ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
LÊ QUÝ TÀI
NGHIÊN CỨU CÁC PHƢƠNG 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
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
LÊ QUÝ TÀI
NGHIÊN CỨU CÁC PHƢƠNG 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
NGƢỜI HƢỚNG DẪN KHOA HỌC: TS. PHẠM BẢO SƠN
Hà Nội - 2011
i
LỜI CAM ĐOAN
Tôi xin cam đoan kết quả đạt đƣợc 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 đƣợc
trình bày hoặc là của cá nhân tôi hoặc là đƣợc tổng hợp từ nhiều nguồn tài liệu. Tất
cả các tài liệu tham khảo đều có xuất xứ rõ ràng và đƣợc 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
Lê Quý Tài
ii
LỜI CẢM ƠN
Trƣớc hết tôi xin xin gửi lời cảm ơn đặc biệt tới TS. Phạm Bảo Sơn, ngƣời đã
định hƣớng đề tài và tận tình hƣớng dẫn chỉ bảo tôi trong suốt quá trình thực hiện
luận văn cao học này.
Tôi xin chân thành cảm ơn các thầy cô trƣờng 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 ngƣời thân
đã luôn ở bên cạnh, động viên, chia sẻ cùng tôi trong suốt thời gian học cao học
cũng nhƣ 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
Chƣơng 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 phƣơng pháp tóm tắt văn bản ............................................. 4
1.2 Mô hình tóm tắt văn bản ................................................................................ 6
1.2.1 Các phƣơng pháp áp dụng trong pha phân tích ........................................ 7
1.2.2 Các phƣơng pháp áp dụng trong pha biến đổi.......................................... 8
1.2.3 Các phƣơng pháp trong pha tổng hợp kết quả.......................................... 9
1.3 Các phƣơng pháp đánh giá ............................................................................. 9
1.3.1 Các phƣơng pháp đánh giá trong .......................................................... 10
1.3.2 Các phƣơng pháp đánh giá ngoài .......................................................... 11
Chƣơng 2 BÀI TOÁN TÓM TẮT VĂN BẢN TIẾNG VIỆT .............................. 12
2.1 Một số hƣớng 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 Phƣơng pháp cho bài toán tóm tắt văn bản tiếng Việt ................................... 17
iv
Chƣơng 3. ỨNG DỤNG PHƢƠNG PHÁP CẤU TRÚC ĐỂ TÓM TẮT VĂN BẢN
TIẾNG VIỆT......................................................................................................... 20
3.1 Mô hình tóm tắt sử dụng phƣơng 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
Chƣơng 4 THỰC NGHIỆM VÀ ĐÁNH GIÁ ........................................................ 33
4.1 Môi trƣờng thử nghiệm ................................................................................ 33
4.2 Dữ liệu thử nghiệm ...................................................................................... 33
4.3 Phƣơng pháp đánh giá.................................................................................. 33
4.4 Kết quả thực nghiệm .................................................................................... 36
4.4.1 Thử nghiệm xác định ngƣỡng................................................................ 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
Tên đầy đủ
Ký hiệu, viết tắt
Inverse document frequency
1
IDF
2
IR
Tần số tài liệu ngược
Information Retrieval
Tìm kiếm thông tin
Term frequency
3
TF
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 ngƣỡng khác nhau ........................................ 36
Bảng 4 Chất lƣợng 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 đƣợc thực hiện bởi 2 ngƣời ........................... 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 phƣơng 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 ngƣời, tỉ lệ nén 10% ........... 35
Hình 6 Đồ thị kết quả tóm tắt với các ngƣỡng....................................................... 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 nhƣ vũ bão của công nghệ thông tin, Internet cũng
nhƣ các dịch vụ trực tuyến, ngày càng có nhiều thông tin đƣợc tạo ra. Ta có thể truy
cập các thông tin đó qua sách, báo, Internet và các phƣơng tiện truyền thông. Hơn
nữa, nhu cầu đọc, tìm kiếm và lƣu trữ thông tin của con ngƣời cũng ngày càng tăng
lên. Tuy nhiên, với một lƣợng lớn thông tin nhƣ vậy thì ngƣời ta không thể nào có
đủ thời gian và sức lực để đọc hết đƣợc chúng. Giải pháp là tóm tắt lại các văn bản
đó, từ đó giúp tiết kiệm thời gian và công sức nhƣng vẫn có thể đọc và xử lý đƣợc
nhiều văn bản.
