Tài liệu Nghiên cứu việc xây dựng, chuẩn hóa và khai thác kho ngữ liệu từ nguồn internet cho xử lý tiếng việt

i LỜI CAM ĐOAN Tôi cam đoan rằng nội dung của luận án này là kết quả nghiên cứu của bản thân. Tất cả những tham khảo từ các nghiên cứu liên quan đều được nêu rõ nguồn gốc một cách rõ ràng trong danh mục tài liệu tham khảo được đề cập ở phần sau của luận án. Những đóng góp trong luận án là kết quả nghiên cứu của tác giả đã được công bố trong các bài báo của tác giả ở phần sau của luận án và chưa được công bố trong bất kỳ công trình khoa học nào khác. Tác giả luận án Phan Thị Hà ii Lời cảm ơn Trước tiên, tôi muốn gửi lời cảm ơn đến Thầy Cô giáo hướng dẫn của tôi, PGS.TS Trần Hồng Quân, TS Nguyễn Thị Minh Huyền. Thầy, Cô đã tận tình chỉ bảo tôi từ những việc tưởng chừng đơn giản như cách thức thu thập tài liệu tham khảo cho đến phương pháp nghiên cứu hoa học. Sự tận tình hướng dẫn, cộng với sự động viên, khích lệ thường xuyên của Thầy Cô đã giúp tôi tự tin, say mê hơn trong con đường nghiên cứu khoa học. Tôi cảm thấy thực sự trưởng thành sau những năm được học tập và nghiên cứu dưới sự hướng dẫn của Thầy cô, một lần nữa em xin được cảm ơn Thầy Cô và kính chúc Thầy Cô luôn mạnh khỏe, hạnh phúc, thành công trên mọi lĩnh vực, đặc biệt là trên con đường khoa học. Mong rằng sẽ có nhiều lớp nghiên cứu sinh lại tiếp tục được Thầy Cô hướng dẫn trong những năm tiếp theo. Tôi xin chân thành cảm ơn Tập đoàn Bưu Chính Viễn Thông, Ban lãnh đạo Học viện Công nghệ Bưu Chính Viễn Thông đã động viên và tạo điều kiện thuận lợi cho tôi trong suốt quá trình thực hiện luận án. Tôi cũng muốn bày tỏ lòng biết ơn đối với tập thể các Thầy Cô khoa Công nghệ Thông tin và các Thầy Cô Khoa Đào tạo Sau Đại học, Học Viện Công nghệ Bưu Chính Viễn Thông, nơi tôi làm việc và học tập trong những năm qua. Các Thầy Cô luôn tạo điều kiện để tôi hoàn thành tốt công việc của mình, và sự dạy dỗ của Quí thầy cô đã giúp tôi trưởng thành. Xin bày tỏ lời cảm ơn của tôi đến các chuyên gia về xử lý ngôn ngữ tự nhiên, dự án KC01.01/06-10, trung tâm từ điển VietLex đã hỗ trợ việc thu thập tài liệu và các góp ý hữu ích về ý tưởng và kỹ thuật phục vụ cho nghiên cứu của tôi. Cuối cùng, chân thành cảm ơn người thân, bạn bè luôn bên cạnh động viên, hỗ trợ về mặt tinh thần để tôi vượt qua khó khăn và hoàn thành tốt luận án. iii MỤC LỤC MỤC LỤC ....................................................................................................................iii DANH MỤC HÌNH VẼ ...............................................................................................vi DANH MỤC BẢNG ...................................................................................................vii DANH MỤC CỤM TỪ VIẾT TẮT ...........................................................................viii MỞ ĐẦU......................................................................................................... x Đặt vấn đề .......................................................................................................................... x Mục tiêu và phạm vi nghiên cứu của luận án .................................................................xiii Kết quả đạt được .............................................................................................................xiv Bố cục của luận án ........................................................................................................... xv CHƯƠNG 1. TỔNG QUAN VỀ KHO NGỮ LIỆU....................................... 1 1.1 Kho ngữ liệu văn bản............................................................................................. 1 1.2 Xây dựng, chuẩn hóa và khai thác kho ngữ liệu.................................................... 5 1.2.1 Thu thập kho ngữ liệu văn bản ...................................................................... 5 1.2.2 Chú giải ngôn ngữ và vấn đề chuẩn hóa ........................................................ 7 1.2.3 Khai thác kho ngữ liệu................................................................................... 9 1.3 Kho ngữ liệu tiếng Việt ....................................................................................... 13 1.3.1 Hiện trạng .................................................................................................... 13 1.3.2 Các vấn đề được nghiên cứu trong luận án.................................................. 13 1.4 Kết chương........................................................................................................... 