Nghiên cứu gán nhãn từ loại cho văn bản tiếng Việt bằng phương pháp học máy không có hướng dẫn

  • Số trang: 53 |
  • Loại file: PDF |
  • Lượt xem: 40 |
  • Lượt tải: 0
tailieuonline

Đã đăng 27462 tài liệu

Mô tả:

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN ------------ Trần Thu Trang NGHIÊN CỨU GÁN NHÃN TỪ LOẠI CHO VĂN BẢN TIẾNG VIỆT BẰNG PHƯƠNG PHÁP HỌC MÁY KHÔNG CÓ HƯỚNG DẪN Chuyên nghành: Bảo đảm toán học cho máy tính và hệ thống tính toán Mã số: 60 46 35 TÓM TẮT LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. NGUYỄN THỊ MINH HUYỀN Hà Nội – Năm 2012 1 Mục lục LỜI NÓI ĐẦU .................................................................................................. 5 Chƣơng 1 - TỔNG QUAN ................................................................................ 7 1.1 Bài toán gán nhãn từ loại .................................................................... 7 1.2 Tổng quan về cách tiếp cận giải bài toán ............................................ 7 1.2.1 Quá trình gán nhãn từ loại............................................................ 7 1.2.2 Ngữ liệu ........................................................................................ 8 1.2.3 Các tiếp cận giải bài toán ............................................................. 9 1.2.5 Gán nhãn dựa trên luật ............................................................... 10 1.2.6 Gán nhãn thống kê ..................................................................... 11 1.2.7 Các từ chƣa biết.......................................................................... 12 1.3 Bài toán gán nhãn từ loại tiếng Việt ................................................. 13 Chƣơng 2 - CƠ SỞ TOÁN HỌC .................................................................... 15 2.1 Định lý Bayes .................................................................................... 15 2.2 Thuật toán cực đại hóa kỳ vọng (EM) .............................................. 16 2.3 Mô hình Markov ẩn........................................................................... 17 2.3.1 Ba bài toán cơ bản của HMM .................................................... 18 2.2.2 Mô hình n-gram ......................................................................... 23 2.4 Phân cụm ........................................................................................... 23 2.4.1 Khái niệm phân cụm .................................................................. 23 2.4.2 Các yêu cầu của phân cụm ......................................................... 24 2.4.3 Các phƣơng pháp phân cụm ....................................................... 24 2.4.4 Độ đo khoảng cách ..................................................................... 26 2 2.5 Phân tích giá trị kỳ dị ........................................................................ 27 Chƣơng 3 - MỘT SỐ PHƢƠNG PHÁP TIẾP CẬN KHÔNG CÓ HƢỚNG DẪN CHO GÁN NHÃN TỪ LOẠI ............................................................... 30 3.1 Gán nhãn sử dụng kỹ thuật Cực đại hóa kỳ vọng ............................. 30 3.1.1 Huấn luyện mô hình Trigram ..................................................... 31 3.1.2 Kết quả thử nghiệm với tiếng Anh............................................. 34 3.1.3 Các thí nghiệm cơ bản................................................................ 34 3.2 Gán nhãn từ loại bằng kỹ thuật phân cụm ........................................ 