Tài liệu Nghiên cứu việc xây dựng, chuẩn hóa và khai thác kho ngữ liệu từ nguồn Internet cho xử lý tiếng Việt (TT)

1 PHẦN MỞ ĐẦU Những năm gần đây, xử lí ngôn ngữ tự nhiên đã trở thành một lĩnh vực khoa học công nghệ được coi là mũi nhọn, với một loạt ứng dụng liên quan đến Internet và Web, như tìm kiếm và trích chọn thông tin trên Web, khai phá văn bản, v.v. Vấn đề phân tích và hiểu tự động văn bản là một vấn đề lớn và phức tạp trong việc hiểu ngôn ngữ tự nhiên, được tích hợp trong hầu hết các ứng dụng xử lí văn bản tự động. Quá trình này thường được chia thành các mức cơ bản: mức ngữ âm; mức hình thái; mức cú pháp; mức ngữ nghĩa, mức ngữ dụng và mức diễn ngôn. Để giải quyết các vấn đề trên, nhiều kho ngữ liệu lớn đã được ra đời phục vụ cho việc huấn luyện các mô hình xử lý ngôn ngữ. Hiện nay khi dữ liệu trên Internet rất nhiều thì các mô hình thống kê dựa trên dữ liệu đã cho thấy tính vượt trội so với cách tiếp cận dựa trên luật. Hiện tại, các kho ngữ liệu lớn phục vụ cho tiếng Việt còn hiếm. Vì vậy việc xây dựng, chuẩn hóa và khai thác kho ngữ liệu từ nguồn Internet cho xử lý tiếng Việt là rất cần thiết. Mục tiêu. Xây dựng, chuẩn hóa và khai thác kho ngữ liệu tiếng Việt: - Xây dựng kho ngữ liệu thô có kích thước lớn (hàng GB) từ Internet. - Xây dựng chuẩn hóa mô hình chú giải tiếng Việt. - Khai thác kho ngữ liệu thô cho nghiên cứu từ vựng. - Khai thác kho ngữ liệu đã chú giải cú pháp phục vụ bài toán phân tích cú pháp tiếng Việt. Phạm vi nghiên cứu của luận án. Để đạt được mục đích trên, phạm vi nghiên cứu của luận án tập trung vào mức hình thái và mức cú pháp, cụ thể là: - Nghiên cứu về phương pháp và thuật toán xây dựng kho ngữ liệu thô tiếng Việt từ Internet. - Nghiên cứu xây dựng và triển khai một số chuẩn hóa mô hình chú giải được phát triển bởi tiểu ban kỹ thuật ISO/TC 37/SC 4 cho tiếng Việt phục vụ việc phân phối và trao đổi ngữ liệu. - Khai thác kho ngữ liệu thô và xây dựng bộ quan hệ ngữ pháp cơ 2 - Nghiên cứu và phát triển thuật toán trích rút tự động các luật văn phạm từ kho ngữ liệu đã chú giải cú pháp phục vụ cho phân tích cú pháp sử dụng hệ hình thức văn phạm phi ngữ cảnh kết hợp xác suất (PCFG) và văn phạm kết nối cây (TAG). Nghiên cứu xây dựng công cụ phân tích cú pháp tự động cho tiếng Việt. Bố cục của luận án: Luận án được chia thành năm chương: Chương 1. Tổng quan về kho ngữ liệu; Chương 2. Xây dựng kho ngữ liệu thô từ Internet; Chương 3. Chuẩn hóa mô hình chú giải tiếng Việt; Chương 4. Khai thác kho ngữ liệu thô cho nghiên cứu từ vựng tiếng Việt; Chương 5. Khai thác kho ngữ liệu có chú giải cho phân tích cú pháp tiếng Việt; Cuối cùng là phần kết luận của luận án. CHƯƠNG 1. TỔNG QUAN VỀ KHO NGỮ LIỆU 1.1 Kho ngữ liệu văn bản Kho ngữ liệu là một tập hợp lớn các văn bản.Thông tin ngôn ngữ trong đó là cơ sở tri thức ngôn ngữ học, được sử dụng trong việc phân tích thống kê và kiểm tra các giả thiết ngôn ngữ, kiểm tra sự xuất hiện hoặc xác nhận các quy tắc trong mỗi ngôn ngữ. Kho ngữ liệu có thể chứa các văn bản của một ngôn ngữ (kho ngữ liệu đơn ngữ) hoặc chứa các văn bản của nhiều ngôn ngữ (kho ngữ liệu đa ngữ). Các văn bản trong đó có thể còn ở dạng thô- chưa được tách từ và chú giải ngôn ngữ hoặc đã được tách từ, chú giải ngôn ngữ (mức từ loại, mức cú pháp). Các kho