17 CHƯƠNG 2. XÂY DỰNG KHO NGỮ LIỆU THÔ TỪ INTERNET......... 18 2.1 Giới thiệu ............................................................................................................. 18 2.2 Xây dựng kho ngữ liệu thô tiếng Việt ................................................................. 18 2.2.1 Lựa chọn danh sách từ hạt giống ................................................................. 19 2.2.2 Thu thập địa chỉ URL .................................................................................. 21 2.2.3 Lọc nội dung chính của các trang web (URLs) ........................................... 23 2.2.4 Phát hiện sự trùng lặp gần nhau................................................................... 28 2.2.5 Xây dựng công cụ và kết quả thu thập kho ngữ liệu ................................... 32 2.3 Kết chương........................................................................................................... 32 iv CHƯƠNG 3. CHUẨN HÓA MÔ HÌNH CHÚ GIẢI TIẾNG VIỆT............ 34 3.1 Giới thiệu ............................................................................................................. 34 3.2 Mô hình MAF của ISO/TC 37/SC 4.................................................................... 34 3.3 Mô hình SynAF của ISO/TC 37/SC 4 ................................................................. 36 3.4 Chuẩn hóa theo mô hình MAF cho tiếng Việt..................................................... 38 3.4.1 Xác định đơn vị cơ sở (segment) ................................................................. 41 3.4.2 Hình thái từ (Wordform).............................................................................. 41 3.4.3 Nội dung hình thái cú pháp.......................................................................... 42 3.5 Chuẩn hóa theo mô hình SynAF cho tiếng Việt .................................................. 42 3.6 Kết chương........................................................................................................... 50 CHƯƠNG 4. KHAI THÁC KHO NGỮ LIỆU THÔ CHO NGHIÊN CỨU TỪ VỰNG TIẾNG VIỆT .................................................................................... 51 4.1 Giới thiệu ............................................................................................................. 51 4.1.1 Nghiên cứu từ vựng ..................................................................................... 51 4.1.2 Sketch Engine .............................................................................................. 52 4.1.3 Ngữ liệu trong Sketch Engine...................................................................... 53 4.2 Xây dựng ngữ liệu tiếng Việt cho Sketch Engine................................................ 56 4.2.1 Tách từ và gán nhãn từ loại.......................................................................... 56 4.2.2 Xây dựng bộ quan hệ ngữ pháp tiếng Việt .................................................. 57 4.2.3 Triển khai hệ thống Sketch Engine cho tiếng Việt ...................................... 64 4.2.4 Đánh giá bộ quan hệ ngữ pháp tiếng Việt ................................................... 67 4.3 Kết chương........................................................................................................... 67 CHƯƠNG 5. KHAI THÁC KHO NGỮ LIỆU CÓ CHÚ GIẢI CHO PHÂN TÍCH CÚ PHÁP TIẾNG VIỆT .................................................................... 69 5.1 Giới thiệu ............................................................................................................. 69 5.2 Văn phạm hình thức............................................................................................. 70 5.2.1 Khái niệm chung về văn phạm .................................................................... 70 5.2.2 Văn phạm phi ngữ cảnh (Context Free Grammar - CFG) ........................... 72 5.2.3 Văn phạm kết nối cây (Tree Adjoining Grammar – TAG)..........................74 5.3 Trích rút tự động văn phạm CFG cho tiếng Việt ................................................. 77 v 5.3.1 Thuật toán trích rút từ VietTreebank ........................................................... 77 5.3.2 Phân tích cú pháp tiếng Việt với văn phạm PCFG ...................................... 86 5.3.3 Thử nghiệm và đánh giá .............................................................................. 89 5.3.4 Nhược điểm của văn phạm PCFG trong phân tích ngữ pháp ...................... 