(LUẬN văn THẠC sĩ) sử dụng mô hình ngôn ngữ bloom filter trong cải tiến dịch máy thống kê

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CNTT & TT SỬ DỤNG MƠ HÌNH NGƠN NGỮ BLOOM FILTER TRONG CẢI TIẾN DỊCH MÁY THỐNG KÊ TRẦN TIẾN THÀNH THÁI NGUYÊN 2015 download by : skknchat@gmail.com LỜI CAM ĐOAN Em - Trần Tiến Thành, học viên lớp Cao học K12E Trường Đại học Công nghệ thông tin Truyền thông Thái Nguyên - cam kết Luận văn thạc sỹ khoa học máy tính: “Sử dụng mơ hình ngơn ngữ Bloom Filter cải tiến dịch máy thống kê” công trình nghiên cứu thân em hướng dẫn thầy giáo TS Nguyễn Văn Vinh, Bộ môn Khoa học máy tính, Khoa Cơng nghệ thơng tin – Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội Các kết luận văn tốt nghiệp trung thực, khơng chép tồn văn cơng trình khác Thái Ngun, ngày 05 tháng 10 năm 2015 TÁC GIẢ Trần Tiến Thành download by : skknchat@gmail.com LỜI CẢM ƠN Em xin bày tỏ lòng biết ơn sâu sắc tới thầy giáo, TS Nguyễn Văn Vinh, Bộ môn Khoa học máy tinh, Khoa Công nghệ thông tin - Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội khuyến khích tận tình hướng dẫn em suốt trình thực luận văn Em xin cảm ơn anh Trần Hồng Việt, nghiên cứu sinh Trường Đại học Công nghệ, giảng viên Trường Đại học Kinh tế kĩ thuật công nghiệp hết lịng giúp đỡ em q trình thực đề tài Nhờ quan tâm bảo ý kiến đóng góp quý báu thầy anh em hồn thành luận văn Em xin chân thành cảm ơn tập thể thầy, cô giáo Trường Đại học Công nghệ thông tin Truyền thơng Thái Ngun tận tình giảng dạy truyền đạt cho em kiến thức, kinh nghiệm quý báu suốt năm học vừa qua Em xin cảm ơn Sở Giáo dục Đào tạo Phú Thọ, Trường THPT Minh Đài tạo điều kiện kinh phí thời gian để em học tập hoàn thành luận văn Cuối em xin chân thành cảm ơn gia đình, người thân hết lòng giúp đỡ, hỗ trợ vật chất lẫn tinh thần giúp em yên tâm học tập nghiên cứu suốt trình học tập thực luận văn Trong khoảng thời gian có hạn, kiến thức cịn nhiều hạn chế luận văn khơng tránh khỏi sai sót nội dung hình thức Kính mong nhận góp ý q thầy cô, bạn bè đồng nghiệp Thái Nguyên, ngày 05 tháng 10 năm 2015 TÁC GIẢ Trần Tiến Thành download by : skknchat@gmail.com DANH SÁCH CÁC TỪ VIẾT TẮT Đầy đủ Viết tắt BF Bloom Filter BF-LM Mô hình ngơn ngữ dựa Bloom Filter LF-BF-LM Mơ hình ngơn ngữ Log-Frequency Bloom Filter LM Mơ hình ngơn ngữ MKN Phương pháp làm mịn Kneser-Ney cải tiến MLE Ước lượng cực đại hóa khả MSE Lỗi trung bình bình phương MT Dịch máy NLP Xử lý ngơn ngữ tự nhiên PDS Cấu trúc liệu xác suất RDS Cấu trúc liệu ngẫu nhiên SMT Dịch máy phương pháp thống kê download by : skknchat@gmail.com DANH MỤC CÁC HÌNH VẼ Hình Tên hình Trang Hình Kiến trúc hệ thống SMT 14 Hình Minh họa dịch máy thống kê dựa vào cụm Ví dụ hàm băm Các xâu ký tự chuyển thành chữ Hình ký đại diện 15 35 Cặp khóa ki giá trị tập S ánh xạ thơng qua Hình hàm băm vào bảng băm Xuất xung đột phần tử k1 k3 36 Hình Huấn luyện Bloom Filter 37 Hình Truy vấn Bloom Filter 38 Hình Lỗi phía Bloom Filter 39 download by : skknchat@gmail.com MỤC LỤC MỞ ĐẦU Đặt vấn đề Đối tượng phạm vi nghiên cứu 10 Nhiệm vụ nghiên cứu 10 Những nội dung nghiên cứu 10 NỘI DUNG 11 CHƯƠNG I 11 TỔNG QUAN VỀ DỊCH MÁY THỐNG KÊ DỰA VÀO CỤM TỪ 11 VÀ MÔ HÌNH NGƠN NGỮ 11 1.1 Dịch máy thống kê dựa cụm từ 11 1.1.1 Dịch máy dịch máy thống kê 11 1.1.2 