ cho thực nghiệm ................................................................47
4.1.2. Kết quả bộ phân lớp sử dụng SVM và MEM ...................................................49
4.2. Thực nghiệm với xác định loại câu hỏi sử dụng mẫu quan hệ................................51
4.2.1. Mô hình thực nghiệm phân tích câu hỏi sử dụng mẫu quan hệ ........................51
4.2.2. Kết quả phân tích câu hỏi sử dụng mẫu quan hệ ..............................................55
Kết luận .............................................................................................................................58
Tài liệu tham khảo............................................................................................................60
iv
Danh sách các bảng
Bảng 1. Taxonomy câu hỏi do Li và Roth đưa ra ..............................................................17
Bảng 2. Biểu diễn của TP, TN, FP, FN trong đánh giá phân lớp.......................................27
Bảng 3. Số lượng câu hỏi theo từng lớp cha ......................................................................48
Bảng 4. Kết quả bộ phân lớp MEM khi sử dụng unigram .................................................49
Bảng 5. Kết quả bộ phân lớp MEM khi sử dụng tách từ....................................................49
Bảng 6. Kết quả bộ phân lớp SVM sử dụng các đặc trưng khác nhau...............................50
Bảng 7. Danh sách các từ hỏi .............................................................................................50
Bảng 8. Tập seed tìm được cùng với mối quan hệ tương ứng ...........................................53
Bảng 9. Tập quan hệ cùng các mẫu tương ứng ..................................................................54
Bảng 10. Các quan hệ được thực nghiệm trong hệ thống ..................................................55
Bảng 11. Các công cụ sử dụng ...........................................................................................55
Bảng 12. Các thành phần chính của hệ thống Q&A trên miền du lịch ..............................56
Bảng 13. Kết quả phân tích câu hỏi trong hệ thống hỏi đáp trên miền du lịch..................56
v
Danh sách các hình
Hình 1. Xu hướng trong nghiên cứu về Q&A......................................................................6
Hình 2. Các bước chung của hệ thống Q&A........................................................................8
Hình 3. Kiến trúc cho xử lý các câu hỏi factual-base.........................................................19
Hình 4. Mối quan hệ giữa các siêu phẳng phân cách.........................................................30
Hình 5. Siêu phẳng tối ưu và biên. .....................................................................................31
Hình 6. Biến nới lỏng cho soft margin...............................................................................33
Hình 7. Mô hình bộ phân lớp đa cấp của Li và Roth .........................................................39
Hình 8. Xác định loại câu hỏi sử dụng kĩ thuật xử lý ngôn ngữ tự nhiên ..........................43
Hình 9. Ánh xạ từ trọng tâm vào Wordnet.........................................................................44
Hình 10. Mô hình Snowball ...............................................................................................46
Hình 11. Mô hình hệ thống hỏi đáp tiếng Việt sử dụng trích xuất mẫu quan hệ ...............52
Hình 12. Mô hình xử lý cho pha phân tích câu hỏi và trích xuất câu trả lời......................53
vi
Lời mở đầu
Nghiên cứu về hệ thống hỏi đáp tự động (Q&A) đã được quan tâm từ rất lâu trên thế
giới. Ngay từ những năm 1960, các hệ thống hỏi đáp đầu tiên sử dụng cơ sở dữ liệu đã
được ra đời. Đến những năm 1970-1980, rất nhiều dự án lớn hướng đến việc “hiểu văn
bản” và xây dựng hệ thống hỏi đáp dựa trên các mô hình ngôn ngữ thống kê. Cuối những
năm 1990, World Wide Web ra đời và phát triển nhanh chóng trở thành một kho ngữ liệu
khổng lồ. Các nhà nghiên cứu về hệ thống hỏi đáp cũng bắt đầu khai thác web như là một
nguồn dữ liệu cho việc tìm kiếm câu trả lời. Các kĩ thuật mới đòi hỏi tốc độ cao, khả năng
xử lý lượng dữ liệu web lớn đang rất được quan tâm. Tuy nhiên các nghiên cứu về xây
dựng hệ thống hỏi đáp cho tiếng Việt vẫn còn rất nhiều hạn chế. Một trong những lý do
chính là chúng ta còn thiếu các công cụ xử lý tiếng Việt, các tài nguyên ngôn ngữ học
(Wordnet [28], ontology [30]…).
Phân tích câu hỏi là pha đầu tiên trong kiến trúc chung của một hệ thống hỏi đáp, có
nhiệm vụ tìm ra các thông tin cần thiết làm đầu vào cho quá trình xử lý của các pha sau
(trích chọn tài liệu, trích xuất câu trả lời, …). Vì vậy phân tích câu hỏi có vai trò hết sức
quan trọng, ảnh hưởng trực tiếp đến hoạt động của toàn bộ hệ thống. Nếu phân tích câu
hỏi không tốt thì sẽ không thể tìm ra được câu trả lời.
Khóa luận Phân tích câu hỏi trong hệ thống hỏi đáp tiếng Việt thực hiện khảo sát,
nghiên cứu các phương pháp xây dựng hệ thống hỏi đáp và phân tích câu hỏi đang được
quan tâm hiện nay, từ đó đưa ra phương pháp phân tích câu hỏi phù hợp nhất (trên cơ sở
các nguồn tài nguyên ngôn ngữ sẵn có) cho hệ thống hỏi đáp tiếng Việt. Những nghiên
cứu trong khóa luận có thể coi là tiền đề cho các nghiên cứu tiếp theo để xây dựng một hệ
thống hỏi đáp hoàn thiện cho tiếng Việt.
Khóa luận được trình bày thành bốn chương, nội dung được trình bày sơ bộ như
dưới dây:
Chương 1. Giới thiệu về hệ thống hỏi đáp tự động trình bày những nội dụng cơ bản
nhất về hệ thống hỏi đáp và đặt vấn đề cho phân tích câu hỏi.
Chương 2. Phân tích câu hỏi trình bày một cách tổng quan các vấn đề xung quanh
việc phân tích câu hỏi như: nội dung của phân tích câu hỏi, những khó khăn của phân tích
1
câu hỏi, các nội dung của xử lý ngôn ngữ tự nhiên trong phân tích câu hỏi, đồng thời khảo
sát các phương pháp phân tích câu hỏi cho một số loại câu hỏi khác nhau. Trong chương
này cũng chỉ ra tầm quan trọng của xác định loại câu hỏi trong phân tích câu hỏi.
Chương 3. Các phương pháp xác định loại câu hỏi trình bày ba phương pháp để
xác định loại câu hỏi, phân tích và chọn lựa hai phương pháp sẽ sử dụng cho phân tích
câu hỏi tiếng Việt.
Chương 4. Thực nghiệm phân tích câu hỏi tiếng Việt áp dụng các nghiên cứu trong
chương 3 để phân tích câu hỏi trong hệ thống hỏi đáp tiếng Việt.
Phần kết luận tổng kết, tóm lược nội dung và kết quả đạt được của khóa luận.