35 3.2.1 Suy luận gán nhãn ...................................................................... 36 3.2.2 Suy luận dựa trên từ loại ............................................................ 37 3.2.3 Suy luận dựa trên loại từ và ngữ cảnh ....................................... 37 3.2.4 Suy luận dựa trên loại từ và ngữ cảnh, sử dụng các véc tơ ngữ cảnh trái và phải tổng quát hoá ............................................................... 38 3.2.5 Các kết quả ................................................................................. 39 3.3 Đề xuất phƣơng pháp không hƣớng dẫn cho bài toán gán nhãn từ loại tiếng Việt ..................................................................................................... 40 KẾT LUẬN ..................................................................................................... 48 3 LỜI CẢM ƠN Em xin chân thành cảm ơn các thầy cô giáo trong khoa Toán–Cơ–Tin học đã dạy dỗ và truyền đạt cho em rất nhiều kiến thức trong những năm học vừa qua. Đặc biệt em xin gửi lời cảm ơn tới TS. Nguyễn Thị Minh Huyền đã tận tình chỉ bảo và truyền đạt những kiến thức chuyên ngành trong quá trình em thực hiện luận văn này. Cuối cùng em xin gửi những lời chúc tốt đẹp nhất tới các thầy cô giáo trong khoa, cô Nguyễn Thị Minh Huyền, gia đình và bạn bè những ngƣời đã ủng hộ em trong thời gian vừa qua. 4 LỜI NÓI ĐẦU Một trong các vấn đề nền tảng của ngôn ngữ tự nhiên là việc phân loại các từ thành các lớp từ loại dựa theo thực tiễn hoạt động ngôn ngữ. Mỗi từ loại tƣơng ứng với một lớp từ giữ một vai trò ngữ pháp nhất định. Nói chung, mỗi từ trong một ngôn ngữ có thể gắn với nhiều từ loại, và việc tự động “hiểu” đúng nghĩa một từ phụ thuộc vào việc nó đƣợc xác định đúng từ loại hay không. Công việc gán nhãn từ loại cho một văn bản là xác định từ loại của mỗi từ trong phạm vi văn bản đó. Các công cụ gán nhãn (hay chú thích) từ loại cho các từ trong một văn bản có thể thay đổi tuỳ theo quan niệm về đơn vị từ vựng và thông tin ngôn ngữ cần khai thác trong các ứng dụng cụ thể. Xác định từ loại chính xác cho các từ trong văn bản là vấn đề rất quan trọng trong lĩnh vực xử lý ngôn ngữ tự nhiên. Công cụ gán nhãn từ loại có thể đƣợc ứng dụng rộng rãi trong các hệ thống tìm kiếm thông tin, trong các ứng dụng tổng hợp tiếng nói, các hệ thống nhận dạng tiếng nói cũng nhƣ trong các hệ thống dịch máy. Công cụ này cũng hỗ trợ cho việc phân tích cú pháp các văn bản, góp phần giải quyết tính đa nghĩa của từ, và trợ giúp các hệ hống rút trích thông tin hƣớng đến ngữ nghĩa, v.v… Vấn đề gán nhãn từ loại của nhiều ngôn ngữ đã đƣợc giải quyết tốt bằng phƣơng pháp học máy có hƣớng dẫn, nghĩa là phải xây dựng một kho ngữ liệu huấn luyện lớn và/hoặc xây dựng tập luật để nhận diện từ loại. Hiện nay, bài toán gán nhãn từ loại tiếng Việt cũng đã đƣợc một số nhóm nghiên cứu và giải giải quyết cũng chủ yếu bằng phƣơng pháp học máy có hƣớng dẫn, nhƣng việc xây dựng tập huấn luyện còn gặp nhiều khó khăn vì bản thân các nhà ngôn ngữ học vẫn còn chƣa thống nhất về tập từ loại tiếng Việt nên các nhóm tự định nghĩa tập nhãn khác nhau, và các nhóm cũng tự xây dựng kho 5 dữ liệu đã gán nhãn và xây dựng tập luật khác nhau. Công việc này mất rất nhiều thời gian, tiền của và công sức của các nhà nghiên cứu. Một cách tiếp cận khác cho bài toán gán nhãn từ loại là sử dụng