ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
NGHIÊN CỨU CÁC PHƯƠNG PHÁP XỬ LÝ TIẾNG VIỆT
ỨNG DỤNG CHO TÓM TẮT VĂN BẢN
LUẬN VĂN THẠC SĨ
Hà Nội - 2011
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
NGHIÊN CỨU CÁC PHƯƠNG PHÁP XỬ LÝ TIẾNG VIỆT
ỨNG DỤNG CHO TÓM TẮT VĂN BẢN
Ngành:
Công nghệ thông tin
Chuyên ngành: Hệ thống thông tin
Mã số:
60 48 05
LUẬN VĂN THẠC SĨ
NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. PHẠM BẢO SƠN
Hà Nội - 2011
i
LỜI CAM ĐOAN
Tôi xin cam đoan kết quả đạt được trong luận văn là sản phẩm nghiên cứu, tìm
hiểu của riêng cá nhân tôi. Trong toàn bộ nội dung của luận văn, những điều được
trình bày hoặc là của cá nhân tôi hoặc là được tổng hợp từ nhiều nguồn tài liệu. Tất
cả các tài liệu tham khảo đều có xuất xứ rõ ràng và được trích dẫn hợp pháp.
Tôi xin hoàn chịu trách nhiệm và chịu mọi hình thức kỷ luật theo quy định cho
lời cam đoan của mình.
Hà Nội, tháng 6 năm 2011
TÁC GIẢ LUẬN VĂN
ii
LỜI CẢM ƠN
Trước hết tôi xin xin gửi lời cảm ơn đặc biệt tới TS. Phạm Bảo Sơn, người đã
định hướng đề tài và tận tình hướng dẫn chỉ bảo tôi trong suốt quá trình thực hiện
luận văn cao học này.
Tôi xin chân thành cảm ơn các thầy cô trường Đại học Công nghệ, Đại học
Quốc Gia Hà Nội đã tận tình giảng dạy và truyền đạt những kiến thức, những kinh
nghiệm quý báu trong suốt khóa học cao học.
Cuối cùng, tôi xin dành một tình cảm biết ơn tới gia đình và những người thân
đã luôn ở bên cạnh, động viên, chia sẻ cùng tôi trong suốt thời gian học cao học
cũng như quá trình thực hiện luận văn cao học.
iii
MỤC LỤC
LỜI CAM ĐOAN.....................................................................................................i
LỜI CẢM ƠN .........................................................................................................ii
MỤC LỤC .............................................................................................................iii
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT........................................... v
DANH MỤC CÁC BẢNG ..................................................................................... vi
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ ................................................................vii
MỞ ĐẦU ................................................................................................................ 1
Chương 1 TỔNG QUAN VỀ TÓM TẮT VĂN BẢN .............................................. 3
1.1 Tổng quan......................................................................................................3
1.1.1 Khái niệm ..............................................................................................3
1.1.2 Lịch sử phát triển của tóm tắt văn bản .....................................................3
1.1.3 Phân loại các phương pháp tóm tắt văn bản.............................................4
1.2 Mô hình tóm tắt văn bản ................................................................................6
1.2.1 Các phương pháp áp dụng trong pha phân tích........................................7
1.2.2 Các phương pháp áp dụng trong pha biến đổi..........................................8
1.2.3 Các phương pháp trong pha tổng hợp kết quả..........................................9
1.3 Các phương pháp đánh giá .............................................................................9
1.3.1 Các phương pháp đánh giá trong.......................................................... 10
1.3.2 Các phương pháp đánh giá ngoài .......................................................... 11
Chương 2 BÀI TOÁN TÓM TẮT VĂN BẢN TIẾNG VIỆT .............................. 12
2.1 Một số hướng tiếp cận bài toán tóm tắt văn bản ........................................... 12
2.2 Đặc điểm tiếng Việt ..................................................................................... 13
2.2.1 Đặc điểm chung .................................................................................... 13
2.2.2 Yếu tố ngoại lai trong từ tiếng Việt ...................................................... 14
2.2.3 Từ đồng nghĩa ....................................................................................... 14
2.2.4 Đặc điểm chính tả ................................................................................. 15
2.2.5 Bảng mã tiếng Việt trên máy tính.......................................................... 16
2.3 Phương pháp cho bài toán tóm tắt văn bản tiếng Việt................................... 17
iv
Chương 3. ỨNG DỤNG PHƯƠNG PHÁP CẤU TRÚC ĐỂ TÓM TẮT VĂN BẢN
TIẾNG VIỆT......................................................................................................... 20
3.1 Mô hình tóm tắt sử dụng phương pháp cấu trúc ........................................... 20
3.2 Tiền xử lý văn bản ....................................................................................... 21
3.3 Xử lý từ ....................................................................................................... 22
3.4 Xây dựng đồ thị liên kết............................................................................... 24
