Bài giảng Xử lý ngôn ngữ tự nhiên (Natural Language Processing) - Chương 7: Phân lớp văn bản tiếng Việt theo hướng tiếp cận lexical chain

4/21/2011
1
PHÂN LỚP VĂN BẢN TIẾNG VIỆT 
THEO HƯỚNG TIẾP CẬN 
LEXICAL CHAIN
PHẦN I:
TỔNG QUAN VỀ BÀI TOÁN 
PHÂN LỚP VĂN BẢN
Các phương pháp biểu diễn văn bản
ƒ Mô hình vector
ƒ Văn bản = 1 vector n chiều + trọng số cho mỗi giá trị của nó
ƒ Mô hình vector thưa
ố từ ới t ố khá 0 hỏ h ất hiề ới ố từ óƒ s v rọng s c n ơn r n u so v s c 
trong Cơ sở dữ liệu
Các phương pháp biểu diễn văn bản
ƒ Mô hình tần số kết hợp TF x IDF
ƒ Xét:
ƒ Tập dữ liệu gồm m văn bản: D = {d1, d2, dm}. 
ƒ Mỗi văn bản biểu diễn dưới dạng một vector gồm n thuật 
ngữ T = {t1, t2,tn}. 
ƒ fij là số lần xuất hiện của thuật ngữ ti trong văn bản dj
ƒ m là số lượng văn bản
ƒ hi là số văn bản mà thuật ngữ ti xuất hiện 
ƒ Gọi W = {wij } là ma trận trọng số, trong đó wij là giá trị 
trọng số của thuật ngữ ti trong văn bản dj
Các phương pháp biểu diễn văn bản
ƒ Ma trận trọng số TFxIDF được tính như sau:
⎧ ⎞⎛
⎪⎩
⎪⎨ ≥⎟⎟⎠⎜
⎜
⎝
+=
l¹i ng−îc nÕu
 nÕu1
0
h
h
mf
w iji
ij
ij
1log)]log([
Các phương pháp biểu diễn văn bản (tt)
ƒ Mô hình Lexical Chain:
ƒ “Lexical Chain” là một khái niệm nhằm duy trì tính cố kết giữa 
các từ trong văn bản có mối liên quan với nhau về mặt ngữ 
nghĩa
ƒ Một số loại quan hệ về ngữ nghĩa giữa các từ:
ƒ Lặp lại (Repeatation) 
ƒ Đồng nghĩa (synonyms )
ƒ Trái nghĩa ()
ƒ Bộ phận-Toàn thể (hypernyms, hyponyms ) 
ƒ 
ƒ Ví dụ : C1= {kinh tế, thương mại, lĩnh vực, vốn, thị trường}
4/21/2011
2
Các thuật toán giải quyết bài toán 
Phân lớp văn bản
ƒ Thuật toán cây quyết định.
ƒ Thuật toán k-NN.
ƒ Thuật toán Lexical Chain.
Thuật toán Cây quyết định
ƒ Cây quyết định gồm các nút quyết định, các nhánh và lá :
ƒ Mỗi lá gắn với một nhãn lớp,
ƒ Mỗi nút quyết định mô tả một phép thử X nào đó,
ƒ Mỗi nhánh của nút này tương ứng với một khả năng của X.
ƒ Ý tưởng: Phân lớp một tài liệu dj bằng phép thử đệ quy các trọng số 
mà các khái niệm được gán nhãn cho các nút trong của cây với vector 
cho đến khi đạt tới một nút lá => nhãn của nút lá này được gán cho tài 
liệu dj. 
ƒ Ưu điểm: chuyển dễ dàng sang dạng cơ sở tri thức là các luật Nếu -
Thì .
ƒ Nhược điểm: 
ƒ Cây thu được thưòng rất phức tạp, chỉ phù hợp với tập mẫu ban đầu.
ƒ Khi áp dụng cây với các dữ liệu mới sẽ gây ra sai số lớn. 
Thuật toán kNN (K-Nearest Neighbor)
ƒ Tư tưởng : tính toán độ phù hợp của văn bản đang xét 
với từng lớp (nhóm) dựa trên k văn bản mẫu có độ tương 
tự gần nhất. 