ngữ liệu chú giải ở mức cú pháp còn được gọi là ngân hàng cây cú pháp (treebank). Kho ngữ liệu có thể thu thập từ nhiều nguồn tạp chí, sách báo, báo điển tử, sách giáo khoa, Ineternet thông qua các trang web. 1.2 Xây dựng kho ngữ liệu văn bản Qua khảo sát một số kho ngữ liệu lớn có chú giải trên thế giới cho thấy việc xây dựng các kho ngữ liệu được thực hiện thông qua hai phương pháp chính: 3 Thứ nhất: Thủ công hoặc bán thủ công, thực hiện qua hai bước chính: Bước 1.Thu thập kho văn bản thô: Nguồn gốc thu thập dữ liệu từ tạp chí, sách báo, báo điển tử, sách giáo khoa... Bước 2. Chú giải ngôn ngữ: Công việc này có thể thực hiện thủ công hoặc sử dụng các công cụ đã tồn tại. Thứ hai. Xây dựng tự động từ Internet, thực hiện qua 5 bước chính: Bước 1.Lựa chọn một danh sách các từ hạt giống có tần suất xuất hiện trung bình. Bước 2.Thu thập dữ liệu từ Web bằng cách sử dụng các từ hạt giống để tạo ra truy vấn thông qua các cổng tìm kiếm như Yahoo và Google và tải các trang kết quả về. Bước 3.Làm sạch văn bản, loại bỏ các thông tin quảng cáo và các thông tin nhiễu khác. Bước 4.Loại bỏ các văn bản trùng lặp. Bước 5.Chú giải ngôn ngữ và chuẩn hóa. 1.3 Chuẩn hoá kho ngữ liệu Vấn đề chuẩn hoá mô hình chú giải kho ngữ liệu là vấn đề quan trọng, nhằm mở rộng đến mức tối đa phạm vi sử dụng và khai thác tài nguyên đặc biệt là trên máy tính, đây chính là vấn đề đang được quan tâm bởi tiểu ban kĩ thuật ISO/TC 37/SC 4. Một số mô hình chú giải kho ngữ liệu được phát triển bởi tiểu ban kĩ thuật ISO/TC 37/SC 4 như như mô hình chú giải hình thái cú pháp (MAF Morphosyntactic Annotation Framework), mô hình chú giải cú pháp (SynAF - Syntactic Annotation Framework), mô hình chú giải ngôn ngữ (LAF - Linguistic Annotation Framework), mô hình chú giải ngữ nghĩa (SemAF – Semantic Annotation Framework). 1.4 Khai thác kho ngữ liệu Kho ngữ liệu là nguồn tài nguyên quan trọng trong việc nghiên cứu và xử lý ngôn ngữ tự nhiên. Với kho ngữ liệu văn bản, đã được tách từ hoặc là kho ngữ liệu đã được chú giải ở các mức cú pháp, có thể khai thác làm dữ liệu huấn luyện và dữ liệu đánh giá cho cho các mô hình và công cụ học máy phục vụ cho xử lý ngôn ngữ, khai thác cho các văn phạm phục vụ cho việc phân tích cú pháp và có thể khai thác cho việc xây dựng từ điển (đơn ngữ, đa ngữ), dịch tự động..v.v. 4 1.5 Xây dựng, chuẩn hóa và khai thác kho ngữ liệu tiếng Việt Xây dựng: Nghiên cứu từ vựng đòi hỏi xây dựng kho ngữ liệu có kích thước càng lớn càng tốt. Ý tưởng chủ đạo của phương pháp xây dựng kho ngữ liệu là thu thập tự động kho ngữ liệu văn bản từ Internet thông qua địa chỉ các trang web (URL). Phương pháp sử dụng ở đây về cơ bản giống như phương pháp đã được sử dụng cho tiếng Anh và một số ngôn ngữ phổ biến khác, được chi thành 5 bước chính như trên. Vấn đề quan trọng cần làm là lập danh sách từ hạt giống cho từng ngôn ngữ.Trong đó, để phù hợp với trang web tiếng Việt, thuật toán từng bước đã được phát triển và lựa chọn, đặc biệt thuật toán trích rút tự động nội dung văn bản trang web đã được cải tiến nhằm giảm thiểu những dữ liệu nhiễu không phải nội dung văn bản cần lấy. Chuẩn hoá kho ngữ liệu: Hiện nay, các mô hình chú giải ngôn ngữ MAF, SynNaf, LAF chưa được nghiên cứu biểu diễn cho tiếng Việt. Trong luận án đưa ra mô hình MAF để