(2.3)
Trongăđó, FC lƠđi măliênăquanăđ n ng c nh gi a m vƠ p; FKlƠđi m liên quan d a trên tri th c gi a m vƠ p; FSK lƠđi m liên quan gi a tri th că(b c 1) vƠ các c m liên quan cú phápă(b că2).ă tínhăđ c cácăđi m cu i c̀ng, các tác gi s d ng tám m ngăn - ron nhân t o theo ki u x p ch ng, ph thu c nhau.
Th c nghi m c a mơ hìnhăđ c th c hi nătrênăn măt p d li u khác nhau: (1) alarm clock, (2) camera, (3) cellphone, (4) computer, vƠ (5) laptop. K t qu đ tăđ c c aăn mă b d li u không chênh l ch nhi u vƠ trong kho ngă71%ăđ nă73%ăđ F1-score. M c d̀ v i mơ hình OAC2 r t ph c t pănh ngăk t qu đ tăđ căch aăph i lƠ cao.
Ph ngăpháp [87] còn m t s h n ch :
- S d ngăBERTăđ sinh ra véc-t ăng c nh tuy nhiên ph m vi c a BERT có s n s
r t r ng vƠ không g n v i ng c nh c a m t mi n chuyên bi t.
- Ph i gán nhưn th công cho d li u d̀ngăđ hu n luy n.
- BƠi toán ch đ c păđ n m i liên h đ iăt ng vƠ khía c nh.
24
Cơng trình [88], Y.ăZhaoăvƠăcácăc ngăs (2015) đư quanătơmăđ n bƠi toán liên k tăđ i t ng vƠ khía c nh trong phân tích c m xúc. Các tác gi đ xu t mơ hình cóhaiăb c: th nh t cung c p b phân l p nh phân cho các c p khía c nh ậ đ iăt ng, th hai s d ng Integer linear programming (ILP)ăđ suy lu n ra k t qu cu i c̀ng c a bƠi toán. B phân l p s d ng ba t păđ cătr ng:
- C ăb n:ă(1)ăđ cătr ngălo i câu, d a trên các câu có ch aăđ iăt ng vƠ khía c nh, có ba lo i câu l năl t có giá tr 1, 2, 3 lƠ câu ch ch aăđ iăt ng, câu ch a c đ i t ng vƠ khía c nh, câu ch ch a khía c nh.ă(2)ăđ cătr ngăcơuăsoăsánh có giá tr true n u trong câu có s so sánh vƠ false lƠ câu bìnhăth ng khơng so sánh. (3) đ cătr ngăđ iăt ng tr v đ iăt ng có xu t hi n trong câu.
- Quan h : kho ng cách gi a câu hi n th i vƠcơuătr c, gi a câu hi n th i vƠ câu sau, s đ ng nh t gi aăđ iăt ngătrongăcơuătr c ho c câu sau v iăđ iăt ng d tuy n trong c păđ iăt ng ậ khía c nh.
- cătr ngăđ c bi t:ăđ iăt ng xu t hi năđ u tiên vƠ đ iăt ng xu t hi n nhi u
trongăv năb n.
S d ng cácăđ cătr ngă trên, các tác gi [88] đư xây d ng b phân l p khía c nh - đ i
t ngăđ đánh giáđ c m i c p c n phân l p.ăTuyănhiênăđ có k t qu cu i c̀ng t t
nh t, ILP s đ c áp d ng b c th hai nh măđ aăraăquy tăđ nh t tăh n,ăph̀ h p v i các rƠng bu c ng ngh a, cú pháp trong c̀ng câu ho c gi a các câu. K t qu th c nghi m c a cơng trình [88] th c hi nătrênă200ăv năb n v máy nh (camera) v iăh nă9000ăc p khía c nh - đ iăt ngăđư đ t khácao,ătrênă80%ăđ chính xác.ăTuyănhiên,ăđ cóđ c b d li u h tr phân l p nh phân, các tác gi đư c n s giúpăđ c a các chuyên gia gán nhưn th cơng cho cácăđ iăt ng vƠ khía c nh. Cơng trình nƠy c ngăch aăg n k tăđ i t ng, khía c nh v i c m xúc mƠ ch d ng vi c xácăđnh các c p tham chi uăđ iăt ng vƠ khía c nh.