90 5.4 Trích rút tự động văn phạm LTAG cho tiếng Việt .............................................. 90 5.4.1 Thuật toán trích rút từ VietTreebank ........................................................... 90 5.4.2 Xây dựng thuật toán trích rút từ từ điển tiếng Việt.................................... 100 5.4.3 So sánh, đánh giá tập cây khởi tạo trích rút từ VietTreebank và từ điển... 105 5.5 Kết chương......................................................................................................... 107 KẾT LUẬN ................................................................................................. 109 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA NGHIÊN CỨU SINH LIÊN QUAN ĐẾN LUẬN ÁN............................................................................................ 112 TÀI LIỆU THAM KHẢO ......................................................................................... 113 PHỤ LỤC .................................................................................................................. 125 vi DANH MỤC HÌNH VẼ Hình 3. 1 Mô hình tổng quan của MAF [59] ....................................................................... 35 Hình 3. 2. Mô hình SynAF [60]........................................................................................... 38 Hình 4. 1 Danh sách tần suất và tính trội của các từ lân cận với tính từ “đẹp” ................... 65 Hình 4. 2. Phác thảo thông tin của 2 từ ”đẹp”, ”xinh”......................................................... 66 Hình 4. 3. Một số danh sách các từ có quan hệ ngữ pháp với tính từ “đẹp” ....................... 67 Hình 5. 1 Biểu diễn văn phạm G dưới dạng cây..................................................................73 Hình 5. 2. Phép thay thế....................................................................................................... 75 Hình 5. 3. Phép kết nối ........................................................................................................ 75 Hình 5. 4.Ví dụ về dẫn xuất với phép kết nối và phép thế trong văn phạm TAG ............... 76 Hình 5. 5. Xử lý các cụm từ bằng thuật toán 5.5 ................................................................. 94 Hình 5. 6. Ví dụ minh họa việc xây dựng cây phân tích ..................................................... 94 Hình 5. 7. Cây phân tích cú pháp......................................................................................... 95 Hình 5. 8. Cây phân tích của cây cú pháp trong hình 5.7 sau khi chèn thêm nút ................ 95 Hình 5. 9.Các mẫu cây cơ sở spine (ứng với quan hệ đối–vị từ) và phụ trợ (ứng với quan hệ phụ trợ hoặc đẳng lập) ......................................................................................................... 96 Hình 5. 10. Các cây cơ bản .................................................................................................. 97 Hình 5. 11. Ghép các nút liên kết, đường đi trung tâm được đánh dấu bởi nét đôi............. 98 Hình 5. 12. Số mẫu cây tăng dần theo kích thước của Treebank: ..................................... 100 Hình 5. 13. Sơ đồ so sánh tập cây cơ bản .......................................................................... 105 Hình 5. 14. Một cây cơ bản không hợp lệ......................................................................... 106 vii DANH MỤC BẢNG Bảng 1. 1. Thống kê các kho ngữ liệu đơn ngữ tiếng Việt .................................................. 13 Bảng 2. 1. Thống kê số URL thu được của thuật toán 2.1................................................... 21 Bảng 2. 2. Tỷ lệ văn bản và thẻ xuất hiện trong phần nội dung chính của một số trang web tin tức Việt Nam .................................................................................................................. 25 Bảng 2. 3. So sánh tỷ lệ “nội dung chính văn bản cần lấy/ toàn bộ nội dung văn bản trích rút được” .............................................................................................................................. 27 Bảng 2. 4. Kết quả thống kê thu thập tự động kho ngữ liệu từ web .................................... 32 Bảng 3. 1.Tập từ loại được đối sánh với danh mục phân loại dữ liệu chuẩn ISO 12620 .... 40 Bảng 3. 2. Tập nhãn cú pháp thành phần, nhãn phân loại câu được đối sánh với danh mục phân loại dữ liệu chuẩn ISO 12620 ..................................................................................... 44 Bảng 3. 