nghiên cứu gán nhãn từ loại cho văn bản...
TRANSCRIPT
Nghiên cứu gán nhãn từ loại cho văn bản tiếng
Việt bằng phương pháp học máy không có
hướng dẫn
Trần Thu Trang
Trường Đại học Khoa học Tự nhiên
Luận văn ThS. ngành: Bảo đảm toán học cho máy tính và hệ thống tính toán
Mã số: 60 46 35
Người hướng dẫn: TS. Nguyễn Thị Minh Huyền
Năm bảo vệ: 2012
Abstract. Trình bày tổng quan về bài toán gán nhãn từ loại, các tiếp cận để giải
quyết bài toán gán nhãn từ loại, so sánh các tiếp cận, trình bày hiện trạng cùng các
phương pháp đã được dùng để giải quyết bài toán gán nhãn từ loại cho tiếng Việt,
khó khăn chưa khắc phục được. Trình bày các kiến thức toán học, các mô hình học
máy được sử dụng trong luận văn. Trình bày một số phương pháp học máy không có
hướng dẫn cho bài toán gán nhãn từ loại, để từ đó có thể xây dựng một quy trình giải
quyết bài toán gán nhãn từ loại tiếng Việt theo cách tiếp cận này.
Keywords. Toán tin; Gán nhãn từ loại; Văn bản tiếng Việt; Máy tính
Content
MỞ ĐẦU
Một trong các vấn đề nền tảng của ngôn ngữ tự nhiên là việc phân loại các từ thành các
lớp từ loại dựa theo thực tiễn hoạt động ngôn ngữ. Mỗi từ loại tương ứng với một lớp từ giữ
một vai trò ngữ pháp nhất định. Nói chung, mỗi từ trong một ngôn ngữ có thể gắn với nhiều
từ loại, và việc tự động “hiểu” đúng nghĩa một từ phụ thuộc vào việc nó được xác định đúng
từ loại hay không. Công việc gán nhãn từ loại cho một văn bản là xác định từ loại của mỗi từ
trong phạm vi văn bản đó. Các công cụ gán nhãn (hay chú thích) từ loại cho các từ trong một
văn bản có thể thay đổi tuỳ theo quan niệm về đơn vị từ vựng và thông tin ngôn ngữ cần khai
thác trong các ứng dụng cụ thể.
Xác định từ loại chính xác cho các từ trong văn bản là vấn đề rất quan trọng trong lĩnh
vực xử lý ngôn ngữ tự nhiên. Công cụ gán nhãn từ loại có thể 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. Công cụ này cũng hỗ trợ cho việc phân
tích cú pháp các văn bản, góp phần giải quyết tính đa nghĩa của từ, và trợ giúp các hệ hống
rút trích thông tin hướng đến ngữ nghĩa, v.v…
Vấn đề gán nhãn từ loại của nhiều ngôn ngữ đã được giải quyết tốt bằng phương pháp
học máy có hướng dẫn, nghĩa là phải xây dựng một kho ngữ liệu huấn luyện lớn và/hoặc xây
dựng tập luật để nhận diện từ loại. Hiện nay, bài toán gán nhãn từ loại tiếng Việt cũng đã
được một số nhóm nghiên cứu và giải giải quyết cũng chủ yếu bằng phương pháp học máy có
hướng dẫn, nhưng việc xây dựng tập huấn luyện còn gặp nhiều khó khăn vì bản thân các nhà
ngôn ngữ học vẫn còn chưa thống nhất về tập từ loại tiếng Việt nên các nhóm tự định nghĩa
tập nhãn khác nhau, và các nhóm cũng tự xây dựng kho dữ liệu đã gán nhãn và xây dựng tập
luật khác nhau. Công việc này mất rất nhiều thời gian, tiền của và công sức của các nhà
nghiên cứu. Một cách tiếp cận khác cho bài toán gán nhãn từ loại là sử dụng phương pháp
học máy không có hướng dẫn để một mặt giải quyết vấn đề xác định bộ nhãn từ loại, mặt
khác tiết kiệm công sức xây dựng tập huấn luyện. Đề tài này nghiên cứu một số phương pháp
gán nhãn từ loại không có hướng dẫn, trên cơ sở đó đưa ra một quy trình giải quyết bài toán
gán nhãn từ loại tiếng Việt bằng cách tiếp cận này.
