Khóa luận So sánh một số phương pháp học máy cho bài toán gán nhãn từ loại tiếng Việt
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Lê Hoàng Quỳnh
SO SÁNH MỘT SỐ PHƯƠNG PHÁP HỌC MÁY
CHO BÀI TOÁN GÁN NHÃN TỪ LOẠI
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
Lê Hoàng Quỳnh
SO SÁNH MỘT SỐ PHƯƠNG PHÁP HỌC MÁY
CHO BÀI TOÁN GÁN NHÃN TỪ LOẠI
TIẾNG VIỆT
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công nghệ thông tin
Cán bộ hướng dẫn: PGS.TS. Hà Quang Thụy
Cán bộ đồng hướng dẫn: ThS. Trần Thị Oanh
HÀ NỘI - 2009
LỜI CẢM ƠN
Trước tiên, tôi muốn bày tỏ lòng biết ơn sâu sắc nhất tới Phó Giáo sư Tiến sĩ Hà
Quang Thụy và Thạc Sĩ Trần Thị Oanh, những người đã tận tình chỉ bảo và hướng dẫn
tôi trong suốt quá trình thực hiện khoá luận tốt nghiệp.
Thấu hiểu nỗi vất vả cũng như sự tận tụy của những thầy cô giáo đã giảng dạy và
bồi dưỡng kiến thức cho tôi trong bốn năm qua, tôi xin gửi lời cảm ơn chân thành đến
các thầy cô, những kiến thức mà tôi nhận được không chỉ giúp tôi hoàn thành khóa
luận này mà còn là hành trang quan trọng giúp tôi vững bước trong tương lai.
Tôi cũng xin gửi lời cảm ơn tới các thầy cô, các anh chị và các bạn sinh viên
trong nhóm seminar “Khai phá dữ liệu”, phòng thí nghiệm Các hệ thống tích hợp
thông minh (SISLAB) – trường Đại học Công nghệ đã tạo một môi trường nghiên cứu
khoa học hiệu quả cũng như cho tôi những lời khuyên bổ ích về chuyên môn trong quá
trình nghiên cứu.
Bên cạnh đó, tập thể sinh viên lớp K50CA cũng đóng một vai trò không nhỏ giúp
tôi xây dựng, củng cố kiến thức và cùng với tôi vượt qua những khó khăn trong học
tập.
Và cuối cùng, nhưng vô cùng quan trọng, tôi xin bày tỏ lòng chân thành và biết
ơn vô hạn tới cha mẹ, anh chị cũng như các bạn bè thân thiết đã luôn ở bên cạnh, quan
tâm, động viên tôi trong suốt quá trình học tập và thực hiện khóa luận tốt nghiệp này.
Sinh viên
Lê Hoàng Quỳnh
i
TÓM TẮT
Gán nhãn từ loại (Part-of-Speech Tagging) là một trong hai bài toán nền tảng,
đóng vai trò quan trọng trong các hệ thống xử lý ngôn ngữ tự nhiên. Ở Việt Nam đã có
một số nghiên cứu về bài toán này, tuy nhiên kết quả đạt được vẫn còn ở mức khiêm
tốn so với nhiều ngôn ngữ khác. Việc tìm hiểu các phương pháp gán nhãn từ loại trong
tiếng Anh cho thấy hướng tiếp cận dựa theo phương pháp học máy cho kết quả tốt hơn
cả trong các phương pháp đã được công bố.
Nội dung khóa luận tập trung so sánh ba phương pháp học máy cho bài toán gán
nhãn từ loại tiếng Việt, đó là mô hình cực đại hóa Entropy (MEM- Jaynes, 1957); mô
hình miền ngẫu nhiên điều kiện (CRF- Laferty, 2001) và mô hình máy véc tơ hỗ trợ
(SVM- Vapnik & Chervonekis, 1995). Đây là ba phương pháp học máy đã được ứng
dụng thành công trong rất nhiều bài toán xử lý ngôn ngữ tự nhiên. Thực nghiệm áp
dụng ba mô hình học máy này được tiến hành trên cùng môi trường phần cứng và sử
dụng cùng một tập đặc trưng để đảm bảo tính khách quan. Kết quả thu được trên các
dữ liệu thực nghiệm cho thấy mô hình CRF có độ chính xác cao nhất và thời gian gán
nhãn tốt nhất, trong khi đó SVM và MEM có ưu thế hơn về thời gian huấn luyện. Kết
quả này khá tương đồng với kết quả của một vài nghiên cứu tương đương trong các
ngôn ngữ khác và đã khẳng định được tính khả thi của ba mô hình này cho tiếng Việt.
ii
Mục lục
MỞ ĐẦU.........................................................................................................................1
Chương 1. KHÁI QUÁT VỀ BÀI TOÁN GÁN NHÃN TỪ LOẠI...........................3
1.1. Khái niệm và vị trí của bài toán gán nhãn từ loại trong NLP ..............................3
1.1.1. Khái niệm về bài toán gán nhãn từ loại ........................................................3
1.1.2. Vị trí và ứng dụng của bài toán gán nhãn từ loại trong NLP........................4
1.2. Các khó khăn của bài toán gán nhãn từ loại.........................................................6
1.3. Tập nhãn từ loại....................................................................................................7
1.3.1. Nguyên tắc xây dựng tập nhãn từ loại và một số tập nhãn từ loại của các
ngôn ngữ trên thế giới.............................................................................................7
1.3.2. Một số tập nhãn từ loại hiện được đề xuất ở Việt Nam..............................10
Chương 2. CÁC HƯỚNG TIẾP CẬN BÀI TOÁN GÁN NHÃN TỪ LOẠI .........13
2.1. Gán nhãn bằng phương pháp dựa trên hệ luật ...................................................13
2.2. Các phương pháp dựa vào học máy...................................................................15
2.3. Phương pháp lai..................................................................................................19
2.4. Các nghiên cứu liên quan tại Việt Nam .............................................................21
2.4.1. Các nghiên cứu dựa trên phương pháp hệ luật ...........................................21
2.4.2. Các nghiên cứu dựa trên phương pháp học máy ........................................22
2.4.3. Các nghiên cứu dựa trên phương pháp lai..................................................22
Chương 3. BA MÔ HÌNH HỌC MÁY ÁP DỤNG CHO BÀI TOÁN GÁN NHÃN
TỪ LOẠI TIẾNG VIỆT .............................................................................................25
3.1. Mô hình cực đại hóa Entropy.............................................................................25
3.1.1. Khái niệm MEM .........................................................................................25
3.1.2. Nguyên lý cực đại hóa Entropy ..................................................................26
3.1.3. Mô hình xác suất.........................................................................................26
3.1.4. Hạn chế của mô hình MEM........................................................................27
3.2. Mô hình trường ngẫu nhiên điều kiện................................................................28
3.2.1. Khái niệm CRF ...........................................................................................28
iii
3.2.2. Hàm tiềm năng của các mô hình CRF........................................................30
3.2.3. Thuật toán gán nhãn cho dữ liệu dạng chuỗi..............................................31
3.2.4. Ước lượng tham số cho các mô hình CRF..................................................33
3.3. Mô hình máy véc tơ hỗ trợ.................................................................................33
3.3.1. Khái niệm và cơ sở của phương pháp SVM...............................................33
3.3.2. Áp dụng phương pháp SVM cho bài toán gán nhãn từ loại .......................36
3.3.3. Huấn luyện SVM ........................................................................................37
Chương 4. THỰC NGHIỆM ÁP DỤNG BA MÔ HÌNH HỌC MÁY CHO BÀI
TOÁN GÁN NHÃN TỪ LOẠI TIẾNG VIỆT VÀ ĐÁNH GIÁ KẾT QUẢ ..........39
4.1. Mô tả thực nghiệm .............................................................................................39
4.1.1. Phần cứng....................................................................................................39
4.1.2. Phần mềm....................................................................................................39
4.1.3. Dữ liệu thực nghiệm và tập nhãn từ loại.....................................................40
4.2. Mô tả tập đặc trưng dựa trên mức từ và mức hình vị.........................................43
4.2.1. Các đặc trưng dựa vào thông tin từ vựng và thông tin từ loại....................43