Ba cơng trình [6,87,88] đư góp ph n nâng cao hi u qu v năđ phân tích c m xúc trong cácăv năb n bình lu n v các s n ph m, d ch v . Tuy nhiên bƠi tốn phân tích c m xúc có nhi uăthơngătinătrongăv năb n c m xúc c n quan tơmăđó lƠđ iăt ng, khía c nh, c m xúc, phân c c tr c m xúc vƠ xácăđnh khía c nhăkhơngăt ng minh. Các cơng trình trên ch quanătơmăđ năđ iăt ng, khía c nh.ăVìăv yăthơngătinărútătríchăchoăbƠiătốnăphơnă
25
tíchăc măxúcăch aăđ yăđ . V năđ nghiên c u cịnăđ m nƠy chính lƠ m t trong nh ng đ ngăc ănghiênăc u c a lu n án.
M cătiêuăc aăbƠiătốnăphơnăgi iăđ ngăthamăchi uăđ iăt ng,ăkhía c nh vƠ c m xúc lƠ xácăđ nhătrongăm tăđo năv năb năcóắăki n,ănh năxétăcóăbaoănhiêuăb ăbaăđ iăt ng,ăkhíaă c nhăvƠăc măxúc.
Hi nănayătheoăhi u bi t c a tác gi lu n án, bài toán phân gi i đ ng tham chi u đ i t ng, khía c nh và c m xúc hay nói ng n g n phân gi i đ ng tham chi u cho phân tích c m xúc ch aăcóăcơngătrìnhănghiênăc uăvƠăch ăy uăcácătácăgi ăt pătrungăvƠoăphơnătíchă c măxúcă ăcácăm cănh ăv năb n,ăm căcơuăhayăm căkhíaăc nh.ă
2.4 Xác đnh khía c nh n
Rút trích khía c nh lƠănhi măv ăquanătr ngăc aăbƠiătốnăphơnătíchăc măxúcăm căkhíaă c nh.ăRútătríchăkhíaăc nhăđ căkháănhi uăcơngătrìnhănghiênăc uăquanătơmăvƠăb ngănhi uă cáchăti păc năkhácănhauănh ăk ăthu tăx ăĺăngônăng ăt ănhiên,ăd aătheoălu t,ăk ăthu tă Term Frequency ậ Inverse Document Frequency (TF-IDF),ăho căPMI.
Khíaăc nhătrongăv năb năcóăc măxúc,ăquanăđi măth ngăđ căcácăcơngătrìnhănghiênă
c uă[7] chiaăthƠnhăhaiălo i,ăkhíaăc nhăt ngăminhă(ExplicităAspect)ăvƠăkhíaăc nhă nă
(ImplicităAspect).ăExplicităaspectălƠăkhíaăc nhăđ căbi uădi năb iăcácădanhăt ,ăđ ngăt ă ho căc mădanhăt ,ăc măđ ngăt ,ăvíăd :ăắpicture”,ăắrun”.ăImplicităaspectălƠăkhíaăc nhă đ căbi uădi năb iăcácăt ,ăc măt ăkhơngăph iălƠădanhăt ,ăvíăd :ăắexpensive”,ăắnice”,ăv.v.ă Nóăcóăth ălƠătínhăt ,ătr ngăt ăbi uăth ăc măxúcăv ăm tăkhíaăc nhănƠoăđóămƠăkhơngăxu tă hi năc ăth ătrongăv năb n.
Rútătríchăkhíaăc nhăt ngăminhăvƠăkhíaăc nhă năđưăđ cănhi uăcơngătrìnhănghiênă c uă[93-94]. Tuy nhiên ph nănƠyălu năánăs ch ăt pătrungăđ năvi căxácăđ nhăkhíaăc nhă năvìăđơyălƠăv năđ ăph căt p,ăh păd năvƠăc ngăđ căkháănhi uănhƠănghiênăc uăquanătơmă theoăcácăcáchăti păc năkhácănhau,ănh ăgomăc m,ăphơnăc p,ăh cămáy,ăh căsơu,ăd aătriă th c,ăv.v.ă
26
Cơng trình [95], Q. Su vƠăcácăc ngăs ă(2008)ăđ ăxu tătheoăh ngăt ngăc ngăl nă nhauăđ ăgomăc măcácăkhíaăc nhăt ngăminhăvƠăcácăt ăc măxúcăc aăchúng.ăD aătrênăcácă
c mănƠy,ăcơngtrìnhăxácăđ nhăcácăkhíaăc nhă năb ngăcáchătìmăs ăliênăk tăgi aăcácăkhíaă
c nhăt ngăminhăvƠăcácăt ăc măxúc.