phƣơng pháp học máy không có hƣớng dẫn để một mặt giải quyết vấn đề xác định bộ nhãn từ loại, mặt khác tiết kiệm công sức xây dựng tập huấn luyện. Đề tài này nghiên cứu một số phƣơng pháp gán nhãn từ loại không có hƣớng dẫn, trên cơ sở đó đƣa ra một quy trình giải quyết bài toán gán nhãn từ loại tiếng Việt bằng cách tiếp cận này. Cấu trúc luận văn Cấu trúc luận văn chia làm 3 chƣơng: Chƣơng I: Tổng quan Trong chƣơng này sẽ trình bày tổng quan về bài toán gán nhãn từ loại, các tiếp cận để giải quyết bài toán gán nhãn từ loại, so sánh các tiếp cận. Chƣơng này cũng trình bày hiện trạng cùng các phƣơng pháp đã đƣợc dùng để giải quyết bài toán gán nhãn từ loại cho tiếng Việt, khó khăn chƣa khắc phục đƣợc. Chƣơng II: Cơ sở toán học Chƣơng này sẽ trình bày các kiến thức toán học, các mô hình học máy đƣợc sử dụng trong luận văn. Chƣơng III: Cách tiếp cận không có hƣớng dẫn cho bài toán gán nhãn từ loại Chƣơng này sẽ trình bày một số phƣơng pháp học máy không có hƣớng dẫn cho bài toán gán nhãn từ loại, để từ đó có thể xây dựng một quy trình giải quyết bài toán gán nhãn từ loại tiếng Việt theo cách tiếp cận này. 6 Chƣơng 1 - TỔNG QUAN 1.1 Bài toán gán nhãn từ loại Gán nhãn từ loại là việc xác định các chức năng ngữ pháp của từ trong câu hay là quá trình gán từng từ trong đoạn văn bản với các đánh dấu từ loại hoặc cấu trúc ngữ pháp. Đây là bƣớc cơ bản trƣớc khi phân tích cú pháp hay các vấn đề xử lý ngôn ngữ phức tạp khác. Thông thƣờng, một từ có thể có nhiều chức năng ngữ pháp, ví dụ: trong câu “con ngựa đá đá con ngựa đá”, cùng một từ “đá” nhƣng từ thứ nhất và thứ ba giữ chức năng ngữ pháp là danh từ, nhƣng từ thứ hai lại là động từ trong câu. Gán nhãn từ loại là mức thấp nhất của phân tích ngữ nghĩa. Xác định từ loại hỗ trợ cho việc phân tích cú pháp các văn bản, góp phần giải quyết tính đa nghĩa của từ, và trợ giúp các hệ thống rút trích thông tin hƣớng đến ngữ nghĩa, v.v. Ví dụ1: John/ NNP saw/ VBD the/ DT saw/NN and/CC decided/VBD to/TO take/VB it/PRP to/IN the/DT table/N. Ví dụ 2: Loan/Np muốn/V đi/V du lịch/V Huế/Np. Trong đó các nhãn NNP, Np, NN, N: danh từ. VBD, V: động từ. DT: từ hạn đinh. IN, TO: giới từ. 1.2 Tổng quan về cách tiếp cận giải bài toán 1.2.1 Quá trình gán nhãn từ loại Gán nhãn từ loại là một quá trình gồm 3 bƣớc xử lý:[2] - Bƣớc 1 (tiền xử lí): Phân tách xâu kí tự thành chuỗi các từ. Giai đoạn này có thể phức tạp hay đơn giản tuỳ theo ngôn ngữ và từng 7 đơn vị từ vựng. Chẳng hạn với tiếng Anh và tiếng Pháp, việc phân tách từ chủ yếu dựa vào ký tự trắng. Tuy nhiên vẫn có những cụm từ ghép hay những cụm từ công cụ gây tranh cãi về cách xử lý. Trong khi đó với tiếng Việt thì dấu trắng không phải là dấu hiệu để xác định ranh giới các đơn vị từ vựng do tần số xuất hiện từ ghép là rất cao. - Bƣớc 2: Gán nhãn tiên nghiệm, tức là tìm cho mỗi từ tập tất cả các nhãn từ loại mà nó có thể có. Tập nhãn này có thể thu đƣợc từ cơ sở dữ liệu từ điển hoặc từ kho văn bản đã gán nhãn bằng tay. Đối với một từ mới chƣa xuất hiện trong cơ sở dữ liệu thì có thể sử dụng một nhãn ngầm định hoặc gắn cho nó tập tất cả các nhãn. Trong các ngôn ngữ biến đổi hình thái ngƣời ta cũng dựa vào hình thái từ để đoán nhận lớp từ loại của từ đang xét. - Bƣớc 3: Quyết định kết quả gán nhãn. Giai đoạn loại bỏ nhập nhằng, tức là lựa chọn cho mỗi từ một nhãn phù hợp nhất với ngữ cảnh trong tập nhãn tiên nghiệm. 