(LUẬN văn THẠC sĩ) ứng dụng adaboost cho bài toán gán nhãn ngữ nghĩa nông 04

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN QUANG HIỆP ỨNG DỤNG ADABOOST CHO BÀI TOÁN GÁN NHÃN NGỮ NGHĨA NÔNG LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI – 2015 TIEU LUAN MOI download : skknchat@gmail.com ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN QUANG HIỆP ỨNG DỤNG ADABOOST CHO BÀI TỐN GÁN NHÃN NGỮ NGHĨA NƠNG Ngành: Cơng nghệ thông tin Chuyên ngành: Hệ thống thông tin Mã số: 60480104 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC : TS NGUYỄN VĂN VINH HÀ NỘI – 2015 TIEU LUAN MOI download : skknchat@gmail.com LỜI CAM ĐOAN Tôi xin cam đoan: Những nội dung luận văn thực hướng dẫn TS Nguyễn Văn Vinh – Bộ mơn Khoa học máy tính – Khoa Cơng nghệ thông tin – Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội Mọi tham khảo dùng luận văn trích dẫn rõ ràng tên tác giả, thời gian, địa điểm công bố Mọi chép không hợp lệ, vi phạm quy chế đào tạo, tơi xin chịu hồn tồn trách nhiệm trước Nhà trường Hà Nội, Ngày 01 tháng 09 năm 2015 Học viên Nguyễn Quang Hiệp TIEU LUAN MOI download : skknchat@gmail.com LỜI CẢM ƠN Trước hết, xin bày tỏ lòng biết ơn sâu sắc chân thành đến giáo viên hướng dẫn TS Nguyễn Văn Vinh, người tận tình bảo tơi định hướng nghiên cứu, đề xuất ý tưởng giúp đỡ mặt phương pháp luận việc kiểm tra cuối luận văn Tôi xin chân thành cảm ơn thày cô khoa Công nghệ Thông tin, trường Viện Đại học Mở Hà Nội, khoa Công nghệ Thông tin – Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội giúp đỡ nhiều trình học tập, nghiên cứu tạo điều kiện giúp tơi cơng tác để tơi có thời gian thực việc học tập hoàn thành luận văn Cuối cùng, tơi xin bày tỏ lịng kính trọng biết ơn sâu sắc tới bố mẹ người động viên mặt tinh thần hỗ trợ nhiều mặt Hà Nội, Ngày 01 tháng 09 năm 2015 Học viên Nguyễn Quang Hiệp TIEU LUAN MOI download : skknchat@gmail.com Mục lục CHƯƠNG 1.1 Giới thiệu 1.2 Các phương pháp tiếp cận toán gán nhãn vai trò ngữ nghĩa 10 1.2.1 Tiếp cận theo luật 10 1.2.2 Tiếp cận theo phương pháp thống kê 12 1.3 Tổng quan hệ thống gán nhãn vai trò ngữ nghĩa 14 1.3.1 Định nghĩa gán nhãn vai trị ngữ nghĩa nơng 15 1.3.2 Kho ngữ liệu PropBank 15 1.3.3 Kiến trúc tổng quát hệ thống gán nhãn vai trò ngữ nghĩa 17 1.4 Ứng dụng gán nhãn vai trị ngữ nghĩa xử lý ngơn ngữ tự nhiên 20 1.4.1 Trích rút thơng tin 20 1.4.2 Hệ thống hỏi đáp 21 1.4.3 Tóm tắt văn 21 1.5 Kết luận chương 23 Chương 24 2.1 Giới thiệu 24 2.1.1 Tổng quan toán phân loại 24 2.1.2 Bài toán phân loại 25 2.1.3 Một số phương pháp phân loại tiếng 22 2.2 Phương pháp mơ hình AdaBoost 26 2.2.1 Phương pháp Boosting 26 2.2.2 Phương pháp Adaboost 26 2.3 Kết luận chương 31 CHƯƠNG 33 3.1 Mơ tả tốn gán nhãn vai trị ngữ nghĩa nông 33 3.2 Thu thập chuẩn bị liệu 34 TIEU LUAN MOI download : skknchat@gmail.com 3.3 Công cụ Swirl 41 3.3.1 Giới thiệu 41 3.3.2 Huấn luyện Kiểm tra 42 3.4 Kết thảo luận 47 3.5 Kết luận chương 51 KẾT LUẬN 52 Phụ lục 53 5.1 Danh sách nhãn sử dụng tốn gán ngữ nghĩa tiếng Việt (dựa theo mơ tả VietTreebank): 53 5.2 Nhãn từ loại: 53 5.3 Nhãn cú pháp 53 Tài liệu tham khảo 56 TIEU LUAN MOI download : skknchat@gmail.com DANH MỤC CHỮ VIẾT TẮT Viết tắt CoNLL