Cấu trúc luận văn
Cấu trúc luận văn chia làm 3 chương:
Chƣơng I: Tổng quan
Trong chương này sẽ trình bày tổng quan về bài toán gán nhãn từ loại, các tiếp cận để
giải quyết bài toán gán nhãn từ loại, so sánh các tiếp cận. Chương này cũng trình bày hiện
trạng cùng các phương pháp đã được dùng để giải quyết bài toán gán nhãn từ loại cho tiếng
Việt, khó khăn chưa khắc phục được.
Chƣơng II: Cơ sở toán học
Chương này sẽ trình bày các kiến thức toán học, các mô hình học máy được sử dụng
trong luận văn.
Chƣơng III: Cách tiếp cận không có hƣớng dẫn cho bài toán gán nhãn từ loại
Chương này sẽ trình bày một số phương pháp học máy không có hướng dẫn cho bài
toán gán nhãn từ loại, để từ đó có thể xây dựng một quy trình giải quyết bài toán gán nhãn từ
loại tiếng Việt theo cách tiếp cận này.
Chƣơng 1 - TỔNG QUAN
1.1 Bài toán gán nhãn từ loại
Gán nhãn từ loại là việc xác định các chức năng ngữ pháp của từ trong câu hay là quá
trình gán từng từ trong đoạn văn bản với các đánh dấu từ loại hoặc cấu trúc ngữ pháp. Đây là
bước cơ bản trước khi phân tích cú pháp hay các vấn đề xử lý ngôn ngữ phức tạp khác.
Thông thường, một từ có thể có nhiều chức năng ngữ pháp, ví dụ: trong câu “con ngựa đá đá
con ngựa đá”, cùng một từ “đá” nhưng từ thứ nhất và thứ ba giữ chức năng ngữ pháp là danh
từ, nhưng từ thứ hai lại là động từ trong câu.
1.2 Tổng quan về cách tiếp cận giải bài toán
1.2.1 Quá trình gán nhãn từ loại
Gán nhãn từ loại là một quá trình gồm 3 bước xử lý:
Bước 1 (tiền xử lí): Phân tách xâu kí tự thành chuỗi các từ
Bước 2: Gán nhãn tiên nghiệm, tức là tìm cho mỗi từ tập tất cả các nhãn từ loại
mà nó có thể có.
Bước 3: Quyết định kết quả gán nhãn
1.2.2 Ngữ liệu
Để thực hiện gán nhãn từ loại ta phải có kho ngữ liệu[2], chúng có thể là:
- Từ điển và các văn phạm loại bỏ nhập nhằng.
- Kho văn bản đã gán nhãn, có thể kèm theo các quy tắc ngữ pháp xây dựng bằng
tay.
- Kho văn bản chưa gán nhãn, có kèm theo các thông tin ngôn ngữ như là tập từ loại
và các thông tin mô tả quan hệ giữa từ loại và hậu tố.
Kho văn bản chưa gán nhãn, với tập từ loại cũng được xây dựng tự động nhờ các tính toán
thống kê
1.2.3 Các tiếp cận giải bài toán
Chúng ta có hai tiếp cận chính cho gán nhãn từ loại tự động:[19]
- Tiếp cận có hướng dẫn.
- Tiếp cận không hướng dẫn.
Bộ gán nhãn có hướng dẫn có đặc thù là dựa trên kho ngữ liệu đã được gán nhãn cho
việc tạo ra các công cụ được sử dụng cho quá trình gán nhãn. Ví dụ như là Từ điển bộ gán
nhãn, các tần suất từ/nhãn, các xác suất chuỗi nhãn, tập các luật.
Các mô hình không hướng dẫn không yêu cầu kho ngữ liệu đã gán nhãn nhưng lại sử dụng
các thuật toán tính toán phức tạp để tự động xây dựng các nhóm từ (nghĩa là xây dựng các tập
nhãn) và dựa trên các nhóm từ này để tính toán các thông tin xác suất cần thiết cho các bộ
gán nhãn thống kê hoặc để xây dựng các luật ngữ cảnh cần thiết cho các hệ thống dựa trên
luật.
