ĐẠI HỌC QUỐC GIA HÀ NỘI
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
NGUYỄN THỊ NGỌC ANH
NGUYỄN THỊ NGỌC ANH
NGHIÊN CỨU
CỨU PHƢƠNG
PHƢƠNG PHÁP
PHÁP LÀM
LÀM TĂNG
TĂNG
NGHIÊN
CHẤT LƢỢNG
LƢỢNG PHÂN
PHÂN LỚP
LỚP CÂU
CÂU HỎI
HỎI TRONG
TRONG
CHẤT
HỆ THỐNG
THỐNG HỎI
HỎI ĐÁP
ĐÁP
HỆ
Ngành: Công nghệ Thông tin
Chuyên ngành: Hệ thống thông tin
Mã số: 60 48 05
LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN
LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN
Hà Nội - 2013
NGƢỜI HƢỚNG DẪN KHOA HỌC: TS.NGUYỄN TRÍ THÀNH
Hà Nội - 2013
2
MỤC LỤC
MỤC LỤC ......................................................................................................................2
DANH MỤC CÁC TỪ VIẾT TẮT ..............................................................................4
DANH MỤC CÁC BẢNG.............................................................................................5
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ.......................................................................6
MỞ ĐẦU .........................................................................................................................7
Chƣơng 1. Giới thiệu bài toán ......................................................................................8
1.1. Hệ thống hỏi đáp.......................................................................................................8
1.2. Vị trí của bài toán phân lớp câu hỏi trong hệ thống hỏi đáp ..................................10
1.3. Bài toán phân lớp câu hỏi .......................................................................................11
Chƣơng 2. Các công trình nghiên cứu liên quan ......................................................13
2.1. Các đề tài nghiên cứu liên quan..............................................................................13
2.2. Các hướng giải quyết bài toán phân lớp câu hỏi hiện nay .....................................18
2.3. Lựa chọn định hướng giải quyết bài toán của luận văn..........................................19
Chƣơng 3. Mô hình giải quyết bài toán .....................................................................20
3.1. Lựa chọn giải pháp và mô hình giải quyết bài toán ...............................................20
3.2. Cơ sở lý thuyết ........................................................................................................20
3.2.1. Học bán giám sát ........................................................................................20
3.2.2. Các thuật toán học bán giám sát .................................................................21
3.2.3. Tri-Train .....................................................................................................21
3.2.3.1. Tri-Train gốc .......................................................................................21
3.2.3.2. Tri-Train cải tiến .................................................................................23
3.3. Giải pháp cải tiến ....................................................................................................25
3.3.1. Đề xuất cải tiến ...........................................................................................25
3.3.2. Công việc xử lý đặc trưng ..........................................................................26
3.3.2.1. Valuefit ................................................................................................26
3.3.2.2. Related .................................................................................................31
3.3.2.3. N-grams ...............................................................................................34
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
3
Chƣơng 4. Thực nghiệm .............................................................................................36
4.1. Dữ liệu và công cụ cho thực nghiệm ......................................................................36
4.2. Kết quả xây dựng các đặc trưng .............................................................................37
4.2.1. Value Fit .....................................................................................................37
4.2.1.1. Các bước thực hiện..............................................................................37
4.2.1.2. Kết quả ................................................................................................37
4.2.2. Related ........................................................................................................38
4.2.2.1. Các bước thực hiện..............................................................................38
4.2.2.2. Kết quả ................................................................................................38
4.2.3. N-grams ......................................................................................................39
4.2.3.1. Các bước thực hiện..............................................................................39
4.2.3.2. Kết quả ................................................................................................39
4.3. Kết quả thực nghiệm Tritrain .................................................................................40
4.3.1. Các bước thực hiện: ....................................................................................40
4.3.2. Danh sách các bộ dữ liệu đã sử dụng .........................................................41
4.3.3. Đánh giá hiệu quả của việc sử dụng Tri-Train ...........................................42
4.3.3.1. Hiệu quả cải thiện chất lượng phân lớp thô ........................................43
4.3.3.2. Hiệu quả cải thiện chất lượng phân lớp tinh .......................................43
4.3.3.3. Ảnh hưởng một khung nhìn chất lượng thấp đến hiệu quả phân lớp ..44
4.4. Đánh giá chung .......................................................................................................45
4.4.1. Kết quả cải tiến chất lượng phân lớp ..........................................................45
4.4.2. Đóng góp của đặc trưng “ValueFit” ...........................................................46
4.4.3. Đóng góp của đặc trưng “N-grams” ...........................................................46
4.4.4. Đóng góp của đặc trưng “Related” .............................................................47
KẾT LUẬN ..................................................................................................................49
TÀI LIỆU THAM KHẢO...........................................................................................50
PHỤ LỤC .....................................................................................................................52
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
4
DANH MỤC CÁC TỪ VIẾT TẮT
QA
Question Answering System
TREC
Text Retrieval Conference
NN
Nearest Neighbors
NB
Naïve Bayes
DT
Decision Tree
SNoW
Sparse Network of Winnows
SVM
Support Vector Machines
MEM
Maximum Entropy Model
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
5
DANH MỤC CÁC BẢNG
Bảng 2.1: Phân lớp 6 mục thô và 50 mục tinh được đưa ra bởi Li và Roth
(2002).
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
6
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 1.1: Hệ thống hỏi đáp tự động.
Hình 1.2: Các module chức năng chính của một hệ thống hỏi đáp.
Hình 1.3: Bài toán phân lớp câu hỏi.
Hình 2.1: Mô hình tổng quan hệ thống phân lớp câu hỏi của Kadri Hacioglu
và Wayne Ward.
Hình 2.2: Các hướng giải quyết bài toán phân lớp câu hỏi.