2
Chương 1. Giới thiệu về hệ thống hỏi đáp tự động
1.1. Hệ thống hỏi đáp tự động
Hệ thống hỏi đáp tự động có thể coi như một lựa chọn thứ hai bên cạnh hệ thống
trích chọn thông tin khi người dùng muốn tìm kiếm thông tin họ cần. Hệ thống trích chọn
thông tin nhận đầu vào là các từ khóa và trả về tập các tài liệu liên quan (có chứa các từ
khóa đó). Kết quả mà hệ thống trích chọn thông tin (máy tìm kiếm) trả lại cho người dùng
là rất lớn, có thể lên đến hàng nghìn trang web mà phần nhiều không chứa thông tin người
dùng mong muốn. Trong khi đó, hệ thống hỏi đáp nhận đầu vào là câu hỏi dưới dạng
ngôn ngữ tự nhiên của người dùng, trả lại các đoạn văn bản ngắn (các snippet) chứa câu
trả lời trực tiếp cho câu hỏi [38].
Nghiên cứu về hệ thống hỏi đáp tự động hiện đang thu hút sự quan tâm của rất nhiều
các nhà nghiên cứu từ các trường đại học, các viện nghiên cứu và cả các doanh nghiệp lớn
trong ngành công nghệ thông tin, có ý nghĩa khoa học lẫn ý nghĩa thực tế. Rất nhiều các
hội nghị thường niên về khai phá dữ liệu, trích chọn thông tin dành một chủ đề riêng cho
các nghiên cứu về hệ thống hỏi đáp như TREC1, CLEF2…
Bài toán xây dựng hệ thống hỏi đáp là một bài toán khó thuộc lĩnh vực xử lý ngôn
ngữ tự nhiên. Chúng ta biết rằng ngôn ngữ tự nhiên vốn nhập nhằng, đa nghĩa, việc xác
định được ngữ nghĩa của câu hỏi cũng như phát hiện ra câu trả lời là một thách thức
không nhỏ. Không những vậy, giữa câu hỏi và câu trả lời còn tồn tại các quan hệ “ngầm”
hay phụ thuộc vào ngữ cảnh.
Ví dụ câu hỏi
“Ai là tác giả Nhật ký trong tù ?”
Câu trả lời:
“ Hồ Chí Minh viết Nhật ký trong tù trong thời gian Người bị chính quyền Tưởng
Giới Thạch bắt giam và giải đi khắp các nhà giam ở Quảng Tây, Trung Quốc.”
1TREC: Text REtrieval Conference. http://trec.nist.gov/
2 CLEF: The Cross-Language Evaluation Forum. http://www.clef-campaign.org/
3
“Nhật ký trong tù, dịch tiếng Hán- Ngục trung nhật ký là một tập thơ của Hồ Chí
Minh,…”.
Hay câu hỏi “Mozart sinh năm nào ?” và câu trả lời “….Mozart (1751 – 1791)…”.
Để tìm được câu trả lời trên cho câu hỏi, hệ thống cần có cơ chế để biết được rằng
“tác giả của một tập thơ là người viết tập thơ đó” hoặc cần học được các mẫu thường
gặp của câu trả lời (các mẫu về ngày tháng năm sinh, về thời gian, địa chỉ….) tương ứng
với từng loại câu hỏi. Các hệ thống Q&A trên thế giới hiện nay sử dụng rất nhiều các
công cụ xử lý ngôn ngữ như: Bộ gán nhãn từ loại (POS Tagger), bộ nhận dạng tên thực
thể (Named Entity Recognizer), bộ phân tích ngữ pháp (Parser)… và các tài nguyên ngôn
ngữ như Wordnet [28], ontology [30] để phân tích câu hỏi và trích xuất câu trả lời.
Năm 2000, Carbonell và các đồng nghiệp trong bài báo The Vision Statement to
Guide Research in Question Answering and Text Summarization [13] đã đưa ra các tư
tưởng chung cho việc nghiên cứu Q&A. Theo đó một hệ thống hỏi đáp được người dùng
đánh giá là hữu ích nếu đáp ứng được các tiêu chuẩn:
Tính hợp lý về thời gian (Timeliness): Câu trả lời phải được đưa ra trong thời gian
ngắn, ngay cả khi có hàng ngàn người dùng cùng truy nhập hệ thống một lúc. Các
nguồn dữ liệu mới cần phải được tích hợp vào hệ thống ngay khi chúng sẵn sàng
để có thế cung cấp cho người dùng câu trả lời cho những câu hỏi về các sự kiện có
tính thời sự.
Tính chính xác: Tính chính xác của hệ thống hỏi đáp tự động là cực kì quan trọng
bởi việc đưa ra câu trả lời sai còn tai hại hơn nhiều là không đưa ra câu trả lời.
Nghiên cứu về Q&A cần tập trung vào việc đánh giá tính đúng đắn của câu trả lời
đưa ra, bao gồm cả phương thức để phát hiện các trường hợp mà dữ liệu hiện thời
không chứa câu trả lời cho câu hỏi. Các thông tin mâu thuẫn trong dữ liệu cũng cần
được tìm ra và các thông tin này cần được xử lý theo một cách phù hợp, nhất quán.
Để đạt được sự chính xác, hệ thống Q&A cần được tích hợp các nguồn tri thức
(world knowledge ) và cơ chế “bắt chước” việc suy luận thông thường (việc bắt
chước có thể hiểu như là một quá trình học).
Tính khả dụng: Hệ thống Q&A cần đáp ứng được các yêu cầu cụ thể của một
người dùng. Các ontology trên từng miền cụ thể và ontology trên miền mở cần
được tích hợp trong hệ thống. Hệ thống Q&A cần có khả năng khai phá câu trả lời
4
từ bất kì dạng dữ liệu gì (văn bản, web, cơ sở dữ liệu, …) và đưa ra câu trả lời dưới
định dạng mà người dùng mong muốn, cho phép người dùng miêu tả ngữ cảnh của
câu hỏi và cung cấp các thông tin giải thích, trích dẫn nguồn cho câu trả lời.
Tính hoàn chỉnh: Câu trả lời hoàn chỉnh cho câu hỏi của người dùng là điều mà các
hệ thống Q&A hướng tới. Trong nhiều trường hợp (câu hỏi về danh sách, nguyên
nhân, cách thức…), các phần của câu trả lời nằm rải rác trong một văn bản, thậm
chí trong nhiều văn bản. Vì vậy cần phải hợp nhất các phần này dựa trên các thông
tin liên kết để tạo ra câu trả lời hoàn chỉnh.
Tính thích hợp của câu trả lời: Trong ngôn ngữ tự nhiên, câu hỏi đưa ra luôn gắn
với ngữ cảnh nào đó và câu trả lời cũng nằm trong một ngữ cảnh nhất định. Câu trả
lời mà hệ thống Q&A đưa ra phải phù hợp ngữ cảnh với câu hỏi. Một hệ thống
Q&A có khả năng giao tiếp (interactive Q&A) là cần thiết trong nhiều trường hợp
bởi chuỗi các câu hỏi liên quan đến một vấn đề sẽ giúp làm sáng tỏ thông tin mà
người dùng đang hỏi. Việc đánh giá một hệ thống Q&A cần hướng người dùng bởi
ý kiến người dùng là đánh giá tốt nhất cho tính thích hợp của câu trả lời.