1.2.2 Ngữ liệu Để thực hiện gán nhãn từ loại ta phải có kho ngữ liệu[2], chúng có thể là: - Từ điển và các văn phạm loại bỏ nhập nhằng. - Kho văn bản đã gán nhãn, có thể kèm theo các quy tắc ngữ pháp xây dựng bằng tay. - Kho văn bản chƣa gán nhãn, có kèm theo các thông tin ngôn ngữ nhƣ là tập từ loại và các thông tin mô tả quan hệ giữa từ loại và hậu tố. - Kho văn bản chƣa gán nhãn, với tập từ loại cũng đƣợc xây dựng tự động nhờ các tính toán thống kê. Trong trƣờng hợp này khó có thể dự đoán trƣớc về tập từ loại. 8 1.2.3 Các tiếp cận giải bài toán Chúng ta có hai tiếp cận chính cho gán nhãn từ loại tự động:[19] - Tiếp cận có hƣớng dẫn. - Tiếp cận không hƣớng dẫn. Bộ gán nhãn có hƣớng dẫn có đặc thù là dựa trên kho ngữ liệu đã đƣợc gán nhãn cho việc tạo ra các công cụ đƣợc sử dụng cho quá trình gán nhãn. Ví dụ nhƣ là Từ điển bộ gán nhãn, các tần suất từ/nhãn, các xác suất chuỗi nhãn, tập các luật. Các mô hình không hƣớng dẫn không yêu cầu kho ngữ liệu đã gán nhãn nhƣng lại sử dụng các thuật toán tính toán phức tạp để tự động xây dựng các nhóm từ (nghĩa là xây dựng các tập nhãn) và dựa trên các nhóm từ này để tính toán các thông tin xác suất cần thiết cho các bộ gán nhãn thống kê hoặc để xây dựng các luật ngữ cảnh cần thiết cho các hệ thống dựa trên luật. Sự khác nhau giữa hai tiếp cận thể hiện trong bảng sau: Không hƣớng dẫn Có hƣớng dẫn - Lựa chọn tập văn đã gán nhãn/tập - Rút ra tập nhãn sử dụng dữ liệu nhãn huấn luyện chƣa gán nhãn - Tạo ra các từ điển sử dụng tập văn - Xây dựng từ điển sử dụng dữ liệu đã gán nhãn huấn luyện chƣa gán nhãn - Tính toán các công cụ khử nhập - Quy nạp các công cụ khử nhập nhằng, có thể bao gồm: nhằng, có thể bao gồm: + các tần suất từ + các tần suất từ + Các xác suất chuỗi nhãn. + Các xác suất chuỗi nhãn + Các thể hiện luật. Tuy có nhiều sự khách nhau nhƣng chúng cũng có những điểm giống nhau là: - Gán nhãn dữ liệu sử dụng thông tin từ điển đã xây dựng 9 - Khử nhập nhằng bằng các tiếp cận dựa vào thống kê, dựa trên luật hoặc lai các tiếp cận trên. Vì việc khử khử nhập nhằng sử dụng các tiếp cận dựa trên luật hoặc dựa trên thống kê hoặc lai các tiếp cận vậy tiếp theo ta sẽ tìm hiểu các tiếp cận nêu trên. 1.2.5 Gán nhãn dựa trên luật Bộ gán nhãn dựa trên luật sử dụng các luật đƣợc viết bằng tay để phân biệt sự nhập nhằng nhãn, ràng buộc để loại ra các nhãn không phù hợp. Gán nhãn dựa trên luật sử dụng từ điển để tìm các từ loại có thể cho các từ, sử dụng các luật làm thành một nghĩa, ví dụ nhƣ là : det - X - n = X/adj đặc biệt là hàng trăm ràng buộc có thể đƣợc thiết kế một cách thủ công. Các tiếp cận gán nhãn dựa trên luật sử dụng thông tin ngữ cảnh để gán các nhãn cho các từ chƣa biết hoặc các từ nhập nhằng. Các luật này thƣờng đƣợc biết nhƣ các luật khung ngữ cảnh. Nhƣ một ví dụ, một luật khung ngữ cảnh có thể nói một vài điều: Nếu một từ chƣa biết hoặc nhập nhằng X đứng sau một từ hạn định và đứng đằng trƣớc một danh từ, nhãn của nó sẽ là một tính từ. Trong việc bổ sung cho thông tin ngữ cảnh, nhiều bộ gán nhãn sử dụng thông tin hình thái học để thêm vào quy trình khử nhập nhằng. Ví dụ: Nếu một từ nhập nhằng hoặc chƣa biết kết thúc với đuôi “ing” và đằng trƣớc là một động từ thì nhãn của từ đó sẽ là một động từ. (phụ thuộc vào lý thuyết ngữ pháp) V-W (ing) = W/Verb. Vài hệ thống vƣợt quá việc sử dụng thông tin ngữ cảnh và hình thái bằng việc xây dựng các luật gắn với các nhân tố nhƣ là sự viết bằng chữ hoa (có thể xác định nhƣ một