1 XÂY DNG CÔNG C KIM TRA CHÍNH T TING VIT TRONG MÔI TRNG MICROSOFT WINDOWS DESIGN A TOOL KIT TO CHECK THE SPELLING OF VIETNAMESE TEXT IN MICROSOFT WINDOWS Phan Huy Khánh E-mail: PhanHuyKhanh@dng.vnn.vn Tóm tt⎯Bài báo này trình bày gii pháp thit k mt công c gi là VitTools cho phép kim tra chính t ting Vit bng cách xây dng mt c s d liu t vng trên mã VIQR. VitTools đc m rng thành công c vn nng đ có th chuyn mã vn bn, sp xp, tra cu t đin ting Vit hoc t đin đa ng, x lý ngôn ng t nhiên. T khoá⎯c s d liu, mã, chuyn mã, mã trc, phông ch, ting Vit, chính t, t đin, x lý vn bn. I t vn đ Hin nay, hu nh mi công vn, giy t giao dch thng ngày đu đc to ra và in n bng máy vi tính. Mt trong nhng phn mm “vn phòng” đc s dng tng đi thông dng là trình son tho vn bn Microsoft Word (gi tt là WinWord). Có th nói vic ch bn, in n t đng đã làm vn bn đc trình bày đp hn, ni dung phong phú hn và do vy, cht lng hiu qu công vic cng đc tng lên. Tuy nhiên, vic son tho các vn bn ting Vit vn còn đt ra nhng vn đ cha đc gii quyt tt, trong đó có vn đ tìm và khc phc các li chính t. Nguyên nhân là vic s dng máy vi tính tng đi ph cp, s bn rn và phc tp ca cuc sng nên con ngi có ít thi gian, các phn mm hin nay hu nh ch làm vic vi ting Anh . Nhng li chính t hay gp nht là : − B du thanh sai, vit sai do cách phát âm sai t vùng này qua vùng khác, ví d nghip gõ thành ngip, s gõ thành x, ngõ gõ thành ng trong ngõ ph, ngõ hm . − t du câu sai, hay gp là các du phy (,), du chm (.), du chm lng ( .) v.v . không có du cách phía sau mà li có du cách phía trc, ví d gà, bò, heo . li gõ thành gà ,bò ,heo . − Không theo chun hoá chính t, s dng nhiu t mt cách tu tin không nht quán ngay trong cùng mt vn bn, ví d gy mà không phi gãy, màu (sc) thay cho mu (nhim), gi thay cho gi, v.v . Nh đã bit, chính t ting Vit là mt vn đ luôn luôn đc nhi u ngi quan tâm, bi vì tính thng nht ca ngôn ng đc th hin  tính thng nht v chính t. T hàng th k nay, ting Vit luôn đi mi và phát trin cùng vi vn hoá, xã hi, kinh t và giao lu quc t.  có th s dng đúng đn cng nh góp phn làm phong phú ting Vit, vic chun hoá và thng nht chính t rõ ràng là mt vn đ có tính thi s. Nh vy, vn đ đt ra là làm sao có th khc phc các li chính t ting Vit khi son tho vn bn trên máy vi tính ? Do trình son tho vn bn Winword ch có chc nng phát hin và sa li chính t (check and correct spelling) áp dng đc cho ting Anh, hin nay đã có nhng gii pháp đ áp dng cho ting Vit. Ví d trình VietSpell Checker (ca Trung tâm Tin hc, HKH tp.HCM), VitKey (ca ng Minh Tun), các phông ch VNI tân k, ABC . Bài báo này trình bày mt gii pháp tng quát và có tính m đ xây dng mt công c, đc gi là VitTools, có chc nng phát hin - sa li chính t và các chc nng x lý ting Vit khác nh : − Chuyn đi các vn bn ting Vit son tho trên mt h phông ch bt k sang mt h phông ch bt k khác. − Sp xp vn bn ting Vit theo th t ABC không ph thuc vào phông ch đang s dng. − Khai thác tra cu t vi chc nng là mt t đin đn ng và/hoc đa ng. Xây dng công c kim tra chính t ting Vit 2 Âm tit − Kh nng m rng đ x lý ting Vit theo quan đim x lý ngôn ng t nhiên . Theo t đin chính t ca Hoàng Phê [ 1], ting Vit có 6.760 âm tit ch vit đ cu to t đn hay t ghép. Mi âm tit gm hai phn : ph âm đu (có th vng mt) và khuôn vn (gm vn và thanh điu). Ví d các t đn n, hc, đp, trng . là do các âm tit n, hc, đp, trng . to thành, các t ghép chm ch, đp đ do các ph âm đu ch, đ và các âm tit m, , p và  to thành. Nh vy, đ phát hin và sa li chính t, cn da trên vic phân tích mt âm tit bng cách nhn din (v mt hình hc) ph âm đu và khuôn vn. Cu