Nghiên cứu nhận dạng thực thể có tên và thực thể biểu hiện trong văn bản và ứng dụng

Mục tiêu cụ thể và phạm vi nghiên cứu của luận án Như đã nêu trong lý do chọn đề tài, luận án tập trung vào bài toán nhận dạngthực thể với hai loại dữ liệu thuộc hai ngôn ngữ khác nhau l

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

TRẦN MAI VŨ

NGHIÊN CỨU NHẬN DẠNG THỰC THỂ CÓ TÊN

VÀ THỰC THỂ BIỂU HIỆN TRONG VĂN BẢN VÀ ỨNG DỤNG

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

Hà Nội – 2018

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

TRẦN MAI VŨ

NGHIÊN CỨU NHẬN DẠNG THỰC THỂ CÓ TÊN

VÀ THỰC THỂ BIỂU HIỆN TRONG VĂN BẢN VÀ ỨNG DỤNG

Chuyên ngành: Hệ thống thông tin

Mã số: 62.48.05.01

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS.TS Hà Quang Thụy

2 PGS.TS Nguyễn Lê Minh

Hà Nội – 2018

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các kết quả đượcviết chung với các tác giả khác đều được sự đồng ý của các đồng tác giả trước khi đưavào luận án Các kết quả nêu trong luận án là trung thực và chưa từng được công bốtrong các công trình nào khác

Tác giả

Trần Mai Vũ

LỜI CẢM ƠN

Luận án được thực hiện tại Bộ môn Hệ thống thông tin - Khoa Công nghệ thôngtin - Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội, dưới sự hướng dẫn khoahọc của PGS.TS Hà Quang Thụy và PGS.TS Nguyễn Lê Minh

Trước tiên tôi xin bày tỏ lòng biết ơn sâu sắc tới thầy PGS.TS Hà Quang Thụy

và PGS.TS Nguyễn Lê Minh, những người đã đưa tôi đến với lĩnh vực nghiên cứunày Các thầy đã tận tình giảng dạy, hướng dẫn giúp tôi tiếp cận và đạt được thànhcông trong công việc nghiên cứu của mình Các thầy đã luôn tận tâm động viên,khuyến khích và chỉ dẫn giúp tôi hoàn thành được bản luận án này

Tôi xin bày tỏ lòng biết ơn tới các Thầy Cô thuộc Khoa Công nghệ thông tin vàcán bộ Phòng Đào tạo - Trường Đại học Công nghệ, đã tạo mọi điều kiện thuận lợigiúp đỡ tôi trong quá trình học tập và nghiên cứu tại trường

Tôi xin cảm ơn PGS TS Nigel Collier và cộng sự đã đóng góp ý kiến quý báugiúp tôi hoàn thiện bản luận án

Sự động viên, cổ vũ của bạn bè là nguồn động lực quan trọng để tôi hoàn thànhluận án Tôi xin bày tỏ lòng biết ơn sâu sắc tới gia đình, vợ và các con tôi đã tạo điểmtựa vững chắc cho tôi có được thành công như ngày hôm nay

Tác giả

Trần Mai Vũ

Mục tiêu cụ thể và phạm vi nghiên cứu của luận án 12

1.3.1 Những thách thức đối với xử lý dữ liệu tiếng Việt 24

1.4 Nhận dạng thực thể trong dữ liệu văn bản y sinh tiếng Anh và một số

1.4.1 Những thách thức đối với xử lý dữ liệu y sinh 29

1.5 Tổng kết chương 34Chương 2 – NHẬN DẠNG THỰC THỂ TÊN NGƯỜI KẾT HỢP VỚI NHẬN

DẠNG THUỘC TÍNH THỰC THỂ CÓ TÊN TRONG VĂN BẢN

2.3 Một mô hình giải quyết bài toán nhận dạng thực thể tên người kết hợp với

2.4.2 Kết quả thực nghiệm đánh giá trên toàn hệ thống 492.4.3 Kết quả thực nghiệm đánh giá trên từng nhãn 502.5 Mô hình áp dụng vào hệ thống hỏi đáp tên người tiếng Việt 52

2.5.2 Đặc trưng câu hỏi liên quan đến thực thể tên người trong tiếng Việt 53

3.1.2 Một số khái niệm cơ bản liên quan đến thực thể biểu hiện và một số

3.3.1 Thực nghiệm 1: đánh giá hiệu quả của mô hình đề xuất với các kỹ

3.3.2 Thực nghiệm 2: so sánh kết quả của mô hình đề xuất với một số

3.3.3 Thực nghiệm 3: đánh giá đóng góp của từng tài nguyên đối với kết

3.3.4 Thực nghiệm 4: ứng dụng mô hình đề xuất để nhận dạng thực thể y

3.4 Thích nghi miền dữ liệu trong nhận dạng thực thể y sinh 97

Chương 4 – MỘT MÔ HÌNH NÂNG CẤP HIỆU QUẢ NHẬN DẠNG THỰC THỂ

Y SINH DỰA TRÊN KỸ THUẬT LAI GHÉP VÀ HỌC XẾP HẠNG 1034.1 Mô hình nâng cấp nhận dạng thực thể biểu hiện và các thực thể liên quan 103

4.2.2 Phương pháp lai ghép sử dụng học máy gán nhãn chuỗi 1084.2.3 Phương pháp lai ghép sử dụng học xếp hạng 109

4.3 Thực nghiệm và đánh giá kết quả 111

DANH MỤC CÁC KÍ HIỆU VÀ CHỮ VIẾT TẮT

NER Named Entity Recognition Nhận dạng thực thể định

danhNLP Natural Language Processing Xử lý ngôn ngữ tự nhiênBioNLP Biomedical Natural Language Xử lý ngôn ngữ tự nhiên cho

IE Information Extraction Trích xuất thông tin

CRF Conditional Random Fields Trường ngẫu nhiên có điều

kiệnSVM Support Vector Machine Máy véctơ hỗ trợ

SVM-LTR SVM-Learn to rank Học xếp hạng máy véctơ hỗ

trợ

ME Model, Maximum Entropy Model Mô hình Entropy cực đạiMaxent Model

MEM+BS Maximum Entropy Model Mô hình Entropy cực đại với

with Beam Search giải mã tìm kiếm chùm

DANH MỤC CÁC BẢNG

Bảng 2.1 Một ví dụ về trích chọn thực thể tên người và các thuộc tính liên quan 37

Bảng 3.2 Các đặc điểm của dữ liệu Phenominer A về bệnh tự miễn dịch và

Bảng 3.4 Thực nghiệm so sánh các phương pháp học máy khác nhau 90Bảng 3.5 Thực nghiệm so sánh mô hình đề xuất và các hệ thống khác 92Bảng 3.6 Kết quả đánh giá tài nguyên của mô hình nhận dạng thực thể 94Bảng 3.7 Thống kê trên ba tập dữ liệu của nhiệm vụ CDR [WPL15] 96Bảng 3.8 Kết quả mô hình nhận dạng trên tập dữ liệu kiểm thử 96Bảng 3.9 Kết quả F1 của hệ thống NER sử dụng phương pháp thực nghiệm 1-6 99Bảng 4.1 Các đặc trưng được MEM + BS sử dụng để quyết định kết quả 109Bảng 4.2 Kết quả của mô hình trên tập dữ liệu Phenominer A khi sử dụng các

8

Bảng 4.3 Kiểm thử độ tin cậy dựa trên thống kê về sự khác biệt hiệu năng sử dụng

xấp xỉ ngẫu nhiên đối với các thực nghiệm loại bỏ lần lượt từng tài

Bảng 4.4 Kiểm thử độ tin cậy dựa trên thống kê về sự khác biệt hiệu năng sử dụng

Bảng 4.5 Các lỗi của mô đun quyết định kết quả sử dụng danh sách ưu tiên (PL) và

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 0.1 Thống kê các công trình nghiên cứu liên quan đến cụm từ “named entity

recognition” trên Springer từ 2002 - tháng 11/2017 11Hình 0.2 Biểu đồ phân bố các công trình đã công bố của nghiên cứu sinh tương ứng

Hình 1.1 Mô tả các độ đo độ chính xác, độ hồi tưởng và độ đo F1 20Hình 1.2 Các nhiệm vụ về xử lý ngôn ngữ tự nhiên cho văn bản y sinh trong giai

Hình 3.2 Ví dụ chứa các thực thể biểu hiện, gen, bệnh và mối quan hệ giữa chúng 68Hình 3.3 Lược đồ ngữ nghĩa của các loại thực thể nhận dạng trong luận án 73Hình 3.4 Mô hình nhận dạng thực thể biểu hiện của Khordad và cộng sự [KMR11] 76Hình 3.5 Mô hình nhận dạng thực thể biểu hiện và các thực thể liên quan 82Hình 4.1 Kiến trúc tổng quan của hệ thống NER y sinh 104Hình 4.2 Một ví dụ gán nhãn các đặc trưng dựa trên tài nguyên trong câu 105Hình 4.3 Mô hình hệ thống sử dụng danh sách ưu tiên để quyết định kết quả 107

Hình 4.5 Mô hình hệ thống sử dụng MEM + BS để quyết định kết quả 108Hình 4.6 Mô hình hệ thống sử dụng SVM-LTR để quyết định kết quả 110