danh từ riêng) và hệ thống dấu chấm câu. Thông tin loại này nhỏ hơn hoặc lớn hơn phụ thuộc vào ngôn ngữ đang đƣợc gán nhãn. 10 Các bộ gán nhãn dựa trên luật hầu hết yêu cầu huấn luyện có hƣớng dẫn, nhƣng gần đây đã có rất nhiều quan tâm đến việc quy nạp tự động của các luật. Một tiếp cận để xây dựng luật tự động là để chạy một văn bản chƣa gán nhãn thông qua một bộ gán nhãn và xem cách nó thực hiện. Tiếp đó một ngƣời sẽ duyệt lại đầu ra của bƣớc 1 này và sửa tất cả các từ bị gán nhãn sai. Văn bản đã đƣợc gán nhãn đúng này sẽ đƣợc đƣa vào bộ gán nhãn để bộ gán nhãn học quy tắc sửa lỗi bằng cách so sánh 2 tập dữ liệu. 1.2.6 Gán nhãn thống kê Bộ gán nhãn thống kê đơn giản nhất giải quyết nhập nhằng các từ chỉ đặt cơ sở vào xác suất mà một từ xuất hiện với một nhãn đặc biệt. Nói cách khác, nhãn đƣợc gặp thƣờng xuyên nhất trong tập huấn luyện là nhãn đƣợc gán cho một thể hiện không rõ ràng của từ đó. Vấn đề với tiếp cận này là trong khi nó có thể mang lại một nhãn hợp lệ cho một từ đƣa ra, lại cũng có thể mang lại chuỗi không hợp lệ các nhãn. Một lựa chọn thay thế cho tiếp cận tần số từ là để tính toán xác suất của một chuỗi đã cho của sự xuất hiện các nhãn. Điều này thỉnh thoảng gọi tắt là tiếp cận N-gram, thể hiện rằng nhãn tốt nhất cho một từ đã cho đƣợc xác định bởi xác suất mà nó xuất hiện với N nhãn trƣớc. Thuật toán phổ biến nhất thi hành tiếp cận N-gram là thuật toán Viterbi. Một thuật toán tìm kiếm mà tránh sự khai triển đa thức của một tìm kiếm theo chiều rộng bằng cách làm gọn cây tìm kiếm ở mỗi cấp độ sử dụng các ƣớc lƣợng khả năng cực đại N tốt nhất (Trong đó N là số nhãn của từ theo sau). Mức độ phức tạp tiếp theo có thể đƣợc xây dựng vào trong một bộ gán nhãn thống kê kết hợp hai tiếp cận trƣớc sử dụng các xác suất chuỗi nhãn và các độ đo tần suất từ. Điều này đƣợc biết đến nhƣ là mô hình Markov ẩn. Các giả thiết cơ bản cho mô hình này nhƣ sau: Mỗi trạng thái nhãn đem lại một từ trong câu. Mỗi từ là 11 - Không tƣơng quan với tất cả các từ khác và nhãn của chúng. - Xác suất chỉ phụ thuộc vào N nhãn đằng trƣớc. Các bộ gán nhãn mô hình Markov ẩn và hiện có thể đƣợc thi hành sử dụng thuật toán Viterbi, và là một trong số các thuật toán hiệu quả nhất. Mô hình Markov ẩn (HMM) không thể đƣợc sử dụng trong một lƣợc đồ gán nhãn tự động. Nó tin tƣởng và o các tính toán thống kê trên chuỗi đầu ra. HMM không đƣợc huấn luyện một cách tự động. Giải pháp cho vấn đề này không có khả năng đƣợc huấn luyện một cách tự động là sử dụng thuật toán BaumWelch, cũng nhƣ là thuật toán tiến-lùi (Forward –Backward). Thuật toán này sử dụng từ hơn là thông tin nhãn cho sự lặp lại xây dựng một chuỗi để cải tiến xác suất của dữ liệu huấn luyện. Một trong những vấn đề còn lại cuả các tiếp cận là: Các từ chƣa biết nên đƣợc xử lý nhƣ thế nào? 1.2.7 Các từ chƣa biết Tất nhiên là các quy tắc trong các bộ gán nhãn dựa trên luật đƣợc trang bị để giải quyết cho vấn đề này, nhƣng trong các mô hình thống kê là làm thế nào để có thể tính toán xác suất mà một từ đã cho xuất hiện với một nhãn nếu từ đó chƣa biết bộ gán nhãn? Có vài giải pháp tiềm năng cho vấn đề này: Một trong những giải pháp sử dụng thông tin hình thái. Trong trƣờng hợp này, bộ gán nhãn tính toán xác suất mà một hậu tố trên một từ chƣa biết xuất hiện với một nhãn đặc biệt. Nếu một mô hình Markov ẩn đang đƣợc sử dụng, xác suất mà một từ chứa đựng hậu tố mà xuất hiện với một nhãn đặc biệt trong