DS DUC Tiếng Anh Conference on Natural Language Learning Document Summarization Document Understanding Conference Tiếng Việt Hội nghị học ngôn ngữ tự nhiên Tóm tắt văn Hội nghị hiểu văn Danh sách câu hỏi thường FAQ Frequent Asked Question list HMMs Hidden Markov Models Mơ hình Markov ẩn IE Information Extraction Trích rút thơng tin IIS Improved Iterative Scaling Phương pháp lặp cải tiến L-BFGS Limited memory- Broyden– Fletcher–Goldfarb–Shanno gặp Phương pháp L-BFGS Maximum entropy Markov Maximum entropy Markov Models Models NER Named- Entity Recognition Nhận dạng thực thể NLP Natural Language Processing Xử lý ngôn ngữ tự nhiên PAS Predicate-Argument Structure Cấu trúc tham tố- vị từ PoS tagging Part of Speech tagging Gán nhãn từ loại QA Question Answering Hệ thống hỏi đáp SRL Semantic Role Labelling Gán nhãn vai trò ngữ nghĩa MEMMs TIEU LUAN MOI download : skknchat@gmail.com DANH MỤC HÌNH VẼ Hình 1.1 Kiến trúc tổng quát hệ thống SRL 17 Hình 2.1 Lược đồ AdaBoost 27 Hình 2.2 Thuật tốn học AdaBoost 28 Hình 3.1 Tệp chứa từ huấn luyện 34 Hình 3.2 Tệp chứa cú pháp huấn luyện 35 Hình 3.3 Tệp chứa nhãn mệnh đề 36 Hình 3.4 Tệp chứa nhãn danh từ riêng 36 Hình 3.5 Mẫu liệu ban đầu 40 Hình 3.6 Mơ hình hoạt động Swirl 42 Hình 3.7 Quá trình huấn luyện 44 Hình 3.8 Các file model sinh sau huấn luyện 45 Hình 3.9 Quá trình kiểm tra 46 Hình 3.10 Kết đánh giá nhãn A0, A1, A2 48 TIEU LUAN MOI download : skknchat@gmail.com MỞ ĐẦU Xử lý ngôn ngữ tự nhiên (Natural Language Processing) làm cách để máy tính hiểu thao tác ngơn ngữ Trong đó, gán nhãn vai trị ngữ nghĩa toán quan tâm thu hút nhiều cơng trình nghiên cứu Nhiệm vụ tốn gán nhãn vai trị ngữ nghĩa xác định cấu trúc đối- vị tố (hoặc tham tố- vị từ) (predicate- argument structures) gán nhãn quan hệ vị tố argument xuất câu Rõ ràng, để gán nhãn ngữ nghĩa cho từ, ta cần phải phân tích ngữ cảnh Vấn đề đặt lập trình cho máy tính hiểu ngữ cảnh Đây tốn bản, đầy thử thách xử lý ngôn ngữ tự nhiên Bài tốn có mặt nhiều ứng dụng bật liên quan đến ngơn ngữ tự nhiên nhắc đến như: Trích rút thơng tin (IE): Yakushiji cộng (2005) [1]; Tóm tắt văn (DS): Melli cộng (2005) [1] Hướng tiếp cận nhằm xác định nhập nhằng gán nhãn ngữ nghĩa xây dựng dựa sở hệ luật Tuy nhiên, hệ thống gán nhãn ngữ nghĩa xây dựng dựa hệ luật tỏ hiệu mở rộng quy mô bao quát hết tượng ngôn ngữ Cải tiến từ hạn chế phương pháp tiếp cận dựa hệ luật, nghiên cứu tiếp sau dần chuyển sang phương pháp tiếp cận hướng ngữ liệu Sự chuyển hướng xuất phát từ việc đời kho ngữ liệu lớn giới với gia tăng sức mạnh (bộ nhớ, tốc độ, kỹ thuật) máy tính năm gần Điểm đặc biệt cách tiếp cận dựa sở lý thuyết ngôn ngữ học để học quy luật ngôn ngữ tự nhiên từ ngữ liệu Trong đó, mơ hình học AdaBoost đánh giá cao thực phân đoạn gán nhãn chuỗi liệu, đó, chuỗi nhãn quan sát hình thành chuỗi tuyến tính Vì vậy, chúng tơi tiến hành nghiên cứu đề tài “Ứng dụng AdaBoost cho toán gán nhãn ngữ nghĩa nơng” Dữ liệu dùng cho tốn lấy từ kho ngữ liệu PropBank, bổ sung cho Penn Treebank với thích ngữ nghĩa, dựa liệu chuẩn CoNLL 2004 Bố cục luận văn gồm chương: TIEU LUAN MOI download : skknchat@gmail.com Chương 1: Tổng quan gán nhãn vai trò ngữ nghĩa Nội dung chương giới