Nghiên cứu và phát triển phương pháp rút gọn câu tiếng việt dựa trên phương pháp học không giám sát

Các phương pháp tóm tắt văn bản truyền thống thường dựa trên cách tiếp cận trích rút câu.. Luận văn được chia thành 3 chương với các nội dung sau: Chương 1: Tổng quan về tóm tắt văn bản

Trang 1

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

NGUYỄN CẢNH TOÀN

PHƯƠNG PHÁP RÚT GỌN CÂU TIẾNG VIỆT DỰA TRÊN

PHƯƠNG PHÁP HỌC KHÔNG GIÁM SÁT

Chuyên ngành: Khoa học máy tính

Mã số: 60.48.01.01

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Người hướng dẫn khoa học: TS Nguyễn Thị Thu Hà

THÁI NGUYÊN - 2013

Trang 2

LỜI CẢM ƠN

Để hoàn tất một luận văn thạc sĩ yêu cầu sự tập trung, sự cố gắng và độc lập nghiên cứu Bản thân tôi sau những năm tháng học tập vất vả và nghiên cứu cũng đã cố gắng để hoàn thành được luận văn này Tôi luôn ghi nhận những sự đóng góp giúp đỡ nhiệt tình của những người bên cạnh mình,

sự ủng hộ, sự hỗ trợ của bố mẹ bạn bè giúp tôi có thêm động lực để hoàn thành khóa luận tốt nghiệp, nhân đây tôi muốn gửi lời cảm ơn nhất tới họ

Lời cảm ơn trân trọng đầu tiên tôi muốn dành tới TS Nguyễn Thị Thu

Hà, đã hướng dẫn tôi trong suốt quá trình làm luận văn, nhờ sự định hướng của cô giúp tôi tự tin nghiên cứu những vấn đề mới và giải quyết bài toán một cách khoa học

Tôi xin trân trọng cảm ơn Ban giám hiệu trường đại học công nghệ thông tin, Đại học Thái nguyên, khoa CNTT đã tạo các điều kiện cho chúng tôi được học tập và làm khóa luận một cách thuận lợi

Lời cảm ơn sâu sắc muốn được gửi tới các thầy cô giáo đã dạy dỗ và

mở ra cho chúng tôi thấy chân trời tri thức mới, hướng dẫn chúng tôi cách khám phá và làm chủ công nghệ mới

Tôi muốn gửi lời cảm ơn chân thành đến tập thể lớp CHK10D-KHMT

đã cùng tôi đi qua những tháng ngày miệt mài học tập, cùng chia sẻ những niềm vui nỗi buồn, động viên tôi đi qua những khó khăn, để tôi vững bước vượt qua những vất vả, quyết tâm hoàn thành luận văn này

Tôi xin trân trọng cảm ơn bố mẹ, người đã mang tới tất cả niềm tin, định hướng và theo dõi tôi suốt chặng đường đời Nâng đỡ tôi và đến bên tôi những giây phút khó khăn nhất của cuộc sống

Tuy nhiên do thời gian có hạn, mặc dù đã nỗ lực cố gắng hết mình nhưng chắc rằng luận văn khó tránh khỏi những thiếu sót Rất mong được sự chỉ bảo, góp ý tận tình của Quý thầy cô và các bạn

