hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt - Anh - Hoa

nghiên cứu về hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt - Anh - Hoa

Trang 1

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa

MỤC LỤC

MỤC LỤC 1

MỞ ĐẦU 3

Chương 1: TỔNG QUAN 5

1.1 Giới thiệu mô hình tìm kiếm thông tin (Information Retrieval): 5

1.2 Hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR): 9

1.2.1 Khái niệm: 9

1.2.2 Các vấn đề của CLIR: 10

1.3 Các hướng tiếp cận: 11

1.3.1 Dịch máy (Machine Translation for Text Translation): 11

1.3.2 Dựa trên từ điển đa ngữ (Multilingual Thesauri): 14

1.3.3 Dựa trên ngữ liệu (Corpus-based techniques): 22

1.4 Một số công trình nghiên cứu trong và ngoài nước: 30

1.4.1 Ở Việt Nam: 30

1.4.2 Trên thế giới: 31

1.5 Kết luận: 32

Chương 2: CƠ SỞ LÝ THUYẾT 35

2.1 Giới thiệu về MRD (Machine Readable Dictionary) 35

2.1.1 Sơ lược lịch sử phát triển MRD trên thế giới: 35

2.1.2 Vai trò và cấu trúc của MRD: 39

2.1.3 Khai thác tài nguyên từ điển: 41

2.1.4 Xây dựng từ điển tự động: 42

2.1.5 Cấu trúc vĩ mô và vi mô của từ điển MRD: 43

2.1.6 Một số từ điển MRD: 43

2.2 Các phương pháp tách từ: 51

2.2.1 Mô hình WFST: 51

2.2.2 Mô hình MMSEG: 57

2.3 Các phương pháp khử nhập nhằng: 64

2.3.1 Giới thiệu: 64

2.3.2 Khử nhập nhằng: 65

2.4 Kết luận: 70

Chương 3: PHÂN TÍCH và THIẾT KẾ 72

3.1 Tổng quan hệ thống: 72

3.1.1 Phát biểu bài toán: 72

3.1.2 Mô hình hệ thống: 72

3.1.3 Phát sinh quản lý: 73

3.2 Phân tích – thiết kế hệ thống: 76

3.2.1 Mô hình Usecase: 76

3.2.2 Đặc tả usecase: 77

3.2.3 Sơ đồ tuần tự: 78

3.2.4 Thiết kế lớp: 81

3.2.5 Thiết kế giao diện: 94

Trang 2

3.3 Xây dựng hệ thống: 97

3.3.1 Tổ chức các MRD: 97

3.3.2 Phương pháp tìm kiếm dựa trên MRD: 106

3.3.3 Tìm kiếm tài liệu bằng công cụ tìm kiếm: 110

CHƯƠNG 4: CÀI ĐẶT VÀ THỬ NGHIỆM 112

4.1 Cài đặt: 112

4.1.1 Tiền xử lý: 112

4.1.2 Cấu trúc dữ liệu: 112

4.1.3 Dịch từ từ điển: 113

4.1.4 Khử nhập nhằng : 113

4.1.5 Tìm kiếm: 116

4.2 Thử nghiệm: 117

4.2.1 Module dịch và khử nhập nhằng: 117

4.2.2 Chương trình demo trên web: 117

4.3 Đánh giá : 119

4.3.1 Module dịch và khử nhập nhằng: 119

4.3.2 Chương trình tìm kiểm trên Web: 120

Chương 5: KẾT LUẬN và HƯỚNG PHÁT TRIỂN 122

5.1 Kết luận: 122

5.2 Huớng phát triển: 122

5.2.1 Đối với từ điển và ngữ liệu: 122

5.2.2 Đối với IR Engine: 123

5.2.3 Mở rộng ngôn ngữ tìm kiếm cho hệ thống: 124

PHỤ LỤC 125

TÀI LIỆU THAM KHẢO 132

Trang 3

MỞ ĐẦU

Với sự phát triển nhanh chóng của công nghệ tin học, khối lượng thông tin được lưu trữ trên máy tính ngày càng nhiều Vì vậy cần có các hệ thống tìm kiếm thông tin (Information Retrieval) cho phép người dùng tìm kiếm một cách chính xác và nhanh nhất các thông tin mà họ cần trên kho tư liệu khổng lồ này Hơn nữa, trong xu thế toàn cầu hóa như hiện nay, rất nhiều các tổ chức, các công ty quốc tế hình thành, lại xuất hiện một nhu cầu mới trong việc tìm kiếm thông tin đó là tìm kiếm thông tin đa ngữ để người dùng có thể khai thác một cách hiệu quả nhất kho tài liệu đa ngữ mà họ có Một

ví dụ cụ thể về kho tư liệu đa ngữ là Internet Các trang Web bằng nhiều ngôn ngữ khác nhau xuất hiện ngày càng nhiều, trong khi các công cụ tìm kiếm đơn ngữ (search engine) chỉ có thể trả về các tài liệu được viết cùng ngôn ngữ với ngôn ngữ của câu truy vấn (query) Do đó vấn đề đặt ra là liệu có thể xây dựng một hệ tìm kiếm thông tin mà thông tin trả về là tất cả các tài liệu ở các ngôn ngữ khác nhau trong kho tư liệu

có liên quan đến câu truy vấn (không phụ thuộc vào ngôn ngữ của câu truy vấn) Đây chính là bài toán đặt ra cho việc nghiên cứu các hệ tìm kiếm đa ngữ/ xuyên ngữ (multilanguage IR/ cross language IR)

Mục tiêu của các hệ thống tìm kiếm xuyên ngữ là cung cấp công cụ cho người dùng để

có thể mô tả nhu cầu tìm kiếm thông tin ở ngôn ngữ mà mình diễn đạt giỏi nhất (thường là tiếng mẹ đẻ), hệ thống sẽ phải trả về tất cả các tài liệu ở tất cả các ngôn ngữ

có trong kho tư liệu đang tìm kiếm có liên quan đến nhu cầu thông tin của người dùng

Trên đây là nhu cầu chung của hầu hết các ngôn ngữ và tiếng Việt của chúng ta cũng không phải là ngoại lệ Khác với các ngôn ngữ khác, tiếng Việt có nhiều đặc điểm riêng biệt và rất khó xử lý bằng máy tính, nên các đề tài nghiên cứu hay các chương trình ứng dụng liên quan đến các hệ thống tìm kiếm bằng tiếng Việt còn rất ít Mà nhu cầu tìm kiếm tài liệu trên kho tàng kiến thức của thế giới của người Việt là rất lớn Với mong muốn phát triển nhiều hơn nữa các hệ thống tìm kiếm xuyên ngôn ngữ bằng tiếng Việt, chúng tôi xây dựng “Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt –

Trang 4

Anh – Hoa” cho phép người dùng nhập câu truy vấn bằng tiếng Việt và trả về các tài liệu có liên quan bằng tiếng Việt, tiếng Anh và tiếng Hoa Trong luận văn này chúng tôi lựa chọn tiếng Anh và tiếng Hoa là hai đại diện tiêu biểu cho hai loại hình ngôn ngữ biến hình và đơn lập Từ đó cho thấy rằng hệ thống tìm kiếm thông tin xuyên ngữ

có thể thực thi trên hai loại hình ngôn ngữ khác nhau

Bố cục của luận văn gồm các chương sau:

(IR), hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR), các hướng tiếp cận

và các vấn đề cần giải quyết của hệ thống

phương pháp đã nghiên cứu trong luận văn

thống

• Chương 4 – CÀI ĐẶT VÀ KIỂM TRA: cài đặt, kiểm thử chương trình

quả đạt được, các đánh giá về hệ thống và hướng phát triển trong tương lai

liên quan được sử dụng trong luận văn

Trang 5

Chương 1: TỔNG QUAN

Trong chương này, chúng tôi sẽ trình bày khái quát về các hệ thống tìm kiếm (Information Retrieval), hệ thống tìm kiếm thông tin xuyên ngôn ngữ (Cross-Language Information Retrieval) và một số khảo sát về tình hình nghiên cứu trong và ngoài nước Cuối chương chúng tôi sẽ rút ra kết luận chung và lựa chọn hướng tiếp cận cho

hệ thống của mình Nội dung trình bày bao gồm:

9 Giới thiệu mô hình tìm kiếm thông tin

9 Hệ thống tìm kiếm thông tin xuyên ngôn ngữ

9 Một số công trình nghiên cứu trong và ngoài nước

• Người dùng muốn xem những tài liệu liên quan đến một chủ đề nào đó

• Người dùng cung cấp một mô tả về chủ đề đó dưới dạng câu truy vấn

• Từ câu truy vấn này hệ thống sẽ lọc ra những cụm từ chỉ mục

• Những cụm từ chỉ mục này sẽ được so khớp với những cụm từ chỉ mục của các tài liệu đã được xử lý trước đó

• Những tài liệu nào có mức độ liên quan cao nhất sẽ được trả về cho người dùng

Trang 6

Mục đích của IR là hiển thị cho người dùng một tập các thông tin thỏa mãn nhu cầu của họ Chúng ta định nghĩa chính xác cho thông tin cần thiết là “câu truy vấn”(query),

và các thông tin được chọn là “tài liệu” (documents) Mỗi cách tiếp cận trong IR bao gồm 2 thành phần chính: một là các kỹ thuật để biểu diễn thông tin (câu truy vấn, tài liệu), và hai là phương pháp so sánh các cách biểu diễn này Mục đích là để tự động qui trình kiểm tra các tài liệu bằng cách tính toán độ tương quan giữa các câu truy vấn

và tài liệu Qui trình tự động này thành công khi nó trả về các kết quả giống với các kết quả được con người tạo ra khi so sánh câu truy vấn với các tài liệu

Có một vấn đề thường xảy ra đối với hệ thống tìm kiếm là những từ mà người dùng đưa ra trong câu truy vấn thường khác xa những từ trong tập tài liệu chứa thông tin mà

họ tìm kiếm Trường hợp như thế gọi là “paraphrase problem” (vấn đề về diễn giải)

Để giải quyết vấn đề này hệ thống đã tạo ra các hàm biểu diễn xử lý các câu truy vấn

và các tài liệu một cách khác nhau để đạt đến một độ tương thích nào đó

d

Hàm biểu diễn câu truy vấn

Không gian biểu diễn

Biểu diễn 2 Tài liệu

c Hàm so sánh

q

Biểu diễn 1

Không gian tài liệu

D

Không gian câu

truy vấn

Q

Trang 7

Hình 1.1: Mô hình hệ thống tìm kiếm thông tin

Gọi miền xác định của hàm biểu diễn câu truy vấn q là Q, tập hợp các câu truy vấn có thể có; và miền giá trị của nó là R, không gian thống nhất biểu diễn thông tin Gọi miền xác định của hàm biểu diễn tài liệu d là D, tập hợp các tài liệu; và miền giá trị của nó là R 2 Miền xác định của hàm so sánh c là R x R và miền giá trị của nó là