1.2.5 Gán nhãn dựa trên luật
Gán nhãn dựa trên luật sử dụng từ điển để tìm các từ loại có thể cho các từ, sử dụng các luật
làm thành một nghĩa
Các tiếp cận gán nhãn dựa trên luật sử dụng thông tin ngữ cảnh để gán các nhãn cho các từ
chưa biết hoặc các từ nhập nhằng
1.2.6 Gán nhãn thống kê
Bộ gán nhãn thống kê đơn giản nhất giải quyết nhập nhằng các từ chỉ đặt cơ sở vào xác
suất mà một từ xuất hiện với một nhãn đặc biệt. Nói cách khác, nhãn được gặp thường xuyên
nhất trong tập huấn luyện là nhãn được gán cho một thể hiện không rõ ràng của từ đó. Vấn đề
với tiếp cận này là trong khi nó có thể mang lại một nhãn hợp lệ cho một từ đưa ra, lại cũng
có thể mang lại chuỗi không hợp lệ các nhãn.
1.2.7 Các từ chƣa biết
Có vài giải pháp tiềm năng cho vấn đề này: Một trong những giải pháp sử dụng thông tin
hình thái. Trong trường hợp này, bộ gán nhãn tính toán xác suất mà một hậu tố trên một từ
chưa biết xuất hiện với một nhãn đặc biệt. Nếu một mô hình Markov ẩn đang được sử dụng,
xác suất mà một từ chứa đựng hậu tố mà xuất hiện với một nhãn đặc biệt trong chuỗi đã cho
được tính toán. Một giải pháp khác là gán một tập các nhãn mặc định (các lớp mở đặc đặc
biệt: Danh từ, tính từ, trạng từ, động từ..) cho các từ chưa biết và để giải quyết nhập nhằng sử
dụng các xác suất mà các nhãn đó xuất hiện tại cuối n-gram trong câu hỏi.
1.3 Bài toán gán nhãn từ loại tiếng Việt
Qua khảo sát các nghiên cứu gần đây của tiếng Việt cho bài toán gán nhãn từ loại, 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
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.
Như vậy, có thể thấy rằng bài toán gán nhãn từ loại cho tiếng Việt đang ngày càng
được quan tâm nghiên cứu. Tuy nhiên đây vẫn là hướng nghiên cứu đầy tiềm năng và cũng
đầy thử thách, cùng với đó là việc các nghiên cứu đã có hầu hết vẫn còn mang tính cá thể,
chưa có được sự đối chiếu so sánh khách quan, và sự thống nhất về bộ nhãn giữa các nhà
ngôn ngữ, đồng thời cũng chưa xây dựng được bộ nhãn đủ lớn để bài toán gán nhãn tiếng
Việt có thể đạt độ chính xác rất cao
Chƣơng 2 - CƠ SỞ TOÁN HỌC
2.1 Định lý Bayes
Định lý Bayes cho phép tính xác suất xảy ra của một sự kiện ngẫu nhiên A khi biết sự
kiện liên quan B đã xảy ra. Xác suất này được ký hiệu là P(A|B), và đọc là "xác suất của A
nếu có B". Đại lượng này được gọi xác suất có điều kiện hay xác suất hậu nghiệm vì nó được
rút ra từ giá trị được cho của B hoặc phụ thuộc vào giá trị đó
2.2 Thuật toán cực đại hóa kỳ vọng (EM)
Thuật toán EM (Expectation Maximization) nhằm tìm ra sự ước lượng về khả năng
lớn nhất của các tham số trong mô hình xác suất (các mô hình phụ thuộc vào các biến ẩn
chưa được quan sát), nó được xem như thuật toán dựa trên mô hình.
2.3 Mô hình Markov ẩn
Mô hình Markov ẩn (tiếng Anh là Hidden Markov Model - HMM) là mô hình thống kê trong
đó hệ thống được mô hình hóa được cho là một quá trình Markov với các tham số không biết
trước và nhiệm vụ là xác định các tham số ẩn từ các tham số quan sát được, dựa trên sự thừa
nhận này
2.3.1 Ba bài toán cơ bản của HMM
2.3.1.1 Bài toán 1
Cung cấp cho mô hình các tham số, tính xác suất của dãy đầu ra cụ thể. Giải bằng thuật
toán tiến-lùi. Nghĩa là Cho chuỗi quan sát O = {o1,o2,...,oT} và mô hình λ = {A, B}, ta phải
tính xác suất có điều kiện P(O|λ) của chuỗi quan sát.
