NGHIÊN CỨU BÀI TOÁN XÁC ĐỊNH COLLOCATION TRONG TIẾNG VIỆT

NGHIÊN CỨU BÀI TOÁN XÁC ĐỊNH COLLOCATION TRONG TIẾNG VIỆT

Fn H ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ Phạm Thị Ngọc Bích NGHIÊN CỨU BÀI TOÁN XÁC ĐỊNH COLLOCATION TRONG TIẾNG VIỆT KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI - 2009 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ Phạm Thị Ngọc Bích NGHIÊN CỨU BÀI TOÁN XÁC ĐỊNH COLLOCATION TRONG TIẾNG VIỆT KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hƣớng dẫn: Th.S Trần Thị Oanh Cán bộ đồng hƣớng dẫn: CN. Nguyễn Minh Tuấn HÀ NỘI - 2009 Lời cảm ơn Trƣớc hết, tôi xin gửi lời cảm ơn và lòng biết ơn sâu sắc nhất tới Phó Giáo sƣ Tiến sỹ Hà Quang Thụy, Thạc sỹ Trần Thị Oanh và Cử nhân Nguyễn Minh Tuấn, những ngƣời đã tận tình quan tâm, chỉ bảo và hƣớng dẫn tôi trong suốt quá trình thực hiện Khóa luận tốt nghiệp. Tôi xin chân thành cảm ơn các thầy cô đã tạo cho tôi những điều kiện thuận lợi để học tập và nghiên cứu tại Trƣờng Đại học Công nghệ. Tôi cũng xin gửi lời cảm ơn tới các anh chị trong SIS Lab đã tận tình giúp đỡ, hỗ trợ cho tôi về kiến thức chuyên môn. Cuối cùng, tôi muốn gửi lời cảm ơn tới gia đình, bạn bè, những ngƣời thân yêu luôn bên cạnh động viên, là nguồn cổ vũ để tôi hoàn thành Khóa luận tốt nghiệp. Tôi xin chân thành cảm ơn! Sinh viên Phạm Thị Ngọc Bích Tóm tắt nội dung Collocation là những cụm từ (gồm hai hay nhiều từ) thƣờng đƣợc sử dụng với nhau. Bài toán xác định collocation trong một kho ngữ liệu đã và đang nhận đƣợc nhiều sự quan tâm, nghiên cứu của các nhà khoa học trên thế giới. Có rất nhiều phƣơng pháp để giải quyết bài toán này, song hiện nay, các phƣơng pháp thống kê đang đƣợc sử dụng phổ biến bởi những ngƣời làm trong lĩnh vực Xử lý ngôn ngữ tự nhiên. Khóa luận tốt nghiệp với đề tài “Nghiên cứu bài toán xác định collocation trong Tiếng Việt” tập trung nghiên cứu một số phƣơng pháp thống kê điển hình (Tần suất, Kỳ vọng và phƣơng sai, Kiểm thử t, Kiểm thử khi-bình phƣơng, Tỷ lệ likehood, Thông tin tƣơng hỗ) để trích chọn collocation. Khóa luận đã tiến hành thử nghiệm xác định collocation tiếng Việt cho kết quả tƣơng ứng với các phƣơng pháp kiểm thử thống kê nói trên. Thông qua kết quả thử nghiệm, Khóa luận nhận thấy phƣơng pháp Kiểm thử khi- bình phƣơng phù hợp nhất để xác định collocation trong tiếng Việt. Mục lục Lời mở đầu . 1 Chƣơng 1. TỔNG QUAN VỀ BÀI TOÁN XÁC ĐỊNH COLLOCATION . 3 1.1. Khái niệm collocation 3 1.1.1. Định nghĩa collocation . 3 1.1.2. Đặc trƣng của collocation 4 1.2. Collocation trong các ứng dụng Xử lý ngôn ngữ tự nhiên 4 Chƣơng 2. CÁC PHƢƠNG PHÁP XÁC ĐỊNH COLLOCATION . 6 2.1. Phƣơng pháp Tần suất (Frequency) 7 2.2. Phƣơng pháp Kỳ vọng và Phƣơng sai (Mean & Variance) . 11 2.3. Kiểm thử Giả thuyết (Hypothesis testing) 16 2.3.1. Kiểm thử t (t test) . 17 2.3.2. Kiểm thử Giả thuyết để đo sự khác biệt giữa hai tập hợp (Hypothesis testing of differences) . 19 2.4. Kiểm thử khi-bình phƣơng (Pearson’s chi-square test) 21 2.5. Các tỉ lệ likelihood (Likelihood ratios) . 