Các tiêu chuẩn trên được đặt ra với mong muốn xây dựng được một hệ thống Q&A
hoàn chỉnh. Tuy nhiên, không phải hệ thống nào cũng có khả năng thông minh và hoàn
thiện như thế. Các nghiên cứu về Q&A hiện nay đang tập trung vào xây dựng hệ thống
hỏi đáp có tính chính xác cao và có khả năng sử dụng nguồn dữ liệu web khổng lồ trên
Internet.
1.2. Phân loại hệ thống hỏi đáp tự động
Có nhiều cách phân loại hệ thống hỏi đáp dựa trên các tiêu chí khác nhau như: phân
loại theo miền ứng dụng, theo khả năng trả lời câu hỏi, theo cách tiếp cận giải quyết bài
toán…
1.2.1. Phân loại theo miền ứng dụng (domain)
Hệ thống hỏi đáp miền mở (open domain Question answering): Hệ thống trả lời bất
kỳ câu hỏi nào được đưa vào. Khó khăn cho hệ thống miền mở đó chính là việc xây dựng
các tri thức nên cho việc trả lời cũng như phân tích câu hỏi, các phương pháp hiện nay
thường sử dụng một số các ontology khái quát hay các mạng tri thức như: wikipedia, bách
khoa từ điển... Tuy nhiên, dữ liệu cho việc trích rút câu trả lời là phong phú, dễ thu thập.
5
Hệ thống hỏi đáp miền đóng (close domain Question answering): Hệ thống tập trung
vào trả lời các câu hỏi liên quan đến một miền cụ thể (giáo dục, y tế, thể thao...). Xây
dựng hệ thống hỏi đáp miền đóng được coi là bài toán dễ hơn so với xây dựng hệ thống
hỏi đáp miền mở vì có thể sử dụng các tri thức miền (thường là ontology của miền cụ
thể).
Hệ thống hỏi đáp
Miền mở
Miền đóng
Dữ liệu có cấu trúc
Dữ liệu phi cấu trúc (text)
Một văn bản đơn
Web
Tập dữ liệu lớn
Hình 1. Xu hướng trong nghiên cứu về Q&A
Các nghiên cứu hiện nay về Q&A đang tập trung vào xây dựng hệ thống hỏi đáp
trên miền mở, sử dụng nguồn dữ liệu phi cấu trúc (kho văn bản lớn hay dữ liệu web) để
tìm câu trả lời. Các nghiên cứu mới và cải tiến những phương pháp cũ để có thể áp dụng
cho nguồn dữ liệu web vốn đa dạng, nhiều “nhiễu” và trùng lặp đang rất được quan tâm
[27] (Hình 1).
1.2.2. Phân loại theo khả năng trả lời câu hỏi
Hệ thống có khả năng trả lời các câu hỏi liên quan đến sự vật, hiện tượng,... dựa trên
việc trích ra câu trả lời có sẵn trong tập tài liệu. Câu trả lời là các chuỗi ký tự trong một tài
liệu. Kỹ thuật chính được sử dụng là xử lý chuỗi và từ khóa.
6
Hệ thống có cơ chế lập luận đơn giản: Trích xuất các câu trả lời có sẵn trong tập tài
liệu sau đó sử dụng các suy luận để tìm mối liên kết giữa câu trả lời và câu hỏi. Hệ thống
sử dụng các nguồn tri thức như ontology về từng miền cụ thể và ontology chung.
Hệ thống trả lời các câu hỏi yêu cầu khả năng tổng hợp: Các phần của câu trả lời
được trích rút từ nhiều tài liệu sau đó được tổng hợp lại thành câu trả lời hoàn chỉnh. Câu
hỏi thường là về danh sách, về cách thức, nguyên nhân...
Hệ thống có khả năng giao tiếp với người dùng: Trả lời chuỗi các câu hỏi của người
dùng về cùng một vấn đề. Ví dụ các câu hỏi của người dùng như: “Giáo sư A sinh năm
nào? Ở đâu? Ông ấy đang công tác ở đâu?”.
Hệ thống có khả năng lập luận tương tự: Có thể trả lời các câu hỏi có tính chất suy
đoán, câu trả lời ẩn trong tập tài liệu. Hệ thống cần trích ra các luận chứng và sử dụng lập
luận tương tự để tìm ra câu trả lời [19].
1.2.3. Phân loại theo hướng tiếp cận:
Hướng tiếp cận nông (shalow): Nhiều phương pháp sử dụng trong Q&A dùng các kĩ
thuật dựa trên từ khóa để định vị các câu, đọan văn có khả năng chứa câu trả lời từ các
văn bản được trích chọn về. Sau đó giữ lại các câu, đoạn văn có chứa chuỗi ký tự cùng
loại với loại câu trả lời mong muốn (ví dụ các câu hỏi về tên người, địa danh, số
lượng…).
Hướng tiếp cận sâu (deep): Trong những trường hợp khi mà hướng tiếp cận bề mặt
không thể tìm ra câu trả lời, những quá trình xử lý về ngữ pháp, ngữ nghĩa và ngữ cảnh là
cần thiết để trích xuất hoặc tạo ra câu trả lời. Các kĩ thuật thường dùng như nhận dạng
thực thể (named-entity recognition), trích xuất mối quan hệ, loại bỏ nhập nhằng ngữ
nghĩa,… Hệ thống thường sử dụng các nguồn tri thức như Wordnet, ontology để làm giàu
thêm khả năng lập luận thông qua các định nghĩa và mối liên hệ ngữ nghĩa. Các hệ thống
hỏi đáp dựa theo mô hình ngôn ngữ thống kê cũng đang ngày càng phổ biến.
1.3. Các bước chung của hệ thống hỏi đáp tự động
Một hệ thống hỏi đáp tự động thường gồm 3 bước chung sau:
Bước1-Phân tích câu hỏi: Bước phân tích câu hỏi tạo truy vấn cho bước trích chọn
tài liệu liên quan và tìm ra những thông tin hữu ích cho bước trích xuất câu trả lời
7
Bước2-Trích chọn tài liệu liên quan: Bước này sử dụng câu truy vấn được tạo ra ở
bước phân tích câu hỏi để tìm các tài liệu liên quan đến câu hỏi.
Bước3-Trích xuất câu trả lời: Bước này phân tích tập tài liệu trả về từ bước 2 và sử
dụng các thông tin hữu ích do bước phân tích câu hỏi cung cấp để đưa ra câu trả lời chính
xác nhất.
Câu hỏi
Phân tích câu hỏi
Trích chọn tài liệu liên
Trích xuất câu trả lời
Câu trả lời
Hình 2. Các bước chung của hệ thống Q&A
Các hệ thống hỏi đáp tự động hiện nay có kiến trúc rất đa dạng, tuy nhiên chúng đều
bao gồm ba phần cơ bản như trên [15,18,27]. Sự khác nhau chính giữa các hệ thống là ở
quá trình xử lý trong từng bước, đặc biệt là ở cách tiếp cận trong việc xác định câu trả lời.