Các tác gi [96,97] s ăd ngăph ngăphápăgomăc măđ xácăđ nhăcácăkhíaăc nhăt ngă minhăvƠăgomănhómăchúngăvƠoăc̀ngănhómăt ngăt ănhau.ăSauăđóăxácăđ nhăcácăkhíaăc nhă
năb ngăcáchăánhăx ăcácăkhíaăc nhă năvƠoăt păcácăkhíaăc nhăt ngăminh.
Phân c p
Cơng trình [98], J.ăYuăvƠăcácăc ngăs ă(2011)ăs ăd ngăphơnăc păkhíaăc nhăvƠăcácăt ă c măxúcăđ ăxácăđ nhăkhíaăc nhă n.ăH ătíchăh păcácăthơngăs ăs năph măvƠăcácăbìnhălu nă c aăkháchăhƠngăđ ăsinhăraăm tăc uătrúcăphơnăc păcóăth ăsuyădi năkhíaăc nhă nătrongăm tă câu.
H c máy
Cơng trình [99], E. H. Hajar và B. Mohammed (2016) s ăd ngăNaiveăBayesăvƠ cùng v iăWordNetăhu năluy năm tăb ăphơnăl păxácăđ nhăkhíaăc nhă n.ă uătiênăh ăk tăh pă khoăng ăli uăv iăb ăt ăđi năWordNetăđ ăxácăđ nhăcácăt ăch ăkhíaăc nhă n.ăV iăcácăt ă khíaăc nhăđ cărútătríchănƠy,ăcácătácăgi ăđưăhu năluy năm tămơăhìnhăs ăd ngăNaiveă Bayesăđ ăxácăđ nhăcácăkhíaăc nhă n.
H c sâu
Cơng trình [100], J. Fengă vƠă cácă c ngă s ă (2019) s ă d ng Convolutional neural networkă(CNN)ăv iăthu tătoánătu năt ăđ ăgánănhưnăcácăt ătrongăcơu.ăH ăxácăđ nhăkhíaă c nhă năb ngăcáchăxemăcácăkhíaăc nhă nănh ălƠăcácăch ăđ ,ăsauăđóăđ iăsánhăm căđ ăgi aă cácăt ăc măxúcăvƠăm căđ ăc aăcácăkhíaăc nh.
th
Tác gi A. Bagheri vƠăcácăc ngăs ă(203)ă[101] đ ăxu tămơăhìnhăd aătrênăđ ăth ăđ ă rútătríchăkhíaăc nhă n.ăCơngătrìnhăđ nhăngh aăm tăhƠmăd aătrênăm iăliênăk tăgi aăcácă khíaăc nhăt ngăminhăvƠăcácăt ăc măxúcăvƠătrênăc ăs ăc aăhƠmănƠy,ăh ăđưăc pănh tăthêmă
27
tr ngăs ăchoăm iăc nhăc aăđ ăth .ăTi pătheo,ăh ăs ăd ngăng ngăchênhăl chămơăt ăranhă
gi iăgi aăm iăkhíaăc nhăv iăgiáătr ăđoăđ căđ ngăxu tăhi năc aăt ăc măxúcăvƠtríchăxu tă
raădanhăsáchăcácăt ăkhíaăc nhă năcóăkh ăn ngăx yăraănh t.
Cơng trình [102], Z.ăYanăvƠăcácăc ngăs ă(2015) đ ăxu tăthu tătoánăNodeRank,ăđ uă tiênăxácăđ nhăt tăc ăcácăc păđ ngăxu tăhi năc aăcácăt ăc măxúcăv iăcácăt ăkhíaăc nh.ăSauă đóăthu tătốnătínhăgiáătr ăNodeRankăchoăm iăkhíaăc nhă năv iăt ăc măxúc.ăKhíaăc nhăcóă giáătr ăcaoănh tăđ căxemănh ăkhíaăc nhă năti măn ng.
D a trên tri th c
Cơng trình [103], T.ăA.ăRanaăvƠăcácăc ngăs ă(2020) đ ăxu tăgi iăphápd aătrênătriă
th cănhi uăl păđ rútătríchăcácăkhíaăc nhă năt ăcácăbìnhălu n,ănh năxétăs năph măonline.ă
Cơngătrìnhăs ăd ngăNGDă(NormalizedăGoogleăDistance)ăđ ăxácăđ nhăkhíaăc nhăliênăquană nh tăđ iăv iănh ngăt ăc măxúcăcóăth ăđ ăc păđ nănhi uăh năm tăkhíaăc nh.ăBƠiăbáoăth că
hi nărútătríchăc ăkhíaăc nhăt ngăminhăvƠăkhơngăt ngăminhă( n).