Hình 4.1: Hiệu quả phân lớp của ValueFit với tập train 5500 câu hỏi.
Hình 4.2: Hiệu quả phân lớp của Ralated với tập train 5500 câu hỏi.
Hình 4.3: Hiệu quả phân lớp của Ralated với tập train 5500 câu hỏi.
Hình 4.4: Chất lượng của dữ liệu đặc trưng phân lớp thô 4000 câu hỏi.
Hình 4.5: Chất lượng của dữ liệu đặc trưng phân lớp tinh 4000 câu hỏi.
Hình 4.6: Biểu đồ đánh giá hiệu quả cải thiện chất lượng phân lớp thô.
Hình 4.7: Biểu đồ đánh giá hiệu quả cải thiện chất lượng phân lớp tinh.
Hình 4.8: Sự đóng góp của đặc trưng Pos vào chất lượng phân lớp thô trong
Tri-Train
Hình 4.9: Sự đóng góp của đặc trưng Pos vào chất lượng phân lớp tinhtrong
Tri-Train
Hình 4.10: Kết quả cải thiện chất lượng phân lớp.
Hình 4.11: Sự đóng góp của đặc trưng ValueFit vào chất lượng phân lớp thô.
Hình 4.12: Sự đóng góp của đặc trưng N-grams vào chất lượng phân lớp
tinh.
Hình 4.13: Sự đóng góp của đặc trưng Related vào chất lượng phân lớp tinh.
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
7
MỞ ĐẦU
Các hệ thống hỏi đáp (Question Answering System) là một trong những
hướng quan trọng trong xử lý ngôn ngữ tự nhiên. Một trong những thành phần
quan trọng của các hệ thống này là module phân lớp câu hỏi. Chất lượng của
module này có ý nghĩa rất quan trọng vì nó xác định được miền dữ liệu cũng
như phương pháp trích chọn câu trả lời cho câu hỏi đưa ra. Luận văn tập trung
tìm hiểu các phương pháp nhằm làm tăng hiệu năng phân lớp của module phân
lớp câu hỏi.
Bài toán phân lớp câu hỏi đã được đặt ra và giải quyết từ khá lâu với hai
hướng chủ đạo: dựa trên luật và dựa trên xác suất, tuy nhiên cho đến nay nó vẫn
là bài toán được nhiều người quan tâm. Luận văn tập trung khảo sát các phương
pháp được áp dụng cho phân lớp câu hỏi. Trên cơ sở đó lựa chọn nghiên cứu về
giải thuật học bán giám sát. Trong các giải thuật học bán giám sát, tác giả lựa
chọn nghiên cứu cách cải tiến giải thuật Tri-Train áp dụng cho bài toán phân lớp
câu hỏi. Kế thừa trên một đề xuất cải tiến của Nguyễn Trí Thành và các cộng sự
được công bố vào năm 2008, luận văn đưa ra đề xuất cải tiến và thực hiện nhiều
thử nghiệm minh họa sau đó thống kê và phân tích đầy đủ các thử nghiệm.
Luận văn được tổ chức như sau:
Chương 1: giới thiệu về hệ thống hỏi đáp, tầm quan trọng của module phân
lớp câu hỏi và phát biểu bài toán phân lớp câu hỏi.
Chương 2: khảo sát các đề tài nghiên cứu liên quan đến phân lớp câu hỏi và
những thành tựu nghiên cứu trên thế giới đã đạt được.
Chương 3: trình bày sơ lược về học bán giám sát, giải thuật Tri-Train, đưa ra
và trình bày chi tiết đề xuất cải tiến nhằm tăng hiệu quả cho bài toán phân lớp
câu hỏi.
Chương 4: trình bày quá trình làm thực nghiệm và các kết quả đạt được.
Tác giả xin chân thành cảm ơn sự hướng dẫn và chỉ bảo tận tình của thầy
Nguyễn Trí Thành, cảm ơn các thầy cô giáo trong khoa Hệ Thống Thông Tin
trường Đại học Công nghệ - Đại học Quốc Gia Hà Nội đã tạo điều kiện giúp tác
giả hoàn thành luận văn này. Cảm ơn gia đình, bạn bè cùng những người thân
luôn bên cạnh tác giả giúp tác giả vượt qua những khó khăn trong cuộc sống.
Hà Nội, ngày 06 tháng 10 năm 2013
Nguyễn Thị Ngọc Anh
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
8
Chương 1. Giới thiệu bài toán
Mở đầu chương này sẽ giới thiệu về hệ thống hỏi đáp nói chung. Sau đó chỉ
ra vị trí, vai trò của bài toán phân lớp câu hỏi trong hệ thống hỏi đáp. Cuối cùng,
phát biểu dưới dạng toán học bài toán phân lớp câu hỏi.
1.1. Hệ thống hỏi đáp
Hệ thống hỏi đáp có thể được xem như bước kế tiếp của quá trình tìm kiếm
thông tin, cho phép người dùng đặt các câu hỏi bằng ngôn ngữ tự nhiên và nhận
về những câu trả lời ngắn gọn. Để đáp ứng nhu cầu tìm kiếm hiệu quả cho các
yêu cầu của người dùng cần có một hệ thống đủ thông minh, nhanh chóng và trả
lời chính xác nhất cho các câu hỏi. Chính từ nhu cầu này, hệ thống hỏi đáp tự
động QA (Question Answering System) đã được đề xuất, nghiên cứu tìm hướng
giải quyết. Hệ thống này nhằm mục đích trả lời cho các câu hỏi tự nhiên trong
thời gian ngắn nhất, chi phí tối thiểu và hiệu quả tối đa.