3.Tập nhãn chức năng cú pháp đối sánh với danh mục phân loại dữ liệu chuẩn ISO 12620 ................................................................................................................................... 45 Bảng 5. 1. Quá trình trích rút luật theo thuật toán 5.1 ......................................................... 81 Bảng 5. 2.. Số các luật thu được .......................................................................................... 89 Bảng 5. 3.Bảng thành phần trung tâm cho treebank tiếng Việt ........................................... 92 Bảng 5. 4.. Danh sách các đối.............................................................................................. 93 Bảng 5. 5. .Ghép một số nhãn cú pháp của VietTreebank thành một.................................. 98 Bảng 5. 6. Hai văn phạm G1, G2 được trích rút từ VietTreebank..................................... 100 Bảng 5. 7. Thống kê bộ cây cơ bản Spin từ từ điển so sánh với cây cơ bản của VietTreebank ..................................................................................................................... 105 viii DANH MỤC CỤM TỪ VIẾT TẮT Cụm từ Cụm từ đầy đủ tiếng Anh Dich tiếng Việt viết tắt ANC The American National Corpus Kho ngữ liệu Quốc gia Mỹ API Application Programming Giao diện lập trình ứng dụng Interface BNC The British National Corpus Kho ngữ liệu Anh ngữ BTE Body Text Extraction Trích văn bản phần thân CES Copus Encoding Standard Tiêu chuẩn mã hóa kho ngữ liệu COCA The Copus of Contemporary Kho ngữ liệu Anh Mỹ hiện đại American English CRF Conditional Random Field Trường ngẫu nhiên có điều kiện HMM Hidden Markov Model Mô hình Markov ẩn HTML HyperText Markup Language Ngôn ngữ đánh dấu siêu văn bản I/O Input/Output Đầu vào/ đầu ra ISO International Organization for Tổ chức tiêu chuẩn hóa Quốc tế Standardization LAF Linguistic Annotation Khung chú giải ngôn ngữ học Framework LDC Linguistic Data Consortium Tổ chức dữ liệu ngôn ngữ học MAF Morphosyntactic Annotation Khung chú giải hình thái cú pháp Framewor MD5 Message Digest 5 Tóm tắt thông điệp MDFA Minimal deterministic finite state Otomat hữu hạn trạng thái tối automata thiểu MEM Maximum Entropy Model Mô hình Entropy cực đại NLP Natural Language Processing Xử lý ngôn ngữ tự nhiên ix POS Part-Of-Speech Từ loại SGML Standard Generalized Markup Ngôn ngữ đánh dấu tổng quát hóa Language chuẩn SynAF Syntactic Annotation Framework Mô hình chú giải cú pháp URL Uniform Resource Locator Định vị tài nguyên đồng nhất WFST Weighted Finit State Transducer Máy chuyển hữu hạn trạng thái có trọng số WWW Worl Wide Web Mạng toàn cầu XML eXtensible Markup Language Ngôn ngữ đánh dấu mở rộng CFG Context Free Grammar Văn phạm phi ngữ cảnh PCFG Probability Context Free Văn phạm phi ngữ cảnh kết hợp Grammar xác suất TAG Tree Adjoining Grammar Văn phạm kết nối cây LTAG Lexicalized Tree Adjoining Văn phạm kết nội cây từ vựng hóa Grammar CYK Cocke – Younger – Kasami Thuật toán CYK algorithm SSL Semi-supervised learning Học bán giám sát x MỞ ĐẦU Đặt vấn đề Những năm gần đây, xử lý ngôn ngữ tự nhiên (XLNNTN) 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, Web ngữ nghĩa, tóm tắt văn bản v.v. Các nghiên cứu và ứng dụng về xử lý ngôn ngữ trên thế giới đã có một lịch sử lâu dài và được chia thành các giai đoạn chính như sau [41]: Thời kỳ đầu tiên, bắt đầu từ những năm 1940-1950 mô hình ôtomat và các mô hình xác suất có ảnh hưởng sâu sắc đến xử lý ngôn ngữ. Giai đoạn tiếp theo (1957-1970) xử lý ngôn ngữ được chia thành hai nhánh tách biệt, nhánh hình thức tập trung vào các vấn đề thuộc lĩnh vực lý thuyết ngôn ngữ hình thức và trí tuệ nhân tạo; kiểu ngẫu nhiên sử dụng trong nhận dạng như các phương pháp Bayes. Giai đoạn 1970-1983 xuất hiện bốn trường phái xử lý ngôn ngữ chính, đó là sử dụng phương pháp ngẫu nhiên; dựa vào logic; hiểu ngôn ngữ tự nhiên; mô hình hóa diễn ngôn. Giai đoạn 1983-1993 việc huấn luyện các mô hình trạng thái hữu hạn, các mô hình xác suất dựa vào dữ liệu đã xuất hiện hầu hết trong các nhiệm vụ của xử lý ngôn ngữ. Từ những năm 1990 trở lại đây, mô hình thống kê dựa vào dữ liệu đã chứng tỏ tính vượt trội của mình trong các công việc của xử lý ngôn ngữ [98, 99]. Công nghệ xử lý văn bản và xử lý tiếng nói không còn cách biệt, công nghệ xử lý tiếng nói không chỉ dựa vào các kỹ thuật xử lý tín hiệu mà còn dựa vào cả việc hiểu ngôn ngữ. Tham số của mô hình thống kê hoặc mô hình trạng thái có thể huấn luyện từ các kho ngữ liệu lớn, nhiều mô hình gần đây được chứng tỏ có hiệu quả cao như