4.2.2. Mẫu ngữ cảnh dạng biểu thức chính quy....................................................45
4.3. Hệ thống gán nhãn từ loại cho tiếng Việt ..........................................................45
4.3.1. Gán nhãn từ loại dựa vào thông tin về từ....................................................47
4.3.2. Gán nhãn từ loại dựa vào thông tin hình vị ................................................47
4.4. Phương pháp thực nghiệm và các tham số đánh giá thực nghiệm.....................48
4.4.1. Phương pháp thực nghiệm..........................................................................48
4.4.2. Các tham số đánh giá thực nghiệm.............................................................48
4.5. Kết quả thực nghiệm ..........................................................................................48
4.5.1. Kết quả của năm lần thực nghiệm ..............................................................48
4.5.2. Tổng hợp kết quả ........................................................................................51
4.5.3. Đánh giá và thảo luận .................................................................................53
KẾT LUẬN ..................................................................................................................55
iv
Danh mục hình vẽ
Hình 1. Các bước xử lý ngôn ngữ tự nhiên ............................................................4
Hình 2. Một số tập nhãn từ loại cho Tiếng Anh.....................................................8
Hình 3. Một số phương pháp giải quyết bài toán POS tagging cho tiếng Anh ....13
Hình 4. Đồ thị có hướng mô tả mô hình HMM....................................................17
Hình 5. Mô hình tổng quát của phương pháp lai..................................................19
Hình 6. Mô hình TBL cho tiếng Việt ...................................................................24
Hình 7. Đồ thị vô hướng mô tả CRF ....................................................................29
Hình 8. Một bước trong thuật toán Viterbi cải tiến ..............................................32
Hình 9. Hai cách chia không gian véc tơ thành hai nửa riêng biệt.......................33
Hình 10. Mặt siêu phẳng tách các mẫu dương khỏi các mẫu âm. ........................34
Hình 11. Trường hợp không thể phân chia các mẫu âm và các mẫu dương bằng
một siêu phẳng tuyến tính.....................................................................................35
Hình 12. Biến đổi siêu phẳng không tuyến tính thành siêu phẳng tuyến tính sử
dụng hàm nhân......................................................................................................35
Hình 13. Hàm nhân Basis Radial..........................................................................37
Hình 14. Cửa sổ trượt với kích cỡ size=5 chuyển động dọc theo dữ liệu ............44
Hình 15. Một mô hình gán nhãn từ loại tiếng Việt...............................................46
Hình 16. Độ chính xác trung bình trong thực nghiệm với bộ dữ liệu thứ nhất ....52
Hình 17. Độ chính xác trung bình trong thực nghiệm với bộ dữ liệu thứ hai ......52
v
Danh mục bảng biểu
Bảng 1. Một số thuật ngữ Anh – Việt được sử dụng trong khóa luận................ viii
Bảng 2. Tổng kêt số nhãn có thể có của các từ trong tập từ vựng Brown..............7
Bảng 3. Tập nhãn từ loại Penn Treebank ...............................................................8
Bảng 4. Ví dụ về một số luật chuyển của TBL cho tiếng Anh.............................20
Bảng 6. Tập nhãn từ loại VnPOS cho tiếng Việt..................................................42
Bảng 7. Thông tin từ vựng và thông tin từ loại sử dụng cho việc lựa chọn đặc
trưng......................................................................................................................44
Bảng 8. Một số mẫu ngữ cảnh BTCQ xác định dữ liệu dạng số..........................45
Bảng 9. Độ chính xác khi áp dụng mô hình MEM ở mức từ ...............................49
Bảng 10. Độ chính xác khi áp dụng mô hình MEM ở mức hình vị .....................49
Bảng 11. Độ chính xác khi áp dụng mô hình CRF ở mức từ ...............................50
Bảng 12. Độ chính xác khi áp dụng mô hình CRF ở mức hình vị .......................50
Bảng 13. Độ chính xác khi áp dụng mô hình SVM ở mức từ ..............................51
Bảng 14. Độ chính xác khi áp dụng mô hình SVM ở mức hình vị ......................51
vi
Một số thuật ngữ Anh – Việt
Bảng 1. Một số thuật ngữ Anh – Việt được sử dụng trong khóa luận
STT
Thuật ngữ Tiếng Anh
Conditional Random Field
Hidden Markov Model
Viết tắt
CRF
Nghĩa tiếng Việt
Miền ngẫu nhiên điều kiện
Mô hình Markov ẩn
1
2
HMM
MEM,
Mô hình cực đại hóa
3
Maximum Entropy Model
MaxEnt
Entropy
4
5
6
7
Natural Language Processing
Part of speech tagging
Regular expression
NLP
Xử lý ngôn ngữ tự nhiên
POS tagging Gán nhãn từ loại
BTCQ
Biểu thức chính quy
Rule-based tagger
Bộ gán nhãn dựa trên luật
Phương pháp học dựa trên
chuyển đổi
8
Transformation-Based Learning TBL
vii
MỞ ĐẦU
Gán nhãn từ loại cho một văn bản tức là xác định từ loại chính xác cho các từ
trong văn bản đó. Đây là vấn đề rất quan trọng trong lĩnh vực xử lý ngôn ngữ tự nhiên,
là bước tiền xử lý của nhiều bài toán và một số hệ thống thông minh khác, tuy nhiên
các nghiên cứu về bài toán này ở Việt Nam vẫn còn ở giai đoạn ban đầu nên nhu cầu
về cả lý thuyết và ứng dụng đều còn rất lớn. Đối với các văn bản tiếng Việt, việc gán
nhãn từ loại gặp phải nhiều khó khăn, đặc biệt là bản thân việc phân loại từ tiếng Việt
cho đến nay vẫn là một vấn đề còn nhiều tranh cãi, chưa có một chuẩn mực thống
nhất. Ý thức được tầm quan trọng và nhu cầu thực tiễn cũng như những khó khăn của
bài toán gán nhãn từ loại, nghiên cứu trong khóa luận phục vụ đồng thời hai mục đích:
Thứ nhất, lựa chọn một tập đặc trưng phù hợp với tính chất của tiếng Việt và có thể sử
dụng cho các phương pháp học máy khác nhau. Thứ hai, áp dụng ba phương pháp học
máy cho kết quả khá tốt ở các ngôn ngữ khác vào bài toán gán nhãn từ loại tiếng Việt,
từ đó đưa ra nhận xét về kết quả, độ phù hợp của từng phương pháp với các ứng dụng
thực tế cũng như góp phần đánh giá chất lượng của tập đặc trưng đã xây dựng.
Thực nghiệm trên các văn bản tiếng Việt áp dụng ba mô hình học máy đều cho
kết quả khá khả quan, tùy vào các đặc trưng riêng của mỗi mô hình mà thời gian xử lý
cũng như độ chính xác có những chênh lệch nhất định. Các vấn đề được giải quyết
trong khóa luận sẽ đóng góp một phần hữu ích trong việc lựa chọn phương pháp thích
hợp giải quyết bài toán, để từ đó phục vụ cho việc tiến hành các nghiên cứu ở mức cao
hơn như phân tích cú pháp, dịch máy, tóm tắt văn bản …
Khóa luận được tổ chức thành bốn chương chính với nội dung cơ bản như
sau:
Chương 1: Khái quát về bài toán gán nhãn từ loại. Chương 1 đưa ra khái
niệm, vị trí và ứng dụng của bài toán gán nhãn từ loại trong xử lý ngôn ngữ tự nhiên.
Cùng với đó, việc phân tích các vấn đề cơ bản của bài toán và việc xây dựng tập nhãn
từ loại cũng là nội dung quan trọng mà chương này đề cập tới.
Chương 2: Các hướng tiếp cận bài toán gán nhãn từ loại. Trình bày một số
hướng tiếp cận nhằm giải quyết bài toán gán nhãn từ loại như phương pháp thủ công,
các phương pháp học máy mà đại diện tiêu biểu là HMM và các phương pháp lai. So
với hướng tiếp cận thủ công có nhược điểm là tốn kém về mặt thời gian, công sức và
không khả chuyển, các phương pháp học máy thường được đánh giá cao hơn. Chương
1
này cũng giới thiệu một số nghiên cứu có liên quan đến bài toán gán nhãn từ loại cho
tiếng Việt trong những năm gần đây.