3.5 Sinh văn bản tóm tắt .................................................................................... 28
Chương 4 THỰC NGHIỆM VÀ ĐÁNH GIÁ ........................................................ 33
4.1 Môi trường thử nghiệm................................................................................ 33
4.2 Dữ liệu thử nghiệm ...................................................................................... 33
4.3 Phương pháp đánh giá.................................................................................. 33
4.4 Kết quả thực nghiệm.................................................................................... 36
4.4.1 Thử nghiệm xác định ngưỡng................................................................ 36
4.4.2 Kết quả thử nghiệm đối với từng phiên bản........................................... 37
KẾT LUẬN........................................................................................................... 42
TÀI LIỆU THAM KHẢO ..................................................................................... 44
PHỤ LỤC ............................................................................................................. 46
v
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
STT
1
Ký hiệu, viết tắt
IDF
Tên đầy đủ
Inverse document frequency
Tần số tài liệu ngược
2
IR
Information Retrieval
Tìm kiếm thông tin
3
TF
Term frequency
Tần số từ
vi
DANH MỤC CÁC BẢNG
Bảng 1 Bậc của các nút sắp theo thứ tự giảm dần của văn bản Text(1).txt ............ 29
Bảng 2 Đánh giá sự liên quan của văn bản tóm tắt và văn bản GS ........................ 34
Bảng 3 Kết quả thử nghiệm với các ngưỡng khác nhau ........................................ 36
Bảng 4 Chất lượng của văn bản tóm tắt bởi Microsoft Word ................................ 37
Bảng 5 Kết quả thử nghiệm với phiên bản 1 ......................................................... 38
Bảng 6 Kết quả thử nghiệm với phiên bản 2 ......................................................... 38
Bảng 7 Kết quả thử nghiệm với phiên bản 3 ......................................................... 39
Bảng 8 So sánh kết quả các phiên bản và MS Word ............................................. 39
Bảng 9 So sánh các văn bản tóm tắt được thực hiện bởi 2 người........................... 40
vii
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 1 Kiến trúc của hệ thống tóm tắt văn bản tự động ..........................................6
Hình 2 Đồ thị liên kết các câu trong văn bản (gồm 11 câu, 30 liên kết trên 0,2).... 19
Hình 3 Mô hình tóm tắt văn bản sử dụng phương pháp cấu trúc ........................... 20
Hình 4 Đồ thị liên kết của văn bản Text(1).txt ...................................................... 27
Hình 5 Bản tóm tắt của Text(1).txt thực hiện bởi con người, tỉ lệ nén 10%........... 35
Hình 6 Đồ thị kết quả tóm tắt với các ngưỡng....................................................... 36
Hình 7 So sánh kết quả tóm tắt của các phiên bản và MS Word............................ 40
1
MỞ ĐẦU
Ngày nay, với sự phát triển như vũ bão của công nghệ thông tin, Internet cũng
như các dịch vụ trực tuyến, ngày càng có nhiều thông tin được tạo ra. Ta có thể truy
cập các thông tin đó qua sách, báo, Internet và các phương tiện truyền thông. Hơn
nữa, nhu cầu đọc, tìm kiếm và lưu trữ thông tin của con người cũng ngày càng tăng
lên. Tuy nhiên, với một lượng lớn thông tin như vậy thì người ta không thể nào có
đủ thời gian và sức lực để đọc hết được chúng. Giải pháp là tóm tắt lại các văn bản
đó, từ đó giúp tiết kiệm thời gian và công sức nhưng vẫn có thể đọc và xử lý được
nhiều văn bản.
Tóm tắt văn bản tự động đã bắt đầu được nghiên cứu từ những năm 50 của thế
kỉ trước. Đã có nhiều công trình nghiên cứu về lĩnh vực này và có được những kết
quả đáng kể. Tóm tắt văn bản đã được sử dụng trong các phần mềm xử lý văn bản
(Microsoft Office Word…), trong khai phá cơ sở dữ liệu văn bản (Oracle…), trong
các ứng dụng tìm kiếm thông tin trực tuyến (hệ thống tìm kiếm Google, Yahoo…)
và đều thu được những kết quả rất đáng khích lệ.
Tuy nhiên, đối với Tiếng Việt, do sự phức tạp của ngôn ngữ nên hiện chưa có
nhiều công trình nghiên cứu về tóm tắt văn bản và kết quả của các công trình nghiên
cứu về tóm tắt văn bản tiếng Việt còn hạn chế so với các ngôn ngữ khác mà đặc biệt
là so với tiếng Anh.
Vì vậy, chúng tôi chọn đề tài: “Nghiên cứu các phương pháp xử lý tiếng Việt
ứng dụng cho tóm tắt văn bản” nhằm nghiên cứu những vấn đề tổng quan về xử lý
ngôn ngữ tự nhiên và một số phương pháp tóm tắt văn bản tiên tiến đã được ứng
dụng và thu được kết quả khả quan đối với tiếng Anh; đồng thời nghiên cứu những
đặc điểm của tiếng Việt nhằm cải tiến và ứng dụng những phương pháp đó để có thể
xây dựng ứng dụng tóm tắt văn bản tiếng Việt.
Nội dung của luận văn được chia làm 4 chương:
Chương 1. Tổng quan về tóm tắt văn bản
Chương này trình bày những vấn đề tổng quan về bài toán tóm tắt văn bản,
một số hướng tiếp cận hiện đại và các phương pháp đánh giá kết quả của văn bản
tóm tắt.