MỞ ĐẦU

Lý do chọn đề tài

Nhận dạng thực thể có tên (Named entity recognition: NER; còn được gọi là

“nhận dạng thực thể định danh”) là một bài toán chính thuộc lĩnh vực xử lý ngôn ngữ

tự nhiên (NLP) Đây là một bài toán tiền đề cho các hệ thống về hiểu ngôn ngữ haykhai phá dữ liệu văn bản như trích xuất sự kiện, hỏi đáp tự động hay tìm kiếm ngữnghĩa Chính vì vậy, cùng với sự phát triển của dữ liệu văn bản trên Internet, bài toánnày cũng nhận được sự quan tâm của cộng đồng nghiên cứu trong khoảng 20 năm trởlại đây

Named Entity Recognition

Hình 0.1 Thống kê các công trình nghiên cứu liên quan đến cụm từ “named entity

recognition” trên Springer từ 2002 - tháng 11/2017

Kết quả trả lời của trang web tìm kiếm của Springer với truy vấn “Named entity

recognition” theo cách chính xác cụm từ (“with the exact phrase”) 1 cho thấy từ năm

2002 đến nay có trên 3500 công trình liên quan, với trên 1800 công trình công bốtrong 5 năm gần đây từ 2013 đến 2017 (khoảng 350 công trình/năm) như chỉ ra ởHình 0.1 Không chỉ nhiều về số lượng, các nghiên cứu về NER cũng xuất

1

https://link.springer.com/search?query=%22%E2%80%9CNamed+entity+recognition%E2%80%9D%22&da facet-mode=between&facet-start-year=1998&showAll=true#

te-hiện thường xuyên tại các hội nghị thường niên hàng đầu về NLP như ACL, EMNLP,NAACL,… hay các tạp chí danh tiếng có chỉ số IF (impact factor) cao như PLOSONE, Bioinformatics, TKDE, TACL,…

Mặc dù đã có khá nhiều công trình nghiên cứu cho một số loại thực thể thôngthường trong văn bản tiếng Anh tuy nhiên những nghiên cứu liên quan đến các thựcthể trong ngôn ngữ khác như tiếng Việt hay các miền dữ liệu đặc biệt như miền dữliệu y sinh vẫn còn rất nhiều hạn chế và thách thức Có thể kể đến là sự khuyết thiếucác tập dữ liệu gán nhãn chuẩn, tài nguyên ngôn ngữ về tri thức miền hay các địnhnghĩa hình thức về kiểu thực thể cần nhận dạng… Luận án này tiếp nối những nghiêncứu trước đó nhằm giải quyết một phần những hạn chế được nêu ra ở trên Mục tiêu

cụ thể và phạm vi nghiên cứu của luận án sẽ được mô tả kỹ hơn ở phần tiếp theo

Mục tiêu cụ thể và phạm vi nghiên cứu của luận án

Như đã nêu trong lý do chọn đề tài, luận án tập trung vào bài toán nhận dạngthực thể với hai loại dữ liệu thuộc hai ngôn ngữ khác nhau là các thực thể thuộc dữliệu văn bản tiếng Việt và các thực thể thuộc dữ liệu văn bản y sinh

Mục tiêu cụ thể của luận án là phát triển vấn đề, đề xuất giải pháp và xây dựngthực nghiệm cho việc nhận dạng các loại thực thể thuộc hai miền dữ liệu trên

Nhìn chung, bài toán nhận dạng thực thể đã được quan tâm nghiên cứu và đạtđược một số kết quả nhất định, tuy nhiên các kết quả này hầu hết chỉ xử lý cho cácthực thể thông thường trong văn bản tiếng Anh Trong khi đấy, nhận dạng thực thểvới miền dữ liệu văn bản thông thường tiếng Việt và văn bản y sinh vẫn còn nhiềuvấn đề lớn đặt ra như không có một tập dữ liệu chuẩn cùng những mô tả rõ ràng vềkhái niệm liên quan đến các thực thể hay các tài nguyên công cụ phục vụ cho việcnhận dang Nhìn nhận được các hạn chế này, luận án tập trung vào giải quyết hai bàitoán nói trên trong phạm vi dữ liệu có tính chất đặc thù hơn, cụ thể là:

Giải quyết bài toán nhận dạng thực thể cho dữ liệu văn bản tiếng Việt.

Nghiên cứu sinh đi sâu vào việc tìm hiểu những thành quả nghiên cứu tiên tiến

về nhận dạng thực thể với mong muốn áp dụng và đề xuất các cải tiến mớinhằm áp dụng và cải thiện hiệu quả cho quá trình nhận dạng thực thể trong văn

bản tiếng Việt Bên cạnh đấy, luận án tìm hiểu một trong những

hướng ứng dụng điển hình của các mô hình nhận dạng thực thể tiếng Việt, cụ thể ở đây là bài toán hỏi đáp tự động cho tiếng Việt.

Giải quyết bài toán nhận dạng thực thể cho dữ liệu y sinh (tiếng Anh) Số

lượng dữ liệu y sinh dưới dạng điện tử đang tăng với tốc độ cao tạo nên tiềmnăng lớn phục vụ cho một loạt các ứng dụng xã hội, đặc biệt là y tế cộng đồng.Với tiềm năng nói trên và tính chất phức tạp từ đặc thù chuyên ngành, khaiphá dữ liệu y sinh đang là một thách thức lớn đối với các nhà khoa học trêntoàn thế giới Nắm bắt được xu hướng nghiên cứu này, luận án khảo sát và đềxuất phương án giải quyết bài toán nhận dạng thực thể trong văn bản y sinh kếthợp nhiều nguồn tài nguyên tri thức cũng như các kỹ thuật học máy thống kê.Luận án tập trung vào bài toán nhận dạng thực thể biểu hiện (phenotype) và

các thực thể liên quan như: gene, bệnh, bộ phận cơthể,…

Trên cơ sở phân tích công phu các giải pháp tiên tiến trên thế giới, luận án đượcđịnh hướng vào việc nghiên cứu phát triển các giải pháp hiệu quả tương thích vớimiền dữ liệu có nhiều đặc trưng đặc biệt và xây dựng thực nghiệm đánh giá Cụ thể,luận án giải đáp các vấn đề nghiên cứu sau đây:

Khảo sát và đưa ra các phương án xử lý các đặc điểm riêng biệt của với dữ liệu tiếng Việt và dữ liệu y sinh tiếng Anh

Đề xuất phương án tiếp cận mới tận dụng được các nghiên cứu tiên tiến trước

đó và tiếp cận giải quyết được những đặc điểm riêng biệt của miền dữ liệu đang xem xét

Xây dựng bộ dữ liệu phục vụ cho thực nghiệm

Xây dựng các thực nghiệm để đánh giá các mô hình giải quyết bài toán đã đề xuất

Xây dựng hệ thống chạy thực tế đối với các mô hình đạt kết quả khả quan Định hướng phát triển nâng cấp nghiên cứu

Ở Việt Nam, đã có một số luận án tiến sĩ nghiên cứu về các bài toán nhận dạngthực thể trong tiếng Việt Luận án tiến sĩ của Sam Chanrathany (2013) [SC13] làm về

Việt sử dụng phương pháp học bán giám sát Luận án tiến sĩ của Nguyễn Thanh Hiên(2011) [NTH11] giải quyết vấn đề phân biệt nhập nhằng giữa các thực thể dựa trênnguồn tri thức từ các ontology miền đóng và miền mở Cả hai luận án này đã đưa rađược một số cách giải quyết nhận dạng thực thể cùng xử lý nhập nhằng thông qua cácthuộc tính có quan hệ đến thực thể Tuy nhiên tập dữ liệu đánh giá là tương đối nhỏ(1200 câu) chưa thể hiện rõ được hiệu quả mà các phương pháp đem lại.

Luận án khảo sát một số luận án Tiến sỹ trên thế giới liên quan đến chủ đề nhậndạng thực thể gene và thực thể biểu hiện, điển hình là [VA10, KM14] Vlachos (2010)[VA10] tập trung giải quyết hai bài toán là nhận dạng thực thể các thực thể gene vàtrích xuất sự kiện tại hội thảo BioNLP, các phương pháp được áp dụng hầu hết dựatrên kỹ thuật nhận dạng bằng luật và một ít kỹ thuật học máy nên các mô hình chưacho kết quả cao Khordad (2014) [KM14] đi sâu vào bài toán nhận dạng thực thể biểuhiện và thực thể gene, sau đó dựa vào kết quả nhận dạng để phát hiện các mỗi quan

hệ giữa biểu hiện – gene Luận án này mặc dù đã đề cập đến thực thể biểu hiện tuynhiên chưa nêu được một định nghĩa rõ ràng về thực thể biểu hiện nên bỏ sót khảnhiều kết quả trong quá trình nhận dạng, bên cạnh đấy, luận án này cũng chỉ quan tâmđến mối quan hệ giữa biểu hiện – gene mà chưa quan tâm đến mối quan hệ giữa biểuhiện và các loại thực thể khác như bệnh, hóa chất, bộ phận cơ thể v.v

Đối sánh nội dung các công trình nghiên cứu trong và ngoài nước, trong đó cóluận án Tiến sỹ, luận án của nghiên cứu sinh có những điểm khác biệt về khía cạnhphương pháp tiếp cận cũng như về khía cạnh dữ liệu Cụ thể là:

- Đối với bài toán nhận dạng thực thể trong văn bản tiếng Việt, luận án tậptrung vào hai vấn đề đó là kết hợp cùng lúc cả nhận dạng thực thể và nhậndạng thuộc tính thực thể trong cùng một mô hình và kiểm chứng trên tập dữliệu đủ tin cậy (10.000 câu gán nhãn) Hơn nữa, nghiên cứu sinh cũng ápdụng mô hình đề xuất vào bài toán hỏi đáp tự động để kiểm định hiệu quảthực tế của mô hình

- Đối với bài toán nhận dạng thực thể y sinh trong văn bản tiếng Anh, luận ánđưa ra những định nghĩa cụ thể hơn về các khái niệm liên quan đến các thựcthể biểu hiện, xây dựng hai tập dữ liệu đánh giá tin cậy (900 câu gán

nhãn mỗi tập) cũng như các thử nghiệm khách quan với các độ đo chuẩn chonhận dạng thực thể y sinh.