Chương 3. Ba mô hình học máy áp dụng cho bài toán gán nhãn từ loại tiếng
Việt. Khóa luận lựa chọn ba phương pháp học máy điển hình đã cho kết quả khả quan
ở nhiều ngôn ngữ và có khả năng đạt kết quả tốt khi áp dụng cho tiếng Việt là MEM,
CRF và SVM. Chương 3 đặt nền tảng lý thuyết cho phần thực nghiệm của khóa luận.
Chương 4: Thực nghiệm áp dụng ba mô hình học máy cho bài toán gán
nhãn từ loại tiếng Việt và đánh giá kết quả. Chương này trình bày các công việc
thực nghiệm mà khóa luận đã tiến hành, bao gồm việc lựa chọn tập đặc trưng phù hợp
cho tiếng Việt và áp dụng ba mô hình học máy MEM, CRF và SVM để giải quyết bài
toán gán nhãn từ loại tiếng Việt. Từ kết quả đạt được, tiến hành đối chiếu, so sánh và
đưa ra một số nhận xét về ưu, nhược điểm của các mô hình cũng như độ phù hợp của
chúng đối với bài toán gán nhãn từ loại tiếng Việt.
Phần kết luận tóm lược các kết quả đã đạt được và đóng góp của khóa luận,
đồng thời định hướng một số hướng nghiên cứu tiếp theo trong thời gian sắp tới.
2
Chương 1. KHÁI QUÁT VỀ BÀI TOÁN GÁN NHÃN TỪ
LOẠI
Chương 1 giới thiệu về bài toán gán nhãn từ loại cùng với vai trò, ứng dụng của
nó trong các hệ thống xử lý ngôn ngữ tự nhiên. Cùng với đó, chương này cũng phân
tích những khó khăn mà bài toán gán nhãn từ loại cần phải giải quyết và vấn đề xây
dựng tập nhãn từ loại.
1.1. Khái niệm và vị trí của bài toán gán nhãn từ loại trong xử lý
ngôn ngữ tự nhiên
1.1.1. Khái niệm về bài toán gán nhãn từ loại
Mỗi từ trong một ngôn ngữ nói chung đôi khi có thể gắn với nhiều từ loại và việc
giải thích đúng nghĩa một từ phụ thuộc vào việc nó có được xác định đúng từ loại hay
không dựa trên ngữ cảnh cho trước. Công việc gán nhãn từ loại cho một văn bản là
xác định từ loại của mỗi từ trong phạm vi văn bản đó, tức là phân loại các từ
thành các lớp từ loại dựa trên thực tiễn hoạt động ngôn ngữ [2, 7]. Việc gán nhãn
từ loại thường được thể hiện bằng cách gán cho mỗi từ một “nhãn” có sẵn theo tập
nhãn cho trước.
Bài toán có thể được mô tả như sau:
Input: Một chuỗi các từ và tập nhãn từ loại (Ví dụ như chuỗi các từ “Book that
flight.” và tập nhãn từ loại Penn Treebank của tiếng Anh.)
Output: Một nhãn tốt nhất cho từng từ trong chuỗi từ đã được đưa ra (Ví dụ:,
đối với chuỗi từ “Book that flight.”, thì nhãn thích hợp tương ứng cho từng từ
sẽ là Book/VB that/DT flight/NN./.)
Quá trình gán nhãn từ loại thường được chia làm 3 bước [2, 3, 4]:
Giai đoạn tiền xử lý: Phân tách xâu ký tự thành chuỗi các từ. Giai đoạn này có
thể đơn giản hay phức tạp tuỳ theo ngôn ngữ và quan niệm về đơn vị từ vựng.
Chẳng hạn đối với tiếng Anh hay tiếng Pháp, việc phân tách từ phần lớn là dựa
vào các ký hiệu trắng. Tuy nhiên vẫn có những từ ghép hay những cụm từ gây
tranh cãi về cách xử lý. Trong khi đó với tiếng Việt thì dấu trắng càng không
phải là dấu hiệu để xác định ranh giới các đơn vị từ vựng do tần số xuất hiện từ
ghép rất cao.
3
Khởi tạo gán nhãn, tức là tìm cho mỗi từ tập tất cả các nhãn từ loại mà nó có
thể có. Tập nhãn này có thể thu được từ cơ sở dữ liệu từ điển hoặc kho ngữ liệu
đã gán nhãn bằng tay. Đối với một từ mới chưa xuất hiện trong cơ sở ngữ liệu
thì có thể dùng một nhãn ngầm định hoặc gắn cho nó tập tất cả các nhãn. Trong
các ngôn ngữ biến đổi hình thái người ta cũng dựa vào hình thái từ để đoán
nhận lớp từ loại tương ứng của từ đang xét.
Quyết định kết quả gán nhãn, đó là giai đoạn loại bỏ nhập nhằng, tức là lựa
chọn cho mỗi từ một nhãn phù hợp nhất với ngữ cảnh trong tập nhãn khởi tạo
nói trên. Có nhiều phương pháp để thực hiện việc này, trong đó người ta phân
biệt chủ yếu các phương pháp dựa vào quy tắc ngữ pháp (với đại diện nổi bật là
phương pháp Brill) và các phương pháp xác suất. Ngoài ra còn có các hệ thống
sử dụng mạng nơ-ron, các hệ thống lai sử dụng kết hợp tính toán xác suất và
ràng buộc ngữ pháp, gán nhãn nhiều tầng, …
1.1.2. Vị trí và ứng dụng của bài toán gán nhãn từ loại trong NLP
Morphology
Syntax
Semantics
Discourse
Pragmatics
Knowledge
Five man lif a piano / a chair?
Could you pass me the salt? Yes or pass it?
Bill was about to be impeached, and he called his lawyer
ADDITIVE or RESULT?
bank
cottog bag
river or financial?
PART-WHOLE or PURPOSE?
walks
rice flies
Noun or Verb?
(NP (NN rice) (NNS files)) or
(S (NP (NN rice) (VP (VBZ files)))
Untieable Knot
(un)tieable or untie(able)?
Hình 1. Các bước xử lý ngôn ngữ tự nhiên
4
Gán nhãn từ loại là một công việc quan trọng và bắt buộc phải có đối với hầu hết
các ứng dụng xử lý ngôn ngữ tự nhiên. Nếu coi quá trình xử lý ngôn ngữ tự nhiên gồm
các bước: Tiền xử lý văn bản, phân tích hình thái, phân tích cú pháp và phân tích ngữ
nghĩa thì gán nhãn từ loại thuộc vào bước phân tích hình thái. Bước này có nhiệm vụ
phân tích câu thành một bảng các từ (hay cụm từ) riêng biệt, đồng thời kèm theo tất cả
các thông tin về từ đó, như là: Từ loại (part-of-speech), phạm trù ngữ pháp (category),
các biến cách của từ, tiền tố, hậu tố của từ (nếu có) [5, 9]. Hình 1 ở trên cho ta mô tả
trực quan về vị trí của bài toán gán nhãn từ loại trong xử lý ngôn ngữ tự nhiên.
Như vậy, gán nhãn từ loại là bước tiền xử lý quan trọng cho các phần tiếp theo
trong quá trình xử lý ngôn ngữ tự nhiên như phân tích cú pháp, phân tích ngữ nghĩa.
Có thể điểm qua một số ứng dụng tiêu biểu của bài toán gán nhãn từ loại như dưới đây
[14]:
Thành công của việc gán nhãn từ loại tiếng Việt sẽ là cơ sở cho việc giải quyết
các bài toán xử lý ngôn ngữ tự nhiên khác như tóm tắt văn bản, phân cụm, phân
loại văn bản …
Khi hệ thống văn bản đã được gán nhãn, hay nói cách khác là đã được chú thích
từ loại thì nó sẽ được ứng dụng rộng rãi trong các hệ thống tìm kiếm thông tin,
trong các ứng dụng tổng hợp tiếng nói, các hệ thống nhận dạng tiếng nói cũng
như trong các hệ thống dịch máy …
Một trong những ứng dụng thường được nhắc đến nhiều nhất của gán nhãn từ
loại là trong hệ thống dịch máy. Cho đến nay, sau hơn 50 năm phát triển, dịch
máy chứng tỏ là một ứng dụng vô cùng thiết thực, đồng thời cũng là một bài
toán khá hóc búa đặt ra cho các nhà khoa học trên toàn thế giới. Từ đầu thập
niên 1960, các nhà khoa học đã đúc kết lại ba chiến lược dịch máy cơ bản, đó là
dịch trực tiếp, dịch thông qua ngôn ngữ trung gian và dịch dựa trên chuyển đổi.