[0,1], tập các số thực từ 0 đến 1 Trong một hệ thống tìm kiếm lí tưởng:

c(q(query), d(doc)) = j(query, doc) , ∀query∈ Q, ∀doc ∈ D,

khi j: Q x D > [0,1] biểu diễn việc xử lý của người dùng giữa các mối quan hệ của 2

thông tin, được tính dựa trên một tiêu chuẩn nào đó (ví dụ: sự giống nhau về nội dung hay sự giống nhau về kiểu …) Hình 1.1 minh họa mối quan hệ này

Có hai kiểu hệ thống tìm kiếm: tìm kiếm dựa trên so khớp chính xác và dựa trên sắp xếp Mô hình trên đây có thể mô tả cả 2 cách tiếp cận Trong hệ thống tìm kiếm dựa

trên so khớp chính xác, miền giá trị của c được giới hạn từ 0 đến 1, và nó được chuyển

sang nhị phân để quyết định liệu 1 tài liệu có thỏa biểu thức bool được xác định bởi câu truy vấn hay không? Các IR dựa trên so khớp chính xác thường cung cấp các tài liệu không sắp xếp thỏa câu truy vấn của người dùng, hầu hết các hệ thống tìm kiếm hiện nay đều dùng cách này Cách hoạt động chi tiết của hệ thống sẽ được mô tả ở phần sau

Đối với hệ thống IR dựa trên sắp xếp, thì các tài liệu sẽ được sắp xếp theo thứ tự giảm dần về mức độ liên quan Có 3 loại hệ thống tìm kiếm dựa trên sắp xếp: “ranked

Boolean”, “probabilistic” và “similarity based” Trong 3 cách trên miền giá trị của c là

[0,1], tuy nhiên chúng khác nhau ở cách tính “giá trị trạng thái tìm kiếm” (“retrieval status value”):

• Trong hệ thống dựa trên “ranked Boolean” giá trị này là mức độ mà thông tin thỏa mãn biểu thức bool được chỉ ra bởi các thông tin còn lại

Trang 8

• Trong hệ thống dựa trên “probabilistic” , khái niệm này hơi khác một chút, giá trị này là xác suất mà thông tin có liên quan đến một câu truy vấn Rất nhiều hệ thống tìm kiếm dựa trên xác suất được thiết kế để chấp nhận câu truy vấn được diễn tả bằng ngôn ngữ tự nhiên hơn là một biểu thức bool

• Trong hệ thống tìm kiếm dựa trên sự giống nhau, giá trị trạng thái tìm kiếm được tính bằng cách tính mức độ giống nhau của nội dung thông tin

Trong các hệ thống tìm kiếm dựa trên so khớp chính xác, việc đánh giá hệ thống chủ

yếu dựa trên việc đánh giá mức độ liên quan Giả sử j là giá trị nhị phân và được cho

trước Nói cách khác, ta giả sử rằng các tài liệu hoặc có hoặc không có liên quan đến câu truy vấn, và độ liên quan giữa tài liệu và câu truy vấn do con người xác định là chính xác Theo giả định này, tính hiệu quả của các hệ thống tìm kiếm dựa trên so khớp chính xác được đánh giá dựa trên 2 đại lượng thống kê là “độ chính xác” (precision) và “độ bao phủ” (recall) Độ chính xác là tỉ lệ các tài liệu được chọn, các tài liệu thực sự liên quan đến các thông tin mà người dùng cần, độ bao phủ là tỉ lệ tài liệu có liên quan được sắp xếp chính xác theo độ liên quan bởi hệ thống tìm kiếm Nói cách khác, độ chính xác bằng 1 trừ đi tỉ lệ cảnh báo sai, trong khi đó độ bao phủ đo mức độ hoàn chỉnh của việc tìm kiếm Bảng 1.1 minh họa cho các mối quan hệ này

Actually is Selected as

alarm False Found

Found ecision

+

=Pr

Missed Found

Found call

+

=Re

Trang 9

Bảng 1.1: Tính độ hiệu quả của hệ thống tìm kiếm thông tin

Việc đánh giá tính hiệu quả của hệ thống tìm kiếm dựa trên sắp xếp thì phức tạp hơn Một cách tính độ hiệu quả phổ biến cho các hệ thống này là “độ chính xác trung bình”

Nó được tính bằng cách chọn một tập lớn hơn các tài liệu ở đầu danh sách có giá trị bao phủ giữa 0 và 1 Phương pháp thường được sử dụng là phương pháp tính dựa trên

5, 7, 11 điểm theo độ bao phủ Độ chính xác sau đó sẽ được tính cho từng tập một Qui trình sẽ được lặp lại cho từng câu truy vấn, và tương ứng mỗi độ chính xác trung bình

sẽ cho một độ bao phủ Mỗi giá trị trung bình của những số này sau đó sẽ được tính toán và ghi nhận như là một đặc trưng của hệ thống Độ chính xác trung bình càng lớn thì càng tốt, và việc so sánh chỉ thực sự có ý nghĩa khi chúng ta sử dụng cùng một tập tài liệu và câu truy vấn Tuy nhiên độ chính xác trung bình cũng làm giảm đi mức độ thay đổi của các câu truy vấn có các đặc tính khác nhau (ví dụ như số lượng tài liệu có liên quan khác nhau) Hơn thế nữa, các tài liệu có liên quan thường tập trung ở đầu danh sách sắp xếp nên thông thường độ chính xác sẽ giảm mỗi khi tập tài liệu được mở rộng để tăng độ bao phủ

1.2.1 Khái niệm:

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR) là hệ thống tìm kiếm (IR) cho phép người dùng nhập câu truy vấn bằng một ngôn ngữ để tìm kiếm các tài liệu trong một ngôn ngữ khác Đối tượng sử dụng hệ thống tìm kiếm thông tin xuyên ngữ (CLIR) là:

• Những người có khả năng đọc các tài liệu tiếng nước ngoài, nhưng gặp khó khăn khi tạo câu truy vấn bằng ngôn ngữ đó

• Những người gặp khó khăn khi đọc/ tìm kiếm các tài liệu tiếng nước ngoài nhưng lại cần một số lượng giới hạn các tài liệu được tìm kiếm bằng CLIR để sử dụng trong các hệ thống dịch máy (MT), thay vì phải dịch toàn bộ tập hợp các tài liệu

Trang 10

• Những người biết các từ khóa hoặc cụm từ tiếng nước ngoài, và muốn đọc các tài liệu có liên quan với những từ khóa hoặc cụm từ đó bằng ngôn ngữ bản xứ

1.2.2 Các vấn đề của CLIR:

Vì câu truy vấn do người dùng nhập vào và các tài liệu được tìm kiếm ở hai ngôn ngữ khác nhau nên CLIR cần phải có qui trình chuyển ngữ cùng với qui trình tìm kiếm theo cách tìm kiếm truyền thống của các hệ đơn ngữ Các hệ tìm kiếm đơn ngữ hiện nay thực hiện rất tốt qui trình tìm kiếm đơn ngữ Và vấn đề chính chúng ta cần quan tâm ở đây làm thế nào để qui trình chuyển ngữ có thể được thực hiện tốt nhất

Chính qui trình chuyển ngữ này đã làm phát sinh rất nhiều vấn đề trong CLIR Vấn đề đầu tiên là làm sao biết được một từ trong ngôn ngữ này được viết như thế nào trong ngôn ngữ khác? Vấn đề thứ hai là làm sao quyết định được cách dịch nào sẽ được giữ lại? Vấn đề thứ ba là làm sao xác định được tầm quan trọng khác nhau giữa các bản dịch khi có nhiều bản dịch được giữ lại

Hai vấn đề đầu tiên, làm sao để dịch và làm sao để loại bỏ bớt bản dịch, là hai vấn đề của các hệ thống dịch máy Hệ thống CLIR có thể loại bỏ một vài cách dịch và giữ lại một số khác bằng cách khử nhập nhằng Tuy nhiên, việc giữ lại một số cách dịch nhập nhằng giúp cho hệ thống tìm kiếm gia tăng độ bao phủ của nó

Vấn đề thứ ba của CLIR có liên quan đến cách xử lý các bản dịch tương đương, là điều giúp chúng ta phân biệt CLIR với dịch máy và tìm kiếm thông tin đơn ngữ Giả sử rằng câu truy vấn ban đầu có hai từ phân biệt Nếu từ đầu tiên có thể được dịch sang nhiều cách khác nhau, và nếu từ thứ hai chỉ có thể được dịch sang một cách duy nhất, thì hệ thống tìm kiếm sẽ không tăng trọng số cho từ đầu tiên, bởi vì nó có nhiều lựa chọn khi dịch Điều này minh họa cho vấn đề tính trọng số của các cách dịch, đặc biệt

là đối với hệ thống CLIR Một tài liệu chứa một cách dịch của mỗi từ trong câu truy

Trang 11

vấn có thể sẽ có độ liên quan nhiều hơn một tài liệu chứa nhiều cách dịch khác nhau của từ đầu tiên trong câu truy vấn nhưng không chứa cách dịch nào của từ thứ hai

1.3 Các hướng tiếp cận:

Việc phân loại các hướng tiếp cận của CLIR dựa trên phương pháp được sử dụng trong quá trình chuyển ngữ

1.3.1 Dịch máy (Machine Translation for Text Translation):

Giữa tìm kiếm xuyên ngữ và dịch máy hoàn toàn tự động có mối quan hệ gần gũi Hình 1.2 minh họa cách dịch tự động hoàn toàn và hỗ trợ dịch máy có thể được tích hợp trong hệ thống tìm kiếm xuyên ngữ Với một hệ thống như thế, các câu truy vấn

có thể được dịch sang bất cứ ngôn ngữ nào mà người dùng thấy cần thiết, và các tài liệu sẽ được trả về bất cứ ngôn ngữ nào Nếu cần, việc dịch máy hoàn toàn tự động có thể được dùng để tạo ra các bản dịch được hiển thị trên màn hình cho phép người dùng chọn tài liệu Khi cần một bản dịch tốt hơn thì các tài liệu được chọn có thể được chuyển cho dịch máy dưới sự hỗ trợ của con người