Trang 3

MỤC LỤC

LỜI CẢM ƠN i

MỤC LỤC ii

DANH MỤC TỪ VIẾT TẮT iv

DANH MỤC HÌNH VẼ v

DANH MỤC BẢNG BIỂU vi

MỞ ĐẦU 1

Chương 1: TỔNG QUAN VỀ TÓM TẮT VĂN BẢN DỰA TRÊN CÁCH TIẾP CẬN RÚT GỌN CÂU 3

1.1 Tổng quan bài toán tóm tắt văn bản 3

1.1.1 Tổng quan 3

1.1.2 Một số phương pháp tóm tắt văn bản 7

1.2 Tóm tắt văn bản dựa trên cách tiếp cận rút gọn câu 13

1.2.1 Khái niệm rút gọn câu 13

1.2.2 Một số phương pháp rút gọn câu 15

1.3 Đánh giá tóm tắt 16

1.3.1 Đánh giá theo cách thủ công 16

1.3.2 Phương pháp đánh giá BLEU 16

1.3.3 Phương pháp đánh giá ROUGE 17

1.4 Kết luận chương 1 17

Chương 2: PHƯƠNG PHÁP RÚT GỌN CÂU TIẾNG VIỆT DỰA TRÊN KỸ THUẬT HỌC KHÔNG GIÁM SÁT 18

2.1 Máy học và mô hình n-grams 18

2.1.1 Khái niệm máy học 18

2.1.2 Mô hình n-grams 19

2.2 Đặc điểm của văn bản tiếng Việt 22

22

Trang 4

22

23

2.3 Phương pháp rút gọn câu tiếng Việt dựa trên kỹ thuật học không giám sát 24

2.3.1 Giới thiệu 24

2.3.2 Phương pháp biểu diễn văn bản 25

2.3.3 Kỹ thuật giảm chiều vector biểu diễn trong văn bản tiếng Việt 30

2.3.4 Phương pháp rút gọn câu tiếng Việt dựa trên kỹ thuật học không giám sát 35

2.4 Kết luận chương 2 36

Chương 3: XÂY DỰNG ỨNG DỤNG RÚT GỌN CÂU DỰA TRÊN KỸ THUẬT HỌC KHÔNG GIÁM SÁT 37

3.1 Kiến trúc tổng quát của hệ thống 37

3.2 Xây dựng tập dữ liệu và tập từ điển danh từ 38

3.2.1 Xây dựng tập dữ liệu 38

3.2.2 Tiền xử lý và chuẩn hóa dữ liệu 38

3.2.3 Xây dựng bộ từ điển danh từ 39

3.3 Môi trường cài đặt 41

3.3.1 Môi trường cài đặt của hệ thống 41

3.3.2 Cơ sở dữ liệu của hệ thống 41

3.3.3 Một số giao diện chính của hệ thống 41

3.4 Kết quả thực nghiệm 44

KẾT LUẬN 46

TÀI LIỆU THAM KHẢO 47

Trang 5

DANH MỤC TỪ VIẾT TẮT

Trang 6

DANH MỤC HÌNH VẼ

Hình 1.1 Hệ thống tóm tắt trực tuyến Text compactor 4

Hình 1.2 Hệ thống tóm tắt ngoại tuyến 4

Hình 1.3 Cây cấu trúc tu từ 11

Hình 2.1 Mô hình không gian vector 26

Hình 2.2 Biểu diễn văn bản theo mô hình véc tơ 26

Hình 2.3 Biểu diễn văn bản theo mô hình Boolean 27

Hình 2.4 Ma trận biểu diễn văn bản 30

Hình 2.5 Ma trận ví dụ 31

Hình 2.6 Mô hình giảm chiều véc tơ 31

Hình 2.7 Quan hệ giữa văn bản và thuật ngữ 32

Hình 2.8 Một mô hình rút gọn đặc trưng văn bản 33

Hình 2.9 Mô hình đồ thị lưới 35

Hình 3.1 Sơ đồ chức năng hệ thống rút gọn câu tiếng Việt 37

Hình 3.2 Biểu đồ Use case tổng quát 38

Hình 3.3 Văn bản đã chuẩn hóa 39

Hình 3.4 Hệ thống vlsp 40

Hình 3.5 Cơ sở dữ liệu của hệ thống 41

Hình 3.6 Giao diện huấn luyện của hệ thống 42

Hình 3.7 Kết quả rút gọn câu 42

Hình 3.8 Cửa sổ chọn file 43

Hình 3.9 Chức năng quản lý từ điển 43

Trang 7

DANH MỤC BẢNG BIỂU

Bảng 2.1 Mô tả tần suất từ 21

Bảng 2.2 Câu tương ứng 21

Bảng 2.3 Xác suất điều kiện 22

Bảng 3.1 Danh sách từ chủ đề trong kho ngữ liệu 40

Bảng 3.2 Bảng thực nghiệm 44

Trang 8

MỞ ĐẦU

Thông tin đã đóng vai trò cực kỳ quan trọng trong xã hội hiện đại Lượng lớn thông tin được tạo ra và đưa lên Internet hàng này mang lại cho con người những tiện ích tra cứu thông tin Các hệ thống tìm kiếm, tra cứu được nghiên cứu, đề xuất và xây dựng thỏa mãn phần nào yêu cầu của người dùng đặt ra trong hiện tại Tuy nhiên, do số lượng thông tin quá nhiều, kết quả thường trả về hàng triệu tới hàng trăm triệu bản ghi tương đương với câu truy vấn mà người dùng nhập vào

Tóm tắt văn bản là kỹ thuật cho phép máy tính tự động tạo ra văn bản tóm tắt từ một hoặc nhiều văn bản gốc khác nhau Nhờ tính năng tóm tắt nội dung chính và tổng hợp nội dung quan trọng từ các văn bản gốc mà tóm tắt văn bản là một trong những lĩnh vực được các nhà nghiên cứu quan tâm từ những năm 60 của thế kỷ 20 và vẫn là chủ đề nóng của các diễn đàn, hội thảo trên thế giới

Các phương pháp tóm tắt văn bản truyền thống thường dựa trên cách tiếp cận trích rút câu Có nghĩa, văn bản tóm tắt được tạo thành từ những câu

đã được lựa chọn từ trong văn bản gốc Do đó, về mặt ngữ nghĩa và nội dung của văn bản tóm tắt thường rời rạc, dẫn đến văn bản thiếu độ liền mạch

(coherence) và súc tích (concise)

Một số các phương pháp tóm tắt hiện đại thường đề cập tới vấn đề xử

lý ngôn ngữ tự nhiên để văn bản tóm tắt có độ ngôn ngữ (linguistic score) tốt,

đồng thời phản ánh liền mạch nội dung của văn bản gốc Một trong những kỹ thuật đó là kỹ thuật rút gọn câu Với kỹ thuật rút gọn câu hiện nay, có sử dụng

cả hai kỹ thuật học giám sát và không giám sát Trong cách học giám sát, các tác giả thường đề cập tới mô hình học thống kê và yêu cầu xây dựng kho dữ liệu dùng cho huấn luyện tương đối tỉ mỉ theo cách thủ công Để xây dựng được kho dữ liệu này, cần nhiều thời gian và công sức theo cách thủ công Bên cạnh đó, các thuật toán trong các phương pháp rút gọn câu chủ yếu là tìm

Trang 9

kiếm những câu rút gọn tương đương trong kho dữ liệu có sẵn, dẫn tới độ phức tạp thuật toán cao

Trong khuôn khổ đề tài luận văn, tôi sử dụng cách tiếp cận rút gọn câu dựa trên phương pháp học không giám sát để:

- Tiết kiệm tối đa chi phí khi xây dựng kho ngữ liệu thủ công

- Giảm độ phức tạp tính toán về mặt thời gian

Luận văn được chia thành 3 chương với các nội dung sau:

Chương 1: Tổng quan về tóm tắt văn bản dựa trên cách tiếp cận rút gọn câu

Chương 2: Phương pháp rút gọn câu dựa trên phương pháp học không giám sát

Chương 3: Xây dựng ứng dụng rút gọn câu dựa trên phương pháp học không giám sát

Trang 10

Chương 1:

TỔNG QUAN VỀ TÓM TẮT VĂN BẢN DỰA TRÊN CÁCH TIẾP CẬN RÚT GỌN CÂU

Trong chương này, tôi trình bày các khái niệm, định nghĩa cơ bản về tóm tắt văn bản, tổng quan về các phương pháp tóm tắt văn bản Các cách tiếp cận và phương pháp đánh giá của tóm tắt