Dịch máy thống kê dựa cụm 15 1.2.1 N-gram 17 1.2.2 Mơ hình ngơn ngữ 19 1.2.3 Huấn luyện mơ hình ngơn ngữ 21 1.2.3.1 Ước lượng cực đại hóa khả (Maximium Likelihood Estimation MLE) 21 1.2.3.2 Các phương pháp làm mịn 22 1.2.3.2.1 Kneser-Ney 24 1.2.3.2.2 Kneser-Ney cải tiến (Modified Kneser-Ney - MKN) 25 1.2.3.2.3 Stupid Backoff 26 1.3 Đánh giá mơ hình ngơn ngữ 27 1.3.1 Entropy – Độ đo thông tin 27 1.3.2 Độ hỗn loạn thông tin (Perplexity) 29 1.3.3 Tỉ lệ lỗi (Error rate) 30 1.4 Đánh giá chất lượng dịch tự động dựa điểm BLEU 31 CHƯƠNG 32 download by : skknchat@gmail.com MƠ HÌNH NGÔN NGỮ BLOOM FILTER 32 2.1 Các cấu trúc liệu xác suất (PDS) 33 2.2 Hàm băm (Hash function) 35 2.3 Bloom Filter 37 2.4 Mơ hình ngơn ngữ Bloom Filter 43 2.4.1 Bloom Filter tần số log (Log-frequency Bloom Filter) 43 2.4.2 Bộ lọc dựa vào chuỗi (sub-sequence filtering) 45 CHƯƠNG 47 ỨNG DỤNG BLOOM FILTER CHO HỆ DỊCH MÁY THỐNG KÊ DỰA VÀO CỤM TỪ 47 3.1 Hệ dịch máy thống kê mã nguồn mở Moses 47 3.2 Tích hợp Mơ hình ngơn ngữ Bloom Filter vào hệ thống Moses 48 3.2.1 Xây dựng LM với RandLM SRILM 48 3.2.1.1 Ngữ liệu 49 3.2.1.2 Thuật toán làm mịn 53 3.2.1.3 Xây dựng LM với SRILM RandLM 53 3.3 Thử nghiệm đánh giá 65 KẾT LUẬN 78 TÀI LIỆU THAM KHẢO 79 download by : skknchat@gmail.com MỞ ĐẦU Đặt vấn đề Mô hình ngơn ngữ (Language Model - LM) phần thiếu lĩnh vực xử lý ngôn ngữ tự nhiên Mơ hình ngơn ngữ sử dụng lĩnh vực xử lý ngôn ngữ tự nhiên như: nhận dạng tiếng nói, kiểm lỗi tả, phân đoạn từ hay dịch máy thống kê… Để ứng dụng tốt mơ hình ngơn ngữ phải lớn, mà việc tìm kiếm khơng gian lưu trữ vơ quan trọng mơ hình ngơn ngữ Chính thế, luận văn tơi lựa chọn thực đề tài: “Sử dụng mơ hình ngơn ngữ Bloom Filter cải tiến dịch máy thống kê” Trong luận văn này, chúng tơi nghiên cứu tìm hiểu mơ hình ngơn ngữ xây dựng dựa cấu trúc liệu Bloom Filter Khơng lưu trữ tồn tập n-gram giống mơ hình truyền thống, loại mơ hình ngơn ngữ sử dụng quy trình mã hóa đặc biệt, cho phép chia sẻ cách hiệu bit lưu trữ thông tin thống kê n-gram, nhờ tiết kiệm đáng kể nhớ Sau tìm hiểu sơ lược mơ hình ngơn ngữ, nghiên cứu kiểu cấu trúc liệu dựa Bloom Filter Bloom Map Qua thử nghiệm, ưu việt mô hình ngơn ngữ dựa Bloom Filter phương diện dung lượng tính hiệu ứng dụng thực tế, cụ thể hệ thống dịch máy phương pháp thống kê với Moses [2] download by : skknchat@gmail.com 10 Đối tượng phạm vi nghiên cứu - Luận văn nghiên cứu n-gram cách ước lượng, tính tốn biễu diễn mơ hình ngơn ngữ - Thực thử nghiệm với liệu tiếng Việt Nhiệm vụ nghiên cứu - Thơng qua luận văn, trình bày hiểu biết cần biết mơ hình ngơn ngữ n-gram, thuật toán làm mịn sử dụng mơ hình ngơn ngữ thước đo để đánh giá mơ hình ngơn ngữ - Luận văn tập trung nghiên cứu trúc liệu dựa Bloom Filter sử dụng cho mơ hình ngơn ngữ cụ thể Log-Frequency Bloom Filter - Thực thử nghiệm xây dựng mơ hình ngơn ngữ ngữ liệu tiếng Việt ngữ liệu tiếng Anh - Ngồi ra, luận văn cịn giới thiệu sơ lược dịch máy thống kê, thử nghiệm dịch máy thống kê với hệ thống dịch máy mã nguồn mở Moses sử dụng mơ hình ngơn ngữ xây dựng chương Những nội dung nghiên cứu Luận văn trình bày thành phần: MỞ ĐẦU NỘI DUNG Chương - Tổng quan dịch máy thống kê dựa vào cụm từ mơ hình ngơn ngữ Chương - Mơ hình ngơn ngữ Bloom Filter Chương - Ứng dụng Bloom Filter cho hệ dịch máy thống kê dựa vào cụm từ KẾT LUẬN download by : skknchat@gmail.com 11 NỘI DUNG CHƯƠNG I TỔNG QUAN VỀ DỊCH MÁY THỐNG KÊ DỰA VÀO CỤM TỪ VÀ MƠ HÌNH NGÔN NGỮ 1.1 Dịch máy thống kê dựa cụm từ 1.1.1 Dịch máy dịch máy thống kê Dịch máy (Machine Translation - MT) xuất từ thập kỷ 50 kỷ trước đặc biệt phát triển mạnh mẽ từ thập kỷ 80 ngày Trên giới, có nhiều hệ dịch máy thương mại tiếng Systrans, Kant, … hay hệ dịch máy mở tiêu biểu hệ dịch Google, hỗ trợ hàng chục cặp ngôn ngữ phổ biến Anh-Pháp, Anh-Trung, Anh-Nhật, Hoa-Nhật, … Các cách tiếp cận MT chia làm bốn lớp dịch trực tiếp (direct), dịch dựa luật chuyển đổi (transfer), dịch liên ngữ (interlingua) dịch dựa vào thống kê (statistical MT) Trước đây, phương pháp dịch dựa luật chuyển đổi dịch liên ngữ chủ yếu dựa vào cú pháp có thời gian phát triển dài sử dụng phổ biến nhiều hệ dịch thương mại Những hệ dịch máy loại này đạt kết tốt với cặp ngôn ngữ tương đồng cú pháp AnhPháp, Anh-Tây Ban Nha, … gặp nhiều hạn chế cặp ngơn ngữ có cú pháp khác Anh-Trung, Anh-Nhật, … Dịch Anh-Việt, Việt-Anh nước ta vấp phải khó khăn tương tự khác biệt mặt cấu trúc ngữ pháp tính nhập nhằng ngữ nghĩa Hệ thống dịch Anh-Việt dựa luật chuyển đổi thương mại hóa Việt Nam EVTran Nhiều nghiên cứu với yêu cầu tăng chất lượng dịch thực thích nghi với đặc điểm cặp ngôn ngữ khác download by : skknchat@gmail.com 66 tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_train.tok.en > ~/tools/Work/50001_utf8/Baseline/data/t_train.lower en 3.3.2 Huấn luyện mơ hình ngơn ngữ - Với mơ hình ngơn ngữ chuẩn ta thực lệnh sau: tranthanh@tranthanh:~$ ~/tools/srilm/bin/i686m64/ngram-count -order -interpolate -kndiscount unk -text ~/tools/Work/50001_utf8/Baseline/lm/t_train.lower.vn -lm ~/tools/Work/50001_utf8/Baseline/lm/t.srilm - Với mơ hình ngơn ngữ Bloom Filter ta thực lệnh sau: tranthanh@tranthanh:~$~/tools/Work/corpus$ ~/tools/randlm-0.2.5/bin/buildlm -struct BloomMap falsepos -values -output-prefix model -order < ~/tools/Work/corpus/t_train.lower.vn 3.3.3 Sinh bảng cụm từ - Với mơ hình ngôn ngữ chuẩn sinh trên, sinh bảng cụm từ thực lệnh sau (quá trình chiếm khoảng 40 phút): tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline$ nohup nice ~/tools/moses/scripts/training/train-model.perl root-dir ~/tools/Work/50001_utf8/Baseline -corpus ~/tools/Work/50001_utf8/Baseline/data/t_train.lower \-f en -e -alignment grow-diag-final-and - download by : skknchat@gmail.com 67 reordering msd-bidirectional-fe \-lm 0:3:/home/tranthanh/tools/Work/50001_utf8/Baseline/l m/t.srilm:8 -external-bin-dir ~/tools/bin >& ~/tools/Work/50001_utf8/Baseline/training.out & Tiếp theo ta tiến hành thực lệnh: tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l en ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.en tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l en ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.vn tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.vn > ~/tools/Work/50001_utf8/Baseline/data/t_dev.lower.vn tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.en > ~/tools/Work/50001_utf8/Baseline/data/t_dev.lower.en download by : skknchat@gmail.com 68 tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l fr < ~/tools/Work/50001_utf8/Baseline/data/t_test.vn.1 > ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.vn tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l en < ~/tools/Work/50001_utf8/Baseline/data/t_test.en.1 > ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.en tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.en > ~/tools/Work/50001_utf8/Baseline/data/t_test.lower.e n tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.vn > ~/tools/Work/50001_utf8/Baseline/data/t_test.lower.v n download by : skknchat@gmail.com 69 - Với mơ hình ngơn ngữ Bloom Filter sinh trên, sinh bảng cụm từ thực lệnh sau: tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline$ nohup nice ~/tools/moses/scripts/training/train-model.perl root-dir ~/tools/Work/50001_utf8/Baseline -corpus ~/tools/Work/50001_utf8/Baseline/data/t_train.lower \-f en -e -alignment grow-diag-final-and reordering msd-bidirectional-fe \-lm 0:3:/home/tranthanh/tools/Work/50001_utf8/Baseline/l m/model.BloomMap:8 -external-bin-dir ~/tools/bin >& ~/tools/Work/50001_utf8/Baseline/training.out & Sau ta thực lệnh: tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l en ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.en tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l en ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.vn tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < download by : skknchat@gmail.com 70 ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.vn > ~/tools/Work/50001_utf8/Baseline/data/t_dev.lower.vn tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_dev.tok.en > ~/tools/Work/50001_utf8/Baseline/data/t_dev.lower.en tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l fr < ~/tools/Work/50001_utf8/Baseline/data/t_test.vn.1 > ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.vn tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/tokenizer.perl -l en < ~/tools/Work/50001_utf8/Baseline/data/t_test.en.1 > ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.en tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.en > ~/tools/Work/50001_utf8/Baseline/data/t_test.lower.e n download by : skknchat@gmail.com 71 tranthanh@tranthanh:~$ ~/tools/moses/scripts/tokenizer/lowercase.perl < ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.vn > ~/tools/Work/50001_utf8/Baseline/data/t_test.lower.v n 3.3.4 Huấn luyện tham số mơ hình dịch máy Ta thực lệnh sau (quá trình chiếm khoảng 10 phút): tranthanh@tranthanh:~/tools/Work/50001_utf8/Baseline $ nohup nice ~/tools/moses/scripts/training/mertmoses.pl ~/tools/Work/50001_utf8/Baseline/tuning/t_dev.lower en ~/tools/Work/50001_utf8/Baseline/tuning/t_dev.lower ~/tools/moses/bin/moses ~/tools/Work/50001_utf8/Baseline/model/moses.ini mertdir ~/tools/moses/bin/ &> ~/tools/Work/50001_utf8/Baseline/tuning/mert.out & Sau thực lệnh ta tiến hành copy file moses.ini sau: home/tools/Work/50001_utf8/Baseline/mert-work/moses.ini Vào: home/tranthanh/tools/Work/50001_utf8/Baseline/tuning Sau ta thực lệnh sau: tranthanh@tranthanh:~$ ~/tools/moses/scripts/reuseweights.perl ~/tools/Work/50001_utf8/Baseline/tuning/moses.ini < ~/tools/Work/50001_utf8/Baseline/model/moses.ini > download by : skknchat@gmail.com 72 ~/tools/Work/50001_utf8/Baseline/tuning/mosestuned.ini tranthanh@tranthanh:~$ ~/tools/moses/scripts/training/filter-model-giveninput.pl ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.l ower ~/tools/Work/50001_utf8/Baseline/tuning/mosestuned.ini ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.l ower.en tranthanh@tranthanh:~$ ~/tools/moses/scripts/recaser/train-recaser.perl train-script ~/tools/moses/scripts/training/trainmodel.perl -ngram-count ~/tools/srilm/bin/i686m64/ngram-count -corpus ~/tools/Work/50001_utf8/Baseline/data/t_test.tok.en -dir /home/tranthanh/tools/Work/50001_utf8/Baseline/recas er -scripts-root-dir ~/tools/moses/scripts - Riêng hệ dịch máy thống kê Moses sử dụng mơ hình ngơn ngữ Bloom Filter ta thực cấu hình lại tham số file moses.ini sau: Mở tệp moses.ini phần [feature] thay KENLM path=filename.arpa … RANDLM path=filename.irstlm … 3.3.5 Dịch văn Ta thực lệnh sau: download by : skknchat@gmail.com 73 tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline$ nohup nice ~/tools/moses/bin/moses -config ~/tools/Work/50001_utf8/Baseline/tuning/mosestuned.ini -input-file ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.l ower.en 1> ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.t uned.output 2> ~/tools/Work/50001_utf8/Baseline/evaluation/tuned.de code.out & tranthanh@tranthanh:~$ nohup nice ~/tools/moses/bin/moses -config ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.l ower/moses.ini -input-file ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.l ower.en 1> ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.t uned-filtered.output 2> ~/tools/Work/50001_utf8/Baseline/evaluation/tunedfiltered.decode.out & tranthanh@tranthanh:~$ ~/tools/moses/scripts/recaser/recase.perl -model ~/tools/Work/50001_utf8/Baseline/recaser/moses.ini in download by : skknchat@gmail.com 74 ~/tools/Work/50001_utf8/Baseline/evaluation/50001_te st.tuned-filtered.output -moses ~/tools/moses/bin/moses > ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.t uned-filtered.output.recased tranthanh@tranthanh:~$ ~/tools/moses/scripts/detokenizer.perl -l < ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.t uned-filtered.output.recased > ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.t uned-filtered.output.detokenized 3.3.6 Đánh giá kết Ta thực lệnh: tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline/plain2sgm -r test ~/tools/Work/50001_utf8/Baseline ~/tools/Work/50001_utf8/Baseline ~/tools/Work/50001_utf8/Baseline/data/t_test.vn.1 ~/tools/Work/50001_utf8/Baseline/t_test.vn.sgm tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline/plain2sgm -s test ~/tools/Work/50001_utf8/Baseline ~/tools/Work/50001_utf8/Baseline ~/tools/Work/50001_utf8/Baseline/data/t_test.en.1 ~/tools/Work/50001_utf8/Baseline/t_test.en.sgm download by : skknchat@gmail.com 75 tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline/plain2sgm -t test ~/tools/Work/50001_utf8/Baseline ~/tools/Work/50001_utf8/Baseline ~/tools/Work/50001_utf8/Baseline/evaluation/t_test.t uned-filtered.output ~/tools/Work/50001_utf8/Baseline/t_test.tunedfiltered.output.sgm tranthanh@tranthanh:~$ ~/tools/Work/50001_utf8/Baseline/mteval-v11b.pl -r ~/tools/Work/50001_utf8/Baseline/t_test.vn.sgm -s ~/tools/Work/50001_utf8/Baseline/t_test.en.sgm -t ~/tools/Work/50001_utf8/Baseline/t_test.tunedfiltered.output.sgm -c Bảng 6: Thống kê ngữ liệu sử dụng dịch thử nghiệm Ngữ liệu Độ dài Ngôn ngữ Câu Từ Tiếng Anh 44,638 498,041 11.15 Tiếng Việt 44,638 463,795 10.39 Ngữ liệu điều chỉnh Tiếng Anh 201 2,403 11.95 tham số Tiếng Việt 201 2,221 11.04 Tiếng Anh 500 5,620 11.24 Tiếng Việt 500 5,264 10.52 Ngữ liệu huấn luyện Ngữ liệu đánh giá trung bình Thời gian để dịch hết 500 câu sử dụng mô hình ngơn ngữ SRILM 415 giây, LF-BF-LM 539 giây Như sử dụng download by : skknchat@gmail.com 76 loại BF-LM, thời gian dịch lâu sử dụng mơ hình ngơn ngữ chuẩn khoảng 1.3 lần Khoảng thời gian dịch lâu tồi ta xem xét đến phần nhớ tiết kiệm nhờ sử dụng LM dựa Bloom Filter Bảng 7: Thời gian dịch 500 câu tiếng Anh sử dụng loại LM khác Loại LM gram SRI-LM LF-BF-LM Thời gian dịch (giây) 415 539 Để đánh giá kết dịch, chúng tơi sử dụng điểm BLEU Do đó, sau dịch, kết đóng gói lại theo định dạng XML hệ thống tính điểm NIST MT Script MTeval sử dụng ba đầu vào để đánh giá kết dịch: file chứa văn ngôn ngữ nguồn, file chứa kết dịch ngơn ngữ đích file dịch chuẩn dùng để tham chiếu Điểm BLEU cho kết dịch với LM khác thể bảng Các mơ hình ngơn ngữ xây dựng từ tập ngữ liệu Set gồm 131.9 MB ngữ liệu tiếng Việt Nhìn vào kết ta thấy sử dụng mơ hình 3-gram hệ thống dịch sử dụng mơ hình ngơn ngữ SRI-LM có điểm cao sử dụng mơ hình mơ hình RandLM Nhưng chênh lệch lớn, trường hợp SRILM cho điểm cao LF-BF-LM 0,79 nên ta coi điểm số tương đương với bậc n-gram Thế nhưng, nói phần trên, với cấu hình máy tính dùng cho thử nghiệm, ta xây dựng mơ hình ngơn ngữ 4-gram sử dụng BF-LM Sử dụng mơ hình ngơn ngữ 4gram BF-LM hệ thống dịch cho điểm số 31.90, cao rõ rệt sử dụng mơ hình ngơn ngữ SRI-LM với 30.25 điểm download by : skknchat@gmail.com 77 Bảng 8: Điểm BLEU cho kết dịch với LM khác SRI-LM 3-gram LF-BF-LM 3-gram LF-BF-LM 4-gram Cỡ LM 173 MB 35.17 MB 58.46 MB Điểm BLEU 30.25 29.46 31.90 Nhìn vào kết này, ta thấy rõ ưu vượt trội của cấu trúc liệu LF-BF-LM so với cấu trúc liệu SRI-LM, vừa sử dụng nhớ hơn, vừa hiệu download by : skknchat@gmail.com 78 KẾT LUẬN Dịch máy vấn đề khó lĩnh vực xử lý ngơn ngữ tự nhiên Hiện vấn đề thách thức có nhiều cơng việc cần giải nhà tin học Hướng tiếp cận thống kê hướng tiếp cận dựa vào liệu phát triển mạnh từ cuối kỉ XX Hướng tiếp cận khắc phục nhược điểm cách tiếp cận dựa vào luật (dịch chuyển đổi) Qua ba chương, luận văn trình bày cách tiếp cận, phương pháp giải cho vấn đề dịch máy thống kê đồng thời cải tiến mơ hình ngơn ngữ hệ dịch nhằm giảm thiểu dung lượng nhớ mà mơ hình ngôn ngữ chiếm dụng Tuy chất lượng dịch chưa cao huấn luyện với nhiều liệu hơn, chất lượng dịch nâng cao Mặt khác ta hồn tồn áp dụng cho chiều dịch ngược lại Việt-Anh 1- Các kết đạt - Trình bày cách tiếp cận dịch máy thống kê; - Xây dựng mơ hình ngơn ngữ SRI-LM RAND-LM; - Áp dụng cách tiếp cận vào tốn dịch Anh-Việt; - Xây dựng chương trình thử nghiệm dịch Anh-Việt thống kê 2- Hướng phát triển - Tiếp tục cải tiến mơ hình dịch cho toán dịch Anh-Việt; - Thử nghiệm với ngữ liệu đa dạng lớn hơn; - Áp dụng cho chiều dịch từ Việt – Anh download by : skknchat@gmail.com 79 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Nguyễn Văn Vinh (2005) “Xây dựng chương trình dịch tự động Anh-Việt phương pháp dịch thống kê” Luận văn Thạc sĩ, Đại học Công nghệ, ĐHQGHN