Và qua thực tế, chiến lược dịch dựa trên chuyển đổi đã khẳng định được tính
hiệu quả và tiềm năng của nó. Trong hệ dịch dựa trên sự chuyển đổi, khối
chuyển đổi cây cú pháp (cấu trúc) giữ một vai trò quan trọng, quyết định chất
lượng hệ dịch. Khối này phụ thuộc rất lớn vào sự chính xác của quá trình phân
tích ở bước trước, trong đó có bộ phận gán nhãn từ loại, giả sử như các từ trong
cây cú pháp bị gán nhãn từ loại sai dẫn đến cây cú pháp của câu cũng bị sai. Giả
sử như hệ thống tiến hành dịch câu sau đây từ tiếng Anh sang tiếng Việt: “Jet
planes fly about nine miles high”, nếu không có sự trợ giúp của công cụ gán
5
nhãn từ loại, hệ thống dịch máy chỉ dịch từ từ sang từ thì ta sẽ có được kết quả
tiếng Việt là “Phản lực các phi cơ bay khoảng chín dặm cao”
Jet
planes
fly about
nine miles high
Phản lực các phi cơ bay khoảng chín dặm cao
Trong khi đó, nếu các từ đã được gán nhãn từ loại một cách chính xác, ta sẽ có
khả năng cao nhận được một câu tiếng Việt hợp lý hơn rất nhiều: “Các phi cơ
phản lực bay cao khoảng chín dặm”
Jet
planes
fly about nine
miles high
Các phi cơ phản lực bay cao
khoảng chín dặm
…
1.2. Các khó khăn của bài toán gán nhãn từ loại
Nếu mỗi từ chỉ có một nhãn từ loại và ta có thể xây dựng được một từ điển hữu
hạn các từ và nhãn tương ứng của nó thì chắc chắn có thể giải quyết được bài toán gán
nhãn từ loại với kết quả tối ưu. Tuy nhiên, trong thực tế một từ đôi khi có thể có nhiều
hơn một nhãn từ loại thích hợp, và ta cũng không thể kiểm soát được toàn bộ các từ có
thể xuất hiện trong văn bản, điều này dẫn đến hai vấn đề mà bài toán gán nhãn từ loại
phải đối mặt: Nhập nhằng từ loại và từ mới.
Vấn đề chủ yếu của bài toán gán nhãn từ loại thực chất là việc loại bỏ nhập
nhằng về từ loại, tức là khi một từ có nhiều từ loại, nhưng trong một ngữ cảnh cụ thể,
nó chỉ có thể có một từ loại đúng mà thôi [5, 18].
Ví dụ:
Trong câu “I can can a can”, bộ gán nhãn từ loại sẽ phải đánh dấu từ loại
như sau:
I/PRO can/AUX can/V a/DET can/N.
Trong hai câu sau đây, từ “race” được gán nhãn khác nhau:
- Secretariat/NNP is/VBZ expected/VBN to/TO race/VB tomorrow/NN
6
- People/NNS continue/VBP to/TO inquire/VB the/DT reason/NN for/IN the/DT
race/NN for/IN outer/JJ space/NN
Đây là một vấn đề rất phức tạp và tồn tại trong hầu như tất cả mọi ngôn ngữ mà
ta không thể tránh được, lấy ví dụ như trong tập từ vựng Brown và tập nhãn Brown
của nó trong tiếng Anh thì có 35340 từ không có nhập nhằng (tức là một từ chỉ có
đúng duy nhất một nhãn trong mọi trường hợp), và 4100 từ chứa nhập nhằng (tức là
một từ có thể có từ 2 đến 7 nhãn trong các ngữ cảnh khác nhau) – Kết quả này do
Derose tổng kết năm 1988 [18], chi tiết cho ở bảng 2 dưới đây:
Bảng 2. Tổng kêt số nhãn có thể có của một từ trong tập từ vựng Brown
Số nhãn
Số từ
1
2
3
4
5
6
2
7
1
35340
3760
264
61
12
Nhìn chung, các nhập nhằng từ loại thường được giải quyết bằng cách xét đến
ngữ cảnh mà từ đó xuất hiện, tuy nhiên trong một số trường hợp, ngay cả khi có thông
tin về ngữ cảnh mà một số từ vẫn còn tiềm tàng nhập nhằng về từ loại.
Một vấn đề khác mà bài toán gán nhãn từ loại cần phải xử lý là khi gặp những từ
mới mà bộ gán nhãn không thể giải quyết được bằng những cách thông thường. Trong
trường hợp này, thường thì hệ thống sẽ để nguyên và đánh dấu một từ loại đặc biệt để
chuyển sang phần xử lý tên riêng (proper name) hay từ mới (unknown word).
1.3. Tập nhãn từ loại
1.3.1. Nguyên tắc xây dựng tập nhãn từ loại và một số tập nhãn từ loại
của các ngôn ngữ trên thế giới
Từ loại là những lớp từ có cùng bản chất ngữ pháp, được phân chia theo ý nghĩa
khái quát, theo khả năng kết hợp với các từ ngữ khác trong ngữ lưu và thực hiện
những chức năng ngữ pháp nhất định ở trong câu [1]. Trong thực tế, các tập nhãn sử
dụng cho việc gán nhãn từ loại thường được xây dựng và phát triển từ các lớp cơ bản
là các lớp từ đóng (Closed word class, function word class, còn được gọi là các từ
chức năng, là một tập cố định và không thể mở rộng, các lớp này thường chỉ chứa một
số lượng ít các từ có liên quan. Ví dụ: Giới từ, mạo từ, đại từ, số đếm,...) và các lớp từ
mở (Open class, là các lớp từ có khả năng mở rộng bằng cách tạo thêm từ mới hoặc
“mượn” từ các ngôn ngữ khác. Có 4 lớp từ mở chính là danh từ - nouns, động từ -
verb, tính từ - adjective và một phần của phó từ - [adverb]). Thường thì một lớp từ sẽ
được chia thành nhiều từ loại theo các đặc tính riêng nào đó [21].
7
Chỉ xét riêng đối với Tiếng Anh, cho đến hiện nay đã có rất nhiều tập nhãn từ
loại khác nhau được xây dựng và sử dụng, hình 2 điểm qua một số tập nhãn từ loại đã
được xây dựng theo các mốc thời gian [7].
1960
1970
1980
1990
2000
Brown
Corplus
LOB Corplus
Tagged
Brown Corplus
Created (EN-US)
1 Millions Words
LOB Corplus
Created(EN-US)
1 Millions Words
POS Tagging
separated from
other NLP
British National
Corpus
(tagged by CLAWS)
Penn Treebank
Corpus
(WSJ, 4.5M)
Hình 2. Một số tập nhãn từ loại cho Tiếng Anh
Có thể kể đến một số tập nhãn từ loại điển hình như:
Brown corpus: 87 nhãn.
Penn Treebank: 45 nhãn. Các nhãn của tập nhãn từ loại Penn Treebank được
cho trong bảng 3 dưới đây.
Lancaster UCREL C5 (Dùng để gán nhãn BNC – British National Corpus): 61
nhãn.
Lancaster C7: 145 nhãn.
Bảng 3. Tập nhãn từ loại Penn Treebank
Nhãn
CC
Ý nghĩa
Coordinating conjunction
Cardinal number
Determiner
Nhãn
Ý nghĩa
SYM Symbol
CD
DT
TO
UH
VB
“to”
Interjection
EX
Existential there
Verb, base form
FW Foreign word
VBD Verb, past tense
IN
JJ
Preposition/sub- conjunction VBG Verb, gerund or present participle
Adjective
VBN Verb, past participle
8
Nhãn
JJR
JJS
Ý nghĩa
Adjective, comparative
Adjective, superlative
List item marker
Modal
Nhãn
Ý nghĩa
VBP Verb, non-3rd person singular
VBZ present
LS
WTD Verb, 3rd person singular present
MD
NN
WP
Wh-determiner
Noun, singular or mass
WP$ Wh-pronoun
NNS Noun, plural
WRB Possessive wh-pronoun
NNP Proper noun, singular
NNPS Proper noun, plural
PDT Predeterminer
$
#
“
”
(
Wh-adverb
Dollar sign
Pound sign
POS
PP
Possessive ending
Personal pronoun
Possessive pronoun
Adverb
Left quote
Right quote
PP$
RB
)
Left parenthesis
Right parenthesis
Comma
,
RBR Adverb, comparative
RBS Adverb, superlative
.