Luận án là kết quả của việc kết hợp nghiên cứu lý thuyết với nghiên cứu thựcnghiệm, thông qua một quá trình lô-gic từ khảo sát bài toán, nghiên cứu lý thuyết nềntảng, tiến tới đề xuất giải pháp đối với bài toán, xây dựng thực nghiệm đánh giá giảipháp được đề xuất, rút ra kết luận và công bố kết quả nghiên cứu

Về nghiên cứu lý thuyết, luận án tập trung đề xuất một số giải pháp nhận dạng

thực thể cho dữ liệu văn bản tiếng Việt và dữ liệu văn bản y sinh tiếng Anh Các giảipháp tập trung vào vấn đề kết hợp các mô hình học máy cũng như các tri thức nguồnliên quan đến miền dữ liệu nhằm nâng cao hiệu quả đầu ra đối với các bài toán Kếtquả của các mô hình đạt hiệu quả khả quan có thể áp dụng được trong các hệ thốngchạy thực tế

Luận án trình bày một cách hệ thống các vấn đề liên quan đến bài toán nhậndiện thực thể biểu hiện và các thực thể liên quan như: định nghĩa cụ thể về khái niệmthực thể biểu hiện, cách thức gán nhãn dữ liệu, phương pháp đánh giá và kiểm thửhiệu quả hay vấn đề thích nghi miền (domain adaptation) trong miền dữ liệu thực thểbiểu hiện Hơn nữa, luận án cũng đưa ra được một số khung làm việc (framework)cho việc trích xuất sự kiện cho tiếng Việt cũng như sự kiện trong văn bản y sinh tiếngAnh

Các kết quả nghiên cứu lý thuyết của luận án được công bố trong các ấn phẩmkhoa học chuyên ngành có uy tín [CTLA1, CTLA2, CTLA4 - CTLA7] là minhchứng cho ý nghĩa khoa học của luận án

Về triển khai ứng dụng, luận án đã đề xuất thực thi mô hình hỏi đáp tự động

tiếng Việt dựa trên nhận dạng thực thể [CTLA5] Xây dựng hệ thống tra cứu và thamkhảo các mối quan hệ giữa thực thể biểu hiện – bệnh PhenoMiner (tại địa chỉhttp://phenominer.mml.cam.ac.uk/)

Kết quả triển khai ứng dụng thông qua các hệ thống thử nghiệm và tra cứu nóitrên cho thấy luận án có ý nghĩa thực tiễn

Cấu trúc của luận án

Tiếp nối phần mở đầu này, nội dung chính của luận án được bố cục thành bốn

bản về nhận dạng thực thể cũng như khảo sát lịch sử nghiên cứu và điểm lại một sốnghiên cứu tiêu biểu Các chương tiếp theo đi sâu vào những bài toán con được luận

án tập trung giải quyết Chương 2 trình bày về bài toán nhận dạng thực thể và ứngdụng nhận dạng thực thể vào bài toán hỏi đáp tự động trong văn bản tiếng Việt Tiếptheo đó, chương 3 trình bày một mô hình nhận dạng thực thể biểu hiện và các thựcthể liên quan cũng như vấn đề thích nghi miền giữa các tập dữ liệu y sinh Chương 4,luận án giới thiệu một kỹ thuật nâng cấp hiệu quả của mô hình đề xuất trong chương

3 bằng kỹ thuật lai ghép các mô hình (ensemble models) dựa trên tri thức và dựa trênhọc máy để nhận dạng thực thể trong văn bản y sinh tiếng Anh Phần kết luận tổnghợp các kết quả đạt được cũng như nêu lên một số hạn chế của luận án và trình bàymột số định hướng nghiên cứu trong tương lai

Dưới đây là danh sách các công trình đã công bố của nghiên cứu sinh liên quanđược sử dụng trong các chương của luận án

Hình 0.2 Biểu đồ phân bố các công trình đã công bố của nghiên cứu sinh tương ứng

với các chương của luận án

Chương 1 - KHÁI QUÁT VỀ NHẬN DẠNG THỰC THỂ

Chương 1 của luận án hệ thống hóa các lý thuyết cơ bản về nhận dạng thực thể.Chương này được cấu trúc thành bốn phần nội dung chính Phần 1 trình bày và phântích các khái niệm cơ bản và các thuật ngữ cần quan tâm trong lĩnh vực nghiên cứu,ngoài các định nghĩa, phần này cũng khái quát hóa các độ đo thường được sử dụngtrong nhận dạng thực thể Phần 2 nêu ra một số hướng tiếp cận giải quyết chính cũngnhư một số hướng tiếp cận mới trong nghiên cứu về nhận dạng thực thể Các hướngtiếp cận này sẽ được nêu ra trong hai phần, tương ứng với từng loại dữ liệu là dữ liệuvăn bản tiếng Anh và dữ liệu văn bản tiếng Việt Phần 3 trình bày cụ thể một số kỹthuật học máy tiêu biểu thường được sử dụng trong nhận dạng thực thể cũng nhưtrong các nghiên cứu của luận án Cuối cùng, phần 4 nêu ra tiềm năng nghiên cứu vàđiểm qua một vài ứng dụng nổi bật của nhận dạng thực thể

1.1 Một số khái niệm cơ bản

1.1.1 Định nghĩa bài toán nhận dạng thực thể

Bài toán nhận dạng thực thể (hay còn gọi là bài toán nhận dạng thực thể địnhdanh; Named Entity Recognition; NER) là bài toán xác định (phát hiện) các biểu diễntrong văn bản và phân lớp chúng vào các kiểu thực thể định danh được định nghĩatrước như Người, Địa danh, Thời gian, Số, tiền tệ, v.v Bài toán này có thể bao gồm

cả việc nhận dạng các thông tin hay thuộc tính mô tả về thực thể Ví dụ, trong trườnghợp của thực thể tên người, hệ thống NER có thể trích xuất cả các thông tin về Chứcdanh, Quốc tịch, Địa chỉ, Giới tính, v.v

Một thực thể định danh là một chuỗi các từ chỉ đến một thực thể trong thế giới

thực, ví dụ như "California", “Hà Nội”, “Võ Nguyên Giáp”, "Steve Jobs" và

"Apple" Một thực thể định danh có thể được xếp vào một loại thực thể nào đó, như

Người, Địa điểm, Tổ chức, Thời gian, v.v Như vậy, các thực thể chính là những đốitượng cơ bản nhất trong một văn bản dù ở bất kì ngôn ngữ nào

Luận án sử dụng định nghĩa bài toán nhận dạng thực thể do Aggarwal và Zhai phát biểu [AZ12]:

“Bài toán nhận dạng thực thể (Named entity recognition, NER) là bài toán xác định thực thể định danh từ các văn bản dưới dạng tự do và phân lớp chúng vào một tập các kiểu được định nghĩa trước như người,

tổ chức và địa điểm.”

Các kiểu thực thể định danh không chỉ bao gồm một số kiểu thông dụng như tênngười, địa danh, tên tổ chức mà còn có rất nhiều kiểu khác phụ thuộc vào đặc trưngcủa loại dữ liệu, miền dữ liệu hay mục đích của hệ thống ứng dụng nhận dạng thựcthể Có thể kể đến một số kiểu thực thể được nêu ra tại các nhiệm vụ xử lý ngôn ngữ

tự nhiên (task/shared task) như sau:

- Những kiểu thực thể định danh thông dụng nhất được tập trung nghiên cứu làngười, tổ chức và địa điểm, chúng được định nghĩa lần đầu tại MessageUnderstanding Conference-6 (MUC-6) Những kiểu thực thể này là phổ biến đủ để cóthể trở nên hữu ích trong nhiều miền ứng dụng Việc trích xuất các biểu diễn ngàytháng, giờ, tiền tệ và tỷ lệ phần trăm, cũng được MUC-6 giới thiệu, thường cũng được

xử lý trong NER, mặc dù nói đúng ra thì các biểu diễn này không phải là thực thểđịnh danh

- Nhiệm vụ tại chương trình Automatic Content Extraction (ACE) đưa ra thêmnhiều loại thực thể mới, các loại thực thể được tổ chức dưới dạng cây phân cấp, chitiết hơn MUC6 Ví dụ như kiểu thực thể tên tổ chức (organisation) có các loại connhư tên tổ chức chính phủ, tổ chức giáo dục hay tổ chức thương mại [DMP04]

- Bên cạnh các kiểu thực thể thông thường trong văn bản tin tức, các loại thựcthể liên quan đến y sinh cũng nhận được nhiều sự quan tâm Hội thảoBioNLP/JNLPBA 2004 có nhiệm vụ yêu cầu nhận diện thực thể y sinh gene vàprotein [KOT04] hay nhiệm vụ Track3-CDR tại hội thảo BioCreative V (2015) yêucầu phát hiện thực thể bệnh và thuốc [WPL15]