26 2.5.1. Tỉ lệ likelihood (Likelihood ratio) 26 2.5.2. Các tỉ lệ tần suất tƣơng đối (Relative Frequency Ratios) 29 2.6. Thông tin tƣơng hỗ MI (Mutual information) . 30 Chƣơng 3. COLLOCATION TRONG TIẾNG VIỆT . 36 3.1. Đặc điểm từ vựng Tiếng Việt . 36 3.1.1. Đơn vị cấu tạo từ 36 3.1.2. Phƣơng thức cấu tạo từ . 36 3.1.3. Biến thể của từ 37 3.1.4. Những quá trình diễn ra trong sự phát triển từ vựng Tiếng Việt 38 3.2. Khái niệm collocation trong Tiếng Việt . 40 3.3. Bài toán xác định collocation trong Tiếng Việt 41 Chƣơng 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ 44 4.1. Dữ liệu thực nghiệm 44 4.1.1. Chuẩn bị dữ liệu . 44 4.1.2. Tiền xử lý dữ liệu . 44 4.2. Thiết kế thực nghiệm . 45 4.2.1. Phƣơng pháp thực nghiệm 45 4.3. Kết quả thực nghiệm và đánh giá kết quả . 46 Kết luận 49 Tài liệu tham khảo 50 Tài liệu Tiếng Việt . 50 Tài liệu Tiếng Anh . 50 Phụ lục . 53 1. Bảng phân phối t 53 2. Bảng phân phối 54 Danh sách các bảng Bảng 1. Tìm kiếm collocation dựa vào tần suất. . 7 Bảng 2. Các mẫu từ loại dùng cho việc lọc collocation. . 8 Bảng 3. Tìm kiếm collocation: bộ lọc từ loại của Justeson và Katz. . 9 Bảng 4. Các danh từ w xuất hiện thƣờng xuyên nhất trong các mẫu strong w và powerful w 10 Bảng 5. Tìm kiếm collocation dựa vào Kỳ vọng và phƣơng sai 15 Bảng 6. Xếp hạng 10 bigram xuất hiện với cùng tần suất là 20 với Kiểm thử t . 19 Bảng 7. Kiểm thử giả thuyết để đo sự khác biệt giữa hai tập hợp: các từ xuất hiện có ý nghĩa với powerful và strong. . 20 Bảng 8. Bảng 2x2 chỉ ra sự phụ thuộc của sự xuất hiện new và companies. . 22 Bảng 9. Tƣơng ứng của vache và cow trong hai kho ngữ liệu đã sắp xếp tƣơng ứng. . 25 Bảng 10. Phép thử cho sự độc lập của các từ trong các kho ngữ liệu khác nhau, sử dụng . 25 Bảng 11. Cách tính toán giá trị likelihood của Dunning. 27 Bảng 12. Các bigram có chứa powerful với hạng cao nhất theo phép thử likelihood ratio của Dunning. 28 Bảng 13. Phép thử tỉ lệ tần suất của Damerau. . 30 Bảng 14. Tìm kiếm collocation dựa vào thông tin tƣơng hỗ. 31 Bảng 15. Sự phù hợp của chambre và house, communes và house trong kho ngữ liệu. 32 Bảng 16. Thông tin tƣơng hỗ từ các dữ liệu rải rác. . 33 Bảng 17. Các định nghĩa khác nhau về thông tin tƣơng hỗ. 35 Bảng 18. Các collocation có giá trị khi-bình phƣơng cao nhất . 43 Bảng 19. Cấu hình phần cứng sử dụng trong thực nghiệm . 45 Bảng 20. Giá trị ngƣỡng cho các phƣơng pháp xác định collocation 46 Bảng 21. Đánh giá độ chính xác của các phƣơng pháp xác định collocation 47 Bảng 22. Một số collocation thu đƣợc từ thực nghiệm . 