thiệu tốn gán nhãn vai trị ngữ nghĩa theo hướng tiếp cận khác nhau, đưa mơ hình tổng quát hệ thống gán nhãn vai trò ngữ nghĩa ứng dụng hệ thống lĩnh vực xử lý ngôn ngữ tự nhiên Chương 2: Phương pháp học máy AdaBoost Nội dung chương giới thiệu phương pháp học máy AdaBoost, trình bày vấn đề mơ hình AdaBoost ứng dụng gán nhãn liệu dạng chuỗi Chương 3: Ứng dụng phương pháp AdaBoost cho toán gán nhãn vai trị ngữ nghĩa Nội dung chương mơ tả tốn gán nhãn vai trị ngữ nghĩa theo hướng áp dụng mơ hình học máy AdaBoost công cụ Swirl gán nhãn chuỗi liệu Đồng thời, chương trình bày kết thực nghiệm thu hướng nghiên cứu đề tài TIEU LUAN MOI download : skknchat@gmail.com R-AM-MNR 25.00 33.33 28.57 R-AM-TMP 64.62 80.77 71.79 Trung bình 80.15 75.36 77.68 3.4.2 Với ngôn ngữ tiếng Việt: Trong thực nghiệm với ngôn ngữ tiếng Việt, sử dụng liệu huấn luyện khoảng 500 câu đầu vào – tạo từ kho liệu Viettreebank, huấn luyện gán nhãn với loại nhãn: A0, A1, A2, TMP, LOC Kết thử nghiệm sau: Precision đạt 7.91%, Recall đạt 15.71% F-score đạt 9.02% với test chứa 89 câu, 143 mệnh đề: Precision Recall F1-Score A0 18.06 22.41 20.00 A1 11.81 13.93 12.78 A2 - - - LOC 1.71 21.74 3.17 TMP 0.06 4.76 0.11 Trung bình 7.91 15.71 9.02 Cơng việc nâng cao độ xác tốc độ huấn luyện kiểm tra kỹ thuật trích rút đặc trưng phức tạp mục tiêu hướng nghiên cứu đề tài TIEU LUAN MOI download : skknchat@gmail.com 3.5 Kết luận chương Nội dung chương mơ tả tốn gán nhãn vai trị ngữ nghĩa theo hướng áp dụng mơ hình học máy AdaBoost công cụ Swirl gán nhãn chuỗi liệu Đồng thời, chương trình bày trình thu thập liệu, trích chọn đặc trưng kết thực nghiệm thu trình gán nhãn vai trò ngữ nghĩa TIEU LUAN MOI download : skknchat@gmail.com CHƯƠNG 4: KẾT LUẬN Thơng qua việc nghiên cứu tìm hiểu, thử nghiệm mơ hình AdaBoost với tốn gán nhãn vai trò ngữ nghĩa, luận văn thu đóng góp sau: - Luận văn cung cấp cách nhìn tổng quan tốn gãn nhãn vai trị ngữ nghĩa tiếp cận theo mơ hình học máy AdaBoost - Thử nghiệm gán nhãn vai trò ngữ nghĩa cho 426 câu tiếng Anh liệu chuẩn CoNLL 2004, với độ xác 70.89 % Hướng nghiên cứu luận văn: - Tập trung sâu vào giai đoạn trích chọn đặc trưng: với số lượng lớn đặc trưng phức tạp, điều có ý nghĩa quan trọng tới độ xác chi phí tính tốn- yếu tố quan trọng ứng dụng tầm cỡ ứng dụng đòi hỏi đáp ứng với thời gian thực - Xây dựng tập liệu huấn luyện kiểm tra để phục vụ gán nhãn ngữ nghĩa tiếng Việt - Tìm hiểu kĩ thuật nâng cao để giúp tăng tốc độ huấn luyện cho mơ hình AdaBoost - Tìm hiểu áp dụng phương pháp AdaBoost vào việc nhận dạng hình ảnh âm - Nghiên cứu phương pháp học sâu áp dụng gán nhãn vai trò ngữ nghĩa, đó, tiến hành tiền xử lý đặc trưng đầu vào, sau huấn luyện cách sử dụng cấu trúc mạng nơ ron nhiều tầng Các đặc trưng tính tốn tầng sâu mạng, huấn luyện tự động thuật toán lan truyền ngược thích hợp với tốn tương ứng TIEU LUAN MOI download : skknchat@gmail.com Phụ lục Danh sách nhãn sử dụng toán gán ngữ nghĩa tiếng Việt (dựa theo mô tả VietTreebank): 1.1 Nhãn từ loại: TT Tên Chú thích N Danh từ Np Danh từ riêng Nc Danh từ loại Nu Danh từ đơn vị V Động từ A Tính từ P Đại từ L Lượng từ M Số từ 10 R Phụ từ 11 E Giới từ 12 C Liên từ 13 I Thán từ 14 T Trợ từ, tiểu từ, từ hình thái 15 U Từ đơn lẻ 16 Y Từ viết tắt 17 X Các từ không phân loại 1.2 Nhãn cú pháp Tập nhãn cụm từ TIEU LUAN MOI download : skknchat@gmail.com TT Tên Chú thích NP Cụm danh từ VP Cụm động từ AP Cụm tính từ RP Cụm phụ từ PP Cụm giới từ QP Cụm từ số lượng MDP Cụm từ tình thái WHNP Cụm danh từ nghi vấn (ai, gì, …) WHAP Cụm tính từ nghi vấn (lạnh nào, đẹp sao…) 10 WHRP Cụm từ nghi vấn dùng hỏi thời gian, nơi chốn… 11 WHPP Cụm giới từ nghi vấn (với ai, cách nào…) Tập nhãn mệnh đề TT Tên Chú thích S Câu trần thuật (khẳng định phủ định) SQ Câu hỏi SBAR Mệnh đề phụ (bổ nghĩa cho danh từ, động từ, tính từ) TIEU LUAN MOI download : skknchat@gmail.com Tập nhãn chức cú pháp TT Tên Chú thích SUB Danh từ DOB Danh từ riêng IOB Danh từ loại TPC Danh từ đơn vị PRD Động từ LGS Tính từ EXT Đại từ H Lượng từ 9-12 TC, CMD, EXC, SPL Nhãn phân loại câu: đề-thuyết, mệnh lệnh, cảm thán, đặc biệt 13 TTL Tít báo hay tiêu đề 14 VOC Thành phần than gọi Tập nhãn chức trạng ngữ TT Tên Chú thích TMP Nhãn chức trạng ngữ thời gian LOC Nhãn chức trạng ngữ nơi chốn DIR Nhãn chức trạng ngữ hướng MNR Nhãn chức trạng ngữ cách thức PRP Nhãn chức trạng ngữ mục đích hay lý ADV Nhãn chức trạng ngữ nói chung (dùng trạng ngữ khơng thuộc loại cụ thể trên) TIEU LUAN MOI download : skknchat@gmail.com Tài liệu tham khảo Tiếng Việt [1] Hoàng Xuân Huấn, 2013, Giáo trình Nhận dạng mẫu, NXB Đại học Quốc gia Hà Nội, Hà Nội [2] Nhữ Văn Kiên, 2013, Luận văn Thạc sỹ Nghiên cứu phương pháp tự động phát lỗi kho ngữ liệu tiếng Việt giải từ loại, Học viện công nghệ bưu viễn thơng, Hà Nội Tiếng Anh [3] Collin F Baker, Charles J Fillmore, John B Lowe, 1998, The berkeley framenet project, In Proceedings of the 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics (COLING/ACL-1998) [4] Xavier Carreras and Lluís Màrquez, May 2004, Introduction to the CoNLL2004 Shared Task: Semantic Role Labeling, In Proceedings of the CoNLL-2004 Shared Task, Boston, MA USA [5] Xavier Carreras, Lluís Màrquez, and Grzegorz Chrupała, May 2004, Hierarchical Recognition of Propositional Arguments with Perceptrons, In Proceedings of the CoNLL-2004 Shared Task, Boston, MA USA [6] John Chen, Owen Rambow, 2003, Use of deep linguistic features for the recognition and labeling of semantic arguments, In Proceedings of the 2003 Conference on Empirical Methods in Natural Language Processing (EMNLP2003) [7] Wen-Chi Chou, Richard Tzong-Han Tsai, Ying-Shan Su, Wei Ku, TingYi Sung, Wen-Lian Hsu, 2006, A semi-automatic method for annotating a biomedical proposition bank, p5-12, In Proceedings of the Workshop on Frontiers in Linguistically Annotated Corpus TIEU LUAN MOI download : skknchat@gmail.com [8] Trevor Cohn and Philip Blunsom, June 2005, Semantic Role Labelling with Tree Conditional Random Fields, In Proceedings of the Ninth Conference on Computational Natural Language Learning (CoNLL-2005), pages 169- 172, Ann Arbor, MI, USA [9] Michael Collins, 1997, Three generative, lexicalized models for statistical parsing, In Philip R Cohen and Wolfgang Wahlster, editors, Proceedings of the 35th Annual Meeting of the Association for Computational Linguistics (ACL1997), pages 16–23, Somerset, New