1.1 Tổng quan bài toán tóm tắt văn bản

1.1.1 Tổng quan

1.1.1.1 Khái niệm

Sự gia tăng nhanh chóng của dữ liệu trên Internet đã mang lại cho người dùng những tiện ích to lớn Tra cứu, tìm kiếm thông tin, các ứng dụng

về bán hàng, giao dịch trao đổi thông tin qua Internet

Tóm tắt văn bản thuộc lĩnh vực xử lý ngôn ngữ tự nhiên Trải qua hơn nửa thế kỷ phát triển tới ngày nay, tóm tắt văn bản vẫn được coi là một trong những chủ đề quan trọng của các hội thảo, hội nghị được nhiều các học giả, chuyên gia, nhà nghiên cứu quan tâm

Các hội thảo chủ đề xử lý ngôn ngữ tự nhiên thường niên cũng bao gồm các chủ đề (track) liên quan đến tóm tắt văn bản như động (WAS

2000, 2001, 2002), nhiều chủ đề đặc biệt trong các hội thảo ACL, COLING, SIGIR đã được tổ chức Chính phủ của nhiều nước trên thế giới như Nhật, Mỹ, Anh, Trung Quốc, đã đầu tư rất nhiều kinh phí cho việc phát triển các hệ thống tóm tắt văn bản tự động trực tuyến (online) và ngoại tuyến (offline)

Trang 11

Hình 1.1 Hệ thống tóm tắt trực tuyến Text compactor

Hình 1.1 là hình ảnh của hệ thống tóm tắt trực tuyến Text Compactor thao tác bằng cách nhập một văn bản và lựa chọn tỉ lệ tóm tắt sẽ có được văn bản tóm tắt có chiều dài tương ứng với tỉ lệ Tỉ lệ tóm tắt này được tính bởi công thức (1-1) dưới đây:

R= (chiều dài văn bản tóm tắt/chiều dài văn bản gốc)*100% (1-1) Hình 1.2 dưới đây là hình ảnh của hệ thống tóm tắt ngoại tuyến Gnome Văn bản tóm tắt là các câu được lựa chọn có màu vàng

Hình 1.2 Hệ thống tóm tắt ngoại tuyến

Trang 12

Radev và các cộng sự đã định nghĩa tóm tắt là một sản phẩm tổng hợp

từ một hoặc nhiều văn bản lưu giữ các thông tin quan trọng, có ích từ văn bản gốc và không dài quá nửa văn bản gốc Như vậy có ba vấn đề chính khi tóm tắt văn bản cần phải đạt được:

- Tóm tắt từ một hoặc nhiều văn bản

- Tóm tắt giữ lại các thông tin quan trọng

- Tóm tắt phải ngắn gọn

Định nghĩa 1.1 [Tóm tắt văn bản (Text summarization)]: Tóm tắt

văn bản là quá trình rút ra những thông tin quan trọng từ một văn bản để tạo thành một văn bản ngắn gọn hơn theo nhiệm vụ cụ thể và yêu cầu của người sử dụng [5]

Những nghiên cứu sớm nhất về tóm tắt văn bản được đề xuất bởi Luhn vào năm 1958, tại Viện nghiên cứu của IBM, trong phương pháp của mình, Luhn

đã co tần suất là đặc trưng chính trong một văn bản và cũng là độ đo quan trọng

có ý nghĩa Ý tưởng này đã mở đầu cho các công trình liên quan sau này Luhn đã biên dịch từ một danh sách các từ chứa nội dung (content words) được sắp xếp theo tần xuất giảm dần và đánh chỉ số độ đo quan trọng của chúng Ở mức một câu, nhân tố quan trọng (significance factor) được dựa trên độ đo quan trọng của các từ có mặt trong câu đó và khoảng cách giữa chúng với các từ có độ đo quan trọng thấp Tất cả các câu được sắp xếp theo thứ tự của nhân tố quan trọng và các câu có vị trí cao nhất sẽ được lựa chọn trong hệ thống tóm tắt tự động [36]

Một nghiên cứu liên quan khác của Baxendale cũng được đề xuất vào năm 1958 tại viện nghiên cứu IBM và công bố trong cùng một tạp chí, cung cấp một góc nhìn khác khi tập trung vào tìm kiếm các thành phần ngữ nghĩa ngầm của các văn bản: Vị trí câu Theo mục đích này, tác giả đã thu tập 200 đoạn để tìm ra tới 85% trong các đoạn đó, các câu chủ đề nằm ở vị trí đầu đoạn và 7% nằm ở vị trí cuối đoan Do đó, đơn giản nhất sẽ chọn câu đứng ở đầu đoạn hoặc cuối đoạn để tạo ra tóm tắt Đặc trưng về vị trí câu cũng là một trong những đặc trưng tổ hợp trong các hệ thống tóm tắt dựa trên máy học sau này [37]

Trang 13

Nghiên cứu cơ bản của Edmundson năm 1969, mô tả một hệ thống sinh ra văn bản tóm tắt dựa trên cách tiếp cận trích rút câu Đầu tiên tác giả phát trieernn một giao thức để tạo trích rút thủ công ứng dụng cho một tập gồm 400 văn bản

kỹ thuật Tiếp theo, các đặc trưng tần suất từ và vị trí quan trọng được sử dụng lại từ các nghiên cứu trước và bổ sung thêm 2 đặc trưng nữa Trọng số câu được tính toán giựa trên các đặc trưng này Khi đánh giá, độ chính xác của phương pháp tương đương với 44% so với trích rút thủ công [38]

1.1.1.2 Phân loại tóm tắt

Tuỳ theo yêu cầu và mục đích sử dụng, tóm tắt văn bản được phân thành các kiểu khác nhau:

- Tóm tắt trình bày (indicative summary),

- Tóm tắt thông tin (informative summary),

- Tóm tắt hướng truy vấn (queries –oriented summary),

- Tóm tắt khái lược (generic summary),

- Tóm tắt dựa trên trích rút câu (extraction summary)

- Tóm tắt dựa trên trừu tượng (abstraction summary)

Trong các kiểu tóm tắt văn bản này, tóm tắt trình bày quan tâm tới diễn giải văn bản mà bỏ qua ngữ cảnh, tóm tắt thông tin đưa ra tóm tắt nội dung ở dạng ngắn nhất Tóm tắt hướng truy vấn chỉ đưa ra nội dung mà người đọc quan tâm Tóm tắt khái lược đưa ra tổng quan văn bản, tóm tắt dựa trên trích rút trích chọn ra những phần quan trọng trong văn bản như câu, mệnh đề, thuật ngữ, Tóm tắt dựa trên trừu tượng (rút gọn câu) tạo ra một văn bản tóm tắt đảm bảo về mặt cú pháp, ngữ nghĩa, câu được xử lý một cách tinh vi Văn bản tóm tắt dựa trên rút gọn câu mang lại hiệu quả cao về mặt ngôn ngữ

Các phương pháp tóm tắt văn bản được đề xuất thường sử dụng tiếp cận tóm tắt theo dựa trên trích rút câu Lý do là cách tiếp cận tóm tắt dựa trên trích rút câu dễ dàng thực hiện hơn so với cách tiếp cận tóm tắt dựa trên rút gọn câu Tuy nhiên, sử dụng cách tiếp cận tóm tắt văn bản dựa trên trích rút

Trang 14

câu thường cho kết quả là những văn bản tĩm tắt với thơng tin ít liền mạch hơn theo cách tiếp cận tĩm tắt dựa trên rút gọn câu Chính vì điều này, hướng nghiên cứu tĩm tắt dựa trên rút gọn câu ngày càng thu hút nhiều sự quan tâm của giới chuyên mơn

1.1.2 Một số phương pháp tĩm tắt văn bản

1.1.2.1 Một số phương pháp tĩm tắt văn bản điển hình

- Phương pháp tĩm tắt văn bản bằng Nạve Bayes:

Kupiec (1995) đã mơ tả một phương pháp bắt nguồn từ Edmundson (1969) đĩ là học từ dữ liệu Sử dụng hàm phân loại mỗi câu về các lớp khác nhau Giả sử s là 1 câu, S là tập các câu tạo nên văn bản tĩm tắt, và F1…Fk là các đặc trưng Những đặc trưng dựa trên phương pháp Edmundson (1969) và được bổ sung thêm một số các đặc trưng khác : chiều dài câu và sự xuất hiện của từ viết hoa Mỗi câu sau khi tính tốn sẽ cĩ một giá trị nhất định, và được sắp xếp theo thứ tự giảm dần, chỉ cĩ n câu đứng đầu được trích rút Để đánh giá hệ thống Kupiec đã sử dụng một kho dữ liệu văn bản bao gồm các tài liệu

kỹ thuật cùng với các văn bản tĩm tắt đã được tĩm tắt bởi con người

Aoen và các cộng sự (1999) cũng sử dụng phương pháp phân loại của nạve- Bayes, nhưng thêm vào đĩ 1 số đặc trưng Họ xây dựng 1 hệ thống gọi

là DimSum được dựa trên các đặc trưng: như tần suất từ (tf) và tần suất nghịch đảo văn bản (idf) để thu được các từ quan trọng idf được tính từ trong tập dữ liệu lớn các văn bản trọng tâm cùng chủ đề Họ cũng thực hiện một số phân tích bề mặt như tồn tại độ tương tự nhau giữa các câu trong văn bản, duy trì súc tích Các thống kê tên viết tắt trong văn bản tựa như U.S thành United States hoặc IBM là International Business Machines Từ đồng nghĩa và hình thái từ cũng được sử dụng trong khi xem xét thuật ngữ từ vựng, nhận dạng sử dụng Wordnet ( Miler, 1995 ) Kho dữ liệu sử dụng trong thực nghiệm được lấy từ các trang tin, và đánh giá dựa vào TREC

Trang 15

- Phương pháp tĩm tắt văn bản bằng cây quyết định

Lin và Hovy (1997) đã nghiên cứu 1 đặc trưng rất quan trọng, vị trí của câu Độ quan trọng của câu bằng chính vị trí của nĩ trong văn bản, tác giả đã gọi

là “position method”, nảy sinh từ ý tưởng rằng các văn bản sinh ra một cấu trúc diễn ngơn, và một câu gần chủ đề hơn khuynh hướng tập trung xuất hiện trong vị trí cĩ thể định được ( ví dụ tiêu đề, abstract …) Do đĩ, cấu trúc diễn ngơn quan trọng thay đổi theo lĩnh vực, đặc trưng vị trí câu khơng thể được định nghĩa đơn giản như ( Baxendale, 1958) Nghiên cứu này đã cĩ một đĩng gĩp quan trọng bằng kỹ thuật xác định vị trí tối ưu và cách đánh giá thế nào cho hiệu quả Một kho dữ liệu tin tức lớn được sử dụng, kho được sưu tập bởi Zif-Davis từ chương trình TIPSTER, nĩ bao gồm văn bản về máy tính (computer) và liên quan tới phần cứng, thêm vào là tập các từ khĩa chủ đề và abstract nhỏ khoảng 6 câu Cĩ

2 cách đánh giá được sử dụng là precision và recall

Trong nghiên cứu tiếp theo của Lin (1999) đã bác bỏ giả thiết rằng các đặc trưng là độc lập lẫn nhau và đã đưa ra mơ hình trích rút câu sử dụng cây quyết định thay thế cho phân loại nạve – bayes Lin đã khảo sát rất nhiều đặc trưng và hiệu ứng của chúng trong trích rút câu Dữ liệu được sử dụng trong cơng việc này được sử dụng tập dữ liệu văn bản chuẩn, đã được phân loại theo các chủ đề khác nhau, cung cấp bởi hệ thống đánh giá TIPSTER- SUMMAC Các thực nghiệm mơ tả là hệ thống SUMMARIST được phát triển tại Trường đại học Southern California