48 Danh sách các hình Hình 1. Sử dụng cửa sổ collocation 3 từ để lấy đƣợc các bigram ở một khoảng cách. 12 Hình 2. Biểu đồ tần suất biểu diễn vị trí tƣơng đối của strong với các “từ trung tâm”: opposition, support, for. 14 Hình 3. Phân loại cụm từ cố định Tiếng Việt. 41 1 Lời mở đầu Collocation có ích trong nhiều ứng dụng Xử lý ngôn ngữ tự nhiên, ví dụ nhƣ sinh ngôn ngữ tự nhiên, dịch tự động, tóm tắt văn bản và xây dựng từ điển . [17] Chính vì tầm quan trọng của collocation, nên ngƣời ta đặt ra một vấn đề là làm thế nào để xác định các collocation trong kho ngữ liệu. Có nhiều phƣơng pháp để giải quyết bài toán xác định collocation, trong đó có phƣơng pháp xác định dựa vào thống kê. Phƣơng pháp thống kê sử dụng các kỹ thuật toán học khác nhau và các kho ngữ liệu lớn để mở rộng xấp xỉ các mô hình suy rộng về hiện tƣợng ngôn ngữ, dựa trên các ví dụ thực tế về các hiện tƣợng ngôn ngữ đƣợc cung cấp bởi kho ngữ liệu mà không bổ sung vào các thành phần tri thức khác. Khóa luận với đề tài “Nghiên cứu bài toán xác định collocation trong Tiếng Việt” tập trung nghiên cứu về collocation, các phƣơng pháp xác định collocation từ các ngôn ngữ khác nhau và lựa chọn phƣơng pháp, thi hành chƣơng trình thực nghiệm để kiểm chứng tính khả thi của chúng trên kho ngữ liệu Tiếng Việt. Khóa luận gồm bốn chƣơng, nội dung đƣợc mô tả sơ bộ nhƣ sau: Chƣơng 1. Tổng quan về bài toán xác định collocation giới thiệu khái niệm collocation, đặc trƣng của collocation. Chƣơng này cũng nêu lên tầm quan trọng cũng nhƣ ứng dụng của collocation trong lĩnh vực Xử lý ngôn ngữ tự nhiên. Chƣơng 2. Các phương pháp xác định collocation phân tích các phƣơng pháp thống kê đang đƣợc sử dụng phổ biến để xác định collocation, một số đánh giá ƣu nhƣợc điểm cũng nhƣ mức độ phù hợp của từng phƣơng pháp đối với mỗi loại collocation và dữ liệu khác nhau. Chƣơng 3. Collocation trong Tiếng Việt trình bày đặc điểm của Tiếng Việt, khái niệm collocation trong Tiếng Việt và phát biểu Bài toán xác định collocation trong Tiếng Việt. Chƣơng 4. Thực nghiệm và đánh giá trình bày nội dung thử nghiệm sử dụng các phƣơng pháp Tần suất (Frequency), Kiểm thử t (t test), Kiểm thử khi- bình phương (chi-square test), Tỉ lệ likelihood (Likelihood ratio), và Thông [...]... quan trọng của collocation, nên ngƣời ta đặt ra một vấn đề là làm thế nào để xác định collocation Bài toán xác định collocation (hay còn gọi là Bài toán trích chọn collocation – Collocation extraction) đƣợc phát biểu nhƣ sau Xác định collocation là việc sử dụng máy tính để trích chọn ra các collocation một cách tự động từ một kho ngữ liệu (copus)” Howarth và Nasi [16] cho rằng hầu hết trong các đoạn...tin tương hỗ (Mutual information) để xác định collocation trong tập văn bản Tiếng Việt Qua đó, Khóa luận cũng đánh giá mức độ phù hợp của các phƣơng pháp đó trong Tiếng Việt Phần kết luận tổng kết và tóm lƣợc nội dung chính của khóa luận 2 Chƣơng 1 TỔNG QUAN VỀ BÀI TOÁN XÁC ĐỊNH COLLOCATION 1.1 Khái niệm collocation 1.1.1 Định nghĩa collocation Ngôn ngữ tự nhiên là một hệ thống giao tiếp... quan hệ ngữ nghĩa trong các mục từ” [17] Smith [25] xem xét các collocation để tìm ra các sự kiện liên quan đến thông tin ngày tháng và địa điểm trong văn bản không có cấu trúc 5 Chƣơng 2 CÁC PHƢƠNG PHÁP XÁC ĐỊNH COLLOCATION Những năm gần đây, các phƣơng pháp thống kê đƣợc sử dụng nhiều để giải quyết các bài toán về