Năm 2000, Jaime Carbonell và các cộng sự đã sớm đưa ra các tiêu chuẩn
chung cho việc nghiên cứu QA [6]. Theo đó, một hệ thống hỏi đáp được người
dùng đánh giá là hữu ích nếu đáp ứng được các tiêu chuẩn:
- Tính hợp lý về thời gian: câu trả lời phải được đưa ra trong thời gian
ngắn, ngay cả khi có hàng ngàn người dùng cùng truy nhập hệ thống một
lúc. Các nguồn dữ liệu mới cần phải được tích hợp vào hệ thống ngay khi
chúng sẵn sàng để có thế cung cấp cho người dùng câu trả lời cho những
câu hỏi về các sự kiện có tính thời sự.
- Tính chính xác: thách thức này là cực kì quan trọng bởi việc đưa ra câu trả
lời sai còn tai hại hơn nhiều là không đưa ra câu trả lời. Nghiên cứu về
QA cần tập trung vào việc đánh giá tính đúng đắn của câu trả lời đưa ra,
bao gồm cả phương thức để phát hiện các trường hợp mà dữ liệu hiện thời
không chứa câu trả lời cho câu hỏi. Các thông tin mâu thuẫn trong dữ liệu
cũng cần được tìm ra và các thông tin này cần được xử lý theo một cách
phù hợp, nhất quán. Để đạt được sự chính xác, hệ thống QA cần được tích
hợp các nguồn tri thức và quá trình học suy luận thông thường.
- Tính khả dụng: hệ thống QA cần đáp ứng được các yêu cầu cụ thể của
một người dùng. Các ontology trên từng miền cụ thể và ontology trên
miền mở cần được tích hợp trong hệ thống. Hệ thống QA cần có khả năng
khai phá câu trả lời từ bất kì dạng dữ liệu gì (văn bản, web, cơ sở dữ liệu,
…) và đưa ra câu trả lời dưới định dạng mà người dùng mong muốn, cho
phép người dùng miêu tả ngữ cảnh của câu hỏi và cung cấp các thông tin
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
9
giải thích, trích dẫn nguồn cho câu trả lời.
- Tính hoàn chỉnh: câu trả lời hoàn chỉnh cho câu hỏi của người dùng là
điều mà các hệ thống QA hướng tới. Trong nhiều trường hợp (câu hỏi về
danh sách, nguyên nhân, cách thức…), các phần của câu trả lời nằm rải
rác trong một văn bản, thậm chí trong nhiều văn bản. Vì vậy cần phải hợp
nhất các phần này dựa trên các thông tin liên kết để tạo ra câu trả lời hoàn
chỉnh.
- Tính thích hợp của câu trả lời: trong ngôn ngữ tự nhiên, câu hỏi đưa ra
luôn gắn với ngữ cảnh nào đó và câu trả lời cũng nằm trong một ngữ cảnh
nhất định. Câu trả lời mà hệ thống QA đưa ra phải phù hợp ngữ cảnh với
câu hỏi. Một hệ thống QA có khả năng tương tác là cần thiết trong nhiều
trường hợp bởi chuỗi các câu hỏi liên quan đến một vấn đề sẽ giúp làm
sáng tỏ thông tin mà người dùng đang hỏi. Việc đánh giá một hệ thống
QA cần hướng người dùng bởi ý kiến người dùng là đánh giá tốt nhất cho
tính thích hợp của câu trả lời.
Hệ thống hỏi đáp tự động là hệ thống được xây dựng để thực hiện việc tìm
kiếm tự động câu trả lời từ một tập lớn các tài liệu cho câu hỏi đầu vào một cách
chính xác. QA hiện đang thu hút sự quan tâm của rất nhiều nhà nghiên cứu từ
các trường đại học, các viện nghiên cứu cũng như các công ty lớn hàng đầu trên
thế giới [15]. Nhiều hội nghị lớn về xử lý ngôn ngữ tự nhiên được tổ chức hàng
năm như Coling, Text Retrieval Conference (Trec)… đều có những phần dành
riêng cho những nghiên cứu liên quan đến hệ thống hỏi đáp.
Hình 1.1: Hệ thống hỏi đáp tự động.
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
10
Bên cạnh đó các sản phẩm thương mại liên quan đến QA (hình 1.1) cũng
được các công ty phát triển như: Yahoo Answers của Yahoo
http://vn.answers.yahoo.com/,
hệ
thống
hỏi
đáp
của
Google
http://www.google.com.vn/giaidap/ (phiên bản tiếng Việt được gọi là “Hệ thống
giải đáp”), Live QnA của Microsoft http://qna.live.com/ … và đặc biệt là hai sản
phẩm Anwsers.com http://www.answers.com/ của Answers Corp doanh thu mỗi
năm là 9.5 triệu USD và Ask http://www.ask.com/ của InterActive Corp doanh
thu mỗi năm 227 triệu USD.
1.2. Vị trí của bài toán phân lớp câu hỏi trong hệ thống hỏi đáp
Hệ thống hỏi đáp ngày càng trở nên phổ biến và phong phú trong nhiều lĩnh
vực và ứng dụng trong cuộc sống. Phân lớp câu hỏi là một module quan trọng
trong hệ thống này (hình 1.2). Do vậy bài toán phân lớp câu hỏi càng trở nên cần
thiết và quan trọng. Chức năng chính của nó là phân các câu hỏi vào các lớp
giúp giảm đáng kể không gian tìm kiếm câu trả lời, độ chính xác của nó đóng
vai trò quan trọng trong hiệu quả của hệ thống hỏi đáp.
Giao diện
Module phân lớp câu hỏi
Nhập câu hỏi
Xác định câu hỏi thuộc về
lĩnh vực/ miền/ phần nào
Module tiền xử lý câu hỏi
Biến đổi câu hỏi về dạng chuẩn
của hệ thống
Module tìm kiếm câu trả lời
Tìm kiếm câu trả lời trên miền
đã xác định
Giao diện
Hiển thị kết
quả tìm
kiếm
Hình 1.2: Các module chức năng chính của một hệ thống hỏi đáp.
