Trích chọn quan hệ thực thể trên Wikipedia dựa vào cây phân tích cú pháp dùng trong tiếng Việt

Phân loại quan hệ ngữ nghĩa

Trong [17], Iris Hendrickx và cộng sự đã tổng kết và chỉ ra rằng phân loại quan hệ ngữ nghĩa là rất đa dạng, phụ thuộc vào những đặc trưng ngữ nghĩa cũng như mục đích và đối tượng tiếp cận. Roxana Girju [10] đã đưa ra hệ thống các quan hệ ngữ nghĩa gồm 22 loại như trong bảng 1-2, trong đó một số quan hệ ngữ nghĩa quan trọng thường được dùng để thể hiện quan hệ giữa các khái niệm như: hyponymy/ hypernymy (is - a), meronymy/holonym (part - whole), đồng nghĩa (synonymy) và trái nghĩa (antonymy).

Bài toán trích chọn quan hệ ngữ nghĩa

Trích chọn quan hệ cũng là một công cụ đắc lực tron lĩnh vực công nghệ sinh học như tìm quan hệ bệnh tật - Genes, ảnh hưởng qua lại giữa protein-protein (Protein-Protein interaction)[27]…. Trong chương này, khoá luận đã giới thiệu khái quát các khái niệm liên quan tới bài toán trích chọn quan hệ ngữ nghĩa, một số loại quan hệ ngữ nghĩa và những ứng dụng nổi bật.

Học không giám sát trích chọn quan hệ

Trích chọn quan hệ được xem là một phần quan trọng của trích chọn thông tin [9], nhận được sự quan tâm ngày càng nhiều hơn của cộng đồng xử lý ngôn ngữ tự nhiên và học máy. Dựa trên nhận xét rằng: “một đặc trưng là kém quan trọng nhất nếu sau khi loại bỏ nó đi sẽ làm cho E đạt giá trị nhỏ nhất”, các đặc trưng được xắp sếp theo độ quan trọng của chúng, ta thu được tập Wr = {f1, …, fM}.

Học có giám sát trích chọn quan hệ

 Duyệt qua các câu một lần nữa, tìm tất cả các câu có đường liên kết khớp với mẫu chắc chắn mà các cặp thực thể sinh ra từ quá trình khớp này thuộc phản ví dụ thì tiến hành thay thế các cặp này bởi các kí tự đại diện, ta được các mẫu, gọi là mẫu không chắc chắn (negative patterns). Nhưng điểm khác biệt ở cơ bản đối với phương pháp dựa vào đặc trưng là ở chỗ: phương pháp này tập trung vào việc xây dựng hàm nhân thế nào cho hiệu quả khi tiến hành phân lớp sử dụng thuật toán SVM chứ không phải là đặc trưng nào sẽ được lựa chọn. Mooney [8] đã đưa ra một phương pháp trích chọn quan hệ dựa trên quan sát rằng thông tin thể hiện quan hệ giữa hai thực thể có tên trong cùng một cậu được biểu diễn bởi đường đi ngắn nhất giữa hai thực thể này trong đồ thị phụ thuộc (dependency graph) [35].

Hơn nữa, với một câu được coi là một đồ thị phụ thuộc gồm các nút tương ứng với các từ trong câu, các cung có hướng được nối giữa hai từ phụ thuộc nhau dựa trên chức năng về ngữ pháp: tính từ bổ nghĩa cho danh từ trong cụm danh từ (“several→stations”), danh từ ghép (“pumping → stations”) hay trạng từ bổ nghĩa cho động từ (“recently → raided”) … như ví dụ trong hình 7.

Nhận xét

Trên cơ sở phân tích ưu và nhược điểm của các phương pháp trích chọn quan hệ, khóa luận đã lựa chọn phương pháp học có giám sát trích chọn quan hệ dựa trên đặc trưng để giải quyết bài toán này. Các đặc trưng của quan hệ sẽ được lấy ra dựa trên cây phân tích cú pháp tiếng Việt, sau đó được đưa vào bộ phân lớp sử dụng thuật toán SVM. Hơn nữa, để giảm công sức cho giai đoạn xây dựng tập dữ liệu học, các đặc trưng của dữ liệu trên Wikipedia tiếng Việt đã được sử dụng.

Vì vậy, trong chương này, khóa luận trình bày các đặc trưng của Wikipedia, cây phân tích cú pháp tiếng Việt và mô hình đề xuất trích chọn quan hệ trên Wikipedia.

Đặc trưng của Wikipedia

Infobox của một trang Wiki là một bảng được thiết kế theo một mẫu cố định theo quy định của Wikipedia, nằm ở góc trên bên phải của trang, biểu diễn tóm tắt các thông tin về trang wiki đó với nội dung thường là các sự kiện (fact) và các thống kê liên quan [33]. Wikipedia cũng cung cấp các mục phân loại, cho phép các tác giả phân nhóm và tạo các liên kết tới từ các trang tới các mục phân loại tương ứng. Một mục mới có thể được tạo ra bởi một tác giả tuân theo những khuyến cáo của Wiki trong việc tạo một mục mới và liên kết các trang tới nó.