ngôn ngữ tự nhiên, trong đó có Bài toán xác định collocation [20] Trong ngôn ngữ học,... chính xác một cách bất ngờ Ví dụ phƣơng pháp này đã xác định đƣợc chính xác strong challenges và powerful computers chứ không phải là powerful challenges và strong computers Tuy nhiên, có thể nhìn thấy những hạn chế của phƣơng pháp xác định collocation dựa vào tần suất Ví dụ trong Bảng 4, các danh từ man và force đƣợc sử dụng với cả hai tính từ strong và powerful Cần phải có các phân tích tinh vi hơn trong. .. các collocation trong lĩnh vực đó c Tính “lặp lại” (Recurrent): các collocation là sự kết hợp từ đƣợc lặp lại thƣờng xuyên trong ngữ cảnh xác định d Tính “cụm từ cố kết” (Cohesive lexical cluster): đặc trƣng này đƣợc hiểu nhƣ là sự xuất hiện của một hay một vài từ thƣờng bao hàm sự xuất hiện của một collocation chứa nó 1.2 Collocation trong các ứng dụng Xử lý ngôn ngữ tự nhiên Collocation có ích trong. .. customary places of the word) Benson và Morton [17] định nghĩa collocation là: sự kết hợp từ tùy ý và thƣờng tái diễn (an arbitrary and recurrent word combination) Theo Lin [19], collocation đƣợc định nghĩa là sự kết hợp từ theo thói quen 3 Kết hợp các định nghĩa của nhiều nhà khoa học, có thể đƣa ra một định nghĩa chung nhất về collocation nhƣ sau Định nghĩa: Collocation là một cụm từ gồm hai hay nhiều từ... 1999) [13][20] và sự phù hợp của chúng trong việc xác định collocation (Krenn & Evert, 2001) [18] đã đƣợc thảo luận rộng rãi trong lĩnh vực ngôn ngữ học Độ đo đƣợc lựa chọn sẽ gán cho mỗi cặp từ một điểm số để đánh giá sự kết hợp từ Điểm số này đƣợc tính toán dựa nhiều vào tần suất xuất hiện từ Trong khi các số đo về sự kết hợp có giá trị thống kê trong việc phát hiện collocation, cần chú ý rằng có vài... translation) đƣợc xem nhƣ là một trong những công việc khó khăn nhất trong xử lý ngôn ngữ tự nhiên, và trong trí tuệ nhân tạo Việc dịch đúng dƣờng nhƣ là không thể nếu không có những hiểu biết về văn bản Theo Gitsaki [14], một collocation trong ngôn ngữ này khác với chính nó trong ngôn ngữ khác, vì thế việc dịch collocation là một việc không dễ Thông tin về collocation cũng là chủ yếu trong các công việc tóm... lớn nhất trong kho ngữ liệu ví dụ cũng là 20 bigram có giá trị lớn nhất Phép thử cũng phù hợp với các xác suất lớn, cho những giả thiết thông thƣờng mà phép thử t test thất bại Điều này có lẽ là lý do khiến miền rộng hơn của bài toán tìm kiếm collocation đƣợc ứng dụng trong những Một trong số các cách sử dụng phép thử trong lĩnh vực thống kê xử lý ngôn ngữ tự nhiên là nhận diện các cặp dịch trong tập... pháp Tần suất sẽ không sử dụng đƣợc ở đây Nhƣng có đủ tính hợp thức trong các mẫu để cho phép chúng ta xác định đƣợc rằng trong tình huống này, sử dụng knock là đúng, chứ không phải hit, beat, hay rap 11 Câu: Các bigram: Hình 1 Sử dụng cửa sổ collocation 3 từ để lấy đƣợc các bigram ở một khoảng cách Cần định nghĩa một cửa sổ collocation (collocational window), thông thƣờng mỗi cửa sổ từ 3 đến 4 từ, mỗi