Tài liệu Một giải thuật tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi

  ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN MINH HẢI MỘT GIẢI THUẬT TRI-TRAIN CHỈNH SỬA VÀ ỨNG DỤNG VÀO BÀI TOÁN PHÂN LỚP CÂU HỎI Ngành: Công nghệ Thông tin Chuyên ngành: Hệ thống thông tin Mã số: 60 48 01 04 LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS.NGUYỄN TRÍ THÀNH Hà Nội - 2014 2   LỜI CAM ĐOAN Tôi xin cam đoan kết quả đạt được trong luận văn là sản phẩm của riêng cá nhân tôi, không sao chép lại của người khác. Trong toàn bộ nội dung của luận văn, những điều đã trình bày là của cá nhân tôi hoặc là được tôi tổng hợp từ nhiều nguồn tài liệu. Tất cả các nguồn tài liệu tham khảo có xuất xứ rõ ràng và được trích dẫn hợp pháp. Tôi xin chịu toàn bộ trách nhiệm và chịu mọi hình thức kỷ luật theo quy định cho lời cam đoan của tôi. Hà Nội, tháng 10 năm 2014 Nguyễn Minh Hải     Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 3   MỤC LỤC LỜI CAM ĐOAN .......................................................................................................... 2   MỤC LỤC ...................................................................................................................... 3   DANH MỤC CÁC TỪ VIẾT TẮT .............................................................................. 5   DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ ...................................................................... 6   MỞ ĐẦU ........................................................................................................................ 7   Chương 1. Giới thiệu bài toán và các nghiên cứu liên quan ...................................... 8   1.1. Hệ thống hỏi đáp ...................................................................................................... 8   1.2. Vị trí của bài toán phân lớp câu hỏi trong hệ thống hỏi đáp .................................... 9   1.3. Bài toán phân lớp câu hỏi ....................................................................................... 11   1.4. Các đề tài nghiên cứu liên quan ............................................................................. 12   1.5. Các hướng giải quyết bài toán phân lớp câu hỏi hiện nay ..................................... 17   1.6. Lựa chọn định hướng giải quyết bài toán của luận văn ......................................... 18   Chương 2. Mô hình giải quyết bài toán...................................................................... 20   2.1. Lựa chọn giải pháp và mô hình giải quyết bài toán ............................................... 20   2.2. Cơ sở lý thuyết ....................................................................................................... 20   2.2.1. Học bán giám sát ........................................................................................ 20   2.2.2. Các thuật toán học bán giám sát ................................................................. 20   2.2.3. Tri-Train ..................................................................................................... 21   2.2.3.1. Tri-Train gốc ....................................................................................... 21   2.2.3.2. Tri-Train cải tiến ................................................................................. 23   2.3. Giải pháp cải tiến ................................................................................................... 25   2.3.1. Đề xuất cải tiến ........................................................................................... 25   Chương 3. Thực nghiệm .............................................................................................. 27   3.1. Dữ liệu và công cụ cho thực nghiệm...................................................................... 27   3.2. Kết quả thực nghiệm Tritrain ................................................................................. 28   3.2.1. Kịch bản thực hiện: .................................................................................... 28   Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 4   3.2.2. Đánh giá hiệu quả của việc sử dụng Tri-Train ........................................... 