- Phương pháp tĩm tắt văn bản bằng mạng nơ ron

Svore và các cộng sự ( 2007 ) đưa ra 1 thuật tốn dựa trên mạng neural

và sử dụng tập dữ liệu đưa ra để giải quyết vấn để tĩm tắt trích rút, tốt hơn tiêu chuẩn thống kê các đặc trưng quan trọng

Các tác giả đã sử dụng tập dữ liệu bao gồm 1365 tài liệu thu thập được

từ CNN.com, mỗi tài liệu bao gồm tiêu đề, timestamp, các đoạn quan trọng do con người tạo ra và văn bản Con người tạo ra đoạn quan trọng khơng đúng

Trang 16

theo nguyên văn trích rút từ trong bài báo Svore đã huấn luyện 1 mô hình từ các nhãn và các đặc trưng cho mỗi câu trong bài báo, có thể suy luận ra sắp xếp của các câu trong văn bản kiểm tra Sắp xếp được hoàn thành sử dụng RankNet ( Burges et al.,2005), một cặp dựa trên thuật toán mạng neural thiết

kế để sắp xếp 1 tập đầu vào sử dụng phương pháp giảm gradient trong huấn luyện Với tập huấn luyện họ sử dụng ROUGE-1 ( Lin, 2004 ) để tính độ tương tự của các câu trong văn bản và đoạn được viết bởi con người Những

độ tương tự này được sử dụng như 1 nhãn mềm trong suốt quá trình huấn luyện, khác với những đề cập khác các câu là các nhãn cứng

- Phương pháp phân tích ngôn ngữ tự nhiên mức sâu

Đây là kỹ thuật phân tích bao gồm phân tích ngôn ngữ tự nhiên Phần lớn những kỹ thuật này cố gắng tạo ra 1 mô hình văn bản súc tích liền mạch

Barzilay và Elhadad (1997) đã mô tả 1 công việc sử dụng việc xem xét phân tích ngôn ngữ để nâng cao hiệu năng tóm tắt Trong đó chuỗi từ vựng (lexical chains) được sử dụng rất nhiều : nó là một chuỗi các từ liên quan trong văn bản , các từ kề nhau hoặc các câu hoặc chiều dài khoảng cách ( toàn

bộ văn bản ) Phương pháp này được thực hiện với các bước sau: tách văn bản, nhận dạng chuỗi từ vựng và sử dụng các chuỗi từ vựng để nhận dạng các câu thích hợp để trích rút Họ cố gắng sử dụng kết hợp cả phương pháp phân tích thống kê và cả cấu trúc ngữ nghĩa của văn bản

Các tác giả mô tả khái niệm súc tích trong văn bản có nghĩa móc nối các thành phần khác nhau của văn bản Ví dụ trong câu

John bought a Jag He loves the car

Ở đây, từ car xem xét tới từ Jag trong câu trước và ví dụ minh họa súc tích từ vựng Hiện tượng súc tích xảy ra không chỉ ở mức từ nhưng cũng không chỉ ở mức các chuỗi từ, kết quả trong các chuỗi từ vựng, các tác giả đã

sử dụng một nguồn biểu diễn tóm tắt Các từ liên quan và chuỗi các từ liên quan ngữ nghĩa được nhận dạng trong văn bản, và một vài chuỗi được trích

Trang 17

rút để biểu diễn văn bản Để tìm ra các chuỗi từ vựng, các tác giả sử dụng Wordnet (Miller, 1995 ) ứng dụng 3 bước sau đây:

1 Chọn tập các từ ứng cử

2 Đối với mỗi từ ứng cử, tìm ra chuỗi tương ứng dựa vào một tiêu chuẩn liên quan giữa các thành viên của các chuỗi

3 Nếu tìm thấy, chèn từ trong chuỗi và cập nhật nó

Sự tương thích được đo dựa vào Wordnet Các danh từ đơn và danh từ ghép được sử dụng như một điểm bắt đầu tới tập ứng cử Trong bước cuối cùng, các chuỗi từ vựng tốt sẽ được sử dụng để tạo ra các tóm tắt Các chuỗi

từ vựng được tính trọng số bằng chiều dài Sau đó, tác giả chọn ra các câu quan trọng

Trong bài báo khác, Ono và các cộng sự ( 1994) tiến tới một mô hình tính toán đoạn diễn thuyết cho bài văn tiếng Nhật, trong đó họ thực nghiệm một cách cẩn thận các thủ tục trích rút cấu trúc tu từ trong diễn thuyết, một cây nhị phân biểu diễn quan hệ giữa các câu ( cây cấu trúc tu từ được sử dụng trong Marcu,1998) Cấu trúc này đã trích rút sử dụng chuỗi các bước

xử lý ngôn ngữ tự nhiên: phân tích câu, trích rút quan hệ tu từ, tách, sinh ra các ứng cử viên và ưu tiên lời phê bình Đánh giá đã dựa trên độ quan trọng tương đối của các quan hệ tu từ Trong bước tiếp theo, các nút của cây cấu trúc tu từ được tỉa để rút gọn câu, giữ lại những thành phần quan trọng Thực hiện tương tự cho các đoạn cuối cùng được tóm tắt Đánh giá đã thực hiện trên các câu tinh và 30 bài báo biên dịch của bản tin tiếng Nhật đã được sử dụng như tập dữ liệu