ƒ Có 3 cách gán nhãn:
ƒ Gán nhãn văn bản gần nhất: 
ƒ Gán nhãn theo số đông
ƒ Gán nhãn theo độ phù hợp chủ đề
ƒ Cách biểu diễn văn bản (hướng tiếp cận truyền thống): 
TF x IDF
Thuật toán Lexical Chain
ƒ Bước 1: Đọc từ w trong văn bản.
ƒ Bước 2: Tiến hành dừng nếu w là stop-word.
ƒ Bước 3: Thông qua WordNet, lấy về tập S gồm tất cả các nghĩa mà w 
có thể có.
ƒ Bước 4: Tiến hành tìm kiếm mối liên hệ gần nhất giữa w với các từ 
trong tập hợp chain đã được khởi tạo
ƒ Nếu tìm thấy mối liên hệ đủ gần, tiến hành kết nạp w vào chain đó, 
đồng thời khử nhập nhằng nghĩa cho w bằng cách tỉa đi tất cả các 
sense đã không được sử dụng để tìm mối liên hệ này 
ƒ Nếu không tìm được chain nào thoả mãn, tiến hành lập chain mới và 
kết nạp w là từ đầu tiên.
Lý do lựa chọn hướng Lexical Chain
ƒ Can thiệp vào bản chất ngôn ngữ của văn bản, thay vì mô 
hình toán học thuần tuý
ƒ Khử nhập nhằng ngữ nghĩa của từ rất tốt.
Hiệ ả khi hệ thố ầ “h l i”ƒ u qu ng c n ọc ạ
ƒ Giúp thu gọn không gian bài toán
ƒ Là hướng tiếp cận mới
PHẦN II:
TIẾP CẬN BÀI TOÁN PHÂN LỚP 
VĂN BẢN TIẾNG VIỆT THEO HƯỚNG 
LEXICAL CHAIN
4/21/2011
3
Các tác động của đặc trưng ngôn 
ngữ Tiếng Việt đến bài toán
ƒ Cần phải thiết kế thêm giải thuật để tách từ
ƒ Không cần phải giải quyết bài toán Stemming
ƒ Hiện tượng từ đồng âm: nhập nhằng ngữ nghĩa
ế ể ểƒ Ti ng Việt chưa có một WordNet hoàn chỉnh đ bi u đạt 
các mối quan hệ ngữ nghĩa một cách phong phú và đầy 
đủ như Tiếng Anh
Mô hình giải quyết bài toán
Từ điển 
Tiếng 
Việt
1.Tiền xử lý
Input Text
Từ điển 
Stop-
word
Kho văn 
bản đã 
huấn 
luyện
Cây 
phân 
cấp 
ngữ 
nghĩa
2. Xây dựng Lexical Chains 
(LC)
3.Tính độ tương đương với 
các văn bản mẫu bằng LC
4.Quyết định lớp cho văn 
bản
Categorized Text
Các yếu tố ngôn ngữ được sử dụng
ƒ Từ điển Tiếng Việt : 70.000 từ (có gắn nghĩa)
ƒ Từ điển từ dừng
ƒ Cây phân cấp ngữ nghĩa
ROOT
Cây phân cấp 
ngữ nghĩa 
Tiếng Việt
Bird
Chim sẻ Vàng anhTừ
Mammal
Bò Gấu
Fish
Cá trắm Cá thu
animal
ConcreteThing
K N
Mức trừu tượng chung thấp nhất
N
KSEMDIST =
Tiền xử lý văn bản
ƒ Tách từ
ƒ Gán nhãn từ loại, lọc 
ra các danh từ
L i bỏ từ dừ
begin
Chia văn bản thành các 
truy vấn nhỏ hơn
Bỏ qua 1 Là từ khoá ?
F
các dấu “.”, “, “ , “;” ,
“:”
Xét từng truy vấn (các 
tiếng)
ƒ oạ ng.
end
tiếng ở bên 
phải
Cắt từ khỏi 
truy vấn
Truy vấn 
rỗng ?
T
F
T
Giải thuật xây dựng Lexical Chain
ƒ Bước 1: Với mỗi danh từ trong văn bản, liệt kê tất cả các nghĩa mà 
nó có thể có.
ƒ Bước 2: Sử dụng WSDG để xác định nghĩa phù hợp nhất của mỗi 
từ trong số tập hợp nghĩa xác định ở bước 1.
