Đang tải... (xem toàn văn)
phân giải nhập nhằng thực thể có tên dựa trên các ontology đóng và mở
ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA Nguyễn Thanh Hiên PHÂN GIẢI NHẬP NHẰNG THỰC THỂ CÓ TÊN DỰA TRÊN CÁC ONTOLOGY ĐÓNG VÀ MỞ Chuyên ngành: Khoa học Máy tính Mã số: 62.48.01.01 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS. TS. CAO HOÀNG TRỤ TP. HCM - NĂM 2010 i LỜI CAM ĐOAN Tôi cam đoan rằng nội dung của luận án này là kết quả nghiên cứu của bản thân. Tất cả những tham khảo từ các nghiên cứu liên quan điều được nêu rõ nguồn gốc một cách rõ ràng từ danh mục tài liệu tham khảo được đề cập ở phần sau của luận án. Những đóng góp trong luận án là kết quả nghiên cứu của tác giả đã được công bố trong các bài báo của tác giả ở phần sau của luận án và chưa được công bố trong bất kỳ công trình khoa học nào khác. Tác giả luận án Nguyễn Thanh Hiên ii LỜI CẢM ƠN Tôi muốn bày tỏ ở đây lời tri ân sâu sắc gởi đến thầy hướng dẫn của tôi, PGS. TS. Cao Hoàng Trụ. Thầy đã tận tình chỉ bảo tôi từ những ngày đầu tiếp cận con đường khoa học. Thầy đã dạy tôi từ những việc tưởng chừng đơn giản như cách thức để thu thập các tài liệu liên quan, đến khả năng tư duy có phê phán và sự hoài nghi cần thiết trong hoạt động nghiên cứu. Sự tận tình hướng dẫn, cộng với sự động viên, khích lệ thường xuyên của Thầy đã thật sự đánh thức trong tôi những khả năng tiềm ẩn, nếu không luận án này đã không thể hoàn thành. Sự cẩn thận, tỉ mỉ, kiên nhẫn và nghiêm túc trong công việc là những đức tính mà Thầy luôn nhắc nhở tôi. Những gì Thầy dạy tôi đã ảnh hưởng sâu sắc đến cá nhân tôi, và sẽ có tác động lâu dài đến cuộc sống, sự nghiệp và tương lai của tôi. Tôi tin rằng, bằng những lời lẽ thông thường sẽ không đủ để chuyển tải hết lòng biết ơn với những gì Thầy đã dạy tôi. Dù vậy, tôi cũng muốn viết ra đây, và gởi đến Thầy, lời cảm ơn chân thành nhất. Em cảm ơn Thầy! Tôi cũng muốn bày tỏ lòng biết ơn đối với tập thể các thầy cô Khoa Khoa học và Kỹ thuật máy tính, Trường Đại học Bách Khoa Tp. HCM, nơi tôi học tập và gắn bó hơn mười năm qua, tính cả thời gian tôi học đại học và làm luận văn thạc sĩ. Các thầy cô luôn tạo điều kiện để tôi hoàn thành tốt công việc của mình, và sự dạy dỗ của quí thầy cô đã giúp tôi trưởng thành. Xin chân thành cảm ơn quí thầy cô trong Khoa Khoa học và Kỹ thuật máy tính. Tôi cũng chân thành cả m ơn sự hỗ trợ và giúp đỡ nhiệt thành của Phòng Quản lý Sau Đại học, Trường Đại học Bách Khoa Tp. HCM trong thời gian tôi thực hiện luận án này. Cảm ơn Ban giám hiệu Trường Đại học Bách Khoa Tp. HCM, Phòng Khoa học Công nghệ & Dự án đã xét duyệt cho tôi thực hiện đề tài nghiên cứu cấp trường, hỗ trợ tài chính để trang trải một phần kinh phí học tập và nghiên cứu của tôi trong thời gian qua. Tôi chân thành cảm ơn Tiến sĩ Lê Vinh Danh, Hiệu trưởng Trường Đại học Tôn Đức Thắng, đã động viên và tạo mọi điều kiện thuận lợi cho tôi hoàn thành luận án này. Cảm ơn các anh chị trong Phòng Điện toán và Thông tin tư liệu, Trường Đại học Tôn Đức Thắng, đã nhiệt tình giúp đỡ tôi trong thời gian vừa qua. Cuối cùng, chân thành cảm ơn người thân, bạn bè luôn bên cạnh động viên, hỗ trợ về mặt tinh thần để tôi vượt qua khó khăn và hoàn thành tốt luận án. iii TÓM TẮT Thực thể có tên là những thực thể có thể được tham khảo đến bằng tên riêng, như con người, tổ chức, hoặc nơi chốn. Phân giải nhập nhằng thực thể có tên là nhằm ánh xạ mỗi tên trong một văn bản vào một thực thể trong một nguồn tri thức cho trước. Nổi lên gần đây như là một bài toán đầy thách