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
11
Hệ thống QA bao gồm nhiều thành phần: thành phần phân tích câu hỏi, thành
phần phân lớp câu hỏi, thành phần truy vấn dựa trên những tập tài liệu liên quan
đến câu truy vấn,… Trong các thành phần này, thành phần phân lớp câu hỏi
đóng vai trò quan trọng. Đầu tiên, người dùng đưa vào hệ thống một câu hỏi, sau
đó câu hỏi sẽ được phân tích để tìm từ khóa tìm kiếm hoặc định dạng thành một
loại câu truy vấn xuống cơ sở dữ liệu chứa thông tin. Kết quả của quá trình đó
không thể trả về ngay lập tức một câu trả lời duy nhất và chính xác. Trên thực tế
nó sẽ đưa ra một tập các câu trả lời đề cử có liên quan đến vấn đề được hỏi. Vậy,
công việc chính của phân lớp câu hỏi là lọc và loại bỏ những câu trả lời nào
không phù hợp, hơn thế nữa có thể dựa trên một số tiêu chí để đánh giá xếp hạng
các câu trả lời theo mức độ liên quan đến câu hỏi. Ngoài ra, phân lớp câu hỏi
còn có thể giúp ta xác định được kiểu câu trả lời một khi ta biết được phân lớp
của nó. Việc này giúp hệ thống đưa ra một câu trả lời gần gũi với ngôn ngữ tự
nhiên.
Håkan Sundblad cũng chỉ ra rằng để có một hệ thống hỏi đáp thành công,
việc phân lớp các câu hỏi chính xác là một nhân tố quan trọng [5]. Hệ thống
phân lớp câu hỏi bao gồm hai thành phần chính: một nguyên tắc phân loại các
câu trả lời và một máy phân loại.
1.3. Bài toán phân lớp câu hỏi
Phân lớp câu hỏi có thể được hiểu theo cách thông thường là: cho một câu
hỏi (đại diện bởi các đặc trưng), gán câu hỏi đó vào một nhóm hoặc một tập
nhóm (hình 1.3).
Đầu vào: câu hỏi ở dạng ngôn ngữ tự nhiên.
Đầu ra: lĩnh vực/miền/nhóm của câu hỏi.
Phát biểu: cho tập hợp N các câu hỏi đã được gán nhãn và danh sách các
nhãn lớp. Cho một câu hỏi A bất kỳ, xác định nhãn lớp cho câu hỏi A.
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
12
Module phân lớp câu
hỏi
Thuật toán
luyện và các
quy luật phân
lớp
Câu hỏi A chưa
được phân lớp
Lớp 1
...
A được xếp
vào lớp i
Lớp i
...
Trích chọn các
đặc trưng và
gán nhãn lớp
Lớp j
Lớp n-1
Dữ liệu mẫu
và danh sách
các lớp
Lớp n
Hình 1.3: Bài toán phân lớp câu hỏi.
Tuy nhiên bằng cách áp dụng định nghĩa của phân loại văn bản vào vấn đề
phân lớp câu hỏi, Håkan Sundblad cũng đã phát biểu lại bài toán phân lớp câu
hỏi như sau [5]:
Định nghĩa 1: phân lớp câu hỏi là công việc gán một giá trị kiểu bool cho
mỗi cặp
với Q là lĩnh vực các câu hỏi và C là một tập danh
mục nhóm được định nghĩa sẵn
.
Việc gán cho giá trị T (True = 1) nghĩa là qi được đánh giá là thuộc
nhóm ci, và ngược lại nếu bằng F (Fales=0) nghĩa là qi không thuộc
nhóm ci. Trong một thiết lập học máy, đây chính là việc gán những hàm mục
tiêu chưa biết
về hàm xấp xỉ đã biết
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
13
Chương 2. Các công trình nghiên cứu liên quan
Trong chương này tác giả sẽ trình bày sơ lược một vài đề tài nghiên cứu liên
quan đến bài toán phân lớp câu hỏi theo trình tự thời gian. Phần cuối của chương
tác giả tổng kết lại khung nhìn chung của các hướng giải quyết bài toán phân lớp
câu hỏi hiện nay. Dựa trên việc khảo sát những thành tựu và khó khăn của các
hướng giải quyết này tác giả đưa ra định hình ban đầu cho việc giải quyết bài
toán của mình.
2.1. Các đề tài nghiên cứu liên quan
Trong một nghiên cứu được trình bày vào năm 2002 [11], Xin Li và Dan
Roth đã chỉ ra rằng một module phân lớp câu hỏi trong hệ thống hỏi đáp sẽ bao
gồm hai yêu cầu chính:
- Cung cấp ràng buộc trong các loại câu trả lời cho phép xử lý thêm để định
vị chính xác và kiểm nghiệm câu trả lời.
- Cung cấp thông tin cho quá trình thuận để có thể sử dụng chiến lược lựa
chọn loại câu trả lời cụ thể. Ví dụ câu hỏi “Ai là người phụ nữ đầu tiên bị
giết ở chiến tranh Việt Nam? “, chúng ta không muốn kiểm tra tất cả các
cụm danh từ trong câu hỏi để đưa ra câu trả lời. Tối thiểu chúng ta có thể
xác định được mục tiêu của câu hỏi này là một người. Bằng cách đó có
thể giảm bớt không gian các đáp án một cách đáng kể.
