ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG DƢƠNG THỊ HÀ XỬ LÍ BÀI TOÁN THÊM DẤU CHO TIẾNG VIỆT KHÔNG DẤU DỰA TRÊN NGHIÊN CỨU MÔ HÌNH NGÔN NGỮ N_GRAM CHUYÊN NGHÀNH: KHOA HỌC MÁY TÍNH Học viên thực hiện: Dƣơng Thị Hà Lớp: K9B Giáo viên hƣớng dẫn: TS. Vũ Tất Thắng 2012 i LỜI CAM ĐOAN Tôi xin cam đoan, toàn bộ nội dung liên quan tới đề tài được trình bày trong luận văn là bản thân tôi tự tìm hiểu và nghiên cứu, dưới sự hướng dẫn khoa học của TS. Vũ Tất Thắng Viện công nghệ thông tin thuộc Viện Khoa học và Công nghệ Việt Nam. Các tài liệu, số liệu tham khảo được trích dẫn đầy đủ nguồn gốc. Thái Nguyên, ngày 20 tháng 9 năm 2012 Học viên Dương Thị Hà ii LỜI CẢM ƠN Trước tiên, tôi xin gửi lời cảm ơn tới trường Đại học CNTT&TT – Đại học Thái Nguyên đã tạo điều kiện và tổ chức khóa học này để tôi có thể có điều kiện tiếp thu kiến thức mới và có thời gian để hoàn thành Luận văn Cao học này. Tôi xin được cảm ơn TS.Vũ Tất Thắng, người đã tận tình chỉ dẫn tôi trong suốt quá trình xây dựng đề cương và hoàn thành luận văn. Tôi xin chân thành cảm ơn các thày cô đã truyền đạt cho chúng tôi những kiến thức quý báu trong quá trình học Cao học và làm Luận văn. Tôi chân thành cảm ơn các bạn bè, anh chị em trong lớp cao học K9 đã giúp đỡ, đóng góp ý kiến chia sẽ những kinh nghiệm học tập, nghiên cứu trong suốt khóa học. Cuối cùng tôi kính gửi thành quả này đến gia đình và người thân của tôi, những người đã hết lòng chăm sóc, dạy bảo và động viên tôi để tôi có kết quả ngày hôm nay. Mặc dù tôi đã cố gắng hoàn thành Luận văn trong phạm vi và khả năng cho phép nhưng chắc chắn không tránh khỏi những thiếu sót. Xin kính mong nhận được sự cảm thông và tận tình chỉ bảo của qu ý Thầy Cô và các bạn. Thái Nguyên, ngày 20 tháng 9 năm 2012 Học viên Dương Thị Hà iii DANH MỤC HÌNH Trang Hình 3.1 Quy trình tách từ 36 Hình 3.2 Số lượng các cụm N-gram với âm tiết khi tăng kích thước dữ liệu 46 Hình 3.3 Số lượng các cụm N-gram với từ khi tăng kích thước dữ liệu 47 Hình 3.4 Lưu đồ thực hiện của mô hình đề xuất 53 Hình 3.5 Mô hình tổng quát 54 iv DANH MỤC BẢNG Trang Bảng 3.1 Số lượng các cụm N-gram trong văn bản huấn luyện với âm tiết 46 Bảng 3.2 Số lượng các cụm N-gram trong văn bản huấn luyện với từ 47 Bảng 3.3 Độ hỗn loạn thông tin của các phương pháp làm mịn cho âm tiết 48 Bảng 3.4 Độ hỗn loạn thông tin của các phương pháp làm mịn cho từ 49 v MỤC LỤC Trang LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC HÌNH iii DANH MỤC BẢNG iv MỤC LỤC v MỞ ĐẦU 1 CHƯƠNG 1 TỔNG QUAN VỀ CÁC MÔ HÌNH NGÔN NGỮ VÀ CÁC ỨNG DỤNG TRONG LĨNH VỰC XỬ LÍ NGÔN NGỮ TỰ NHIÊN 5 1.1 MÔ HÌNH NGÔN NGỮ (LANGUAGE MODEL - LM). 