Nh căđi măc a [103] lƠch aăquanătơmăđ năđ ngăthamăchi uăđ iăt ătrongătr ngă
h păcóăđ iăt ă‘it’ă(víăd :ă‘Iălikeătheăsize.ăItăisăsmallăandălight’),ăh ăs ăd ngăIACsă(Implicită AspectăClues)ăđ ăthayăth ă‘It’ăb iă‘phone’.ăTrongăvíăd ănƠyăkhơngăđúngăchoăvi căthayă th ă‘it’.
Trong m tăv năb n m i t t i v trí khác nhau s có ng ngh a khácănhau,ăđ c bi t t c m xúc, nó có th tham chi uăđ n m tăđ iăt ng hay khía c nh khác nhau. Nó khơng nh ng ph thu c vƠo ́ ngh a c a các t đ ngătr c mƠ còn ph thu c c t đ ng sau. Hay nói cách khác, t i m i v trí c a t c m xúc xu t hi nătrongăcơu,ăv năb n nó có ng ngh a khác nhau vƠ tham chi uăđ n th c th khácănhau.ă ơyăchính lƠ h n ch mƠ các cơng trình nghiên c u trên ch aăđ c p.
2.5 Ontology c m xúc vƠ lƠm giƠu ontology
Ontology c m xúc lƠ m tăc ăs tri th c ph thu c mi năđ c s d ng cho các bƠi tốn phân tích c m xúc. Hi nănayăđư có nhi u cơng trình nghiên c u v phân tích c m xúc d a trên ontology. M t trong các cơng trìnhăđ aăraăđ nh ngh a ontology c m xúc chi ti t nh tăđó lƠ [8].
28
- C = (CA, CS),ăt păcác khái ni m CA : t păkhái ni m khía c nh CS : t păkhái ni m c m xúc
- R = (RT, RN, RS) t păcácăquanăh
RN : t păquanăh không phân lo i (non-taxonomic relationships) RT : t păquanăh phân lo i (taxonomic relationships)
RS : quan h c m xúc (sentiment relationships)
- ci C: t păcác đ iăt ngă(th hi n-instances),ăđ căḱăhi uălƠăinstance-of(ci).
- ri (cp,cq) R: m iăquanăh ănh ăphơnăgi aăcp và cq,
- instanceăc aări là instance-of(ri),
- m tăinstanceărsi(a,s) c aăRS là m iăquanăh ăgi aăm t aspect a A vƠăm tăt ăc măxúcă (sentiment term) sS.
Hình 2.2 lƠăm tăvíăd ăc aăontologyăt ngăquátăbaoăg măT-Box và A-Box. T-Box bao g măcácăkháiăni măkhíaăc nh,ăkháiăni măc măxúcăvƠăcácăm iăquanăh ăgi aăcácăkháiă
ni m;ăA-Boxămơăt ăcácăth ăhi nc aăcácăkháiăni m.
Hình 2.2 Víăd ăontologyăt ngăqt [8].
Víăd ăontologyăc măxúcăv ăsmartphone,ăkhiăđóăT-Box (Hình 2.3)ăchoăth yăngƠnhă
cơngănghi păsmartphoneă(Industry)ăcóăth ăcóăm tăs ănhưnăhƠngă(Brands),ăm iănhưnăhƠngă cóănhi uăs năph mă(product)ăvƠăm iăs năph măl iăcóănhi uăđ cătr ngă(Feature).ăT tăc ă các kháiăni mănƠyălƠăkháiăni măconăc aăs ăvi că(thing)ătrongăontologyăt ngăquát.ăGi aă
29
m tă khíaă c nhă đ că đ ă c pă b iă m tă c mă xúcă quaă m iă quană h ă mentioned-byă ho că implied-by.
Thing
Industry belong-to Brands
Product Feature produces has Sentiment Term Positive Term mentioned-by Negative Term Sentiment Concepts Aspect Concepts Hình 2.3 T-Boxăc aăontologyăcơngănghi p [8].
iă v iă A-Box (Hình 2.4)ă choă bi tă ontologyă nƠyă môă t ă cácă kháiă ni mă c aă smartphone. Có hai nhãn tên là S-Brand A và S-Brandă Bă s nă xu tă raă s nă ph mă SmartphoneăAăvƠăSmartphoneăB.ăM iăsmartphoneăcóăm tăs ăđ cătr ngănh ăBattery,ă Screen,ăDesign,ă…ăVƠăm iăđ cătr ngăs ăđ căđ ăc păb iăt ăcóăc măxúcătíchăc căhayătiêuă c c.