1.1.2 Thách thức

Tuy là một bài toán cơ bản, nhưng nhận dạng thực thể cũng gặp phải không ítthách thức cần giải quyết do độ phong phú và sự nhập nhằng của ngôn ngữ Thôngthường thì bài toán này không thể được thực hiện một cách đơn giản nếu chỉ sử dụngđối sánh chuỗi với các từ điển đã được xây dựng trước vì các thực thể định danh củamột kiểu thực thể thường không phải là một một tập đóng, do đó bất kỳ từ điển nàocũng sẽ là không đầy đủ Một lý do khác là loại thực thể định danh có thể phụ thuộc

vào ngữ cảnh Ví dụ, "JFK" có thể chỉ tới người "John F Kennedy”, địa điểm "sân

bay quốc tế JFK", hoặc bất kỳ loại nào khác có cùng dạng viết tắt đó Tương tự

“Sông Lam Nghệ An” có thể là địa điểm chỉ tên một con sông tại tỉnh Nghệ An hay

tên một đội bóng “Sông Lam Nghệ An” Để xác định loại cho thực thể "JFK" hay“Sông Lam Nghệ An” xuất hiện trong một tài liệu cụ thể, cần phải xem xét đến

ngữ cảnh chứa nó

Bên cạnh yếu tố về ngữ nghĩa, các yếu tố liên quan đến đặc trưng ngôn ngữcũng góp phần làm bài toán nhận dạng thực thể trở nên khó khăn Một số ngôn ngữnhư tiếng Việt ngoài việc thiếu các tài nguyên xử lý ngôn ngữ tự nhiên còn phải thựchiện một số bài toán con như tách từ trước khi nhận dạng thực thể, tỷ lệ lỗi của cácbài toán con sẽ ảnh hưởng đến kết quả của bài toán nhận dạng thực thể Ngoài ra,từng loại thực thể cũng có những thách thức riêng khác nhau ảnh hưởng đến hiệu quả

của mô hình nhận dạng Ví dụ thực thể tên tổ chức “Ủy ban nhân dân Thành phố Hà

Nội” có chứa thực thể tên địa danh “Thành phố Hà Nội”.

1.1.3 Độ đo đánh giá

Để đánh giá các mô hình nhận dạng thực thể cần phải tạo ra tập các tài liệuđược gán nhãn bằng tay Đối với việc đánh giá trên từng miền cụ thể, các tài liệuđược lựa chọn gán nhãn phải liên quan đến dữ liệu miền mục tiêu Ví dụ, để đánh giáviệc trích xuất các thực thể gen và protein, ta phải sử dụng các tài liệu y sinh như cáctóm tắt từ kho dữ liệu PubMed Nhưng nếu mục đích là để đánh giá so sánh giữa các

tiêu chuẩn đã được cộng đồng nghiên cứu chấp nhận [AZ12] Các tập dữ liệu thườngđược dùng để đánh giá chung cho các loại thực thể định danh thông thường có thể kểđến là tập dữ liệu của hội nghị MUC, CoNLL-2003 và ACE 2004, còn để đánh giácho các loại thực thể trong y sinh có thể sử dụng tập dữ liệu GENIA [KOT03],CHEMDNER [KLR15].

Các số đo đánh giá điển hình được sử dụng cho nhận dạng thực thể là độ chínhxác (precision - P), độ hồi tưởng (recall - R) và độ đo F1 (F1-measure) Độ chính xácđược tính bằng phần trăm các kết quả đúng trong tổng số kết quả nhãn dương của hệthống Độ hồi tưởng là phần trăm các trường hợp được gán nhãn đúng trong tất cả cácmẫu dương có trong dữ liệu Độ đo F1 là trung bình điều hòa của độ chính xác và độhồi tưởng Hình 1.1 mô tả một cách trực quan các độ đo này

Hình 1.1 Mô tả các độ đo độ chính xác, độ hồi tưởng và độ đo F1

Trong nhận dạng thực thể, nói một cách chính xác thì một thực thể định danhđược nhận dạng cần phải thỏa mãn hai tiêu chí: Một là xác định đúng biên thực thể vàhai là xác định đúng kiểu thực thể Hầu hết các đánh giá đòi hỏi việc ánh xạ chínhxác biên thực thể Tuy nhiên, đôi khi trong một số trường hợp thì việc ánh xạ mộtphần cũng được chấp nhận, ví dụ khi mục tiêu chỉ là xác định liệu thực thể nào đó cóđược nhắc đến trong văn bản hay câu hay không [TWC06]

1.1.4 Ứng dụng của nhận dạng thực thể

Nhận dạng thực thể là một bài toán quan trọng, thường được sử dụng như là mộtbước tiền xử lý trong các hệ thống trích xuất thông hay trích chọn thông tin phức tạp

Có thể kể đến nhận dạng thực thể xuất hiện trong một số các ứng dụng sau:

Trích xuất quan hệ là bài toán nhận diện các mối quan hệ ngữ nghĩa giữa hai thực thể hay giữa một thực thể và một khái niệm [GLR06], ví dụ như mối

quan hệ người-nơi làm việc (Ronaldo, Real Madrid) hay quan hệ nơi sinh (Hồ

Chí Minh, Nghệ An) Trong bài toán này, bài toán nhận diện thực thể là vấn đề

đầu tiên cần được giải quyết trước khi trích xuất quan hệ

Trích xuất sự kiện là bài toán phức tạp hơn trích xuất quan hệ khi sự kiện là một tổ hợp của nhiều yếu tố thể hiện các thông tin biểu diễn về ai/cái gì đã làm

gì, với ai/cái gì, bao giờ, ở đâu, bằng cách nào và tại sao Các sự kiện có thể là một sự kiện trong thế giới thực như sự kiện khủng bố, sự kiện tài chính,… hay cũng có thể là một sự kiện xảy ra của một quá trình tự nhiên như các sự kiện y sinh liên quan đến biến đổi gene hay gene gây bệnh Tương tự như trích xuất quan hệ, trong trích xuất sự kiện vấn đề nhận dạng thực thể cũng đặt lên hàng đầu khi yêu cầu phải nhận ra đủ và chính xác các thành phần cấu thành nên sự kiện Nhiều hệ thống về trích xuất sự kiện đã áp dụng thành công NER trong các thành phần xử lý như hệ thống BioCaster

Hệ thống hỏi đáp tự động đang là một lĩnh vực nhận được sự quan tâm lớntrong thời điểm lượng thông tin và tri thức bùng nổ Khá nhiều các hệ thốnghỏi đáp tự động dựa trên khai phá văn bản cần đến nhận dạng thực thể như làmột yếu tố làm tăng khả năng phân tích, hiểu câu hỏi và dữ liệu trả lời trong hệthống [HWY05] Có thể kể đến một số nghiên cứu sử dụng nhận dạng thực thểcho hệ thống hỏi đáp như nghiên cứu của Yao và Van Durme (2014) [YD14]

sử dụng NER trong pha phân tích câu hỏi để xác định chủ đề hỏi hay hệ hỏi

đáp của West và cộng sự (2014) [WGM14] áp dụng NER cho việc

phát hiện các mối quan hệ có trong log được trả về từ máy tìm kiếm hỗ trợcho thành phần trả lời câu hỏi.

1.2 Sơ lược về lịch sử nghiên cứu và một số hướng giải quyết bài toán

Bài toán nhận dạng thực thể đã xuất hiện từ đầu những năm 1990 [RA91],nhưng chỉ được chính thức giới thiệu vào năm 1995 tại hội nghị MUC-6 với tư cách

là một bài toán con của trích xuất thông tin Kể từ đó, NER đã thu hút nhiều sự chú

ý của cộng đồng nghiên cứu Đã có khá nhiều hệ thống và chương trình được xâydựng thực thi bài toán này, có thể kể đến Automatic Content Extraction2, các công bốtrong nhiệm vụ cộng đồng thuộc hội nghị Conference on Natural Language Learning(CoNLL) năm 2002 và 2003, và chuỗi nhiệm vụ nhận dạng thực thể y sinh tại hộithảo BioCreative3 (Critical Assessment of Information Extraction Systems inBiology)

Các giải pháp ban đầu cho nhận dạng thực thể dựa vào các mẫu được tạo mộtcách thủ công [AHB93] Sau đó các nghiên cứu đầu nhưng năm 2000 về nhận dạngthực thể đã đạt được rất nhiều kết quả khả quan bằng việc sử dụng các phương pháphọc máy thống kê Một loạt các mô hình học máy khác nhau đã được đề xuất để giảiquyết bài toán nhận dạng thực thể như mô hình Entropy cực đại (Maximum EntropyModel, MaxEnt Model) [BPP96], mô hình trường ngẫu nhiên điều kiện (ConditionalRandom Field; CRF) [LMP01] Bên cạnh sử dụng từng phương pháp riêng biệt đểgiải quyết bài toán, các phương pháp kết hợp hoặc lai ghép các mô hình học máy(ensemble models method) để đưa ra kết quả tốt hơn cũng là một hướng đi đạt đượchiệu quả cao, điển hình là nghiên cứu của Florian và cộng sự (2003) đã đạt được hiệuquả tốt nhất (88,76) tại nhiệm vụ CONLL-2003 [FIJ03]

2 Automatic content extraction (ACE) evaluation http://www.itl.nist.gov/iad/mig/tests/ace/

3 http://www.biocreative.org/

Sau khi các phương pháp học máy đạt được nhiều hiệu quả khả quan đối vớinhận dạng thực thể trong văn bản tiếng Anh thông thường, các nghiên cứu gần đây đitheo hai hướng chính [AZ12]:

Hướng tiếp tục nâng cấp hiệu quả của phương pháp nhận dạng thực thể bằng cách đưa thêm các thông tin được sinh ra từ một lượng lớn dữ liệu không có nhãn, điển hình của hướng đi này là việc áp dụng các kỹ thuật học máy bán giám sát (semi-supervised) và học máy sâu (deep learning) Ando và Zhang áp dụng học máy bán giám sát sử dụng 27 triệu từ chưa gán nhãn để nâng cấp chất lượng nhận dạng [AZ05], Ratinov và Roth cũng sử dụng bán giám sát với

dữ liệu từ Wikipedia kết hợp với các cụm từ vựng (word clusters) được sinh rabằng phương pháp gom cụm Brown [RR09] Kết quả của hai nhóm đều đạt cao hơn mô hình của Florian và cộng sự (2003) với các độ đo F1 tương ứng là 90,8 và 89,31 Collobert và cộng sự (2011) đưa ra một cách giải quyết khác bằng việc sử dụng kỹ thuật học sâu với việc áp dụng mạng nơron nhiều tầng

để huấn luyện mô hình nhận dạng thực thể kết hợp với các thông tin hỗ trợ từ

852 triệu từ chưa được gán nhãn, kết quả trên độ đo F1 đạt được là 89,59 cũng cao hơn mô hình cơ sở của Florian và cộng sự Mặc dù kết quả tăng chưa cao

so với mô hình chuẩn tuy nhiên các nghiên cứu này tạo được sự quan tâm lớn của cộng đồng nghiên cứu khi đưa ra một hướng đi mới cho việc tăng cường ngữ nghĩa thông qua lượng dữ liệu lớn chưa có nhãn

Một hướng đi khác của cộng đồng nghiên cứu là áp dụng các kỹ thuật học máy

đã có vào các dạng thực thể khó hơn trong các miền dữ liệu khác như dữ liệu ysinh, địa lý, mạng xã hội,… hay một loại ngôn ngữ khác không nhiều tàinguyên như tiếng Anh Bên cạnh đấy việc nghiên cứu các kỹ thuật thích nghimiền (domain adaptation) cũng được đặt ra khi các nhà nghiên cứu cố gắng ápdụng những mô hình nhận dạng thực thể đã tốt cho một miền dữ liệu mới chưa

có dữ liệu gán nhãn Một số nghiên cứu có thể kể đến như nghiên cứu của

Daume (2007) đánh giá việc thích nghi miền giữa một số tập

dữ liệu nhận dạng thực thể [DA07] hay nghiên cứu của Wang và cộng sự(2009) đánh giá thích nghi miền trong nhận diện các thực thể protein[WKS09].

1.3 Nhận dạng thực thể trong dữ liệu văn bản tiếng Việt và một số

nghiên cứu liên quan

Bắt nhịp với tình hình phát triển chung trên toàn thế giới, các văn bản tiếng Việtcũng ngày càng xuất hiện nhiều dưới dạng văn bản điện tử, và cùng với đó chính lànguyên nhân phát sinh nhu cầu khai thác thông tin có giá trị từ các văn bản này Nhậndạng thực thể đóng một vai trò chủ chốt trong khai phá văn bản, chính vì thế nó cũngnhanh chóng trở thành một lĩnh vực nghiên cứu được nhiều nhà khoa học trong nướcquan tâm

Áp dụng được NER cho dữ liệu tiếng Việt đồng nghĩa với việc đặt một nền tảngquan trọng trong việc xây dựng được các hệ thống ứng dụng cho nhiều lĩnh vực khácnhư tài chính, kinh tế, xã hội, y sinh, v.v phù hợp với tình hình trong nước

Trong mục này, luận án tóm tắt về một số thách thức cần giải quyết khi xử lývăn bản tiếng Việt, động cơ nghiên cứu và tầm quan trọng của bài toán bài toán nhậndạng thực thể tiếng Việt, điểm qua một số tài nguyên hữu ích cũng như tình hìnhnghiên cứu hiện tại

1.3.1 Những thách thức đối với xử lý dữ liệu tiếng Việt

Có thể nêu ra một số đặc điểm của tiếng Việt khiến cho nó trở nên khác biệt

và khó xử lý như sau, một số các đặc điểm dưới đây được tham khảo từ tài liệu[DH96] và một số khác dựa trên quan điểm của nghiên cứu sinh về tiếng Việt:

Khác với tiếng Anh, Tiếng Việt thuộc ngôn ngữ đơn lập, tức là mỗi một tiếng(âm tiết) được phát âm tách rời nhau và được thể hiện bằng một chữ viết Từtiếng, người ta tạo ra các đơn vị từ vựng khác để định danh sự vật, hiện tượng

v.v , chủ yếu nhờ phương thức ghép và phương thức láy, ví dụ:

“con người”, “khoa học”, “công nghệ thông tin”, “đu đủ”, “thừa thãi”,

v.v Các từ này được viết rời theo từng âm tiết chứ không theo từng từ Chínhđiều này khiến cho việc xác định biên của một từ trong tiếng Việt trở nên khókhăn hơn.

Sự linh hoạt trong sử dụng, việc tạo ra các từ ngữ mới một cách dễ dàng đã tạođiều kiện thuận lợi cho sự phát triển vốn từ nhưng đồng thời cũng gây khó khăn trong việc bao quát các thể hiện của ngôn ngữ Ví dụ, bên cạnh các yếu

tố cấu tạo từ thuần Việt, tiếng Việt có vay mượn từ các ngôn ngữ khác để tạo

ra các từ mới, như “ghi đông”, “karaoke”, “siêu liên kết”, v.v Các từ địa

phương xuất hiện trong văn bản cũng là một yếu tố khiến tiếng Việt trở nên phức tạp hơn

Hiện tượng đồng âm khác nghĩa trong tiếng Việt là khá phổ biến, Ví dụ: “lợi” (có ích lợi – tương ứng với “benefit” trong tiếng Anh) và “lợi” (“lợi” thuộc về răng hàm mặt – “alveolar”).

Ngược lại, cùng một sự vật, hiện tượng, một hoạt động hay một đặc trưng lại

có thể có nhiều từ ngữ khác nhau biểu thị Hiện tượng các từ gần nghĩa, đồng nghĩa nhưng cách dùng khác nhau và không thể thay cho nhau trong mọi ngữ

cảnh cũng khá phổ biến, ví dụ: “hội đàm”, “hội nghị”, “hội thảo”, “toạ

đàm” hay “tìm” và “kiếm”.

Ngữ pháp Việt Nam là ngữ pháp cực kỳ phức tạp Đối với hầu hết người ViệtNam, câu nói “phong ba bão táp không bằng ngữ pháp Việt Nam” chắc chắnkhông phải là xa lạ Ngữ pháp Việt Nam phức tạp không phải bởi vì nó có bộluật cồng kềnh và chặt chẽ như nhiều ngôn ngữ khác, mà ngược lại, vì nó quálinh động với vô số biến thể và trường hợp ngoại lệ Sự phức tạp của ngữ phápViệt Nam được thể hiện ở nhiều khía cạnh, nó có thể bởi cách tư duy khác

nhau của người Việt (ví dụ “áo ấm” và “áo lạnh” là hai từ đồng nghĩa trong khi “lạnh” và “ấm” là hai từ trái nghĩa), do thói quen sử dụng từ (ví dụ, về mặt lý thuyết thì “con” được dùng trước danh từ chỉ động vật, nhưng trong thực tế “con” lại kết hợp được với một số từ chỉ bất động vật như “con mắt”,

(ví dụ, Trong câu hỏi về tương lai, các từ bao giờ, khi nào, bao nhiêu thường

được đặt ở đầu câu, trong khi đó nếu để hỏi về quá khứ thì chúng thường đượcđặt ở cuối câu)

Một vấn đề khác mang tính kỹ thuật hơn Đó là vì sự phát triển còn non trẻ của lĩnhvực xử lý ngôn ngữ tự nhiên cũng như khai phá văn bản trong nước, các tài nguyênngôn ngữ và công cụ hỗ trợ được xây dựng cho tiếng Việt còn rất ít và có nhiều hạnchế Cộng đồng nghiên cứu tiếng Việt cũng chưa có sự liên kết chặt chẽ, dẫn tới mỗinghiên cứu lại có tính cá nhân mà chưa tận dụng được hết những kết quả của cácnghiên cứu trước đó

1.3.2 Động cơ nghiên cứu

Như đã được trình bày, tiếng Việt có những đặc điểm khác biệt so với các ngônngữ khác (ví dụ như tiếng Anh), vì vậy, nhiều phương pháp nhận dạng thực thể đãđược áp dụng thành công cho tiếng Anh song không đảm bảo đem lại kết quả tươngứng khi sử dụng cho dữ liệu tiếng Việt Vì vậy việc đề xuất một phương pháp hiệuquả đối với dữ liệu tiếng Việt là nhiệm vụ bức thiết của chính những nhà nghiên cứutrong nước, trong đó có nghiên cứu sinh

Nắm bắt được nhu cầu thực tế và với mong muốn được cống hiến công sức củamình để nghiên cứu tiếng mẹ đẻ từ đó góp phần đem lại thêm những tri thức có giá trịđến với cộng đồng khoa học trong nước, nghiên cứu sinh coi việc tập trung nghiêncứu bài toán nhận dạng thực thể trong văn bản tiếng Việt là một trong hai mục tiêunghiên cứu chính của luận án