Chương 2. Bài toán tóm tắt văn bản tiếng Việt
Chương này trình bày về bài toán tóm tắt văn bản tiếng Việt và một số khó
khăn gặp phải do các đặc điểm của tiếng Việt (ngữ âm, ngữ pháp, chính tả…), và
một số vấn đề về tiếng Việt trên máy tính (bảng mã, font chữ…), từ đó lựa chọn
phương pháp phù hợp cho bài toán tóm tắt văn bản.
2
Chương 3. Ứng dụng phương pháp cấu trúc để tóm tắt văn bản tiếng Việt
Chương này trình bày về việc sử dụng phương pháp sử dụng cấu trúc văn bản
kết hợp với từ điển từ dừng và từ điển đồng nghĩa để xây dựng chương trình tóm tắt
văn bản tiếng Việt.
Chương 4. Thực nghiệm và đánh giá
Chương này trình bày về phương pháp được sử dụng để đánh giá hệ thống tóm
tắt và các kết quả thực nghiệm.
3
Chương 1 TỔNG QUAN VỀ TÓM TẮT VĂN BẢN
1.1 Tổng quan
1.1.1 Khái niệm
Tóm tắt văn bản là một lĩnh vực của xử lý ngôn ngữ tự nhiên, đã được bắt đầu
nghiên cứu từ những năm 50 của thế kỉ trước. Có nhiều định nghĩa về tóm tắt văn
bản:
[19] định nghĩa tóm tắt văn bản là quá trình rút trích ra các thông tin quan
trọng từ một hoặc nhiều văn bản để tạo ra văn bản ngắn gọn cho mỗi hoặc nhóm
người dùng, cho từng tác vụ hay nhiều tác vụ khác nhau.
[21] định nghĩa hệ thống tóm tắt văn bản là hệ thống đưa ra dạng biểu diễn
ngắn gọn của thông tin đầu vào căn cứ theo yêu cầu của người dùng.
Radev (2002) [22] định nghĩa văn bản tóm tắt là văn bản được tạo từ một hoặc
nhiều văn bản khác mà truyền tải được những thông tin quan trọng trong văn bản
gốc nhưng có độ dài không quá ½ văn bản gốc (thường ngắn hơn đáng kể).
Theo Partha Lal (2002) [16] thì tóm tắt văn bản là việc thể hiện nội dung văn
bản dưới dạng giản lược một cách tự động nhằm đáp ứng yêu cầu nào đó từ phía
người dùng.
Đỗ Phúc, Hoàng Kiếm (2006) [5] định nghĩa tóm tắt văn bản tự động là việc
tìm các ý chính của văn bản.
Tựu chung lại, có ba đặc điểm quan trọng cần phải xem xét trong hệ thống
tóm tắt văn bản:
1) Bản tóm tắt có thể được tạo ra từ một hoặc nhiều văn bản.
2) Bản tóm tắt cần truyền tải các thông tin quan trọng.
3) Bản tóm tắt cần phải ngắn.
1.1.2 Lịch sử phát triển của tóm tắt văn bản
Tóm tắt văn bản bắt đầu từ những năm cuối thập kỉ 1950 với nghiên cứu của
Luhn (1958) [17] dựa trên tần số từ. Ý tưởng cơ bản của phương pháp tần số từ dựa
trên kiến thức cho rằng tần số của từng từ trong văn bản là một độ đo hữu dụng để
đánh giá tầm quan trọng của chúng.
Tiếp theo đó là phương pháp tóm tắt dựa trên vị trí của các câu trong văn bản
của Baxendale (1958), và những nghiên cứu của Edmundson (1969) [14] về vị trí
của các câu trong văn bản và các từ/cụm từ mang ý nghĩa tổng quát (từ/cụm từ dấu
hiệu). Theo đó, những câu bắt đầu và kết thúc của đoạn văn/bài viết hay những câu
4
chứa những từ như “important” (đặc biệt), “result are” (kết quả là), “paper
introduce” (bài báo giới thiệu về)… là những câu có ý nghĩa quan trọng.
Đầu những năm 1970, tiếp tục có những nghiên cứu với hướng tiếp cận ngoài
(sử dụng các cụm từ dấu hiệu) và được ứng dụng trong các phần mềm thương mại
(Pollock và Zamora).
Những năm 1980, phát triển nhiều nghiên cứu với nhiều hướng khác nhau, đặc
biệt là hướng tiếp cận mức thực thể dựa trên trí tuệ nhân tạo như sử dụng script
(Lehnert 1981), (DeJong 1982), các luật sản xuất và logic (Fum 1985), mạng ngữ
nghĩa (Reimer và Hahn 1988), cũng như các hướng tiếp cận kết hợp (Rau 1989) hay
(Aretoulaki 1994).
Willam B. Cavnar (1994): biểu diễn văn bản dựa trên n-gram thay cho cách
biểu diễn truyền thống bằng từ khoá.
Chinatsu Anoe (1997) đã phát triển hệ DimSum để tóm tắt văn bản sử dụng xử
lý ngôn ngữ tự nhiên và kĩ thuật thống kê dựa trên hệ thống tf-idf, sử dụng WordNet
để xem xét ngữ nghĩa của từ và đề xuất một số kĩ thuật lượng giá.