28   3.2.2.1. Hiệu quả cải thiện với 1000 dữ liệu đã được gán nhãn ...................... 28   3.2.2.2. Hiệu quả cải thiện với 2000 dữ liệu đã được gán nhãn ...................... 29   3.2.2.3. Hiệu quả cải thiện với 3000 dữ liệu đã được gán nhãn ...................... 30   3.2.2.4. Hiệu quả cải thiện với 4000 dữ liệu đã được gán nhãn ...................... 31   3.3. Đánh giá chung ...................................................................................................... 31   KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TƯƠNG LAI ......................................... 34   TÀI LIỆU THAM KHẢO .......................................................................................... 35   Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 5   DANH MỤC CÁC TỪ VIẾT TẮT QA Question Answering System TREC Text Retrieval Conference NN Nearest Neighbors NB Naïve Bayes DT Decision Tree SNoW Sparse Network of Winnows SVM Support Vector Machines MEM Maximum Entropy Model CQA Community Question Answering CoCQA Co-Training Over Questions and Answers Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 6   DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.2: Các module chức năng chính của một hệ thống hỏi đáp.   Hình 1.3: Bài toán phân lớp câu hỏi.   Hình 1.4: Mô hình tổng quan hệ thống phân lớp câu hỏi của Kadri Hacioglu và Wayne Ward.   Hình 1.5: Các hướng giải quyết bài toán phân lớp câu hỏi.   Hình 4.1: Biểu đồ đánh giá hiệu quả cải thiện kết qủa với tập dữ liệu đã được gán nhãn là 1000.   Hình 4.2: Biểu đồ đánh giá hiệu quả cải thiện kết qủa với tập dữ liệu đã được gán nhãn là 2000.   Hình 4.3: Biểu đồ đánh giá hiệu quả cải thiện kết qủa với tập dữ liệu đã được gán nhãn là 3000   Hình 4.4: Biểu đồ đánh giá hiệu quả cải thiện kết qủa với tập dữ liệu đã được gán nhãn là 4000   Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 7   MỞ ĐẦU Các hệ thống hỏi đáp (Question Answering System) là một trong những hướng quan trọng trong xử lý ngôn ngữ tự nhiên. Một trong những thành phần quan trọng của các hệ thống này là module phân lớp câu hỏi. Chất lượng của module này có ý nghĩa rất quan trọng vì nó xác định được miền dữ liệu cũng như phương pháp trích chọn câu trả lời cho câu hỏi đưa ra. Luận văn tập trung tìm hiểu các phương pháp nhằm làm tăng hiệu năng phân lớp của module phân lớp câu hỏi. Bài toán phân lớp câu hỏi đã được đặt ra và giải quyết từ khá lâu với hai hướng chủ đạo: dựa trên luật và dựa trên xác suất, tuy nhiên cho đến nay nó vẫn là bài toán được nhiều người quan tâm. Luận văn tập trung khảo sát các phương pháp được áp dụng cho phân lớp câu hỏi. Trên cơ sở đó lựa chọn nghiên cứu về giải thuật học bán giám sát. Trong các giải thuật học bán giám sát, tác giả lựa chọn nghiên cứu cách cải tiến giải thuật Tri-Train áp dụng cho bài toán phân lớp câu hỏi. Kế thừa trên một đề xuất cải tiến của Nguyễn Trí Thành và các cộng sự được công bố vào năm 2008, luận văn đưa ra đề xuất cải tiến và thực hiện nhiều thử nghiệm minh họa sau đó thống kê và phân tích các thử nghiệm. Luận văn được tổ chức như sau: Chương 1: giới thiệu về hệ thống hỏi đáp, tầm quan trọng của module phân lớp câu hỏi và phát biểu bài toán phân lớp câu hỏi. Chương 2: khảo sát các đề tài nghiên cứu liên quan đến phân lớp câu hỏi và những thành tựu nghiên cứu trên thế giới đã đạt được. Chương 3: trình bày sơ lược về học bán giám sát, giải thuật Tri-Train, đưa ra và trình bày chi tiết đề xuất chỉnh sửa nhằm tăng hiệu quả cho bài toán phân lớp câu hỏi. Chương 4: trình bày quá trình làm thực nghiệm và các kết quả đạt được. Tác giả xin chân thành cảm ơn sự hướng dẫn và chỉ bảo tận tình của thầy Nguyễn Trí Thành, cảm ơn các thầy cô giáo trong khoa Hệ Thống Thông Tin trường Đại học Công nghệ - Đại học Quốc Gia Hà Nội đã tạo điều kiện giúp tác giả hoàn thành luận văn này. Hà Nội, tháng 10 năm 2014 Nguyễn Minh Hải Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 8   Chương 1. Giới thiệu bài toán và các nghiên cứu liên quan Mở đầu chương này sẽ giới thiệu về hệ thống hỏi đáp nói chung. Sau đó chỉ ra vị trí, vai trò của bài toán phân lớp câu hỏi trong hệ thống hỏi đáp. Cuối cùng, phát biểu dưới dạng toán học bài toán phân lớp câu hỏi. 1.1. Hệ thống hỏi đáp Hệ thống hỏi đáp có thể được xem như bước kế tiếp của quá