Xác suất P(O/λ) =?
2.3.1.2 Bài toán 2
Cung cấp cho mô hình các tham số, tìm dãy các trạng thái (ẩn) có khả năng lớn nhất mà
có thể sinh ra dãy đầu ra đã cung cấp. Nghĩa là cho chuỗi quan sát O={o1,o2,...,oT} và mô
hình λ = {A, B} ta phải tìm chuỗi trạng thái ẩn Q={q1, q2..,qT} sao cho xác suất có điểu kiện
P(O|λ) là cực đại. ),|'(maxarg'
OQPQQ
2.3.1.3 Bài toán 3
Cung cấp dãy đầu ra, tìm tập hợp có khả năng nhất của chuyển tiếp trạng thái và các
xác suất đầu ra. Nghĩa là cho chuỗi quan sát O = {o1,o2,...,oT} và mô hình λ = {A, B}, ta phải
đánh giá lại các thông số của mô hình sao cho xác suất có điểu kiện P(O|λ) là cực đại. tức là
tìm )|(maxarg'
OP
2.2.2 Mô hình n-gram
Mô hình n-gram là một mô hình sử dụng n-1 từ đằng trước đó để dự đoán từ tiếp theo
2.4 Phân cụm
2.4.1 Khái niệm phân cụm
Phân cụm (clustering) làm việc phân chia các đối tượng vào các nhóm, sao cho các đối tượng
thuộc cùng một nhóm có độ tương tự cao hơn các đối tượng thuộc các nhóm khác nhau
2.4.2 Các yêu cầu của phân cụm
2.4.3 Các phƣơng pháp phân cụm
2.4.3.1 Phƣơng pháp phân hoạch
2.4.3.2 Phƣơng pháp phân cấp
2.4.3.3 Phƣơng pháp dựa trên mật độ
2.4.3.4 Phƣơng pháp dựa trên mô hình
2.4.4 Độ đo khoảng cách
Một bước quan trọng trong bất kỳ kỹ thuật phân cụm nào là lựa chọn một độ đo khoảng cách
để xác định sự tương tự của hai phần tử. Độ đo này sẽ ảnh hưởng đến hình thái của cụm, vì
một phần tử nào đó có thể gần với một phần tử khác theo một độ đo khoảng cách này và xa
hơn theo một độ đo khác
2.5 Phân tích giá trị kỳ dị
Phân tích giá trị kì dị (Singular value decomposition - SVD) có thể được nhìn vào từ
ba quan điểm sau [34]:
- Thứ nhất, chúng ta có thể coi nó như là một phương pháp để biến đổi các biến có
tương quan thành một tập hợp các biến không tương quan, biểu đạt tốt hơn mối
quan hệ khác nhau giữa các phần tử dữ liệu gốc.
- Thứ hai, SVD cũng là một phương pháp để xác định và sắp xếp các chiều véc tơ
mà theo đó các dữ liệu có sự chênh lệch nhiều nhất. Điều này liên quan đến góc
nhìn thứ ba về SVD.
- Thứ ba, đó là một khi chúng ta đã xác định sự chênh lệch lớn nhất ở đâu, SVD có
thể tìm thấy xấp xỉ tốt nhất của các điểm dữ liệu ban đầu bằng cách sử dụng kích
thước ít hơn. Do đó, SVD có thể được xem như là một phương pháp để giảm số
chiều dữ liệu.
Chƣơng 3 - MỘT SỐ PHƢƠNG PHÁP TIẾP CẬN KHÔNG CÓ HƢỚNG DẪN CHO
GÁN NHÃN TỪ LOẠI
3.1 Gán nhãn sử dụng kỹ thuật Cực đại hóa kỳ vọng
Bài toán gán nhãn từ loại được mô hình hóa sử dụng mô hình Markov ẩn (HMM) như sau:
Các nhãn từ loại được coi là các trạng thái ẩn và các từ của văn bản như là đầu ra (trạng thái
quan sát được).
3.1.1 Huấn luyện mô hình Trigram
Chúng ta xem xét hai loại huấn luyện khác nhau:
- Huấn luyện tần số quan hệ (Relative Frequency RF)
- Huấn luyện khả năng cực đại (Maximum Likelihood ML) bằng thuật toán tiến-lùi.