Maximum Entropy Markov Model (MEMM), Conditional Random Fields (CRF) [70, 71] 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 lý văn bản tự động. Quá trình này thường được chia thành các mức cơ bản [41]: Mức xi ngữ âm; mức hình thái; mức cú pháp; mức ngữ nghĩa và mức ngữ dụng. Mức ngữ âm (phonetics and phonology). Nghiên cứu về cách phát âm, bản chất thanh điệu, ngôn điệu, ngữ điệu, trường độ âm tiết, độ nhấn, biến thanh… của các từ; Mức hình thái từ (morphology). Nhằm phân tích hình thái các từ vựng tạo nên văn bản, từ đó kiểm tra được tính đúng đắn của âm tiết và từ; Mức cú pháp (syntax). Mô tả quan hệ vai trò ngữ pháp của các từ, các cụm từ (hoặc ngữ) trong câu, từ đó xây dựng cấu trúc câu; Mức ngữ nghĩa (semantics). Mục đích của mức này là kiểm tra ý nghĩa của câu có mâu thuẫn với ý nghĩa cả đoạn hay không. Dựa trên mối liên hệ logic về nghĩa giữa các cụm từ trong câu và mối liên hệ giữa các câu trong đoạn, hệ thống sẽ xác định được một phần ý nghĩa của câu trong ngữ cảnh của cả đoạn; Mức ngữ dụng (pragmatics). Mục đích là phân tích để xác định ý nghĩa của câu dựa trên mối liên hệ của câu với hiện thực. Ý nghĩa thực tế của câu phụ thuộc rất nhiều vào ngữ cảnh diễn ra lời nói. Do vậy, quá trình phân tích này rất khó thực hiện được bằng máy tính. Thường thì việc phân tích câu chỉ dừng ở phân tích ngữ nghĩa, còn việc phân tích ngữ dụng do người dùng tự quyết định; Mức diễn ngôn (discourse). Phân tích về mặt diễn đạt và ngữ cảnh tình huống trong một đoạn phát ngôn. Để giải quyết các vấn đề trên, nhiều kho ngữ liệu lớn (corpora) đã được ra đời phục vụ cho việc huấn luyện các mô hình xử lý ngôn ngữ. Tuy nhiên, mỗi mức xử lý cần các kho ngữ liệu với những yêu cầu đặc trưng riêng, ví dụ, với mức hình thái từ thì cần có kho ngữ liệu huấn luyện (đã được chú giải hình thái) càng lớn càng tốt, kho ngữ liệu lớn sẽ cải thiện được độ chính xác mô tả thông tin ngôn ngữ, với mức cú pháp, đòi hỏi phải xây dựng được kho ngữ liệu đã được chú giải từ loại hoặc cú pháp. Hiện nay trên thế giới đã tồn tại nhiều kho ngữ liệu chuẩn. Nhiều kho ngữ liệu được xây dựng cho tiếng Anh tiêu biểu là BNC [37], ANC [58], Penn Treebank xii [79], WordNet [53] v.v. Các thứ tiếng Ấn-Âu khác cũng được nghiên cứu từ nhiều thập kỉ và nhiều kho ngữ liệu lớn đã được xây dựng làm cơ sở dữ liệu huấn luyện cho các mô hình học máy. Nhiều quốc gia ở châu Á hay trong khu vực đã đầu tư lớn cho nghiên cứu xử lý tiếng nói và ngôn ngữ của họ như là dự án từ điển điện tử của Nhật Bản EDR (1982-1992) [55]. Dự án dịch Anh-Hoa, Nhật-Hoa, vv. của Trung Quốc, dự án xây dựng Chinese Treebank [18], Wordnet đã hoàn thành cho tiếng Hoa với các chú giải ngữ pháp đầy đủ. Với tiếng Thái cũng có nhiều kho ngữ liệu mở đã được xây dựng [90]. Đây là những ngôn ngữ có những tương đồng với tiếng Việt và ta có thể học được nhiều từ thành bại của các kỹ thuật xử lý tiếng nói và ngôn ngữ cho hai thứ tiếng này để phục vụ cho việc xây dựng và khai thác kho ngữ liệu tiếng Việt. Đối với tiếng Việt, nhóm tác giả Hồ Tú Bảo & Lương Chi Mai [3] cho thấy vấn đề xử lý ngôn ngữ tự nhiên còn hạn chế, chủ yếu tập trung vào các sản phẩm cuối, ít nghiên cứu về cơ sở hạ tầng cho xử lý ngôn ngữ cũng như các công cụ và tài nguyên như từ điển máy tính, kho ngữ liệu…, những thứ mà cộng đồng quốc tế cho là không thể thiếu được cho xử lý ngôn ngữ. Đây chính là mục tiêu của đề tài nhà nước KC01/06-10 [100] về xử lý ngôn ngữ và tiếng nói Việt giai đoạn 2007-2009. Đề tài tập trung vào nghiên cứu và phát triển một số sản phẩm thiết yếu về xử lý tiếng nói và văn bản tiếng Việt. Trong đó, nhánh đề tài xử lý văn bản tập trung vào mức hình thái và mức cú pháp xây dựng một số sản phẩm thiết yếu cho xử lý văn bản tiếng Việt, như: Từ điển tiếng Việt dùng cho máy tính, kho ngữ liệu tiếng Việt, kho ngữ liệu câu tiếng Anh-Việt phổ quát-chuyên ngành, hệ phân đoạn từ tiếng Việt, hệ phân cụm từ tiếng Việt, hệ phân tích câu tiếng Việt. Phương pháp xây dựng kho ngữ liệu mà đề tài hướng tới là thủ công hoặc bán thủ công, kho ngữ liệu đã được chú giải ở mức từ loại và cú pháp, có kích thước hạn chế, chủ yếu là sử dụng làm dữ liệu huấn luyện cho các mô hình học máy có giám sát trong các công cụ xử lý ngôn ngữ. Để có thể sử dụng làm dữ liệu huấn luyện trong các mô hình bán giám sát và nghiên cứu ngôn ngữ Việt đòi hỏi phải xây dựng được các kho ngữ liệu tiếng Việt có kích thước lớn hơn rất nhiều, công việc này không thể thực hiện bằng xiii phương pháp thủ công vì như thế tốn rất nhiều thời gian và công sức, các