Trang 12

Hình 1.2 Tích hợp tìm kiếm xuyên ngữ với dịch máy

Có lẽ hầu hết các hướng tiếp cận trực tiếp đến tìm kiếm xuyên ngôn ngữ là việc thực

thi q hoặc d bằng cách sử dụng hệ thống dịch hoàn toàn tự động để mang câu truy vấn

và tài liệu vào không gian biểu diễn R dựa trên một ngôn ngữ nhất định Một điểm yếu

của hệ thống dịch tự động là nó chỉ có thể cung cấp việc dịch hiệu quả trong một vùng giới hạn nào đó

Các hệ thống tìm kiếm văn bản thường bỏ qua các lỗi dịch cú pháp hơn là các lỗi về ngữ nghĩa, nhưng độ chính xác về ngữ nghĩa sẽ giảm sút khi các thông tin không được

mã hóa vào hệ thống dịch một cách đầy đủ Vì việc mã hóa đầy đủ thông tin có thể sẽ mất chi phí khá cao nên tính hiệu quả của hệ thống tìm kiếm xuyên ngữ dựa trên dịch máy sẽ bị giới hạn, đặc biệt là khi dịch các câu truy vấn ngắn Khuyết điểm này có thể được giảm bớt nếu chúng ta dịch các tài liệu thay vì dịch câu truy vấn Bởi vì các tài liệu thường dài hơn các câu truy vấn, nên một hệ thống dịch máy được nhúng vào hàm

Trang 13

biểu diễn tài liệu d có thể có nhiều thông tin về ngữ cảnh để chọn lựa ngữ nghĩa hơn là một hệ thống được nhúng vào hàm biểu diễn câu truy vấn q

Tuy nhiên, độ hiệu quả sẵn có của dịch máy đã trở thành vấn đề tranh luận khi một hệ

thống dịch được nhúng vào d, bởi vì thông thường d cần phải được cung cấp cho một

số lượng rất lớn các tài liệu Hơn nữa, một vài công việc do hệ thống dịch máy thực hiện không mang lại sự cải tiến nào cho tính hiệu quả của việc tìm kiếm văn bản Chẳng hạn như, việc dịch văn bản đòi hỏi phải lựa chọn thứ tự của các từ và thêm vào các từ có quan hệ gần1 trong ngôn ngữ đích Nhưng cả hai đặc tính này thường bị bỏ đi

bởi q và d

Thật vậy, một vài công việc do hệ thống dịch máy làm thật sự làm giảm tính hiệu quả của việc tìm kiếm văn bản Vì trong các ngôn ngữ khác nhau nghĩa của từ sẽ không được nhóm theo cùng một cách, nên các hệ thống dịch máy luôn cố gắng đạt được nghĩa dịch tốt nhất cho từ khi từ có nhiều nghĩa Theo phân tích này thì một nghĩa đơn

sẽ được chọn cho mỗi từ đa nghĩa Tuy nhiên, trong một hệ thống tìm kiếm, q và d có thể được thiết kế để ngăn chặn những thông tin không chắc chắn và c có thể được thiết

kế để tận dụng những thông tin đó trong việc cải thiện tính hiệu quả

Những nghiên cứu này cho thấy rằng khi thiết kế các hàm q và d cho hệ thống tìm

kiếm xuyên ngữ thì kiểu và độ sâu của qui trình có thể được quyết định bởi khả năng

biểu diễn của không gian R để biểu diễn các kết quả của các qui trình và khả năng sử

dụng các thông tin đó của hàm so sánh c Chúng ta cũng có thể hoặc giới hạn qui trình

của chúng ta bằng khả năng của các kĩ thuật hiện có để sử dụng thông tin kết quả, hoặc chúng ta có thể thiết kế các hàm biểu diễn và so sánh mới để tận dụng thông tin mà kĩ thuật dịch máy có thể cung cấp

Ưu điểm: các câu truy vấn có thể được dịch sang bất cứ ngôn ngữ nào mà người dùng thấy cần thiết, và các tài liệu sẽ được trả về bất cứ ngôn ngữ nào

hệ thống truy xuất

Trang 14

Khuyết điểm: Hiệu quả dịch còn giới hạn

1.3.2 Dựa trên từ điển đa ngữ (Multilingual Thesauri):

Ở đây chúng ta định nghĩa một từ điển đồng nghĩa như là một công cụ để mã hóa thông tin tri thức cho một ứng dụng Vì thế một từ điển đồng nghĩa là một bản thể mà đặc trưng là các thuật ngữ đã được tổ chức Một từ điển đồng nghĩa đa ngữ là một từ điển tổ chức các thuật ngữ từ một hoặc nhiều thứ tiếng Từ điển song ngữ, thường định nghĩa các cụm với chi tiết cho các cụm khác, cũng được gộp vào định nghĩa này Từ vựng trong ngôn ngữ học máy tính, được mã hóa thông tin cú pháp và ngữ nghĩa, cũng nằm trong định nghĩa này Các từ điển đồng nghĩa phức tạp, được sử dụng như là một danh mục cơ sở trong hệ thống tìm kiếm tự động, cũng nằm trong phạm vi của định nghĩa từ điển đồng nghĩa trên Thậm chí một danh sách song ngữ đơn giản gồm các thuật ngữ kĩ thuật mà trong đó mỗi thuật ngữ được gán một cách dịch duy nhất cũng là một từ điển đồng nghĩa theo định nghĩa trên Chúng ta nhận ra rằng đây là một định nghĩa mở rộng không bình thường cho từ “từ điển đồng nghĩa” Nhưng vì không có một thuật ngữ chuẩn ngắn gọn nào có thể đáp ứng khái niệm chúng ta mô tả nên chúng

ta chọn cụm từ có quan hệ gấn nhất với hệ thống tìm kiếm xuyên ngữ hiện tại Bảng 1.2 cho thấy một vài kiểu từ điển đồng nghĩa phổ biến được sử dụng trong các hệ thống tìm kiếm xuyên ngữ Các thông tin chi tiết hơn về từ điển xuyên ngữ sẽ được trình bày ở phần sau

Trang 15

Từ điển đồng nghĩa theo

đề tài

Có mối quan hệ kế thừa và kết hợp

Một cụm duy nhất được gán cho 1 nút

thành các lớp khái niệm

Danh sách các cụm từ Danh sách các từ đồng nghĩa xuyên ngôn

ngữ

thể đọc được (Machine Readable) Bảng 1.2 Các kiểu từ điển đa ngữ

Kĩ thuật dựa trên từ điển có một số ưu điểm và khuyết điểm nhất định Vì từ điển có thể biểu diễn các mối quan hệ giữa các cụm từ và các khái niệm theo cách mà con người có thể hiểu được, nên việc tìm kiếm thông tin dựa trên từ điển cho phép người dùng khai thác lợi ích bên trong trong suốt quá trình tìm kiếm để hình thành một câu truy vấn tốt hơn Hơn thế nữa, vì có một lượng các thông tin quan trọng được mã hóa trong từ điển, nên ở khía cạnh của một người dùng có kĩ năng, một hệ thống tìm kiếm dựa trên từ điển có thể là một công cụ rất mạnh Mặt khác, việc sử dụng từ điển sẽ áp

đặt mức độ giới hạn lên cả từ vựng mà người dùng sử dụng cũng như phạm vi mà hệ

thống tìm kiếm có thể cung cấp Các kỹ thuật hiện nay cho việc xây dựng và duy trì từ điển tập trung mạnh mẽ vào nguồn tài nguyên, và việc huấn luyện; và nỗ lực để sử dụng hiệu quả các mối quan hệ về khái niệm chứa đựng bên trong một từ điển phức tạp là rất trọng yếu

Một vài khía cạnh về tri thức có thể được mã hóa trong một từ điển Đặc tính quan trọng của một từ điển xuyên ngữ là một đặc tả của đồng nghĩa xuyên ngữ 2 Các mối

tiếp trong một ngôn ngữ khác

Trang 16

quan hệ kế thừa về khái niệm (cụm từ rộng hơn, hay hẹp hơn) và mối quan hệ kết hợp (cụm từ có liên quan hoặc đồng nghĩa) thường được thêm vào một từ điển phức tạp

Từ điển có thể được dùng tự động hoặc thủ công Trong một hệ thống gọi là “vốn từ được quản lý” (“controlled vocabulary”), mỗi khái niệm được gán nhãn bằng một cụm

từ có tính mô tả để người dùng có thể chỉ rõ những khái niệm thích hợp nhất cho câu truy vấn của họ Khi các mối quan hệ về khái niệm được mã hóa trong một từ điển được sử dụng một cách tự động, thì kĩ thuật đó được gọi là “tìm kiếm theo khái niệm” (concept retrieval) Trong một hệ thống tìm kiếm theo khái niệm đơn giản, một danh sách các khái niệm được sử dụng để thay thế mỗi cụm từ bằng lớp khái niệm của nó để tăng độ bao phủ (dựa trên độ quyết định) Có một hướng tiếp cận phức tạp hơn, gọi là

“mở rộng câu truy vấn” (query expansion) đã sử dụng mối quan hệ giữa các khái niệm được mã hóa để lựa chọn cụm từ có thể đáp ứng cả độ chính xác và độ bao phủ

Cả việc thay thế khái niệm lẫn việc mở rộng câu truy vấn đều thể hiện nỗ lực làm tăng

độ bao phủ bằng cách làm giảm ảnh hưởng của vấn đề diễn giải Độ chính xác có thể được tăng bằng cách thêm vào các thông tin về cú pháp và ngữ nghĩa trong từ điển để làm giảm nhẹ ảnh hưởng của từ đa nghĩa 3.Ví dụ, trong một hệ thống thông tin có vốn

từ được quản lý thường được cung cấp một từ điển để người dùng có thể chọn ra cụm

từ chính xác một cách thủ công Một hệ thống tìm kiếm khái niệm có thể sử dụng ý tưởng này bằng cách đánh thẻ các từ dựa trên từ loại của chúng và sau đó chọn cách dịch nào có cùng từ loại

1.3.2.1 Hệ thống vốn từ được quản lí:

Trước năm 1973 người ta cho rằng cả hệ thống vốn từ được quản lý và hệ thống tìm kiếm khái niệm bằng từ điển đa ngữ đều có thể thực thi xuyên ngữ giống như là việc thực thi bên trong một ngôn ngữ với cùng kỹ thuật Trước năm 1977 đã có 4 hệ thống tìm kiếm xuyên ngữ được thực thi ở châu Âu Từ các hệ thống này, nổi lên 6 tiêu chí