biểu diễn chú giải hình thái cú pháp của các từ và mô hình SynNaf để biểu diễn chú giải cây cú pháp của các câu cho tiếng Việt. Khai thác kho ngữ liệu: Trong luận án tác giả đi sâu vào khai thác kho ngữ liệu cho nghiên cứu từ vựng và phân tích cú pháp tiếng Việt: - Luận án lựa chọn nghiên cứu hệ thống truy vấn kho ngữ liệu Sketch Engine phục vụ cho việc nghiên cứu từ vựng, bởi hai lý do; Thứ nhất: Skech Engine - Hệ thống truy vấn kho ngữ liệu cho phép người sử dụng xem xét ngữ cảnh theo quan hệ ngữ pháp và cung cấp thống kê về tần suất xuất hiện các từ theo mỗi quan hệ ngữ pháp, tra cứu các từ đồng và phản nghĩa, so sánh thông tin của hai từ tương tự nha v.v. Hệ thống đã được sử dụng cho nhiều ngôn ngữ khác nhau nhưng chưa được sử dụng cho tiếng Việt. Thứ 2: Đối với tiếng Việt, các nhà làm từ điển hiện nay thường mới chỉ có công cụ để tra cứu ngữ cảnh của một từ trong kho ngữ liệu, chưa có các thống kê tự động để so sánh, chọn lọc các ngữ cảnh. Việc sử dụng một bộ công 5 cụ như hệ thống Sketch Engine sẽ là rất hữu ích, giúp cải thiện quy mô và chất lượng từ điển - Mọi bộ phân tích cú pháp đều cần một bộ luật cú pháp, hay còn gọi là văn phạm, được biểu diễn bởi một hệ văn phạm hình thức cụ thể nào đó. Đối với tiếng Việt, với dự án KC01.01/06-10 đã tồn tại một số kho ngữ liệu tiếng Việt như ngân hàng câu chú giải cú pháp (VietTreeBank), từ điển điện tử…Trong luận án đã đi sâu vào nghiên cứu và xây dựng thuật toán trích rút tự động văn phạm phi ngữ cảnh (CFG) và văn phạm kết nối cây (TAG) từ VietTreebank và từ điển cho tiếng Việt bởi lý do sau: Thứ nhất, từ điển và VietTreebank có một cơ sở ngôn ngữ học vững chắc, nó bao gồm lý thuyết văn phạm cảm sinh được khởi xướng bởi Chomsky và lý thuyết ngữ pháp chức năng. Đây là những lý thuyết có ảnh hưởng lớn trong cả nghiên cứu ngôn ngữ học lẫn ngôn ngữ học tính toán. Trong tiếng Việt, sự ảnh hưởng này được thể hiện điển hình qua các nghiên cứu của Vũ Dũng và Cao Xuân Hạo. Thứ hai, văn phạm CFG là văn phạm tiêu biểu được sử dụng trong bài toán phân tích cú pháp thành phần lần đầu tiên đã được đề xuất bởi Chomsky. Đây chính là văn phạm đơn giản, làm nền tảng đặc trưng cho cú pháp thành phần.Thứ ba, văn phạm TAG - lớp văn phạm cảm ngữ cảnh yếu, tức là có khả năng sinh mạnh hơn các văn phạm phi ngữ cảnh, trong khi độ phức tạp thời gian của bộ phân tích cú pháp TAG vẫn là đa thức (O(n6)). Văn phạm hình thức LTAG rất phù hợp với các ứng dụng ngôn ngữ học. Khả năng chuyển đổi một văn phạm LTAG sang các hệ hình thức văn phạm hợp nhất khác như LFG (Lexical Functional Grammar) hay HPSG (Head-driven Phrase Structure Grammar) đã được chứng minh. 1.6 Kết luận Chương này trình bày tổng quan về kho ngữ liệu, một số kho ngữ liệu tiêu biểu trên thế giới, nghiên cứu việc xây dựng và khai thác kho ngữ liệu chuẩn, mô hình chuẩn hóa kho ngữ liệu theo tiêu chí của tiểu ban kỹ thuật ISO/TC 37/SC 4. Trên cơ sở đó xác định mục 6 tiêu cho việc xây dựng và khai thác kho ngữ liệu từ Internet cho tiếng Việt 2. CHƯƠNG 2. XÂY DỰNG KHO NGỮ LIỆU THÔ TỪ INTERNET 2.1 Giới thiệu Chương này trình phương pháp xây dựng kho ngữ liệu thô tiếng Việt từ Internet, phương pháp sử dụng được phát triển từ phương pháp xây dựng cho tiếng Anh và một số tiếng phổ biến khác. 2.2 Xây dựng kho ngữ liệu thô Phương pháp thu thập kho ngữ liệu sử dụng ở đây được dựa trên phương pháp của Aidan Finn và A.Kilgarriff, nhưng thuật toán thu thập kho ngữ liệu chi tiết từng bước đã được lựa chọn và phát triển để phù hợp phù hợp với tiếng Việt. Về cơ bản, quá trình thu thập kho ngữ liệu từ Internet được phát triển trong 5 bước đã giới thiệu ở mục 1.5. 