 Một mục có thể có chứa rất nhiều trang nhưng cũng có những mục chỉ có một lượng nhỏ các trang.

Cây phân tích cú pháp tiếng Việt

 Các nút trung gian còn lại thể hiện chức năng ngữ pháp (cụm danh từ, cụm động từ, bổ ngữ …).

Mô hình trích chọn quan hệ dựa trên cây phân tích cú pháp trên Wikipedia tiếng Việt

Mỗi cặp <thuộc tính – giá trị> của infobox cho ta một bộ ba quan hệ với thực thể trang wiki có dạng: <Thực_thể_trang_Wiki – Thuộc_tính - Giá_trị>, các loại quan hệ <thuộc tính> và các cặp thực thể cùng nằm trong quan hệ. Khi đó, cây con (của cây phân tích cú pháp) có khả năng biểu diễn quan hệ R sẽ có ba thành phần trung tâm là: một cụm từ trung tâm biểu diễn quan hệ R ( thông thường là cụm động từ) và hai cụm danh từ biểu diễn hai thực thể tương ứng. Như đã trình bày ở bước xây dựng tập dữ liệu học, các câu trong bộ dữ liệu học sẽ được phân tích cú pháp, sinh cây con biểu diễn quan hệ R và sinh vector đặc trưng tương ứng như các bước ở trên.

Trong chương này, dựa trên phân tích các đặc trưng của dữ liệu Wikipedia tiếng Việt và cây phân tích cú pháp tiếng Việt, khóa luận đã đưa ra một phương án xây dựng tập dữ liệu học bán tự động và mô hình trích chọn quan hệ dựa trên phương pháp học có giám sát.

Thực nghiệm

 Các trang trả về sẽ được thu thập, cho qua bước tiền xử lý (như ở mục tiếp theo).  Các câu được trích ra có thể là một trong ba loại sau:. Các câu này sẽ được phân tích cú pháp, sinh cây quan hệ, sinh vector đặc trưng. Các vector đặc trưng có được từ câu loại 1 sẽ được gán nhãn tự động. Các vector đặc trưng có được từ câu loại 2 và 3 sẽ được gán nhãn bằng tay. Tiền xử lý. Các trang sau khi được thu thập về sẽ được tiến hành tiền xử lý:.  Loại bỏ các thẻ html. Việc loại bỏ các thẻ html, tách câu được thực hiện bởi bộ công cụ JvnTextPro[43], sau đó, những câu chứa R sẽ được lưu lại. Có một số ký tự đặc biệt mà bộ phân tích cú pháp không xử lý cần được loại bỏ hoặc thay thế bằng kí hiệu tương đương. “)” này thường được sử dụng mang ý nghĩa chú thích nên để không làm mất đi ý nghĩa, các cặp đóng mở ngoặc sẽ được thay thế bởi dấu gạch gang “-” tương ứng. Ví dụ: câu “Trường Đại học Bách khoa Hà Nội (tiếng Anh: Hanoi University of Technology, viết tắt là HUT) là trường đại học kỹ thuật đa ngành, được thành lập tại Hà Nội ngày 15 tháng 10 năm 1956.” sẽ được chuẩn hóa thành “Trường Đại học Bách khoa Hà Nội - tiếng Anh: Hanoi University of Technology, viết tắt là HUT - là trường đại học kỹ thuật đa ngành, được thành lập tại Hà Nội ngày 15 tháng 10 năm 1956.”.  Trong quá trình thực nghiệm áp dụng, trọng số của nút lá được gán bằng một mang ý nghĩa, các từ được sử dụng đều được xem là tương đương nhau.

Điều này cũng phù hợp với thực tế là khi các thành phần trên cây phân tích cú pháp càng gần nhau, thì mức độ quan hệ giữa chúng sẽ càng cao hơn.

Đánh giá

Theo phương pháp này, dữ liệu thực nghiệm được chia thành 10 phần bằng nhau, lần lượt lấy 9 phần để huấn luyện và 1 phần còn lại để kiểm tra, kết quả sau 10 lần thực nghiệm được ghi lại và đánh giá tổng thể. Bước đầu thực nghiệm hệ thống trích chọn quan hệ dựa trên cây phân tích cú pháp cho kết quả tương đối khả quan. Tuy vẫn còn nhiều trường hợp nhập nhằng nhưng tôi tin rằng một khi đã xây dựng được tập dữ liệu huấn luyện đủ lớn, thu thập được các nguồn tra cứu dồi dào hơn và kết hợp thêm các đặc trưng khác, cũng như đưa ra được trọng số các nút riêng theo từng quan hệ, hệ thống còn có thể đạt được độ chính xác cao hơn nữa trong tương lai.