trúc âm tit có th đc phân bit nh sau (Hình 1) : Hình 1 Cu trúc âm tit ting Vit Theo thng kê ca Hoàng Phê, ting Vit có tt c 25 ph âm đu và 1160 khuôn vn, cu trúc âm tit luôn luôn gm mt ph âm đu ghép vi mt khuôn vn hoc âm tit ch gm mt khuôn vn. II Thit k công c VitTools VitTools s đc thit k trong môi trng Microsoft Windows đ có th áp dng cho các ng dng vn phòng nh Winword, Excel, Access, PowerPoint V mt lý thuyt, cn phi gii quyt ba vn đ là xây dng b phát hin - sa li chính t, c s d liu t vng và chuyn đi mã. II.1. Xây dng b phát hin và sa li chính t  xây dng b phát hin - sa li chính t, cn gii quyt hai vn đ là phát hin li chính t và sa li. Ta có th s dng thut toán sau (Hình 2) : Repeat c_mt_âm_tit Phân_tích_âm_tit Kim_tra_li_chính_t If Có_li then Sa_li Until Ht_ âm_tit or Yêu_cu_dng Khuôn vn Vn Thanh điu Ph âm đu Hình 2 Thut toán phát hin và sa li chính t Vic c_mt_âm_tit đc tin hành ln lt t đu vn bn đang xét tr đi hoc bt đu t v trí du chèn tr v cui vn bn (down) hoc ngc (up) v đu vn bn. Mt âm tit là mt xâu ký t ch gm toàn ch cái thuc phông ch ting Vit đang s dng hin hành, đc đt gia các ký t ngt câu, hoc ký t ngt dòng, hoc ký t khác ch cái. Phân_tích_âm_tit tc là tách âm tit thành 2 phn, ph âm đu và khuôn vn. Khi nhn din, ta thy ph âm đu gi có hai trng hp phân bit là g (trong gic, giã .) và gi (trong gin, giêng .) còn các ph âm đu khác đu không cha nguyên âm. Ph âm đu qu mc dù có cha nguyên âm u nh ng d tách ra khi âm tit vì không có q đng mt mình. Các cp ph âm đu có đ dài 1, ch, gh, kh, ph, th, tr và ng), hoc 3 (ngh). Nu mt âm tit bt đu bi mt nguyên âm thì âm tit đó không có ph âm đu. Sau khi phân tích âm tit thành ph âm đu và khuôn vn, Kim_tra_li_chính_t đc tin hành theo hai bc : 1. Ph âm đu (nu có) và khuôn vn có thuc danh sách các ph âm đu và khuôn vn cho phép không ? 2. Âm tit có hp l không ? Nu âm tit đang xét vi phm mt trong hai li trên (đ tin trình bày, ta gi là li loi 1 và là li loi 2), giá tr bin logic Có_li đc khng đnh, ngha là đã phm li chính t. Trong trng hp này, vic Sa_li s cn c vào bn cht ca li là lo i 1 hay Xây dng công c kim tra chính t ting Vit loi 2. Tính “thông minh” ca b phát hin - sa li chính t là  ch có th “đoán” đc ý đ ca tác gi vn bn mà gi ý cách sa cha. Vic phát hin - sa li dng khi không còn âm tit hoc ngi s dng yêu cu dng công vic. II.2. Xây dng c s d liu t vng Do cu trúc âm tit ting Vit và đ s dng các bng thng kê âm tit trong [ 1], ta có th thit k c s d liu là mt mng hai chiu. Mi phn t ca mng cho phép kim tra tính đúng đn (hay s có mt) mt âm tit cn c vào v trí hàng ca ph âm đu và v trí ct ca khuôn vn. Ví d âm tit ngoi là phn t đc xác đnh t ph âm đu th và khuôn vn oi t bng sau (bên phi Hình 3 là cách xác đnh âm tit đó) : . oi . . ng ⌦ . oi ng • Hình 3 Cách xác đnh mt âm tit Cu trúc mt phn t mng nh sau : Type Phn_t_mng = Record Vn_đ_chính_t Loi_t Ngha Ni_t Chuyn_ng end Hình 4 Cách xác đnh mt âm tit Mc Vn_đ_chính_t có th có các giá tr nh sau : − Có âm tit s dng trong ting Vit − Có vn đ v chính t, ví d v thanh điu (ha hay ho, qúy hay quý .), v phát âm các phng ng vi ch vit (z tng đng d và gi, k d, lý lun, k .), v t ng vay mn ca nc ngoài (karaole, photocopy, fax, bp gas .) . − Có yu t cu to t Hán-Vit, ví d cng - cng ., bãi - b . − Không th có cu to âm tit nh qút, quôn, coan (quan), cuê (quê) . Tu theo mc đ nghiên cu chính t, có th thêm các giá tr mi vào mc này. Mc Loi_t cho bit đây là loi t gì v mt ng pháp, nu âm tit là mt t đn. Chng hn loi t có th là danh t, đi t, đng t, ph t, tính t, v.v . Mc Ngha cho bit ngha (semantic) ca t biên son theo ni dung cun T đin ting Vit [ 2]. V mt chng trình, trng Ngha đc thit k là mt con tr (pointer) tr đn ni cha các dòng vn bn gii thích ngha ca t. Mc Ni_t cho phép liên kt vi các âm tit khác đ to thành các t ghép. Ví các t ghép ti đp, xinh ti, xinh đp, xinh xinh, xinh xn, đp đ đc minh ho cách ni ghép nh sau (Hình 5) : 3  p 4 Hình 5 Cách to các t ghép Vi t ghép đôi, có th xy ra các mi ni hai chiu, nh ân ái - ái ân, bo đm - đm bo . hoc các mi ni vòng, nh chung chung, xinh xinh . Trng hp các t ghép ba, nh tng tòng tong ., các t ghép bn nh lt thà lt tht, ko cà ko kt . hoc t ghép dài hn thì phi xây dng các mi ni bc cu. Hình 6 di đây mô t Ni_t là mt cu trúc con tr đc bit cho phép x lý các loi mi ni khác nhau nh va trình bày.  d trin khai, có th quy c các t ghép ch xác đnh bi âm tit đu. Type Ni_t = Record Ni_đôi Ni_vòng Ni_bc_cu end Hình 6 Cu trúc mi ni t Các trng Ni_đôi, Ni_vòng và Ni_bc_cu là nhng con tr tr đn mt danh sách gm các con tr tr đn các phn t ca mng (s phn t ca danh sách là s t ghép tng ng). Mc Chuyn_ng cho phép ghi ngha tng đng ca âm tit (t đn) và t ghép trong mt ngôn ng nào đó, ví d Anh ng, Pháp ng, v.v . Nh vy có th thit k mc Chuyn_ng có cùng cu trúc vi mc Ni_t. II.3. Chuyn đi mã Hin nay có rt nhiu phông ch (fonts) ting Vit xây dng trên nhiu b mã khác nhau (khác nhau v s bytes s dng là 1 byte hoc 2 byte, th t du thanh, cách b trí các ký t .). Do cha s dng mã thng nht nên gii pháp tt nht là nên s dng mt b mã trc (pivot code) đ d dàng chuyn đi qua li gia các mã. B mã trc đc chn là VIQR (VIetnamese Quoted Readable Specifications). B mã này do nhóm Viet- Std (Vietnamese Standardization Working Group) phát trin ch s dng các ký t ASCII chun 7-bits đ biu din du ting Vit nên tính tng thích rt cao. Ví d đ gõ vào câu i hc à nng : DDa.i ho.c DDa` na(~ng. t i • x inh • đ đ • n x • • 5 Hình 7 B mã trc VIQR Trc khi chuyn mã ngun v mã VIQR cn có th tc Nhn_din_ mã_ngun và trc khi chuyn mã VIQR sang mt mã đích khác cn có th tc Nhn_din_mã_đích. Nh vy đ phát hin li chính t, công c VitTools s làm vic trên các âm tit đã đc chuyn sang mã VIQR. VitTools phân tích các âm tit đ dò tìm ph âm đu và khuôn vn tìm đc trong các vect ph âm đu và khuôn v n tng ng theo mã VIQR. III Kt lun V mt lý thuyt, ta đã thit k xong công c VitTools cho phép phát hin và sa li chính t. u đim ca phng pháp là công c hot đng không ph thuc vào mã phông ch ting Vit đang s dng và không ph thuc vào ng dng hin hành. VitTools cng đc thit k theo hng m bng cách thêm các chc nng sp xp, chuyn mã vn bn hoc d liu ting Vit, v.v . Cu trúc c s d liu t vng đã thit k cho phép xây dng t đin đa chc nng (multipurpose), đa ng (multilingual) phc v x lý ngôn ng t nhiên, trc ht là t đin chính t và t đ in tra ngha. Tài liu tham kho [ 1 ] Hoàng Phê. T đin chính t. Trung tâm t đin hc, NXB à nng 1995 [ 2 ] Hoàng Phê. T đin ting Vit. Trung tâm t đin hc, NXB à nng 1997 [ 3 ] Nguyn Kim Thn. Ng pháp ting Vit. NXB Giáo dc 1997 [ 4] W. J. Hutchins & H. L. Somers. An Introduction to Machine Translation. Academic Press 19ìc [ 5] B. T. S Atkins & A. Zampolli. Computational Approaches to the Lexicon. Oxford University Press 1994 VIQR IBM CP 01129 TCVN3 VietKey VISCII VietWare VNI BKtpHCM Microsoft CP 1258 . T TING VIT TRONG MÔI TRNG MICROSOFT WINDOWS DESIGN A TOOL KIT TO CHECK THE SPELLING OF VIETNAMESE TEXT IN MICROSOFT WINDOWS Phan Huy Khánh E-mail:. Thit k công c VitTools VitTools s đc thit k trong môi trng Microsoft Windows đ có th áp dng cho các ng dng vn phòng nh Winword, Excel,