5 1.2 MÔ HÌNH NGÔN NGỮ VĂN PHẠM. 6 1.2.1 Từ vựng tiếng Việt 6 1.2.2 Tiếng – đơn vị cấu tạo lên từ 7 1.2.2.1 Khái niệm 7 1.2.2.2 Phân loại 7 1.2.2.3 Mô hình tiếng trong tiếng Việt và các thành tố của nó 8 1.2.3 Cấu tạo từ. 9 1.2.3.1 Từ đơn 9 1.2.3.2 Từ ghép. 9 1.2.3.3 Từ láy. 9 1.3 CÁC MÔ HÌNH NGÔN NGỮ KHÁC DỰA TRÊN KHÁI NIỆM 11 1.4 MÔ HÌNH NGÔN NGỮ N-GRAM. 12 1.4.1 Khái quát. 12 1.4.2 Công thức tính “xác suất thô”. 15 1.4.3 Những vấn đề khó khăn khi xây dựng mô hình ngôn ngữ N-gram. 16 1.4.3.1 Phân bố không đều. 16 1.4.3.2 Kích thước bộ nhớ của mô hình ngôn ngữ. 16 CHƯƠNG 2MÔ HÌNH NGÔN NGỮ N-GRAM 17 2.1 CÁC KĨ THUẬT LÀM MỊN HÓA SỰ PHÂN BỐ XÁC SUẤT TRONG MÔ HÌNH N-GRAM ĐỂ TĂNG CHẤT CHẤT LƯỢNG CỦA MÔ HÌNH 17 2.1.1 Các thuật toán chiết khấu (Discounting). 18 vi 2.1.1.1 Kĩ thuật làm mịn theo thuật toán Add-one. 18 2.1.1.2 Kĩ thuật làm mịn theo thuật toán Witten-Bell. 20 2.1.1.3 Kĩ thuật làm mịn theo thuật toán Good-Turing. 21 2.1.2 Kĩ thuật truy hồi (Back-0ff). 21 2.1.3 Kĩ thuật nội suy (Interpolation) 23 2.1.4 Kĩ thuật làm mịn Kneser-Ney. 24 2.1.5 Kĩ thuật làm mịn Chen-Goodman. 25 2.2 CÁC KĨ THUẬT LÀM GIẢM KÍCH THƯỚC MÔ HÌNH 26 2.2.1 Pruning (loại bỏ) 26 2.2.1.1 Cắt bỏ (cut-off) 27 2.2.1.2 Sự khác biệt trọng số (Weighted difference) 28 2.2.2 Đồng hóa (Quantization) 29 2.2.3 Nén (Compression) 30 2.3 CÁC ĐỘ ĐO ĐỂ ĐÁNH GIÁ CHẤT LƯỢNG CỦA MÔ HÌNH N- GRAM 30 2.3.1 Entropy – Độ đo thông tin 30 2.3.2 Perplexity – Độ hỗn loạn thông tin 32 2.3.3 Error rate – Tỉ lệ lỗi. 32 CHƯƠNG 3XÂY DỰNG N-GRAM CHO TIẾNG VIỆT VÀ ỨNG DỤNG TRONG BÀI TOÁN THÊM DẤU CHO TIẾNG VIỆT. 34 3.1 CÔNG CỤ XỬ LÍ MÔ HÌNH 34 3.1.1 Bộ công cụ SRILM 34 3.1.2 Bộ công cụ trợ giúp xây dựng tập văn bản huấn luyện 34 3.2 CÔNG CỤ XỬ LÍ VĂN BẢN TIẾNG VIỆT 35 3.2.1 Công cụ tách từ cho tiếng Việt – vnTokenize 35 3.2.2 Phương pháp tách câu, tách từ, gán nhãn từ loại và phân tích cú pháp 37 3.2.2.1 Tách câu. 37 3.2.2.2 Tách từ. 40 3.2.2.3 Gán nhãn từ loại. 42 3.2.2.4 Phân tích cú pháp 44 3.3 DỮ LIỆU THỰC NGHIỆM 45 3.3.1 Số lượng các cụm N-gram với tiếng Việt dựa trên âm tiết 46 3.3.2 Số lượng các cụm N-gram với tiếng Việt dựa trên từ 47 vii 3.4 ĐÁNH GIÁ CHẤT LƯỢNG N-GRAM CHO TIẾNG VIỆT TƯƠNG ỨNG CÁC KĨ THUẬT TRONG CHƯƠNG 2 48 3.4.1.Với âm tiết 48 3.4.2.Với từ 49 3.5 N-GRAM VÀ ỨNG DỤNG ĐỂ THÊM DẤU CHO TIẾNG VIỆT KHÔNG DẤU. 50 3.5.1. Bài toán thêm dấu tiếng Việt 50 3.5.1.1. Phát biểu bài toán 50 3.5.1.2. Đặc điểm 50 3.5.1.3. Hướng giải quyết: 51 3.5.2 Các hệ thống thêm dấu ứng dụng về N-gram đã có 51 3.5.2.1 VietPad 51 3.5.2.2 VnMark – Mô hình thêm dấu tiếng Việt. 51 3.5.3 Đề xuất hệ thống 53 3.5.3.1 Mô hình 53 3.5.3.2. Mô hình huấn luyện 60 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 