1.3.3 Các nghiên cứu liên quan

Nhận dạng thực thể trong tiếng Việt đang nhận được nhiều sự quan tâm củacộng đồng nghiên cứu trong nước cũng như các nhà nghiên cứu đang sống và làmviệc tại nước ngoài Nhiều công trình nghiên cứu về trích xuất thông tin tiếng Việt đãđược đăng và xuất bản tại các hội nghị uy tín như: EACL, IJNLP, PAKDD,… hay cáctạp chí có chỉ số cao như TALIP, TKDE,… bên cạnh đấy một số hội nghị

cũng đã có những phiên làm việc tập trung về lĩnh vực này cho tiếng Việt như KSE,RIVF, SoICT,…

Phần lớn các nghiên cứu về nhận dạng thực thể tiếng Việt cũng đi theo xuhướng của các nghiên cứu trên thế giới là dựa vào các phương pháp học máy, bêncạnh đấy, một số nghiên cứu áp dụng một số luật để nhận dạng như luật ripple-down-rule [NP12, NHP10] hay luật ngữ pháp [LN10, LDN13] cũng được sử dụng Cácphương pháp nói trên cho hiệu quả khá tốt với độ đo F nằm trong khoảng 80-90% đốivới một số loại thực thể phổ biến như người, địa danh, tổ chức, thời gian

Các phương pháp học máy được sử dụng để giải quyết bài toán nhận dạng thựcthể tiếng Việt chủ yếu là giám sát và bán giám sát Đối với học máy giám sát, NguyenCam Tu và cộng sự [TOH05] áp dụng phương pháp trường ngẫu nhiên có điều kiện(CRF) trên tập dữ liệu huấn luyện tự xây dựng gồm 8 loại thực thể (tên người, địadanh, tổ chức, tiền tệ, thời gian, số, phần trăm, một số loại khác) kết quả đạt 85,51%với độ đo F Cũng sử dụng phương pháp CRF, tuy nhiên, Le và cộng sự [LV13] vàNguyen và cộng sự [NC12] đã đưa thêm một số đặc trưng liên quan đến ontology và

kỹ thuật lựa chọn đặc trưng dựa trên giải thuật di truyền nhằm nâng cao chất lượngnhận dạng Tran và cộng sự [TTQ07] huấn luyện mô hình nhận dạng thực thể tiếngViệt dựa trên phương pháp máy vector hỗ trợ (SVM) bằng công cụ Yamcha4, mô hìnhcho kết quả tương đối khả quan khi so sánh với phương pháp CRF trên độ đo F, đạt87,75% so với 86,48% Thao và cộng sự [TTD07] đã cải tiến kết quả của Tran vàcộng sự bằng việc tổ hợp kết quả đã có với nhiều kết quả của các phương pháp họckhác nhau (ensemble learning) thông qua kỹ thuật bình chọn (voting), phương phápnày làm tăng hiệu quả của mô hình nhận dạng từ 87,75% lên 88,02%

Bên cạnh các phương pháp học giám sát, các phương pháp học bán giám sát(semi-supervised learning) cũng được áp dụng trong nhiều nghiên cứu Trong

4 http://chasen.org/~taku/software/yamcha/

[SLT11a], Sam và cộng sự sử dụng phương pháp học bán giám sát lan truyền nhãndựa trên đồ thị tương tự Với ưu điểm của các phương pháp học máy bán giám sát làtận dụng các nguồn dữ liệu lớn chưa được gán nhãn để hỗ trợ thông tin cho mô hìnhhọc, phương pháp này đã đạt được những kết quả khả quan trong nhận diện ba thựcthể phổ biến là người, địa danh, tổ chức Một hướng tiếp cận khác của học bán giámsát là học dựa trên các mẫu (pattern-based), Le Trung và cộng sự [LLL14] đã áp dụngphương pháp mồi dữ liệu (bootstrapping) để tự động sinh ra các mẫu nhận dạng thựcthể từ một số lượng nhỏ các thực thể hạt giống (seed), phương pháp này cho hiệu quảtốt nếu tập dữ liệu huấn luyện nhỏ, tuy nhiên việc quản lý nhập nhằng giữa các mẫungữ pháp của các thực thể khác nhau là một thách thức không nhỏ khi vòng lặp sinhmẫu lớn hay số loại thực thể nhiều.

Bên cạnh các nghiên cứu về nhận dạng thực thể, một số các nghiên cứu ứngdụng nhận dạng thực thể cũng được các nhà nghiên cứu trong nước nêu ra như tríchxuất quan hệ và sự kiện tiếng Việt Sam và cộng sự (2011) [SLT11b] đã áp dụngphương pháp học bán giám sát mồi dữ liệu (bootstrapping) để sinh ra các mẫu ngônngữ nhận biết các cặp thực thể có quan hệ với nhau, bên cạnh đấy nghiên cứu cũng ápdụng phương pháp SVM để xác định loại quan hệ cũng như làm tốt hơn kết quả tríchxuất các mẫu ngôn ngữ Trong nghiên cứu về trích xuất sự kiện của mình, Nguyen vàcộng sự [NN13] đã thực hiện việc trích xuất các sự kiện liên quan đến dịch bệnhtrong miền dữ liệu văn bản tiếng Việt, các sự kiện dịch bệnh sẽ là một tổ hợp các thựcthể liên quan đến dịch bệnh xuất hiện trong văn bản được xét và được nhận dạng dựatrên mô hình nhận dạng thực thể Việc xem xét các mối quan hệ giữa sự kiện và thựcthể hay giữa các thực thể và thực thể được thực hiện dựa vào một số luật đơn giản,chính vì thế hiệu quả của mô hình trích xuất sự kiện chưa đạt kết quả cao như cácphương pháp sử dụng các kỹ thuật phân tích ngữ nghĩa sâu trong xử lý ngôn ngữtiếng Anh

1.4 Nhận dạng thực thể trong dữ liệu văn bản y sinh tiếng Anh và một số nghiên cứu liên quan

1.4.1 Những thách thức đối với xử lý dữ liệu y sinh

Khai phá văn bản y sinh nói chung và nhận dạng thực thể y sinh nói riêng cónhiều điểm khác biệt so với lĩnh vực nghiên cứu này cho dữ liệu thông thường Nhậnxét này thể hiện ở hai điểm: Thứ nhất, do mục tiêu cụ thể của các hệ thống khai phávăn bản y sinh, bên cạnh những đối tượng kinh điển như người, tổ chức, địa điểm,v.v hệ thống khai phá văn bản y sinh thường hướng tới một số đối tượng khác biệthơn so với dữ liệu thông thường đòi hỏi phải có những mô hình nhận dạng thực thểchuyên biệt cho từng hệ thống, ví dụ như hệ thống liên quan đến các bệnh di truyềnđòi hỏi nhận diện các loại thực thể liên quan đến gene, protein, bệnh di truyền, thuốc,triệu chứng…, trong khi các hệ thống giám sát bệnh truyền nhiệm lại yêu cầu nhậndạng các loại thực thể như bệnh di truyền, số bệnh nhân, nguyên nhân Thứ hai, là ởtính đặc thù của các từ chuyên ngành trong lĩnh vực y sinh, các từ chuyên ngành nàythường không tuân theo những quy luật từ vựng và ngữ nghĩa thông thường Cáckhảo sát gần đây [ZDY07, ZD09] trong lĩnh vực này cho thấy các công cụ để khaiphá văn bản và dữ liệu mở thông thường không phù hợp cho miền dữ liệu y sinhchính bởi tính chuyên ngành cao của nó Chính vì lý do này, các nghiên cứu tronglĩnh vực y sinh thường đòi hỏi sự hỗ trợ mang tính kinh nghiệm của các chuyên gia(các nhà sinh vật học và bác sĩ) trong việc xác định và hỗ trợ giải quyết các nhiệm vụ.Cohen và Hunter [CH08] cho rằng phương pháp tiếp cận hiệu quả nhất đối với khaiphá văn bản y sinh là sự kết hợp giữa các tri thức từ chuyên gia và các kỹ thuật tínhtoán

Phần dưới đây tóm tắt một số khó khăn chung của nhận dạng thực thể trong lĩnhvực y sinh được Lin và cộng sự (2004) nêu ra [LTC04]

Nhiều thực thể chứa các từ viết tắt, chữ cái Hy Lạp, các dấu câu (như dấu gạchnối), v.v Cho đến nay chưa có một bộ danh pháp hay tiêu chuẩn đặt tên chính thức nào cho thực thể biểu hiện

Rất khó xác định chính xác biên của thực thể biểu hiện, một thực thể biểu hiệnkhông những có thể rất dài mà còn có thể chứa cả liên từ, từ phủ định, bổ từ, v.v

Vì thực thể biểu hiện có thể chứa thực thể khác trong nó, vì vậy tồn tại nhiều nhập nhằng giữa thực thể biểu hiện và các thực thể khác (như bệnh, gene và sản phẩm của gene, bộ phận cơ thể)