Tóm tắt văn bản tự động đã bắt đầu đƣợc nghiên cứu từ những năm 50 của thế
kỉ trƣớc. Đã có nhiều công trình nghiên cứu về lĩnh vực này và có đƣợc những kết
quả đáng kể. Tóm tắt văn bản đã đƣợc 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 đƣợc những kết quả rất đáng khích lệ.
Tuy nhiên, đối với Tiếng Việt, do sự phức tạp của ngôn ngữ nên hiện chƣa 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 phƣơng pháp tóm tắt văn bản tiên tiến đã đƣợc ứng
dụng và thu đƣợc 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 phƣơng pháp đó để có thể
xây dựng ứng dụng tóm tắt văn bản tiếng Việt.
Nội dung của luận văn đƣợc chia làm 4 chƣơng:
Chƣơng 1. Tổng quan về tóm tắt văn bản
Chƣơng này trình bày những vấn đề tổng quan về bài toán tóm tắt văn bản,
một số hƣớng tiếp cận hiện đại và các phƣơng pháp đánh giá kết quả của văn bản
tóm tắt.
Chƣơng 2. Bài toán tóm tắt văn bản tiếng Việt
Chƣơng 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
phƣơng pháp phù hợp cho bài toán tóm tắt văn bản.
2
Chƣơng 3. Ứng dụng phương pháp cấu trúc để tóm tắt văn bản tiếng Việt
Chƣơng này trình bày về việc sử dụng phƣơng pháp sử dụng cấu trúc văn bản
kết hợp với từ điển từ dừng và từ điển đồng nghĩa để xây dựng chƣơng trình tóm tắt
văn bản tiếng Việt.
Chƣơng 4. Thực nghiệm và đánh giá
Chƣơng này trình bày về phƣơng pháp đƣợc sử dụng để đánh giá hệ thống tóm
tắt và các kết quả thực nghiệm.
3
Chƣơng 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 đƣợc bắt đầu
nghiên cứu từ những năm 50 của thế kỉ trƣớc. 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
ngƣời dùng, cho từng tác vụ hay nhiều tác vụ khác nhau.
[21] định nghĩa hệ thống tóm tắt văn bản là hệ thống đƣa ra dạng biểu diễn
ngắn gọn của thông tin đầu vào căn cứ theo yêu cầu của ngƣời dùng.
Radev (2002) [22] định nghĩa văn bản tóm tắt là văn bản đƣợc tạo từ một hoặc
nhiều văn bản khác mà truyền tải đƣợc những thông tin quan trọng trong văn bản
gốc nhƣng có độ dài không quá ½ văn bản gốc (thƣờng ngắn hơn đáng kể).
Theo Partha Lal (2002) [16] thì tóm tắt văn bản là việc thể hiện nội dung văn
bản dƣới dạng giản lƣợc một cách tự động nhằm đáp ứng yêu cầu nào đó từ phía
ngƣời 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 đƣợc 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 tƣởng cơ bản của phƣơng 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 phƣơng 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 nhƣ “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 hƣớng tiếp cận ngoài
(sử dụng các cụm từ dấu hiệu) và đƣợc ứng dụng trong các phần mềm thƣơng mại
(Pollock và Zamora).
Những năm 1980, phát triển nhiều nghiên cứu với nhiều hƣớng khác nhau, đặc
biệt là hƣớng tiếp cận mức thực thể dựa trên trí tuệ nhân tạo nhƣ sử dụng script
(Lehnert 1981), (DeJong 1982), các luật sản xuất và logic (Fum 1985), mạng ngữ
nghĩa (Reimer và Hahn 1988), cũng nhƣ các hƣớng 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 lƣợng 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, phƣơng
pháp sử dụng kết hợp giữa ngữ học, thống kê. Mỗi câu đƣợc đặc trƣng 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
đƣợc 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 phƣơng 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 bƣớc đầu đƣợc
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 phƣơng tiện cũng bắt đầu phát triển.
1.1.3 Phân loại các phƣơng pháp tóm tắt văn bản
Có nhiều tiêu chí để phân loại các phƣơng 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” đƣợc 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
đƣợc trích ra có thể không phản ánh nội dung. Nói chung văn bản tóm tắt không
đƣợc “trơn” do đƣợc “lắp ghép” từ các câu, đoạn văn đƣợc trích ra.