chuỗi đã cho đƣợc tính toán. Một giải pháp khác là gán một tập các nhãn mặc định (các lớp mở đặc đặc biệt: Danh từ, tính từ, trạng từ, động từ..) cho các từ chƣa biết và để giải quyết nhập nhằng sử dụng các xác suất mà các nhãn đó xuất hiện tại cuối n-gram trong câu hỏi. Một xác suất khác là để tính toán xác suất mà mỗi nhãn trong tập nhãn xuất hiện tại cuối n-gram và để lựa chọn đƣờng 12 dẫn với xác suất cao nhất. Đây không phải là giải pháp tối ƣu nếu mà làm việc với một tập nhãn lớn. 1.3 Bài toán gán nhãn từ loại tiếng Việt Đối với tiếng Anh, bài toán gán nhãn từ loại đã đƣợc giải quyết khá tốt, còn hiện nay bài toán gán nhãn từ loại tiếng Việt cũng đã có rất nhiều nghiên cứu, và phƣơng pháp khác nhau để giải quyết. Tuy nhiên với tiếng Việt thì còn rất nhiều khó khăn, đặc biệt là bản thân việc phân loại từ tiếng Việt còn rất nhiều tranh cãi, chƣa có một chuẩn mực thống nhất. Qua khảo sát các nghiên cứu gần đây của tiếng Việt cho bài toán gán nhãn từ loại [5], có thể thấy có hai dạng tập nhãn từ loại thƣờng đƣợc sử dụng cho các công cụ gán nhãn từ loại tiếng Việt:  Dạng thứ nhất, xuất phát từ tập gồm 8 nhãn từ loại tiếng Việt thông dụng đƣợc các nhà nghiên cứu ngôn ngữ học công nhận nhiều nhất (bao gồm: danh từ, động từ, tính từ, đại từ, phụ từ, kết từ, trợ từ, cảm từ) để xây dựng tập nhãn “mịn” hơn bằng cách phân nhỏ mỗi từ loại trên thành các tiểu từ loại. Việc phân nhỏ này dựa trên nền tảng là các tiểu loại từ đƣợc nêu ra trong cuốn Ngữ pháp tiếng Việt của Ủy ban khoa học xã hội Việt Nam, xuất bản năm 1983, có bổ sung thêm một số nhãn từ loại để tránh trƣờng hợp một từ mang cùng một lúc nhiều nhãn từ loại (chẳng hạn động từ ngoại động chỉ cảm nghĩ hay động từ nội động chỉ cảm nghĩ). Tùy thuộc vào từng loại ứng dụng xem cần thông tin cú pháp và từ vựng ở mức nào mà việc xây dựng, xác định tập nhãn từ loại sẽ dừng ở mức thô hay mịn khác nhau. Hiện nay, ở Việt Nam đã có một số tập nhãn từ loại đƣợc xây dựng, chủ yếu ở mức thô, tiêu biểu có thể kể đến bộ nhãn VnPOStag của tác giả Trần Thị Oanh gồm 14 nhãn [4], 01 nhãn không xác định và các nhãn ký hiệu đặc biệt khác; bộ VietTreeBank gồm 16 nhãn và 01 nhãn cho từ không phân loại đƣợc, … Bộ nhãn gồm nhiều nhãn nhất hiện nay đƣợc xây dựng bởi nhóm tác 13 giả Nguyễn Thị Minh Huyền sử dụng cho công cụ VnQtag [2] gồm 48 nhãn và 01 nhãn không xác định.  Dạng thứ hai, tập nhãn tiếng Việt đƣợc xây dựng thông qua việc xây dựng kho ngữ liệu song ngữ Anh-Việt mà trong đó các câu tiếng Việt đã đƣợc gán nhãn từ loại chính xác nhờ kết quả liên kết từ Anh-Việt và phép chiếu từ loại từ Anh sang Việt. Tiêu biểu cho dạng tập nhãn từ loại này là tập nhãn đƣợc sử dụng trong nghiên cứu “Gán nhãn từ loại tự động cho Tiếng Việt” [11] của nhóm tác giả Đinh Điền, tập nhãn này đƣợc xây dựng bằng cách quy chiếu từ tập nhãn tiếng Anh là Brown Corpus. Nhƣ vậy, có thể thấy rằng bài toán gán nhãn từ loại cho tiếng Việt đang ngày càng đƣợc quan tâm nghiên cứu. Tuy nhiên đây vẫn là hƣớng nghiên cứu đầy tiềm năng và cũng đầy thử thách, cùng với đó là việc các nghiên cứu đã có hầu hết vẫn còn mang tính cá thể, chƣa có đƣợc sự đối chiếu so sánh khách quan, và sự thống nhất về bộ nhãn giữa các nhà ngôn ngữ, đồng thời cũng chƣa xây dựng đƣợc bộ nhãn đủ lớn để bài toán gán nhãn tiếng Việt có thể đạt độ chính xác rất cao. Luận văn này sẽ tập trung vào việc nghiên cứu một số phƣơng pháp học máy không có hƣớng dẫn đƣợc sử dụng thành công cho các ngôn ngữ khác để có thể tìm ra phƣơng pháp giải quyết đƣợc khó khăn về việc xác định từ loại của bài toán gán nhãn tiếng Việt. Ở chƣơng này chúng ta đã tìm hiểu tổng quan về gán nhãn từ loại cùng hiện trạng khó khăn của bài toán gán nhãn từ loại tiếng Việt. Tiếp theo chúng ta sẽ tìm hiểu cơ sở toán học để giải quyết bài toán đó bằng phƣơng pháp học máy không có hƣớng dẫn. 14 Chƣơng 2 - CƠ SỞ TOÁN HỌC Ở chƣơng này chúng ta sẽ nhắc lại một số kiến thức cơ sở phục vụ cho các công cụ giải quyết bài toán gán nhãn từ loại bằng phƣơng pháp học máy không có hƣớng dẫn. Đây là các kiến thức liên quan đến xác suất (định lý Bayes), mô hình học máy (mô hình Markov ẩn, mô hình N-gram, thuật toán cực đại hóa kì vọng tìm nghiệm tối ƣu cho mô hình học máy, bài toán phân cụm), phƣơng pháp phân tích giá trị kì dị phục vụ việc giảm số chiều dữ liệu trong tính toán véc tơ. 2.1 Định lý Bayes Định lý Bayes cho phép tính xác suất xảy ra của một sự kiện ngẫu nhiên A khi biết sự kiện liên quan B đã xảy ra. Xác suất này đƣợc ký hiệu là P(A|B), và đọc là "xác suất của A nếu có B". Đại lƣợng này đƣợc gọi xác suất có điều kiện hay xác suất hậu nghiệm vì nó đƣợc rút ra từ giá trị đƣợc cho của B hoặc phụ thuộc vào giá trị đó. Theo định lí Bayes, xác suất xảy ra A khi biết B sẽ phụ thuộc vào 3 yếu tố:  Xác suất xảy ra A của riêng nó, không quan tâm đến B. Kí hiệu là P(A) và đọc là xác suất của A. Đây đƣợc gọi là xác suất biên duyên hay xác suất tiên nghiệm, nó là "tiên nghiệm" theo nghĩa rằng nó không quan tâm đến bất kỳ thông tin nào về B.  Xác suất xảy ra B của riêng nó, không quan tâm đến A. Kí hiệu là P(B) và đọc là "xác suất của B". Đại lƣợng này còn gọi là hằng số chuẩn hóa (normalising constant), vì nó luôn giống nhau, không phụ thuộc vào sự kiện A đang muốn biết. 15  Xác suất xảy ra B khi biết A xảy ra. Kí hiệu là P(B|A) và đọc là "xác suất của B nếu có A". Đại lƣợng này gọi là khả năng (likelihood) xảy ra B khi biết A đã xảy ra. Chú ý không nhầm lẫn giữa khả năng xảy ra A khi biết B và xác suất xảy ra A khi biết B. Khi biết ba đại lƣợng này, xác suất của A khi biết B cho bởi công thức: P( A | B)  P( B | A) P( A) likelihood * prior  P( B) normalizing _ cons tan t Từ đó dẫn tới P( A | B) P( B)  P( A  B)  P( B | A) P( A) 2.2 Thuật toán cực đại hóa kỳ vọng (EM) Thuật toán EM (Expectation Maximization) nhằm tìm ra sự ƣớc lƣợng về khả năng lớn nhất của các tham số trong mô hình xác suất (các mô hình phụ thuộc vào các biến ẩn chƣa đƣợc quan sát), nó đƣợc xem nhƣ thuật toán dựa trên mô hình. Sau bƣớc khởi tạo, thuật toán đƣợc chia làm hai bƣớc xử lý: Đánh giá dữ liệu chƣa đƣợc gán nhãn (bƣớc E) và đánh giá các tham số của mô hình, khả năng lớn nhất có thể xảy ra (bƣớc M) Bƣớc E:Tính toán các giá trị dự kiến của các biến chƣa biết dựa trên các ƣớc lƣợng tham số hiện thời. Pw j | xk , t   Pxk | w j , t Pw j , t  Pxk , t   Pxk | wi , (i t ) , 2 Pi (t ) k Pxk | w j , (jt ) , 2 Pi (t ) Bƣớc M: Tính toán lại các giá trị tham số nhƣ một ƣớc lƣợng khả năng cực đại cho trƣớc giá trị của các biến chƣa biết đƣợc tính toán trong bƣớc E.  i( t 1)   Pw | x ,  x  Pw | x ,   i k i k Pi ( t 1)   Pw k k i t k k t | xk , t  R 16 Lặp lại bƣớc E và bƣớc M cho đến khi đạt đƣợc kết quả. 2.3 Mô hình Markov ẩn Mô hình Markov ẩn (tiếng Anh là Hidden Markov Model - HMM) là mô hình thống kê trong đó hệ thống đƣợc mô hình hóa đƣợc cho là một quá trình