Cách tiếp cận theo trích chọn thông tin thuần túy (pure IR) là: chia nhỏ một tài liệu
trong tập dữ liệu thành chuỗi các tài liệu con, trích chọn các tài liệu con có độ tương đồng
lớn nhất với câu truy vấn (do bước phân tích câu hỏi tạo ra) và trả lại chúng cho người
dùng.Thách thức lớn nhất ở đây là làm sao chia nhỏ được tài liệu thành các phần với kích
cỡ tương ứng với kích cỡ của câu trả lời mà vẫn đủ lớn để có thể đánh chỉ mục được (nếu
chia quá nhỏ thì số lượng tài liệu để đánh chỉ mục sẽ rất lớn, gây gánh nặng cho hệ thống
trích chọn thông tin).
8
Cách tiếp cận theo xử lý ngôn ngữ tự nhiên (pure NLP) là: so khớp giữa biểu diễn
ngữ pháp và (hoặc) biểu diễn ngữ nghĩa của câu hỏi với dạng biểu diễn ngữ pháp, ngữ
nghĩa của các câu trong các tài liệu liên quan trả về. Khó khăn của cách tiếp cận này là hệ
thống phải thực hiện việc phân tích ngữ pháp, ngữ nghĩa và so khớp đủ nhanh để đưa ra
câu trả lời trong thời gian chấp nhận được, bởi số lượng các tài liệu cần xử lý là rất lớn
trong khi các bước phân tích trên lại phức tạp và tốn nhiều thời gian.
Sự khác nhau trong cách trích xuất câu trả lời dẫn đến việc phân tích câu hỏi cũng
trở nên đa dạng. Trong hướng tiếp cận theo trích xuất thông tin thuần túy, phân tích câu
hỏi chỉ cần làm tốt việc tạo truy vấn, trong khi với hướng tiếp cận theo xử lý ngôn ngữ tự
nhiên, câu hỏi cần được phân tích ngữ pháp, ngữ nghĩa một cách chính xác. Các hệ thống
hiện nay thường là sự kết hợp giữa hai hướng tiếp cận, sử dụng hệ thống trích chọn thông
tin để thu hẹp không gian tìm kiếm câu trả lời, đồng thời phân tích câu hỏi để tìm ra các
thông tin về ngữ pháp, ngữ nghĩa nhằm tìm ra câu trả lời chính xác nhất. Kết quả của
bước phân tích câu hỏi là đầu vào cho cả hai bước trích chọn tài liệu liên quan và trích
xuất câu trả lời. Bước phân tích câu hỏi có ý nghĩa rất quan trọng, bởi nó ảnh hưởng đến
hoạt động của các bước sau và do đó quyết định đến hiệu quả của toàn hệ thống. Chương
2 trình bày chi tiết các nội dung liên quan đến phân tích câu hỏi.
9
Chương 2. Phân tích câu hỏi
2.1. Nội dung của phân tích câu hỏi
Bài toán phân tích câu hỏi: Phân tích câu nhận đầu vào là câu hỏi dưới dạng ngôn
ngữ tự nhiên của người dùng, đưa ra câu truy vấn cho bước trích chọn tài liệu liên quan
và các thông tin cần thiết cho bước trích rút câu trả lời.
Câu truy vấn là dạng tổ hợp của các từ khóa quan trọng trong câu hỏi (và các từ
khóa mở rộng) với các phép toán tập hợp AND, OR. Các kĩ thuật biến đổi câu hỏi thành
câu truy vấn được trình bày trong phần 2.5.1.
Các thông tin cần thiết để trích xuất câu trả lời là rất đa dạng, tùy phuộc vào phương
pháp trích xuất câu trả lời. Thông thường các thông tin đó là mục đích của câu hỏi (ví dụ
mục đích hỏi để khẳng định một điều, để so sánh hay để tìm kiếm thông tin, để hỏi về
định nghĩa, cách thức…), loại câu trả lời mong đợi (question target hay answer type). Ví
dụ câu hỏi “Dân số Việt Nam là bao nhiêu”, câu trả lời được mong đợi là một “con số”
hay câu hỏi “Ai là tổng thống Mỹ” thì loại câu trả lời là một “tên người”. Một số thông
tin hữu ích cho trích xuất câu trả lời khác như định dạng của câu trả lời (người hỏi muốn
câu trả lời là một dạng ngắn gọn như con số, tên người, địa chỉ hay là một đoạn văn bản
dài về định nghĩa, mô tả, nguyên nhân, …), dạng biểu diễn ngữ pháp, ngữ nghĩa của câu
hỏi để so khớp (matching) và xếp hạng (ranking) các câu trả lời.
2.2. Khó khăn của phân tích câu hỏi
Câu hỏi đầu vào của hệ thống hỏi đáp tự động là câu hỏi dưới dạng ngôn ngữ tự
nhiên của người dùng. Vì vậy việc phân tích câu hỏi cũng gặp những khó khăn của xử lý
ngôn ngữ tự nhiên. Theo Hồ Tú Bảo và Lương Chi Mai [1], cái khó nằm ở chỗ làm sao
cho máy tính được hiểu ngôn ngữ con người, từ việc hiểu nghĩa từng từ trong mỗi hoàn
cảnh cụ thể, đến việc hiểu nghĩa của cả câu hỏi, hiểu câu hỏi đang hỏi về cái gì và người
hỏi mong muốn cái gì. Mấu chốt ở đây là bản chất phức tạp của ngôn ngữ của con người,
đặc biệt là sự đa nghĩa và nhập nhằng ngữ nghĩa của ngôn ngữ. Thêm nữa, có một khác
biệt sâu sắc là con người ngầm hiểu và dùng quá nhiều lẽ thường (common sense) trong
ngôn ngữ, như khi hỏi về “thời tiết” thì tức là hỏi về “nhiệt độ, độ ẩm, mưa, nắng …”, hay
10
biết “sợi dây” thì dùng để kéo chứ không dùng để đẩy hay khều các vật, trong khi rất khó
làm cho máy hiểu các lẽ thường này.
Cùng hỏi về một thông tin nhưng câu hỏi có thể được diễn đạt theo nhiều cách khác
nhau, sử dụng từ ngữ, cấu trúc câu khác nhau, lúc ở dạng nghi vấn, lúc lại ở dạng khẳng
định. Vì vậy cần thiết phải có một mô hình ngữ nghĩa để hiểu và xử lý câu hỏi, có khả
năng nhận diện được các câu hỏi tương đương bất kể nó ở dạng khẳng định, nghi vấn hay
các từ ngữ và quan hệ ngữ pháp giữa chúng khác nhau hoặc các dạng thành ngữ, tu từ.
Mô hình này cũng cần có khả năng chuyển đổi các câu hỏi phức tạp thành chuỗi các câu
hỏi đơn giản hơn, có thể xác định được các nhập nhằng và xử lý chúng theo ngữ cảnh
hoặc sử dụng cách thức giao tiếp với người dùng để làm rõ ngữ nghĩa.
Xử lý câu hỏi cũng cần phải có cơ chế để xử lý các câu hỏi tiếp sau liên quan đến
cùng một vấn đề của câu hỏi trước, sử dụng các thông tin thu được ở câu hỏi trước để làm
sáng tỏ câu hỏi tiếp sau, cao hơn nữa là có thể đối thoại với người dùng theo chuỗi các
câu hỏi và câu trả lời.