Marcu (1998) đã mô tả một tiếp cận tóm tắt không giống các phương pháp cũ, không giả thiết giả thiết rằng các câu trong một tài liệu tạo thành 1 chuỗi Bài báo này sử dụng diễn thuyết dựa trên khám phá các đặc trưng truyền thống đã được sử dụng trong tóm tắt bài luận Diễn thuyết được sử dụng trong bài báo này là Thuyết cấu trúc tu từ

Trang 18

Marcu (1998) mô tả chi tiết thủ tục phân tích tu từ thành cây tu từ Hình 1.3 minh họa 1 ví dụ cây diễn thuyết trong văn bản

Hình 1.3 Cây cấu trúc tu từ

Các số trong các nút cho thấy số câu trong văn bản ví dụ Văn bản phía dưới của số trong các nút được lựa chọn là các quan hệ tu từ Các nút có dấu chấm là thứ yếu và các nút thường là trung tâm

- Phương pháp tóm tắt ngắn

Wibrock và Mittal (1999) khẳng định rằng tóm tắt trích rút không thực

sự tốt trong đó, các trích rút không đủ súc tích khi văn bản tóm tắt là ngắn Chúng biểu diễn một hệ thống tóm tắt như dạng sinh ra các tiêu đề Kho dữ liệu

sử dụng trong nghiên cứu này là các bài báo tin tức từ Reuters và Associate Press, sẵn có tại LDC Hệ thống học theo mô hình thống kê các quan hệ giữa các khối văn bản nguồn và khối tiêu đề Cố gắng để mô hình cả hai loại và khả năng xuất hiện của các tokens trong các tài liệu đích Cả hai mô hình, một cho trích chọn nội dung và một mô hình khác cho thực hiện bề mặt

Mô hình trích chọn nội dung là mô hình học từ văn bản và tóm tắt (Brown, 1993 ) Mô hình này là mô hình đơn giản nhất thông qua việc ánh xạ giữa một từ trong văn bản và một vài từ khả năng xuất hiện trong văn bản tóm tắt Để đơn giản mô hình này, tác giả đã giả thiết xác suất xuất hiện của một

từ trong văn bản tóm tắt phụ thuộc vào cấu trúc của nó

Trang 19

Mô hình thực hiện bề mặt là mô hình bigram Viterbi tìm kiếm được sử dụng hiệu quả để tối ưu tóm tắt Giả thiết Markov ảnh hưởng bằng cách sử dụng backtracking tại mọi trạng thái để tạo đường dẫn liên tục tốt nhất Để đánh giá hệ thống, tác giả so sánh đầu ra của nó với tiêu đề thực tế trong tập các văn bản đầu vào

1.1.2.2 Một số dự án nghiên cứu về tóm tắt văn bản

Các trung tâm, viện nghiên cứu cũng đề xuất và theo đuổi những dự án tóm tắt văn bản, một số dự án cơ bản dưới đây

- Dự án Tóm tắt văn bản:

Được trường Đại học Ottawa nghiên cứu sử dụng kỹ thuật máy học để nhận dạng ra các từ khóa Việc nhận dạng các từ khóa có thể dùng để lựa chọn các câu trích rút Họ sử dụng các đặc trưng bề mặt mức phân tích tần suất và đặc trưng ngôn ngữ bề mặt như vị trí câu

Trang 20

- Dự án ISI Summarist:

Summarist là sản phẩm tóm tắt các văn bản trên web được trường Đại học Nam California nghiên cứu và phát triển Nó được dùng như công cụ lưu giữ các tin tức mới của bất kỳ ngôn ngữ nào Summarist đầu tiên nhận dạng các chủ đề của văn bản sử dụng kỹ thuật thống kê dựa vào các đặc trưng như

vị trí và đếm các từ Hiện nay dự án này sử dụng cụm từ và cấu trúc tu từ Cách tiếp cận tóm tắt sử dụng trích rút câu

- Dự án TRESTLE:

Đại học Seffield phát triển sản phẩm này dùng để tóm tắt các văn bản tin tức Hệ thống sử dụng MUC để trích rút văn bản và sinh ra tóm tắt, sử dụng can thiệp ngôn ngữ tự nhiên ở mức sâu

1.2 Tóm tắt văn bản dựa trên cách tiếp cận rút gọn câu

1.2.1 Khái niệm rút gọn câu

Tóm tắt văn bản dựa trên cách tiếp cận rút gọn câu được coi là một trong những hướng nghiên cứu quan trọng trong lĩnh vực xử lý ngôn ngữ tự nhiên Với cách tiếp cận trích rút câu thông thường, văn bản tóm tắt thường

là văn bản có độ rời rạc cao do được tổng hợp từ các câu trong văn bản gốc, thì cách tiếp cận rút gọn câu mở ra một góc nhìn mới khi văn bản tóm

Trang 21

tắt vẫn liền mạch, súc tích chỉ có các câu được rút gọn sao cho nội dung câu vẫn đảm bảo giữ lại các nội dung chính từ câu gốc, và tính ngữ pháp của câu vẫn ổn định Có một số khác biệt với hai cách tiếp cận thể hiện ở một vài đặc điểm khi rút gọn câu:

- Thứ nhất, phức tạp về độ tính toán và ngữ nghĩa câu: nếu coi việc xác định các câu quan trọng là ở mức câu (sentence level), thì xác định các từ quan trọng để lưu giữ lại trong quá trình xử lý rút gọn là ở mức từ (word level) Do đó, độ phức tạp về mặt tính toán cũng như về nội dung và ngữ nghĩa của câu cũng cao hơn so với cách tiếp cận trích rút câu

- Đặc điểm thứ hai của rút câu là khó khăn trong nhận xét, đánh giá hệ thống Bởi các hệ thống đánh giá hiện tại mới chỉ sử dụng ở mức đánh giá bề mặt (surface) mà chưa đánh giá ngôn ngữ ở mức sâu (deep language)

Vấn đề rút gọn câu được mô tả là có một câu gốc x gồm các từ x = x 1 ,

x 2 , ,x n và câu rút gọn là y đã được loại bỏ tập con các từ trong x

Định nghĩa 1.2 [Rút gọn câu]:

Rút gọn câu là việc loại bỏ các đoạn, mệnh đề các từ không liên quan tới thông tin của câu ra khỏi câu Câu sau khi rút gọn vẫn giữ nguyên ý chính của câu gốc, có độ dài ngắn hơn và đảm bảo về mặt ngữ pháp

Ví dụ 1.1

Câu gốc: Sau khi có bàn thắng khai hỏa trong mùa giải mới cùng Real, chân sút 28 tuổi tiếp tục thể hiện phong độ ấn tượng trong màu áo tuyển quốc gia ở vòng loại World Cup 2014

Câu rút gọn: Sau khi có bàn thắng trong mùa giải cùng Real, chân sút tiếp tục thể hiện phong độ trong màu áo quốc gia ở vòng loại World Cup 2014

Ở ví dụ 1.1 trên đây, câu rút gọn đã được loại bỏ đi một số từ không liên quan trong câu gốc mà không ảnh hưởng tới nội dung của câu gốc, chiều dài của câu rút gọn cùng giảm hơn so với chiều dài câu gốc là 80% Các từ đã

loại bỏ bao gồm: khai hỏa, mới, 28 tuổi, ấn tượng tuyển

Trang 22

1.2.2 Một số phương pháp rút gọn câu

Các hệ thống tóm tắt cũ dựa chủ yếu vào trích rút câu, trong khi đó tóm tắt dựa trên rút gọn câu chỉ mới được nghiên cứu từ những năm 2000 Rút gọn câu được ứng dụng trong nhiều lĩnh vực khác nhau như: phục vụ hiển thị văn bản trên nền màn hình PDA , sinh tiêu đề tự động…

Nghiên cứu về rút gọn câu của Knight và Marcu

Trong nghiên cứu của Knight và Marcu, họ đã xây dựng một kho dữ liệu tiêu chuẩn và đề xuất phương pháp đánh giá cho rút gọn câu Họ sử dụng kho dữ liệu của Ziff – Davis với hơn 4000 tài liệu kỹ thuật và trích rút được

1,067 cặp câu gốc- rút gọn Nhiệm vụ được xác định là cho một câu dài l, nén theo phiên bản c và giữ lại nghĩa của câu, ngữ pháp tốt Họ cũng đề xuất hai

kỹ thuật học khác nhau để sinh ra câu rút gọn, một phương pháp sử dụng kênh

nhiễu (noisy chanel), phương pháp còn lại sử dụng cây quyết định

Nghiên cứu rút gọn câu, sử dụng mô hình Markov ẩn

Trong công bố của Le Nguyen và Ho năm 2004, có hai thuật toán rút gọn câu được đề xuất Một phương pháp dựa trên học mẫu dịch – thừa kế từ kỹ thuật dịch máy, phương pháp còn lại học các luật biến đổi từ vựng bằng cách xây dựng tập gồm 1,500 cặp (câu, câu rút gọn) Họ sử dụng mô hình Markov

ẩn để tìm ra các luật phù hợp nhất ứng với từng trường hợp Ngoài ra, còn có nghiên cứu liên quan tới mô hình Markov ẩn của Jing trong rút gọn câu

Phương pháp rút gọn câu dựa trên cây cú pháp

Phương pháp rút gọn câu dựa trên cây cú pháp được đề xuất bởi Knight

và Marcu, Unno và cộng sự Trevor Cohn và Mirella Lapata đã sử dụng phương pháp đồng bộ phi ngữ cảnh để đánh giá tốt hơn các qui tắc xác suất để

áp dụng tốt trong rút gọn câu dựa vào phân tích cây cú pháp

Phương pháp rút gọn câu dựa trên học không giám sát

Một số các công bố về rút gọn câu dựa trên học không giám sát Trong công bố của Turner và Charniak đã sử dụng mô hình học không giám sát, trong đó dữ liệu huấn luyện được trích rút tự động từ kho ngữ liệu PennTreebank

Trang 23

1.3 Đánh giá tóm tắt

1.3.1 Đánh giá theo cách thủ công

Hội thảo DUC (Document Understanding Conferrence) đã đưa ra đánh giá về các hệ thống tóm tắt trên tập dữ liệu dùng chung kể từ năm 2001 Nhiều chuyên gia phát triển những phương pháp đánh giá khác nhau Đánh giá của hội thảo DUC dựa trên chuyên gia con người Do đó, chỉ dùng chú thích của một người tạo các mô hình với tập dữ liệu kiểm tra khác nhau

1.3.2 Phương pháp đánh giá BLEU

Độ đo BLEU (Bilingual Evaluation Under Study) do Papineni và cộng

sự đề xuất năm 2001 Trong độ đo này họ sử dụng trọng số xuất hiện n-gram BLEU gắn với NIST (National Institute of Standards and Technology) Một phương pháp liên quan đến đánh giá tóm tắt tự động và được gọi là độ đo NIST NIST là phương pháp dựa trên BLEU

Ý tưởng chính của BLEU là đánh giá độ tương tự giữa một văn bản ứng cử (candidate) và tập các bản tham khảo dưới dạng trung bình có trọng số của các n-gram trong văn bản cho bởi hệ thống và trong tập các văn bản tham khảo được cho bởi con người theo công thức (1-1) như sau:

gram n

Count

gram n

Count p

) (

Trang 24

1.3.3 Phương pháp đánh giá ROUGE

Các phương pháp đánh giá tóm tắt truyền thống thường gắn với đánh giá thủ công do chuyên gia con người thực hiện thông qua một số độ đo khác nhau, chẳng hạn: mức độ súc tích, mức độ liền mạch, ngữ pháp, mức độ dễ đọc và nội dung Tuy nhiên, phương pháp đánh giá kết quả tóm tắt thủ công được báo cáo tại hội thảo DUC 2003 đòi hỏi hơn 3000 giờ Chi phí này quá cao Vì thế, đánh giá tóm tắt tự động là một yêu cầu cấp thiết Lin và Hovy đề xuất một phương pháp đánh giá mới gọi là ROUGE (Recall-Oriented Understudy for Gisting Evaluation) Hiện nay phương pháp đo này được sử dụng như một phương pháp chuẩn đánh giá kết quả tóm tắt tự động cho văn bản tiếng Anh