ƒ Bước 3: Xây dựng các Lexical Chain dựa vào nghĩa duy nhất vừa 
tìm được cho mỗi từ.
ƒ Xuất phát từ tập chain rỗng.
ƒ Với mỗi từ w:
ƒ kết nạp nó vào chain c nếu độ tương đồng của nó với tất cả các từ 
trong c đều đủ gần (vượt ngưỡng lập trước)
ƒ Ngược lại, lập chain mới và kết nạp nó là từ đầu tiên
α
Đồ thị khử nhập nhằng nghĩa
ƒ Gọi:
ƒ T = {T1 , T2, Tn} là tập các danh từ trong văn bản.
ƒ Si (i=1,...mi) là tập hợp các nghĩa mà danh từ Ti có thể có 
được (mi là số lượng nghĩa của Ti)
ƒ G=(V,E)
ƒ Vi biểu diễn Ti, nhưng chia làm mi phần 
ƒ Mỗi phần Vij biểu diễn nghĩa Sij của Ti
ƒ Mỗi cạnh trong E nối Vij và Vi’j’
ƒ Mỗi cạnh được gán trọng số:
ƒ Trọng số của mỗi nghĩa Vij:
' ' , ' '( , ) ( )ij i j ij i jw V V sim S S=
' '( ) ( , ) ( ' , , ' 1, )ij ij i jw V w V V i i i i n= ≠ =∑
4/21/2011
4
Ví dụ minh hoạ giải thuật
Vận Đơn vị 
« Sáng nay, mẹ tôi đi chợ mua hai 
cân đường để vắt nước chanh »
tải
Gia vị
quy uớc 
đo lường
Vật 
dụng
Hoa 
quả
ĐƯỜNG CÂN
CHANH
+ Đường: W(‘Gia vị’) =2.0, W(‘vận tải’) 
=0.8
=> Đường = Gia vị
+ Cân: W(‘đơn vị đo lường’) =1.8, 
W(‘Vật dụng’) =1.4
⇒Cân = đơn vị đo lường
Đánh giá các Lexical Chain
ƒ Điểm cho mỗi chain:
ƒ score(C) = Length * Homogeneity 
ƒ Trong đó:
L th Số l á “l t từ” t Cƒ eng : ượng c c ượ rong .
ƒ Homogeneity: Tính đồng nhất giữa các từ trong C 
ƒ Alpha = 0.75
_ _ _ _ _Homogeneity 1 Number of distinct words in C
Length
α= −
Dùng LC tính độ tương tự giữa các văn bản
ƒ Ký hiệu các chuỗi từ vựng c và d lần lượt là :
ƒ c = {c1,c2,, cm} và d = {d1,d2,, dn}
ƒ Trong đó, mỗi thành phần ci, dj (i=1..m, j=1..n) đều chỉ có 
1 nghĩa duy nhất lần lượt là và .cs ds
ƒ Độ tương đồng giữa c và d :
ƒ Độ tương tự giữa chain c và văn bản D 
i j
1 1
( , ) ( , )
i j
m n
c d
i j
sim c d sim s s
= =
= ∑∑
( , ) ( , )
d D
sim c D sim c d
∈
= ∑
Gán nhãn lớp cho văn bản
ƒ Gán nhãn theo tổng độ phù hợp chủ đề
ƒ Lần lượt tính tổng độ phù hợp của văn bản Q với tất cả các 
phân lớp có trong k văn bản đã lấy ra
ƒ Gán nhãn chủ đề phù hợp nhất cho Q 
ƒ Q sẽ thuộc vào phân lớp có tổng độ liên quan cao nhất.