Jaine Carbonell (1998) đã tóm tắt văn bản bằng cách xếp hạng các câu trội
(câu chứa các ý chính của văn bản) và rút ra các câu trội.
Jade Goldstein (1999): phân loại tóm tắt dựa trên độ đo liên quan, phương
pháp sử dụng kết hợp giữa ngữ học, thống kê. Mỗi câu được đặc trưng bằng các đặc
tính ngữ học và độ đo thống kê.
J.Larocca Neto (2000) đã tạo tóm tắt văn bản dựa trên các dãy từ trong câu
được chọn theo hệ số tf, sau đó dùng kỹ thuật gom cụm (clustering) để tạo tóm tắt.
Yoshio (2001) đã tạo tóm tắt văn bản tiếng Nhật. Có 2 phương pháp là rút câu
dựa trên từ khoá và rút câu dựa trên kiến trúc ngữ nghĩa trong đó có xây dựng độ đo
mối liên kết giữa hai từ.
Hiện nay, một số nghiên cứu về xử lý ngôn ngữ tự nhiên cũng bước đầu được
áp dụng trong tóm tắt văn bản. Mặt khác, các nghiên cứu về tóm tắt đa văn bản, đa
ngôn ngữ và tóm tắt đa phương tiện cũng bắt đầu phát triển.
1.1.3 Phân loại các phương pháp tóm tắt văn bản
Có nhiều tiêu chí để phân loại các phương pháp tóm tắt văn bản, sau đây là
một số cách phân loại tiêu biểu [15]:
Căn cứ vào dạng tóm tắt, ta có thể chia thành:
- Trích xuất (extract): bản tóm tắt hoàn toàn chứa các “dãy từ” được sao chép
nguyên dạng từ văn bản nguồn. “Dãy từ” ở đây có thể là cụm từ, câu hoặc đoạn văn.
Tuy nhiên, với dạng trích xuất thì văn bản tóm tắt thiếu cấu kết cần thiết, các câu
5
được trích ra có thể không phản ánh nội dung. Nói chung văn bản tóm tắt không
được “trơn” do được “lắp ghép” từ các câu, đoạn văn được trích ra.
- Tóm tắt (abstracts): văn bản tóm tắt nói chung là không chứa các “dãy từ”
trong văn bản nguồn mà là được “viết lại” một cách tự động. Với dạng này, người ta
cần nhiều kĩ thuật xử lý ngôn ngữ. Hiện tại, đây vẫn là vấn đề khó, chưa thể giải
quyết được một cách triệt để.
Căn cứ vào mức độ xử lý, có thể chia thành 2 dạng:
- Tiếp cận mức ngoài (surface-level): thông tin được miêu tả dưới dạng khái
niệm về các đặc trưng nông (shallow feature). Các đặc trưng nông bao gồm các
thuật ngữ (term) quan trọng qua thống kê (dựa vào tần số của các thuật ngữ trong
văn bản), các thuật ngữ quan trọng dựa vào vị trí, các thuật ngữ trong các cụm từ
dấu hiệu hay các thuật ngữ trong câu truy vấn của người dùng. Kết quả là một bản
tóm tắt dạng trích xuất (extract).
- Tiếp cận mức sâu (deeper-level): ở mức này, bản tóm tắt có thể là dạng trích
xuất hoặc dạng tóm tắt (abstract) và cần phải sử dụng đến sinh tổng hợp ngôn ngữ
tự nhiên. Với dạng tiếp cận này, phải cần đến những phân tích về mặt ngữ nghĩa,
chẳng hạn sử dụng hướng tiếp cận thực thể để xây dựng dạng biểu diễn của các thực
thể văn bản (đơn vị văn bản) và mối quan hệ giữa các thực thể rồi từ đó tìm ra phần
quan trọng. Mối quan hệ giữa các thực thể gồm quan hệ ngữ nghĩa như: đồng nghĩa,
trái nghĩa, nghĩa hẹp, nghĩa rộng…, quan hệ cú pháp: dựa trên cây phân tích cú
pháp và các mối quan hệ khác.
Căn cứ vào mục đích của bản tóm tắt, có thể chia làm 3 dạng:
- Trình bày sơ lược (indicative): Đưa ra những thông tin ngắn gọn về chủ đề
chính của văn bản. Dạng tóm tắt này thường được sử dụng trong các hệ thống tìm
kiếm thông tin. Thông thường, độ dài của văn bản tóm tắt loại này chỉ từ 5 đến 10%
độ dài của toàn bộ văn bản.
- Tóm tắt cung cấp tin tức (Informative): Cung cấp các chủ đề con của toàn bộ
văn bản, kiểu tóm tắt này có độ dài từ 20-30% văn bản gốc.
- Phê bình và đánh giá: Văn bản tóm tắt đưa ra những quan điểm của người
tóm tắt về chủ đề được đưa ra. Tuy nhiên, kiểu tóm tắt này dường như vượt quá tầm
của các hệ thống tóm tắt tự động hiện nay.
Việc phân loại tóm tắt dựa theo mục đích như trên không loại trừ lẫn nhau, có
thể một bản tóm tắt vừa có chức năng cung cấp tin tức lại vừa là kiểu trình bày sơ
lược.