Cũng trong bài báo này tác giả đã đưa ra hướng giải quyết bằng phương pháp
học máy cho phân lớp câu hỏi. Rất nhiều nghiên cứu trong những năm về sau
của nhiều tác giả trên thế giới đã khá thành công khi áp dụng các giải pháp bằng
học máy cho bài toán phân lớp câu hỏi và càng chứng minh sự đúng đắn của
hướng giải quyết này. Trong nghiên cứu [11] Xin Li và Dan Roth đã phát triển
phân lớp có thứ tự được xây dựng bởi một lớp ngữ cảnh có thứ tự của các loại
câu trả lời và sử dụng chúng để phân loại câu hỏi thành các lớp tinh. Ngoài ra,
họ còn tiến hành các thực nghiệm chứng minh rằng vấn đề phân lớp câu hỏi có
thể được giải quyết khá chính xác bằng phương pháp học và chỉ ra những lợi ích
của các đặc trưng nền tảng trong sự phân tích ngữ cảnh.
Một đóng góp không nhỏ của Xin Li và Dan Roth trong nghiên cứu của mình
là đã xây dựng một bộ dữ liệu chuẩn sử dụng để kiểm thử tính đúng đắn của các
giải pháp phân lớp câu hỏi. Dữ liệu được thu thập từ 4 nguồn: 4500 câu hỏi tiếng
Anh được công bố bởi USC bao gồm 500 cấu trúc câu hỏi thủ công cho một vài
lớp hiếm, 894 câu hỏi TREC 8 sử dụng làm dữ liệu luyện (train) và 500 câu hỏi
từ TREC 10 sử dụng làm dữ liệu kiểm tra (test). Các câu hỏi này được gán nhãn
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
14
một cách thủ công và để đơn giản, mỗi câu hỏi được gán chính xác bằng một
nhãn lớp. Các câu hỏi được phân lớp theo 6 mục thô và 50 mục tinh (bảng 2.1).
Các bài báo nghiên cứu sau này về phân lớp câu hỏi cũng đựa trên các mục này
để nghiên cứu và đánh giá.
Bảng 2.1: Phân lớp 6 mục thô và 50 mục tinh được đưa ra bởi Li và Roth
(2002).
Mục thô
Mục tinh
ABBR
abbreviation, expansion
DESC
definition, description, manner, reason
ENTY
animal, body, color, creation, currency, disease, event, food,
instrument, language, letter, other, plant, product, religion, sport,
subtance, symbol, technique, term, vehicle, word
HUM
description, group, individual, title
LOC
city, country, mountain, other, state
NUM
code, count, date, distance, money, order, other, percent, period,
speed, temperature, size, weight
Bộ dữ liệu nổi tiếng này hiện nay vẫn đang được sử dụng trong các nghiên
cứu liên quan đến bài toán phân lớp câu hỏi, thậm chí còn được dịch ra nhiều
thứ tiếng để phục vụ các nghiên cứu mang tính đặc trưng của ngôn ngữ.
Zhang D. và Lee W.S năm 2003 đã nghiên cứu và tiến hành cài đặt thử
nghiệm cách giải quyết bài toán phân lớp câu hỏi với 5 thuật toán học máy:
Nearest Neighbors (NN), Naïve Bayes (NB), Decision Tree (DT), Sparse
Network of Winnows (SNoW), và Support Vector Machines (SVM) sử dụng hai
đặc trưng bag-of-words và bag-ofN-grams. Các kết quả nghiên cứu được chỉ ra
trong tài liệu [12] cho thấy SVM tỏ ra có hiệu quả nổi trội hơn so với các
phương pháp khác. Ngoài ra họ còn đưa ra giải thuật Kernel Tree để nâng cao
chất lượng phân lớp của SVM nhờ tận dụng đặc điểm có cấu trúc cú pháp của
câu hỏi.
Kernel Tree được trình bày ở [12] là một hàm đặc biệt được đề xuất để nhúng
vào SVM nhằm mang lại hiệu quả tốt hơn đối với cấu trúc ngữ cảnh của các câu
hỏi. Theo kết quả thực nghiệm các tác giả của bài báo này đưa ra thì SVM kết
hợp với Tree Kernel có thể giảm bớt được 20% lỗi.
Cũng trong năm 2003 Kadri Hacioglu và Wayne Ward [8] đã đề cập đến việc
lựa chọn giải pháp học máy SVM cho phân lớp câu hỏi để thay thế cách phân
lớp bằng các biểu thức chính quy và đưa ra mô hình tổng quan hệ thống phân
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
15
lớp câu hỏi của họ (hình 2.1).
Question text
Preprocessor
Indexing
Dimension
Reduction
Tranformation
Feature Extraction
Feature vector
Class label
Classification
...
m SVM
Classifiers
Classifier
Combiner
One of n class
labels
Hình 2.1: Mô hình tổng quan hệ thống phân lớp câu hỏi của Kadri Hacioglu và
Wayne Ward.
Họ chỉ ra rằng mặc dù các SVM hỗ trợ được phân lớp nhị phân, nhưng có thể
mở rộng việc sử dụng chúng như phân loại đa lớp sử dụng mã nhị phân. Đối
chiếu với các phương pháp khác cho thấy phương pháp này là lĩnh vực hứa hẹn
cho việc cải thiện hiệu quả phân lớp câu hỏi với việc phân tích phi ngôn ngữ.
Năm 2005, Zhi-Hua Zhou và Ming Li đã đề xuất thuật toán học bán giám sát
Tri-Train [13], thuật toán này tạo ra ba bộ phân lớp từ cùng một tập hợp dữ liệu
được gán nhãn cho trước, các bộ phân lớp này sẽ được tinh chế lại sử dụng các
mẫu chưa được gán nhãn trong quá trình Tri-Train. Trong mỗi vòng lặp của TriTrain, một mẫu chưa được gán nhãn sẽ được gán nhãn nếu hai bộ phân lớp khác
đồng ý gán cùng một nhãn cho nó. Tri-Train không yêu cầu không gian mẫu
được mô tả đầy đủ hay dư thừa cũng không hạn chế bất kỳ thuật toán học có
giám sát hay khung nhìn nào, do đó ứng dụng của nó mở rộng hơn thuật toán
học bán giám sát Co-Train trước đây.