61 TÀI LIỆU THAM KHẢO 63 1 MỞ ĐẦU 1. Lí do chọn đề tài Ngôn ngữ tự nhiên là ngôn ngữ được con người sử dụng trong giao tiếp hàng ngày, nó khác hẳn với ngôn ngữ nhân tạo (ngôn ngữ lập trình, ngôn ngữ máy…). Việc làm cho máy tính hiểu được ngôn ngữ tự nhiên không phải dễ dàng. Để hiểu đúng nội dung của một văn bản viết bằng ngôn ngữ tự nhiên, trong quá trình đọc hay nghe thì thực tế là ta đã nhận thức được ngữ cảnh của văn bản đó. Mặt khác, ngôn ngữ tự nhiên có các bộ luật, cấu trúc ngữ pháp phong phú hơn nhiều so với các ngôn ngữ máy tính, để có thể xây dựng một bộ luật về ngữ pháp, từ vựng…, thật hoàn chỉnh để máy có thể hiểu ngôn ngữ tự nhiên là một việc rất tốn công sức và đòi hỏi người thực hiện phải có hiểu biết sâu sắc về ngôn ngữ học. Mô hình ngôn ngữ (Language Model – LM) có thể cho biết xác suất một câu (hoặc cụm từ) thuộc một ngôn ngữ có xác suất sinh ra là bao nhiêu hay nói cách khác thì LM phản ánh một phân bố xác suất của các từ, cụm từ trên các tập văn bản. Đòi hỏi tiên quyết, để máy tính xử lí ngôn ngữ tự nhiên chính là việc xây dựng mô hình ngôn ngữ, mà ngày nay mô hình thống kê thường được sử dụng bởi nó dựa trên các lí thuyết tường minh của xác suất thống kê để mô hình hóa ngôn ngữ, và thường đạt được độ chính xác cao trong các hệ thống thực tế. Xử lí ngôn ngữ tự nhiên dựa trên thống kê, không nhắm tới việc con người xây dựng mô hình ngữ pháp mà lập chương trình cho máy tính có thể “học” , nhờ vào việc thống kê các từ và cụm từ có trong văn bản. Trong các mô hình ngôn ngữ tiếng nói thì N-gram là một trong số những mô hình được sử dụng rộng rãi nhất. 2 Mô hình ngôn ngữ là một bộ phận quan trọng của lĩnh vực xử lí ngôn ngữ tự nhiên. Có nhiều lĩnh vực trong xử lí ngôn ngữ tự nhiên sử dụng LM như: kiểm lỗi chính tả, phát sinh câu ngẫu nhiên, dịch máy hay phân đoạn từ… Trên thế giới, đã có rất nhiều nước công bố nghiên cứu về LM áp dụng cho ngôn ngữ của họ nhưng ở Việt Nam, việc nghiên cứu và xây dựng một LM chuẩn cho tiếng Việt vẫn còn mới mẻ và gặp nhiều khó khăn. Trong thực tế, sử dụng tiếng Việt không dấu đang trở thành thói quen không tốt của nhiều người Việt Nam trên Internet. Vì để gõ tiếng Việt có dấu đòi hỏi phải mất công sức, phải có font chữ, bộ gõ. Việc tự động thêm dấu và phân tích các từ này là vấn đề cần thiết và thú vị. Chính điều này đã thúc đẩy tôi lựa chọn và tập trung “Nghiên cứu mô hình ngôn ngữ N-gram và ứng dụng thêm dấu cho tiếng Việt không dấu”, để có thể tạo ra một trong những kết quả cơ bản nhất về xử lí ngôn ngữ nói chung, và có ích cho việc xử lí ngôn ngữ tiếng Việt vốn vô cùng phong phú của chúng ta nói riêng. Ứng dụng của phương pháp thêm dấu là khá nhiều như: Thêm dấu cho các mail; cho các quản trị web, các trang web yêu cầu viết tiếng Việt nhưng người dùng không có sẵn bộ gõ; thêm dấu cho tin nhắn điện thoại… 2. Mục tiêu và nhiệm vụ a) Mục tiêu: Do phạm vi bài toán khá lớn và thời gian làm luận văn là có giới hạn nên mục tiêu nghiên cứu của luận văn tập trung ở các điểm sau: Về học thuật: Đề tài này tập trung vào việc ứng dụng một số phương pháp tách từ, tiếng, phương pháp làm mịn trong mô hình ngôn ngữ N-gram nhằm tăng hiệu quả thêm dấu cho tiếng Việt không dấu. Về phát triển và triển khai ứng dụng: Kết quả của đề tài sẽ ứng dụng trong việc hỗ trợ trong việc thêm dấu cho tiếng Việt không dấu. [...]... hình ngôn ngữ khác dựa trên khái niệm 1.4 Mô hình ngôn ngữ N-gram Chương 2: Mô hình ngôn ngữ N-gram 2.1 Các kĩ thuật làm mịn hóa sự phân bố xác suất trong mô hình N-gram để tăng chất lượng của mô hình 2.2 Các kĩ thuật làm giảm kích thước mô hình 2.3 Các độ đo để đánh giá chất lượng của mô hình N-gram Chương 3: Xây dựng N-gram cho tiếng Việt và ứng dụng trong bài toán thêm dấu cho tiếng Việt không dấu. .. hiểu biết sâu sắc về ngôn ngữ học 1.1 MÔ HÌNH NGÔN NGỮ (LANGUAGE MODEL - LM) Mô hình ngôn ngữ là một phân bố xác suất trên các tập văn bản [2] Hay đơn giản, mô hình ngôn ngữ có thể cho biết xác suất của một câu (hoặc cụm từ) của một ngôn ngữ là bao nhiêu Ví dụ 1.1: Áp dụng mô hình ngôn ngữ cho tiếng Việt: P[“Hôm nay là thứ năm”] = 0.001 P[“là năm hôm thứ nay”] = 0 Mô hình ngôn ngữ được áp dụng trong... dụng mô hình ngôn ngữ N-gram cho văn bản tiếng Việt không dấu Ngoài ra, luận văn còn sử dụng một số phương pháp tiếp cận hệ thống, phương pháp chuyên gia và phương pháp thống kê và mô hình hóa 4 Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu: Nghiên cứu về mô hình ngôn ngữ N-gram, và các kỹ thuật liên quan tới việc làm trơn hóa phân bố xác suất của mô hình - Phạm vi nghiên cứu: Nghiên cứu về mô. .. mô hình ngôn ngữ N-gram, và ứng dụng trong bài toán thêm dấu cho tiếng Việt không dấu sử dụng mô hình ngôn ngữ N-gram 5 Ý nghĩa khoa học của luận văn a) Ý nghĩa khoa học: - Trình bày các kiến thức toán học cơ bản về mô hình ngôn ngữ N-gram, lý thuyết độ phức tạp của thuật toán - Trình bày các phương pháp làm mịn trong mô hình N-gram b) Ý nghĩa thực tiễn: - Cài đặt hoàn chỉnh cho chương trình thêm dấu. .. Công cụ xử lí mô hình 3.2 Công cụ xử lí văn bản tiếng Việt 3.3 Dữ liệu thực nghiệm 3.4 Đánh giá chất lượng N-gram cho tiếng Việt tương ứng với kĩ thuật trong chương 2 3.5 N-gram và ứng dụng để thêm dấu cho tiếng Việt không dấu Kết luận và hướng phát triển của đề tài 5 CHƯƠNG 1 TỔNG QUAN VỀ CÁC MÔ HÌNH NGÔN NGỮ VÀ CÁC ỨNG DỤNG TRONG LĨNH VỰC XỬ LÍ NGÔN NGỮ TỰ NHIÊN Ngôn ngữ tự nhiên là ngôn ngữ được... nhiều lĩnh vực của xử lí ngôn ngữ tự nhiên như: kiểm lỗi chính tả, dịch máy hay phân đoạn từ… Chính vì vậy, nghiên cứu mô hình ngôn ngữ chính là tiền đề để nghiên cứu các lĩnh vực khác 6 Mô hình ngôn ngữ có nhiều hướng tiếp cận nhưng chủ yếu được xây dựng theo mô hình N-gram 1.2 MÔ HÌNH NGÔN NGỮ VĂN PHẠM * Các cấp độ trong ngôn ngữ: - Âm vị: Đơn vị âm thanh nhỏ nhất để cấu tạo nên ngôn ngữ và khu biệt... dấu cho tiếng Việt không dấu - Đối sánh kết quả với các phần mềm tương tự đã có 4 6 Bố cục của luận văn Mở đầu 1 Lí do chọn đề tài 2 Mục tiêu và nhiệm vụ 3 Phương pháp nghiên cứu 4 Đối tượng và phạm vi nghiên cứu 5 Ý nghĩa khoa học của luận văn Chương 1: Tổng quan về các mô hình ngôn ngữ và các ứng dụng trong lĩnh vực xử lí ngôn ngữ tự nhiên 1.1 Mô hình LM 1.2 Mô hình ngôn ngữ văn phạm 1.3 Các mô hình. .. vụ: - Nghiên cứu các vấn đề khi xây dựng mô hình ngôn ngữ N-gram - Nghiên cứu các phương pháp làm mịn trong mô hình ngôn ngữ N-gram - Nghiên cứu các kỹ thuật làm giảm kích thước dữ liệu 3 Phương pháp nghiên cứu - Tìm hiểu N-gram thông qua tài liệu - Tìm hiểu phương pháp xác định ngôn ngữ văn bản thực tế được các chương trình thêm dấu tự động sử dụng - Đối sánh kết quả với các phương pháp thêm dấu tự... Để xây dựng mô hình ngôn ngữ hiệu quả, chúng ta phải giảm kích thước của mô hình ngôn ngữ mà vẫn đảm bảo độ chính xác, điều này được làm rõ trong phần 2.3 17 CHƯƠNG 2 MÔ HÌNH NGÔN NGỮ N-GRAM 2.1 CÁC KĨ THUẬT LÀM MỊN HÓA SỰ PHÂN BỐ XÁC SUẤT TRONG MÔ HÌNH N-GRAM ĐỂ TĂNG CHẤT CHẤT LƯỢNG CỦA MÔ HÌNH Do hoàn toàn dựa vào ngữ liệu huấn luyện, mô hình N-gram có một nhược điểm, đó là khi ngữ liệu không đủ sự... thức trên, ta có thể xây dựng mô hình ngôn ngữ dựa trên việc thống kê các cụm có ít hơn n+1 từ Các mô hình ngôn ngữ N-gram được hình dung qua ví dụ sau: Ví dụ 1.2: Giả sử cần tính xác suất của P(bạn|học thày không tày học bạn)  Mô hình 1-gram (unigram): Tính xác suất của 1 từ mà không phụ thuộc vào từ trước nó, tức là không có ngữ cảnh P=P(bạn)  Mô hình 2-gram (bigram): Tính xác suất của 1 từ dựa . ng n ngữ tự nhi n 1.1 Mô hình LM. 1.2 Mô hình ng n ngữ v n phạm. 1.3 Các mô hình ng n ngữ khác dựa tr n khái niệm. 1.4 Mô hình ng n ngữ N- gram. Chương 2: Mô hình ng n ngữ N- gram 2.1 Các. THÁI NGUY N TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUY N THÔNG DƢƠNG THỊ HÀ XỬ LÍ BÀI TO N THÊM DẤU CHO TIẾNG VIỆT KHÔNG DẤU DỰA TR N NGHI N CỨU MÔ HÌNH NG N NGỮ N_ GRAM CHUY N NGHÀNH:. QUAN VỀ CÁC MÔ HÌNH NG N NGỮ VÀ CÁC ỨNG DỤNG TRONG LĨNH VỰC XỬ LÍ NG N NGỮ TỰ NHI N Ng n ngữ tự nhi n là ng n ngữ được con người dùng trong các hoạt động giao tiếp hàng ngày như nghe, n i,