Jersey [10] Ann Copestake, Dan Flickinger, 2000, An open-source grammar development environment and broad-coverage english grammar using HPSG, In Proc of LREC, Athens, Greece, pp 591-598 [11] D.A Dahl, Palmer, M S., and Passonneau, R J., 1987, Nominalizations inpundit, In Proceedings of the 25th annual meeting on Association for Computational Linguistics, pages 131–139, Morristown, NJ, USA Association for Computational Linguistics [12] Hoa Trang Dang, Martha Palmer, June- 2005, The role of semantic roles in disambiguating verb senses, In Proceedings of the 43rd Annual Meeting of the Association for Computational Linguistics, Ann Arbor, MI, USA [13] Richard Durbin, Sean R Eddy, Anders Krogh, Graeme Mitchison, 1998, "Biological sequence analysis Probabilistic models of proteins and nucleic acids", Cambridge University Press, p356 [14] Charles J Fillmore, 1968, The case for case, In Bach, E and Harms, R., editors, Universals in Linguistic Theory Holt, Rinehart, and Winston [15] Daniel Gildea, Daniel Jurafsky, September 2002, "Automatic Labeling of Semantic Roles", Journal Computational Linguistics, 28(3), p245-288 TIEU LUAN MOI download : skknchat@gmail.com [16] Kadri Hacioglu, Sameer Pradhan, Wayne Ward, James H Martin, Daniel Jurafsky, 2004, Semantic role labeling by tagging syntactic chunks, In Proceedings of CoNLL 2004 Shared Task, p110-113, MA, USA [17] Graeme Hirst, 1987, Semantic interpretation and the resolution of ambiguity, Cambridge University Press [18] Yudong Liu, Fall 2009, The Doctor of Philosophy thesis, Semantic role labeling using lexicalized tree adjoining grammars, Simon Fraser university [19] John Lafferty, Andrew McCallum, Fernando Pereira, 2001, Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data, In Proceeding 18th International Conference on Machine Learning, pages 282–289, Morgan Kaufmann, San Francisco, CA [20] Beth Levin, 1993, "English Verb Classes and Alternations: A Preliminar Investigation", The University of Chicago Press,Pp xviii, 348 [21] Joon-Ho Lim, Young-Sook Hwang, So-Young Park, Hae-Chang Rim, 2004,Semantic Role Labeling using Maximum Entropy Model, In Proceedings of the CoNLL-2004 Shared Task, MA, USA [22] Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner,1998, Gradientbased learning applied to document recognition In Proceedings of the IEEE, 86, 2278–2324 [23] Lluís Màrquez, Pere Comas, Jesús Giménez and Neus Català, June 2005, Semantic Role Labeling as Sequential Tagging, In Proceedings of the 9th Conference on Computational Natural Language Learning (CoNLL), pages 193–196, Ann Arbor [24] Andrew McCallum, Dayne Freitag, Fernando Pereira, 2000, Maximum entropy Markov models for information extraction and segmentation, Proc ICML 2000, pp 591–598, Stanford, California TIEU LUAN MOI download : skknchat@gmail.com [25] Gabor Melli, Y Wang, Y Liu, M Kashani, Z Shi, B Gu, A Sarkar, and F Popowich, October 2005, Description of squash, the sfu question answering summary handler for the DUC-2005 Summarization task, In Proceedings of Document Understanding Conferences (DUC-2005), pages 103-110, Vancouver, Canada [26] Srini Narayanan and Sanda Harabagiu, August 23rd-27th, 