Tiếng Anh [2] Brants, T., Popat, A C., Xu, P., Och, F J., and Dean, J “Large language models in machine translation” In Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (EMNLP-CoNLL), 2007, pages 858–867 [3] Callison-Burch, Chris, Miles Osborne, and Philipp Koehn “Reevaluating the role of Bleu in machine translation research” In EACL 2006: Proceedings the Eleventh Conference of the European Chapter of the Association for Computational Linguistics, 2006 [4] Costa, L H M K., Fdida, S., and Duarte, O C M B “Incremental service deployment using the hop-by-hop multicast routing protocol” IEEE/ACM Trans Netw., 2006, 14(3): pages 543–556 [5] de Laplace, M “A Philosophical Essay on Probabilities” Dover Publications, 1996 [6] To Hong Thang “Building language model for Vietnamese and its application” Dissertation, Bachelor of IT, College of Technology, Vietnam National University, 2008 [7] Koehn, P “Empirical Methods in Natural Language Processing” From course slides at http://www.inf.ed.ac.uk/teaching/courses/emnlp/, 2007 [8] Talbot, D and Talbot, J “Bloom maps” In Proceedings of the Fourth Workshop on Analytic Algorithmics and Combinatorics (ANALCO) Society for Industrial and Applied Mathematics, 2008 [9] Koehn, P and Hoang, H “Factored translation models” In Proceedings of the 2007 Joint Conference on Empirical Methods in Natural download by : skknchat@gmail.com 80 Language Processing and Computational Natural Language Learning (EMNLP-CoNLL), 2007, pages 868–876 [10] Levenberg, A D “Bloom filter and lossy dictionary based language models” Dissertation, master of science, School of Informatics, University of Edinburgh, 2007 [11] Masao Utiyama “A survey of statistical machine translation” Lecture slides, Kyoto University, 2006 [12] Och, F “The Google Statistical Machine Translation System for the 2005 NIST MT Evaluation” Oral presentation at the 2005 NIST MT Evaluation workshop, 2005 [13] Pagh, A., Pagh, R., and Rao, S S “An optimal bloom filter replacement” In SODA ’05: Proceedings of the sixteenth annual ACM-SIAM symposium on Discrete algorithms, Philadelphia, PA, USA Society for Industrial and Applied Mathematics, 2005, pages 823–829 [14] Talbot, D and Osborne, M., “Randomised language modelling for statistical machine translation” In Proceedings of the 45th Annual Meeting of the Association of Computational Linguistics, Prague, Czech Republic Association for Computational Linguistics, 2007a, pages 512–519 [15] Talbot, D and Osborne, M., “Smoothed Bloom filter language models: Tera-scaleLMs on the cheap” In Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (EMNLP-CoNLL), 2007b, pages 468–476 download by : skknchat@gmail.com ... QUAN VỀ DỊCH MÁY THỐNG KÊ DỰA VÀO CỤM TỪ 11 VÀ MƠ HÌNH NGƠN NGỮ 11 1.1 Dịch máy thống kê dựa cụm từ 11 1.1.1 Dịch máy dịch máy thống kê 11 1.1.2 Dịch máy thống kê dựa... Log-Frequency Bloom Filter - Thực thử nghiệm xây dựng mơ hình ngôn ngữ ngữ liệu tiếng Việt ngữ liệu tiếng Anh - Ngồi ra, luận văn cịn giới thiệu sơ lược dịch máy thống kê, thử nghiệm dịch máy thống kê với... 11 NỘI DUNG CHƯƠNG I TỔNG QUAN VỀ DỊCH MÁY THỐNG KÊ DỰA VÀO CỤM TỪ VÀ MƠ HÌNH NGƠN NGỮ 1.1 Dịch máy thống kê dựa cụm từ 1.1.1 Dịch máy dịch máy thống kê Dịch máy (Machine Translation - MT) xuất