Sentence-final punc
Mid-sentence punc
:
RP
Particle
Đối với các ngôn ngữ khác trên thế giới, để phục vụ cho việc giải quyết bài toán
gán nhãn từ loại, nhiều tập nhãn từ loại với độ mịn khác nhau cũng đã được xây dựng
cho mỗi ngôn ngữ, ví dụ như tập nhãn Chinese Treebank gồm 33 nhãn và Uppen CTB
gồm 23 nhãn cho tiếng Trung Quốc, tập nhãn di SI-TAL gồm 15 nhãn và tập nhãn
Achim Stein Italian tagset gồm 37 nhãn của tiếng Ý [18], …
Như vậy, với mỗi ngôn ngữ thường đều có nhiều tập nhãn từ loại có thể sử dụng,
tuy nhiên, việc lựa chọn tập nhãn ảnh hướng rất lớn đến độ khó của bài toán gán nhãn
từ loại. Chọn tập nhãn lớn sẽ làm tăng độ khó nhưng tập nhãn nhỏ hơn có thể không
đủ đáp ứng cho một mục đích nhất định nào đó. Việc chọn tập nhãn nào sẽ tùy thuộc
vào từng ứng dụng cụ thể, nói cách khác là tùy thuộc vào số lượng thông tin mà ứng
dụng đó đòi hỏi. Như vậy, cần phải có một sự thoả hiệp để xây dựng được một bộ
nhãn từ loại không quá lớn và có chất lượng [2, 21], tức là cần phải có sự cân đối giữa:
Có được lượng thông tin rõ ràng hơn (Tức là phạm vi phân lớp từ loại nhỏ hơn,
chia thành nhiều từ loại hơn dựa trên nhiều yếu tố thể hiện sự khác biệt).
9
Có khả năng tiến hành thực hiện việc gán nhãn (Tức là số lượng các từ loại
càng ít càng dễ tiến hành).
1.3.2. Một số tập nhãn từ loại hiện được đề xuất ở Việt Nam
Đối với tiếng Việt, việc thiết kế một tập nhãn từ loại còn vấp phải một vấn đề
lớn, đó là ngay trong tiếng Việt thì vấn đề từ loại vẫn còn gây nhiều tranh cãi. Theo
Diệp Quang Ban [1], việc phân định từ loại phải dựa trên các tiêu chuẩn sau đây:
Tiêu chuẩn 1 - Ý nghĩa khái quát của từ. Các từ loại là những nhóm từ rất to
lớn về khối lượng mà mỗi nhóm có một đặc trưng phân loại: tính vật thể, phẩm
chất, hành động hoặc trạng thái … Ví dụ, những từ như: nhà, bàn, học sinh,
con, quyển, sự … được phân vào lớp danh từ, vì ý nghĩa từ vựng của chúng
được khái quát hóa và trừu tượng hóa thành ý nghĩa thực thể - ý nghĩa phạm
trù ngữ pháp của danh từ.
Tiêu chuẩn 2 - Khả năng kết hợp với các từ ngữ khác trong ngữ lưu. Với ý
nghĩa khái quát, các từ có thể có khả năng tham gia vào một kết hợp có nghĩa.
Ở mỗi vị trí của kết hợp có thể xuất hiện những từ có khả năng lần lượt thay thế
nhau, trong khi đó, ở các vị trí khác nhau trong kết hợp, các từ còn lại tạo ra
bối cảnh cho sự xuất hiện khả năng thay thế của những từ nói trên. Những từ
cùng xuất hiện trong cùng một bối cảnh, có khả năng thay thế nhau ở cùng một
vị trí, có tình chất thường xuyên, được tập hơn vào một lớp từ. Vận dụng vào
tiếng Việt, những từ; nhà, bàn, cát, đá … có thể xuất hiện và thay thế nhau
trong kết hợp kiểu: nhàn ày, bàn này, cát này, đá này … và được xếp vào lớp
danh từ. Chúng không thể xuất hiện và thay thế cho nhau trong kết hợp kiểu:
hãy ăn, hãy mua, ăn xong, mua xong … vốn là kiểu kết hợp của động từ.
Tiêu chuẩn 3 - Chức năng ngữ pháp. Tham gia vào cấu tạo câu, các từ có thể
đứng ở một hay một số vị trí nhất định trong câu, hoặc có thể thay thế nhau ở vị
trí đó, và cùng biểu thị một mối quan hệ về chức năng cú pháp với các thành
phần khác trong cấu tạo câu, có thể phân vào một từ loại. Ví dụ, các từ; nhà,
bàn, cát, đá … có thể đứng ở nhiều vị trí trong câu. Chúng có thể thay thế nhau
ở những vị trí đó, và có quan hệ về chức năng giống nhau với các thành phần
khác trong câu ở mỗi vị trí, nhưng thường ở vị trí chủ ngữ trong quan hệ với vị
ngữ. Chủ ngữ và vị ngữ là hai chức năng cú pháp cơ bản, chức năng chủ ngữ là
chức năng cú pháp chủ yếu để phân loại các từ nói trên vào lớp danh từ; còn
10
chức năng vị ngữ lại là chức năng cú pháp chủ yếu của các động từ và tính từ
…
Qua khảo sát các nghiên cứu gần đây của tiếng Việt cho bài toán gán nhãn từ loại
[2, 3, 4, 6], có thể thấy có hai dạng tập nhãn từ loại thường được sử dụng cho các công
cụ gán nhãn từ loại tiếng Việt:
Dạng thứ nhất, xuất phát từ tập gồm 8 nhãn từ loại tiếng Việt thông dụng được
các nhà nghiên cứu ngôn ngữ học công nhận nhiều nhất (bao gồm: danh từ,
động từ, tính từ, đại từ, phụ từ, kết từ, trợ từ, cảm từ) để xây dựng tập nhãn
“mịn” hơn bằng cách phân nhỏ mỗi từ loại trên thành các tiểu từ loại. Việc phân
nhỏ này dựa trên nền tảng là các tiểu loại từ được nêu ra trong cuốn Ngữ pháp
tiếng Việt của Ủy ban khoa học xã hội Việt Nam, xuất bản năm 1993, có bổ
sung thêm một số nhãn từ loại để tránh trường hợp một từ mang cùng một lúc
nhiều nhãn từ loại (chẳng hạn động từ ngoại động chỉ cảm nghĩ hay động từ nội
động chỉ cảm nghĩ). Tùy thuộc vào từng loại ứng dụng xem cần thông tin cú
pháp và từ vựng ở mức nào mà việc xây dựng, xác định tập nhãn từ loại sẽ
dừng ở mức thô hay mịn khác nhau.
Hiện nay, ở Việt Nam đã có một số tập nhãn từ loại được xây dựng, chủ yếu ở
mức thô, tiêu biểu có thể kể đến bộ nhãn VnPOStag của tác giả Trần Thị Oanh
gồm 14 nhãn, 01 nhãn không xác định và các nhãn ký hiệu đặc biệt khác; bộ
VietTreeBank gồm 16 nhãn và 01 nhãn cho từ không phân loại được, … Bộ
nhãn gồm nhiều nhãn nhất hiện nay được xây dựng bởi nhóm tác giả Nguyễn
Thị Minh Huyền sử dụng cho công cụ VnQtag gồm 48 nhãn và 01 nhãn không
xác định.
Dạng thứ hai, tập nhãn tiếng Việt được xây dựng thông qua việc xây dựng kho
ngữ liệu song ngữ Anh-Việt mà trong đó các câu tiếng Việt đã được gán nhãn
từ loại chính xác nhờ kết quả liên kết từ Anh-Việt và phép chiếu từ loại từ Anh
sang Việt.
Tiêu biểu cho dạng tập nhãn từ loại này là tập nhãn được sử dụng trong nghiên
cứu “Gán nhãn từ loại tự động cho Tiếng Việt” của nhóm tác giả Đinh Điền [6],
tập nhãn này được xây dựng bằng cách quy chiếu từ tập nhãn tiếng Anh là Brown
Corpus.