thức, nhưng có nhiều ý nghĩa trong việc hiện thực hóa Web có ngữ nghĩa, cũng như phát triển nâng cao các ứng dụng xử lý ngôn ngữ tự nhiên, phân giải nhập nhằng thực thể có tên đã thu hút sự quan tâm của nhiều nhóm nghiên cứu khắp thế giới. Luận án đề xuất ba phương pháp cho bài toán này, trong đó nghiên cứu sâu ba yếu tố quan trọng ảnh hưởng đến hiệu quả phân giải nhập nhằng là các nguồn tri thức sử dụng, đặc trưng biểu diễn thực thể, và mô hình phân giải nhập nhằng. Các nguồn tri thức được khai thác là các ontology đóng và Wikipedia. Các ontology đóng được xây dựng bởi các chuyên gia theo hướng tiếp cận từ trên xuống, với các khái niệm có quan hệ thứ bậc dựa trên một tập từ vựng có kiểm soát và các ràng buộc chặt chẽ. Wikipedia, xem như một ontology mở, được xây dựng bởi những người tình nguyện theo hướng tiếp cận từ dưới lên, với các khái niệm được hình thành từ một tập từ vựng tự do và các thoả thuận mang tính cộng đồng. Các đặc trưng được nghiên cứu là tên của các thực thể đồng xuất hiện, định danh của các thực thể đã được xác định, và các từ cùng với các cụm từ xuất hiện xung quanh tên đang được xem xét và xung quanh các tên là đồng tham chiếu với tên đó trong văn bản. Ngoài ra luận án cũng khai thác vị trí xuất hiện, chiều dài của các tên, và tên thường dùng của các thực thể. Luận án đề xuất ba mô hình phân giải nhập nhằng tương ứng với ba phương pháp nói trên là: (i) mô hình dựa trên heuristic; (ii) mô hình dựa trên thống kê; và (iii) mô hình lai - kết hợp heuristic và thống kê. Điểm mới chung của ba phương pháp là phân giải nhập nhằng theo một quá trình lặp cải thiện dần, trong đó bao gồm một số bước lặp. Thực thể được xác định tại mỗi bước lặp sẽ được sử dụng để phân giải nhập nhằng các thực thể còn lại ở các bước lặp tiếp theo. Các thí nghiệm được thực hiện để đánh giá và chứng tỏ tính hiệu quả của các phương pháp được đề xuất. Luận án cũng nghiên cứu xử lý các trường hợp khi mà các tên trong văn bản chỉ được nhận ra bán phần và thực thể được đề cập đến trong văn bản nằm ngoài nguồn tri thức sử dụng, đồng thời đề xuất các độ đo hiệu quả phân giải nhập nhằng mới tương ứng. iv Abstract Named entities are those that are referred to by names such as people, organizations, or locations. Named entity disambiguation is a problem that aims at mapping entity names in a text to the right referents in a given source of knowledge. Having been emerging in recent years as a challenging problem, but significant to realization of the semantic web, as well as advanced development of natural language processing applications, named entity disambiguation has attracted much attention by researchers all over the world. This thesis proposes three methods for disambiguating named entities, and rigoruously investigates the three important factors affecting disambiguation performance, namely, employed knowledge sources, named entity representation features, and disambiguation models. The knowledge sources exploited are close ontologies and Wikipedia. Close ontolo- gies are built by experts following a top-down approach, with a hierarchy of concepts based on a controlled vocabulary and strict constraints. Wikipedia, considered as an open ontology, is built by volunteers following a bottom-up approach, with concepts formed by a free vocabulary and community agreements. The investigated features are entity names, identifiers of resolved entities, and words together with phrases surrounding a target name and surrounding names that are coreferential with