Căn cứ vào người sử dụng, có thể chia thành các dạng:
6
- Tóm tắt chung: với kiểu tóm tắt này thì mọi chủ đề chính trong văn bản đều
có tầm quan trọng như nhau, văn bản tóm tắt hướng đến một cộng đồng đông đảo
người đọc.
- Tóm tắt dựa trên câu truy vấn: kết quả trả về dựa trên câu truy vấn của người
dùng.
- Tóm tắt hướng đến người dùng hoặc chủ đề: văn bản tóm tắt đáp ứng nhu
cầu của người dùng cụ thể hoặc chủ đề cụ thể nào đó.
Căn cứ vào số lượng văn bản tóm tắt: Tóm tắt đơn văn bản: thực hiện tóm tắt
trên một văn bản hoặc tóm tắt đa văn bản: thực hiện tóm tắt trên nhiều văn bản khác
nhau.
Căn cứ vào ngôn ngữ tóm tắt: Tóm tắt trên một ngôn ngữ hoặc tóm tắt trên
nhiều ngôn ngữ khác nhau.
1.2 Mô hình tóm tắt văn bản
Biếnđổ
nPhtícâ
Tổnghợpkếtquả
Tài liệu
Văn bản
tóm tắt
Hình 1 Kiến trúc của hệ thống tóm tắt văn bản tự động
Đầu vào của hệ thống có thể là một hoặc nhiều tài liệu, văn bản hay các thông
tin đa phương tiện như ảnh, âm thanh, video. Hệ thống tóm tắt hiện nay thường tập
trung vào việc xử lý đầu là văn bản (có thể mở rộng cho các thông tin dạng khác).
Điều quan trọng trong việc tóm tắt văn bản là mức độ nén, tức là tỉ lệ giữa độ dài
của văn bản tóm tắt so với văn bản gốc (đôi khi cũng được tính bằng phần bù của tỉ
số này). Thông thường, tỉ lệ nén được tính dựa trên độ dài của văn bản, hoặc có thể
tính bằng nội dung thông tin. Tỉ lệ nén dao động từ 1% đến 30%, nếu tỉ lệ nén giảm
thì thông tin sẽ bị mất nhiều hơn. Văn bản tóm tắt có thể là văn bản liền mạch hoặc
văn bản rời rạc. Quá trình tóm tắt có thể chia thành 3 pha: phân tích văn bản đầu
vào, biến đổi, tổng hợp chỉnh sửa cho phù hợp với yêu cầu đầu ra.
7
1.2.1 Các phương pháp áp dụng trong pha phân tích
Trong pha này, văn bản nguồn được phân tích để xác định các đơn vị ngữ liệu
và các đặc trưng của chúng, kết quả của pha này là đầu vào cho pha biến đổi. Các
phương pháp áp dụng trong pha này bao gồm:
a)Phương pháp thống kê
Các phương pháp thuộc loại này sử dụng các số liệu thống kê về độ quan trọng
của các từ, cụm từ, câu hoặc đoạn văn. Các phương pháp thống kê gồm:
- Dựa vào vị trí:
+ Chủ đề, tiêu đề: tiêu đề hay chủ đề của các đoạn văn thường chứa các từ và
ngữ quan trọng.
+ Câu ở đầu hoặc cuối đoạn: xác suất câu đầu đoạn hay câu cuối đoạn chứa ý
chính của cả đoạn là rất lớn, đặc biệt là câu đầu đoạn. Ngoài ra các đoạn đầu và cuối
văn bản cũng quan trọng hơn các đoạn giữa.
+ Minh hoạ, chú thích: trong các câu chú thích, câu minh hoạ cho ảnh hay đồ
thị thường chứa các thông tin quan trọng.
- Dựa vào cụm từ dấu hiệu: Các cụm từ dấu hiệu có đặc điểm thống kê rất tốt.
Sau các cụm từ này thường là các từ hay câu quan trọng. Có hai loại cụm từ dấu
hiệu : thứ nhất là các cụm từ mang ý nhấn mạnh, sau cụm từ này đoạn văn quan
trọng; chẳng hạn “nói chung là”, “đặc biệt là”, “tóm lại”, “cuối cùng thì”, “trong bài
viết này tôi muốn chỉ ra”, “bài viết nói về”, “nội dung gồm”... Thứ hai là các cụm từ
không quan trọng, sau cụm từ này là các thành phần không có nhiều giá trị trong
việc tóm tắt, chẳng hạn: “hiếm khi mà”, “bài này không nói đến”, “không thể
nào…”
- Dựa vào thống kê tần suất từ: Độ quan trọng của từ phụ thuộc vào số lần
xuất hiện của từ đó trong văn bản. Có thể dùng các kĩ thuật như tf-idf, tập thuật ngữ
thường xuyên (frequent item set) để xác định tần suất từ.
b) Phương pháp cấu trúc
Các phương pháp này sử dụng các mối liên hệ cấu trúc - ngữ pháp - ngữ nghĩa
để xác định các đơn vị ngữ liệu quan trọng. Tư tưởng chính của các phương pháp
này là những đơn vị ngữ liệu nào có chứa các thành phần liên quan nhiều với các
thành phần khác sẽ có mức độ quan trọng cao. Việc đánh giá các mối quan hệ sẽ
dựa trên các mạng ngữ nghĩa hoặc các quan hệ cú pháp.