kho ngữ liệu như thế cho tiếng Anh các thứ tiếng khác đã được xây dựng tự động từ Internet, chúng ta có thể học tập để xây dựng cho tiếng Việt. Hơn nữa, để dễ dàng sử dụng, mở rộng và đối sánh ngôn ngữ thì các kho ngữ liệu tiếng Việt cũng phải hướng tới vấn đề chuẩn hóa quốc tế. Song song với nỗ lực của đề tài này, luận án đã tập trung vào chủ đề xây dựng, chuẩn hóa và khai thác kho ngữ liệu từ nguồn Internet cho xử lý tiếng Việt. Mục tiêu và phạm vi nghiên cứu của luận án Như đã trình bày sơ bộ ở trên, việc hiểu tự động văn bản là một việc khó và phức tạp, chỉ có thể làm theo nhiều bước tuần tự, bước sau chỉ thực hiện được sau khi bước trước đã có kết quả. Chẳng hạn như các chương trình dịch tự động trên thế giới đã được theo đuổi hàng hơn chục năm và chặng đường đến đích cuối vẫn còn rất xa, nếu chúng ta muốn làm dịch tự động Anh-Việt, bắt buộc chúng ta đi qua các tầng của xử lý ngôn ngữ đã đề cập ở trên. Mục tiêu mà luận án nhắm đến là xây dựng và khai thác kho ngữ liệu tiếng Việt, cụ thể là: - Xây dựng kho ngữ liệu thô có kích thước lớn - 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. Để đạt được mục tiêu trên, phạm vi nghiên cứu của luận án tập trung vào các công việc thuộc mức hình thái từ và mức cú pháp trong phân tích và hiểu tự động văn bản, cụ thể là: - Nghiên cứu xây dựng kho ngữ liệu có kích thước lớn (kho ngữ liệu thô hoặc đã chú giải ngôn ngữ) từ Intermet thông qua các trang web. xiv - Nghiên cứu xây dựng và triển khai chuẩn hóa mô hình chú giải được phát triển bởi tiểu ban kỹ thuật ISO/TC 37/SC 4 [114] cho tiếng Việt phục vụ việc phân phối và trao đổi ngữ liệu. - Triển khai một hệ thống truy vấn kho ngữ liệu tiếng Việt để nghiên cứu ngữ cảnh và hành vi của mỗi từ phục vụ cho nghiên cứu từ vựng. Bên cạnh kho ngữ liệu có kích thước lớn, đã được chú giải (từ loại), công việc này còn đòi hỏi xây dựng bộ quan hệ ngữ pháp cơ bản tiếng Việt được biểu diễn thông qua ngôn ngữ truy vấn kho ngữ liệu. - Nghiên cứu và phát triển thuật toán trích rút tự động các luật văn phạm từ kho ngữ liệu đã chú giải cú pháp hoặc cung cấp thông tin 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). Kết quả đạt được Luận án đã đạt được các kết quả sau. 1. Phát triển thuật toán thu thập văn bản tiếng Việt từ web để xây dựng kho ngữ liệu. Xây dựng công cụ thu thập tự động kho ngữ liệu từ Internet có tên là Vncopus, triển khai thu thập kho ngữ liệu thô tiếng Việt từ Internet (100 triệu từ), công cụ này được công bố tại địa chỉ http://www.nitaco.edu.vn/science-tech/phanha/ 2. Xây dựng, triển khai các mô hình chuẩn hóa quốc tế về quản lý tài nguyên ngôn ngữ được phát triển bởi tiểu ban kỹ thuật ISO/TC 37/SC 4 cho tiếng Việt: Xây dựng mô hình chú giải mức hình thái-cú pháp (MAF- Morphosyntactic Annotation Framework) và mô hình chú giải mức cú pháp (SynAF-Syntactic Annotation Framework) cho tiếng Việt. 3. Xây dựng bộ quan hệ ngữ pháp cơ bản tiếng Việt (37 quan hệ ngữ pháp) cho hệ thống nghiên cứu từ vựng; Tích hợp kho ngữ liệu xây dựng từ Internet (kho ngữ liệu thô được gán nhãn từ loại bằng cách sử dụng công cụ sẵn có) cùng bộ quan hệ ngữ pháp cho nghiên cứu từ vựng tiếng xv Việt vào hệ thống nghiên cứu từ vựng Sketch Engine. Bảng đánh giá chi tiết của mỗi truy vấn tương đương với mỗi mẫu cú pháp cơ bản được liệt kê trong phụ lục 1; 4. Xây dựng thuật toán, hệ thống trích rút tự động các luật văn phạm phi ngữ cảnh kết hợp xác suất (PCFG) từ kho văn bản đã gán nhãn cú pháp VietTreebank. Đồng thời xây dựng hệ thống phân tích cú pháp các câu tiếng Việt theo phương pháp thống kê trên văn phạm PCFG, trong đó thuật toán phân tích cú pháp đã được cải tiến từ thuật toán PCYK của Martin. Hệ thống này được công bố tại địa chỉ http://www.nitaco.edu.vn/science-tech/phanha/. Tham gia triển khai thuật toán trích rút cây cơ bản của văn phạm kết nối cây (TAG) từ VietTreebank. Xây dựng và triển khai thuật toán trích rút cây cơ bản cho văn phạm TAG từ từ điển tiếng Việt. So sánh tập cây cơ bản trích rút từ VietTreebank và từ điển tiếng Việt để lọc ra các cây cơ bản không hợp lệ với cấu trúc ngữ pháp tiếng Việt và đánh giá độ tốt của VietTreebank cũng như từ điển. Bố cục của luận án Ngoài mở đầu và kết luận, luận án được chia thành năm chương. Chương 1. Tổng quan về kho ngữ liệu: Trình bày khái niệm về kho ngữ liệu; Giới thiệu một số kho ngữ liệu đã chú giải từ loại và cú pháp trên thế giới, phương pháp chung cho việc xây dựng các kho ngữ liệu này. Trình bày một số chuẩn hóa mô hình chú giải được phát triển bởi tiểu ban