Hình 2.4 A-Boxăc aăontologyăcôngănghi p [8].
Theoăđnh ngh a c a [8], ontology c m xúcăđ c chia lƠm hai l p khái ni m lƠ khía c nh vƠ c m xúc.ăTrongăđó l p khía c nh bao g m c s n ph m, nhƠ s n xu t,ăđ c tính.
<<Industry>> Smartphone <<Brands>> S-Brand A <<Brands>> S-Brand B <<Product>> Smartphone A <<Product>> Smartphone B <<Feature>> Battery <<Feature>> Screen <<Feature>> Design <<Positive Term>> durable <<Negative Term>> small size belong-to has has produces produces mentioned-by mentioned-by
30
L p khía c nh đơyăkhơngăph i ch đ n thu c tính, tính ch t hay thƠnh ph n c a m t
đ iăt ng, th c th hay s n ph m.ă ơyăchính lƠ s h n ch c a ontology c m xúc [8].
Vì v y lu n ánăđư c i ti n ontology c m xúc nƠyăđ ph̀ h p v i bƠi toán phân gi iăđ ng tham chi u cho phân tích c m xúc.
Hi n nay cịn có m t ontology c m xúc ph bi năđ c nhi u nhƠ nghiên c u bi t
đ năđó lƠ OntoSenticNet [104], d a trên SenticNet, lƠ m t m ng ng ngh a bao g m
kho ng 100000 khái ni m. OntoSenticNet có m t s đ căđi m:ă(i)ăđ nh ngh a h th ng phân c p khái ni m vƠ các thu c tính liên k t gi a các khái ni m v i giá tr c m xúc; (ii) h tr k t n i thông tin bên ngoƠiă(nh ănhúng t word embedding), thông tin mi n, bi u di n s phân c c v.v.) v i m i cá th trong ontology; (iii) kh n ngăliênăk t t ng khái ni m v i các thơng tin có ch a trong các tƠi nguyên bên ngoƠi.
Ki n trúcăOntoSenticNetăđ c trình bƠy t ngăquanănh ăHình 2.5,ătrongăđó, các hình elip bi u di n các khái ni m, m i tên nétăđ t bi u di n các m i quan h ph , m i tên xanh lá bi u hi n thu c tínhăđ iăt ng vƠ m i tên mƠuăđenămơăt thu c tính ki u d li u t ng ng v i m i khái ni m. OntoSenticNet bao g m b n nhánh chính lƠ SenticConcept, Domain, PolarityInstance, vƠ Resource. Trong SenticConcept ti p t c đ c chia thƠnh ba nhánh con Emotion, Commonsense Expression vƠ SingleToken.
Ontology c m xúcăcóăhaiăph năthìđaăph năcácăcơngătrìnhăđ uăquanătơmăđ nălƠmăgiƠuă
A-Box.ăLƠmăgiƠuăđ ngăngh aăv iăvi căc pănh tăthêmăt ,ăc măt ăm iăcóăng ăngh aăvƠă
m iăquanăh ăgi aăchúngăvƠoăontology.ăLƠmăgiƠuăontologyăđưăđ cănhi uăcơngătrìnhă nghiênăc uăquanătơmăvƠăcóănhi uăcáchăti păc năkhácănhau.ăPh ngăphápăđi năhìnhăđóălƠă ontology learning [105] vƠăt̀yăthu căki uăd ăli uăđ uăvƠoăc aăph ngăpháp,ăs ăcóăcácă cáchăti păc năđ lƠm giƠu ontology khác nhau.
- Xơyăd ngăvƠălƠmăgiƠuăontologyăt ăv năb n,ăápăd ngăcácăk ăthu tăphơnătíchăngơnă
ng ăt ănhiênănh ărútătríchăd aătheoăm uă[106],ăgomăc măkháiăni mă[107], v.v. - D aătrênăt ăđi nă[108,109].
- D aătrênăc ăs ătriăth că[110].
- H cămáyăvƠăth ngăkêă[111].
31
Hình 2.5 T ng quan OntoSenticNet [104].