- Phương pháp sử dụng quan hệ giữa câu, đoạn
Phương pháp này xác định mối quan hệ giữa các đoạn trong văn bản hay các
câu trong đoạn với nhau thông qua việc tính toán mức độ liên quan giữa chúng. Các
8
độ Cosine, Jaccard… được chọn để xác định độ tương đồng giữa các câu hay đoạn
văn bản đó. Sau đó, ta chọn ra đoạn hay câu có độ liên quan lớn nhất.
+ Phương pháp chuỗi từ vựng (lexical chains)
Phương pháp liên kết từ vựng sử dụng các từ điển quan hệ từ vựng để xây
dựng các chuỗi từ liên kết với nhau về mặt ngữ nghĩa. Sau khi xây dựng được chuỗi
các từ vựng này, ta đánh giá độ mạnh của chúng và chọn ra những câu phù hợp.
Morris và Hirst (1991) là những người đưa ra mô hình tính chuỗi từ vựng đầu tiên.
Chuỗi từ vựng không những chỉ dùng trong tóm tắt văn bản mà còn được coi là lý
thuyết tổng quát của vấn đề ngữ nghĩa trong xử lý ngôn ngữ tự nhiên
+ Phương pháp liên kết tham chiếu (word coreferences)
Phương pháp này gọi là phương pháp trích chọn trùng lặp (anaphora-based
method). Theo phương pháp này, các cụm trùng lặp được chọn ra, phân rã xem đâu
là từ (cụm từ) tham chiếu và từ (cụm từ) được tham chiếu. Sau khi phân tách các
cụm trùng lặp, chúng ta tạo chuỗi các từ (cụm từ) tham chiếu đến cùng một từ được
tham chiếu. Chuỗi dài nhất sẽ được coi là trọng tâm của đoạn, các câu chứa các từ
trong chuỗi này có một độ ưu tiên nào đó thì sẽ được chọn.
Kết thúc pha phân tích sẽ là việc tổng hợp các chỉ số đánh giá độ quan trọng
của các đơn vị ngữ liệu và thực hiện việc chọn các đơn vị ngữ liệu nào có độ quan
trọng lớn làm đầu vào cho pha sau. Có thể nhận thấy các phương pháp thống kê dễ
cài đặt hơn các phương pháp cấu trúc. Việc cài đặt các phương pháp thống kê đơn
thuần chỉ là các công thức toán học, còn để cài đặt các phương pháp cấu trúc thì lại
cần thực hiện rất nhiều kĩ thuật về cấu trúc dữ liệu và thậm chí là các kĩ thuật trong
lĩnh vực trí tuệ nhân tạo.
1.2.2 Các phương pháp áp dụng trong pha biến đổi
Pha biến đổi có nhiệm vụ biến đổi đơn vị ngữ liệu được trích xuất trong pha
phân tích như cụm từ, câu, đoạn văn. Thông thường pha biến đổi thực hiện rút gọn
bản thân bên trong một câu, rồi có thể rút gọn đoạn mà không gây ảnh hưởng đến
độ chính xác. Các phương pháp trong pha biến đổi gồm: [7].
a) Giản lược về cấu trúc câu
Lược bỏ các thành phần thừa, ít mang ý nghĩa trong câu, giúp cấu trúc câu
được thu gọn lại. Công việc này thường dựa trên phân tích cú pháp và phân tích ngữ
nghĩa các thành phần trong câu. Áp dụng phân tích cú pháp chúng ta được các cấu
trúc của câu, qua đó ta có thể thay thế thành phần bằng những thành phần tương
đương, ghép thành phần có nghĩa tương đương theo một luật nào đó. Phương pháp
này có thể làm câu ngắn gọn hơn, tuy nhiên khó bảo toàn được văn phong.
b) Giản lược về mặt ngữ nghĩa
9
Thay thế hoặc loại bỏ các từ, cụm từ có ý nghĩa cụ thể bằng những từ, cụm từ
ý nghĩa lúc này sẽ tổng quát, điển hình là:
- Trừu trượng hoá khái niệm: thay thế các khái niệm cụ thể bằng khái niệm
chung.
- Thay thế ngữ tương đương: thay thế các ngữ đóng vai trò như nhau trong câu
bằng một ngữ chung.
1.2.3 Các phương pháp trong pha tổng hợp kết quả
a) Phương pháp hiển thị phân đoạn
Các đơn vị ngữ liệu được trích xuất hay giản lược từ các pha trước được liên
kết lại thành đoạn theo đúng thứ tự trong văn bản gốc, không thêm bớt từ nối và
cũng không sắp xếp lại. Văn bản kết quả của phương pháp này có độ dễ đọc và dễ
hiểu kém, thậm chí lủng củng vì các đơn vị ngữ liệu có thể bị mập mờ tham chiếu,
không có từ nối hoặc thừa từ.
b) Phương pháp hiển thị liên kết
Với phương pháp này, ta sẽ đưa thêm các thông tin bổ sung vào văn bản tóm
tắt. Hai phương pháp thường được áp dụng trong sử dụng mẫu (template) ngữ liệu
huấn luyện (corpus).