2.3. Một số nội dung của xử lý ngôn ngữ tự nhiên trong phân tích câu hỏi
Đầu vào của pha phân tích câu hỏi là câu hỏi dạng ngôn ngữ tự nghiên, do đó phân
tích câu hỏi có liên quan đến một số nội dung của xử lý ngôn ngữ tự nhiên. Theo [1] việc
xử lý ngôn ngữ tự nhiên thường bao gồm các bước (tầng, layer) cơ bản sau:
Tầng hình thái (morphological layer): Nghiên cứu về các thành phần có nghĩa của
từ (word), như từ được tạo ra bởi các hình vị (morphemes) và từ được tách ra trong
một câu thế nào. Thí dụ, từ “tiếng Việt” tạo thành từ “t-iế-ng V-iệ-t”, còn ngữ
(phrase) “xử lý tiếng Việt” tạo thành gồm hai từ “xử lý” và “tiếng Việt”. Trong
tiếng Việt, một bài toán quan trọng là phân tách từ (word segmentation). Một thí
dụ quen thuộc là câu “Ông già đi nhanh quá” có thể phân tách thành (Ông già)
(đi) (nhanh quá) hoặc (Ông) (già đi) (nhanh quá) hoặc những cách khác nữa.
Tầng ngữ pháp (syntactic layer): Nghiên cứu các quan hệ cấu trúc giữa các từ, xem
các từ đi với nhau thế nào để tạo ra câu đúng. Quá trình này thường được cụ thể
trong các bước cơ bản sau:
11
o Xác định từ loại (POS tagging): Xem mỗi từ trong câu là loại gì (danh từ,
động từ, giới từ, …). Trong thí dụ trên, có thể “Ông già” là danh từ, “đi” là
động từ, “nhanh” là trạng từ, và “quá” là thán từ.
o Xác định cụm từ (chunking): Thí dụ “Ông già” là cụm danh từ, “đi” là cụm
động từ, “nhanh quá” là cụm trạng từ. Như vậy câu trên có hai phân tích
(Ông già) (đi) (nhanh quá) hoặc (Ông) (già đi) (nhanh quá).
o Xác định quan hệ ngữ pháp(parsing): (Ông già) (đi) (nhanh quá) là quan hệ
chủ ngữ-vị ngữ-trạng ngữ.
Tầng ngữ nghĩa (semantic layer): Nghiên cứu xác định nghĩa của từng từ và tổ hợp
của chúng để tạo nghĩa của câu. Thí dụ trong phân tích (Ông già) (đi) (nhanh quá),
động từ “đi” có thể có nghĩa “bước đi”, hay “chết” hay “điều khiển” (khi đánh cờ),
… và tương ứng ta có các nghĩa khác nhau của câu.
Tầng ngữ dụng (pragmatic layer): Nghiên cứu mối quan hệ giữa ngôn ngữ và ngữ
cảnh sử dụng ngôn ngữ (context-of-use). Ngữ dụng nghiên cứu việc ngôn ngữ được
dùng để nói về người và vật như thế nào.
Việc phân tích câu hỏi ở các tầng từ tầng hình thái đến tầng ngữ pháp gọi là phân
tích sơ bộ (shallow parsing). Nếu phân tích thêm cả tầng ngữ nghĩa ta sẽ có phân tích đầy
đủ (fully parsing). Phân tích câu hỏi đến tầng nào cũng tùy thuộc vào từng hệ thống, vào
phương pháp trích xuất câu trả lời và các công cụ hỗ trợ phân tích ngôn ngữ đến đâu.
Hệ thống AskMSR [8,12] đưa ra phương pháp phân tích câu hỏi và trích xuất câu trả
lời rất đơn giản, chỉ phân tích câu hỏi ở tầng hình thái, sử dụng các từ vựng trong câu hỏi
để tìm ra các câu trả lời ứng viên. Theo Michele Banko [8] thì đối với nhiều câu hỏi dạng
đơn giản, hỏi về các sự vật, hiện tượng, … (factual-base question) thì dạng của câu hỏi và
câu trả lời khá tương đồng nhau.
Ví dụ với câu hỏi: “Where is the Louvre Museum located ?”
câu trả lời thường có dạng “…Louvre Museum is located at/in/near …”
Hay câu hỏi:
“What is search engine ?”
“…search engine is …”.
thì câu trả lời có dạng:
12
Vì vậy bước phân tích câu hỏi trong AskMSR là viết lại câu hỏi dưới dạng truy vấn
thích hợp cho module tìm kiếm tài liệu. Với câu hỏi đầu vào, hệ thống sẽ viết lại câu hỏi
theo một số cách để sinh ra các chuỗi kí tự được cho là một phần của câu trả lời. Việc viết
lại câu hỏi chỉ dựa vào xử lý chuỗi đơn giản, không sử dụng các bộ phân tích ngữ pháp
hay gán nhãn từ loại mà dùng các luật và trọng số cho từng luật do con người tự làm. Ưu
điểm của phương pháp này là đơn giản, tuy nhiên lại không thể áp dụng được với các câu
hỏi phức tạp, hoặc không trích được câu trả lời trong tập dữ liệu do không có tài liệu nào
chứa câu trả lời có dạng tương tự với câu hỏi.
Hệ thống Webclopedia lại phân tích câu hỏi kĩ hơn tới mức ngữ pháp. Các bước
chính của hệ thống bao gồm:
Phân tích ngữ pháp cho câu hỏi: sử dụng bộ phân tích cú pháp CONTEX
Tạo truy vấn: Tạo truy vấn bằng cách kết hợp các từ đơn và cụm từ trong câu hỏi,
sử dụng Wordnet để mở rộng truy vấn.
Trích chọn thông tin IR: Hệ IR trả về danh sách có xếp hạng của 1000 tài liệu liên
quan .
Phân đoạn: Mục đích nhằm giảm khối lượng dữ liệu cần xử lí. Các tài liệu được
chia nhỏ thành các đoạn (segments) có sự liên kết về ngữ nghĩa (các đoạn văn
trong 1 tài liệu,…).
Xếp hạng các đoạn: Mỗi đoạn văn bản được đánh trọng số theo công thức về độ
trùng lặp từ và cụm từ với câu hỏi và truy vấn mở rộng, theo đó các từ có trong
câu hỏi có trọng số 2, từ đồng nghĩa có trọng số 1, các từ khác có trọng số 0. Sau
đó các đoạn được sắp xếp theo trọng số giảm dần.
Phân tích ngữ pháp cho các đoạn: Sử dụng CONTEX để phân tích cú pháp cho
các câu trong top 100 đoạn đã xếp hạng.
Xác định câu trả lời: Với mỗi câu, ba bước so khớp (matching) được thực hiện,
trong đó hai bước thực hiện việc so sánh biểu diễn cú pháp của câu hỏi và câu,
bước 3 thực hiện việc tính độ match trên mức từ và cụm từ bằng phương pháp cửa
sổ trượt.
Xếp hạng câu trả lời: Các câu trả lời ứng viên (câu được phân tích ở bước trước)
được sắp xếp theo độ match. Hệ thống trả về câu trả lời có độ match tốt nhất.