Trang 17

căn bản của các nghiên cứu dựa trên từ điển xuyên ngữ : những tiêu chuẩn về thiết kế, các công cụ phát triển và duy trì, phần cứng chuyên dụng, các cặp và các lĩnh vực của

ngôn ngữ mới, giao diện người dùng, và việc đánh giá nhu cầu của người dùng

Trong năm 1970, người ta thấy rõ ràng rằng việc tiêu chuẩn hóa sự phát triển các từ điển để ngăn chặn “việc tạo ra những đề tài lệch hướng và không phù hợp” là cần thiết, và năm 1971 UNESCO đã đề ra các tiêu chuẩn cho việc phát triển từ điển đa ngữ Trong năm 1973 ISO đã xem xét vấn đề này, và trước năm 1976 bản thảo cho vấn

đề này đã được phổ biến một cách rộng rãi Được thông qua vào năm 1978 như là chuẩn ISO 5964 và được chỉnh sửa gần đây nhất vào năm 1985, tiêu chuẩn này đã mô

tả phạm vi tri thức có thể được nội suy bên trong các từ điển đa ngữ như thế nào, và nhận diện những kỹ thuật khác nhau cho việc phát triển từ điển đa ngữ

Từ điển EUROVOC của quốc hội châu Âu là một ví dụ của một từ điển đa ngữ hiện đại theo chuẩn ISO 5964 Được thiết lập lần đầu vào năm 1984, EUROVOC hiện nay bao gồm 9 ngôn ngữ 4 chính thức của cộng đồng châu Âu, và một phần của nó đã được dịch sang nhiều ngôn ngữ khác Việc thiết kế từ điển đòi hỏi chi phí cao, và điều này

đã làm giới hạn lĩnh vực mà hệ thống tìm kiếm dựa trên vốn từ được quản lí có thể cung cấp Nhưng EUROVOC chứng minh rằng một khi các mối liên hệ cơ bản về khái niệm được định nghĩa trong một pham vi nào đó thì việc mở rộng chuẩn từ điển đa ngữ ISO 5964 cho các ngôn ngữ khác là hoàn toàn thiết thực

Khi các từ điển đa ngữ gia tăng một cách nhanh chóng, thì các công cụ thiết kế và duy trì cũng trở nên quan trọng hơn Trong những năm 1970, có rất nhiều các thủ tục cũng như các thuật toán đã được nghiên cứu để dùng cho việc trộn các từ điển đơn ngữ thành một từ điển đa ngữ

Ngày nay các hệ thống tìm kiếm văn bản xuyên ngữ đã được sử dụng một cách rộng

rãi, nhưng hầu hết các hệ thống thương mại đều sử dụng hướng tiếp cận tìm kiếm dựa

trên so khớp chính xác Các từ điển đa ngữ phức tạp đã và đang được phát triển trong

Trang 18

nhiều ngôn ngữ và lĩnh vực, và các thủ tục dùng để thêm lĩnh vực và ngôn ngữ cũng được hiểu rõ Có 3 nhân tố quan trọng khi xây dựng từ điển là : chi phí, những tiện lợi cho người dùng chưa được huấn luyện, và độ hiệu quả

Việc xây dựng từ điển là một việc tốn nhiều chi phí Nhưng việc sử dụng từ điển có thể tốn nhiều chi phí hơn bởi vì trong một hệ thống có vốn từ được quản lí thì mỗi tài liệu phải được gán các cụm từ phản ánh các khái niệm chứa trong nó Mặc dù các công

cụ tự động có thể hỗ trợ giúp tăng năng suất của con người nhưng vì các hoạt động mang tính trí tuệ của con người đòi hỏi việc tái tổ chức và tổ chức thông tin nên chi phí sẽ vẫn rất cao

Một giới hạn quan trọng khác của hệ thống tìm kiếm văn bản dựa trên vốn từ được quản lý, và giới hạn này cũng xuất hiện trong kỹ thuật tìm kiếm văn bản dựa trên so khớp chính xác, là những người dùng không được huấn luyện dường như sẽ gặp khó khăn khi khai thác khả năng của từ điển Những khác nhau quan trọng giữa người dùng có kĩ năng và người dùng không được huấn luyện đã được nghiên cứu dựa trên

sự chọn lựa các cụm từ của họ, việc họ sử dụng những mối quan hệ của cụm từ được

mã hóa trong một từ điển, và việc sử dụng các toán tử AND, OR hoặc NOT trong việc xây dựng câu truy vấn Trong nhiều trường hợp người ta chứng minh rằng việc cung cấp những người trung gian được huấn luyện có lợi hơn việc cung cấp những huấn luyện đầy đủ cho mỗi người dùng Kỹ thuật tìm kiếm dựa trên sắp xếp được mô tả ở phần trước cũng giới thiệu một hướng tiếp cận khác để giải quyết vấn đề này Các hệ thống tìm kiếm dựa trên sắp xếp thường chấp nhận các câu truy vấn bằng ngôn ngữ tự nhiên và cho phép sự lựa chọn không ràng buộc các cụm từ Nói chung, mục đích của việc tìm kiếm dựa trên sắp xếp không phải để thay thế kĩ thuật so khớp chính xác mà

để làm mạnh thêm các hệ thống bằng những kỹ thuật cải thiện một cách hiệu quả việc tìm kiếm của những người dùng không được huấn luyện

1.3.2.2 Tìm kiếm khái niệm:

Trang 19

Một cách khác để biểu diễn các khái niệm trong R là biểu diễn các cụm từ bằng cách

sử dụng từ điển đa ngữ dẫn dắt cho qui trình chọn lựa cụm từ Đây là một biến thể của

mở rộng câu truy vấn, một kỹ thuật đã được nghiên cứu rất kỹ trong tìm kiếm đơn ngữ

5 Ý tưởng cơ bản của mở rộng câu truy vấn là cung cấp các biến thể sử dụng của cụm

từ bằng cách gia tăng các cụm từ có liên quan trong câu truy vấn

Gần đây, trong [1] L.Ballesteros đã dùng phương pháp “phản hồi cục bộ ” (local feedback) để mở rộng câu truy vấn Phương pháp này là sự kết hợp giữa hai phương pháp: sửa đổi câu truy vấn trước khi dịch (pre-translation query modification) và sửa đổi câu truy vấn sau khi dịch (post-translation query modification) Trong nghiên cứu của mình, ông giới hạn trong hai ngôn ngữ là tiếng Anh và tiếng Tây Ban Nha Các câu truy vấn tiếng Anh được lấy từ hệ thống TREC với chiều dài trung bình là 10.6 từ Các câu truy vấn tiếng Tây Ban Nha cũng được rút trích từ hệ thống này với chiều dài trung bình là 4.3 từ Việc đánh giá tính hiệu quả dựa trên các tài liệu tiếng Anh nằm trong tập Tipster (vol 2) có độ lớn 2GB và tập 208M các bài báo tiếng Tây Ban Nha của báo “El Norte” Ngữ liệu huấn luyện dùng cho việc phản hồi trước khi dịch là tập các bài báo này và tập 301 MB cơ sở dữ liệu tin tức của San Jose Mercury từ tập hợp Tipster Toàn bộ câu truy vấn sẽ được thực hiện trên hệ thống INQUIRY Qua thực nghiệm L.Ballesteros nhận thấy rằng việc sửa đổi câu truy vấn trước khi dịch tạo ra một cơ sở quan trọng cho việc dịch và nâng cao độ chính xác; việc sửa đổi câu truy vấn sau khi dịch dựa trên từ điển máy đọc sẽ nâng cao độ bao phủ của tìm kiếm Và kỹ thuật này sẽ hiệu quả hơn đối với các câu truy vấn dài vì các câu truy vấn dài sẽ có nhiều ngữ cảnh hơn giúp giảm tính nhập nhằng Kết hợp hai qui trình này giúp tăng độ chính xác trung bình lên 50% Điều này cho thấy việc mở rộng câu truy vấn sẽ giúp gia tăng đáng kể độ hiệu quả của hệ tìm kiếm xuyên ngữ

1.3.2.3 Mã hóa thông tin ngữ nghĩa:

câu truy vấn mở rộng nếu nó không mang cùng một nghĩa trong cả 2 ngôn ngữ

Trang 20

Một khía cạnh khác của dự án EMIR[2] là việc ứng dụng việc phân rã nhanh nhưng không sâu để tận dụng thông tin ngữ nghĩa được mã hóa trong từ điển Số lượng các cụm từ tiếng Anh được giảm bằng cách gán nhãn từng cụm từ tiếng Anh với từ loại tương ứng của nó, và sau đó chỉ chọn những từ tiếng Anh có cách sử dụng cú pháp tương tự các cụm từ tiếng Pháp Từ điển EMIR là một danh sách song ngữ các cụm từ trong đó thông tin ngữ nghĩa được mã hóa như là các từ ghép, được sử dụng để thay thế các mối quan hệ về khái niệm Trong EMIR, các cụm từ bao gồm các từ, các ngữ

và từ ghép Bởi vì các từ ghép nối các từ khóa với nhau dựa trên nền tảng là mối quan

hệ về ngữ nghĩa thay vì hình thức bề ngoài của chúng, do đó việc đưa ra các công thức cho từ ghép sẽ tốt hơn việc rút trích các ngữ đơn giản Bởi vì trật tự của các từ trong từ ghép thường thay đổi trong ngôn ngữ đích, nên các mục từ của cụm từ ghép đã được

thiết lập để giải thích cho việc chuyển đổi khi cần

Phiên bản EMIR của SPIRIT đã được đánh giá trên tập 1398 các khái niệm về hàng không của Cranfield bằng cách sử dụng 225 câu truy vấn đã được Trung tâm tư liệu quân đội Pháp dịch sang tiếng Pháp Các tài liệu tiếng Anh được tìm kiếm đáp ứng các câu truy vấn tiếng Pháp Để so sánh, các câu truy vấn tiếng Pháp sau đó được dịch trở lại sang tiếng Anh bằng cách sử dụng hệ thống dịch tự động SYSTRAN và các tài liệu được chọn bằng cách sử dụng phiên bản đơn ngữ của hệ thống tìm kiếm SPIRIT Cụ thể như sau:

Trang 21

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Hình 1.3 So sánh tìm kiếm đơn ngữ của SPIRIT, tìm kiếm song ngữ của EMIR và dịch

câu truy vấn của SYSTRAN

1.3.2.4 Đánh giá ưu khuyết điểm:

Trang 22

Việc dịch tự động dựa trên từ điển chỉ đạt 50% hiệu quả do các bản dịch nhập nhằng Một trong hai nguyên nhân chính là việc chuyển đổi từ vựng dẫn đến việc thêm rất nhiều từ khác Theo nguyên cứu của L Ballesteros, điều này dẫn đến việc mất 12-29% thể hiện của câu truy vấn trong khi dịch và gây nên vấn đề khi dịch các câu truy vấn dài Nguyên nhân thứ hai là việc mất các ngữ khi dịch word by word, dẩn đến việc mất

20 – 25% Thêm vào đó, các câu truy vấn thường chứa các thuật ngữ, mà các thuật ngữ này thường không có trong từ điển tổng quát Nếu chúng ta không có từ điển chuyên ngành hoặc từ điển thuật ngữ thì hiệu quả của hệ thống sẽ càng thấp Tuy nhiên, những khuyết điểm trên đây sẽ là động lực thúc đẩy chúng ta tiếp tục nghiên cứu và tìm hiểu các phương pháp nhằm nâng cao tính hiệu quả của hướng tiếp cận này

1.3.3 Dựa trên ngữ liệu (Corpus-based techniques):

Ngoài cách sử dụng từ điển, chúng ta có thể khai thác trực tiếp thông tin thống kê về cách dùng thông thường của các cụm từ từ ngữ liệu song song Cách tiếp cận trực tiếp này rất thích hợp để tích hợp với các kỹ thuật tìm kiếm dựa trên việc thống kê cách dùng thông thường của các cụm từ Kỹ thuật tìm kiếm thống kê thường tận dụng hai nhận xét quan trọng về cách dùng thông thường của cụm từ Nhận xét đầu tiên là những tài liệu mà người dùng đánh giá là cùng loại thì nhìn chung thường sử dụng các

cụm từ tương tự nhau Quay trở lại mô hình 1.1, q và d được thiết kế một cách đặc trưng để trích ra các thông tin về tần số của cụm từ và c được thiết kế để tận dụng điều

này Nhận xét thứ hai là các cụm từ hiếm và ít phổ biến thì sẽ giúp ích rất nhiều cho việc phân biệt giữa các tài liệu Các cụm từ phổ biến mang ít nội dung thường bị loại

bỏ bởi một danh sách stoplist, và các cụm từ còn lại thường được tính trọng số bằng cách sử dụng “tần số tài liệu đảo ” thường được tính như sau:

Number

documents of

Number idf i log2

Trang 23

Kết hợp hai kết quả ta gọi là “tfidf” (term frequency and inverse document frequency - tần số của từ và tần số tài liệu đảo )

tfidf ij = tf ij * idf i

tfij là số lần từ i xuất hiện trong tài liệu j

Một vài kỹ thuật có thể được sử dụng để xây dựng hàm so sánh c cho một thể hiện

tfidf Có thể kỹ thuật đơn giản nhất là kỹ thuật dùng không gian vector, trong đó các

vector của trọng số tfidf được thiết lập bởi q và d và kết quả được chuẩn hoá bên trong của 2 vector được tính nhờ vào c Kết quả này cho ra một giá trị mong muốn, là một hàm tăng nghiêm ngặt đối với bất cứ việc giảm nào của sự khác nhau của 2 giá trị tfidf

giống nhau Nói một cách khác, mang 2 vector lại gần nhau theo bất cứ chiều nào sẽ làm tăng tính tương đồng của chúng Bởi vì kết quả chuẩn hóa bên trong của 2 vector

là cosin của góc giữa 2 vector trong không gian vector, nên kết quả này được biết đến

như là phép đo độ tương đồng dùng hàm số cosin Hệ thống SMART, được Salton phát triển, là một ví dụ về hệ thống tìm kiếm sử dụng không gian vector

Kỹ thuật tìm kiếm dựa trên xác suất thường thực thi một hàm c phức tạp hơn Thường dựa trên một giả định đơn giản là j (hoặc r ) là giá trị nhị phân (nghĩa là mọi tài liệu có

hoặc có liên quan hoặc không có liên quan ), kỹ thuật tìm kiếm dựa trên xác suất thực hiện việc tìm kiếm để ước lượng xác suất mà một tài liệu cho trước có liên quan dựa

trên độ tương quan hoặc tfidf Hệ thống INQUIRY được Croft và các cộng sự phát

triển là một ví dụ cho hệ thống tìm kiếm dựa trên xác suất

Trang 24

ngữ khác, kỹ thuật xây dựng từ điển tự động là một nghiên cứu quan trọng kế thừa từ ngữ cảnh của tìm kiếm đơn ngữ Một số lượng đáng kể các nghiên cứu về đề tài này đã xuất hiện và được công bố trong tài liệu về dịch máy Ở đây chúng tôi trình bày hai kỹ thuật để xây dựng từ điển đa ngữ từ khía cạnh tìm kiếm

Kỹ thuật đầu tiên, người ta đã thực nghiệm trên 1.100 ngữ danh từ lấy từ ngữ liệu song song của khoảng 1.000 cặp câu dài tiếng Hà Lan và tiếng Anh trong một tài liệu kỹ thuật 6 Các ngữ danh từ trong mỗi cặp câu được nhận diện bằng cách sử dụng một thẻ

từ loại thống kê và một bộ parser đơn giản Các ứng viên dịch cho mỗi ngữ danh từ tiếng Hà Lan được tạo ra bằng cách so sánh tần số của mỗi cụm tiếng Anh xuất hiện trong một cặp câu tiếng Anh chứa ngữ danh từ, với tần số mà mỗi từ tiếng Anh xuất hiện trong toàn tập tài liệu Một đặc tính khác được thêm vào giúp cho việc ngăn chặn các chọn lựa ngữ danh từ xuất hiện ở những vị trí liên quan khác nhau trong các cặp câu

Các tham số được tìm thấy cho các kết quả trong việc nhận diện các bản dịch đơn chính xác đến 45%, và nhiều lựa chọn khác mà các lựa chọn này tạo ra một danh sách các ứng viên của các bản dịch trong đó chứa 66% các bản dịch đơn chính xác Việc dóng câu, đánh tag từ loại và phân rã lỗi chiếm 85% các lỗi, và các nghiên cứu cho thấy rằng việc chọn lựa chặn trên cho việc biểu diễn kỹ thuật của mình sẽ nâng tỉ lệ các bản dịch đơn chính xác lên 69% hoặc thêm khoảng 95% các bản dịch chính xác vào một danh sách Bởi vì ngữ liệu song song có kích thước nhỏ nên không thể quyết định việc thực thi của kỹ thuật khi có nhiều hơn một bản dịch của cùng một từ xuất hiện trong ngữ liệu 7 Kết quả của từ vựng song ngữ không được sử dụng cho việc tìm kiếm văn bản, vì thế chúng ta không thể quyết định điều gì làm ảnh hưởng đến các lỗi dịch sẽ có hiệu quả cho việc tìm kiếm Hơn nữa, chúng ta không thể đưa ra các hướng dẫn về việc liệu việc giảm độ chính xác, kết quả của việc tăng số lượng ứng viên có

7% các cặp câu sau đó được phát hiện là bị gióng hàng sai

Trang 25

thể được bù đắp bằng cách tăng độ bao phủ, kết quả của việc thêm vào bản dịch chính xác trong danh sách

1.3.3.2 Dịch dựa vào vector thuật ngữ (Term Vector Translation):

Chúng ta quan tâm đến những kỹ thuật tìm kiếm văn bản đa ngữ dựa vào ngữ liệu tạo

ra những ánh xạ không phải dành cho người dùng Nghĩa là chúng ta xem xét những

kỹ thuật tìm kiếm văn bản đa ngữ dựa vào thống kê mà mục đích là để ánh xạ thông tin thống kê về thuật ngữ sử dụng giữa các ngôn ngữ Cụ thể là chúng ta xem xét các

kỹ thuật ánh xạ các tập tfidf (term frequency and inverse document frequency) bao

gồm các trọng số của các cụm từ từ một ngôn ngữ này sang ngôn ngữ khác, phương pháp này ta gọi là dịch dựa vào vector thuật ngữ

Xét trường hợp hai ngôn ngữ, chúng ta có ba tập tài liệu tiếng Anh, tiếng Pháp và tập còn lại là song song (nghĩa là mỗi tài liệu trong tập song song là một cặp tiếng Anh và bản dịch tiếng Pháp) Mỗi câu truy vấn đầu tiên thể hiện cho tập song song, và những tài liệu trong đó được sắp xếp dựa trên mức độ giống nhau của câu truy vấn với bản dịch của những tài liệu theo ngôn ngữ của câu truy vấn Những tài liệu tiếng Pháp có thứ tự sắp xếp cao nhất được ghép lại và được dùng như một câu truy vấn cho những tài liệu tiếng Pháp còn lại Đây chính là phương pháp phản hồi thích hợp (relevance feedback) Tương tự cho tài liệu tiếng Anh Sau đó 3 danh sách đã sắp xếp được nối lại

và hiển thị cho người dùng

Phản hồi thích hợp (relevance feedback) là một kỹ thuật thông thường được dùng

trong tìm kiếm thông tin dựa vào thống kê Một vector chuẩn hóa tfidf là một xấp xỉ

heuristic cho sự phân bổ mật độ của một từ trong một tài liệu Theo đó, kết quả bên trong đã chuẩn hóa chỉ đơn giản là sự tương quan giữa 2 tài liệu mô tả bởi những phân

bổ này Vì chất lượng của sự phân bổ theo Heuristic có thể được cải tiến bằng cách thêm những giám sát, nên phản hồi thích hợp có thể được xem là cách tiếp cận heuristic làm mịn hóa những phân bổ không hợp lý trong những câu truy vấn ngắn

Trang 26

Nói cách khác, những từ ngữ không quan trọng bị bỏ đi và những từ ngữ quan trọng có liên quan ngày càng được chuẩn hóa tốt hơn