Hiện nay, bài toán gán nhãn từ loại cho tiếng Anh đã được giải quyết khá tốt, đạt
độ chính xác cao (Khoảng hơn 97% ), bên cạnh việc hoàn thiện hơn nữa các phương
11
pháp gán nhãn, việc xây dựng bộ nhãn mịn hơn và có khả năng ứng dụng thực tế cao
cũng đang rất được quan tâm. Có thể nói rằng kết quả đạt được của bài toán gán nhãn
từ loại cho tiếng Anh đã ngày càng tiến gần tới mức tối ưu. Tuy nhiên, đối với các
ngôn ngữ khác, đặc biệt là các ngôn ngữ tượng hình (như tiếng Trung Quốc, Nhật, Hàn
Quốc …), các ngôn ngữ của Nga, Ấn Độ, A Rập, Thái Lan … cũng như đối với tiếng
Việt thì bài toán gán nhãn từ loại vẫn là một thách thức lớn. Các phương pháp và công
cụ đã được xây dựng gần như hoàn thiện cho Tiếng Anh khi đem áp dụng cho các
ngôn ngữ khác loại trên thường đưa lại kết quả thấp hoặc chưa đáp ứng được nhu cầu
ứng dụng. Như vậy, yêu cầu đặt ra với từng ngôn ngữ là phải kế thừa, tận dụng được
các phương pháp sẵn có, tiến hành hiệu chỉnh hoặc đề xuất ra các hướng tiếp cận mới
sao cho phù hợp với đặc điểm riêng của từng ngôn ngữ.
12
Chương 2. CÁC HƯỚNG TIẾP CẬN BÀI TOÁN GÁN
NHÃN TỪ LOẠI
Như đã giới thiệu, bài toán gán nhãn từ loại là một trong những bài toán cơ bản
trong xử lý ngôn ngữ tự nhiên và được quan tâm từ rất sớm, cùng với đó là sự xuất
hiện của rất nhiều phương pháp giải quyết bài toán này. Cho đến nay, việc hoàn thiện
các phương pháp đã có và xây dựng các phương pháp mới nhằm đạt được kết quả tốt
hơn vẫn là mục tiêu của nhiều nghiên cứu.
Hình 3 dưới đây điểm qua một vài phương pháp cơ bản nổi bật theo các mốc thời
gian [7]:
Trigram Tagger
(Kempe)
Combined Methods
98% +
96%
Tree-Based Statistics
(Helmut Shmid)
Rule Based – 96%+
DeRose/Church
Efficient HMM
Sparse Data
Transformation
Based Tagging
(Eric Bill)
Rule Based – 95%+
Neural Network
96% +
HMM Tagging
(CLAWS)
93% - 95%
Greene and
Rubin
1960
1970
1980
1990
2000
Hình 3. Một số phương pháp giải quyết bài toán POS tagging cho tiếng Anh
Theo Daniel Jurafsky [9], hầu hết các thuật toán được sử dụng để giải quyết bài
toán gán nhãn từ loại thuộc vào một trong hai loại: Phương pháp thủ công và phương
pháp dựa trên học máy. Ngoài ra người ta còn có thể kết hợp một số phương pháp để
cho kết quả tốt hơn, kỹ thuật này gọi là phương pháp lai.
2.1. Gán nhãn bằng phương pháp dựa trên hệ luật
Đây là phương pháp gán nhãn từ loại ra đời sớm nhất, các bộ gán nhãn “sơ khai”
đều thực hiện theo phương pháp này. Nội dung chính của phương pháp này là xây
dựng một cơ sở dữ liệu lớn các “luật” được viết bằng tay, vì vậy phương pháp này còn
được gọi là phương pháp gán nhãn thủ công. Các luật được xây dựng dựa vào ngữ
13
cảnh chứa từ đang xét nhằm loại bỏ nhập nhằng nếu từ đó có thể có nhiều nhãn từ loại
thích hợp, ví dụ, nếu một từ nhập nhằng đang xét đi sau một từ chỉ định thì nó có xu
hướng là một danh từ hơn là một động từ.
Đại diện tiêu biểu cho nhóm các phương pháp thủ công dựa trên hệ luật này là
ENGTWOL (Voutilainen, 1995) [21].
Về thực chất, phương pháp này dựa trên kỹ thuật hai bước dưới đây:
Bước 1: Xác định cho mỗi từ một danh sách các từ loại có khả năng của nó.
Đối với ENGTWOL, việc này được thực hiện mởi một bộ phân tích hình thái hai
mức độ (Máy chuyển hữu hạn trạng thái).
Ví dụ: Để gán nhãn từ loại cho câu “Pavlov had shown that salivation”, ở bước
này, bộ gán nhãn tạo một danh sách tất cả các nhãn có thể cho từng từ như sau:
Pavlov: PAVLOV N NOM SG PROPER
had
: HAVE V PAST VFIN SVO
HAVE PCP2 SVOO
shown : SHOW PCP2 SVOO SVO SG
that : ADV
PRON DEM SG
DET CENTRAL DEM SG
CS
salivation: N NOM SG
Bước 2: Sử dụng một danh sách các ràng buộc không có nhập nhằng (các luật
nếu-thì), và sử dụng các thông tin về ngữ cảnh để chọn ra một nhãn thích hợp
nhất trong số các nhãn có thể. Như vậy, ở bước này, các ràng buộc đóng vai trò
như một bộ lọc (Filters). Với ENGTWOL, danh sách các ràng buộc gồm
khoảng 1100 ràng buộc.
Trên thực tế, mỗi luật trên đều chứa một số lượng lớn các ngoại lệ. Thậm chí
ngay cả khi người thiết kế tìm cách giải quyết hết các ngoại lệ mà họ nghĩ đến thì vẫn
tồn tại những trường hợp chỉ xuất hiện khi hệ thống được đưa vào thực nghiệm. Hơn
nữa, một hệ thống luật dù rất đồ sộ cũng khó có thể bao quát được hết tất cả các trường
14
hợp ngôn ngữ, vì vậy, hiện nay các phương pháp dựa trên luật thường chỉ được sử
dụng bằng cách kết hợp bổ sung với các phương pháp khác [5].
2.2. Các phương pháp dựa vào học máy
Như vậy, phương pháp dựa trên luật là một phương pháp thủ công còn tiềm tàng
rất nhiều nhập nhằng. Cùng với đó, việc xây dựng một hệ thống trích chọn dựa trên
các luật là rất tốn công sức. Thông thường để xây dựng một hệ thống như vậy đòi hỏi
công sức vài tháng từ một lập trình viên với nhiều kinh nghiệm về ngôn ngữ học. Giải
pháp cho các giới hạn này là phải xây dựng một hệ thống bằng cách nào đó có thể “tự
học”, điều này sẽ giúp giảm bớt sự tham gia của các chuyên gia ngôn ngữ và làm tăng
tính khả chuyển cho hệ thống, các phương pháp như vậy được gọi là các phương pháp
dựa vào học máy.
Như đã nói ở trên, các phương pháp dựa vào học máy là các phương pháp xây
dựng hệ thống mà bằng cách nào đó có thể “tự học” (để ngắn gọn ở các phần dưới đây
ta sẽ gọi là các phương pháp học máy). Phần này sẽ xem xét một đại diện tiêu biểu của
phương pháp học máy, giải quyết nhập nhằng bằng cách sử dụng một bộ dữ liệu huấn
luyện để tính toán xác suất của một từ cho sẵn sẽ được gán với một nhãn nào đó trong
ngữ cảnh cho trước, vì bản chất đó, họ các phương pháp này còn được gọi là các
phương pháp xác suất.
Xác suất cho một từ, tức là xác suất mà một nhãn cho trước t là thích hợp với
một từ cho trước w được tính bằng công thức:
f (t, w)
(2.0)
P(t | w)
f (w)
Để minh họa cho phương pháp xác suất, phần này sẽ giới thiệu một bộ gán nhãn
điển hình sử dụng mô hình Markov ẩn (HMM) [16]. Mô hình Markov ẩn được giới
thiệu và nghiên cứu vào cuối những năm 1960 và đầu những năm 1970, cho đến nay
nó được ứng dụng nhiều trong nhận dạng tiếng nói, tin sinh học và xử lý ngôn ngữ tự
nhiên. HMM lựa chọn một chuỗi nhãn tốt nhất cho toàn bộ câu, thông thường người ta
sử dụng thuật toán Viterbi để tìm chuỗi nhãn tốt nhất đó.