2.2.1 Lựa chọn danh sách từ hạt giống Từ hạt giống đóng vai trò là từ khóa tìm kiếm trong việc thu thập kho ngữ liệu văn bản của mỗi ngôn ngữ. Đây phải là các từ đặc trưng cho mỗi ngôn ngữ, tức là phải có tần suất xuất hiện đáng kể và có tính phân biệt so với các từ trong ngôn ngữ khác. Đối với tiếng Việt, danh sách từ hạt giống được thu thập từ việc phân đoạn từ của các câu trong các trang Wiki tiếng Việt. Thuật toán phân đoạn từ đơn giản được sử dụng là duyệt theo từng câu từ trái sang phải, chọn ranh giới từ sao cho từ thu được có nhiều âm tiết nhất có thể so sánh với danh sách từ đúng là từ tiếng Việt (word list). Cách lựa chọn này rõ ràng không phải bao giờ cũng chính xác, nhưng sai số là chấp nhận được cho mục đích lập danh sách tần suất từ; Sau đó lựa chọn từ hạt giống từ danh sách tần suất; tiêu chí chọn từ hạt giống của mỗi ngôn ngữ là khác nhau, đối với tiếng Việt tiêu chí được chọn là từ hạt giống phải có ít nhất 1 kí tự Unicode không thuộc phạm vi ASCII, các từ khác sẽ không được xét, các chữ số hoặc các mục không phải kí tự cũng sẽ bị loại trừ. Danh sách từ hạt giống, được sắp xếp theo chiều giảm dần của tần suất, trong đó 1000 từ có tần suất cao nhất 7 được bỏ qua vì chúng thường được coi là các từ dừng (stop word) đối với các máy tìm kiếm, 5000 từ tiếp theo trong danh sách tần suất thuộc nhóm từ có tần suất trung bình được sử dụng làm từ hạt giống. 2.2.2 Thu thập địa chỉ URL Về cơ bản, quá trình thu thập được thực hiện qua 2 bước. Bước1. Sinh truy vấn: Lựa chọn ngẫu nhiên một số từ trong số các từ hạt giống để tạo nên một truy vấn. Bước 2.Thu thập URL: Gửi truy vấn tới một máy tìm kiếm. Tải về tất cả các tài liệu kết quả của máy tìm kiếm và lưu lại. Quá trình này được lặp đi lặp lại nhiều lần cho đến khi kho ngữ liệu đủ lớn. Nếu nhiều URL giống nhau thì loại bỏ và chỉ giữ lại một URL. 2.2.3 Lọc nội dung chính của các trang web (URLs) Chỉ thu lấy các trang HTML và có dung lượng lớn hơn 5 KB (để xác suất các tệp này chứa văn bản liên quan là lớn hơn). Các tệp có dung lượng lớn hơn 2 MB cũng được loại bỏ để tránh bất kì tệp thuộc miền đặc biệt nào thống trị thành phần của kho ngữ liệu, và cũng bởi vì các tập tin có độ lớn này là rất thường xuyên đăng nhập vào các tập tin và văn bản không có kết nối khác; Những trang được tải về bao hàm cả các dấu của HTML, văn bản ‘boilerplate’ các thanh menu, quảng cáo.... Đó là các phần tài liệu không hợp pháp, tạm gọi là phần đánh dấu.Thuật toán rút trích phần thân văn bản BTE (Body Text Extraction) (Thuật toán 2.5) được phát triển từ thuật toán gốc của Aidan Fin - loại bỏ những phần đánh dấu và chỉ trích rút những văn bản được kết nối. Độ phức tạp của thuật toán là O (n2). Sau đây là các bước chính trong thuật toán: Bước 0: Mỗi trang web tương ứng với 1 tệp định dạng HTML. Làm sạch mã HTML bằng cách loại bỏ những thẻ, những đoạn mã HTML chắc chắn không chứa thông tin liên quan đến nội dung như các thẻ ,