2004, Question answering based on semantic structures In Proceedings of 20th International Conference on Computational Linguistics (COLING-2004), University of Geneva, Switzerland [27] Martha Palmer, Daniel Gildea, Paul Kingsbury, March 2005, “The Proposition Bank: An Annotated Corpus of Semantic Roles”, Journal of Computational Linguistics, Volume 31 Issue 1, pages 71- 206 [28] Sameer Pradhan, Wayne Ward, James H Martin, June 2008, "Towards robust semantic role labeling", Journal Computational Linguistics, Volume 34 Issue 2, p289-310, MIT Press Cambridge, MA, USA [29] Sameer Pradhan, Wayne Ward, Kadri Hacioglu, James H Martin, and Daniel Jurafsky, 2004, Shallow semantic parsing using support vector machines, In Proceedings of Human Language Technology Conference / North American chapter of the Association for Computational Linguistics annual meeting (HLTNAACL-2004) [30] James Pustejovsky, 1995, "The Generative Lexicon", The MIT Press, Cambridge, MA [31] Mihai Surdeanu, Sanda Harabagiu, John Williams, Paul Aarset, 2003, Using predicate-argument structures for information extraction, In Proceedings of the 41st Annual Meeting of the Association for Computational Linguistics, volume 1, pages 8- 15 TIEU LUAN MOI download : skknchat@gmail.com [32] Yuka Tateisi, Akane Yakushiji, Tomoko Ohta, Jun’ichi Tsujii, October 2005, Syntax annotation for the genia corpus, In Proceedings of the 2nd Interna – 43 tional Joint Conference on Natural Language Processing (IJCNLP-2005), Jeju Island, Korea, p11-13 [33] Nianwen Xue, Martha Palmer, 2004, Calibrating features for semantic role labeling, In Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing (EMNLP-2004) [34] Akane Yakushiji, Yusuke Miyao, Yuka Tateisi, and Junichi Tsujii, April 2005, Biomedical information extraction with predicate-argument structure patterns, In Proceedings of the first International Symposium on Semantic Mining in Biomedicine (SMBM), Hinxton, Cambridgeshire, UK [35] Mihai Surdeanu, Jordi Turmo, 2003, Semantic Role Labeling Using Complete Syntactic Analysis Website [35] http://nlp.stanford.edu/projects/shallow-parsing.shtml [36] http://www.cs.upc.edu/~srlconllirl/index.phpml [37] http://www.lsi.upc.edu/ srlconll/st04/st04.html [38] http://www.ling.upenn.edu/courses/Fall_2007/ling001/penn_treebank_pos.html [39] http://www.surdeanu.info/mihai/swirl/index.php TIEU LUAN MOI download : skknchat@gmail.com TIEU LUAN MOI download : skknchat@gmail.com TIEU LUAN MOI download : skknchat@gmail.com TIEU LUAN MOI download : skknchat@gmail.com TIEU LUAN MOI download : skknchat@gmail.com ... CHƯƠNG 3: ỨNG DỤNG ADABOOST CHO BÀI TỐN GÁN NHÃN NGỮ NGHĨA NƠNG Nội dung chương mơ tả tốn gán nhãn vai trị ngữ nghĩa theo hướng áp dụng mơ hình phân loại AdaBoost công cụ Swirl gán nhãn chuỗi... ? ?Ứng dụng AdaBoost cho tốn gán nhãn ngữ nghĩa nơng” Dữ liệu dùng cho toán lấy từ kho ngữ liệu PropBank, bổ sung cho Penn Treebank với thích ngữ nghĩa, dựa liệu chuẩn CoNLL 2 004 Bố cục luận văn. .. 3: Ứng dụng phương pháp AdaBoost cho tốn gán nhãn vai trị ngữ nghĩa Nội dung chương mơ tả tốn gán nhãn vai trị ngữ nghĩa theo hướng áp dụng mơ hình học máy AdaBoost cơng cụ Swirl gán nhãn chuỗi