Năm 2007, Nguyễn Trí Thành cùng nhóm nghiên cứu của mình đã đề xuất
giải pháp sử dụng phân loại theo cấp bậc câu hỏi nhằm mục đích giảm số lượng
các lớp để cải thiện hiệu suất phân lớp khi số lượng lớp là khá lớn. Các câu hỏi
được phân lớp một cách tuần tự bởi phân lớp thô và một phân lớp tinh. Nghiên
cứu được công bố trong bài báo [9]. Họ cũng đưa ra khuyến cáo: mặc dù một
câu hỏi có thể thuộc về nhiều lớp nhưng đề xuất chỉ nên phân câu hỏi vào lớp có
xác suất cao nhất trong số các lớp có thể xếp vào.
Ngoài ra, bài báo [9] còn đề xuất hướng giải quyết bài toán phân lớp câu hỏi
có thứ tự kết hợp với thuật toán học bán giám sát và đưa ra đề xuất ba phương
án phân lớp:
- Ứng dụng học có giám sát: dễ dàng tạo tập luyện cho phân lớp thô. Mỗi
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
16
phân lớp tinh cần có một tập con được gán nhãn. Có thể chiết xuất phù
hợp các tập con cho việc luyện mỗi phân lớp tinh. Áp dụng: sử dụng
MEM cho tất cả các phân lớp. Kết luận: khi kích thước mẫu nhỏ, tỷ lệ lỗi
của phân lớp phẳng cao hơn phân lớp tuần tự.
- Ứng dụng được kết hợp học có giám sát và bán giám sát: sử dụng bán
giám sát cho mức đầu tiên, các phân lớp còn lại vẫn sử dụng thuật toán
học có giám sát. Áp dụng Tri-Train cải tiến. Kết quả: học bán giám sát
giúp cải thiện dự báo của phân lớp tinh, khi kích thước tập luyện tăng thì
hiệu quả phân lớp tinh của MEM tỏ ra có hiệu quả hơn của SVM.
- Ứng dụng bán giám sát: sử dụng học bán giám sát cho tất cả các mức. Kết
quả thực nghiệm cho thấy không có nhiều hứa hẹn.
Kết quả thực nghiệm của họ cho thấy học bán giám sát không cho hiệu quả
tốt đối với các phân lớp tinh. Do đó không áp dụng học bán giám sát cho các
phân lớp tinh và có giám sát cho phân lớp thô. Tuy nhiên phương pháp ứng
dụng bán giám sát cho phân lớp tinh chưa mang lại kết quả tốt nhưng mở ra một
vấn đề mới cho việc nghiên cứu xa hơn.
Tiếp nối nghiên cứu [9], năm 2008, Nguyễn Trí Thành cùng nhóm của mình
tiếp tục phát triển và thử nghiệm phương án phân lớp “Kết hợp học có giám sát
và bán giám sát” bằng việc cải tiến giải thuật Tri-Train và đưa ra hai đề xuất cải
tiến để loại bỏ nhược điểm bootstrap-sample trong giải thuật Tri-Train gốc [10].
Trong thực tế, dữ liệu câu hỏi có đặc điểm là thưa và phân bố không đều. Do
phân bố không đều nên sau thủ tục lấy mẫu Bootstrap-Sampling, mỗi tập gán
nhãn mới nhất được tạo ra sẽ bị mất một số câu hỏi so với tập có nhãn ban đầu.
Nếu những câu hỏi bị mất này lại nằm trong các lớp có rất ít câu hỏi thì tỷ lệ lỗi
sẽ tăng trong mỗi bộ phân lớp khi luyện từ tập dữ liệu này. Để khắc phục nhược
điểm này, Nguyễn Trí Thành đã đưa ra giải pháp sử dụng nhiều hơn một giải
thuật cho ba bộ phân lớp. Mỗi bộ phân lớp được khởi tạo từ tập được gán nhãn.
Thử nghiệm của ông cũng chỉ ra rằng điều kiện cần thiết để tăng hiệu quả của
phân lớp là cả ba bộ phân lớp đều phải có hiệu quả phân lớp tương đương nhau.
Nghiên cứu [3] của Baoli Li, Y. Liu và Eugene Agichtein năm 2008 đã giới
thiệu hệ thống CoCA cho phân lớp bán giám sát của các câu hỏi và các câu trả
lời trong hệ thống thảo luận CQA. CoCQA là một nền tảng đồng luyện cho mô
hình tương tác nguyên bản trong trao đổi hỏi đáp nó có thể khai thác cấu trúc
của các câu hỏi và các câu trả lời phù hợp. Ngoài thừa kế sự khó khăn của phân
tích chủ quan cho các câu hỏi người dùng thực, họ còn chỉ ra rằng bằng cách
ứng dụng CoCQA cho công việc này, giúp cải thiện đáng kể hiệu quả dự báo và
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
17
thực chất giảm bớt yêu cầu kích thước dữ liệu luyện.
Năm 2009, nhóm tác giả Mohan John Blooma, Dion Hoe-Lian Goh, Alton
Yeow Kuan Chua đã trình bày nghiên cứu về phân lớp câu hỏi đơn giản. Họ sử
dụng phương pháp SVM và đưa ra kết luận rằng SVM là giải pháp mang lại hiệu
quả phân lớp tốt nhất trong các nghiên cứu của họ. Nghiên cứu [1] đã được ứng
dụng để phân lớp theo cấp bậc dựa trên thuật toán học máy SVM với các câu hỏi
của người dùng được lấy từ hệ thống hỏi đáp của Yahoo. Điểm nổi bật của
nghiên cứu này là các tác giả đã cố gắng trực tiếp phân lớp các câu hỏi phức tạp
là các câu hỏi của người dùng thực. Họ đã sử dụng cả bộ phân lớp thô và bộ
phân lớp tinh để đánh giá hiệu quả của nghiên cứu và đưa ra một ma trận phân
tích các kết quả nghiên cứu của mình.