1.4.2 Động cơ nghiên cứu

Hiện nay, số lượng các văn bản y tế và sinh học dưới dạng điện tử trên Internetcũng như được lưu trữ trong các hệ thống y tế đang tăng với tốc độ chóng mặt Việckhai thác hiệu quả nguồn tài nguyên này có thể đưa tới nguồn tri thức hữu ích chongười dùng như phát hiện bệnh dịch sớm, tổng hợp các kinh nghiệm phòng và chữabệnh, nghiên cứu các cơ chế di truyền, tuyên truyền và nâng cao sức khỏe cộng đồng,v.v Vấn đề này càng cần phải được quan tâm thích đáng khi con người đang phải đốimặt với nhiều dịch bệnh truyền nhiễm mới đang phát triển và có chiều hướng gia tăngtrong thời gian gần đây như cúm A H1N1, H5N1, Ebola, MERS-CoV v.v Nhữngnghiên cứu liên quan đến xử lý ngôn ngữ tự nhiên cho văn bản y sinh (BiomedicalNatural Language Processing; BioNLP) đã mang đến nhiều lợi ích cho việc khai thácnguồn dữ liệu y sinh, có thể kể đến những cơ sở dữ liệu hay ontology y sinh được xâydựng tự động hỗ trợ cho những nhà nghiên cứu sinh, bác sĩ hay những hệ thống theodõi thông tin về diễn biến dịch bệnh truyền nhiễm đang phát triển trên thế giới

Trong những hệ thống đấy, nhận dạng thực thể y sinh là một thành phần quantrọng trong quá trình phân tích và tổng hợp thông tin từ văn bản y sinh Đây là mộtbài toán khó vì mỗi một loại thực thể y sinh lại bao hàm nhiều tính chất đặc thù khácnhau về ngôn ngữ và y sinh đòi hỏi người nghiên cứu cần phải có sự kết hợp kiếnthức cả xử lý ngôn ngữ tự nhiên và kiến thức y sinh mới có thể đưa ra một phươngpháp hay mô hình nhận dạng thực thể hiệu quả

1.4.3 Các nghiên cứu liên quan

Các hướng nghiên cứu đối với nhận dạng thực thể y sinh thay vì tập trung vàoviệc đề xuất các phương pháp mới có hiệu quả tốt hơn thì tập trung vào việc giảiquyết nhận dạng các loại thực thể y sinh khác nhau với các đặc trưng riêng cho từngmiền dữ liệu riêng biệt Hầu hết các nghiên cứu về nhận dạng thực thể y sinh đều tậptrung vào một số loại thực thể được đưa ra thông qua một số nhiệm vụ cộng đồngđược công bố tại chuỗi hội nghị hay hội thảo lớn về xử lý ngôn ngữ tự nhiên cho vănbản y sinh (chẳng hạn, BioNLP) Theo thống kê dựa trên kết quả nghiên cứu củaHuang và Lu (2015) [HL15] có khoảng 14 nhiệm vụ cộng đồng về nhận dạng thựcthể y sinh trong giai đoạn 2002-2014 thuộc các chuỗi hội nghị, hội thảo lớn vềBioNLP như BioCreAtivE [WAC12], BioNLP [NBK13], i2b2 [USS10], JNLPBA[KOT04], và LLL [NE05],… (xem Hình 1.2)

Hình 1.2 Các nhiệm vụ về xử lý ngôn ngữ tự nhiên cho văn bản y sinh

trong giai đoạn 2002-2014 [HL15]

Các nhiệm vụ này tập trung vào bốn nhóm thực thể chính là gene, hóa chất,thuốc và bệnh, trong từng nhóm lại có các loại thực thể khác ở mức độ cụ thể hơn

loại bệnh (ung thư, bệnh liên quan đến tim, bệnh tự miễn dịch),… Bên cạnh các thựcthể phổ biến được nêu ra tại các nhiệm vụ, một số loại thực thể cũng nhận được nhiều

sự quan tâm và đưa vào bài toán nhận dạng thực thể như thực thể biểu hiện, dấu hiệu

và triệu chứng (sign and symptom), sinh vật (organism, species),…

Về mặt phương pháp, các nghiên cứu nhận dạng thực thể y sinh cũng sử dụngcác phương pháp nhận dạng thực thể truyền thống và kết hợp thêm các đặc trưng haytri thức liên quan đến miền dữ liệu y sinh Có thể chia các hướng tiếp cận về nhậndạng thực thể y sinh theo 3 nhóm: nhóm phương pháp sử dụng luật và mẫu ngữ nghĩacấu thành thực thể y sinh, nhóm phương pháp sử dụng học máy thống kê, nhómphương pháp kết hợp các mô hình nhận dạng (ensemble models methods)

a Phương pháp sử dụng các luật và mẫu ngữ nghĩa cấu thành thực thể y sinh

Các phương pháp trong nhóm này thường dựa trên các đặc điểm chính tả và từvựng để nhận diện thực thể, các loại thực thể có thể nhận dạng tốt là protein [FTT98]

và tên hóa chất [NRV03] Những phương pháp đơn giản này có thể được cải tiếnbằng cách bổ sung thông tin ngữ cảnh đang xem xét [HC03] và kết quả của phân tích

cú pháp để xác định biên thực thể [FEO02] Một số hướng nghiên cứu mới hơn sửdụng các ontology để sinh các mẫu tổng quát cho một loại thực thể, như các nghiêncứu sử dụng mô hình EQ (Entity-Quality model) để nhận dạng thực thể biểu hiện củaCollier và cộng sự (2013) [COG13] hay Groza và cộng sự (2013) [GHZ13] Tuynhiên, trong khi phương pháp tiếp cận dựa trên luật thường đạt được hiệu suất tốt hơn

so với phương pháp tiếp cận dựa trên từ điển, thì việc tạo ra các luật một cách thủcông là quá trình tốn nhiều thời gian, bên cạnh đấy việc sinh các luật luôn rất cụ thểnhằm mục đích đạt được độ chính xác cao nên chúng rất khó được sử dụng để mởrộng đến các lớp thực thể khác

b Phương pháp sử dụng kỹ thuật học máy thống kê

Theo xu hướng chung của các nghiên cứu về nhận dạng thực thể, các phươngpháp học máy là nhóm được sử dụng phổ biến và đạt hiệu quả tốt trên nhiều loại

thực thể y sinh khác nhau Hầu hết các phương pháp học máy thống kê được sử dụngthuộc về dạng học có giám sát tuy nhiên cũng có một số nghiên cứu sử dụng một số

kỹ thuật như bootstrapping hay các kỹ thuật bán giám sát khác [MHC04, UCO11].Các phương pháp học giám sát được sử dụng cho NER có thể được phân thành hainhóm: phương pháp tiếp cận dựa trên phân lớp và phương pháp tiếp cận dựa trênchuỗi

Cách tiếp cận dựa trên phân lớp chuyển đổi nhiệm vụ NER thành một vấn đề

phân lớp, có thể được áp dụng cho các từ riêng lẻ hoặc nhóm từ Các bộ phân lớpthường được sử dụng cho NER y sinh bao gồm bộ phân lớp sử dụng Naive Bayes[NCT99] và bộ phân lớp sử dụng máy vector hỗ trợ (Support Vector Machine, SVM)[MFM05, TC05] Một cách tiếp cận phổ biến để phân lớp các cụm là tuân theo lược

đồ gán nhãn BIO [RM95], trong đó một từ vựng (token) riêng lẻ được phân lớp thànhbắt đầu (B) một thực thể, nằm trong biên (I) một thực thể hay nằm ngoài (O) biên củathực thể Hiệu suất của cách tiếp cận dựa trên phân lớp phụ thuộc rất nhiều vào sự lựachọn các đặc trưng được sử dụng để huấn luyện, và nhiều tác giả đã nghiên cứu cáccách kết hợp đặc trưng khác nhau Ví dụ, nhóm nghiên cứu của Mitsumori [MFM05],xem xét các đặc tính hình thái-cú pháp của các thực thể định danh, Takeuchi vàCollier [TC05] xem xét các đặc trưng chính tả và các danh từ chính

Không giống như các phương pháp tiếp cận dựa trên phân lớp, hệ thống NER

dựa trên gán nhãn chuỗi xem xét việc gán một chuỗi các từ hoàn chỉnh thay vì từng

từ riêng hoặc cụm từ lẻ Chúng được huấn luyện với các tập dữ liệu được gán nhãnnhằm mục đích dự đoán chuỗi các nhãn có khả năng nhất cho một chuỗi quan sát.Những kỹ thuật thường được sử dụng cho NER y sinh là mô hình Markov ẩn (HiddenMarkov Model, HMM) [KCO05], phương pháp dựa trên mô hình Markov entropycực đại (Maximum Entropy Markov Model, MEMM) [SSM09] hay trường ngẫunhiên có điều kiện (Conditional Random Fields, CRF) [OMT06] Cũng giống như cácphương pháp thống kê khác, phương pháp tiếp cận dựa trên chuỗi có thể

được huấn luyện dựa rên một loạt các đặc trưng bao gồm các đặc trưng chính tả,thông tin tiền tố và hậu tố, và từ loại [KCO05].

c Phương pháp lai ghép các mô hình (ensemble models methods)

Nhóm phương pháp lai ghép các mô hình nhận dạng với cách tiếp cận không chỉ

sử dụng một phương pháp duy nhất để thực hiện NER y sinh mà thay vào đó là dựavào nhiều kỹ thuật và các nguồn tài nguyên khác nhau Những cách tiếp cận kết hợpthường khá thành công trong việc ghép các phương pháp tiếp cận dựa trên từ điểnhoặc dựa trên luật với các phương pháp học máy thống kê Một bằng chứng về những