Mô hình HMM có thể được xây dựng bởi các ô-tô-mát hữu hạn trạng thái
(probabilistic finite state automata) với các tham số biểu diễn xác suất chuyển trạng
thái và xác suất sinh dữ liệu quan sát tại mỗi trạng thái. Các trạng thái trong mô hình
HMM được xem là bị ẩn đi bên dưới dữ liệu quan sát sinh ra do mô hình. Quá trình
15
sinh ra chuỗi dữ liệu quan sát trong HMM thông qua một loạt các bước chuyển trạng
thái xuất phát từ một trong các trạng thái bắt đầu và dừng lại ở một trạng thái kết thúc.
Tại mỗi trạng thái, một thành phần của chuỗi quan sát được sinh ra trước khi chuyển
sang trạng thái tiếp theo. Trong bài toán gán nhãn từ loại dữ liệu, ta có thể xem tương
ứng mỗi trạng thái với một trong nhãn từ loại: NN, NP, VB...và dữ liệu quan sát là các
từ trong câu. Mặc dù các lớp này không sinh ra các từ, nhưng mỗi lớp được gán cho
một từ bất kì có thể xem như là sinh ra từ này theo một cách thức nào đó.
Giả sử, với câu đầu vào W (w1, w2,…, wn), ta cần tìm một chuỗi các nhãn tốt nhất
cho toàn bộ câu, trong đó mỗi nhãn tương ứng với một từ của câu đầu vào T (t1, t2,…,
tn). Bộ gán nhãn sử dụng mô hình HMM sẽ tìm chuỗi các nhãn sao cho giá trị của tích
P(Từ |nhãn) * P (nhãn | n nhãn trước đó) là cực đại, tức là thỏa mãn công thức (2.1)
ˆ
T argmaxT P(T |W)
(2.1)
Sử dụng luật Bayes, P(T|W) được viết theo công thức (2.2)
P(T)P(W |T)
P(T |W )
(2.2)
P(W )
Ta đang quan tâm tới việc tìm chuỗi nhãn phù hợp nhất làm cực đại công thức
(2.2) nên mẫu số trong tất cả các trường hợp là giống nhau, vì vậy ta có thể loại bỏ nó.
Do đó, bài toán trở thành tìm chuỗi các nhãn thỏa mãn công thức (2.3)
ˆ
T argmaxT P(T)P(W |T)
(2.3)
Áp dụng luật chuỗi xác suất, ta có công thức (2.4)
n
(2.4)
P(T)P(W |T)
P(w | w1t1...w t t )P(ti | w1t1...w t )
i1 i1 i i1 i1
i1
i
Vẫn không có phương pháp hiệu quả để tính xác suất của chuỗi này một cách
chính xác, vì nó yêu cầu quá nhiều dữ liệu. Ở đây ta phải áp dụng các giả thiết độc lập
điều kiện để có một xác suất đơn giản hơn (giả thiết rằng mỗi từ đều là độc lập với các
từ khác và đặc tính của một từ chỉ phụ thuộc vào nhãn của nó). Sử dụng giả thiết N-
gram để mô hình hóa xác suất chuỗi từ:
n
P(t ,...,t )=
P(t |t )
i-1
(2.5a)
1
n
i
i=1
Cụ thể ta dùng mô hình phổ biến nhất là mô hình tri-gram.
P t ,t ,t = P t |t P t |t
3
1
2
(2.5b)
1
2
2
3
Đầu tiên, ta đơn giản hóa rằng xác suất của một từ thì chỉ phụ thuộc vào nhãn của
nó:
16
(2.6)
Tiếp theo, ta giả thiết rằng các nhãn phía trước có thể được xấp xỉ bởi 2 nhãn
trước và gần nó nhất:
P(w | w1t1...w t t ) P(w | ti )
i
i1 i1 i
i
(2.7)
P(ti | w1t1...w t ) P(ti | ti-2ti-1)
i1 i1
Vì vậy, công thức (2.1) được biến đổi tương đương với công thức (2.8) dưới đây,
ta phải lựa chọn chuỗi nhãn làm cực đại công thức (2.8) này
n
n
P(t )P(t | t ) P(t | t t )[ P(w | t )]
(2.8)
1
1
2
i
i-2 i-1
i
i
i3
i1
Các thành phần thừa số trong công thức (2.8) có thể được tính toán từ tập dữ liệu
huấn luyện của mô hình. Chú ý rằng để có thể tránh xác suất bằng 0 ta cần sử dụng các
kỹ thuật làm trơn
Ta có thể mô hình hóa HMM dưới dạng một đồ thị có hướng như hình 4.
T1
T2
T3
Tn-1
Tn
W1
W 2
W 3
W n-1
W n
Hình 4. Đồ thị có hướng mô tả mô hình HMM
Như đã nói ở trên, thông thường trong mô hình HMM thuật toán hay được sử
dụng để tìm dãy trạng thái tối ưu là thuật toán Viterbi [16]. Thuật toán này dựa trên
công thức truy hồi (2.9) dưới đây:
(t j )= max[i(tk )×P(w |t j )×P(t j |tk )]
i+1
i+1
1kT
(t j )= argmax[i(tk )× P(w |t j )×P(t j |tk )]
(2.9)
i+1
i+1
1kT
Một trong những bộ gán nhãn tiêu biểu sử dụng phương pháp này là bộ gán nhãn
TnT của tác giả Thorsten Brants sử dụng phương pháp tri-gram, cho kết quả 96.7% với
tập nhãn Penn TreeBank và bộ dữ liệu WallStreet trong tiếng Anh [16]. QTAG là một
bộ gán nhãn dựa trên mô hình HMM do nhóm nghiên cứu Corpus Research thuộc
trường đại học tổng hợp Birmingham phát triển, cung cấp miễn phí cho mục đích
17
nghiên cứu. Một điểm nổi trội của QTAG là dù được xây dựng cho tiếng Anh nhưng
nó có thể được huấn luyện để sử dụng cho các ngôn ngữ khác [3]. Phương pháp xác
suất còn được sử dụng để gán nhãn từ loại trong rất nhiều ngôn ngữ khác nhau, ví dụ
việc áp dụng mô hình HMM cho bài toán gán nhãn từ loại tiếng Trung Quốc đạt đến
93.5 % trong nghiên cứu của các tác giả GouDong Zhou và Jian Su [20]; Hai tác giả
Fábio N.Kepler và Marcelo Finger cũng công bố kết quả sử dụng mô hình HMM để
gán nhãn từ loại cho tiếng Bồ Đào Nha với kết quả 93.48 % [18].
Tuy nhiên, mặc dù tính đến thời điểm hiện tại, đây là một trong những phương
pháp gán nhãn theo phương pháp xác suất thông dụng nhất được biết đến nhưng nó
vẫn còn tiềm tàng những giới hạn khó giải quyết. Adrew McCallum trong các nghiên
cứu của mình [10] đã đưa ra hai vấn đề mà các mô hình HMM truyền thống nói riêng
và các mô hình sinh (generative models) nói chung gặp phải khi gán nhãn cho dữ liệu
dạng chuỗi.
Thứ nhất, để có thể tính được xác suất P(T, W) (2.1), thông thường ta phải liệt
kê hết các trường hợp có thể của chuỗi T và chuỗi W. Nếu như các chuỗi T có
thể liệt kê được vì số lượng các trạng thái là có hạn thì trong nhiều ứng dụng ta
không thể nào liệt kê hết được các chuỗi W vì dữ liệu quan sát là hết sức phong
phú và đa dạng. Để giải quyết vấn đề này, HMM phải đưa ra giả thiết về sự độc
lập giữa các dữ liệu quan sát, đó là dữ liệu quan sát được tại thời điểm i chỉ phụ
thuộc trạng thái tại thời điểm đó. Tuy nhiên giả thiết này không có trong thế
giới thực vì vậy khi áp dụng nó trong các hệ thống thực tế sẽ khó tránh khỏi
một yếu tố bất lợi như thiếu tính mềm dẻo, bỏ sót thuộc tính ...