Ali Harb, Michel Beigbeder, Kristine Lund và Jean-Jacques Girardot đã trình
bày một phương pháp cải thiện chất lượng phân lớp câu hỏi theo định hướng tập
trung vào phân tích ngôn ngữ và phương pháp tiếp cận thống kê vào năm 2011
[2]. Họ đã đề xuất ra hai phương pháp phân lớp câu hỏi mở rộng. Họ đã nghiên
cứu về giá trị đại diện các câu hỏi, trọng số và các thuật toán học máy và làm
các thực nghiệm trên dữ liệu thực tế. Kết quả thực nghiệm cũng đã chỉ ra những
dấu hiệu tốt trong việc cải thiện chất lượng phân lớp câu hỏi.
Năm 2012, trong bài báo [7], Jinzhong Xu và các cộng sự đã đưa ra một giải
pháp phân lớp câu hỏi dựa trên SVM và sự tương tự về ngữ nghĩa của câu hỏi.
Nó được ứng dụng thực tế trong một hệ thống hỏi đáp trực tuyến về du lịch. Với
hai mức phân lớp câu hỏi: SVM được sử dụng để phân lớp các câu hỏi ở mức
thô và mô hình tương tự về mặt ngữ nghĩa được sử dụng để phân loại câu hỏi ở
mức sâu hơn. Nhờ sử dụng khái niệm trọng số của miền dữ liệu họ đã cải thiện
được chất lượng của các đặc trưng và mô hình tương tự về ngữ nghĩa của câu
hỏi trong nghiên cứu của mình.
Trong một nghiên cứu gần đây (8/2013), tác giả David Tomás và José L.
Vicedo người Tây Ban Nha đã tìm ra hướng tiếp cận giám sát tối thiểu cho các
phân lớp tinh của câu hỏi. Trong bài báo [4] họ đã đưa ra giải thuật tự động lấy
ra danh sách các trọng số cho mỗi phân lớp. Cách xác định này có liên quan
nhiều đến các lớp và độ ưu tiên giữa chúng. Các danh sách này được sử dụng để
phân lớp câu hỏi với cách tiếp cận dựa trên sự phân bố xác suất của các văn bản
gốc lấy từ web. Do đó, hệ thống hoàn toàn dựa trên các thông tin thống kê,
không phân biệt ngôn ngữ. Họ đã tiến hành thử nghiệm trên các câu hỏi tiếng
Anh và bản dịch sang tiếng Tây Ban Nha và thu được những kết quả cải thiện
đáng kể.
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
18
2.2. Các hƣớng giải quyết bài toán phân lớp câu hỏi hiện nay
Như hình 2.2 đã chỉ ra, hiện nay bài toán phân lớp câu hỏi được giải quyết
theo hai hướng chính: phân lớp dựa trên các luật (Rule - Based) và phân lớp dựa
trên xác suất (Statistical). Hướng giải quyết dựa trên các luật đã được nghiên
cứu và có những thành công nhất định nhưng gặp phải khó khăn khi mở rộng hệ
thống. Hướng giải quyết dựa vào xác suất có hai hướng chính là giải quyết dựa
vào mô hình ngôn ngữ và học máy. Trong đó học máy là hướng giải quyết được
quan tâm và đang mở ra nhiều triển vọng. Trong các nghiên cứu từ 2002 đến
bây giờ, đã có nhiều nghiên cứu, thử nghiệm chứng minh rằng giải thuật SVM tỏ
ra có ưu thế hơn đối với bài toán phân lớp câu hỏi. Ngoài ra, với tính chất phong
phú, phức tạp, đa nghĩa của các câu hỏi trong hệ thống thực tế, thuật toán học
bán giám sát đang tỏ ra có ưu thế hơn cả trong các phương pháp học máy.
Các hƣớng tiếp
cận cho phân lớp
câu hỏi
Statistical
(Xác suất)
NB
Rule-Based
(Dựa trên luật)
SNoW
Học máy
NN
DT
Keywords
(Các từ khóa)
Regular expresstions
(Các biểu thức chính quy)
Mô hình
ngôn ngữ
MEM
...
SVM
Hình 2.2: Các hướng giải quyết bài toán phân lớp câu hỏi.
Đối với cách tiếp cận dựa trên các luật: việc phân lớp câu hỏi dựa vào một số
các luật được thiết lập bằng tay. Các luật này có được là do đề xuất từ các
chuyên gia. Đối với cách tiếp cận này, một loạt các biểu thức thông dụng
(regular expression) được tạo ra để so khớp với câu hỏi từ đó quyết định phân
lớp của câu hỏi và loại câu trả lời. Nhưng nó có một số hạn chế như sau:
- Sự phân lớp dựa trên các luật gặp nhiều khó khăn và tốn nhiều thời gian
xử lý do dựa trên kiến thức chủ quan của con người trên một tập dữ liệu
câu hỏi.
- Có sự giới hạn về mức độ bao quát và phức tạp trong việc mở rộng phạm
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
19
vi của hệ thống.
Trong cách tiế p câ ̣n xác suất, học máy là cách tiếp cận được quan tâm và
nghiên cứu nhiều nhất. Sử dụng học máy, kiế n thức chuyên môn đươ ̣c thay thế
bằ ng mô ̣t tâ ̣p lớn các câu hỏi đươ ̣c gán nhañ k ết quả sẵn (một tập dữ liệu mẫu).