kỹ thuật ISO/TC 37/SC 4 [114]. Trên cơ sở đó xác định mục tiêu cho việc xây dựng và khai thác kho ngữ liệu từ Internet cho tiếng Việt. Chương 2. Xây dựng kho ngữ liệu thô từ Internet:Trong chương này trình bày cụ thể việc xây dựng kho ngữ liệu thô tiếng Việt từ Internet thông qua các trang Web. xvi Chương 3. Chuẩn hóa mô hình chú giải tiếng Việt: Nghiên cúu mô hình chú giải MAF và SynAF được phát triển bởi ISO/ TC 37/ SC 4, từ đó xây dựng và triển khai chuẩn hóa mô hình chú giải hình thái cú pháp (MAF) và chuẩn hóa mô hình chú giải cú pháp (VnSynAF) cho tiếng Việt. Chương 4. Khai thác kho ngữ liệu thô cho nghiên cứu từ vựng tiếng Việt: Nghiên cứu hệ thống truy vấn kho ngữ liệu có tên là Sketch Engine phục vụ cho nghiên cứu từ vựng, xây dựng ngữ liệu tiếng Việt cho hệ thống Sketch Engine. Chương 5. Khai thác kho ngữ liệu có chú giải cho phân tích cú pháp tiếng Việt: Trong chương này trình bày kiến thức cơ bản về văn phạm PCFG, LTAG. Trích rút tự động các luật văn phạm CFG cho tiếng Việt, trích rút tự động văn phạm LTAG cho tiếng Việt. Cuối cùng là phần kết luận và định hướng của luận án. Các chương luận án là tổng hợp nội dung các bài báo công bố các kết quả nghiên cứu được thực hiện trong luận án (chương 2 với bài báo (4, 6), chương 3 với bài báo (1), chương 4 với bài báo (4), chương 5 với bài báo (2, 3, 5)). 1 CHƯƠNG 1. TỔNG QUAN VỀ KHO NGỮ LIỆU 1.1 Kho ngữ liệu văn bản Kho ngữ liệu văn bản bao gồm một tập hợp lớn các văn bản, có thể được phân tích và xử lý phục vụ nhiều công việc của ngôn ngữ học tính toán. 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 ngữ pháp 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). Nội dung của các kho ngữ liệu được lấy từ nhiều lĩnh vực như kinh tế, xã hội, văn hóa, kỹ thuật v.v. Đa số, kho ngữ liệu có nguồn gốc từ tạp chí, báo, sách giáo khoa, báo điện tử, web….Những năm gần đây đã chứng tỏ Web là nguồn tài nguyên ngôn ngữ khổng lồ, việc thu thập dữ liệu Web lại có ưu điểm là cho phép cập nhật ngữ liệu thường xuyên, phát hiện những hiện tượng ngôn ngữ đa dạng và phong phú một cách khách quan hơn so với thu thập dữ liệu truyền thống. Phương pháp thu thập kho ngữ liệu từ web cho tiếng Anh và một số ngôn ngữ phổ biến khác đã được giới thiệu trong một số nghiên cứu [20, 24, 25, 88]. Mỗi kho ngữ liệu được xây dựng, định dạng theo tiêu chí riêng nhưng vẫn phải tuân thủ theo một số tiêu chuẩn chung. Chẳng hạn, xây dựng kho ngữ liệu cho việc nghiên cứu từ vựng và xây dựng từ điển thì kho ngữ liệu phải có kích thước càng lớn càng tốt. Để có thể sử dụng hữu ích trong lĩnh vực thống kê, các kho ngữ liệu văn bản phải được tách từ và chú giải ngôn ngữ ở các mức: mức từ loại (POS) mức cú pháp nông hoặc đầy đủ. Các kho ngữ liệu chú giải ở mức cú pháp còn được gọi là ngân hàng cây cú pháp (treebank). Treebank - kho văn bản mà trong đó mỗi câu được chú giải cấu trúc cú pháp, thông thường dưới dạng cấu trúc cây phân cấp, là nguồn tài nguyên rất hữu ích trong lĩnh vực xử lý ngôn ngữ tự nhiên. Treebank có nhiều ứng dụng quan trọng như đánh giá, kiểm định các công cụ xử lý ngôn ngữ tự động, các phần mềm dịch 2 máy, tóm tắt văn bản, các hệ thống hỏi đáp… Các hệ thống treebank [18] cho các thứ tiếng được nghiên cứu nhiều như Anh, Pháp, Hoa… đã được xây dựng từ lâu. Các treebank có thể được chú giải 2 dạng cấu trúc cú pháp, đó là cấu trúc phụ thuộc và cấu trúc thành phần. Các cây cú pháp thường được mã hóa theo hai cách. Cách thứ nhất đơn giản sử dụng cấu trúc dấu ngoặc, theo cách này mỗi thành phần cú pháp sẽ có một cặp dấu ngoặc bao quanh. Cách thứ hai là sử dụng lược đồ mã hóa XML (eXtended Markup Language). Cách này đã được nghiên cứu kỹ lưỡng và được áp dụng vào một số dự án về xử lý ngôn ngữ của Châu Âu [102]. Hiện nay trên thế giới có rất nhiều kho ngữ liệu được chia sẻ miễn phí cho cộng đồng nghiên cứu. Dưới đây sẽ liệt kê một số kho ngữ liệu tiêu biểu. Kho ngữ liệu Anh Mỹ (Brown Copus) Kho ngữ liệu Brown cho tiếng Anh Mỹ (Brown Corpus) [97] là kho ngữ liệu văn bản đã được Henry Kucera và W. Nelson Francis biên soạn vào những năm 1960. Kho văn bản này chứa 500 văn bản tiếng Anh, biên soạn từ các tác phẩm xuất bản tại Hoa Kỳ năm 1961, tổng cộng 1.014.312 từ, được chú giải ở mức từ loại. Kho ngữ liệu tiếng Anh (BNC - The British National Corpus) Kho ngữ liệu này [103] có khoảng 100 triệu từ của ngôn ngữ nói và viết được lấy từ nhiều nguồn dữ liệu khác nhau, trong đó kho ngữ liệu viết chiếm 90 % đã được gán nhãn từ loại được trích rút từ báo chí nội địa và Quốc gia, tạp