trình tìm kiếm thông tin, cho phép người dùng đặt các câu hỏi bằng ngôn ngữ tự nhiên và nhận về những câu trả lời ngắn gọn. Để đáp ứng nhu cầu tìm kiếm hiệu quả cho các yêu cầu của người dùng cần có một hệ thống đủ thông minh, nhanh chóng và trả lời chính xác nhất cho các câu hỏi. Chính từ nhu cầu này, hệ thống hỏi đáp tự động QA (Question Answering System) đã được đề xuất, nghiên cứu tìm hướng giải quyết. Hệ thống này nhằm mục đích trả lời cho các câu hỏi tự nhiên trong thời gian ngắn nhất, chi phí tối thiểu và hiệu quả tối đa. Năm 2000, Jaime Carbonell và các cộng sự đã sớm đưa ra các tiêu chuẩn chung cho việc nghiên cứu QA [6]. Theo đó, một hệ thống hỏi đáp được người dùng đánh giá là hữu ích nếu đáp ứng được các tiêu chuẩn: - Tính hợp lý về thời gian: câu trả lời phải được đưa ra trong thời gian ngắn, ngay cả khi có hàng ngàn người dùng cùng truy nhập hệ thống một lúc. Các nguồn dữ liệu mới cần phải được tích hợp vào hệ thống ngay khi chúng sẵn sàng để có thế cung cấp cho người dùng câu trả lời cho những câu hỏi về các sự kiện có tính thời sự. - Tính chính xác: thách thức này là cực kì quan trọng bởi việc đưa ra câu trả lời sai còn tai hại hơn nhiều là không đưa ra câu trả lời. Nghiên cứu về QA cần tập trung vào việc đánh giá tính đúng đắn của câu trả lời đưa ra, bao gồm cả phương thức để phát hiện các trường hợp mà dữ liệu hiện thời không chứa câu trả lời cho câu hỏi. Các thông tin mâu thuẫn trong dữ liệu cũng cần được tìm ra và các thông tin này cần được xử lý theo một cách phù hợp, nhất quán. Để đạt được sự chính xác, hệ thống QA cần được tích hợp các nguồn tri thức và quá trình học suy luận thông thường. - Tính khả dụng: hệ thống QA cần đáp ứng được các yêu cầu cụ thể của một người dùng. Các ontology trên từng miền cụ thể và ontology trên miền mở cần được tích hợp trong hệ thống. Hệ thống QA cần có khả năng khai phá câu trả lời từ bất kì dạng dữ liệu gì (văn bản, web, cơ sở dữ liệu, …) và đưa ra câu trả lời dưới định dạng mà người dùng mong muốn, cho phép người dùng miêu tả ngữ cảnh của câu hỏi và cung cấp các thông tin Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 9   giải thích, trích dẫn nguồn cho câu trả lời. - Tính hoàn chỉnh: câu trả lời hoàn chỉnh cho câu hỏi của người dùng là điều mà các hệ thống QA hướng tới. Trong nhiều trường hợp (câu hỏi về danh sách, nguyên nhân, cách thức…), các phần của câu trả lời nằm rải rác trong một văn bản, thậm chí trong nhiều văn bản. Vì vậy cần phải hợp nhất các phần này dựa trên các thông tin liên kết để tạo ra câu trả lời hoàn chỉnh. - Tính thích hợp của câu trả lời: trong ngôn ngữ tự nhiên, câu hỏi đưa ra luôn gắn với ngữ cảnh nào đó và câu trả lời cũng nằm trong một ngữ cảnh nhất định. Câu trả lời mà hệ thống QA đưa ra phải phù hợp ngữ cảnh với câu hỏi. Một hệ thống QA có khả năng tương tác là cần thiết trong nhiều trường hợp bởi chuỗi các câu hỏi liên quan đến một vấn đề sẽ giúp làm sáng tỏ thông tin mà người dùng đang hỏi. Việc đánh giá một hệ thống QA cần hướng người dùng bởi ý kiến người dùng là đánh giá tốt nhất cho tính thích hợp của câu trả lời. Hệ thống hỏi đáp tự động là hệ thống được xây dựng để thực hiện việc tìm kiếm tự động câu trả lời từ một tập lớn các tài liệu cho câu hỏi đầu vào một cách chính xác. QA hiện đang thu hút sự quan tâm của rất nhiều nhà nghiên cứu từ các trường đại học, các viện nghiên cứu cũng như các công ty lớn hàng đầu trên thế giới [15]. Nhiều hội nghị lớn về xử lý ngôn ngữ tự nhiên được tổ chức hàng năm như Coling, Text Retrieval Conference (Trec)… đều có những phần dành riêng cho những nghiên cứu liên quan đến hệ thống hỏi đáp. 1.2. Vị trí của bài toán phân lớp câu hỏi trong hệ thống hỏi đáp Hệ thống hỏi đáp ngày càng trở nên phổ biến và phong phú trong nhiều lĩnh vực và ứng dụng trong cuộc sống. Phân lớp câu hỏi là một module quan trọng trong hệ thống này (hình 1.2). Do vậy bài toán phân lớp câu hỏi càng trở nên cần thiết và quan trọng. Chức năng chính của nó là phân các câu hỏi vào các lớp giúp giảm đáng kể không gian tìm kiếm câu trả lời, độ chính xác của nó đóng vai trò quan trọng trong hiệu quả của hệ thống hỏi đáp. Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 10   Hình 1.2: Các module chức năng chính của một hệ thống hỏi đáp. Trong đó các bước tiến hành như sau 1. Người dùng nhập câu hỏi qua giao diện web/mobile app… 2. Hệ thống sử dụng module phân lớp câu hỏi để xác định lĩnh vực của câu hỏi để tìm kiếm, bước này là bước rất quan trọng, nếu bước này phân lớp sai lĩnh vự cần hỏi thì gần như hoàn toàn là câu trả lời sẽ không chính xác. 3. Sau khi đã xác định được lĩnh vực/nội dung cần tìm câu trả lời, hệ thống sẽ chuẩn hoá câu hỏi theo format của hê thống, format này có Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 11   thể khác nhau tuỳ theo mô hình các hệ thống được xây dựng 4. Tìm kiếm câu trả lời trong lĩnh vực đã được xác định ở (2) và theo format câu hỏi ở (3). 5. Hiển thị câu trả lời cho người dùng từ nội dung tìm được từ(4). Hệ thống QA bao gồm nhiều thành phần: thành phần phân tích câu hỏi, thành phần phân lớp câu hỏi, thành phần truy vấn dựa trên những tập tài liệu liên quan đến câu truy vấn,… Trong các thành phần này, thành phần phân lớp câu hỏi đóng vai trò quan trọng. Đầu tiên, người dùng đưa vào hệ thống một câu hỏi, sau đó câu hỏi sẽ được phân tích để tìm từ khóa tìm kiếm hoặc định dạng thành một loại câu truy vấn xuống cơ sở dữ liệu chứa thông tin. Kết quả của quá trình đó không thể trả về ngay lập tức một câu trả lời duy nhất và chính xác. Trên thực tế nó sẽ đưa ra một tập các câu trả lời đề cử có liên quan đến vấn đề được hỏi. Vậy, công việc chính của phân lớp câu hỏi là lọc và loại bỏ những câu trả lời nào không phù hợp, hơn thế nữa có thể dựa trên một số tiêu chí để đánh giá xếp hạng các câu trả lời theo mức độ liên quan đến câu hỏi. Ngoài ra, phân lớp câu hỏi còn có thể giúp ta xác định được kiểu câu trả lời một khi ta biết được phân lớp của nó. Việc này giúp hệ thống đưa ra một câu trả lời gần gũi với ngôn ngữ tự nhiên. Håkan Sundblad cũng chỉ ra rằng để có một hệ thống hỏi đáp thành công, việc phân lớp các câu hỏi chính xác là một nhân tố quan trọng [5]. Hệ thống phân lớp câu hỏi bao gồm hai thành phần chính: một nguyên tắc phân loại các câu trả lời và một máy phân loại. 1.3. Bài toán phân lớp câu hỏi Phân lớp câu hỏi có thể được hiểu theo cách thông thường là: cho một câu hỏi (đại diện bởi các đặc trưng), gán câu hỏi đó vào một nhóm hoặc một tập nhóm (hình 1.3). Đầu vào: câu hỏi ở dạng ngôn ngữ tự nhiên. Đầu ra: lĩnh vực/miền/nhóm của câu hỏi. Phát biểu: cho tập hợp N các câu hỏi đã được gán nhãn và danh sách các nhãn lớp. Cho một câu hỏi A bất kỳ, xác định nhãn lớp cho câu hỏi A. Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 12   Module phân lớp câu hỏi Thuật toán luyện và các quy luật phân lớp Câu hỏi A chưa được phân lớp Trích chọn các đặc trưng và gán nhãn lớp Lớp 1 ... A được xếp vào lớp i A được xếp vào lớp j Dữ liệu mẫu và danh sách các lớp Lớp i ... Lớp j Lớp n-1 Lớp n Hình 1.3: Bài toán phân lớp câu hỏi. Tuy nhiên bằng cách áp dụng định nghĩa của phân loại văn bản vào vấn đề phân lớp câu hỏi, Håkan Sundblad cũng đã phát biểu lại bài toán phân lớp câu hỏi như sau [5]: Định nghĩa 1: phân lớp câu hỏi là công việc gán một giá trị kiểu bool cho mỗi cặp < 𝑞! , 𝑐! >∈ 𝑄×𝐶 với Q là lĩnh vực các câu hỏi và C là một tập danh mục nhóm được định nghĩa sẵn 𝐶 = 𝐶! , 𝐶! , … 𝐶|!| . Việc gán cho giá trị T (True = 1) nghĩa là qi được đánh giá là thuộc nhóm ci, và ngược lại nếu bằng F (Fales=0) nghĩa là qi không thuộc nhóm ci. Trong một thiết lập học máy, đây chính là việc gán những hàm mục tiêu chưa biết Φ: 𝑄×𝐶 → {𝑇, 𝐹} về hàm xấp xỉ đã biết Φ: 𝑄×𝐶 → {𝑇, 𝐹}. 1.4. Các đề tài nghiên cứu liên quan Trong một nghiên cứu được trình bày vào năm 2002 [11], Xin Li và Dan Roth đã chỉ ra rằng một module phân lớp câu hỏi trong hệ thống hỏi đáp sẽ bao gồm hai yêu cầu chính: - Cung cấp ràng buộc trong các loại câu trả lời cho phép xử lý thêm để định vị chính xác và kiểm nghiệm câu trả lời. - Cung cấp thông tin cho quá trình thuận để có thể sử dụng chiến lược lựa chọn loại câu trả lời cụ thể. Ví dụ câu hỏi “Ai là người phụ nữ đầu tiên bị Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 13   giết ở chiến tranh Việt Nam? “, chúng ta không muốn kiểm tra tất cả các cụm danh từ trong câu hỏi để đưa ra câu trả lời. Tối thiểu chúng ta có thể xác định được mục tiêu của câu hỏi này là một người. Bằng cách đó có thể giảm bớt không gian các đáp án một cách đáng kể. Cũng trong