1.3 Các phương pháp đánh giá
Đánh giá một bản tóm tắt là một công việc khó bởi không tồn tại một bản tóm
tắt lý tưởng cho một (hoặc một tập) văn bản đưa ra [11]. Hơn nữa, việc đánh giá nội
dung tóm tắt cũng rất khó khăn. Trường hợp kết quả là một câu trả lời cho một câu
hỏi, ta có thể xác định được câu trả lời đó đúng hay sai, nhưng trong các trường hợp
khác, thật khó trả lời liệu đầu ra là phải một kết quả đúng hay không? Thực tế luôn
có khả năng một hệ thống sinh ra một bản tóm tắt tốt nhưng lại sai khác với bản tóm
tắt do người thực hiện. Bên cạnh đó, khi việc đánh giá được thực hiện bởi con người
thì chi phí đánh giá sẽ rất cao. Mặt khác, tóm tắt văn bản còn liên quan đến tỉ lệ nén
văn bản, do đó, việc đánh giá bản tóm tắt cần phải quan tâm đến vấn đề này, khi đó
độ phức tạp và chi phí đánh giá sẽ tăng cao [18]. Có nhiều kiểu đánh giá khác nhau
tuỳ thuộc vào kiểu tóm tắt của hệ thống. Có thể là đánh giá trong (intrinsic) – tập
trung vào chất lượng bản tóm tắt và đánh giá ngoài (extrinsic) – tập trung vào nhiệm
vụ (McKeown 1998).
Các tiêu chí đánh giá:
- Độ mạch lạc (Coherence): đánh giá mức độ rõ ràng của văn bản tóm tắt, tính
súc tích, khả năng có thể đọc và hiểu được của bài viết…
10
- Độ hàm chứa thông tin (Informationess): tỉ lệ thông tin của văn bản gốc
trong văn bản tóm tắt.
- Độ liên quan (Relevance): xác định mức độ phù hợp của văn bản tóm tắt với
chủ đề cho trước (chủ đề có thể là một câu truy vấn).
- Độ dễ đọc hiểu (Reading Comprehence): một người được giao việc đọc văn
bản kết quả, sau đó trả lời các câu hỏi, hệ thống sẽ phải cho điểm và từ đó đưa ra
phần trăm những câu trả lời đúng.
1.3.1 Các phương pháp đánh giá trong
a) So sánh với văn bản tóm tắt khác
Ý tưởng cơ bản của phương pháp này là đem văn bản do hệ thống tóm tắt so
sánh với các bản tóm tắt khác (có thể do hệ thống tóm tắt khác thực hiện hoặc do
con người thực hiện). Thông thường là đem so sánh với văn bản tóm tắt do con
người thực hiện. Việc so sánh giữa các bản tóm tắt này có thể do con người thực
hiện hoặc có thể thực hiện tự động. Khi so sánh, có thể sử dụng một số độ đo sau
[18]:
- Độ chính xác (Precision) và độ bao phủ (Recall). Tuy nhiên, 2 độ đo này
chưa đủ để phân biệt các bản tóm tắt, các bản tóm tắt khác nội dung nhưng vẫn có
cùng độ đo.
- Độ đo hạng câu (Sentence Rank): thay thế cho độ bao phủ, khi đó, một bản
tóm tắt được đặc trưng bởi hạng của các câu trong các bản tóm tắt thích hợp. Hạng
của các câu trong bản tóm tắt do hệ thống thực hiện và trong các bản tóm tắt dùng
để so sánh có thể tính bằng độ đo tương quan. Độ do này áp dụng đối với hệ thống
tóm tắt dạng trích xuất.
- Độ đo dựa trên nội dung (Content-Based): dựa trên sự tương tự về mặt từ
vựng, và có thể áp dụng đối với cả 2 dạng tóm tắt. Tuy nhiên, độ đo này hữu dụng
với các bản tóm tắt trích xuất, hoặc với các bản tóm tắt dạng abstract nhưng có mức
độ cắt-dán cao (tức là văn bản tóm tắt được tạo bởi nhiều từ, cụm từ, câu nguyên
dạng trong văn bản nguồn).
b) So sánh với văn bản nguồn
Với phương pháp này, ta đem so sánh văn bản tóm tắt với văn bản nguồn để
xác định mức độ hàm chứa thông tin của văn bản tóm tắt [18]. Các độ đo dựa trên
nội dung như trên có thể sử dụng để đánh giá. Paice và Jones (1993) đã đưa ra
phương pháp sử dụng thống kê để xác định mỗi thuật ngữ có phải là thuật ngữ trung
tâm hay không phải thuật ngữ trung tâm. Tiếp đó, phân loại vào các nhóm Chính
xác (Correct), không chính xác (Incorrect) và thiếu (Missing).
11
Hệ thống tóm tắt TIPSTER SUMMAC đánh giá các bản tóm tắt dạng Q&A
(Question and Answer – Hỏi và trả lời) (Mani, Firmin, House, Chrzanowski, Klein,
Hirschman, Sundhem, Obrst (1998). Hệ thống này thay vì biểu diễn các khái niệm ở
mức sâu thì chỉ xác định xem trong văn bản tóm tắt có hay không những khái niệm
then chốt trong văn bản nguồn. Theo phương pháp tóm tắt này thì ta đưa vào một
văn bản nguồn và một chủ đề, rồi thực hiện tóm tắt dựa trên chủ đề đó để trả lời cho
câu hỏi. Khi đó, ta có thể xác định xem câu trả lời có Chính xác (chứa câu trả lời
đúng), hoặc Đúng một phần (chứa một phần câu trả lời) hay Thiếu (không chứa câu
trả lời).