- Tóm tắt (abstracts): văn bản tóm tắt nói chung là không chứa các “dãy từ”
trong văn bản nguồn mà là đƣợc “viết lại” một cách tự động. Với dạng này, ngƣời ta
cần nhiều kĩ thuật xử lý ngôn ngữ. Hiện tại, đây vẫn là vấn đề khó, chƣa thể giải
quyết đƣợc 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 đƣợc miêu tả dƣới dạng khái
niệm về các đặc trƣng nông (shallow feature). Các đặc trƣng 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 ngƣời 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 hƣớng 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 nhƣ: 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 lƣợc (indicative): Đƣa ra những thông tin ngắn gọn về chủ đề
chính của văn bản. Dạng tóm tắt này thƣờng đƣợc sử dụng trong các hệ thống tìm
kiếm thông tin. Thông thƣờng, 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 đƣa ra những quan điểm của ngƣời
tóm tắt về chủ đề đƣợc đƣa ra. Tuy nhiên, kiểu tóm tắt này dƣờng nhƣ vƣợt quá tầm
của các hệ thống tóm tắt tự động hiện nay.
Việc phân loại tóm tắt dựa theo mục đích nhƣ 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
lƣợc.
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 nhƣ nhau, văn bản tóm tắt hƣớng đến một cộng đồng đông đảo
ngƣời đọc.
- Tóm tắt dựa trên câu truy vấn: kết quả trả về dựa trên câu truy vấn của ngƣời
dùng.
- Tóm tắt hƣớng đến ngƣời dùng hoặc chủ đề: văn bản tóm tắt đáp ứng nhu
cầu của ngƣời 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
Tổng hợp kết quả
Biến đổi
Phân tích
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 phƣơng tiện nhƣ ảnh, âm thanh, video. Hệ thống tóm tắt hiện nay thƣờng 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 đƣợc tính bằng phần bù của tỉ
số này). Thông thƣờng, tỉ lệ nén đƣợc 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 phƣơng pháp áp dụng trong pha phân tích
Trong pha này, văn bản nguồn đƣợc phân tích để xác định các đơn vị ngữ liệu
và các đặc trƣng của chúng, kết quả của pha này là đầu vào cho pha biến đổi. Các
phƣơng pháp áp dụng trong pha này bao gồm:
a)Phương pháp thống kê
Các phƣơng 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 phƣơng pháp thống kê gồm:
- Dựa vào vị trí:
+ Chủ đề, tiêu đề: tiêu đề hay chủ đề của các đoạn văn thƣờng 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 thƣờng 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 thƣờng 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 nhƣ tf-idf, tập thuật ngữ
thƣờng xuyên (frequent item set) để xác định tần suất từ.
b) Phương pháp cấu trúc
Các phƣơng pháp này sử dụng các mối liên hệ cấu trúc - ngữ pháp - ngữ nghĩa
để xác định các đơn vị ngữ liệu quan trọng. Tƣ tƣởng chính của các phƣơng 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
Phƣơng 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… đƣợc chọn để xác định độ tƣơng đồng giữa các câu hay đoạn
văn bản đó. Sau đó, ta chọn ra đoạn hay câu có độ liên quan lớn nhất.
+ Phƣơng pháp chuỗi từ vựng (lexical chains)
Phƣơng 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 đƣợc 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 ngƣời đƣa ra mô hình tính chuỗi từ vựng đầu tiên.
Chuỗi từ vựng không những chỉ dùng trong tóm tắt văn bản mà còn đƣợc coi là lý
thuyết tổng quát của vấn đề ngữ nghĩa trong xử lý ngôn ngữ tự nhiên
+ Phƣơng pháp liên kết tham chiếu (word coreferences)
Phƣơng pháp này gọi là phƣơng pháp trích chọn trùng lặp (anaphora-based
method). Theo phƣơng pháp này, các cụm trùng lặp đƣợc chọn ra, phân rã xem đâu
là từ (cụm từ) tham chiếu và từ (cụm từ) đƣợc tham chiếu. Sau khi phân tách các
cụm trùng lặp, chúng ta tạo chuỗi các từ (cụm từ) tham chiếu đến cùng một từ đƣợc
tham chiếu. Chuỗi dài nhất sẽ đƣợc coi là trọng tâm của đoạn, các câu chứa các từ
trong chuỗi này có một độ ƣu tiên nào đó thì sẽ đƣợc 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 phƣơng pháp thống kê dễ
cài đặt hơn các phƣơng pháp cấu trúc. Việc cài đặt các phƣơng pháp thống kê đơn
thuần chỉ là các công thức toán học, còn để cài đặt các phƣơng 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 phƣơng pháp áp dụng trong pha biến đổi
Pha biến đổi có nhiệm vụ biến đổi đơn vị ngữ liệu đƣợc trích xuất trong pha
phân tích nhƣ cụm từ, câu, đoạn văn. Thông thƣờng pha biến đổi thực hiện rút gọn
bản thân bên trong một câu, rồi có thể rút gọn đoạn mà không gây ảnh hƣởng đến
độ chính xác. Các phƣơng pháp trong pha biến đổi gồm: [7].