Markov với các tham số không biết trƣớc và nhiệm vụ là xác định các tham số ẩn từ các tham số quan sát đƣợc, dựa trên sự thừa nhận này. Các tham số của mô hình đƣợc rút ra sau đó có thể sử dụng để thực hiện các phân tích kế tiếp, ví dụ cho các ứng dụng nhận dạng mẫu. Trong một mô hình Markov điển hình, trạng thái đƣợc quan sát trực tiếp bởi ngƣời quan sát, và vì vậy các xác suất chuyển tiếp trạng thái là các tham số duy nhất. Mô hình Markov ẩn thêm vào các đầu ra: mỗi trạng thái có xác suất phân bổ trên các biểu hiện đầu ra có thể. Vì vậy, nhìn vào dãy của các biểu hiện đƣợc sinh ra bởi HMM không trực tiếp chỉ ra dãy các trạng thái. Các chuyển tiếp trạng thái trong mô hình markov. Hình 2.3 Minh họa hoạt động của mô hình Markov ẩn Trong đó: xi: 1 trạng thái trong mô hình markov 17 aij = p(xj|xi): xác suất để trạng thái xj xuất hiện sau trạng thái xi bi(oj) = p(oj|i): xác suất quan sát đƣợc oj tại trạng thái ti oi: dữ liệu quan sát đƣợc 2.3.1 Ba bài toán cơ bản của HMM 2.3.1.1 Bài toán 1 Cung cấp cho mô hình các tham số, tính xác suất của dãy đầu ra cụ thể. Giải bằng thuật toán tiến-lùi. Nghĩa là Cho chuỗi quan sát O = {o1,o2,...,oT} và mô hình λ = {A, B}, ta phải tính xác suất có điều kiện P(O|λ) của chuỗi quan sát. Xác suất P(O/λ) =? Để tính đƣợc xác suất này ta sử dụng thuật toán tiến hoặc thuật toán lùi [12]. Xác suất tiến αt(i): Xác suất ở trạng thái si, cho trƣớc sự quan sát một phần o1,…,ot.  t (i)  P(o1 ...ot ,qt  si |  )  N   t ( j )   t 1 (i)aij b j (ot )  i 1  Thuật toán tiến: 18 - Khởi tạo: 1 (i)   i bi (o1 )1  i  N - Xây dựng:  t ( j )    t 1 (i)aij b j (ot )2  t  T ,1  j  N - Kết thúc: P(O |  )    T (i)   N  i 1  N i 1 Xác suất lùi βt(j): Xác suất ở trạng thái si, cho trƣớc sự quan sát một phần ot+1,…,oT. t (i)  P(ot 1...oT | qt  si ,  )   N  t (i)   aij b j (ot 1 )  t 1 ( j )   j 1  Thuật toán lùi: - Khởi tạo: T (i)  1,1  i  N - Xây dựng:  N   t (i)   aij b j (ot 1 )  t 1 ( j )  t  T  1...1,1  i  N  j 1 -  N Kết thúc: P(O |  )    i 1 (i) . i 1 19 2.3.1.2 Bài toán 2 Cung cấp cho mô hình các tham số, tìm dãy các trạng thái (ẩn) có khả năng lớn nhất mà có thể sinh ra dãy đầu ra đã cung cấp. Nghĩa là cho chuỗi quan sát O={o1,o2,...,oT} và mô hình λ = {A, B} ta phải tìm chuỗi trạng thái ẩn Q={q1, q2..,qT} sao cho xác suất có điểu kiện P(O|λ) là cực đại. Q  arg max P(Q' | O,  ) Q' Để giải quyết bài toán này ta sử dụng thuật toán viterbi: Khởi tạo:  1 (i)   i b j (o1 )1  i  N   Xây dựng:  t ( j )  max  t 1 (i)aij b j (ot ) 1i  N  t ( j )  arg max  t 1 (i)aij  2  t  T ,1  j  N   1i  N Kết thúc: p *  max  T (i) 1i  N qT*  arg max  T (i) 1i  N Đọc đƣờng dẫn ra: qt*   t 1 (qt*1 )t  T  1,...,1 2.3.1.3 Bài toán 3 Cung cấp dãy đầu ra, tìm tập hợp có khả năng nhất của chuyển tiếp trạng thái và các xác suất đầu ra. Nghĩa là cho chuỗi quan sát O = {o1,o2,...,oT} và mô hình λ = {A, B}, ta phải đánh giá lại các thông số của mô hình sao cho xác suất có điểu kiện P(O|λ) là cực đại. tức là tìm  '  arg max P(O |  )  Để giải quyết bài toán này chúng ta sử dụng thuật toán forwardbackward hoặc Baum-Welch. Thuật toán tiến-lùi (forward-backward) là trƣờng hợp đặc biệt của Expectation-Maximization (viết tắt là: thuật toán EM). Thuật toán có thể tính toán ƣớc lƣợng khả năng cực đại và ƣớc lƣợng mode hậu nghiệm của các tham số (xác suất đầu ra và xác suất chuyển tiếp) của một HMM khi chỉ cho trƣớc đầu ra nhƣ dữ liệu huấn luyện. 20
- Xem thêm -