that target name. Besides, the thesis ex- ploits occurrence positions and lengths of names, and main alias of entities. This thesis proposes three models corresponding to the three above-mentioned methods: (i) a heuris- tic-based model; (ii) a statistical model; and (iii) a hybrid model, combining heuristics and statistics. The common novelty of the proposed methods is disambiguating named entities itera- tively and incrementally, including several iterative steps. Those named entities that are resolved in each iterative step will be used to disambiguate the remaining ones in the next iterative steps. Experiments are conducted to evaluate and show the advantages of the pro- posed methods. Besides, this thesis deals with the cases when entity names in text are par- tially recognized and entities referred to in text are outside an employed knowledge source, as well as proposes new corresponding disambiguation performance measures. v MỤC LỤC Lời cam đoan i Lời cảm ơn . ii Tóm tắt iii Abstract . iv Mục lục . v Danh mục các bảng . vii Danh mục các hình ix Danh mục các giải thuật . x Danh mục thuật ngữ viết tắt . xi Chương 1: GIỚI THIỆU 1 1.1 Lịch sử và động cơ nghiên cứu . 1 1.2 Bài toán và phạm vi 15 1.3 Phương pháp luận đề xuất . 17 1.4 Những đóng góp chính của luận án 24 1.5 Cấu trúc của luận án 26 Chương 2: NỀN TẢNG KIẾN THỨC 28 2.1 Giới thiệu 28 2.2 Ontology . 29 2.3 Wikipedia 36 2.4 Mô hình không gian véctơ 45 2.5 Nhận dạng thực thể có tên 46 2.6 Phân giải đồng tham chiếu trong một văn bản 51 2.7 Phân giải nhập nhằng 59 vi 2.8 Kết luận . 72 Chương 3: PHÂN GIẢI NHẬP NHẰNG DỰA TRÊN ONTOLOGY . 74 3.1 Giới thiệu 74 3.2 Phân hạng ứng viên dựa trên ontology . 75 3.3 Các độ đo hiệu quả mới 80 3.4 Thí nghiệm và đánh giá 84 3.5 Kết luận . 91 Chương 4: PHÂN GIẢI NHẬP NHẰNG DỰA TRÊN ONTOLOGY ĐƯỢC LÀM GIÀU 93 4.1 Giới thiệu 93 4.2 Mô hình phân hạng ứng viên dựa trên thống kê . 95 4.3 Làm giàu ontology 106 4.4 Thí nghiệm và đánh giá 110 4.5 Kết luận . 111 Chương 5: PHÂN GIẢI NHẬP NHẰNG DỰA TRÊN WIKIPEDIA 113 5.1 Giới thiệu 113 5.2 Phương pháp lai 116 5.3 Thí nghiệm và đánh giá 125 5.4 Kết luận . 130 Chương 6: TỔNG KẾT 132 6.1 Tóm tắt 132 6.2 Hướng nghiên cứu mở rộng 135 CÁC CÔNG TRÌNH CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN . 137 TÀI LIỆU THAM KHẢO 138 vii DANH MỤC CÁC BẢNG Bảng 2.1: Số liệu thống kê về các trang, thể loại và liên kết của các trang trong Wikipedia . 45 Bảng 2.2: Các loại trả lời để đánh giá một hệ thống nhận dạng thực thể có tên . 49 Bảng 2.3: Kết quả phân giải đồng tham chiếu tên riêng tiếng Việt 59 Bảng 2.4: Minh họa tập dữ liệu huấn luyện của Bunescu và Paşca (2006) 66 Bảng 2.5: Minh họa đánh giá hiệu quả phân giải nhập nhằng của một phương pháp phân giải nhập nhằng các vùng địa lý (Leidner, 2007). . 71 Bảng 3.1: Định nghĩa một ánh xạ là đúng hoặc sai cho một tên trong văn bản 82 Bảng 3.2: Minh hoạ cách tính độ chính xác, độ đầy đủ và độ F ánh xạ . 84 Bảng 3.3: Số lần xuất hiện của (“Georgia”, Location) trong tập dữ liệu D e1 85 Bảng 3.4: Số lần xuất hiện của (“Smith”, Person) trong tập dữ liệu D e1 86 Bảng 3.5: Kết quả phân giải nhập nhằng cho (“Georgia”, Location) . 86 Bảng 3.6: Kết quả phân giải nhập nhằng cho (“Smith”, Person) 87 Bảng 3.7: Kết quả phân giải nhập nhằng của OntoNEON trên tập D v sử dụng ontology của VN-KIM. 87 Bảng 3.8: Độ chính xác và độ đầy đủ ánh xạ của VN-KIM và OntoNEON trên tập dữ liệu D v . 