3.1.1.1 Huấn luyện tần số quan hệ
Nếu chúng ta có một lượng văn bản đã gán nhãn có sẵn, chúng ta có thể tính toán số lần
N(w,t) một từ w được đưa ra xuất hiện với nhãn t và số lần N(t1,t2,t3) chuỗi (t1,t2,t3) xuất hiện
trong văn bản này. Chúng ta có thể ước lượng các xác suất h và k bằng cách tính toán tần số
quan hệ của các sự kiện tương ứng trên dữ liệu này:
),(
),,(),/(),/(
21
321
213213ttN
tttNtttfttth
rf
)(
),()/()/(
tN
twNtwftwk
rf
3.1.1.2 Huấn luyện khả năng cực đại (ML)
Sử dụng một mô hình trigram M, có thể tính toán xác suất của bất kỳ chuỗi các từ W
theo mô hình này: ),()( TWpWpT
MM
Trong đó, tổng được lấy trên tất cả các liên kết có thể. Huấn luyện ML tìm thấy mô
hình M mà cực đại hoá xác suất của văn bản huấn luyện:
)(max WpW
MM
Trong đó, tích được lấy trên tất cả các câu W trong văn bản huấn luyện. Đây là vấn đề của
huấn luyện một mô hình Markov ẩn.
3.1.2 Kết quả thử nghiệm với tiếng Anh
3.1.2.1 Dữ liệu văn bản
sử dụng dữ liệu Penn treebank gồm có 42186 đã được gán nhãn một cách thủ công
(khoảng 1 triệu từ).
Sử dụng 159 các nhãn khác nhau để gán nhãn cho Penn treebank.
Xây dựng từ điển bằng cách đưa tất cả các từ xuất hiện trong văn bản cùng với tất cả các
nhãn được gán ở trong văn bản.
3.1.3 Các thí nghiệm cơ bản
3.2 Gán nhãn từ loại bằng kỹ thuật phân cụm
Trong tiếp cận này [[21], [22]], những thuộc tính phân phối và các từ tương tự xuất hiện
trong các ngữ cảnh tương tự được sử dụng cho việc tính toán các véc tơ ngữ cảnh của mỗi từ
để gom cụm các từ với nhau trong các nhóm. Các nhóm mà có thể được gán nhãn từ loại
hoặc các lớp từ như các nhóm. Sử dụng kỹ thuật phân cụm để xây dựng các nhãn từ loại trên
dữ liệu chưa gán nhãn là một đặc trưng phân biệt của phương pháp gán nhãn từ loại phân
phối.
Các đặc điểm quan trọng được xem xét ở đây là các véc tơ ngữ cảnh được định nghĩa như thế
nào, kích thước của các véc tơ ngữ cảnh (số chiều), thước đo sử dụng để tính toán độ tương
tự của các véc tơ (nghĩa là tạo ra các cụm), và cách các nhãn và các lớp từ được xây dựng vào
các nhóm.
3.2.1 Suy luận gán nhãn
Giả thuyết cho thuật toán là hành vi cú pháp của một từ được phản ánh trong các từ
đồng xuất hiện và được thể hiện đối với ngữ cảnh trái và ngữ cảnh phải của từ đó.
Láng giềng trái ↔ TỪ ↔ Láng giềng phải
↓ ↓
Véc tơ ngữ cảnh trái Véc tơ ngữ cảnh phải.
Các véc tơ ngữ cảnh chứa số lần xuất hiện của mỗi từ trong 250 từ xuất hiện nhiều nhất trong
kho văn bản.
3.2.2 Suy luận dựa trên từ loại
Hai véctơ ngữ cảnh của một từ mô tả sự phân phối của các từ láng giềng bên trái và bên phải
của từ đó. Sự ghép nối của hai véc tơ ngữ cảnh trái và phải có thể đại diện cho phân phối của
một từ
3.2.3 Suy luận dựa trên loại từ và ngữ cảnh
Vai trò cú pháp của một từ phụ thuộc vào thuộc tính cú pháp láng giềng của nó và các
mối quan hệ có khả năng của nó với các láng giềng. Vì vậy ta xẽ xem xét một sự xuất hiện
của một từ w được thể hiện bằng sự ghép nối 4 véc tơ ngữ cảnh:
- Véc tơ ngữ cảnh phải của từ đứng trước.