Từ tâ ̣p này , classifier (bô ̣ phân lớp ) sẽ được học một cách có k iể m soát hoặc
không kiểm soát trên tập mẫu. Các thuật toán học máy hay dùng bao gồm: mạng
nơ-ron (Neural NetWork), xác suất có điều kiện (Naïve Bayes), mô hình cực đại
Entropy (Maximum Entropy), cây quyết định (decision Tree), người láng giềng
gần nhất (Nearest-Neighbors), mạng lọc thưa (Sparse Network of Winnows SNoW), máy hỗ trợ vector (Support Vector Machine - SVM),... Với cách tiế p
câ ̣n học máy, ta dễ dàng thấy nó sẽ giải quyế t đươ ̣c nhiề u ha ̣n chế từ cách tiế p
câ ̣n dựa trên luật.
2.3. Lựa chọn định hƣớng giải quyết bài toán của luận văn
Như đã phân tích ở phần trước, ngày nay với đặc trưng phong phú của ngôn
ngữ và tính khách quan vốn có của nó, hướng tiếp cận dựa trên các luật đã bộc
lộ rõ những nhược điểm của mình. Trong đó nhược điểm lớn nhất không thể
khắc phục được là khả năng mở rộng hệ thống rất hạn chế. Do vậy tác giả quan
tâm đến hướng tiếp cận thứ hai – tiếp cận dựa trên xác suất. Trải qua hơn 10
năm kể từ khi hướng giải quyết học máy áp dụng cho bài toán phân lớp câu hỏi
được đưa ra, đã có rất nhiều thuật toán học máy được nghiên cứu áp dụng đồng
thời đối chiếu so sánh hiệu quả lẫn nhau. Trong hệ thống các giải pháp học máy,
định hướng học có giám sát đã đạt được nhiều thành công, nhiều nghiên cứu của
các tác giả nổi tiếng đã đạt được kết quả phân lớp gần như tuyệt đối. Tuy nhiên
trong phạm vi luận văn tác giả lựa chọn nghiên cứu học bán giám sát vì đây là
định hướng đang mở ra nhiều triển vọng với chi phí thấp và kết quả phân lớp có
mức tin cậy đủ chấp nhận được.
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
20
Chương 3. Mô hình giải quyết bài toán
Trong chương này, tác giả trình bày khái quát về học bán giám sát và điểm
sơ qua một vài phương pháp sử dụng cho học bán giám sát cùng với các ưu
nhược điểm của chúng. Tiếp theo tác giả trình bày kỹ phần lý thuyết về giải
thuật Tri-Train và các đề xuất cải tiến của Nguyễn Trí Thành. Tiếp theo tác giả
đưa ra đề xuất của mình cải tiến Tri-Train bằng cách thay vì sử dụng hai khung
nhìn hai thuật toán thì sử dụng ba khung nhìn cùng với các đề xuất xây dựng các
bộ dữ liệu đặc trưng mới (khung nhìn) nhằm mục đích cải tiến chất lượng các
khung nhìn và tạo ra sự phong phú giữa các khung nhìn để phát huy được hết
điểm mạnh của Tri-Train. Phần cuối cùng, tác giả trình bày kỹ việc tạo ra các
khung nhìn mới.
3.1. Lựa chọn giải pháp và mô hình giải quyết bài toán
Trong phạm vi luận văn, tác giả lựa chọn học bán giám sát và cải tiến thuật
toán Tri-Train để nâng cao chất lượng phân lớp câu hỏi.
3.2. Cơ sở lý thuyết
3.2.1. Học bán giám sát
Trong khoa học máy tính, học bán giám sát là một lớp của kỹ thuật học máy,
sử dụng cả dữ liệu đã gán nhãn và chưa gán nhãn để huấn luyện - điển hình là
một lượng nhỏ dữ liệu có gán nhãn cùng với lượng lớn dữ liệu chưa gán nhãn.
Học bán giám sát đứng giữa học không giám sát (không có bất kì dữ liệu có
nhãn nào) và có giám sát (toàn bộ dữ liệu đều được gán nhãn). Nhiều nghiên cứu
cho thấy dữ liệu không gán nhãn, khi được sử dụng kết hợp với dữ liệu có gán
nhãn, có thể cải thiện đáng kể độ chính xác. Để gán nhãn dữ liệu cho một bài
toán học máy thường đòi hỏi một chuyên viên có kỹ năng để phân loại bằng tay
các mẫu huấn luyện. Chi phí cho quá trình này khiến tập dữ liệu được gán nhãn
hoàn toàn trở nên không khả thi, trong khi dữ liệu gán nhãn thường tương đối rẻ
tiền. Vì lý do này, học bán giám sát có giá trị thực tiễn lớn lao.
Bài toán phân lớp câu hỏi đã được nghiên cứu và giải quyết bằng phương
pháp học có giám sát từ cách đây hơn 10 năm, tuy nhiên chi phí cho việc gán
nhãn là khá cao và số lượng mẫu cần thiết là khá lớn. Năm 2005, Zhi-Hua Zhou
và Ming Li đã đề xuất thuật toán học bán giám sát Tri-Train áp dụng cho việc
khai thác dữ liệu chưa được gán nhãn. Năm 2008 Nguyễn Trí Thành cùng nhóm
nghiên cứu của mình đã công bố giải thuật Tri-Train cải tiến với đề xuất khắc
phục nhược điểm của Tri-Train mà Zhou và Li đã đề xuất năm 2005 đồng thời
làm các thử nghiệm kiểm tra chất lượng của thuật toán khi đưa vào giải quyết
Nghiên cứu phương pháp làm tăng chất lượng phân lớp câu hỏi trong hệ thống hỏi đáp
- Xem thêm -