LƠm giƠu d li u ontology (Ontology Population)(OP) [113] lƠ nhi m v c p nh t thêm d li u hay g i lƠ lƠm giƠu tri th c cho các l p khái ni m trong ontology. Quá trình lƠm giƠu d li u cho ontology không lƠmăthayăđ i c u trúc c a ontology, ví d nh ăh th ng phân c p khái ni m vƠ các m i quan h không phân lo i (non-taxonomic)ăđ c gi nguyên. S thayăđ iăđó lƠ t p cácăth ăhi n (instances) c a khái ni m vƠ m i quan h trong ph m vi mi n. Ki n trúcăđi n hình c a bƠi tốn lƠm giƠu d li uăontologyăđ c gi i thi u Hình 2.6.
Quá trình OP yêu c u có m t ontology kh iăđ u vƠ m t b máy rút trích các th hi n c a các khái ni m vƠ các quan h trong m t kho ng li u. M t danh sách các th hi n đ c rút trích nƠy s đ c b sung vƠoăontology.ă c bi t, OP thu th p các th hi nănh ă lƠ các t ch đ iăt ng vƠ các t đ ng ngh a c a c khái ni m vƠ quan h . Hi n nay có r t nhi u cách ti p c n gi i quy t bƠi toánăOP,ănh ăph ngăpháp máy h c, h c sâu, x ĺ ngôn ng t nhiên, d a lu t, th ng kê vƠ logic, v.v. Chi ti t các nghiên c u liên quan c a bƠi toán OP s đ c trình bƠy chi ti tăh nă ph n ti p theo.
32
Hình 2.6 Ki n trúc lƠm giƠu ontology [113].
Ph ng pháp h c máy (Machine learning)
Các cơng trình nghiên c u [114-118] ti p c nătheoăph ngăpháp h c máy (h c có giám sát vƠ khơng giám sát) s d ng mơ hình phân l păđ xácăđnh các th hi n. Các tác gi s d ng các thu t toán h c máy,ănh ăSupportăVectorăMachineă(SVM)ăđ rút trích các th hi n t cácăv năb n khơng có c u trúc.
Ph ng pháp h c sâu (Deep learning)
ơy lƠph ngăpháp ph bi n hi n nay cho nhi u bƠi toán trong các l nh v c khác nhau vƠ trong c x ĺ ngôn ng t nhiên.ă c bi t lƠm giƠu ontology có các cơng trình [119-122] đư áp d ng các thu t toán h căsơuănh ăCNN,ăRNNăđ xácăđnh các th hi n t các ngu n d li u ph thu c mi n. H c sâu có th t đ ng h c cácăđ cătr ngăt kho d li u l n, bao g m hƠng tri u các tham s . T đó rút tríchăđ c d li u lƠm giƠu cho ontology.
Ph ng pháp d a theo lu t
Các cơng trình [123-130] s d ng t p các lu t t v ng - cú phápăđ xácăđnh các th hi n c a khái ni m vƠ quan h trongăv năb n. Tuy nhiên cácăph ngăpháp nƠyăđịi h i nhi u cơng s c xây d ng th công các lu t rút trích vƠ xácăđ nh các m u lu t.ăH năn a các m u rút trích có th khơng chính xác vì thi u s phân tích sâu v ngơn ng .
33
Ph ng pháp th ng kê
V iăph ngăpháp th ng kê, các tác gi c a các cơng trình [131-133] s d ngăđ đoă t ngăt ng ngh a vƠ các ch căn ngăph̀ h păđ tính toán s gi ng nhau v m tăv nă b n gi a các thu t ng đ c rút trích vƠ các th hi n trong ontology. Tuy nhiên, nh ng ti p c n nƠy không ph̀ h p v i m iătr ng h p, ví d chúng khơng th x ĺ các thu t ng khơng có trong các t đi năđ ng ngh a ho c không ph̀ h păđ hi u các t vi t t t, v.v.
Ph ng pháp k t h p
NgoƠi ra, có m t s các cơng trình áp d ngăph ngăpháp lai k t h p cácăph ngă pháp v i nhau vƠ thuăđ c k t qu t t.ăNh ăcơngătrình [134] k t h p h c máy vƠ d a theo lu t áp d ng cho các bƠi toán nh n di n tên gen di truy n (gene-name). Ho c cơng trình [135] k t h p cácăph ngăpháp d a vƠo kho ng li u vƠ d a vƠo tri th c.
D aătrênăđ c th̀ vƠ m c tiêu c a bƠi toán phân gi iăđ ng tham chi u cho phân tích c m xúc, lu n án s s d ngăph ngăpháp k t h p d a theo lu t, d a tri th c vƠ th ng kê.ăTrongăđó có s d ng các thu t tốn x ĺ ngơn ng t nhiên, cácăc ăs tri th căđư có