- Véc tơ ngữ cảnh trái của từ w.
- Véc tơ ngữ cảnh phải của từ w.
- Véc tơ ngữ cảnh trái của từ theo sau.
3.2.4 Suy luận dựa trên loại từ và ngữ cảnh, sử dụng các véc tơ ngữ cảnh trái và
phải tổng quát hoá
Một véc tơ ngữ cảnh v phải tổng quát hoá cho một từ w được hình thành bằng cách đếm mức
độ thường xuyên của các từ trong 250 lớp này xuất hiện bên phải của w, hạng tử wi đếm số
lần mà một từ từ lớp i xuất hiện bên phải w trong tập văn (trái với số lần mà một từ với hạng
tần số i xuất hiện bên phải w)
3.2.5 Các kết quả
Kết quả gãn nhãn đã đạt được khi sử dụng kỹ thuật phân cụm cho thấy rằng kết quả gán
nhãn khi phân cụm dựa vào từ loại và ngữ cảnh đạt kết quả tốt hơn dựa vào chỉ từ loại và
kém hơn khi phân cụm dựa vào các véc tơ ngữ cảnh được tổng quát hóa.
3.3 Đề xuất phương pháp không hướng dẫn cho bài toán gán nhãn từ loại tiếng Việt
Vậy thứ tự để thực hiện gán nhãn sẽ như sau:
1. Tính toán tần số xuất hiện của mỗi từ trong kho ngữ liệu. Loại ra các từ có tần
suất xuất hiện quá nhiều. Tìm ra 250 từ xuất hiện nhiều nhất còn lại.
2. Tính toán các véc tơ ngữ cảnh trái và phải của một từ
3. Xây dựng một ma trận ngữ cảnh C như sau: Mỗi hàng của ma trận gồm véc tơ
ngữ cảnh của một từ w được kết nối từ 4 véc tơ ngữ cảnh (véc tơ ngữ cảnh phải
của từ đứng trước, véc tơ ngữ cảnh trái của từ w, véc tơ ngữ cảnh phải của từ w,
véc tơ ngữ cảnh trái của từ theo sau)
4. Sử dụng giải pháp SVD để giảm số chiều ma trận C
5. Tính độ đo tương tự của các từ dựa trên ma trận C đã giảm số chiều sử dụng độ đo
cosin
6. Phân cụm dựa vào độ đo đã tính ở trên sử dụng thuật toán phân cụm mờ
7. Sau khi thực hiện phân cụm ta đã xây dựng được tập nhãn. Sử dụng tập nhãn này
để xây dựng một kho ngữ liệu gán nhãn bằng tay
8. Để thực hiện gán nhãn ta sẽ sử dụng mô hình Markov ẩn, và theo nghiên cứu ở
trên gán nhãn sử dụng mô hình Markov đạt độ chính xác cao khi kho ngữ liệu gán
nhãn bằng tay nhỏ thì sẽ sử dụng huấn luyện ML để thực hiện.
KẾT LUẬN
Những kết quả đã đạt đƣợc của luận văn:
Tổng quan về bài toán gán nhãn từ loại: luận văn đã trình bày được bài toán
gán nhãn từ loại, trình bày và so sánh các hướng tiếp cận không có hướng dẫn và có
hướng dẫn để giải quyết bài toán gán nhãn từ loại, để làm cơ sở nghiên cứu những
tiếp cận đã được sử dụng để giải bài toán gán nhãn từ loại tiếng Anh, cũng như tiếng
Việt trong thời gian vừa qua.
Tìm hiểu cơ sở toán học sử dụng trong các phƣơng pháp mà luận văn
nghiên cứu đƣợc và trình bày: luận văn đã trình bày được các kiến thức cơ bản về
xác suất thống kê, các mô hình như mô hình Markov ẩn cùng các bài toán của mô
hình và các thuật toán được dùng để giải quyết các bài toán đó, ngoài ra luận văn còn
trình bày những kiến thức cơ bản về kỹ thuật phân cụm như là định nghĩa các cách đo
độ tương tự cho từng loại đối tượng khác nhau, phương pháp phân tích giá trị kỳ dị
được sử dụng trong các tiếp cận giải bài toán gán nhãn từ loại cũng được trình bày.