13
Như đã nói ở phần trên, có rất nhiều cách diễn đạt để hỏi về cùng một thông tin, và
cũng có nhiều cách để đưa ra câu trả lời. Những dạng biến đổi này hình thành nên một lớp
câu hỏi và lớp câu trả lời có ngữ nghĩa tương đồng. Người dùng có thể hỏi với bất kì dạng
nào của câu hỏi và tập tài liệu cũng có thể chứa bất kì dạng nào của câu trả lời, do đó hệ
thống hỏi đáp cần có khả năng gộp các loại câu hỏi và câu trả lời tương đồng với nhau
[19]. Với một câu hỏi bất kì nếu xác định được loại câu hỏi thì có thể biết được các dạng
của câu trả lời do có mỗi liên hệ mật thiết giữa loại câu hỏi và loại câu trả lời.
Tuy nhiên sự tương đương ngữ nghĩa cũng không rõ ràng, kể cả các biến thể nhỏ
cũng tạo ra sự khác biệt. Ví dụ với câu hỏi “Ai phát minh ra bóng đèn điện ?”, câu trả lời
có thể chấp nhận là “Thomas Edison” hoặc “một nhà phát minh người Mỹ”. Trong khi
câu hỏi “Tên người phát minh ra bóng đèn điện?” thì chỉ chấp nhận câu trả lời “Thomas
Edison”. Điều này dẫn đến việc tổ chức loại câu hỏi, loại câu trả lời dưới dạng phân cấp,
cho phép câu trả lời cho lớp con có thể trả lời được cho lớp cha, nhưng không thể có
chiều ngược lại. Như ví dụ trên thì có thể coi câu hỏi thứ nhất là về “Con người” –
PERSON , còn câu hỏi thứ hai là về “Danh từ riêng chỉ người” – PROPER NAME và lớp
PROPER NAME là lớp con của lớp PERSON.
Nhiều nghiên cứu trước đây về Q&A đều có sử dụng một cách phân loại câu hỏi nào
đó. Có hệ thống phân loại theo từ để hỏi (who, what, when …), có hệ thống phân loại câu
hỏi theo loại câu trả lời. Phần tiếp theo của khóa luận khảo sát các các cách phân loại câu
hỏi hay còn gọi là taxonomy câu hỏi.
2.4. Taxonomy câu hỏi
2.4.1. Khái niệm về taxonomy
Vào những năm 90 của thế kỉ XX, khái niệm taxonomy được sử dụng trong nhiều
lĩnh vực khác nhau như tâm lý học, khoa học xã hội và công nghệ thông tin... để thiết lập
sự trùng hợp giữa thuật ngữ của người sử dụng và thuật ngữ của hệ thống. Các chuyên gia
đầu tiên phát triển cấu trúc hệ thống Web đã dùng thuật ngữ taxonomy để nói về tổ chức
nội dung các trang web. Và từ đó, khái niệm taxonomy được sử dụng rộng rãi với mục
đích này.
14
Do được sử dụng trong nhiều lĩnh vực khác nhau, nên có nhiều định nghĩa khác
nhau về taxonomy. Từ năm 2000 đến năm 2005, có khoảng 36 định nghĩa1 khác nhau về
taxonomy trong các nguồn tài liệu. Trong lĩnh vực công nghệ thông tin, taxonomy được
định nghĩa như sau:
Định nghĩa: Taxonomy là sự phân loại của toàn bộ thông tin trong một hệ phân cấp
theo một mối quan hệ có trước của các thực thể trong thế giới thực mà nó biểu diễn.
Một taxonomy thường được mô tả với gốc ở trên cùng, mỗi nút của taxonomy – bao
gồm cả gốc – là một thực thể thông tin đại diện cho một thực thể trong thế giới thực. Giữa
các nút trong taxonomy có một mối quan hệ đặc biệt gọi là is subclassification of nếu
hướng liên kết từ nút con lên nút cha hoặc là is superclassification of nếu hướng liên kết
từ nút cha xuống nút con. Đôi khi những quan hệ này được xác định một cách chặt chẽ
hơn là is subclass of hoặc is superclass of, nếu thực thể thông tin là một lớp đối tượng.
2.4.2. Taxonomy câu hỏi
Trong Q&A Roadmap [10] đã chỉ ra rằng taxonomy câu hỏi là rất cần thiết trong
nghiên cứu về Q&A. Các nghiên cứu về taxonomy câu hỏi đã được nhiều nhà nghiên cứu
quan tâm, trên các mặt về ngôn ngữ học, triết học, xã hội học, có nền tảng lý thuyết lẫn
thực nghiệm.
Năm 1972, Robinson và Rackstraw đã nghiên cứu về cách sử dụng các từ để hỏi
trong tiếng Anh, theo đó “the Five Ws” (Who, What, When, Where, Why, và How) là
cách phân loại câu hỏi thông thường và đơn giản nhất. Có lẽ bởi “the Five Ws” là cách
suy nghĩ rất tự nhiên khi đặt câu hỏi của người dùng tiếng Anh nên nó rất phổ biến trong
các tài liệu và trong hỏi đáp thông thường. Robinson và Rackstraw đã dành 2 tập sách
[31,32] để khảo sát về wh-words, hình thức câu hỏi dựa vào wh-words và câu trả lời cho
các câu hỏi này. Robinson và Rackstraw định nghĩa wh-words là “tập hoàn toàn của các
từ để hỏi về mặt từ vựng” (“the total set of lexically marked interrogative words”).
(1972a). Họ đưa ra một taxonomy câu hỏi 7 lớp bao gồm:Who, Which, What, When,
Where, Why, How.
Có hai vấn đề với taxonomy trên là: Câu hỏi không nhất thiết phải là câu có sử dụng
từ để hỏi wh-words và không phải câu nào có sử dụng từ để hỏi wh-words cũng đều là
1 http://www.hipertext.net/english/pag1011.htm#origenNota2
15
câu hỏi. Một câu hỏi có dạng của một câu phát biểu nhưng có thể được hiểu và chấp nhận
như là một câu hỏi. Ví dụ câu “I’m looking for the name of the Secretary of State under
Clinton” tương đương với câu “Who was the Secretary of State under Clinton?”. Các
cách nói tu từ, biểu cảm rất hay sử dụng các từ wh-words ví dụ câu “What a beautiful
car!” hay “Why me?” đều không phải là các câu có mục đích hỏi.
Một vài hệ thống Q&A trong hội nghị TREC sử dụng wh-words như là các tiêu
chuẩn chính trong phân tích và biểu diễn logic của câu hỏi [18,29]. Một số hệ thống chia
nhỏ các lớp câu hỏi wh-words thành các lớp con nhằm cho phép hệ thống Q&A có thể
nhận diện được “kiểu ngữ nghĩa (semantic types) của câu trả lời mong muốn”. Dan
Moldovan và đồng nghiệp đưa ra một taxonomy phân loại câu hỏi phân cấp theo cả từ để
hỏi lẫn loại câu trả lời mong muốn tương ứng [29].