Một cách hình thức, ROUGE-N là một độ đo đối với các n-gram trong văn bản tóm tắt ứng viên và trong tập các văn bản tóm tắt tham khảo, được tính theo công thức (1-2) ở dưới đây

maries ferenceSum S

n S

gram

maries ferenceSum S

n S

gram

match

gram Count

N ROUGE

)(

(1-2)

Trong công thức (1-2), n biểu thị cho chiều dài của n-gram, gramn và Countmatch(gramn) là số chuỗi n-gram lớn nhất xuất hiện trong văn bản tóm tắt ứng viên và tập các văn bản tóm tắt tham khảo

1.4 Kết luận chương 1

Trong chương này, tôi đã trình bày các khái niệm cơ bản về tóm tắt văn bản, các nghiên cứu ban đầu về tóm tắt và những nghiên cứu liên quan theo suốt thời gian từ những năm 50 của thế kỷ 20 Một số phương pháp điển hình của tóm tắt văn bản đồng thời phân loại cách tiếp cận tóm tắt khác nhau trong tóm tắt văn bản

Rút gọn câu được coi như một giải pháp mới nhằm thay thế các hệ thống

cũ có chất lượng tóm tắt kém Chương 1 của luận văn cũng đề cập tới một số các

kỹ thuật rút gọn câu cơ bản và đưa ra một số lý thuyết về đánh giá tóm tắt

Trang 25

2.1 Máy học và mô hình n-grams

2.1.1 Khái niệm máy học

Từ những năm 90, khi máy học được đưa vào ứng dụng, các nghiên cứu ra đời kết hợp với trào lưu của máy học, có thể khẳng định rằng máy học

đã mang lại những hiệu quả to lớn so với các phương pháp trước Đặc biệt trong những vấn đề trích rút ra tri thức từ dữ liệu

Định nghĩa 2.1 [Máy học (Machine Learning)]

Máy học là một chương trình máy tính cho phép tối ưu hiệu năng công việc thông qua sử dụng dữ liệu mẫu hoặc các kinh nghiệm từ quá khứ [29]

Học được sử dụng khi thiếu chuyên gia con người, hay con người gặp khó khăn khi giải thích một vấn đề nào đó, hoặc để giải quyết các vấn đề thay đổi theo thời gian hay cần thiết phải giải quyết được thích ứng với những trường hợp đặc biệt Máy học được ứng dụng trong nhiều ngành khoa học khác nhau, đặc biệt những lĩnh vực cần phân tích dữ liệu lớn như xử lý ngôn ngữ tự nhiên (Natural Language Processing), Nhận dạng mặt người (Face Recognition), chẩn đoán bệnh, công nghiệp người máy,

Học có thể coi như là quá trình tìm một hàm ánh xạ từ X sang Y, trong

đó X là đầu vào và Y là đầu ra mong muốn Học được chia thành ba kỹ thuật

Trang 26

chính: Học có giám sát (supervised learning), không giám sát (unsupervised learning) và học tăng cường (reinforcement learning):

- Học có giám sát: Giả sử có một tập mẫu huấn luyện dưới dạng các

cặp (đặc trưng, nhãn) {(x1, y1), , (xn, yn)} Vấn đề của học giám sát là xác định nhãn y của một đầu vào đặc trưng x bất kỳ Các mô hình học giám sát điển hình: cây quyết định, mạng noron, mô hình Markov ẩn, mạng Bayes, SVM (Support Vector Machines),…Học giám sát được ứng dụng nhiều trong các bài toán phân loại, nhận dạng mẫu,…

- Học không giám sát: Trong học không giám sát, chỉ có một tập các

đặc trưng đầu vào {x1, x2 , xn} nhưng không có nhãn đầu ra tương ứng Vấn đề đặt ra là đưa ra một cách thức, cơ chế tổ chức các đặc trưng đầu vào Điển hình của học không giám sát là phân cụm Ưu điểm của học không giám sát là kho dữ liệu huấn luyện không cần quá lớn Học không giám sát được ứng dụng trong các bài toán phân cụm, dự báo,

- Học tăng cường: Hệ thống học quan sát môi trường x, thực hiện hành

động a và nhận được giá trị r Mục đích là chọn hành động để nhận được giá

trị r tốt nhất trong tương lai

2.1.2 Mô hình n-grams

Mô hình n-grams được sử dụng khi dùng dự đoán một từ tiếp theo khi biết từ ( chuỗi từ) hiện tại hoặc để xây dựng một mô hình ngôn ngữ (language model) Lý thuyết cơ bản được mô hình n-grams sử dụng là lý thuyết xác suất

Lý thuyết này dùng tính toán từ đứng tiếp theo trong chuỗi gồm n từ khi ta mới chỉ biết n-1 từ [14]

Ví dụ 2.1: Tính toán xác suất của từ w với một lịch sử h đã cho hay còn gọi là P(w|h) Giả thiết rằng lịch sử h là “its water is so transparent that”” và

ta muốn biết xác suất của từ tiếp theo là the:

P(the|its water is so transparent that)

Trang 27

Làm thế nào có thể tính được xác suất trên? Một các là đếm tần suất

Ví dụ, ta cần sử dụng một kho ngữ liệu lớn, đếm số lần ta nhìn thấy “the

water is so transparent that” và đếm số lần chuỗi từ đó kèm theo the Tiếp

theo tính xác suất:

nt that) transpare

so is water C(its

e)

nt that th transpare

so is water C(its