Từ những kiến thức này để chúng ta có thể hiểu được các phương pháp được sử dụng
để giải quyết bài toán.
Tìm hiểu các phƣơng pháp không có hƣớng dẫn cho bài toán gán nhãn từ
loại tiếng Anh: Luận văn trình bày được hai phương pháp không có hướng dẫn để
giải quyết bài toán gán nhãn từ loại tiếng Anh. Đó là phương pháp sử dụng kỹ thuật
cực đại hóa kỳ vọng và kỹ thuật phân cụm. Phân tích được ưu nhược điểm của từng
phương pháp để từ đó có thể tìm ra được phương pháp có thể áp dụng cho bài toán
gán nhãn từ loại tiếng Việt.
Tìm hiều bài toán gán nhãn từ loại tiếng Việt: trình bày được các phương
pháp đã được sử dụng trong việc giải quyết bài toán gán nhãn từ loại tiếng Việt, tìm
hiểu được những ưu điểm và những hạn chế chưa giải quyết được trong bài toán gán
nhãn từ loại tiếng Việt, đồng thời sử dụng những kiến thức về những phương pháp đã
sử dụng để đưa ra đề xuất giải quyết những hạn chế của bài toán gán nhãn tiếng Việt.
Hạn chế và hƣớng phát triển của luận văn:
Mặc dù luận văn đã tìm hiểu được một số phương pháp học máy không có
hướng dẫn đã được sử dụng cho bài toán gán nhãn từ loại, đã tìm hiểu được những
mặt còn hạn chế của bài toán gán nhãn từ loại tiếng Việt và đưa ra được đề xuất để
khắc phục hạn chế đó nhưng vẫn chưa thực hiện được thực nghiệm cụ thể cho đề xuất
đó, đó là hạn chế của luận văn và đó cũng có thể coi là một trong hướng phát triển của
luận văn là thực hiện một thực nghiệm dựa vào đề xuất để sử dụng kết quả đạt được
góp phần vào việc giải quyết hạn chế của bài toán gán nhãn từ loại tiếng Việt.
References
Tiếng Việt
[1] Nguyễn Quang Châu, Phan Thị Tươi, Cao Hoàng Trụ. Gán nhãn Từ loại cho tiếng
Việt dựa trên văn phong và tính toán xác suất, Tạp chí phát triển KH&CN, Tập 9,
số 2 năm 2006
[2] Nguyễn Thị Minh Huyền, Vũ Xuân Lương, Lê Hồng Phương. 2003. “Sử dụng bộ
gán nhãn từ loại xác suất QTAG cho văn bản tiếng Việt”, Báo cáo hội thảo
ICT.rda
[3] Phan Xuân hiếu. 2009. Công cụ gán nhãn từ loại tiếng Việt dựa trên Conditional
Random Fields và Maximum Entropy
[4] Trần Thị Oanh. 2008. Mô hình tách từ, gán nhãn từ loại và hướng tiếp cận tích
hợp cho tiếng Việt. Luận văn cao học, trường Đại học Công nghệ, Đại học Quốc
gia Hà Nội.
[5] Lê Hoàng Quỳnh. 2009. So sánh một số phương pháp học máy cho bài toán gán
nhãn từ loại tiếng Việt. Luận văn đại học, trường Đại học Công nghệ, Đại học
Quốc gia Hà Nội
Tiếng Anh
[6] Ankit K Srivastava. March 19, 2008. Unsupervised Approaches to Part-of-Speech
Tagging.
[7] A. Haghighi and D. Klein. 2006. Prototype-driven learning for sequence Models.
In Proceedings of HLT-NAACL.
[8] A. Clark. 2000. Inducing syntactic categories by context distribution clustering. In
Proceedings of the Conference on Natural Language Learning (CONLL).
[9] E. Brill. 1995. Unsupervised learning of disambiguation rules for part of speech
tagging. In Proceedings of the 3rd Workshop on Very Large Corpora, pages 1–13.
[10] Cucerzan, S. and Yarowsky, D. 2002. Bootstrapping a Multilingual Part-of-
Speech Tagger in One Person-day. In Proceedings of the 6th Conference on
Computational Natural Language Learning, CoNLL.