Trong thí nghiệm TREC-4, Davis và Dunning[3] đã thử 3 kỹ thuật dịch vector cho các thuật ngữ khá phức tạp Sử dụng 80.000 cặp câu đã gióng hàng trong một ngữ liệu bao gồm những tài liệu của Liên Hiệp Quốc, đầu tiên họ chọn 8.000 câu tiếng Anh làm những bản gốc tốt nhất cho mỗi câu truy vấn TREC Sau đó, họ sử dụng những bản dịch tiếng Tây Ban Nha của 8.000 câu đó để chọn ra 100 từ ngữ thông dụng liên quan đến mỗi câu truy vấn Những từ ngữ được xóa tương ứng từ tập này bằng cách sử dụng thủ thuật cải tiến chương trình với mục đích tìm ra một câu truy vấn tiếng Tây Ban Nha, sao cho câu truy vấn này có thể chọn những câu tiếng Tây Ban Nha giống như cách mà câu truy vấn tiếng Anh chọn những tài liệu tiếng Anh Bước lập trình tiến hóa chỉ tăng độ chính xác trung bình từ 0.004 đến 0.02, nhưng theo quan sát cho thấy việc cải tiến thêm có thể chấp nhận được nếu có sẵn một ngữ liệu huấn luyện song song trong phạm vi có liên quan mật thiết đến phạm vi mà ta đang khảo sát

Kỹ thuật thứ hai dựa vào cùng một ngữ liệu huấn luyện của những câu đã được gióng hàng Davis và Dunning đã chọn 100 thuật ngữ có xác suất lớn nhất từ tập các từ xuất hiện trong những câu tiếng Tây Ban Nha đã được gióng hàng với 100 câu gần nghĩa nhất với mỗi câu truy vấn tiếng Anh Kỹ thuật này đạt độ chính xác 0.02

Kỹ thuật cuối cùng của Davis và Dunning dựa vào việc dịch trực tiếp các vector thuật ngữ sử dụng một toán tử tuyến tính Họ bắt đầu bằng cách thiết lập một ma trận từ tập

các vector tfidf từ những bản dịch tiếng Tây Ban Nha của những câu đã gióng hàng và

một ma trận thứ hai là từ những bản dịch tiếng Tây Ban Nha của những câu này Sau

đó, họ giải những phép toán trên tập những vector không xác định để tìm ra một toán

tử tuyến tính dùng cho việc dịch ma trận tiếng Tây Ban Nha sang ma trận tiếng Anh

Sau đó, họ dùng toán tử đó để dịch vector tfidf của mỗi câu truy vấn tiếng Anh sang một vector tfidf tiếng Tây Ban Nha và sử dụng vector được dịch để sắp xếp những tài

liệu tiếng Tây Ban Nha Tuy nhiên, họ cảnh báo rằng những giải thuật của họ để tính

Trang 27

toán tử tuyến tính chỉ là một cách ban đầu, còn rất nhiều cách tốt hơn có thể sử dụng

kỹ thuật này

Giáo sư Oard và những giáo sư khác trong trường Đại học University of Maryland đã đưa ra một phương pháp dịch dựa vào vector thuật ngữ khác dựa trên ngữ liệu song song đã được gióng hàng ở mức từ Xây dựng dựa vào những kỹ thuật gióng hàng cụm từ tương tự với những kỹ thuật của Van de Eijk, họ mô tả một kỹ thuật dùng danh sách các từ (ngữ) song ngữ trong đó những cách dịch khác nhau của mỗi từ được gán những giá trị thích hợp Họ dùng từ song ngữ này như một toán tử tuyến tính để ánh xạ những vector truy vấn sang ngôn ngữ khác Họ cho rằng phương pháp này có thể kết hợp với khả năng của một hệ thống tìm kiếm văn bản dựa vào thống kê để khai thác thông tin chính xác, nhưng kỹ thuật này vẫn chưa được thực hiện và cấu trúc của danh sách từ (ngữ) song ngữ được đặt ra cũng đang là một nhiệm vụ khó thực thi

1.3.3.3 Chỉ mục ngữ nghĩa ngầm (Latent Semantic Indexing):

Một kỹ thuật thống kê khác được áp dụng để tìm kiếm tài liệu đa ngôn ngữ là kỹ thuật chỉ mục ngữ nghĩa ngầm (Latent Semantic Indexing – LSI) Ý tưởng cơ bản là sử dụng một ma trận phân tích để xác định những thành phần chính của vector không gian được xác định bởi tập tài liệu, và sau đó chiếu vector lên không gian được mở rộng bởi những thành phần chính đó Trong kỹ thuật LSI, những thành phần chính được xem là thể hiện cho những khái niệm quan trọng, trong khi những thành phần ít quan trọng hơn được xem là những biến đổi trong cách sử dụng khác nhau của từ Vì thế LSI nhấn

mạnh khía cạnh quan trọng của tfidf và bỏ qua hiệu quả của cách sử dụng từ ngữ khác

nhau Sau đó, các tài liệu được so sánh bằng cách sử dụng phép đo độ tương đồng bằng hàm số cosin và được sắp xếp để hiển thị

Hướng tiếp cận căn bản đã được Michael L.Littman nêu rõ trong [4] LSI kiểm tra tính giống nhau của các ngữ cảnh mà trong đó các từ xuất hiện và tạo ra một không gian đặc tính có các từ đồng xuất hiện trong cùng ngữ cảnh thì ở gần nhau Nghĩa là, đầu tiên phương pháp này tạo ra một biểu diễn giữ lại các đặc điểm giống nhau về nghĩa

Trang 28

của các từ và sau đó sử dụng biểu diễn này để tìm kiếm Không gian đặc tính ban đầu

sẽ phản ánh các mối quan hệ tương quan này LSI sử dụng một phương pháp từ đại số học tuyến tính, việc phân rã các giá trị đơn (SVD) để tìm ra tầm quan trọng của các mối quan hệ Không cần phải sử dụng bất cứ từ điển nào, bất cứ cơ sở tri thức nào để quyết định mối kết hợp giữa các từ vì chúng được bắt nguồn từ việc phân tích số học các văn bản tồn tại Các mối quan hệ đã được biết được xác định cho một lĩnh vực riêng và được tạo ra hoàn toàn tự động

Kĩ thuật phân rã các giá trị đơn có quan hệ mật thiết với việc phân rã vector và việc phân tích các thừa số Để có nhiều thông tin tìm kiếm và để lọc các ứng dụng chúng ta tạo một ma trận lớn cụm từ - tài liệu, theo cách mà hướng tiếp cận vector hoặc

Boolean làm Ma trận này được phân rã thành một tập k thường là 200 – 300, các thừa

số chung từ tập này có thể được xấp xỉ bằng cách kết hợp tuyến tính; việc phân tích này có liên quan đến cấu trúc ngầm (latent) trong ma trận Hình 1.4 minh họa ảnh hưởng của LSI lên việc biểu diễn các từ bằng cách sử dụng hình học Phương pháp vector truyền thống biểu diễn các tài liệu như là sự kết hợp tuyến tính của các cụm từ trực giao, như được trình bày ở phần trên của hình, để góc giữa hai tài liệu sẽ phụ thuộc vào tần số mà hai từ đồng xuất hiện trong hai tài liệu, không quan tâm đến tương quan giữa hai từ Trong hình ta thấy, Doc 3 liên chứa Term 2, Doc 1 chứa Term 1 và Doc 2 chứa cả hai Ngược lại, LSI biểu diễn các từ như là các giá trị liên tục trên mỗi

chiều k Vì số các thừa số hoặc các chiều thì nhỏ hơn rất nhiều so với số lượng các từ,

nên các từ sẽ không độc lập như mô tả ở hình dưới Khi hai từ được sử dụng trong cùng một ngữ cảnh (tài liệu), chúng sẽ có cùng một vector trong biểu diễn LSI có chiều tối giản

Trang 29

Standard Vector Space Mode (ndims=nternns)

Term 1

Term 3

Doc2

Term 4 Doc4

Hình 1.4 Biểu diễn các từ trong vector chuẩn so với vector tối giản LSI Kết quả của LSI là một tập các vector biểu diễn vị trí của mỗi từ và tài liệu trong biểu

diễn LSI có k chiều Các qui trình tìm kiếm bằng cách sử dụng các từ trong một câu

Trang 30

truy vấn để nhận ra một điểm trong không gian một cách tự động, câu truy vấn sẽ được định vị tại vector tổng được đánh trọng số của các vector thành phần Các tài liệu sau

đó sẽ được sắp xếp dựa trên sự giống nhau của chúng đối với câu truy vấn, thường là dùng giá trị cosin để tính Trong khi hầu hết các ngữ cảnh tìm kiếm phổ biến liên quan đến các tài liệu trả về thỏa các câu truy vấn của người dùng , việc biểu diễn LSI cho phép nhiều ngữ cảnh tìm kiếm hơn Vì cả vector từ lẫn vector tài liệu đều được biểu diễn trong cùng một không gian, nên chúng ta có thể tìm kiếm sự giống nhau giữa bất

cứ sự kết hợp nào của các từ và các tài liệu

Các tài liệu mới ( hoặc các từ mới ) có thể được thêm vào biểu diễn LSI bằng cách sử dụng một thủ tục gọi là “folding in” Bất cứ tài liệu nào không được dùng trong việc xây dựng không gian ngữ nghĩa được đặt tại vector tổng của các vector thành phần của

nó Trong tìm kiếm tài liệu đơn ngữ, phương pháp LSI cho hiệu quả tương đương với phương pháp vector chuẩn trong hầu hết các trường hợp, và tốt hơn 30% trong một vài trường hợp

1.3.3.4 Đánh giá ưu khuyết điểm:

Phương pháp dựa trên ngữ liệu cho độ chính xác của các bản dịch cao hơn so với phương pháp dựa trên MRD Do đó làm cho độ hiệu quả của hệ thống tìm kiếm khá cao

Trang 31

Theo tìm hiểu của chúng tôi, trong nước hiện nay đã có một số công trình nghiên cứu liên quan như sau:

1 “Ứng dụng xử lý ngôn ngữ tự nhiên trong hệ tìm kiếm thông tin trên văn

bản tiếng Việt”, Hồ Bảo Quốc, Đồng Thị Bích Thủy, Hội thảo quốc gia về

Công nghệ thông tin – Thái Nguyên – Việt Nam 8/2003

2 “An Introduction to Vietnamese Information Retrieval”, Marie-France

BRUANDET, Jean-Pierre CHEVALLET, Dong Thi Bich Thuy, Bao-Quoc

Ho

Ngoài các nghiên cứu này, hiện tại còn có đề tài nghiên cứu khoa học trọng điểm đại

học quốc gia TPHCM (2005) đang trong giai đoạn phát triển: “Xây dựng chương trình

trợ giúp tìm kiếm thông tin bằng tiếng Việt” do PGS.TS Phan Thị Tươi đại học Bách