a) Giản lược về cấu trúc câu
Lƣợc bỏ các thành phần thừa, ít mang ý nghĩa trong câu, giúp cấu trúc câu
đƣợc thu gọn lại. Công việc này thƣờng dựa trên phân tích cú pháp và phân tích ngữ
nghĩa các thành phần trong câu. Áp dụng phân tích cú pháp chúng ta đƣợc các cấu
trúc của câu, qua đó ta có thể thay thế thành phần bằng những thành phần tƣơng
đƣơng, ghép thành phần có nghĩa tƣơng đƣơng theo một luật nào đó. Phƣơng pháp
này có thể làm câu ngắn gọn hơn, tuy nhiên khó bảo toàn đƣợc 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 trƣợng hoá khái niệm: thay thế các khái niệm cụ thể bằng khái niệm
chung.
- Thay thế ngữ tƣơng đƣơng: thay thế các ngữ đóng vai trò nhƣ nhau trong câu
bằng một ngữ chung.
1.2.3 Các phƣơng pháp trong pha tổng hợp kết quả
a) Phương pháp hiển thị phân đoạn
Các đơn vị ngữ liệu đƣợc trích xuất hay giản lƣợc từ các pha trƣớc đƣợc 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 phƣơng 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 phƣơng pháp này, ta sẽ đƣa thêm các thông tin bổ sung vào văn bản tóm
tắt. Hai phƣơng pháp thƣờng đƣợc áp dụng trong sử dụng mẫu (template) ngữ liệu
huấn luyện (corpus).
1.3 Các phƣơng pháp đánh giá
Đánh giá một bản tóm tắt là một công việc khó bởi không tồn tại một bản tóm
tắt lý tƣởng cho một (hoặc một tập) văn bản đƣa ra [11]. Hơn nữa, việc đánh giá nội
dung tóm tắt cũng rất khó khăn. Trƣờng hợp kết quả là một câu trả lời cho một câu
hỏi, ta có thể xác định đƣợc câu trả lời đó đúng hay sai, nhƣng trong các trƣờng 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 nhƣng lại sai khác với bản tóm
tắt do ngƣời thực hiện. Bên cạnh đó, khi việc đánh giá đƣợc thực hiện bởi con ngƣời
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 lƣợng 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 đƣợc 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 trƣớc (chủ đề có thể là một câu truy vấn).
- Độ dễ đọc hiểu (Reading Comprehence): một ngƣời đƣợc giao việc đọc văn
bản kết quả, sau đó trả lời các câu hỏi, hệ thống sẽ phải cho điểm và từ đó đƣa ra
phần trăm những câu trả lời đúng.
1.3.1 Các phƣơng pháp đánh giá trong
a) So sánh với văn bản tóm tắt khác
Ý tƣởng cơ bản của phƣơng 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 ngƣời thực hiện). Thông thƣờng là đem so sánh với văn bản tóm tắt do con
ngƣời thực hiện. Việc so sánh giữa các bản tóm tắt này có thể do con ngƣời 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
chƣa đủ để phân biệt các bản tóm tắt, các bản tóm tắt khác nội dung nhƣng vẫn có
cùng độ đo.
- Độ đo hạng câu (Sentence Rank): thay thế cho độ bao phủ, khi đó, một bản
tóm tắt đƣợc đặc trƣng 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 tƣơng 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 tƣơng 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 nhƣng có mức
độ cắt-dán cao (tức là văn bản tóm tắt đƣợc tạo bởi nhiều từ, cụm từ, câu nguyên
dạng trong văn bản nguồn).
b) So sánh với văn bản nguồn
Với phƣơng 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 nhƣ trên có thể sử dụng để đánh giá. Paice và Jones (1993) đã đƣa ra
phƣơng 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 phƣơng pháp tóm tắt này thì ta đƣa 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 phƣơng pháp đánh giá ngoài
Ý tƣởng cơ bản của các phƣơng 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 tƣởng của phƣơng pháp này là đƣa
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: trƣớc tiên, một ngƣời đƣợc 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 nhƣ 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
ngƣời 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.
- Xem thêm -