Eduard Hovy [18] chỉ ra rằng việc phân lớp câu hỏi theo loại ngữ nghĩa của câu trả
lời là rất quan trọng. Ví dụ câu hỏi “How tall is Mt. Everest?”, hệ thống Q&A chỉ có thể
trả lời được câu hỏi này được nếu nó biết rằng câu trả lời được mong đợi sẽ chứa một đại
lượng về kích thước. Nhiều hệ Q&A sử dụng bộ nhận dạng thực thể (Named Entity
Recognizer) có khả năng nhận diện được tên người, tên tổ chức, con số, thời gian, địa
điểm…để hỗ trợ việc tìm câu trả lời khi biết được loại câu trả lời là gì và thu được độ
chính xác rất cao. Eduard Hovy trong [19] đã khảo sát 17384 câu hỏi và câu trả lời tương
ứng được thu thập từ trang web answers.com và đưa ra taxonomy câu hỏi dựa trên loại
ngữ nghĩa của câu trả lời với 94 nút trong đó có 47 nút lá. Mỗi nút đều được chú thích bởi
các câu hỏi, câu trả lời ví dụ và các mẫu câu hỏi, câu trả lời tiêu biểu của lớp.
Cùng nghiên cứu về phân lớp câu hỏi theo loại câu trả lời, Li và Roth [25, 26] đã
đưa ra taxonomy phân cấp theo sự phân loại ngữ nghĩa tự nhiên của câu trả lời cho các
câu hỏi được khảo sát từ hội nghị TREC. Cấu trúc phân cấp bao gồm 6 lớp câu hỏi thô
(coarse classes) là ABBREVIATION (viết tắt), ENTITY (thực thể), DESCRIPTION (mô
tả), HUMAN (con người), LOCATION (địa điểm) và NUMERIC VALUE (giá trị số). Mỗi
lớp câu hỏi thô lại được phân chia thành các lớp con (fine class). Taxonomy câu hỏi của
Li và Roth được trình bày chi tiết trong bảng 1.Taxonomy này cùng bộ dữ liệu câu hỏi đã
gán nhãn của Li và Roth được nhiều nhóm nghiên cứu sử dụng lại bởi nó bao phủ được
hầu hết các loại câu hỏi thường gặp trong thực tế. Trong thực nghiệm chương 4 chúng tôi
cũng sử dụng taxonomy này cho phân lớp câu hỏi tiếng Việt.
16
Bảng 1. Taxonomy câu hỏi do Li và Roth đưa ra
Định nghĩa
Nhãn lớp
ABBREVIATION
abb
Dạng viết tắt
Dạng viết tắt
exp
ý nghĩa của từ viết tẳt
Thực thể
ENTITY
animal
Động vật
body
Các bộ phận cở thế
Màu sắc
color
creative
currency
dis.med.
event
Phát minh, sách và các sáng tạo khác
Tiền tệ
Bệnh tật và y học
Sự kiện
food
Đồ ăn
instrument
lang
Dụng cụ âm nhạc
Ngôn ngữ
letter
Chữ cái ( kí tự )
Các thực thể khác
Thực vật
other
plant
product
religion
sport
Sản phẩm
Tôn giáo, tín ngưỡng
Thể thao
substance
symbol
technique
term
Nguyên tố, vật chất
Biểu tượng, kí hiệu
Kĩ thuật và phương pháp
Thuật ngữ tương đương
Phương tiện giao thông
Từ với tính chất đặc biệt
Mô tả và các khái niệm trừu tuộng
Định nghĩa về một thú gì đó
vehicle
word
DESCRIPTION
definition
17
description
manner
reason
HUMAN
group
Mô tả về một thứ gì đó
Cách thức của hành động
Lý do
Con người
Một nhóm người hoặc một tổ chức
Một cá nhân riêng lẻ
Tư cách, danh nghĩa, chức vụ của một người
Mô tả về một người nào đó
Địa điểm
ind
title
description
LOCATION
city
Thành phố
country
mountain
other
Đất nước
Núi
Các địa điểm khác
Bang, tỉnh thành
Giá trị số
state
NUMERIC
code
Mã thư tín và các mã khác
Số lượng của cái gì đó
Ngày tháng
count
date
distance
money
order
Khoẳng cách, đo lường tuyến tính
Giá cả
Thứ hạng
other
Các số khác
period
percent
speed
Khoảng thời gian
Phần trăm
Tốc độ
temp
Nhiệt độ
size
Kích thước, diện tích, thể tích
Cân nặng
weight
18
2.5. Khảo sát các phương pháp phân tích câu hỏi cho các loại câu hỏi khác
nhau
Trong hội nghị TREC, các câu hỏi được chia thành một số loại sau: câu hỏi đơn giản
(factual-base question), câu hỏi định nghĩa (definition question), câu hỏi danh sách (list
question), câu hỏi phức tạp (complex question),…. Mỗi loại câu hỏi có những đặc trưng
riêng và hướng tiếp cận khác nhau.
2.5.1. Câu hỏi đơn giản (factual-base)
Câu hỏi factual-base là những câu hỏi về các sự vật, sự kiện đơn lẻ,.. có câu trả lời là
những đoạn văn bản ngắn nằm sẵn trong tài liệu. Kiến trúc thông thường để xử lý loại câu
hỏi này như sau (Hình 3): Câu hỏi đầu vào được phân lớp theo loại ngữ nghĩa của câu trả
lời và biến đổi sang dạng truy vấn. Câu truy vấn được sử dụng để tìm kiếm các tài liệu có
liên quan đến câu hỏi, loại câu hỏi được sử dụng trong phần trích xuất câu trả lời nhằm
thu hẹp không gian tìm kiếm và kiểm tra câu trả lời có chính xác hay không [35].
Loại câu hỏi
Câu
trả lời
Phân tích
câu hỏi
Trích chọn
tài liệu liên
quan
Trích xuất
câu trả lời
Truy vấn
Tài liệu
Câu hỏi
WordNet
WordNet
Parser
NER
Parser
NER
Kho tài
li
Hình 3. Kiến trúc cho xử lý các câu hỏi factual-base
Như vậy, hai công việc chính của pha xử lý câu hỏi với loại câu hỏi này là xác định loại
câu hỏi và tạo truy vấn cho hệ IR (information retrieval) trích chọn tài liệu liên quan.
Xác định loại câu hỏi
Xác định loại câu hỏi có ý nghĩa rất quan trọng trong phân tích các câu hỏi factual
base, đặc biệt là việc phân loại câu hỏi theo loại ngữ nghĩa của câu trả lời (như mục 2.3 đã
19
trình bày). Có nhiều cách để xác định loại câu hỏi như: xây dựng bộ phân lớp câu hỏi sử
dụng học máy thống kê, xác định câu hỏi sử dụng các kỹ thuật của xử lý ngôn ngữ tự
nhiên, xác định loại câu hỏi dựa vào so khớp với các mẫu quan hệ có sẵn. Nội dung chi
tiết của các phương pháp này được trình bày ở chương 3.
Tạo truy vấn từ câu hỏi
Vấn đề của tạo truy vấn là lựa chọn các từ khóa trong câu hỏi và kết hợp chúng để
tạo ra câu truy vấn không quá chung chung, cũng không quá chi tiết. Chiến lược được sử
dụng để trích ra các từ khóa quan trọng là sử dụng độ ưu tiên: Độ ưu tiên cao nhất được
gán cho các từ trong dấu nháy kép hoặc nháy đơn, tiếp đến là các cụm danh từ, danh từ,
động từ, tính từ, trạng từ. Các từ dừng, giới từ, trợ động từ được bỏ qua.