Khoa TPHCM làm chủ nhiệm đề tài

1.4.2 Trên thế giới:

Đối với tiếng Việt: hiện có hai đề tài liên quan đến tìm kiếm xuyên ngữ bằng tiếng Việt:

1 “Cross Language Medical Information Retrieval”, Trần Đức

Tuấn, Nicolas Goercebu - Đại học Rennes.(đang trong giai đoạn chạy thử nghiệm)

2 “CLIR in English and Vietnamese”, Nguyễn Văn Bé Hai, Ross

Wilkinson, Justin Zabel - RMIT

Đối với các ngôn ngữ khác: có rất nhiều công trình nghiên cứu đã được công bố cũng như ứng dụng đã được đưa vào sử dụng từ rất sớm:

Liên tục trong các năm 1997, 1998 L.Ballesteros và Bruce Croft[1][5][6] đã đưa ra các bài báo liên quan đến các vấn đề trong hướng tiếp cận dựa trên từ điển: “Phương pháp dựa trên từ điển cho hệ thống tìm kiếm xuyên ngữ”, “Kỹ thuật dịch ngữ và mở rộng câu truy vấn cho hệ thống tìm kiếm xuyên ngữ”, “Giải quyết việc khử nhập nhằng cho

Trang 32

tìm kiếm xuyên ngữ” Trong đó, họ đã sử dụng từ điển song ngữ Anh-Tây Ban Nha để tìm kiếm các tài liệu tiếng Anh và tiếng Tây Ban Nha

Bên cạnh Ballesteros, Davis và Hull, trong năm 1998 này Yamabana [7] đã xây dựng

hệ thống tìm kiếm xuyên ngữ Anh – Nhật theo hướng tiếp cận dựa trên dịch máy và kết hợp với việc lựa chọn từ dựa trên tần số rút trích từ ngữ liệu không song song Năm 2002, Atsushi Fujii và Tetsuya Ishikawa [8] đã công bố hệ thống tìm kiếm xuyên ngữ Nhật – Anh.theo hướng tiếp cận dựa trên ngữ liệu đơn ngữ Trong hệ thống này ngoài việc dịch một từ thông thường, Atsushi còn dịch các từ ghép

1.5 Kết luận:

Các kỹ thuật dựa trên vốn từ được điều khiển đã phát triển rất tốt, nhưng cấu trúc đầy

đủ của từ điển đồng nghĩa tự động vẫn còn quá đơn giản Hơn nữa, những kỹ thuật tìm kiếm khái niệm đa ngữ như kỹ thuật mở rộng câu truy vấn có thể khai thác thông tin được mã hóa trong từ điển mà con người không can thiệp được ở mức index hoặc thời gian truy vấn vì thế giới hạn việc ước lượng tính hiệu quả trong ngôn ngữ của cùng một kỹ thuật trong cùng một phạm vi Nếu không có một cấu trúc từ điển tự động hiệu quả, miền giới hạn của những kỹ thuật tìm kiếm dựa vào khái niệm sẽ vẫn còn rất lớn

Sự non nớt của những kỹ thuật dựa vào ngữ liệu cho thấy những từ điển đồng nghĩa trên thực tế vẫn là một thành phần quan trọng với bất kỳ hệ thống tìm kiếm đa ngôn ngữ nào, bất chấp mô hình so khớp chính xác hay mô hình tìm kiếm dựa trên sắp xếp được sử dụng Hơn nữa, sự tích hợp từ điển với những kỹ thuật dựa trên thống kê ngữ liệu là một phạm vi của những nghiên cứu hiện tại trong ngôn ngữ học tính toán, và có một số tính năng được tận dụng khi kết hợp hai kỹ thuật lại Bởi vì những từ điển đồng nghĩa phức tạp nhất dùng cho việc tìm kiếm đa ngữ hiện tại bị điều khiển bởi những hệ thống từ vựng nên những hiệu quả của nghiên cứu đang diễn ra là đòn bẩy cho nghiên cứu của chúng ta

Trang 33

Những phạm vi khác nhau của những ngữ liệu song song có sẵn và ngữ liệu có sẵn những đánh giá thích hợp vẫn là một trở ngại lớn nhất cho việc đánh giá những kỹ thuật dựa vào ngữ liệu Chúng ta không biết rằng một thể hiện của một ngữ liệu song song lớn ứng với một tập các câu truy vấn có liên quan với những đánh giá thích hợp

là sẵn có Nếu không có một ngữ liệu như thế thì một thiết kế thực nghiệm tốt nhất có thể có được thiết lập là để huấn luyện trên một ngữ liệu song song từ phạm vi giống với phạm vi của ngữ liệu đánh giá Thật không may, chúng ta không biết được bất kỳ

kỹ thuật nào để ước lượng độ hiệu quả, hoặc độ sai lệch khi kết hợp giữa sự huấn luyện và phạm vi đánh giá Nếu không có ngữ liệu song song có sẵn những đánh giá thích hợp và không có cách tính ước lượng hiệu quả của một phạm vi khác thì sẽ không thể đưa ra những khảo sát cuối cùng từ những nghiên cứu có quy mô lớn như những nghiên cứu của Davis và Dunning

Việc thực hiện những kỹ thuật đơn ngữ trong điều kiện thí nghiệm tương tự dường như

là một điểm chuẩn làm cận trên của hiệu quả tìm kiếm Không có một bằng chứng nào cho thấy những kỹ thuật đa ngữ có thể vượt qua hẳn những kỹ thuật đơn ngữ Fluhr và Radwan đã chỉ ra rằng việc hạ thấp biên của độ hiệu quả của một hệ thống tìm kiếm đa ngữ so với độ hiệu quả của hướng tiếp cận theo module (theo hướng tiếp cận này dịch máy hoàn toàn tự động được dùng để tiền xử lý câu truy vấn) là hợp lý Sự hoà hợp của hai quan điểm này làm việc so sánh những kỹ thuật tìm kiếm đa ngữ qua những thí nghiệm khác nhau dễ dàng hơn Tuy nhiên, nguồn tài nguyên yêu cầu ở đây để nhận ra khả năng tiềm tàng của những hệ thống dịch máy hiện đại hoàn toàn tự động để có thể giới hạn tiện ích của phương pháp này trong những nghiên cứu nhỏ hơn

Một sự khác biệt quan trọng giữa tìm kiếm đơn ngữ và tìm kiếm đa ngữ là có nhiều nghĩa xuất hiện tạo ra điểm giới hạn chủ yếu Cụ thể là tính nhiều nghĩa của từ trở thành một vấn đề lớn trong tìm kiếm đa ngữ hơn là trong tìm kiếm đơn ngữ khi kích cỡ của phạm vi tăng Ba nhà nghiên cứu thực hiện với những thí nghiệm rất khác nhau đã công bố rằng tính nhiều nghĩa của từ có thể được giảm bớt bằng cách sử dụng thông tin ngữ pháp và ngữ nghĩa trong đó loại đơn giản nhất là cụm từ Điều này cho thấy

Trang 34

việc khử nhập nhằng nghĩa của từ (cũng như cụm từ) chỉ ra khả năng có hạn trong ngữ cảnh đơn ngữ, nhưng đó là một bước đi có lợi cho nghiên cứu xa hơn

Vấn đề quan trọng trong ứng dụng của bất cứ kỹ thuật xử lý ngôn ngữ tự nhiên nào cho việc tìm kiếm đa ngữ là cải thiện độ chính xác mà không bị ảnh hưởng của độ bao phủ Điều này giải thích cho sự khảo sát những kỹ thuật tương đối đơn giản được thiết

kế làm giảm hẳn những ý nghĩa trong phạm vi đó Một trong những khó khăn thường gặp trong khi dịch câu truy vấn là đối với những câu truy vấn ngắn có thể làm tăng nguy cơ gây ra hiệu quả ngược lại vì tính nhiều nghĩa của từ bằng cách giới hạn ngữ cảnh theo nghĩa của từ Để giải quyết vấn đề này, ta sử dụng thông tin có cấu trúc từ không gian tài liệu để làm tăng phạm vi cụ thể của việc dịch câu truy vấn

Trong ba hướng tiếp cận của tìm kiếm xuyên ngữ có thể nói hướng tiếp cận dựa trên từ điển là khả thi nhất trong bối cảnh hiện nay của tiếng Việt Như đã nêu trong phần ưu

và khuyết điểm của hướng tiếp cận này, ta có thể nhận thấy tiếp cận dựa trên từ điển không đòi hỏi một nguồn tài nguyên lớn hay khó tìm kiếm Thêm vào đó, nguồn tài nguyên từ điển điện tử ở nước ta cũng khá phong phú Chúng ta có thể tận dụng các từ điển này cho việc xây dựng một từ điển máy đọc cho hệ tìm kiếm xuyên ngữ Đây cũng là lý do mà chúng tôi lựa chọn hướng tiếp cận dựa trên từ điển cho hệ thống tìm kiếm xuyên ngữ Mặc dù hiệu quả của nó chưa cao, nhưng chính việc khắc phục khuyết điềm này sẽ là động lực cho các nghiên cứu tiếp theo

Trang 35

Chương 2: CƠ SỞ LÝ THUYẾT

Trong chương này, chúng tôi trình bày các cơ sở lý thuyết mà dựa vào đó xây dựng hệ thống Chúng tôi không có tham vọng trình bày chi tiết, đầy đủ tất cả các hướng tiếp cận mà chỉ trình bày tổng quan một số hướng tiếp cận và từ đó nhận xét, đánh giá từng hướng tiếp cận để có thể đưa ra các lựa chọn thích hợp nhất cho hệ thống Chúng tôi sẽ trình bày các nội dung:

9 Từ điển máy đọc - MRD (Machine Readable Dictionary)

9 Các phương pháp tách từ

9 Các phương pháp khử nhập nhằng

2.1 Giới thiệu về MRD (Machine Readable Dictionary)

2.1.1 Sơ lược lịch sử phát triển MRD trên thế giới:

2.1.1.1 Lịch sử của những tài nguyên từ vựng máy đọc:

Những hệ thống xử lý ngôn ngữ (NLP – Natural Language Processing) trước đây có khuynh hướng sử dụng những từ điển đồng nghĩa và từ điển ngữ pháp có từ và cú pháp đơn giản Về cơ bản, những từ điển này chỉ chứa số lượng từ tương đối (ít hơn 1.000

từ so với 20.000 từ thông dụng mà người bình thường sử dụng) và chấp nhận là đã đúng ở trong một vài cấu trúc cú pháp Những ràng buộc này làm những nhà nghiên cứu tập trung vào những điều khó khăn trước mắt của NLP chẳng hạn như phân tích hình thái, dịch theo ngữ pháp và ngữ nghĩa