bài báo này tác giả đã đưa ra hướng giải quyết bằng phương pháp học máy cho phân lớp câu hỏi. Rất nhiều nghiên cứu trong những năm về sau của nhiều tác giả trên thế giới đã khá thành công khi áp dụng các giải pháp bằng học máy cho bài toán phân lớp câu hỏi và càng chứng minh sự đúng đắn của hướng giải quyết này. Trong nghiên cứu [11] Xin Li và Dan Roth đã phát triển phân lớp có thứ tự được xây dựng bởi một lớp ngữ cảnh có thứ tự của các loại câu trả lời và sử dụng chúng để phân loại câu hỏi thành các lớp tinh. Ngoài ra, họ còn tiến hành các thực nghiệm chứng minh rằng vấn đề phân lớp câu hỏi có thể được giải quyết khá chính xác bằng phương pháp học và chỉ ra những lợi ích của các đặc trưng nền tảng trong sự phân tích ngữ cảnh. Một đóng góp không nhỏ của Xin Li và Dan Roth trong nghiên cứu của mình là đã xây dựng một bộ dữ liệu chuẩn sử dụng để kiểm thử tính đúng đắn của các giải pháp phân lớp câu hỏi. Dữ liệu được thu thập từ 4 nguồn: 4500 câu hỏi tiếng Anh được công bố bởi USC bao gồm 500 cấu trúc câu hỏi thủ công cho một vài lớp hiếm, 894 câu hỏi TREC 8 sử dụng làm dữ liệu luyện (train) và 500 câu hỏi từ TREC 10 sử dụng làm dữ liệu kiểm tra (test). Các câu hỏi này được gán nhãn một cách thủ công và để đơn giản, mỗi câu hỏi được gán chính xác bằng một nhãn lớp. Các câu hỏi được phân lớp theo 6 mục thô và 50 mục tinh (bảng 2.1). Các bài báo nghiên cứu sau này về phân lớp câu hỏi cũng đựa trên các mục này để nghiên cứu và đánh giá. Bảng 1.1: Phân lớp 6 mục thô và 50 mục tinh được đưa ra bởi Li và Roth (2002). Mục thô Mục tinh ABBR abbreviation, expansion DESC definition, description, manner, reason ENTY animal, body, color, creation, currency, disease, event, food, instrument, language, letter, other, plant, product, religion, sport, subtance, symbol, technique, term, vehicle, word HUM description, group, individual, title LOC city, country, mountain, other, state NUM code, count, date, distance, money, order, other, percent, period, Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 14   speed, temperature, size, weight Bộ dữ liệu nổi tiếng này hiện nay vẫn đang được sử dụng trong các nghiên cứu liên quan đến bài toán phân lớp câu hỏi, thậm chí còn được dịch ra nhiều thứ tiếng để phục vụ các nghiên cứu mang tính đặc trưng của ngôn ngữ. Zhang D. và Lee W.S năm 2003 đã nghiên cứu và tiến hành cài đặt thử nghiệm cách giải quyết bài toán phân lớp câu hỏi với 5 thuật toán học máy: Nearest Neighbors (NN), Naïve Bayes (NB), Decision Tree (DT), Sparse Network of Winnows (SNoW), và Support Vector Machines (SVM) sử dụng hai đặc trưng bag-of-words và bag-ofN-grams. Các kết quả nghiên cứu được chỉ ra trong tài liệu [12] cho thấy SVM tỏ ra có hiệu quả nổi trội hơn so với các phương pháp khác. Ngoài ra họ còn đưa ra giải thuật Kernel Tree để nâng cao chất lượng phân lớp của SVM nhờ tận dụng đặc điểm có cấu trúc cú pháp của câu hỏi. Kernel Tree được trình bày ở [12] là một hàm đặc biệt được đề xuất để nhúng vào SVM nhằm mang lại hiệu quả tốt hơn đối với cấu trúc ngữ cảnh của các câu hỏi. Theo kết quả thực nghiệm các tác giả của bài báo này đưa ra thì SVM kết hợp với Tree Kernel có thể giảm bớt được 20% lỗi. Cũng trong năm 2003 Kadri Hacioglu và Wayne Ward [8] đã đề cập đến việc lựa chọn giải pháp học máy SVM cho phân lớp câu hỏi để thay thế cách phân lớp bằng các biểu thức chính quy và đưa ra mô hình tổng quan hệ thống phân lớp câu hỏi của họ (hình 1.4). Question text Preprocessor Indexing Dimension Reduction Tranformation Feature Extraction Feature vector Class label Classification ... m SVM Classifiers Classifier Combiner One of n class labels Hình 1.4: Mô hình tổng quan hệ thống phân lớp câu hỏi của Kadri Hacioglu và Wayne Ward. Họ chỉ ra rằng mặc dù các SVM hỗ trợ được phân lớp nhị phân, nhưng có thể mở rộng việc sử dụng chúng như phân loại đa lớp sử dụng mã nhị phân. Đối chiếu với các phương pháp khác cho thấy phương pháp này là lĩnh vực hứa hẹn cho việc cải thiện hiệu quả phân lớp câu hỏi với việc phân tích phi ngôn ngữ. Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 15   Năm 2005, Zhi-Hua Zhou và Ming Li đã đề xuất thuật toán học bán giám sát Tri-Train [13], thuật toán này tạo ra ba bộ phân lớp từ cùng một tập hợp dữ liệu được gán nhãn cho trước, các bộ phân lớp này sẽ được tinh chế lại sử dụng các mẫu chưa được gán nhãn trong quá trình Tri-Train. Trong mỗi vòng lặp của TriTrain, một mẫu chưa được gán nhãn sẽ được gán nhãn nếu hai bộ phân lớp khác đồng ý gán cùng một nhãn cho nó. Tri-Train không yêu cầu không gian mẫu được mô tả đầy đủ hay dư thừa cũng không hạn chế bất kỳ thuật toán học có giám sát hay khung nhìn nào, do đó ứng dụng của nó mở rộng hơn thuật toán học bán giám sát Co-Train trước đây. Năm 2007, Nguyễn Trí Thành cùng nhóm nghiên cứu của mình đã đề xuất giải pháp sử dụng phân loại theo cấp bậc câu hỏi nhằm mục đích giảm số lượng các lớp để cải thiện hiệu suất phân lớp khi số lượng lớp là khá lớn. Các câu hỏi được phân lớp một cách tuần tự bởi phân lớp thô và một phân lớp tinh. Nghiên cứu được công bố trong bài báo [9]. Họ cũng đưa ra khuyến cáo: mặc dù một câu hỏi có thể thuộc về nhiều lớp nhưng đề xuất chỉ nên phân câu hỏi vào lớp có xác suất cao nhất trong số các lớp có thể xếp vào. Ngoài ra, bài báo [9] còn đề xuất hướng giải quyết bài toán phân lớp câu hỏi có thứ tự kết hợp với thuật toán học bán giám sát và đưa ra đề xuất ba phương án phân lớp: - Ứng dụng học có giám sát: dễ dàng tạo tập luyện cho phân lớp thô. Mỗi phân lớp tinh cần có một tập con được gán nhãn. Có thể chiết xuất phù hợp các tập con cho việc luyện mỗi phân lớp tinh. Áp dụng: sử dụng MEM cho tất cả các phân lớp. Kết luận: khi kích thước mẫu nhỏ, tỷ lệ lỗi của phân lớp phẳng cao hơn phân lớp tuần tự. - Ứng dụng được kết hợp học có giám sát và bán giám sát: sử dụng bán giám sát cho mức đầu tiên, các phân lớp còn lại vẫn sử dụng thuật toán học có giám sát. Áp dụng Tri-Train cải tiến. Kết quả: học bán giám sát giúp cải thiện dự báo của phân lớp tinh, khi kích thước tập luyện tăng thì hiệu quả phân lớp tinh của MEM tỏ ra có hiệu quả hơn của SVM. - Ứng dụng bán giám sát: sử dụng học bán giám sát cho tất cả các mức. Kết quả thực nghiệm cho thấy không có nhiều hứa hẹn. Kết quả thực nghiệm của họ cho thấy học bán giám sát không cho hiệu quả tốt đối với các phân lớp tinh. Do đó không áp dụng học bán giám sát cho các phân lớp tinh và có giám sát cho phân lớp thô. Tuy nhiên phương pháp ứng dụng bán giám sát cho phân lớp tinh chưa mang lại kết quả tốt nhưng mở ra một vấn đề mới cho việc nghiên cứu xa hơn. Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 16   Tiếp nối nghiên cứu [9], năm 2008, Nguyễn Trí Thành cùng nhóm của mình tiếp tục phát triển và thử nghiệm phương án phân lớp “Kết hợp học có giám sát và bán giám sát” bằng việc cải tiến giải thuật Tri-Train và đưa ra hai đề xuất cải tiến để loại bỏ nhược điểm bootstrap-sample trong giải thuật Tri-Train gốc [10]. Trong thực tế, dữ liệu câu hỏi có đặc điểm là thưa và phân bố không đều. Do phân bố không đều nên sau thủ tục lấy mẫu Bootstrap-Sampling, mỗi tập gán nhãn mới nhất được tạo ra sẽ bị mất một số câu hỏi so với tập có nhãn ban đầu. Nếu những câu hỏi bị mất này lại nằm trong các lớp có rất ít câu hỏi thì tỷ lệ lỗi sẽ tăng trong mỗi bộ phân lớp khi luyện từ tập dữ liệu này. Để khắc phục nhược điểm này, Nguyễn Trí Thành đã đưa ra giải pháp sử dụng nhiều hơn một giải thuật cho ba bộ phân lớp. Mỗi bộ phân lớp được khởi tạo từ tập được gán nhãn. Thử nghiệm của ông cũng chỉ ra rằng điều kiện cần thiết để tăng hiệu quả của phân lớp là cả ba bộ phân lớp đều phải có hiệu quả phân lớp tương đương nhau. Nghiên cứu [3] của Baoli Li, Y. Liu và Eugene Agichtein năm 2008 đã giới thiệu hệ thống CoCQA cho phân lớp bán giám sát của các câu hỏi và các câu trả lời trong hệ thống thảo luận CQA. CoCQA là một nền tảng đồng luyện cho mô hình tương tác nguyên bản trong trao đổi hỏi đáp nó có thể khai thác cấu trúc của các câu hỏi và các câu trả lời phù hợp. Ngoài thừa kế sự khó khăn của phân tích chủ quan cho các câu hỏi người dùng thực, họ còn chỉ ra rằng bằng cách ứng dụng CoCQA cho công việc này, giúp cải thiện đáng kể hiệu quả dự báo và thực chất giảm bớt yêu cầu kích thước dữ liệu luyện. Năm 2009, nhóm tác giả Mohan John Blooma, Dion Hoe-Lian Goh, Alton Yeow Kuan Chua đã trình bày nghiên cứu về phân lớp câu hỏi đơn giản. Họ sử dụng phương pháp SVM và đưa ra kết luận rằng SVM là giải pháp mang lại hiệu quả phân lớp tốt nhất trong các nghiên cứu của họ. Nghiên cứu [1] đã được