[11] Dien Dinh and Kiem Hoang, 2003. POS-tagger for English-Vietnamese
bilingual corpus. HLT-NAACL Workshop on Building and using parallel texts:
data driven machine translation and beyond.
[12] Elworthy, D. 1994. Does Baum-Welch Re-estimation Help Taggers? In
Proceedings of the 4th ACL Conference on Applied Natural Language
Processing, ANLP.
[13] Goldwater, S. and Griffiths, T. 2007. A Fully Bayesian Approach to
Unsupervised Part-of-Speech Tagging. In Proceedings of the Association for
Computational Linguistics, ACL.
[14] Merialdo, B. 1994.Tagging English Text with a Probabilistic Model.
Computational Linguistics, 20(2): 155-171.
[15] Feldman, A., Hana, J., and Brew, C. 2006. Experiments in Cross-Language
Morphological Annotation Transfer. In Proceedings of the Computational
Linguistics and Intelligent Text Processing, CICLing.
[16] Thi Minh Huyen Nguyen. 2003. Tagging of Vietnamese Texts. The 10th
annual onference TALN
[17] Thi Minh Huyen Nguyen. Le Hong Phuong. 2010. An empirical study of
maximum entropy approach for part-of-speech tagging of Vietnamese texts. TALN
2010, Montréal
[18] Thi Minh Huyen Nguyen, Laurent Romary, Mathias Rossignol, and Xuan
Luong Vu. A lexicon for Vietnam
[19] Linda Van Guilder. 1995. Automated Part of Speech Tagging:
A Brief Overview
[20] J. Kupiec.1992. Robust part-of-speech tagging using a hidden Markov model.
Computer Speech and Language 6.
[21] Hinrich Schfitze. 1993. Part of speech induction from scratch. In Proceedings
o/ the 31st annual meeting o/ the Association /or Computational Linguistics,
pages 251-258. Hinrich Schfitze. 1997. Ambiguity
[22] H. Schutze. 1995. Distributional part-of-speech tagging. In Proceedings of the
European Chapter of the Association or Computational Linguistics (EACL).
[23] S. Finch and N. Chater. 1992. Bootstrapping syntactic categories. In
Proceedings o/ the l~th Annual Meeting of the Cognitive Science Society, pages
820-825.
[24] M. Banko and R. Moore. 2004. A study of unsupervised partof- speech
tagging. In Proceedings of COLING ’04.
[25] Silviu Cucerzan and David Yarowsky. 2002 Bootstrapping a Multilingual
Part-of-speech Tagger in One Person-day. Proceedings of the Sixth Conference on
Natural Language Learning (CoNLL).
[26] T. Minka. 2003. Estimating a Dirichlet distribution. Technical report,
Microsoft Research, ambridge.
[27] Michael Lamar, Yariv Maron. SVD and Clustering for Unsupervised POS
Tagging
[28] R. Krishnapuram, A. Joshi, L. Yi. 1999. A Fuzzy Relative of the k-Medoids
Algorithm with Application to Web Document and Snippet Clustering. Proc.
IEEE Intl. Conf. Fuzzy Systems, Korea.
[29] Ankit K Srivastava. March 19, 2008. Unsupervised Approaches to Part-of-
Speech Tagging.
[30] Nghiem Q. M., Dinh D. & Nguyen T. N. M. 2008. Improving Vietnamese
POS-tagging by integrating a rich feature set and support vector machines. In
Proceedings of the 6th IEEE International Conference in Computer Science :
Research, Innovation and Vision of the Future, RIVF, HCMC, Vietnam.
[31] Morgan Kaufmann Publishers. 2001. Data Mining: Concepts and Techniques.
[32] J. Jang, C. Sun, E. Mizutani. 1997. Neuro-Fuzzy and Soft Computing –A
Computational Approach to Learning and Machine Intelligence, Prentice Hall.
[33] Mitchell P. Marcus, Mary Ann Marcinkiewicz , Beatrice Santorini. June 1993.
Building a large annotated corpus of English: the penn treebank
[34] http://www.cs.wits.ac.za/~michael/SVDTut.pdf
[35] http://nlp.stanford.edu/IR-book/newslides.html
[36] http://nlp.stanford.edu/IR-book/pdf/irbookprint.pdf
[37] http://langbank.engl.polyu.edu.hk/corpus/brown.html