88 Bảng 4.1: Thông tin về thực thể trong Wikipedia có một trong các tên “John McCarthy”, “John Williams”, “Georgia”, hoặc “Columbia” và số lần được đề cập đến trong tập dữ liệu D e2 . 101 Bảng 4.2: Thông tin về số lần xuất hiện của các tên đề cập đến các thực thể có một trong bốn tên “John McCarthy”, “John Williams”, “Georgia”, hoặc “Columbia” và số lượng ánh xạ được thực hiện bởi phương pháp của chúng tôi. . 102 viii Bảng 4.3: Độ chính xác và độ đầy đủ ánh xạ được tính toán cho các tên “John McCarthy” và “John Williams”. 103 Bảng 4.4: Độ chính xác và độ đầy đủ ánh xạ được tính toán cho các tên “Georgia” và “Columbia”. 104 Bảng 4.5: Độ chính xác và độ đầy đủ ánh xạ được tính trung bình cho các tên “John McCarthy”, “John Williams”, “Georgia”, và “Columbia”. 105 Bảng 4.6: Thống kê lỗi khi không sử dụng và sử dụng định danh của các thực thể như các đặc trưng. . 106 Bảng 4.7: Thông tin về số lần xuất hiện của các tên đề cập đến các thực thể có một trong hai tên “Georgia”, hoặc “Columbia” và số lượng ánh xạ được thực hiện bởi phương pháp NOW. . 110 Bảng 4.8: Kết quả thực hiện phân giải nhập nhằng của NOW trên tập dữ liệu với “Georgia” và “Columbia”. . 111 Bảng 5.1: Thông tin về sự xuất hiện của các tên trong tập dữ liệu D e3 126 Bảng 5.2: Thông tin về sự xuất hiện của các tên trong tập dữ liệu D e31 127 Bảng 5.3: Độ chính xác và độ đầy đủ ánh xạ sau khi thực thi Giải thuật 5.1 trên tập dữ liệu D e32 128 Bảng 5.4: Độ chính xác và độ đầy đủ ánh xạ sau khi thực thi Giải thuật 5.1 trên tập dữ liệu D e31 129 ix DANH MỤC CÁC HÌNH Hình 1.1: Một mô hình phân giải nhập nhằng tiêu biểu . 13 Hình 1.2: Một ví dụ của phân giải nhập nhằng thực thể có tên 15 Hình 2.1: Một số lớp xử lý của một ứng dụng rút trích thông tin . 28 Hình 2.2: VN-KIM xử lý và chú thích các thực thể có tên trên một trang web tiếng Việt . 33 Hình 2.3: Chú thích ngữ nghĩa 33 Hình 2.4: RDF biểu diễn mối quan hệ giữa các thực thể trong cơ sở tri thức của VN- KIM 34 Hình 2.5: Một mô hình xử lý của một động cơ rút trích thông tin dựa trên GATE 35 Hình 2.6: Một trang thực thể trong Wikipedia tiếng Việt . 38 Hình 2.7: Minh họa các mối liên kết giữa các trang trong Wikipedia 39 Hình 2.8: Minh họa hệ thống thể loại của Wikipedia . 40 Hình 2.9: Một phần đồ thị các thể loại của thực thể Anna Maria Mozart . 41 Hình 2.10: Biểu diễn thực thể China trong Wikipedia tiếng Anh 41 Hình 2.11: Minh họa một phần trang phân giải nhập nhằng cho tên “John McCarthy” 42 Hình 2.12: Luật nhận biết tên người bằng tiếng Anh được viết đảo ngược của GATE . 49 Hình 2.13: Minh họa các chuỗi đồng tham chiếu . 51 Hình 5.1: Minh họa các đặc trưng rút trích được từ một đoạn văn bản mẫu . 117 Hình 5.2: Một phần trang phân giải nhập nhằng của tên “Atlanta”. 120 [...]... một ontology Phần tiền xử lý của nhận dạng thực thể có tên không được thể hiện trong mô hình Mô hình cho thấy Nhận dạng thực thể có tên và Phân giải đồng tham chiếu tên riêng là phần tiền xử lý của Phân giải nhập nhằng thực thể có tên Tài liệu thô Nguồn tri thức về các thực thể có tên (ontology Nhận dạng hoặc cơ sở tri thức) Tài liệu với các tên (thực thể) đã được chú giải thực thể có tên Phân giải. .. Milne và Witten, 2008) Trang phân giải nhập nhằng được tạo cho các tên nhập nhằng trong Wikipedia Từ các trang này chúng ta có thể xác định các thực thể có cùng tên trong Wikipedia Từ năm 2006, Wikipedia đã được khai thác để phân giải nhập nhằng các thực thể có tên Bunescu và Paşca (2006) khai thác các nguồn thông tin nêu trên của Wikipedia để phân giải nhập nhằng Các véctơ đặc trưng của các thực thể. .. lấy thực thể có tên (Named Entity – NE) làm trung tâm, như nhận biết và phân lớp các thực thể có tên (Nadeau và Sekine, 2007), phân giải nhập nhằng các thực thể có tên (Bunescu và Paşca, 2006; Sarmento và CS2, 2009), rút trích tự động quan hệ của các thực thể có tên (Bunescu, 2007), đã nhận được sự quan tâm nghiên cứu rộng rãi Thực thể có tên là những thực thể có thể được tham chiếu đến bằng tên, ... giải nhập nhằng phổ quát cho nhiều phương pháp phân giải nhập nhằng Trong đó phần nhận dạng thực thể có tên có thể chỉ dừng lại ở việc xác định các cụm từ đề cập đến các thực thể trong một ontology, hoặc có phân lớp các thực thể vào các lớp ở mức cao như con người, tổ chức, nơi chốn, hoặc phân lớp các thực 1.1.Lịch sử và động cơ nghiên cứu 13 thể vào các lớp mịn hơn dựa trên hệ thống phân cấp các lớp...DANH MỤC CÁC GIẢI THUẬT Giải thuật 1.1: Phân giải nhập nhằng lặp cải thiện dần 19 Giải thuật 2.1: Phân giải đồng tham chiếu tên tiếng Việt 57 Giải thuật 3.1: Phân giải nhập nhằng dựa trên ontology (OntoNEON) 79 Giải thuật 4.1: Phân hạng ứng viên dựa trên thống kê 99 Giải thuật 4.2: Phân giải nhập nhằng lặp cải thiện dần dựa trên thống kê (NOW) 100 Giải thuật 4.3:... Thế giới thực Hình 1.2: Một ví dụ của phân giải nhập nhằng thực thể có tên Sao Paulo 16 Chương 1.Giới thiệu Wacholder và CS (1997) đã chỉ ra một số mức độ nhập nhằng về thực thể có tên Thứ nhất là nhập nhằng giữa thực thể có tên và các khái niệm chung, khi tên của một thực thể có tên trùng với một khái niệm chung Ví dụ như “Apple” là tên của một tổ chức, khác với “apple” (trong tiếng Anh) có nghĩa... về các thực thể có tên, do đó các điều kiện dừng như vừa được đề cập ở đoạn trên là không cần thiết Khi một tên trong một văn bản cần được phân giải nhập nhằng, các thực thể trong một cơ sở tri thức mà có tên trùng với nó được gọi là các thực thể ứng viên (candidate entity), hay nói vắn tắt là các ứng viên Các nghiên cứu về NED thời kì đầu tập trung chủ yếu vào phân giải nhập nhằng các vùng địa lý, và. .. tâm đến các từ không là một phần của các tên này SemTag (Dill và CS, 2003) thực hiện chú thích ngữ nghĩa về các thực thể có tên thuộc nhiều thể loại khác nhau cho 250 triệu trang web dựa trên ontology của TAP Để chú thích ngữ nghĩa chính xác, SemTag cũng bao hàm việc phân giải nhập nhằng các thực thể có tên Với mỗi tên cần phân giải nhập nhằng, SemTag trích ngữ cảnh gồm ±10 từ xung quanh nó, và so sánh... về bản chất và ý nghĩa Trong khi các thực thể có tên, nói một cách nôm na, là các cá thể cụ thể trong thế giới thực, các từ diễn đạt các khái niệm tổng quát như kiểu, thuộc tính, quan hệ Xử lý các từ do đó chỉ yêu cầu ngữ nghĩa từ vựng thông thường, trong khi đó, xử lý các thực thể có tên đòi hỏi tri thức về một lĩnh vực cụ thể • Việc phân giải nhập nhằng ngữ nghĩa của một từ có thể dựa trên ngữ cảnh... tôi thực hiện phân giải nhập nhằng bằng một quá trình lặp cải thiện dần (incremental), khởi đầu với một tập các hạt giống Khi một tên cần được phân giải nhập nhằng, các hạt giống sẽ được khai thác để xác định đúng thực thể mà tên đó đề cập đến Chính thực thể sau khi đã được xác định sẽ được bổ sung vào tập các hạt giống để phân giải nhập nhằng cho các trường hợp còn lại Cứ thế, quá trình phân giải nhập . 2007), phân giải nhập nhằng các thực thể có tên (Bunescu và Paşca, 2006; Sarmento và CS 2 , 2009), rút trích tự động quan hệ của các thực thể có tên (Bunescu,. • Thực thể có tên khác với các từ về bản chất và ý nghĩa. Trong khi các thực thể có tên, nói một cách nôm na, là các cá thể cụ thể trong thế giới thực,