Mười năm trở lại đây, những nhà nghiên cứu bắt đầu nhận ra được vấn đề “đầu vào không giới hạn” (unrestrictedinput) với mục tiêu cuối cùng là cho phép hệ thống NLP nhận bất cứ đầu vào nào của ngôn ngữ đang xét Điều này là một thách thức lớn khi xét đến kho thành ngữ sẵn có trong tiếng Anh và một số ngôn ngữ khác đặc biệt là văn nói

Trang 36

Tuy nhiên để hệ thống NLP có thể giải quyết được vấn đề đầu vào không giới hạn, những nhà nghiên cứu cần hiểu rõ cả về từ ngữ và ngữ pháp của ngôn ngữ đang xét Sau đây chúng ta xét những tài nguyên từ vựng đã được phát triển

2.1.1.2 Những tài nguyên từ vựng trong năm 1980:

Câu hỏi đặt ra là: “Nguồn tài nguyên từ vựng dễ hiểu nhất nào trong NLP là sẵn có?”.Vào năm 1980, câu trả lời sẽ là từ điển

Một MRD thường chỉ ở dạng băng từ sắp xếp chữ trên máy tính từ một từ điển đã được in trước đó mặc dù nó có chứa một vài thông tin từ điển không có trong phiên bản in (Dạng băng từ sắp xếp chữ trên máy tính này bao gồm tất cả thông tin cần có khi chuyển một từ điển thành bản in, chẳng hạn như lời hướng dẫn, thay đổi font, ký hiệu đặc biệt, …)

Trong những năm gần đây, máy tính góp phần quan trọng vào sự phát triển từ điển và MRD Những giai đoạn triển khai này được mô phỏng bằng những phiên bản máy đọc đầu tiên của những từ điển dùng cho người dùng có trình độ cao như: Oxford Advanced Leaner’s Dictionary (OALD), Longman Dictionary of Contemporary English (LDOCE) và Collins Cobuild English Language Dictionary (COBUILD) Mỗi từ điển khác nhau về độ liên quan đến máy tính khi chúng được đưa vào sản xuất: OALD (Oxford Advanced Leaner’s Dictionary):

OALD là dạng máy đọc trong những năm cuối thập niên 70, về cơ bản nó giống băng từ xếp chữ Ở đây máy tính không có vai trò gì trong việc chuẩn bị từ điển thực sự

LDOCE (Longman Dictionary of Contemporary English):

Trang 37

Loại băng từ máy tính này có vào đầu những năm 80 cũng là dạng máy đọc, người sáng chế đã sử dụng máy tính hỗ trợ kiểm tra sự sẵn sàng của nó để đảm bảo

về sự đúng đắn của những định nghĩa từ Thông tin từ điển thêm vào cũng có trong băng từ nhưng không có trong từ điển in

COBUILD (Collins Cobuild English Language Dictionary):

COBUILD liên quan đến máy tính trong cả 4 giai đoạn phát triển của nó: thu thập dữ liệu, chọn mục từ, cấu trúc những định nghĩa mục từ và sắp xếp mục từ Những thủ tục máy tính cũng được dùng để đảm bảo sự đúng đắn và hoàn hảo của mục từ

2.1.1.3 Những tài nguyên từ vựng trong năm 1990:

Câu hỏi đặt ra là: “Nguồn tài nguyên từ vựng dễ hiểu nhất nào trong NLP là sẵn có?” Vào năm 1990, câu trả lời sẽ là ngữ liệu

Ngữ liệu là sự lựa chọn chiến thuật của tài liệu xử lý ngôn ngữ tự nhiên (toàn văn bản, mẫu từ những văn bản hoặc đôi khi không nối câu, từ một hay nhiều ngôn ngữ) được lưu trữ ở dạng máy đọc Một ví dụ của ngữ liệu là ngữ liệu văn nói tiếng Anh, bao gồm 50.000 từ của văn nói tiếng anh của người Anh được ghi âm từ kênh phát thanh BBC Nó tập hợp từ nghiên cứu hỗ trợ viết bằng tiếng Anh

Từ điển COBUILD được phát triển bởi một nhóm nghiên cứu của khoa Anh ngữ trường đại học Birmingham (cộng tác với Collins Publishers) Không giống những nhà phát triển từ điển trước đây, nhóm COBUILD sử dụng cách tiếp cận khách quan hơn

để chọn từ, thay vì dựa vào trực giác Họ xác định những gì là chính yếu trong từ điển tiếng Anh (chẳng hạn như những từ thông dụng nhất trong ngôn ngữ mà người học cần làm quen) và để làm việc này họ phân tích thống kê một ngữ liệu

Đầu tiên, Dự án COBUILD liên quan đến tập hợp những văn bản xuất hiện tự nhiên từ những nguồn khác nhau, với mục đích xây dựng một ngữ liệu điển hình bằng tiếng

Trang 38

Anh Tuy nhiên, trước khi việc thu thập dữ liệu này diễn ra, cần xác định một chiến lược thu thập Vì mục đích của dự án là tạo ra một từ điển cho người học nâng cao nên cần xác định những khía cạnh mà tiếng Anh có liên quan đến nhu cầu người sử dụng trên thế giới:

Cách viết và đọc

Ngôn ngữ chung và rộng rãi (không dùng từ kỹ thuật)

Sử dụng hiện hành (từ 1960)

Ngôn ngữ tự nhiên (không mang kịch tính)

Văn xuôi, một ít tiểu thuyết (không có thơ)

Ngôn ngữ người lớn (từ 16 tuổi trở lên)

Tiếng Anh chuẩn (không có tiếng địa phương)

Sử dụng chủ yếu là tiếng Anh của người Anh (một số là tiếng Anh của người Mỹ hoặc nước khác)

Tập văn bản này lấy kết quả từ ngữ liệu Birmingham Main Corpus 7.3 triệu từ được dùng để:

(1) chọn những từ xuất hiện trong từ điển (từ Main Corpus, 132.000 từ gốc được xác định là có thể đưa vào từ điển)

(2) cung cấp dữ liệu từ điển chẳng hạn bằng cách tìm từ đó xuất hiện trong những ngữ cảnh khác nhau

Một ngữ liệu đảo với 20 triệu từ cũng được tạo ra được dùng trong trường hợp một số

từ không được thêm vào Main Corpus Ví dụ, nếu một từ nào đó không xuất hiện trong Main Corpus, nhưng nó vẫn được thêm vào trong từ điển, lúc này ngữ liệu đảo sẽ là ví

dụ của cách sử dụng nó

Ngữ liệu hiện nay có ở Birmingham tập trung vào sự phát triển của ngữ liệu MONITOR, được đưa ra bởi Antoinette Renouf ở Sinclair (1987) rằng: “Ngữ liệu này động hơn dạng thống kê, nó gồm số lượng lớn các văn bản được tổ chức bằng điện tử

Trang 39

mà có thể đọc bằng máy tính Một phần dữ liệu sẽ được lưu trữ tại thời điểm nào đó nhưng nơi chứa sẽ bị xóa sau khi xử lý Đối tượng này là để “giám sát” dữ liệu, từ những khía cạnh khác nhau, để lưu lại những sự kiện thay đổi tự nhiên của ngôn ngữ.”

Dữ liệu văn bản được thu thập thường xuyên, chủ yếu từ CD-ROMS xếp chữ của những tờ báo và tạp chí (Rõ ràng điều này không thể hiện là mẫu cấu trúc tỉ mỉ bằng tiếng Anh của Main Corpus) Một phương pháp “drag-net” đang được dùng để kiểm soát MONITOR Corpus về từ mới, cách dùng mới hoặc nghĩa của những từ cũ, từ không còn được dùng nữa, … Ví dụ, sự xuất hiện và phát triển của những từ và cụm từ mới như “grunge”, “risc” và “Mother of all …” có thể được lưu ý

Đến năm 1992, Meijs đưa ra một từ điển đơn ngữ phức tạp nhưng hợp lý bao gồm những thông tin8 sau:

Trang 40

Đối với tiếng Anh và một số ngôn ngữ phổ biến khác trên thế giới thì việc xử lý tự động ngôn ngữ tự nhiên ngày càng trở nên phổ biến và đạt được những thành tựu đáng

kể Tuy nhiên, đối với tiếng Việt của chúng ta, các kết quả này còn hạn chế do nhiều nguyên nhân khác nhau và trong đó có nguyên nhân do thiếu những cơ sở dữ liệu cơ bản dạng điện tử cần thiết cho việc xử lý ngôn ngữ tự động bằng máy tính Một trong những cơ sở dữ liệu đó chính là cơ sở dữ liệu từ điển tiếng Việt chuyên dùng cho máy tính để xử lý tiếng Việt

Việc xử lý ngôn ngữ tự nhiên bằng máy tính bao gồm nhiều bài toán khác nhau, như: phân tích hình thái, cú pháp, ngữ nghĩa,… cho các cấp độ từ, ngữ, câu, văn bản,…nhưng tất cả các công việc xử lý ấy đều cần truy cập đến cơ sở dữ liệu từ điển điện tử (cơ sở dữ liệu về từ trong ngôn ngữ đó) Vì vậy, việc tiên quyết cho mọi bài toán xử lý ngôn ngữ chính là cần phải xây dựng được từ điển điện tử mà máy tính có thể “đọc” được (trong chuyên môn, từ điển này được gọi tắt là MRD: Machine Readable Dictionary)

2.1.2.2 Cấu trúc của MRD:

Trong phạm vi nghiên cứu của luận văn, chúng tôi muốn nêu lên một số vấn đề cần giải quyết trong việc xây dựng từ điển MRD cho tiếng Việt, tiếng Anh và tiếng Hoa9, như: cấu trúc vĩ mô, cấu trúc vi mô của từ điển, đặc điểm về hình thái, ngữ pháp và ngữ nghĩa của những đơn vị “mục từ” (entry) trong từ điển, tính quốc tế của những tiêu chí lựa chọn mục từ sao cho từ điển này có thể kế thừa, giao tiếp với các hệ xử lý ngôn ngữ tự động thông dụng (tiếng Anh) trên thế giới Trong phần này, chúng tôi cũng sẽ đề cập đến cách thức xây dựng tự động MRD và cách tổ chức cấu trúc dữ liệu cho MRD

Định dạng
Số trang	133
Dung lượng	3,06 MB