ứng dụng để phân lớp theo cấp bậc dựa trên thuật toán học máy SVM với các câu hỏi của người dùng được lấy từ hệ thống hỏi đáp của Yahoo. Điểm nổi bật của nghiên cứu này là các tác giả đã cố gắng trực tiếp phân lớp các câu hỏi phức tạp là các câu hỏi của người dùng thực. Họ đã sử dụng cả bộ phân lớp thô và bộ phân lớp tinh để đánh giá hiệu quả của nghiên cứu và đưa ra một ma trận phân tích các kết quả nghiên cứu của mình. Ali Harb, Michel Beigbeder, Kristine Lund và Jean-Jacques Girardot đã trình bày một phương pháp cải thiện chất lượng phân lớp câu hỏi theo định hướng tập trung vào phân tích ngôn ngữ và phương pháp tiếp cận thống kê vào năm 2011 [2]. Họ đã đề xuất ra hai phương pháp phân lớp câu hỏi mở rộng. Họ đã nghiên cứu về giá trị đại diện các câu hỏi, trọng số và các thuật toán học máy và làm Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 17   các thực nghiệm trên dữ liệu thực tế. Kết quả thực nghiệm cũng đã chỉ ra những dấu hiệu tốt trong việc cải thiện chất lượng phân lớp câu hỏi. Năm 2012, trong bài báo [7], Jinzhong Xu và các cộng sự đã đưa ra một giải pháp phân lớp câu hỏi dựa trên SVM và sự tương tự về ngữ nghĩa của câu hỏi. Nó được ứng dụng thực tế trong một hệ thống hỏi đáp trực tuyến về du lịch. Với hai mức phân lớp câu hỏi: SVM được sử dụng để phân lớp các câu hỏi ở mức thô và mô hình tương tự về mặt ngữ nghĩa được sử dụng để phân loại câu hỏi ở mức sâu hơn. Nhờ sử dụng khái niệm trọng số của miền dữ liệu họ đã cải thiện được chất lượng của các đặc trưng và mô hình tương tự về ngữ nghĩa của câu hỏi trong nghiên cứu của mình. Trong một nghiên cứu gần đây (8/2013), tác giả David Tomás và José L. Vicedo người Tây Ban Nha đã tìm ra hướng tiếp cận giám sát tối thiểu cho các phân lớp tinh của câu hỏi. Trong bài báo [4] họ đã đưa ra giải thuật tự động lấy ra danh sách các trọng số cho mỗi phân lớp. Cách xác định này có liên quan nhiều đến các lớp và độ ưu tiên giữa chúng. Các danh sách này được sử dụng để phân lớp câu hỏi với cách tiếp cận dựa trên sự phân bố xác suất của các văn bản gốc lấy từ web. Do đó, hệ thống hoàn toàn dựa trên các thông tin thống kê, không phân biệt ngôn ngữ. Họ đã tiến hành thử nghiệm trên các câu hỏi tiếng Anh và bản dịch sang tiếng Tây Ban Nha và thu được những kết quả cải thiện đáng kể. 1.5. Các hướng giải quyết bài toán phân lớp câu hỏi hiện nay Như hình 2.2 đã chỉ ra, hiện nay bài toán phân lớp câu hỏi được giải quyết theo hai hướng chính: phân lớp dựa trên các luật (Rule - Based) và phân lớp dựa trên xác suất (Statistical). Hướng giải quyết dựa trên các luật đã được nghiên cứu và có những thành công nhất định nhưng gặp phải khó khăn khi mở rộng hệ thống. Hướng giải quyết dựa vào xác suất có hai hướng chính là giải quyết dựa vào mô hình ngôn ngữ và học máy. Trong đó học máy là hướng giải quyết được quan tâm và đang mở ra nhiều triển vọng. Trong các nghiên cứu từ 2002 đến bây giờ, đã có nhiều nghiên cứu, thử nghiệm chứng minh rằng giải thuật SVM tỏ ra có ưu thế hơn đối với bài toán phân lớp câu hỏi. Ngoài ra, với tính chất phong phú, phức tạp, đa nghĩa của các câu hỏi trong hệ thống thực tế, thuật toán học bán giám sát đang tỏ ra có ưu thế hơn cả trong các phương pháp học máy. Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 18   Các hướng tiếp cận cho phân lớp câu hỏi Statistical (Xác suất) NB Rule-Based (Dựa trên luật) SNoW Học máy NN DT Keywords (Các từ khóa) Regular expresstions (Các biểu thức chính quy) Mô hình ngôn ngữ MEM ... SVM Hình 1.5: Các hướng giải quyết bài toán phân lớp câu hỏi. Đối với cách tiếp cận dựa trên các luật: việc phân lớp câu hỏi dựa vào một số các luật được thiết lập bằng tay. Các luật này có được là do đề xuất từ các chuyên gia. Đối với cách tiếp cận này, một loạt các biểu thức thông dụng (regular expression) được tạo ra để so khớp với câu hỏi từ đó quyết định phân lớp của câu hỏi và loại câu trả lời. Nhưng nó có một số hạn chế như sau: - Sự phân lớp dựa trên các luật gặp nhiều khó khăn và tốn nhiều thời gian xử lý do dựa trên kiến thức chủ quan của con người trên một tập dữ liệu câu hỏi. - Có sự giới hạn về mức độ bao quát và phức tạp trong việc mở rộng phạm vi của hệ thống. Trong cách tiếp cận xác suất, học máy là cách tiếp cận được quan tâm và nghiên cứu nhiều nhất. Sử