1.3.2 Các phương pháp đánh giá ngoài
Ý tưởng cơ bản của các phương pháp đánh giá ngoài là đánh giá tác dụng của
bản tóm tắt với các nhiệm vụ khác nhau [18].
- Đánh giá mức độ liên quan (relevance): ý tưởng của phương pháp này là đưa
ra một văn bản và một chủ đề, đánh giá xem mức độ liên quan của văn bản với chủ
đề đó.
- Đánh giá mức độ đọc hiểu: trước tiên, một người được đọc các văn bản tóm
tắt từ một hoặc nhiều văn bản, sau đó trả lời các câu hỏi kiểm tra. Hệ thống tự động
tính điểm các câu trả lời và đánh giá tỉ lệ trả lời đúng. Nếu bản tóm tắt cho phép trả
lời các câu hỏi giống như khi đọc toàn bộ văn bản nguồn thì bản tóm tắt đó có khả
năng cung cấp thông tin cao.
Hovey và Marcu (1998) thực hiện đo mức độ cung cấp thông tin dựa trên việc
người ta có thể khôi phục lại các thông tin quan trọng trong văn bản khi đọc bản
tóm tắt của văn bản đó. Bằng thực nghiệm, tác giả tiến hành dựng lại văn bản gốc
dựa trên việc đọc văn bản tóm tắt kết hợp phỏng đoán.
12
Chương 2
BÀI TOÁN TÓM TẮT VĂN BẢN TIẾNG VIỆT
Chương này trình bày về một số hướng tiếp cận bài toán tóm tắt văn bản tiếng
Việt. Đồng thời cũng đưa ra những đặc trưng quan trọng cần chú ý của tiếng Việt
dưới góc độ của lĩnh vực xử lý ngôn ngữ tự nhiên, từ đó lựa chọn phương pháp cho
bài toán tóm tắt văn bản tiếng Việt.
2.1 Một số hướng tiếp cận bài toán tóm tắt văn bản
Tại Việt Nam hiện nay, lĩnh vực xử lý ngôn ngữ tự nhiên đã có được thành
tích trong các bài toán phân tách từ, phân lớp và phân nhóm văn bản. Tuy nhiên bài
toán tóm tắt văn bản chưa có nhiều nghiên cứu và đa phần các công trình nghiên
cứu đều sử dụng hoặc cải tiến các phương pháp dựa trên thống kê, cũng có một số
nghiên cứu có dựa trên ngữ nghĩa để nâng cao độ chính xác.
Có thể kể đến một số công trình nghiên cứu như:
Đỗ Phúc, Hoàng Kiếm (2006) [5] đã sử dụng cây hậu tố để phát hiện các dãy
từ phổ biến trong các câu của văn bản, dùng từ điển đồng nghĩa và WordNet tiếng
Việt để giải quyết vấn đề nghĩa của từ, rồi dùng kĩ thuật gom cụm để gom các câu
trong văn bản (vector đặc trưng cho câu) và hình thành các vector đặc trưng cụm,
sau đó rút ra câu chứa nhiều thành phần của các vector đặc trưng cụm.
Vương Toàn (2007) [8] đã đề xuất quy trình tóm tắt văn bản khoa học. Theo
đó, đầu tiên cho máy đọc lướt văn bản và tìm xem có sẵn những đoạn văn mang
tính chất “tóm tắt” hay không; tiếp theo là định chủ đề, xác định 4-5 tiêu đề đề mục
hoặc từ khoá để máy tự động chọn lưu tất cả những câu có các từ khoá đó.
Công trình nghiên cứu của Nguyễn Trọng Phúc, Lê Thanh Hương (2008) [6]
lại sử dụng cấu trúc diễn ngôn để tóm tắt văn bản. Theo đó, xây dựng cây cấu trúc
diễn ngôn biểu diễn mỗi quan hệ diễn ngôn giữa các đoạn văn bản (như các quan hệ
nhân-quả, liệt kê, diễn giải,…), rồi từ cây cấu trúc diễn ngôn này đánh giá được độ
quan trọng của các đoạn văn bản và tiến hành trích xuất tạo ra tóm tắt nội dung cho
văn bản.
Với hướng tiếp cận tóm tắt đa văn bản dựa vào trích xuất câu, Trần Mai Vũ
(2009) [9] đã xây dựng đồ thị quan hệ thực thể để tăng cường tính ngữ nghĩa cho độ
tương đồng câu để áp dụng cho tóm tắt đa văn bản tiếng Việt.
Nguyễn Việt Cường (2007) [2] đã sử dụng phương pháp phân đoạn văn bản
dựa trên chuỗi từ vựng kết hợp với phương pháp sinh tiêu đề dựa trên chủ đề của
câu chủ đề nhằm thực hiện sinh tự động mục lục cho văn bản.
- Xem thêm -