Nhiều hệ thống Q&A có độ hồi tưởng (tỉ lệ câu trả lời đưa ra trên câu hỏi đầu vào)
rất thấp. Một số nguyên nhân chính bao gồm: module phân tích câu hỏi không nhận diện
được câu hỏi thuộc loại nào hoặc không tìm được các mẫu khớp với câu hỏi, module trích
chọn thông tin (IR) không tìm ra được các tài liệu có chứa câu trả lời, module trích xuất
câu trả lời không thể tìm ra câu trả lời thỏa đáng cho câu hỏi. Vì vậy với module trích
chọn thông tin trong hệ thống Q&A, độ hồi tưởng là quan trọng hơn so với độ chính xác
bởi các module sau có thể lọc ra các tài liệu không liên quan, nhưng không thể tìm ra
được câu trả lời nếu các tài liệu chứa câu trả lời không được trả về từ IR [34] .
Các nghiên cứu trước đây nhằm làm tăng độ hồi tưởng của IR đều tập trung vào việc
thu nhỏ sự khác biệt về mặt hình thái, từ vựng và ngữ nghĩa giữa các từ xuất hiện trong
truy vấn và trong tài liệu chứa câu trả lời.
Về mặt hình thái, có hai cách được sử dụng [9,34]:
- Áp dụng kĩ thuật stemming cho tập dữ liệu được đánh chỉ mục và các từ trong
truy vấn (stemming là chuyển tất cả các dạng biến thể của một từ thành từ gốc, ví
dụ “expand”, “expanded”, “expansion”, “expandable”… đều được chuyển
thành “expand”).
- Đánh chỉ mục cho các từ trong tài liệu mà không sử dụng stemming. Sử dụng kĩ
thuật mở rộng hình thái (morphological expansion – ví dụ từ “expands” được
mở rộng thành {“expands”,“expand”, “expanded”, “expansion”, “expandable”
, … } ) cho các từ khóa trong câu hỏi khi tạo truy vấn.
20
Về mặt từ vựng và ngữ nghĩa, phương pháp hay được sử dụng đó là: các từ trong
truy vấn được mở rộng bởi tập các từ đồng nghĩa, các khái niệm có nghĩa khái quát hơn
hoặc chuyên môn hơn, chi tiết hơn hoặc bởi các từ liên quan. Phương pháp này đòi hỏi
phải có các nguồn tri thức về ngôn ngữ, từ vựng như Wordnet hoặc Ontology.
Moldovan trong [29] đã chỉ ra rằng từ trọng tâm của câu hỏi (question focus – xem
trong phần 3.2) thường không xuất hiện trong tài liệu chứa câu hỏi. Với các câu hỏi có từ
trọng tâm là “tỉnh thành”, “thành phố”, “đất nước”, “ngày tháng”… thì câu trả lời sẽ chứa
các thể hiện cụ thể của các từ này (ví dụ với “đất nước” thì sẽ là “Việt Nam”, “Trung
Quốc”… chứ không nhất thiết phải là “đất nước Việt Nam”). Vì vậy các từ trọng tâm của
câu hỏi thường không được sử dụng để làm từ khóa tạo truy vấn.
2.5.2. Câu hỏi định nghĩa (definition question)
Câu hỏi định nghĩa hỏi về định nghĩa hoặc mô tả về một điều, một khái niệm gì đó.
Các câu hỏi thường gặp có dạng như “Máy tìm kiếm là gì”, “Định nghĩa khai phá dữ
liệu”, “Bush là ai ?”…
Câu trả lời cho loại câu hỏi này rất đa dạng, rất nhiều đoạn văn bản ngắn có thể coi
là câu trả lời chấp nhận được. Ví dụ với câu hỏi “Who is George W. Bush ?” thì các câu
trả lời có thể là:
“… George W. Bush, the 43rd President of the United States…”
“George W. Bush defeated Democratic incumbent Ann Richards to become the 46th
Governor of the State of Texas…”
……
Với loại câu hỏi định nghĩa, phương pháp thường hay được sử dụng là so khớp mẫu
(pattern matching) [17].
Ví dụ về các mẫu câu hỏi và mẫu câu trả lời
Mẫu câu hỏi What <be> a <Q> ?
<Q> là gì?
Who <be> <Q> ?
<Q> là ai?....
<Q> - <A>
Mẫu trả lời
<Q>, the <A>
<Q> (a <A>)
<Q> - một loại <A>
<Q> là <A> ….
<Q> is a|the <A>
21
Ưu điểm: Có độ chính xác khá cao.
Nhược điểm: Các mẫu khó có thể bao quát được hết các trường hợp đa dạng của câu hỏi
và câu trả lời.
2.5.3. Câu hỏi phức tạp, có ràng buộc về thời gian
Phương pháp trình bày trong phần 2.5.1 có thể trả lời được các câu hỏi đơn giản
factual base có từ ngữ diễn đạt thời gian đơn giản như: “Hồ Chí Minh sinh năm nào” hoặc
“Ai là thủ tướng Việt Nam năm 2009 ?”. Tuy nhiên nhiều câu hỏi phức tạp đòi hỏi phải
phát hiện ra các thuộc tính về thời gian hoặc thứ tự diễn ra của sự kiện. Ví dụ “Ai là tổng
bí thư Đảng Cộng Sản Việt Nam trong chiến thắng lịch sử Điện Biên Phủ”.
Câu hỏi liên quan đến thời gian được chia làm 4 loại [33]:
Loại 1: Câu hỏi về một sự kiện đơn lẻ, không có biểu đạt về thời gian (temporal
expressions)
“Đại học Công Nghệ thành lập khi nào ?”.
Loại 2: Câu hỏi về một sự kiện đơn lẻ, có biểu đạt về thời gian
“Đội tuyển nào của Đại học công nghệ tham dự cuộc thi ACM quốc tế năm 2009”
Ràng buộc thời gian: năm 2009.
Loại 3: Câu hỏi có nhiều sự kiện, có biểu đạt về thời gian
“Việt Nam đạt được những thành tựu gì sau khi chính sách mở cửa năm 1987 được
thông qua ? ”
Tín hiệu thời gian: sau khi
Ràng buộc thời gian: năm 1987
Loại 4: Câu hỏi có nhiều sự kiện, không có biểu đạt về thời gian
“Dân số thế giới là bao nhiêu trước chiến tranh thế giới thứ 2”
Tín hiệu thời gian: trước
Các tín hiệu thời gian trong Tiếng Việt như: sau, sau khi, trước, trước khi, trong khi,
khi, trong thời gian, …Các biểu đạt về thời gian là các từ về ngày, tháng, năm, thế kỉ,…
22
Tải về để xem bản đầy đủ
71 trang
13/06/2025
80
Bạn đang xem 30 trang mẫu của tài liệu "Khóa luận Phân tích câu hỏi trong hệ thống hỏi đáp tiếng Việt", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.
File đính kèm:
- khoa_luan_phan_tich_cau_hoi_trong_he_thong_hoi_dap_tieng_vie.pdf