ưu điểm của phương pháp tiếp cận lai là nghiên cứu của Abacha và cộng sự [AZ11b]

so sánh hiệu quả của các phương pháp tiếp cận dựa trên luật và thống kê phổ biến choNER y tế và kết luận rằng phương pháp kết hợp sử dụng học máy và tri thức miền cókết quả tốt hơn Có rất nhiều hệ thống NER y sinh lai Ví dụ, Sasaki và cộng sự[STM08] sử dụng một phương pháp tiếp cận dựa trên từ điển để xác định tên proteinsong song với gán nhãn từ loại Sau đó, họ sử dụng một phương pháp tiếp cận dựatrên CRF để giảm các kết quả sai, thiếu trong chuỗi kết quả được dán nhãn Mộtphương pháp khác tạo ra một bộ siêu học máy (metalearners) từ nhiều phương phápthống kê Ví dụ, Zhou và cộng sự [ZSZ05] xây dựng bộ nhận dạng thực thể từ việc laighép hai mô hình HMMs được đào tạo với các dữ liệu khác nhau và đầu ra của chúngđược kết hợp sử dụng SVM để nhận dạng protein và gen Tương tự như vậy, Mika vàRost [MR04] tạo một bộ đa học máy để nhận dạng tên protein từ ba mô hình SVMhuấn luyện trên các tập dữ liệu và đặc trưng khác nhau, đầu ra của chúng được kếthợp bằng mô hình SVM thứ tư Cuối cùng Cai và Cheng [CC09] trình bày một cáchtiếp cận cho NER y sinh sử dụng ba bộ phân lớp khác nhau để nâng cao khả năngtổng quát của hệ thống

1.5 Tổng kết chương

Trong chương này, phần đầu tiên luận án đã trình bày khái quát một số kháiniệm cơ bản của vấn đề nhận dạng thực thể bao gồm định nghĩa về bài toán nhậndạng thực thể, một số thách thức, độ đo đánh giá và ứng dụng của nhận dạng thực

thể trong các bài toán khác nhau Phần tiếp theo, luận án nêu lên một số nét nổi bậttrong lịch sử nghiên cứu của bài toán nhận dạng thực thể, bên cạnh đấy một số hướngtiếp cận giải quyết và các công trình nghiên cứu tiêu biểu cũng được đưa ra một cáchkhái quát Trong hai mục 1.3 và 1.4, luận án tổng kết một số vấn đề cần lưu ý baogồm động cơ nghiên cứu, tài nguyên hỗ trợ, tình hình nghiên cứu đối với hai miền dữliệu sẽ giải quyết trong luận án là miền dữ liệu văn bản tiếng Việt và miền dữ liệu vănbản y sinh tiếng Anh Các chương tiếp theo sẽ mô tả chi tiết về từng bài toán đã đượcluận án giải quyết trong hai miền dữ liệu trên.

Chương 2 – NHẬN DẠNG THỰC THỂ TÊN NGƯỜI KẾT HỢP VỚI NHẬN DẠNG THUỘC TÍNH THỰC THỂ CÓ TÊN TRONG VĂN BẢN

TIẾNG VIỆT

Chương 2 tập trung giải quyết một số vấn đề về nhận dạng thực thể trong vănbản tiếng Việt như đã được nêu trong Chương 1 Luận án không đi theo hướng giảiquyết bài toán NER theo góc nhìn thông thường mà xử lý nó theo một góc nhìn khác(1) tích hợp NER với bài toán bước sau – trích chọn thuộc tính của thực thể;

(2) áp dụng NER vào hệ thống hỏi đáp tự động Hai khung nhìn này được thể hiện trong hai nghiên cứu của chương này

2.1 Giới thiệu

Tên người và những thông tin liên quan đến người là một trong những từ khóađược tìm kiếm thường xuyên nhất trên các công cụ tìm kiếm web, tuy nhiên, các kếtquả tìm kiếm và thông tin trả về đôi khi còn rất mơ hồ Vì vậy, nhu cầu về một hệthống đầy đủ thông tin, chính xác và tập trung vào thực thể tên người là rất lớn Thựcthể tên người luôn gắn liền với một số các thuộc tính [SJ09, JAJ10], đó là các đặctrưng hoặc tính chất của một thực thể và trích chọn thuộc tính là trích chọn các đặctrưng hoặc tính chất tương ứng với một thực thể từ dữ liệu văn bản [GR08] Trong bàitoán trích chọn thuộc tính của thực thể tên người, một tập cố định các loại thuộc tínhcần được xác định trước, nhiệm vụ đặt ra là trích xuất giá trị của các thuộc tính đótương ứng với một thực thể tên người nhất định từ dữ liệu văn bản Việc trích chọnthuộc tính cho một thực thể tên người cụ thể là rất quan trọng để xác định tính duynhất của người đó trên Internet Do đó, trích chọn thuộc tính đóng một vai trò chủchốt trong việc xử lý nhập nhằng tên người [SJ09] Ngoài ra, việc trích chọn thực thểtên người cùng với các thuộc tính của chúng cũng góp một phần quan trọng để mởrộng các cơ sở dữ liệu và ontology

Một ví dụ về trích chọn thực thể tên người và các thuộc tính liên quan đượcđưa ra trong bảng 2.1

Câu ví dụ: “Hoàng Cầm tên thật là Bùi Tằng Việt, (sinh 22 tháng 2 năm 1922,

tại xã Phúc Tằng, huyện Việt Yên, tỉnh Bắc Giang – mất 6 tháng 5 năm 2010 tại Hà Nội), là một nhà thơ Việt Nam”.

Bảng 2.1 Một ví dụ về trích chọn thực thể tên người và các thuộc tính liên quan

3 Hoàng Cầm Nơi sinh Xã Phúc Tằng, huyện Việt Yên, tỉnh Bắc Giang

Như vậy, một hệ thống trích xuất thực thể tên người và các thuộc tính liên quanphải giải quyết được một loạt các bài toán con, cụ thể là: NER, xử lý nhập nhằng, v.v Trong đó NER là bài toán tiền đề bắt buộc, hơn nữa hệ thống NER không chỉ cầnnhận dạng các thực thể tên người mà còn phải trích chọn được các thực thể về địadanh, ngày tháng, tổ chức, v.v Xử lý hai bài toán NER tên người và trích chọn thuộctính liên quan theo một cấu trúc thực hiện lần lượt (đường ống, pipeline) có hai nhượcđiểm chủ yếu: (1) lãng phí tài nguyên và chi phí thực hiện, vì hai vấn đề này có nhiềuđặc trưng tương tự, việc thực hiện chúng lần lượt có thể lặp lại một số bước hai lần;(2) việc liên kết các thực thể khác về đúng thuộc tính của thực thể chính cũng là mộtbài toán phức tạp Trong phần này, luận án đề xuất một phương pháp tích hợp tríchchọn thực thể tên người và các thuộc tính liên quan sử dụng CRF và một tập đặctrưng phong phú nhằm giải quyết các nhược điểm nói trên, đồng thời đem lại kết quảkhả quan hơn

2.2 Các nghiên cứu liên quan

2.2.1 Các nghiên cứu liên quan trên thế giới

Chủ đề nghiên cứu nhận dạng thực thể và thuộc tính của thực thể đã nhận đượckhá nhiều sự quan tâm của cộng đồng xử lý ngôn ngữ tự nhiên trên thế giới Từ năm

2007 đến năm 2010, chuỗi hội nghị Web People Search Campaigns (WePS) [SJ09,JAJ10] được tổ chức tập trung vào bài toán tìm kiếm tên người trên web, chuỗi hộinghị này đã đóng góp rất nhiều nghiên cứu quan trọng về bài toán nhận dạng thực thểcũng như trích chọn thuộc tính của thực thể Hội nghị WePS đầu tiên giới thiệu nhiệm

vụ xử lý nhập nhằng tên người và chỉ ra rằng các thuộc tính như ngày sinh, quốc tịch,giới tính, nghề nghiệp, v.v là các đặc trưng đặc biệt quan trọng trong việc giải quyếtnhững trường hợp trùng tên [SJ09] Do đó, trong hội nghị WePS thứ hai, nhiệm vụ vềtrích chọn thuộc tính đã được đưa ra [SJ09] và nó tiếp tục được giải quyết trongWePS thứ ba [JAJ10] Nhiệm vụ này trong WePS 2 là trích chọn 18 giá trị thuộc tínhcủa các cá nhân có tên xuất hiện trong từng trang web được cung cấp Để giải quyếtnhiệm vụ này, rất nhiều kỹ thuật đã được các nhà nghiên cứu sử dụng: NER, phânlớp, khai phá text, đối sánh mẫu, khai phá quan hệ, trích chọn thông tin, v.v Tuynhiên, kết quả thực nghiệm trên tập đánh giá với 2.883 văn bản là khá thấp, giá trị Fcao nhất đạt được bởi hệ thống PolyUHK là 12,2% [SJ09] Nhiệm vụ trích chọnthuộc tính trong WePS 3 tương đối khác so với nhiệm vụ này trong WePS-2, các hệthống tham dự được yêu cầu phải liên hệ từng thuộc tính với một người (phân cụmvăn bản) Hệ thống có kết quả tốt nhất đạt F là 18%, độ chính xác P 22% và độ hồitưởng R là 24% [JAJ10] trên tập dữ liệu được hội nghị cung cấp WePS 2 cũng đưa rakết luận rằng một số thuộc tính có tần số xuất hiện cao hơn các thuộc tính khác, ví dụnhư nghề nghiệp, tổ chức, ngày sinh, v.v [SJ09] Dựa vào những thuộc tính có tần sốxuất hiện cao nhất do WePS 2 đưa ra, luận án sử dụng 10 loại thuộc tính trong quátrình thực nghiệm, bao gồm: tên khác, ngày sinh, ngày mất, nơi sinh, nơi mất, giớitính, nghề nghiệp, quốc tịch, nơi làm việc và thân nhân