Vấn đề thứ hai mà các mô hình sinh gặp phải khi áp dụng vào các bài toán phân
lớp dữ liệu dạng chuỗi đó là chúng sử dụng xác suất đồng thời để mô hình hóa
các bài toán có tính điều kiện.Với các bài toán này sẽ thích hợp hơn nếu ta dùng
một mô hình điều kiện có thể tính toán P(T|W) trực tiếp thay vì P (T,W) như
trong công thức (2.1).
Ngoài HMM, còn rất nhiều phương pháp xác suất khác có thể sử dụng để giải
quyết bài toán gán nhãn từ loại nói chung và bài toán gán nhãn từ loại tiếng Việt nói
riêng, nhiều trong số chúng có những ưu điểm giải quyết được các hạn chế của mô
hình HMM mà ta đã nói ở trên. Cùng với đó, bên cạnh các phương pháp học máy xác
suất, còn có các phương pháp học máy khác, ví dụ phương pháp học máy dựa trên độ
đo, phương pháp sử dụng mạng nơ ron nhân tạo, …. Các chương sau sẽ trình bày rõ
hơn về ba phương pháp học máy tiêu biểu đã đạt được kết quả khả quan khi áp dụng
18
cho bài toán gán nhãn từ loại trong các ngôn ngữ khác, đó là mô hình cực đại hóa
Entropy MEM, mô hình miền ngẫu nhiên điều kiện CRF và mô hình máy véc tơ hỗ trợ
SVM.
2.3. Phương pháp lai
Đại diện tiêu biểu của phương pháp lai là phương pháp dựa trên học chuyển đổi
(Transformation-Based learning TBL) [6], đây là một phương pháp học có giám sát,
đòi hỏi một tập ngữ liệu đã được gán nhãn. Phương pháp này sử dụng đặc tính của cả
hai kiến trúc gán nhãn nói trên. Giống như bộ gán nhãn dựa trên luật, nó dựa vào luật
để xác định khi một từ nhập nhằng thì nó có khả năng là một nhãn nào nhất. Giống
như bộ gán nhãn xác suất, nó có một thành phần học máy để tạo ra các luật một cách
tự động từ một bộ dữ liệu huấn luyện đã được gán nhãn trước.
Ý tưởng chính của thuật toán này là bắt đầu với một vài giải pháp đơn giản (hoặc
tinh vi) cho vấn đề (gọi là “baseline tagging”) và từng bước áp dụng những luật biến
đổi (luật chuyển) tối ưu (tìm ra từ tập ngữ liệu huấn luyện đã được đánh dấu chính
xác) để dần dần giải quyết vấn đề (tức là chuyển từ nhãn không chính xác sang nhãn
chính xác). Quá trình này sẽ dừng lại khi không còn luật chuyển tối ưu nào được lựa
chọn hoặc đã hết dữ liệu. Hình 5 cho ta mô hình tổng quát của phương pháp lai.
Dữ liệu chưa gán
nhãn
Trạng thái bắt
đầu
Dữ liệu đã gán
nhãn
“Sự thật”
Bộ học
Các luật
Hình 5. Mô hình tổng quát của phương pháp lai
19
Thuật toán bao gồm 5 bước [6]
Bước 1: Gán nhãn cho từng từ bằng nhãn thông dụng nhất.
Bước 2: Chọn một phép chuyển có tính quyết định thay thế nhãn đã gán bằng
nhãn mới mà kết quả đem lại có hệ số đánh giá lỗi thấp hơn (Đánh giá một phép
chuyển bằng hệ số đánh giá lỗi thực chất là so sánh nó với “sự thật”).
Bước 3: Áp dụng phép chuyển này cho cả tập huấn luyện.
Bước 4: Thực hiện lại các bước trên
Bước 5: Đưa ra kết quả là một bộ gán nhãn mà nhãn đầu tiên sử dụng unigrams,
sau đó áp dụng phép chuyển đã được “học” ở trên theo thứ tự.
Ví dụ về một số luật chuyển thường được áp dụng cho phương pháp lai được cho
bởi bảng 4 [6].
Bảng 4. Ví dụ về một số luật chuyển của TBL cho tiếng Anh
S
TT
1
Chuyển nhãn
Điều kiện
Ví dụ
Cũ
Mới
NN
VB
Nhãn trước đó là TO
To/TO race/NNVB
2
VBP VB
1 trong 3 nhãn trước đó là MD Might/MD vanish/VBPVB
1 trong 2 nhãn trước đó là DT Might/MD not reply/NNVB
1 trong 3 nhãn trước đó là VBZ
3
NN
VB
VB
NN
4
5
VBD VBN
Ví dụ: Xét từ “race” trong hai câu dưới đây
- It is expected to race tomorrow.
- The race for outer space.
Thuật toán sẽ thực hiện như sau:
Đầu tiên, gán nhãn tất cả các từ “race” là NN (nhãn thường gặp nhất trong tập
ngữ liệu Brown corpus). Tức là:
“It is expected to race/NN tomorrow”
“The race/NN for outer space”
20
Sau đó, sử dụng luật biến đổi để thay thế các nhãn NN bằng VB cho tất cả các
từ “race” mà đứng trước nó là từ được gán nhãn TO. Tức là:
“It is expected to race/VB tomorrow”
Và “The race/NN for outer space”
Đại diện tiêu biểu cho phương pháp này là bộ gán nhãn từ loại Brill’s (được xây
dựng bởi Eric Brill) sử dụng cho tiếng Anh, đây là một bộ gán nhãn rất thông dụng vì
các ưu điểm của nó như miễn phí, đem lại kết quả khá khả quan (Độ chính xác là
96.6% cho tập ngữ liệu Wall Street Journal).
2.4. Các nghiên cứu liên quan tại Việt Nam
Bài toán gán nhãn từ loại cho tiếng Việt bắt đầu được quan tâm khá muộn so với
tiếng Anh, tuy gặp phải không ít khó khăn vì những đặc trưng phức tạp riêng của tiếng
Việt, nhưng việc nghiên cứu lại có một lợi thế rất lớn là tiếp thu được những thành quả
nghiên cứu đã được áp dụng cho tiếng Anh nói riêng và trên thế giới nói chung. Phần
này sẽ điểm qua một vài nghiên cứu tiêu biểu liên quan đến bài toán gán nhãn từ loại
tiếng Việt.
2.4.1. Các nghiên cứu dựa trên phương pháp hệ luật
Nhằm phát huy tác dụng hữu ích của phương pháp dựa trên hệ luật khi được sử
dụng bằng cách kết hợp bổ sung với các phương pháp khác, nhóm nghiên cứu gồm các
tác giả Nguyễn Quang Châu, Phan Thị Tươi, Cao Hoàng Trụ đã đề xuất một phương
pháp gán nhãn từ loại cho Tiếng Việt dựa trên văn phong và tính toán xác suất [2].
Nhóm tác giả xây dựng một hệ thống kết hợp bộ gán nhãn tri-gram và bộ gán nhãn dựa
trên văn phong. Phương pháp gán nhãn từ loại dựa trên văn phong thực chất là căn cứ
vào cách thể hiện của văn bản trong một ngữ cảnh cụ thể để xác định từ loại cho các
từ, điều này bao hàm việc xác định phải đảm bảo các luật văn phạm của các từ trong
câu. Để xây dựng hệ thống luật này, nhóm tác giả dựa vào JAPE (Java Annotation
Patterns Engine), hệ thống luật gồm trên 270 luật để xác định cho 48 từ loại (danh từ
riêng, đại từ xưng hô, danh từ loại thể, ...) và các luật để xác định các kiểu ngày tháng
năm (date). Phương pháp dựa trên văn phong áp dụng các luật xác định danh từ riêng,
trên cơ sở các danh từ riêng được xác định, tiếp tục áp dụng các luật để xác định 48
nhãn từ loại còn lại.
21
Tải về để xem bản đầy đủ
68 trang
17/06/2025
520
Bạn đang xem 30 trang mẫu của tài liệu "Khóa luận So sánh một số phương pháp học máy cho bài toán gán nhãn từ loại tiếng Việt", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.
File đính kèm:
- khoa_luan_so_sanh_mot_so_phuong_phap_hoc_may_cho_bai_toan_ga.pdf