chí dành cho mọi lứa tuổi, sách giáo khoa….Kho ngữ liệu này bắt đầu được xây dựng từ năm 1991 và hoàn thành năm 1994, sau đó thì không có văn bản nào được thêm vào kho ngữ liệu trong dự án này này nhưng kho ngữ liệu này đã được chỉnh sửa thành một phiên bản thứ hai là BNC Wold (2001) và phiên bản thứ ba BNC XML Edition (2007). Kho ngữ liệu quốc gia Mỹ (ANC - The American National Corpus) Kho ngữ liệu này [104] hiện có 22 triệu từ thuộc ngôn ngữ viết và nói, được chú giải ở mức từ loại, cú pháp nông, và các chú giải tên thực thể… khung chú giải 3 ngôn ngữ của kho ngữ liệu được cung cấp theo các tiêu chuẩn thiết lập bởi tiểu ban kỹ thuật ISO/TC 37/SC4, sử dụng định dạng XML phù hợp với tiêu chuẩn mã hoá kho ngữ liệu XML (XML Corpus Encoding Standard -XCES) [105], hiện nay có khoảng 15 triệu từ đã được định dạng GrAF (Graph Annotation Fortmat) Hiện tại dự án xây dựng ANC đang tiếp tục được mở rộng thêm, mục đích là tạo ra một bộ sưu tập điện tử khổng lồ toàn diện nhất của tiếng Anh Mỹ, sẽ là nguồn tài nguyên hữu ích phục vụ cho giáo dục, cho nghiên cứu ngôn ngữ và phát triển công nghệ. Kho ngữ liệu bao gồm văn bản của tất cả các thể loại và bảng dịch của dữ liệu nói được sản xuất từ năm 1990 trở đi. Kho ngữ liệu Anh Mỹ hiện đại (COCA - The Copus of Contemporary American English) Kho ngữ liệu hiện đại COCA [106] là kho ngữ liệu lớn nhất cho tiếng Anh Mỹ, có khoảng hơn 425 triệu từ và dữ liệu được lấy đều từ các nguồn tiểu thuyết, nói, các tạp chí nổi tiếng, báo chí, và các văn bản học thuật, được xây dựng từ năm 1990-2011, kho ngữ liệu được cập nhật một đến hai lần trong một năm (các văn bản gần đây nhất là từ tháng 3 năm 2012), mỗi năm lấy khoảng 20 triệu từ. Do cách cập nhật, thiết lập dữ liệu, đây có lẽ là kho ngữ liệu tiếng Anh phù hợp để nhìn vào hiện tại, thay đổi đang diễn ra trong ngôn ngữ. Ngân hàng cây cú pháp PENN Kho ngữ liệu này [18] được xây dựng trong 8 năm (1989-1996), có khoảng 7 triệu từ đã được gán nhãn từ loại, 3 triệu từ đã được phân tích cú pháp cơ bản, trên 2 triệu từ của văn bản đã phân tích cú pháp cho cấu trúc đối vị từ, 1.6 triệu từ là dữ liệu tiếng nói (phiên âm). Dữ liệu văn bản định dạng dưới dạng đặt ngoặc, mỗi câu trong kho ngữ liệu sẽ được đặt ngoặc - mỗi thành phần cú pháp sẽ có một cặp dấu ngoặc bao quanh, ngay sau dấu ngoặc đầu tiên là ký hiệu ngữ pháp và các thuộc tính (nếu có), tiếp theo là danh sách các thành phần cú pháp con. Kho văn bản này được lấy từ các nguồn sách máy tính của IBM, tạp chí tài chính phố Wall, các cuộc đàm thoại .v.v. 4 Ngân hàng cây cú pháp TIGER tiếng Đức Kho ngữ liệu Tiger (Tiger Treebank, phiên bản 2.1) [101] có khoảng 900,000 từ (50,000 câu) được lấy từ báo Frankfurter Rundschau của tiếng Đức. Kho ngữ liệu này đã được gán nhãn từ loại và chú giải cú pháp cho các câu, việc chú giải được thực hiện bán tự động. Ngoài các nhãn từ loại và nhãn cấu trúc cú pháp, kho ngữ liệu còn chứa các các thông tin về hình thái, từ nguyên thể cho các nút từ vựng. Ngân hàng cây cú pháp tiếng Trung (Chinese Treebank) Kho ngữ liệu tiếng Trung (Chinese Treebank 7.0) [107] được công bố qua Tổ chức dữ liệu ngôn ngữ (LDC- Linguistic Data Consortium ) bao gồm khoảng 1 triệu từ đã được chú giải cú pháp. Chinese Treebank được bắt đầu tại Đại học Pennsylvania vào năm 1998, sau đó tiếp tục ở Đại học Colorado và là hiện đang được phát triển tại Đại học Brandeis. Mục tiêu của dự án là cung cấp một kho ngữ liệu lớn được chú giải từ loại và đặt ngoặc toàn bộ. Một số kho ngữ liệu song ngữ Kho ngữ liệu song ngữ song song do dự án EuroMatrix (tham khảo tại địa chỉ http://www.euromatrix.net/) xây dựng gồm các cặp ngôn ngữ khác nhau được lấy nguồn từ các kỷ yếu của Quốc hội Châu Âu từ năm 1996–2006. Kho ngữ liệu này gồm 9 cặp ngôn ngữ khác nhau; Kho ngữ liệu song ngữ song song Anh - Pháp (Canadian Hansard) của hiệp hội dữ liệu ngôn ngữ học (LDC), kho ngữ liệu này gồm 2.8 triệu cặp câu [109]. Dữ liệu văn bản thuần chủ yếu được lấy từ trang web của Quốc hội Canada [110]; Kho ngữ liệu WaCky (Web as Corpus kool ynitiative) Đây là kho ngữ liệu lớn [129], trong đó có 3 kho ngữ liệu của tiếng Anh (ukWaC), tiếng Đức (deWaC) và tiếng Ý (itWaC). Các kho ngữ liệu này được phát triển từ năm 2005 cho đến năm 2007, mỗi kho ngữ liệu có khoảng hơn 1 tỷ từ đã được chú giải từ loại và được thu thập từ Internet thông qua các trang web. Tóm lại, trên thế giới đã tồn tại rất nhiều kho ngữ liệu cho các thứ tiếng khác nhau, đây chính là nguồn dữ liệu không thể thiếu được trong việc nghiên cứu và