PHẦN III:
TIẾP CẬN BÀI TOÁN PHÂN LỚP 
VĂN BẢN TIẾNG VIỆT THEO HƯỚNG 
LEXICAL CHAIN
Chức năng Huấn luyện tập mẫu
Tiền xử lý Xây dựng 
tập Lexical 
Chains
Lọc các 
Chains mạnh 
và lưu trữ
Tập văn 
bản thô 
(đã phân 
lớp đúng)
CHỨC NĂNG HUẤN LUYỆN TẬP MẪU
Tập văn 
bản được 
huấn 
luyệnTập văn bản chỉ chứa 
danh từ
Tập văn bản 
dưới dạng 
các chain
4/21/2011
5
Xây dựng các Lexical Chain
Từ điển Tiếng 
Việt (có gắn 
nghĩa)
Cây phân cấp 
ngữ nghĩa
Tập văn bản 
(biểu diễn dưới
dạng các danh 
từ )
XÂY DỰNG TẬP LEXICAL 
CHAINS
Thu 
thập tập 
nghĩa
Xây dựng 
WSD 
Graph
Chọn 
nghĩa phù 
hợp nhất
Tập danh 
từ+ tập 
nghĩa
Tập các 
chain cho 
văn bản
Cấu trúc 
nên các 
chain
Chức năng Phân lớp văn bản
Từ điển 
tiếng 
Việt+ ngữ 
nghĩa
Tập V.bản 
đã huấn 
luyện
Văn bản đầu 
vào (cần phân 
lớp)
Chủ đề phù 
hợp nhất 
cho văn bản
Tiền xử 
lý
Xác định 
độ liên 
quan
Gán chủ 
đề
Tập các 
chains mạnh
Các văn bản phù hợp 
nhất (có kèm chủ đề)
PHÂN LỚP VĂN BẢN
Thiết kế dữ liệu
cá quả
composite word
¾Từ điển Tiếng Việt (nguồn: trung tâm từ điển học Vietlex):
Animal
_
_
cá dữ ở nước ngọt, thân tròn, dài, có nhiều
đốm đen, đầu nhọn, khoẻ, bơi nhanh
Thiết kế dữ liệu
¾Cây phân cấp nghĩa (nguồn: trung tâm từ điển học Vietlex):
Organization Root/ConcreteThing/LivingThing/People/Organization
Thiết kế dữ liệu
ƒ Lưu các Lexical Chain:
ƒ Tập lexical chain của mỗi văn bản lưu trong một file .txt
ƒ Các lexical chain cách nhau 1 dòng trống
ƒ Trong 1 lexical chain:
Mỗi từ được lưu trên 1 dòngƒ 
ƒ Câu trúc mỗi từ như sau:
ƒ Ví dụ:
luật sư|People|4
bị cáo|People|1
thẩm phán|People|3
cán bộ|People|2
người làm|People|1
Từ Nghĩa Số lần xuất hiện
Giao diện chính
4/21/2011
6
Chức năng quản lý từ điển, từ dừng và văn 
bản mẫu Tập ngữ liệu thử nghiệm
o Các bài báo được sưu tầm trên trang tin vietnamnet (
o 8 chủ đề: Khoa học, Vi tính, Giáo dục, Pháp luật, Đời sống, Thể thao, 
Kinh doanh, Ô tô xe máy 
Số bài báo 100 
Số chủ đề (lớp) 8
Kích thước bài báo lớn nhất 6.13 KB
Kích thước bài báo nhỏ nhất 1.11 KB
Kích thước trung bình của một bài báo 3.30 (KB)
Số danh từ nhiều nhất trong một bài báo 89
Số danh từ ít nhất trong một bài báo 18
Số danh từ trung bình trong một bài báo 35.47
Một số kết quả thử nghiệm
Số bài báo được thử nghiệm 100
Thời gian phân lớp nhanh nhất 0.2 s
Thời gian phân lớp chậm nhất 1.9 s
Thời gian phân lớp trung bình 0.713 
Số văn bản được phân lớp đúng 92
Hiệu suất phân lớp 92 %
Kích thước trung bình của mỗi bài báo 3.30 (KB)
Số danh từ trung bình trên mỗi bài báo 35.47
Số văn bản phân lớp được 100
Độ chính xác (precision) 92 %
Nhận xét
ƒ Các văn bản bị phân lớp sai do một số nguyên nhân: 
ƒ Bản thân nội dung văn bản cũng có sự nhập nhằng.
ƒ Sai từ khâu tách từ và lọc danh từ.
ấ ế ề ốƒ Cây phân c p ngữ nghĩa còn hạn ch v s lượng 
nghĩa, dẫn đến một số danh từ có nghĩa xa nhau 
nhưng lại cùng thuộc về một lớp nghĩa trừu tượng 
(ví dụ: Concept, ConcreteThing.)
ƒ Độ sâu của cây chưa lớn nên dẫn tới độ tương đồng 
của các từ thuộc dạng trên lại cao.