dụng học máy, kiến thức chuyên môn được thay thế bằng một tập lớn các câu hỏi được gán nhãn kết quả sẵn (một tập dữ liệu mẫu). Từ tập này, classifier (bộ phân lớp) sẽ được học một cách có kiểm soát hoặc không kiểm soát trên tập mẫu. Các thuật toán học máy hay dùng bao gồm: mạng nơ-ron (Neural NetWork), xác suất có điều kiện (Naïve Bayes), mô hình cực đại Entropy (Maximum Entropy), cây quyết định (decision Tree), người láng giềng gần nhất (Nearest-Neighbors), mạng lọc thưa (Sparse Network of Winnows SNoW), máy hỗ trợ vector (Support Vector Machine - SVM),... Với cách tiếp cận học máy, ta dễ dàng thấy nó sẽ giải quyết được nhiều hạn chế từ cách tiếp cận dựa trên luật. 1.6. Lựa chọn định hướng giải quyết bài toán của luận văn Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 19   Như đã phân tích ở phần trước, ngày nay với đặc trưng phong phú của ngôn ngữ và tính khách quan vốn có của nó, hướng tiếp cận dựa trên các luật đã bộc lộ rõ những nhược điểm của mình. Trong đó nhược điểm lớn nhất không thể khắc phục được là khả năng mở rộng hệ thống rất hạn chế. Do vậy tác giả quan tâm đến hướng tiếp cận thứ hai - học máy. Trải qua hơn 10 năm kể từ khi hướng giải quyết học máy áp dụng cho bài toán phân lớp câu hỏi được đưa ra, đã có rất nhiều thuật toán học máy được nghiên cứu áp dụng đồng thời đối chiếu so sánh hiệu quả lẫn nhau. Trong hệ thống các giải pháp học máy, định hướng học có giám sát đã đạt được nhiều thành công, nhiều nghiên cứu của các tác giả nổi tiếng đã đạt được kết quả phân lớp gần như tuyệt đối. Tuy nhiên trong phạm vi luận văn tác giả lựa chọn nghiên cứu học bán giám sát vì đây là định hướng đang mở ra nhiều triển vọng với chi phí thấp và kết quả phân lớp có mức tin cậy đủ chấp nhận được. Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi 20   Chương 2. Mô hình giải quyết bài toán Trong chương này, tác giả trình bày khái quát về học bán giám sát và điểm sơ qua một vài phương pháp sử dụng cho học bán giám sát cùng với các ưu nhược điểm của chúng. Tiếp theo tác giả trình bày kỹ phần lý thuyết về giải thuật Tri-Train và các đề xuất cải tiến của Nguyễn Trí Thành. Phần cuối cùng, tác giả trình bày kỹ việc tạo ra các khung nhìn mới. 2.1. Lựa chọn giải pháp và mô hình giải quyết bài toán Trong phạm vi luận văn, tác giả lựa chọn học bán giám sát và cải tiến thuật toán Tri-Train để nâng cao chất lượng phân lớp câu hỏi. 2.2. Cơ sở lý thuyết 2.2.1. Học bán giám sát Trong khoa học máy tính, học bán giám sát là một lớp của kỹ thuật học máy, sử dụng cả dữ liệu đã gán nhãn và chưa gán nhãn để huấn luyện - điển hình là một lượng nhỏ dữ liệu có gán nhãn cùng với lượng lớn dữ liệu chưa gán nhãn. Học bán giám sát đứng giữa học không giám sát (không có bất kì dữ liệu có nhãn nào) và có giám sát (toàn bộ dữ liệu đều được gán nhãn). Nhiều nghiên cứu cho thấy dữ liệu không gán nhãn, khi được sử dụng kết hợp với dữ liệu có gán nhãn, có thể cải thiện đáng kể độ chính xác. Để gán nhãn dữ liệu cho một bài toán học máy thường đòi hỏi một chuyên viên có kỹ năng để phân loại bằng tay các mẫu huấn luyện. Chi phí cho quá trình này khiến tập dữ liệu được gán nhãn hoàn toàn trở nên không khả thi, trong khi dữ liệu gán nhãn thường tương đối rẻ tiền. Vì lý do này, học bán giám sát có giá trị thực tiễn lớn lao. Bài toán phân lớp câu hỏi đã được nghiên cứu và giải quyết bằng phương pháp học có giám sát từ cách đây hơn 10 năm, tuy nhiên chi phí cho việc gán nhãn là khá cao và số lượng mẫu cần thiết là khá lớn. Năm 2005, Zhi-Hua Zhou và Ming Li đã đề xuất thuật toán học bán giám sát Tri-Train áp dụng cho việc khai thác dữ liệu chưa được gán nhãn. Năm 2008 Nguyễn Trí Thành cùng nhóm nghiên cứu của mình đã công bố giải thuật Tri-Train cải tiến với đề xuất khắc phục nhược điểm của Tri-Train mà Zhou và Li đã đề xuất năm 2005 đồng thời làm các thử nghiệm kiểm tra chất lượng của thuật toán khi đưa vào giải quyết bài toán phân lớp câu hỏi. 2.2.2. Các thuật toán học bán giám sát Self-Train xuất hiện vào năm 1960, là kỹ thuật học bán giám sát đầu tiên hỗ trợ sử dụng dữ liệu chưa gán nhãn trong phân lớp. Với cách thức sử dụng “dự đoán” của nó để luyện chính nó, ban đầu Self-Train huấn luyện một bộ phân lớp Một giải thuật Tri-train chỉnh sửa và ứng dụng vào bài toán phân lớp câu hỏi